CN114564699A - 一种总磷总氮连续在线监测方法及系统 - Google Patents

一种总磷总氮连续在线监测方法及系统 Download PDF

Info

Publication number
CN114564699A
CN114564699A CN202210456738.3A CN202210456738A CN114564699A CN 114564699 A CN114564699 A CN 114564699A CN 202210456738 A CN202210456738 A CN 202210456738A CN 114564699 A CN114564699 A CN 114564699A
Authority
CN
China
Prior art keywords
linear regression
total
total nitrogen
total phosphorus
phosphorus
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.)
Granted
Application number
CN202210456738.3A
Other languages
English (en)
Other versions
CN114564699B (zh
Inventor
唐勇
刘学辉
姜子鱼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Borui Kechuan Technology Co ltd
Original Assignee
Chengdu Borui Kechuan Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Borui Kechuan Technology Co ltd filed Critical Chengdu Borui Kechuan Technology Co ltd
Priority to CN202210456738.3A priority Critical patent/CN114564699B/zh
Publication of CN114564699A publication Critical patent/CN114564699A/zh
Application granted granted Critical
Publication of CN114564699B publication Critical patent/CN114564699B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W10/00—Technologies for wastewater treatment
    • Y02W10/10—Biological treatment of water, waste water, or sewage

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Food Science & Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)

Abstract

本发明公开了一种总磷总氮连续在线监测方法及系统，该方法包括搭建线性回归模型步骤、获取线性回归系数样本步骤、扩大线性回归系数样本数量步骤、求取预测值步骤、寻找最优线性回归系数样本步骤、获取最优预测值步骤、校准线性回归模型步骤、连续监测步骤。本发明利用线性回归模型实现了总磷和总氮的在线监测，为了监测的准确性，在搭建好线性回归模型后，通过实测值的线性校准获取线性回归系数样本，并通过变异获取到更多的样本后通过大量样本对模型进行校准，从而提高了监测的精准度。同时通过不获取新的总磷总氮监测值来对线性回归模型进行持续修正，缩小监测结果和实际结果之间的差距。

Description

一种总磷总氮连续在线监测方法及系统
技术领域
本发明属于环保领域，尤其涉及一种能够对水体中总磷总氮进行连续在线监测的方法和系统。
背景技术
总氮，是指水体中的氨氮、硝酸盐、亚硝酸盐、有机氮等化合物中氮的总和。
总磷，是指磷酸盐、有机磷等化合物中磷的总和。
污水中的总氮和总磷主要来自生活污水、工业废水和农业及园林绿化化肥施用后的排出水。氮和磷是生物生长不可或缺的营养元素，但水体含有过量的氮和磷，就会造成水体的富营养化。近年来见诸报端的赤潮和水华现象，就是海洋与湖泊中氮、磷等营养物质含量过高造成的水体富营养化。
氮和磷是水污染治理中的重要控制指标。现有的总磷总氮监测是通过分析仪器进行的，属于化学方法，如总磷采用钼酸铵分光光度法等。其采集一次水样后需要数小时才能检测出结果，因此只能对某个时间点的总磷总氮进行监测而无法实现连续在线监测。
发明内容
有鉴于此，本发明提供一种总磷总氮连续在线监测方法及系统，用于对水体中的总磷和总氮量进行连续在线监测。
为解决以上技术问题，本发明提供一种总磷总氮连续在线监测方法，包括，
搭建线性回归模型步骤：
获取被监测水体总磷、总氮监测值以及监测水体对应时间点的辅助参数监测值，分别利用所述总磷、总氮监测值以及辅助参数监测值搭建总磷、总氮的线性回归模型，并计算总磷、总氮线性回归模型的线性回归系数组；
获取线性回归系数样本步骤：
利用总磷、总氮的监测值以及监测水体对应时间点的辅助参数监测值分别对总磷、总氮的线性回归模型进行线性校准，获取总磷线性回归系数样本和总氮线性回归系数样本；
扩大线性回归系数样本数量步骤：
分别对总磷线性回归系数样本和总氮线性回归系数样本进行线性回归系数交换获得总磷变异线性回归系数样本和总氮变异线性回归系数样本；
求取预测值步骤：
将总磷线性回归系数样本带入总磷线性回归模型得到总磷预测值，将总磷变异线性回归系数样本带入总磷线性回归模型得到总磷变异预测值；
将总氮线性回归系数样本带入总氮线性回归模型得到总氮预测值，将总氮变异线性回归系数样本带入总氮线性回归模型得到总氮变异预测值；
寻找最优线性回归系数样本步骤：
求总磷预测值、总磷变异预测值与总磷监测值的最小误差，最小误差对应的总磷线性回归系数样本为最优总磷线性回归系数样本；
求总氮预测值、总氮变异预测值与总氮监测值的最小误差，最小误差对应的总氮线性回归系数样本为最优总氮线性回归系数样本；
获取最优预测值步骤：
将最优总磷线性回归系数样本和辅助参数监测值带入总磷线性回归模型获得最优总磷预测值；
将最优总氮线性回归系数样本和辅助参数监测值带入总氮线性回归模型获得优总氮预测值；
校准线性回归模型步骤：
将最优总磷预测值带入具有最优总磷线性回归系数样本的总磷线性回归模型后与总磷监测值进行校准，获取总磷校准系数；将总磷校准系数带入具有最优总磷线性回归系数样本的总磷线性回归模型获得校准后的总磷线性回归模型；
将最优总氮预测值带入具有最优总氮线性回归系数样本的总氮线性回归模型后与总氮监测值进行校准，获取总氮校准系数；将总氮校准系数带入具有最优总氮线性回归系数样本的总氮线性回归模型获得校准后的总氮线性回归模型；
连续监测步骤：
利用校准后的总磷线性回归模型和校准后的总氮线性回归模型持续输出总磷、总氮监测结果。
作为一种改进，持续获取被监测水体总磷、总氮监测值以及监测水体对应时间点的辅助参数监测值，进入获取线性回归系数样本步骤利用新采集的和历史的被监测水体总磷、总氮监测值、辅助参数监测值分别对总磷、总氮的线性回归模型进行线性校准，之后执行扩大线性回归系数样本数量步骤、求取预测值步骤、寻找最优线性回归系数样本步骤、获取最优预测值步骤、校准线性回归模型步骤、连续监测步骤并以此类推循环执行。
作为一种进一步的改进，所述辅助参数为温度、PH值、电导率、溶解氧、浊度、化学需氧量、氨氮、蓝绿藻、叶绿素、氯离子、氟离子、ORP、污泥浓度、透明度中的若干种。
作为另一种更进一步的改进，所述总磷的线性回归模型为
Figure 983831DEST_PATH_IMAGE001
其中
Figure 582302DEST_PATH_IMAGE002
为总磷的预测值，β0~n为总磷线性回归系数，x0~n为辅助参数。
所述总氮的线性回归模型为
Figure 458991DEST_PATH_IMAGE003
其中
Figure 593038DEST_PATH_IMAGE004
为总氮的预测值，β0~n为总氮线性回归系数，x0~n为辅助参数。
作为一种改进，所述搭建线性回归模型步骤中利用残差求出总磷、总氮线性回归模型的最优系数值公式
Figure 187968DEST_PATH_IMAGE005
，再将总磷、总氮监测值和辅助参数监测值带入最优系数值公式
Figure 199917DEST_PATH_IMAGE005
求得总磷线性回归系数和总氮线性回归系数，其中β*为总磷线性回归系数或总氮线性回归系数，x为辅助参数，xT为辅助参数组，y为总磷或总氮监测值。
作为一种改进，所述扩大线性回归系数样本数量步骤中分别对总磷线性回归系数样本和总氮线性回归系数样本进行线性回归系数交换获得总磷变异线性回归系数样本和总氮变异线性回归系数样本的方法包括：
选取若干组总磷线性回归系数样本，并用选取的若干组总磷线性回归系数样本中的逐个线性回归系数替换其余组总磷线性回归系数样本中对应的线性回归系数，从而生成（iP-1）*hP*mP组总磷变异线性回归系数样本,其中iP为总磷线性回归系数样本的总组数，hP为一组总磷线性回归系数样本中线性回归系数的数量，mP为选取的总磷线性回归系数样本的组数；
选取若干组总氮线性回归系数样本，并用选取的若干组总氮线性回归系数样本中的逐个线性回归系数替换其余组总氮线性回归系数样本中对应的线性回归系数，从而生成（iN-1）*hN*mN组总氮变异线性回归系数样本,其中iN为总氮线性回归系数样本的总组数，hN为一组总氮线性回归系数样本中线性回归系数的数量，mN为选取的总氮线性回归系数样本的组数。
作为一种改进，所述寻找最优线性回归系数样本步骤中利用公式
Figure 931113DEST_PATH_IMAGE006
计算总磷预测值、总磷变异预测值与总磷监测值的总磷误差值，其中eP为总磷误差值,yP为总磷监测值，
Figure 241921DEST_PATH_IMAGE007
为总磷预测值和总磷变异预测值融合成的矩阵；所有总磷误差值中最小的一个为最小误差；
利用公式
Figure 324146DEST_PATH_IMAGE008
计算总氮预测值、总氮变异预测值与总氮监测值的总氮误差值，其中eN为总氮误差值,yN为总氮监测值，
Figure 139786DEST_PATH_IMAGE009
为总氮预测值和总氮变异预测值融合成的矩阵；所有总氮误差值中最小的一个为最小误差。
作为一种改进， 述线性回归模型校准步骤中，所述总磷校准系数为总磷校准斜率k和总磷校准截距b，校准后的总磷线性回归模型为
Figure 37073DEST_PATH_IMAGE010
获取总磷连续监测值，其中ycTP为总磷连续监测值，β0~n为最优总磷线性回归系数，x0~n为辅助参数，所述辅助参数为连续采集的监测值；
所述总氮校准系数为总氮校准斜率k和总氮校准截距b，校准后的总氮线性回归模型为
Figure 670180DEST_PATH_IMAGE011
获取总氮连续监测值，其中ycTN为总氮连续监测值，β0~n为最优总氮线性回归系数，x0~n为辅助参数，所述辅助参数为连续采集的监测值。
本发明还提供一种总磷总氮连续在线监测系统，其特征在于包括，
采集模块，用于获取被监测水体总磷、总氮监测值以及监测水体的辅助参数监测值；
线性回归模型搭建模块，用于利用所述总磷、总氮的监测值以及与总磷、总氮的监测值对应时间点的辅助参数监测值搭建总磷、总氮的线性回归模型，并计算总磷、总氮线性回归模型的线性回归系数组；
线性回归系数样本获取模块，用于利用总磷、总氮的监测值分别对总磷、总氮的线性回归模型进行线性校准，获取总磷线性回归系数样本和总氮线性回归系数样本；
线性回归系数样本数量扩大模块，用于分别对总磷线性回归系数样本和总氮线性回归系数样本进行线性回归系数交换获得总磷变异线性回归系数样本和总氮变异线性回归系数样本；
预测值求取模块，用于将总磷线性回归系数样本带入总磷线性回归模型得到总磷预测值，将总磷变异线性回归系数样本带入总磷线性回归模型得到总磷变异预测值；将总氮线性回归系数样本带入总氮线性回归模型得到总氮预测值，将组总氮变异线性回归系数样本带入总氮线性回归模型得到个总氮变异预测值；
最优线性回归系数样本寻找模块，用于求总磷预测值、总磷变异预测值与总磷监测值的最小误差，最小误差对应的总磷线性回归系数样本为最优总磷线性回归系数样本；求总氮预测值、总氮变异预测值与总氮监测值的最小误差，最小误差对应的总氮线性回归系数样本为最优总氮线性回归系数样本；
最优预测值获取模块，用于将最优总磷线性回归系数样本和辅助参数监测值带入总磷线性回归模型获得最优总磷预测值；将最优总氮线性回归系数样本和辅助参数监测值带入总氮线性回归模型获得最优总氮预测值；
线性回归模型校准模块：用于将最优总磷预测值带入具有最优总磷线性回归系数样本的总磷线性回归模型后与总磷监测值进行校准，获取总磷校准系数；将总磷校准系数带入具有最优总磷线性回归系数样本的总磷线性回归模型获得校准后的总磷线性回归模型；
将最优总氮预测值带入具有最优总氮线性回归系数样本的总氮线性回归模型后与总氮监测值进行校准，获取总氮校准系数；将总氮校准系数带入具有最优总氮线性回归系数样本的总氮线性回归模型获得校准后的总氮线性回归模型；
持续监测模块，用于将采集模块采集到监测水体的辅助参数监测值输入校准后的总磷线性回归模型和校准后的总氮线性回归模型，从而持续输出总磷、总氮的监测值。
作为一种改进，所述采集模块包括总磷监测值采集分析模块、总氮监测值采集分析模块以及若干辅助参数监测值采集模块；所述总磷监测值采集分析模块用于采集水样并进行分析获取总磷监测值，所述总氮监测值采集分析模块用于采集水样并进行分析获取总氮监测值，所述辅助参数监测值采集模块用于直接、连续地采集监测水体中的辅助参数监测值。
本发明的有益之处在于：本发明利用线性回归模型实现了总磷和总氮的在线监测，为了监测的准确性，在搭建好线性回归模型后，通过实测值的线性校准获取线性回归系数样本，并通过变异获取到更多的样本后通过大量样本对模型进行校准，从而提高了监测的精准度。同时通过不获取新的总磷总氮监测值来对线性回归模型进行持续修正，缩小监测结果和实际结果之间的差距。
附图说明
图1为本发明的流程图。
图2为本发明的功能模块原理图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面结合具体实施方式对本发明作进一步的详细说明。
如图1所示，本发明提供一种总磷总氮连续在线监测方法，包括，
S1搭建线性回归模型步骤：
获取被监测水体i个总磷、总氮监测值以及监测水体对应时间点的i组辅助参数监测值，分别利用所述总磷、总氮的监测值以及辅助参数监测值搭建总磷、总氮的线性回归模型，并计算总磷、总氮线性回归模型的线性回归系数组。
本实施例中，水体总磷、总氮监测值的获取采用的是传统的分析仪器对采集的水样进行分析获得的。由于分析的过程较长，因此无法进行连续监测，只能通过本发明提供的方法通过线性回归模型来预测从而获得连续在线监测值。例如每4个小时进行一次水样采集，然后对采集的水样进行分析从而获得该时间点的总磷、总氮监测值。如果利用一天的数据来搭建初始的线性回归模型，那么就分别有6个总磷监测值和6个总氮监测值形成数组如下：
总磷监测值数组DTP={TP1，TP2 ,TP3，TP4，……TPi},其中TP为总磷监测值。
总氮监测值数组DTN={TN1，TN2 ,TN3，TN4，……TNi}，其中TN为总氮监测值。
辅助参数是一些与总磷总氮相关的参数，理论上选择的辅助参数越多，辅助参数与总磷、总氮相关度越高，其搭建出来的线性回归模型预测的值就越接近真实值。辅助参数包括但不限于温度、PH值、电导率、溶解氧、浊度、化学需氧量、氨氮、蓝绿藻、叶绿素、氯离子、氟离子、ORP、污泥浓度、透明度中的若干种，当然也可以根据监测水体的具体情况选取其他种类和数量与总磷总氮相关的辅助参数，本发明中不做限制。另外与总磷、总氮不同的是，辅助参数可通过传感器直接从监测水体中采集，并且可连续采集。本实施例中选用与总磷、总氮时间点相对应的辅助参数监测值是为了搭建总磷、总氮的线性回归模型。i=6组辅助参数监测值形成的数组如下：
Figure 318330DEST_PATH_IMAGE012
其中，CT为温度、CPH为PH值、CCON为电导率、CDO为溶解氧、CTUR为浊度、CCOD为化学需氧量、CNH为氨氮、Cn代表其他辅助参数。
于是总磷的线性回归模型为
Figure 967355DEST_PATH_IMAGE013
其中
Figure 938722DEST_PATH_IMAGE014
为总磷的预测值，β0~n为总磷线性回归系数，x0~n为辅助参数。
总氮的线性回归模型与总磷相同，即
Figure 821358DEST_PATH_IMAGE015
其中
Figure 878176DEST_PATH_IMAGE016
为总氮的预测值，β0~n为总氮线性回归系数，x0~n为辅助参数。
线性回归模型搭建完毕后需要计算计算总磷、总氮线性回归模型的线性回归系数组。
本实施例中，利用残差求出总磷线性回归模型的最优系数值公式
Figure 160253DEST_PATH_IMAGE017
，再将i组总磷监测值和i组辅助参数监测值带入最优系数值公式
Figure 969815DEST_PATH_IMAGE018
求得总磷线性回归系数，其中β*为总磷线性回归系数，x为辅助参数，xT为辅助参数组，y为总磷监测值。
总氮的性回归系数计算方法与总磷相同，此处不再赘述。另外利用残差求出总性回归模型的最优系数值公式也是现有的数学方法，本发明中同样不做赘述。
通过上述计算获得了一组总磷线性回归系数βTP和一组总氮线性回归系数βTN从而确定了初始的总磷线性回归模型和总氮线性回归模型。
S2获取线性回归系数样本步骤：
利用i个总磷、总氮的监测值分别对总磷、总氮的线性回归模型进行线性校准，获取i组总磷线性回归系数样本和i组总氮线性回归系数样本。
利用步骤S1获取的总磷监测值数组DTP={TP1，TP2 ,TP3，TP4，……TPi}和总氮监测值数组DTN={TN1，TN2 ,TN3，TN4，……TNi}以及i组辅助参数监测值形成的数组
Figure 69358DEST_PATH_IMAGE019
对分别初始的总磷线性回归模型和总氮线性回归模型进行线性校准，从而获得i组总磷线性回归系数样本
Figure 98625DEST_PATH_IMAGE020
和i组总氮线性回归系数样本（总氮线性回归系数样本和总氮线性回归系数样本在数组表达形式上是一致的，此处不在赘述）。
值得注意的是，总磷、总氮监测值是持续获取的，辅助参数监测值也是持续采集的，在经过本发明步骤8后本步骤中用来做线性校准的总磷、总氮监测值就要包括新获取的以及历史的总磷、总氮监测值，而线性回归模型也是步骤7中校准过的。因此获得的线性回归样本就会越来越多，理论上样本越多训练的模型就越准确。
S3扩大线性回归系数样本数量步骤：
分别对步骤2获得的若干组总磷线性回归系数样本和若干组总氮线性回归系数样本进行线性回归系数交换获得更多组总磷变异线性回归系数样本和更多组总氮变异线性回归系数样本。
本步骤的目的在于扩大线性回归系数样本数量以训练线性回归模型，如上文所述样本越多训练的模型就越准确，而本步骤中采用线性回归系数样本组之间的系数交换来获取更多的样本，使得结果可控。其具体方法为：
选取若干组总磷线性回归系数样本，并用选取的若干组总磷线性回归系数样本中的逐个线性回归系数替换其余组总磷线性回归系数样本中对应的线性回归系数，从而生成（iP-1）*hP*mP组总磷变异线性回归系数样本,其中iP为总磷线性回归系数样本的总组数，hP为一组总磷线性回归系数样本中线性回归系数的数量，mP为选取的总磷线性回归系数样本的组数；例如，在步骤2中获取的i组总磷线性回归系数样本
Figure 309026DEST_PATH_IMAGE021
中，每组有h=n+1个线性回归系数。选取一组总磷线性回归系数样本
Figure 130352DEST_PATH_IMAGE022
，用
Figure 378625DEST_PATH_IMAGE023
中的线性回归系数对
Figure 878877DEST_PATH_IMAGE024
至
Figure 112543DEST_PATH_IMAGE025
中对应的线性回归系数逐一替换从而获得（i-1）*h*1组总磷变异线性回归系数样本
Figure 913009DEST_PATH_IMAGE026
其中βT代表一组线性回归系数样本。本实施例中仅选取了一组总磷线性回归系数样本进行线性回归系数的替换，实际上选取的数量可以根据芯片的算力来决定，如果算力足够可以选择全部的总磷线性回归系数样本来进行逐一线性回归参数的替换，那么获得的总磷变异线性回归系数样本的数量就为（i-1）*h*i组。
总氮的样本扩大方法也相同，选取若干组总氮线性回归系数样本，并用选取的若干组总氮线性回归系数样本中的逐个线性回归系数替换其余组总氮线性回归系数样本中对应的线性回归系数，从而生成（iN-1）*hN*mN组总氮变异线性回归系数样本,其中iN为总氮线性回归系数样本的总组数，hN为一组总氮线性回归系数样本中线性回归系数的数量，mN为选取的总氮线性回归系数样本的组数。
当然，也可以采取其他方法进行样本的扩大，如遗传学中的基因突变方法。但由于突变可能往好的方向变化，也可能往坏的方向变化，因此造成最后的校准不可控。
S4求取预测值步骤：
将步骤2中获取的i组总磷线性回归系数样本带入总磷线性回归模型得到i个总磷预测值，将步骤3中获得的（i-1）*h*1组总磷变异线性回归系数样本带入总磷线性回归模型得到（i-1）*h*1个总磷变异预测值；
将步骤2中获取的i组总氮线性回归系数样本带入总氮线性回归模型得到i个总氮预测值，将步骤3中获得的（i-1）*h*1总氮变异线性回归系数样本带入总氮线性回归模型得到步骤3中获得的（i-1）*h*1个总氮变异预测值。
将i个总磷预测值和（i-1）*h*1个总磷变异预测值融合成一个总磷的预测值矩阵
Figure 338043DEST_PATH_IMAGE027
Figure 591169DEST_PATH_IMAGE028
。
同样将i个总氮预测值和（i-1）*h*1个总氮变异预测值融合成一个总氮的预测值矩阵，其表达方式与总磷一致此处不再赘述。
S5寻找最优线性回归系数样本步骤：
求i个总磷预测值、（i-1）*h*1个总磷变异预测值与i个总磷监测值的最小误差，最小误差对应的总磷线性回归系数样本为最优总磷线性回归系数样本；
求i个总氮预测值、（i-1）*h*1个总氮变异预测值与i个总氮监测值的最小误差，最小误差对应的总氮线性回归系数样本为最优总氮线性回归系数样本；
具体地，利用公式
Figure 284319DEST_PATH_IMAGE029
计算i个总磷预测值、（i-1）*h*1个总磷变异预测值与i个总磷监测值的总磷误差值，其中eP为总磷误差值,yP为总磷监测值，
Figure 424444DEST_PATH_IMAGE030
为总磷预测值和总磷变异预测值融合成的矩阵；所有总磷误差值中最小的一个为最小误差；提供最小误差的总磷线性回归系数样本为最优总磷线性回归系数样本
Figure 36691DEST_PATH_IMAGE031
。
同样，利用公式
Figure 652480DEST_PATH_IMAGE008
计算i个总氮预测值、（i-1）*h*1个总氮变异预测值与i个总氮监测值的总氮误差值，其中eN为总氮误差值,yN为总氮监测值，
Figure 523222DEST_PATH_IMAGE032
为总氮预测值和总氮变异预测值融合成的矩阵；所有总氮误差值中最小的一个为最小误差。提供最小误差的总氮线性回归系数样本为最优总氮线性回归系数
Figure 32701DEST_PATH_IMAGE033
。
S6获取最优预测值步骤：将最优总磷线性回归系数样本和i组辅助参数监测值带入总磷线性回归模型获得i个最优总磷预测值；
将最优总氮线性回归系数样本和i组辅助参数监测值带入总氮线性回归模型获得i个最优总氮预测值；
将步骤1中获取的i组辅助
Figure 425636DEST_PATH_IMAGE034
以及步骤5中获取的最优总磷线性回归系数样本
Figure 669667DEST_PATH_IMAGE035
带入总磷线性回归模型
Figure 32515DEST_PATH_IMAGE036
中获得由i个最优总磷预测值组成的矩阵
Figure 911347DEST_PATH_IMAGE037
。
同样将将步骤1中获取的i组辅助
Figure 599817DEST_PATH_IMAGE038
以及步骤5中获取的最优总氮线性回归系数样本
Figure 190199DEST_PATH_IMAGE039
带入总氮线性回归模型
Figure 904208DEST_PATH_IMAGE040
中获得由i个最优总氮预测值组成的矩阵
Figure 263645DEST_PATH_IMAGE041
。
S7校准线性回归模型步骤：
将i个最优总磷预测值组成的
Figure 654175DEST_PATH_IMAGE042
带入具有最优总磷线性回归系数样本
Figure 731853DEST_PATH_IMAGE043
的总磷线性回归模型
Figure 488368DEST_PATH_IMAGE044
后与总磷监测值数组DTP={TP1，TP2 ,TP3，TP4，……TPi}进行校准，获取总磷校准系数；所述总磷校准系数为总磷校准斜率k和总磷校准截距b，将总磷校准系数带入具有最优总磷线性回归系数样本的总磷线性回归模型获得校准后的总磷线性回归模型
Figure 92525DEST_PATH_IMAGE045
其中ycTP为总磷连续监测值，β0~n为最优总磷线性回归系数，x0~n为辅助参数，所述辅助参数为连续采集的监测值。
将i个最优总氮预测值组成的
Figure 529322DEST_PATH_IMAGE046
带入具有最优总氮线性回归系数样本
Figure 969662DEST_PATH_IMAGE047
的总氮线性回归模型
Figure 150108DEST_PATH_IMAGE048
后与总氮监测值数组DTN={TN1，TN2 ,TN3，TN4，……TNi}进行校准，获取总氮校准系数；所述总氮校准系数为总氮校准斜率k和总氮校准截距b，将总氮校准系数带入具有最优总氮线性回归系数样本的总氮线性回归模型获得校准后的总氮线性回归模型
Figure 608771DEST_PATH_IMAGE049
其中ycTN为总氮连续监测值，β0~n为最优总氮线性回归系数，x0~n为辅助参数，所述辅助参数为连续采集的监测值。
由于水体中总磷、总氮反应到函数中是线性的，因此总磷、总氮在坐标中的预测图形和实际图形能够通过斜率K和截距b进行校准，本步骤中采用的一维线性校准的原理正是如此。
S8持续检测步骤：
利用校准后的总磷线性回归模型和校准后的总氮线性回归模型持续输出总磷、总氮监测结果。
尽管在之前的步骤中辅助参数监测值选取的是与总磷、总氮监测值时间点对应的若干组，但实际上辅助参数监测值的采集是连续的，因此将连续的辅助监测分别带入校准后的总磷线性回归模型
Figure 216470DEST_PATH_IMAGE050
和校准后的总氮线性回归模型
Figure 642641DEST_PATH_IMAGE051
就能获得连续的总磷、总氮监测结果。
S9持续获取被监测水体总磷、总氮监测值以及监测水体对应时间点的辅助参数监测值，进入获取线性回归系数样本步骤利用新采集的和历史的被监测水体总磷、总氮监测值、辅助参数监测值分别对总磷、总氮的线性回归模型进行线性校准，之后执行扩大线性回归系数样本数量步骤、求取预测值步骤、寻找最优线性回归系数样本步骤、获取最优预测值步骤、校准线性回归模型步骤、持续监测步骤并以此类推循环执行。
在执行上述流程的同时，对于总磷、总氮监测值以及辅助参数监测值的获取是持续进行的，总磷、总氮监测值仍然是每隔4小时出一次结果，辅助参数采集的是连续的监测值。当新的总磷、总氮监测值产生后，重新进入S2获取线性回归系数样本步骤,把新获取的以及历史的所有总磷、总氮监测值对步骤S7中校准后的总磷线性回归模型重新进行线性校准获取新的线性回归系数样本，然后执行S3扩大线性回归系数样本数量步骤、S4求取预测值步骤、S5寻找最优线性回归系数样本步骤、S6获取最优预测值步骤、S7校准线性回归模型步骤获得新的校准后的线性回归模型并在S8持续监测步骤用于持续监测直到新的总磷、总氮监测值产生以此类推。
另外，本发明还提供一种总磷总氮连续在线监测系统，包括，
采集模块，用于获取被监测水体总磷、总氮监测值以及监测水体的辅助参数监测值；所述采集模块包括总磷监测值采集分析模块、总氮监测值采集分析模块以及若干辅助参数监测值采集模块；所述总磷监测值采集分析模块用于采集水样并进行分析获取总磷监测值，所述总氮监测值采集分析模块用于采集水样并进行分析获取总氮监测值，所述辅助参数监测值采集模块用于直接、连续地采集监测水体中的辅助参数监测值。
线性回归模型搭建模块，用于利用所述总磷、总氮的监测值以及与总磷、总氮的监测值对应时间点的辅助参数监测值搭建总磷、总氮的线性回归模型，并计算总磷、总氮线性回归模型的线性回归系数组。
线性回归系数样本获取模块，用于利用总磷、总氮的监测值分别对总磷、总氮的线性回归模型进行线性校准，获取总磷线性回归系数样本和总氮线性回归系数样本。
线性回归系数样本数量扩大模块，用于分别对总磷线性回归系数样本和总氮线性回归系数样本进行线性回归系数交换获得总磷变异线性回归系数样本和总氮变异线性回归系数样本。
预测值求取模块，用于将总磷线性回归系数样本带入总磷线性回归模型得到总磷预测值，将总磷变异线性回归系数样本带入总磷线性回归模型得到总磷变异预测值；将总氮线性回归系数样本带入总氮线性回归模型得到总氮预测值，将组总氮变异线性回归系数样本带入总氮线性回归模型得到个总氮变异预测值。
最优线性回归系数样本寻找模块，用于求总磷预测值、总磷变异预测值与总磷监测值的最小误差，最小误差对应的总磷线性回归系数样本为最优总磷线性回归系数样本；求总氮预测值、总氮变异预测值与总氮监测值的最小误差，最小误差对应的总氮线性回归系数样本为最优总氮线性回归系数样本。
最优预测值获取模块，用于将最优总磷线性回归系数样本和辅助参数监测值带入总磷线性回归模型获得最优总磷预测值；将最优总氮线性回归系数样本和辅助参数监测值带入总氮线性回归模型获得最优总氮预测值；
线性回归模型校准模块：用于将最优总磷预测值带入具有最优总磷线性回归系数样本的总磷线性回归模型后与总磷监测值进行校准，获取总磷校准系数；将总磷校准系数带入具有最优总磷线性回归系数样本的总磷线性回归模型获得校准后的总磷线性回归模型；
将最优总氮预测值带入具有最优总氮线性回归系数样本的总氮线性回归模型后与总氮监测值进行校准，获取总氮校准系数；将总氮校准系数带入具有最优总氮线性回归系数样本的总氮线性回归模型获得校准后的总氮线性回归模型。
持续监测模块，用于将采集模块采集到监测水体的辅助参数监测值输入校准后的总磷线性回归模型和校准后的总氮线性回归模型，从而持续输出总磷、总氮的监测值。
下表展示了本发明与第三方监测以及国控点的监测数据对比。
Figure 361198DEST_PATH_IMAGE052
可见采用本发明提供的总磷、总氮监测方法和系统与国控点数据更加接近，精准度更高。
实际上，本发明提供的利用间隔时间点数据通过线性回归模型实现持续监测的思路同样可应用于其他监测，并不局限于总磷和总氮。
以上仅是本发明的优选实施方式，应当指出的是，上述优选实施方式不应视为对本发明的限制，本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说，在不脱离本发明的精神和范围内，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种总磷总氮连续在线监测方法，其特征在于包括，
搭建线性回归模型步骤：
获取被监测水体总磷、总氮监测值以及监测水体对应时间点的辅助参数监测值，分别利用所述总磷、总氮监测值以及辅助参数监测值搭建总磷、总氮的线性回归模型，并计算总磷、总氮线性回归模型的线性回归系数组；
获取线性回归系数样本步骤：
利用总磷、总氮的监测值以及监测水体对应时间点的辅助参数监测值分别对总磷、总氮的线性回归模型进行线性校准，获取总磷线性回归系数样本和总氮线性回归系数样本；
扩大线性回归系数样本数量步骤：
分别对总磷线性回归系数样本和总氮线性回归系数样本进行线性回归系数交换获得总磷变异线性回归系数样本和总氮变异线性回归系数样本；
求取预测值步骤：
将总磷线性回归系数样本带入总磷线性回归模型得到总磷预测值，将总磷变异线性回归系数样本带入总磷线性回归模型得到总磷变异预测值；
将总氮线性回归系数样本带入总氮线性回归模型得到总氮预测值，将总氮变异线性回归系数样本带入总氮线性回归模型得到总氮变异预测值；
寻找最优线性回归系数样本步骤：
求总磷预测值、总磷变异预测值与总磷监测值的最小误差，最小误差对应的总磷线性回归系数样本为最优总磷线性回归系数样本；
求总氮预测值、总氮变异预测值与总氮监测值的最小误差，最小误差对应的总氮线性回归系数样本为最优总氮线性回归系数样本；
获取最优预测值步骤：
将最优总磷线性回归系数样本和辅助参数监测值带入总磷线性回归模型获得最优总磷预测值；
将最优总氮线性回归系数样本和辅助参数监测值带入总氮线性回归模型获得优总氮预测值；
校准线性回归模型步骤：
将最优总磷预测值带入具有最优总磷线性回归系数样本的总磷线性回归模型后与总磷监测值进行校准，获取总磷校准系数；将总磷校准系数带入具有最优总磷线性回归系数样本的总磷线性回归模型获得校准后的总磷线性回归模型；
将最优总氮预测值带入具有最优总氮线性回归系数样本的总氮线性回归模型后与总氮监测值进行校准，获取总氮校准系数；将总氮校准系数带入具有最优总氮线性回归系数样本的总氮线性回归模型获得校准后的总氮线性回归模型；
连续监测步骤：
利用校准后的总磷线性回归模型和校准后的总氮线性回归模型持续输出总磷、总氮监测结果。
2.根据权利要求1所述的一种总磷总氮连续在线监测方法，其特征在于，持续获取被监测水体总磷、总氮监测值以及监测水体对应时间点的辅助参数监测值，进入获取线性回归系数样本步骤利用新采集的和历史的被监测水体总磷、总氮监测值、辅助参数监测值分别对总磷、总氮的线性回归模型进行线性校准，之后执行扩大线性回归系数样本数量步骤、求取预测值步骤、寻找最优线性回归系数样本步骤、获取最优预测值步骤、校准线性回归模型步骤、连续监测步骤并以此类推循环执行。
3.根据权利要求1所述的一种总磷总氮连续在线监测方法，其特征在于，所述辅助参数为温度、PH值、电导率、溶解氧、浊度、化学需氧量、氨氮、蓝绿藻、叶绿素、氯离子、氟离子、ORP、污泥浓度、透明度中的若干种。
4.根据权利要求1所述的一种总磷总氮连续在线监测方法，其特征在于，所述总磷的线性回归模型为
Figure 240472DEST_PATH_IMAGE002
其中
Figure 918578DEST_PATH_IMAGE004
为总磷的预测值，β0~n为总磷线性回归系数，x0~n为辅助参数；
所述总氮的线性回归模型为
Figure 415419DEST_PATH_IMAGE006
其中
Figure 941209DEST_PATH_IMAGE008
为总氮的预测值，β0~n为总氮线性回归系数，x0~n为辅助参数。
5.根据权利要求1所述的一种总磷总氮连续在线监测方法，其特征在于，所述搭建线性回归模型步骤中利用残差求出总磷、总氮线性回归模型的最优系数值公式
Figure 599724DEST_PATH_IMAGE010
，再将总磷、总氮监测值和辅助参数监测值带入最优系数值公式
Figure 93022DEST_PATH_IMAGE012
求得总磷线性回归系数和总氮线性回归系数，其中β*为总磷线性回归系数或总氮线性回归系数，x为辅助参数，xT为辅助参数组，y为总磷或总氮监测值。
6.根据权利要求1所述的一种总磷总氮连续在线监测方法，其特征在于，所述扩大线性回归系数样本数量步骤中分别对总磷线性回归系数样本和总氮线性回归系数样本进行线性回归系数交换获得总磷变异线性回归系数样本和总氮变异线性回归系数样本的方法包括：
选取若干组总磷线性回归系数样本，并用选取的若干组总磷线性回归系数样本中的逐个线性回归系数替换其余组总磷线性回归系数样本中对应的线性回归系数，从而生成（iP-1）*hP*mP组总磷变异线性回归系数样本,其中iP为总磷线性回归系数样本的总组数，hP为一组总磷线性回归系数样本中线性回归系数的数量，mP为选取的总磷线性回归系数样本的组数；
选取若干组总氮线性回归系数样本，并用选取的若干组总氮线性回归系数样本中的逐个线性回归系数替换其余组总氮线性回归系数样本中对应的线性回归系数，从而生成（iN-1）*hN*mN组总氮变异线性回归系数样本,其中iN为总氮线性回归系数样本的总组数，hN为一组总氮线性回归系数样本中线性回归系数的数量，mN为选取的总氮线性回归系数样本的组数。
7.根据权利要求1所述的一种总磷总氮连续在线监测方法，其特征在于所述寻找最优线性回归系数样本步骤中利用公式
Figure 862395DEST_PATH_IMAGE014
计算总磷预测值、总磷变异预测值与总磷监测值的总磷误差值，其中eP为总磷误差值,yP为总磷监测值，
Figure 6806DEST_PATH_IMAGE016
为总磷预测值和总磷变异预测值融合成的矩阵；所有总磷误差值中最小的一个为最小误差；
利用公式
Figure 836222DEST_PATH_IMAGE018
计算总氮预测值、总氮变异预测值与总氮监测值的总氮误差值，其中eN为总氮误差值,yN为总氮监测值，
Figure 816816DEST_PATH_IMAGE020
为总氮预测值和总氮变异预测值融合成的矩阵；所有总氮误差值中最小的一个为最小误差。
8.根据权利要求1所述的一种总磷总氮连续在线监测方法，其特征在于所述线性回归模型校准步骤中，所述总磷校准系数为总磷校准斜率k和总磷校准截距b，校准后的总磷线性回归模型为
Figure 452197DEST_PATH_IMAGE022
获取总磷连续监测值，其中ycTP为总磷连续监测值，β0~n为最优总磷线性回归系数，x0~n为辅助参数，所述辅助参数为连续采集的监测值；
所述总氮校准系数为总氮校准斜率k和总氮校准截距b，校准后的总氮线性回归模型为
Figure 811634DEST_PATH_IMAGE024
获取总氮连续监测值，其中ycTN为总氮连续监测值，β0~n为最优总氮线性回归系数，x0~n为辅助参数，所述辅助参数为连续采集的监测值。
9.一种总磷总氮连续在线监测系统，其特征在于包括，
采集模块，用于获取被监测水体总磷、总氮监测值以及监测水体的辅助参数监测值；
线性回归模型搭建模块，用于利用所述总磷、总氮的监测值以及与总磷、总氮的监测值对应时间点的辅助参数监测值搭建总磷、总氮的线性回归模型，并计算总磷、总氮线性回归模型的线性回归系数组；
线性回归系数样本获取模块，用于利用总磷、总氮的监测值分别对总磷、总氮的线性回归模型进行线性校准，获取总磷线性回归系数样本和总氮线性回归系数样本；
线性回归系数样本数量扩大模块，用于分别对总磷线性回归系数样本和总氮线性回归系数样本进行线性回归系数交换获得总磷变异线性回归系数样本和总氮变异线性回归系数样本；
预测值求取模块，用于将总磷线性回归系数样本带入总磷线性回归模型得到总磷预测值，将总磷变异线性回归系数样本带入总磷线性回归模型得到总磷变异预测值；将总氮线性回归系数样本带入总氮线性回归模型得到总氮预测值，将组总氮变异线性回归系数样本带入总氮线性回归模型得到个总氮变异预测值；
最优线性回归系数样本寻找模块，用于求总磷预测值、总磷变异预测值与总磷监测值的最小误差，最小误差对应的总磷线性回归系数样本为最优总磷线性回归系数样本；求总氮预测值、总氮变异预测值与总氮监测值的最小误差，最小误差对应的总氮线性回归系数样本为最优总氮线性回归系数样本；
最优预测值获取模块，用于将最优总磷线性回归系数样本和辅助参数监测值带入总磷线性回归模型获得最优总磷预测值；将最优总氮线性回归系数样本和辅助参数监测值带入总氮线性回归模型获得最优总氮预测值；
线性回归模型校准模块：用于将最优总磷预测值带入具有最优总磷线性回归系数样本的总磷线性回归模型后与总磷监测值进行校准，获取总磷校准系数；将总磷校准系数带入具有最优总磷线性回归系数样本的总磷线性回归模型获得校准后的总磷线性回归模型；
将最优总氮预测值带入具有最优总氮线性回归系数样本的总氮线性回归模型后与总氮监测值进行校准，获取总氮校准系数；将总氮校准系数带入具有最优总氮线性回归系数样本的总氮线性回归模型获得校准后的总氮线性回归模型；
持续监测模块，用于将采集模块采集到监测水体的辅助参数监测值输入校准后的总磷线性回归模型和校准后的总氮线性回归模型，从而持续输出总磷、总氮的监测值。
10.根据权利要求9所述的一种总磷总氮连续在线监测系统，其特征在于，所述采集模块包括总磷监测值采集分析模块、总氮监测值采集分析模块以及若干辅助参数监测值采集模块；所述总磷监测值采集分析模块用于采集水样并进行分析获取总磷监测值，所述总氮监测值采集分析模块用于采集水样并进行分析获取总氮监测值，所述辅助参数监测值采集模块用于直接、连续地采集监测水体中的辅助参数监测值。
CN202210456738.3A 2022-04-28 2022-04-28 一种总磷总氮连续在线监测方法及系统 Active CN114564699B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210456738.3A CN114564699B (zh) 2022-04-28 2022-04-28 一种总磷总氮连续在线监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210456738.3A CN114564699B (zh) 2022-04-28 2022-04-28 一种总磷总氮连续在线监测方法及系统

Publications (2)

Publication Number Publication Date
CN114564699A true CN114564699A (zh) 2022-05-31
CN114564699B CN114564699B (zh) 2022-08-12

Family

ID=81721185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210456738.3A Active CN114564699B (zh) 2022-04-28 2022-04-28 一种总磷总氮连续在线监测方法及系统

Country Status (1)

Country Link
CN (1) CN114564699B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116297297A (zh) * 2023-05-22 2023-06-23 成都博瑞科传科技有限公司 基于阵列光谱和离子选择法的水中总氮检测方法及传感器
CN117147273A (zh) * 2023-10-31 2023-12-01 成都博瑞科传科技有限公司 一种本底样本浓缩装置及其浓缩方法、检测设备校准方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050197772A1 (en) * 2002-12-20 2005-09-08 Archie Charles N. Assessment and optimization for metrology instrument including uncertainty of total measurement uncertainty
CN102128790A (zh) * 2010-12-06 2011-07-20 山东电力研究院 一种发电厂水汽系统结垢成分中硫酸根离子的测定方法
CN102789447A (zh) * 2012-07-09 2012-11-21 贵州电网公司输电运行检修分公司 基于灰多元线性回归的覆冰与气象关系的分析方法
CN102914604A (zh) * 2012-10-09 2013-02-06 同济大学 一种测定水中微量n,n-二甲基二硫代氨基甲酸钠的方法
CN103838959A (zh) * 2013-12-18 2014-06-04 国网上海市电力公司 偏最小二乘回归应用于配电网谐波源定位与检测中的方法
CN104899419A (zh) * 2015-04-28 2015-09-09 清华大学 一种淡水水体中氮和/或磷含量检测的方法
CN110070620A (zh) * 2019-04-11 2019-07-30 太仓中科信息技术研究院 基于遗传算法的三维网格面模型整体近似轴对称判定算法
CN110516818A (zh) * 2019-05-13 2019-11-29 南京江行联加智能科技有限公司 一种基于集成学习技术的高维度数据预测方法
CN110555975A (zh) * 2019-08-28 2019-12-10 成都理工大学工程技术学院 一种防溺水的监控方法及系统
CN111551613A (zh) * 2020-04-30 2020-08-18 利晟（杭州）科技有限公司 一种基于线性回归的气体监测校准方法及系统
CN111753259A (zh) * 2020-06-22 2020-10-09 国网福建省电力有限公司 基于台区能量平衡的台区拓扑档案校核方法
CN113268918A (zh) * 2021-05-10 2021-08-17 云南省农业科学院农业环境资源研究所 一种预测浅层地下水中氮浓度的方法
CN214408233U (zh) * 2021-02-24 2021-10-15 成都博瑞科传科技有限公司 一种水质监测取样装置
CN113720983A (zh) * 2021-08-23 2021-11-30 上海维解信息科技有限公司 一种污水处理厂出水总磷的快速检测方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050197772A1 (en) * 2002-12-20 2005-09-08 Archie Charles N. Assessment and optimization for metrology instrument including uncertainty of total measurement uncertainty
CN102128790A (zh) * 2010-12-06 2011-07-20 山东电力研究院 一种发电厂水汽系统结垢成分中硫酸根离子的测定方法
CN102789447A (zh) * 2012-07-09 2012-11-21 贵州电网公司输电运行检修分公司 基于灰多元线性回归的覆冰与气象关系的分析方法
CN102914604A (zh) * 2012-10-09 2013-02-06 同济大学 一种测定水中微量n,n-二甲基二硫代氨基甲酸钠的方法
CN103838959A (zh) * 2013-12-18 2014-06-04 国网上海市电力公司 偏最小二乘回归应用于配电网谐波源定位与检测中的方法
CN104899419A (zh) * 2015-04-28 2015-09-09 清华大学 一种淡水水体中氮和/或磷含量检测的方法
CN110070620A (zh) * 2019-04-11 2019-07-30 太仓中科信息技术研究院 基于遗传算法的三维网格面模型整体近似轴对称判定算法
CN110516818A (zh) * 2019-05-13 2019-11-29 南京江行联加智能科技有限公司 一种基于集成学习技术的高维度数据预测方法
CN110555975A (zh) * 2019-08-28 2019-12-10 成都理工大学工程技术学院 一种防溺水的监控方法及系统
CN111551613A (zh) * 2020-04-30 2020-08-18 利晟（杭州）科技有限公司 一种基于线性回归的气体监测校准方法及系统
CN111753259A (zh) * 2020-06-22 2020-10-09 国网福建省电力有限公司 基于台区能量平衡的台区拓扑档案校核方法
CN214408233U (zh) * 2021-02-24 2021-10-15 成都博瑞科传科技有限公司 一种水质监测取样装置
CN113268918A (zh) * 2021-05-10 2021-08-17 云南省农业科学院农业环境资源研究所 一种预测浅层地下水中氮浓度的方法
CN113720983A (zh) * 2021-08-23 2021-11-30 上海维解信息科技有限公司 一种污水处理厂出水总磷的快速检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
T.TUUKKANEN 等: "Predicting organic matter,nitrogen,and phosphorus concentrations in runoff from peat extraction sites using partial least squares regression", 《WATER RESOURCES RESEARCH》 *
丁明军: "水质总氮、总磷在线监测装置的研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
李颖: "洪泽湖水质演变趋势与驱动因素", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116297297A (zh) * 2023-05-22 2023-06-23 成都博瑞科传科技有限公司 基于阵列光谱和离子选择法的水中总氮检测方法及传感器
CN116297297B (zh) * 2023-05-22 2023-08-15 成都博瑞科传科技有限公司 基于阵列光谱和离子选择法的水中总氮检测方法及传感器
CN117147273A (zh) * 2023-10-31 2023-12-01 成都博瑞科传科技有限公司 一种本底样本浓缩装置及其浓缩方法、检测设备校准方法
CN117147273B (zh) * 2023-10-31 2024-02-02 成都博瑞科传科技有限公司 一种本底样本浓缩装置及其浓缩方法、检测设备校准方法

Also Published As

Publication number Publication date
CN114564699B (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN114564699B (zh) 一种总磷总氮连续在线监测方法及系统
CN109709057B (zh) 水质指标预测模型构建方法及水质指标监测方法
AU2011349050B2 (en) Analyte ion detection method and device
US11346831B2 (en) Intelligent detection method for biochemical oxygen demand based on a self-organizing recurrent RBF neural network
CN111291937A (zh) 基于支持向量分类与gru神经网络联合的处理污水水质预测方法
CN111553468A (zh) 一种准确预测污水处理厂出水水质的方法
CN112989704B (zh) 一种基于de算法的irfm-cmnn出水bod浓度预测方法
CN111272960A (zh) 一种同位素和测年相结合的浅层地下水硝酸盐源解析方法
Saleh et al. Prediction of chemical oxygen demand from the chemical composition of wastewater by artificial neural networks
CN114819407A (zh) 湖泊蓝藻水华动态预测方法及装置
CN113111576B (zh) 一种基于混合编码粒子群-长短期记忆神经网络出水氨氮软测量方法
Martínez‐Bisbal et al. A voltammetric electronic tongue for the quantitative analysis of quality parameters in wastewater
CN113240006A (zh) 废水排放的监测方法、装置、电子设备及存储介质
CN114817851A (zh) 水质监测方法及设备
CN113887119A (zh) 一种基于sarima-lstm的河流水质预测方法
CN114864015A (zh) 水体富营养化检测方法、装置、设备及存储介质
Tuan et al. Multivariate standard addition cobalt electrochemistry data fusion for determining phosphate concentration in hydroponic solution
CN114417227A (zh) 一种水体中叶绿素a浓度预测方法
Antunes et al. Resolution of voltammetric peaks using chemometric multivariate calibration methods
CN115470702B (zh) 一种基于机器学习的污水处理水质预测方法及系统
Lei et al. Prediction of soil urea conversion and quantification of the importance degrees of influencing factors through a new combinatorial model based on cluster method and artificial neural network
CN117275615B (zh) 一种明胶生产废水智能处理方法及系统
Lin Modeling environmental systems under uncertainty: Towards a synthesis of data-based and theory-based models
CN111007220A (zh) 一种生猪养殖污水水质敏捷监测的方法
CN116028757B (zh) 一种基于多源信息融合的最优软测量模型生成方法及系统

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
GR01 Patent grant
GR01 Patent grant