CN113866376A - 一种地理信息系统的自动巡航水质监测系统 - Google Patents
一种地理信息系统的自动巡航水质监测系统 Download PDFInfo
- Publication number
- CN113866376A CN113866376A CN202111103164.3A CN202111103164A CN113866376A CN 113866376 A CN113866376 A CN 113866376A CN 202111103164 A CN202111103164 A CN 202111103164A CN 113866376 A CN113866376 A CN 113866376A
- Authority
- CN
- China
- Prior art keywords
- water
- pipe network
- water quality
- pollution source
- river
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 212
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 238000002474 experimental method Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000004044 response Effects 0.000 claims abstract description 4
- 230000035945 sensitivity Effects 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 12
- 238000011144 upstream manufacturing Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000013210 evaluation model Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 5
- 239000000376 reactant Substances 0.000 claims description 4
- 238000010206 sensitivity analysis Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 3
- 239000012456 homogeneous solution Substances 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 claims 1
- 238000011425 standardization method Methods 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract description 5
- 238000009395 breeding Methods 0.000 abstract description 2
- 230000001488 breeding effect Effects 0.000 abstract description 2
- 238000010835 comparative analysis Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 239000010842 industrial wastewater Substances 0.000 abstract description 2
- 244000144972 livestock Species 0.000 abstract description 2
- 244000144977 poultry Species 0.000 abstract description 2
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 239000010865 sewage Substances 0.000 abstract description 2
- 239000002351 wastewater Substances 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000011109 contamination Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000000691 measurement method Methods 0.000 description 5
- 238000005065 mining Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明请求保护一种基于地理信息系统的自动巡航水质监测系统,对污染源数据预处理,搭建河流防尘供水管网相似实验模型;建立污染源大类特征库和相似性分析的方法,提高对污染源大类的识别能力,以应对潜在的水质问题。针对水质原始指对污染源联合响应不显著不可分的问题,提出了利用深层非线性特征的自编码器进行特征提取方法,并结合k‑means++聚类方法对提取的高维特征构建特征库,以增大污染源的类间差异,并引入余弦距离进行相似性度量。最后采用工业废水、生活污水、畜禽养殖废水、泥浆水对本文提出的污染源判别方法性能进行了对比分析。对推进河道智慧水务建设提供了技术支持,对其他领域异常检测具有一定借鉴意义。
Description
技术领域
本发明属于安全生产信息化管理领域,具体的,涉及一种地理信息系统的自动巡航水质监测系统。
背景技术
随着矿山开采机械化、自动化、智能化程度的日益提高,河流污染产生量显著增加,严重危害矿工的职业健康,威胁河流安全生产。河流防尘供水管网作为河流实施综合防尘措施的必要保障,其有效运行对综合防尘效果具有决定性的作用。
河流防尘供水管网作为防治矿山河流下污染危害的重要设施,其管网运行的可靠性对于保证综合防尘设施达到预期防尘效果具有决定性的作用,也是矿山河流下消防降温、抢险救灾、矿工健康安全的重要保障。但是,据河流实地调查发现,我国绝大多数河流只是凭借经验进行供水管网的新建和改扩建设计,缺少优化理论指导的设计方案,没有综合考虑供水管网的建造可靠性、经济性以及水力水质要求,往往造成防尘供水管网建造投资浪费,甚至依然存在部分采掘工作面水量、水压、水质不合格,部分区域管道腐蚀严重,最终导致综合防尘措施无法正常工作或达不到预期防尘效果,威胁到煤矿的安全生产。
随着河流生产的不断开展,采掘工作面的布置在不断的变化和调整,河流下主要用水点位置、水量、水压、水质也随之发生变化,管理的难度进一步加大,亟需构建一套动态的河流防尘供水管网监测模拟与智能分析系统以更全面及时的掌握河流防尘供水管网动态运行规律,切实依据河流实际进行科学合理的运行工况分析、可靠性评价及管网优化。此外,在将河流供水管网防尘、消防、供水施救等功能统筹建设的趋势下,河流防尘供水管网的设计和维护,也不能仅仅局限于水量、水压的保障,对供水水质以及管网抗灾变能力提出了更高的要求。
发明内容
为了解决现有技术中供水水质以及管网抗灾变能力的不足问题,本发明请求保护一种地理信息系统的自动巡航水质监测系统,其特征在于,包括:
在河流防尘供水管网搭建巡航系统,构建不同污染源的特征库;
污染源数据预处理,搭建河流防尘供水管网相似实验模型;
采用压力-用水量灵敏度系数定量表征各用水点压力或管网系统受节点用水量变化的影响程度,采用最大压降百分比衡量漏失故障的影响;
相似性度量进行污染源判别
以管道摩阻系数为校核参数,构建河流防尘供水管网水力校核模型;
根据信息熵和水力水质动力学机理,综合考虑管网结构、流量和水质因素,建立河流防尘供水管网动态定量可靠性评价模型,与所述污染源的特征库进行比对分析,更新样本库和特征库,得到河流实例管网各用水点可靠度和系统可靠度。
本发明对污染源数据预处理,搭建河流防尘供水管网相似实验模型;建立污染源大类特征库和相似性分析的方法,提高对污染源大类的识别能力,以应对潜在的水质问题。针对水质原始指对污染源联合响应不显著不可分的问题,提出了利用深层非线性特征的自编码器进行特征提取方法,并结合k-means++聚类方法对提取的高维特征构建特征库,以增大污染源的类间差异,并引入余弦距离进行相似性度量。最后采用工业废水、生活污水、畜禽养殖废水、泥浆水对本文提出的污染源判别方法性能进行了对比分析。对推进河道智慧水务建设提供了技术支持,对其他领域异常检测具有一定借鉴意义。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明所涉及的一种地理信息系统的自动巡航水质监测系统的工作流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明请求保护一种地理信息系统的自动巡航水质监测系统,其特征在于,包括:
在河流防尘供水管网搭建巡航系统,构建不同污染源的特征库;
污染源数据预处理,搭建河流防尘供水管网相似实验模型;
采用压力-用水量灵敏度系数定量表征各用水点压力或管网系统受节点用水量变化的影响程度,采用最大压降百分比衡量漏失故障的影响;
相似性度量进行污染源判别
以管道摩阻系数为校核参数,构建河流防尘供水管网水力校核模型;
根据信息熵和水力水质动力学机理,综合考虑管网结构、流量和水质因素,建立河流防尘供水管网动态定量可靠性评价模型,更新样本库和特征库,得到河流实例管网各用水点可靠度和系统可靠度。
具体的,据量纲分析和水力相似理论,搭建河流防尘供水管网相似实验模型之前还包括:筛选出适合傍河水源地水质监测的水质指标;对筛选出的所述水质指标进行在线监测获得在线监测结果;
进一步地,所述污染源数据预处理,搭建河流防尘供水管网相似实验模型,具体包括:
采用连续性方程和纳维-斯托克斯N-S方程式,由量纲齐次性原理,引入无量纲项π;
根据量纲和谐原理,可得到各量纲的指数关系,进而求解各方程组,得到量纲的齐次性解;进而将所求指数值代入含有无量纲项π的公式;
根据所述量纲分析的结果,若模型管网水流流动要与原型管网水流流动相似,则应该满足在原型和模型两种水力条件下,函数关系式的自变量不变。
进一步地,所述在河流防尘供水管网搭建巡航系统,构建不同污染源的特征库,还包括:
选取初始簇中心。聚类问题最主要的目标是找寻每个聚类最合适的中心,对于经典的 k-means算法而言,随机选取k个初始聚类中心,来代表特征库中不同的污染源特征中心。在本实施例中,由于有样本库的存在,在进行特征库构建时已知聚类数k,因此这里的k值是固定的,随机选取的初始特征中心为:{c1,c2,c3......ck}。
特征簇划分。根据每个样本距离簇中心的距离么将每个样本分配给距离簇中心最近的簇,并对其进行簇标记。
对簇中心进行更新。计算分配给每个簇的所有样本的均值来更新每个簇中心的值。
重复上述步骤,直到达到最大迭代次数或者簇中心不再更新为止,完成特征库的构建。
由于每次都是随机选取类别中心,K-means很容易陷入局部最优,从而导致构建的特征库中心不能有效代表污染源类别。因此选择改进的K-means++的优化聚类方法,尝试以使彼此质心距离最远的原则来选择初始质心,对初始中心的选择进行优化.
对于每一个污染源类别中心,在构建时,k-means++考虑该污染源类别中每个对象Xi成为簇中心的概率P如下式所示:
其中,D代表每个数据点距离中心点的距离,使用加权概率分布,选取概率最大的一个作为该类别污染源的特征中心,即下一个簇的中心。k-means++的目标函数如下:
其中,Ci(i=1,2...k)代表聚类后的第i个污染源类别,Ci和x分别代表该类别污染源的特征中心和某个特征样本点。
进一步地,所述采用压力-用水量灵敏度系数定量表征各用水点压力或管网系统受节点用水量变化的影响程度,采用最大压降百分比衡量漏失故障的影响,具体包括:
选取代表性用水点作为用水量调节节点,以12:00时刻各个作业点的用水量作为基础用水量;
通过分别改变用水点的水量进行相似实验,测定管网10个用水点的水压变化;
对光滑管完全发展湍流,根据卡门-普朗特阻力系数公式和布拉修斯1/7次方速度分布;
节点用水量增大后,相连上游管段流量随之增大,对于完全发展的湍流光滑管,管段中的沿程水头损失增量大约是管道流量的7/4次幂之差乘以一定的系数;对于完全发展的湍流粗糙管,管段中的沿程水头损失增量大约是管道流量的2次幂之差乘以一定的系数;
对不同工况下各节点工况加权灵敏度系数的分析可以获得管网中水压对水量变化较为敏感的节点;
通过系统平均灵敏度的分析也可以获得可能导致管网水压波动更大的节点,从而为管网的运行监测中压力点布置提供参考。
进一步地,所述相似性度量进行污染源判别,还包括:
对新的异常事件进行特征提取后,和特征库内的各个污染源响应中心进行相似性度量,得出异常事件所属污染源类别。
采用特征提取方法提取高阶嵌入特征后,和特征库中的不同污染源特征中心进行相似性度量,现有的相似性度量方法大多都是基于距离的,计算从当前对象到不同污染源特征中心 (多维空间中的点)的距离来识别污染源类型。若到其距离比到其他特征中心的距离都短,则该对象被认为属于该类别;若和各个类别距离都很远,无法区分,此时不能简单将其归类为距离最近的污染源,应该和各个类别中心的距离阈值进行对比,判别是否属于新的污染源。
给定两个样本S1和S2,对其特征向量在各个维度的差异值进行叠加来表示某种距离,通过该距离来度量两个样本之间的相对差异(相似性)。由于不同的污染源在特征库中存在类内距离小,类间距离大的特性,因此采用距离进行相似性度量是一种可行的方案
使用余弦相似性进行度量,彼此靠近的点比彼此远离的点更相似,给定向量x和y,余弦相似度推导如下:
余弦距离是由两个向量在n维空间中的夹角余弦计算的,因此取值范围为[0,2],余弦距离的计算公式为:
d((x,y)=1-s(x,y)
有效的距离度量可以提高判别的准确性,由于水质的波动性,特征向量在幅值上也会存在一定的等幅波动,相比于欧式距离,余弦距离可以隔离向量长度变化的影响,更加关注相对距离,如下式所示:
进一步地,所述以管道摩阻系数为校核参数,构建河流防尘供水管网水力校核模型,还包括:
引入全局灵敏度分析法对河流防尘供水管网模型中的所有管道摩阻发生变化时对监测点压力和流量的影响进行分析;
选取受影响较大的管道优先校核,再逐步调整其他管道摩阻系数进行校核;管道摩阻灵敏度求解时采用蒙特卡洛积分法;
日常用水条件下,用水点的水压变化与管网总用水量存在更优的函数拟合关系。而用水点的压力与该点用水量之间的函数关系拟合度相对低一点,说明各用水点之间的水量水压存在相互影响。用水点压力-管网总用水量的函数方程式更好的将除了当前用水点之外还有的其他各个用水点对当前用水点水压的影响考虑在内,是从整个系统的角度上来体现用水点压力随管网用水量的变化,反映的是管网的一个全局特征;而用水点压力-单点用水量的函数方程式,更多的是从当前用水点个体特征的角度来表达压力与用水量的关系。
矿山河流下生产活动随着生产计划的安排一般具有周期性的特点,在一定时期内,河流下防尘供水管网的拓扑结构变化不大,用水需求虽然是动态变化的,但宏观来看也是相对保持稳定,在这种动态工况背景下,上述分析得到的两种函数方程式,都可以作为一种反映河流防尘供水管网运行规律的方式,根据水力工况分析的侧重点不同进行有选择性的采用。
进一步,具体的,构建灵敏度分析目标函数,各管段摩阻系数组成自变量参数集;
基于序列随机采样,获得各管段摩阻系数赋值矩阵;
调用EPANET水力求解和蒙特卡洛积分法求出各参数的全局灵敏度。
在管网日常运行状态下,各用水点的压力与管网的总用水量之间存在较显著的线性负相关性,函数关系可以表示为y=ax+b形式。若当管网总用水量增大的时候,可能会造成部分工作面的用水压力降低,达不到设计水压的要求。这时,可以通过对管网用水量、水压历史监测数据进行拟合分析得到函数关系式来预测用水量增加时其他用水点压力的变化,以便提前采取防控措施,保证管网的正常运行。
进一步地,所述根据信息熵和水力水质动力学机理,综合考虑管网结构、流量和水质因素,建立河流防尘供水管网动态定量可靠性评价模型,与所述污染源的特征库进行比对分析,更新样本库和特征库,得到河流实例管网各用水点可靠度和系统可靠度,还包括:
引入最大水质熵指标,即将路径反应物含量平均分配时的水质熵定义为最大水质熵,代表了在理想状态下无容节点从每个路径获得的反应物含量具有相同的不确定性,其取值只与上游路径数有关,而上游路径数又由管网拓扑结构和防尘供水管网河流下用水量分配决定;
取水质熵和最大水质熵的比值定义为节点可靠度,从而得到防尘供水管网节点可靠度;
在MATLAB环境下加载管网的基本信息,至少包括拓扑结构、节点标高、水池水位、管长、管径和阻力系数;
设置用水点需水量、水力水质模拟时长和步长、反应级数和系数、初始水质参数;
调用EPANET模拟管网的动态水力水质,获取各节点和管段不同工况下水力参数和水质演变参数;
对每一个工况下,判断管段内水流流量及方向,确定每个节点的上游节点、上游管段和路径集;根据构建的评价模型求解每个节点水质熵、最大水质熵、节点可靠度以及系统可靠度,根据相关系数最大情况下的聚类来优化水质监测断面的布设。
具体的,所述根据相关系数最大情况下的聚类来优化水质监测断面的布设包括通过监测采集不同断面的水质指标,建立原始数据矩阵Z,将矩阵Z标准化处理后得到矩阵X;矩阵Z 为m×n的矩阵,其中m为监测断面个数,n为每个监测断面的水质指标个数;
将监测断面的水质指标作为变量,对应为矩阵X的列向量,采用五种距离度量方法得出各变量之间的相似性;所述的距离度量方法包括:欧氏距离、标准欧氏距离、马氏距离、布洛克距离以及切比雪夫距离;
根据变量间的亲疏关系,采用四种连接方法对变量进行聚类;所述的连接方法包括:最短距离法、最长距离法、平均距离法和质心距离法;
确定连接方法与距离度量方法的相关系数,选取相关系数最大情况下的距离度量方法与连接方法,根据相关系数最大情况下的聚类来优化水质监测断面的布设;
采用多线程的项层程序设计模式,具有可扩展性。主线程采用事件驱动的队列消息处理器,用于实现人机交互,辅助线程用于实现程序的多个功能模块的调度,以保障程序数据的流畅运行以及各个模块间的协调工作;还可以通过增加辅助线程的方式来扩展系统的功能,比如故障预警、漏损定位等其他智能分析模块。
通过k-means++对特征库进行构建后,对于新的异常事件,对其采用提出的特征提取方法提取高阶嵌入特征后,和特征库中的不同污染源特征中心进行相似性度量,现有的相似性度量方法大多都是基于距离的,计算从当前对象到不同污染源特征中心(多维空间中的点)的距离来识别污染源类型。若到其距离比到其他特征中心的距离都短,则该对象被认为属于该类别;若和各个类别距离都很远,无法区分,此时不能简单将其归类为距离最近的污染源,应该和各个类别中心的距离阈值进行对比,判别是否属于新的污染源。
给定两个样本S1和S2,对其特征向量在各个维度的差异值进行叠加来表示某种距离,通过该距离来度量两个样本之间的相对差异(相似性)。所述距离包括明氏(Minkowski)距离,欧式距离,余弦距离。由于不同的污染源在特征库中存在类内距离小,类间距离大的特性,因此采用距离进行相似性度量是可行的方案。
其中k为污染源特征中心Cp个数。定义未知污染源的异常阈值为D(U):
其中li为各个样本点xi到特征中心的余弦距离,对于待判别的异常事件p,若符合下式:
D(p,Ci)<D(p,Cj)<D(U),j=1,2...n,i≠j
则所对应的异常事件被判别为污染源Ci。若:
D(p,Ci)>D(U)j=1,2...n,i≠j
则判定为新的污染源。由于所设置的阈值为各个已知数据距离特征库中心点最远的n个点的距离,若超过该阈值D(U)说明所对应的异常事件为库内不存在的污染源,拒绝识别,判定为未知污染源。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种地理信息系统的自动巡航水质监测系统,其特征在于,包括:
在河流防尘供水管网搭建巡航系统,构建不同污染源的特征库;
污染源数据预处理,搭建河流防尘供水管网相似实验模型;
采用压力-用水量灵敏度系数定量表征各用水点压力或管网系统受节点用水量变化的影响程度,采用最大压降百分比衡量漏失故障的影响;
相似性度量进行污染源判别;
以管道摩阻系数为校核参数,构建河流防尘供水管网水力校核模型;
根据信息熵和水力水质动力学机理,综合考虑管网结构、流量和水质因素,建立河流防尘供水管网动态定量可靠性评价模型,与所述污染源的特征库进行比对分析,更新样本库和特征库,得到河流实例管网各用水点可靠度和系统可靠度。
3.如权利要求1所述的一种地理信息系统的自动巡航水质监测系统,其特征在于,所述采用压力-用水量灵敏度系数定量表征各用水点压力或管网系统受节点用水量变化的影响程度,采用最大压降百分比衡量漏失故障的影响,具体包括:
选取代表性用水点作为用水量调节节点,以12:00时刻各个作业点的用水量作为基础用水量;
通过分别改变用水点的水量进行相似实验,测定管网10个用水点的水压变化;
对光滑管完全发展湍流,根据卡门-普朗特阻力系数公式和布拉修斯1/7次方速度分布;
节点用水量增大后,相连上游管段流量随之增大,对于完全发展的湍流光滑管,管段中的沿程水头损失增量大约是管道流量的7/4次幂之差乘以一定的系数;对于完全发展的湍流粗糙管,管段中的沿程水头损失增量大约是管道流量的2次幂之差乘以一定的系数;
对不同工况下各节点工况加权灵敏度系数的分析可以获得管网中水压对水量变化较为敏感的节点;
通过系统平均灵敏度的分析也可以获得可能导致管网水压波动更大的节点,从而为管网的运行监测中压力点布置提供参考。
4.如权利要求1所述的一种地理信息系统的自动巡航水质监测系统,其特征在于,所述相似性度量进行污染源判别,还包括:
对新的异常事件进行特征提取后,和特征库内的各个污染源响应中心进行相似性度量,得出异常事件所属污染源类别。
5.如权利要求1所述的一种地理信息系统的自动巡航水质监测系统,其特征在于,所述以管道摩阻系数为校核参数,构建河流防尘供水管网水力校核模型,还包括:
引入全局灵敏度分析法对河流防尘供水管网模型中的所有管道摩阻发生变化时对监测点压力和流量的影响进行分析;
选取受影响较大的管道优先校核,再逐步调整其他管道摩阻系数进行校核;管道摩阻灵敏度求解时采用蒙特卡洛积分法;
进一步,具体的,构建灵敏度分析目标函数,各管段摩阻系数组成自变量参数集;
基于序列随机采样,获得各管段摩阻系数赋值矩阵;
调用EPANET水力求解和蒙特卡洛积分法求出各参数的全局灵敏度。
6.如权利要求1所述的一种地理信息系统的自动巡航水质监测系统,其特征在于,所述根据信息熵和水力水质动力学机理,综合考虑管网结构、流量和水质因素,建立河流防尘供水管网动态定量可靠性评价模型,与所述污染源的特征库进行比对分析,更新样本库和特征库,得到河流实例管网各用水点可靠度和系统可靠度,还包括:
引入最大水质熵指标,即将路径反应物含量平均分配时的水质熵定义为最大水质熵,代表了在理想状态下无容节点从每个路径获得的反应物含量具有相同的不确定性,其取值只与上游路径数有关,而上游路径数又由管网拓扑结构和防尘供水管网河流下用水量分配决定;
取水质熵和最大水质熵的比值定义为节点可靠度,从而得到防尘供水管网节点可靠度;
在MATLAB环境下加载管网的基本信息,至少包括拓扑结构、节点标高、水池水位、管长、管径和阻力系数;
设置用水点需水量、水力水质模拟时长和步长、反应级数和系数、初始水质参数;
调用EPANET模拟管网的动态水力水质,获取各节点和管段不同工况下水力参数和水质演变参数;
在线判别污染源类别后,将该样本导入历史样本库中,并更新特征库,若为新的污染源类别,则进行辅助诊断后构建新的特征库,以便后续判别新的污染源;
对每一个工况下,判断管段内水流流量及方向,确定每个节点的上游节点、上游管段和路径集;根据构建的评价模型求解每个节点水质熵、最大水质熵、节点可靠度以及系统可靠度,根据相关系数最大情况下的聚类来优化水质监测断面的布设。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111103164.3A CN113866376A (zh) | 2021-09-18 | 2021-09-18 | 一种地理信息系统的自动巡航水质监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111103164.3A CN113866376A (zh) | 2021-09-18 | 2021-09-18 | 一种地理信息系统的自动巡航水质监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113866376A true CN113866376A (zh) | 2021-12-31 |
Family
ID=78992954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111103164.3A Withdrawn CN113866376A (zh) | 2021-09-18 | 2021-09-18 | 一种地理信息系统的自动巡航水质监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113866376A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115526924A (zh) * | 2022-11-29 | 2022-12-27 | 湖南长理尚洋科技有限公司 | 一种蒙特卡洛模拟的水文环境建模方法及系统 |
CN115616183A (zh) * | 2022-11-29 | 2023-01-17 | 深圳市猫头鹰智慧科技有限公司 | 水产养殖用水质监测预警系统 |
-
2021
- 2021-09-18 CN CN202111103164.3A patent/CN113866376A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115526924A (zh) * | 2022-11-29 | 2022-12-27 | 湖南长理尚洋科技有限公司 | 一种蒙特卡洛模拟的水文环境建模方法及系统 |
CN115616183A (zh) * | 2022-11-29 | 2023-01-17 | 深圳市猫头鹰智慧科技有限公司 | 水产养殖用水质监测预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
Capozzoli et al. | Fault detection analysis using data mining techniques for a cluster of smart office buildings | |
Khan et al. | Fault detection analysis of building energy consumption using data mining techniques | |
Diamantopoulou et al. | Modelling total volume of dominant pine trees in reforestations via multivariate analysis and artificial neural network models | |
CN111275333B (zh) | 污染数据处理方法和装置 | |
CN113866376A (zh) | 一种地理信息系统的自动巡航水质监测系统 | |
Mounce et al. | Ensemble decision tree models using RUSBoost for estimating risk of iron failure in drinking water distribution systems | |
Borzooei et al. | Data mining application in assessment of weather-based influent scenarios for a WWTP: getting the most out of plant historical data | |
KR101652099B1 (ko) | 위험지도 기반 사고대응 및 사고예방 시스템 | |
Yel et al. | Prediction of primary treatment effluent parameters by Fuzzy Inference System (FIS) approach | |
KR102435919B1 (ko) | 다차원 데이터를 이용한 옥내 누수 탐지 및 유형 구분 장치, 방법 및 프로그램 | |
Zhang et al. | A data-driven prognostics framework for tool remaining useful life estimation in tool condition monitoring | |
CN111310803A (zh) | 环境数据处理方法和装置 | |
Domańska et al. | Explorative forecasting of air pollution | |
CN110426996B (zh) | 基于大数据及人工智能的环境污染监测方法 | |
Ramadhani et al. | The classification status of river water quality in riau province using modified K-nearest neighbor algorithm with STORET modeling and water pollution index | |
CN114861729A (zh) | 无线传感器网络中时间序列异常的检测方法及装置 | |
CN116734174A (zh) | 一种电动阀的控制方法及系统 | |
Weng et al. | Saltwater intrusion early warning in Pearl river Delta based on the temporal clustering method | |
Koppanen et al. | Can online particle counters and electrochemical sensors distinguish normal periodic and aperiodic drinking water quality fluctuations from contamination? | |
Ramkumar et al. | A chaotic investigation on pollutant parameters of a wastewater treatment facility using false nearest neighbour algorithm | |
Chaubey et al. | Forest fire prediction system using machine learning | |
Zamenian et al. | Systematic approach for asset management of urban water pipeline infrastructure systems | |
CN116226748A (zh) | 一种基于多标签共现网络判别的窃电类型检测方法及系统 | |
Faruq et al. | Flood disaster and early warning: application of ANFIS for river water level forecasting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211231 |
|
WW01 | Invention patent application withdrawn after publication |