CN115407038A - 一种基于水质预警点选址的城市供水管网水质监测方法 - Google Patents
一种基于水质预警点选址的城市供水管网水质监测方法 Download PDFInfo
- Publication number
- CN115407038A CN115407038A CN202211241689.8A CN202211241689A CN115407038A CN 115407038 A CN115407038 A CN 115407038A CN 202211241689 A CN202211241689 A CN 202211241689A CN 115407038 A CN115407038 A CN 115407038A
- Authority
- CN
- China
- Prior art keywords
- water quality
- data
- site selection
- early warning
- water supply
- 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.)
- Pending
Links
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Treatment Of Water By Oxidation Or Reduction (AREA)
Abstract
本发明涉及一种基于水质预警点选址的城市供水管网水质监测方法,包括以下步骤:S1、获取供水管网基础数据并构建水力水质模型,分析得到各管网节点的水力数据和水质数据;S2、获取选址指标后,通过预设的水质预警点选址模型,分析各管网节点的水质风险指数;所述选址指标包括水力管网的管道数据、位置数据、以及S1得到的水力数据和水质数据;S3、将水质风险指数最高的N个管网节点作为监测点,并获取S1得到的各监测点的水质数据作为预测模型的训练数据,对预设的风险预测模型进行训练;S4、获取监测点的当前实际水质数据,通过预测模型预测各监测点未来X小时的水质数据。本发明能够对供水管网的水质进行全面有效的监测和预警。
Description
技术领域
本发明涉及水质监测技术领域,尤其涉及一种基于水质预警点选址的城市供水管网水质监测方法。
背景技术
城市供水系统是城市发展的根本,供水管网由于受制于城市规模、地形地势、人口分布等因素的影响,现有条件下难以做到管网全时段全范围覆盖的水质监测。
由于供水管网建成后,基本全部暗敷于城市道路之下,所以在实际生活生产中为了防治供水管网水质污染,往往需在庞大的供水管网中具有代表性的管网节点设置一定数量的常规水质监测点,通过对供水管网的余氯、PH值及温度进行一定时间尺度的检测,以尽可能地对整个管网运行情况实现全方位的监测。
然而,现有供水管网水质监测点的选址方法人为主观性较强。并且,现有监测方法只能反映实时水质情况,并不能表征某一水质指标是否会超标的潜力。为了合理确定供水管网水质预警的选址,必须掌握供水管网的各节点的水质风险状况,综合考虑各种影响因素,对供水管网水质进行准确客观的评价。随着城市化进程加快,供水管网规模也迅速扩大,过去凭人为主观经验在供水管网中选择监测点已经不适应供水管网的发展。尤其是部分地形复杂(如山地城市)或供水管网网路设置复杂的城市,现有技术选择的监测点更是难以准确、完整的对供水管网进行监测。而监测点选址不合适不仅会影响其发挥作用,还会在经济上造成一定浪费。
因此,怎样才能对山地城市的供水管网的水质进行全面有效的监测,成为目前亟待解决的问题。
发明内容
针对上述现有技术的不足,本发明提供了一种基于水质预警点选址的城市供水管网水质监测方法,能够对供水管网的水质进行全面有效的监测。
为了解决上述技术问题,本发明采用了如下的技术方案:
一种基于水质预警点选址的城市供水管网水质监测方法,包括以下步骤:
S1、获取供水管网基础数据并构建水力水质模型,分析得到各管网节点的水力数据和水质数据;
S2、获取选址指标后,通过预设的水质预警点选址模型,分析各管网节点的水质风险指数;所述选址指标包括水力管网的管道数据、位置数据、以及S1得到的水力数据和水质数据;
S3、将水质风险指数最高的N个管网节点作为监测点,并获取S1得到的各监测点的水质数据作为预测模型的训练数据,对预设的风险预测模型进行训练;所述风险预测模型用于根据监测点的时间序列的水质数据,预测未来X小时的水质数据;
S4、获取监测点的当前实际水质数据,并通过训练后的预测模型预测各监测点未来X小时的水质数据,并判断是否存在达到预警条件的监测点,若存在则进行预警。
优选地,S1中,所述供水管网基础数据包括施工属性数据、水力属性数据和拓扑属性数据。
优选地,所述水质数据包括余氯、浊度、水龄;所述水力数据包括流量;所述管道数据包括管径、管龄和管材;所述位置数据包括重要节点数据和分界线数据。
优选地,S2中,水质预警点选址模型的工作过程包括:通过归一化处理,将定性指标转化为定量指标,得到各管网节点的水质评分数值矩阵;将各管网节点的水质评分数值矩阵与预设的管网节点指标权重矩阵相乘,得到各节点的水质评分。
优选地,所述管网节点指标权重矩阵中,各选址指标的权重值由模糊层次分析法计算得到,且所有选址指标的权重值之和为1。
优选地,所述管网节点指标权重矩阵W为:
W=(管材,管龄,管径,流量,余氯,浊度,水龄,分界线,重要节点)T
=(0.089,0.084,0.070,0.268,0.088,0.0880.071,0.121,0.121)T;
其中,T表示转置符号。
优选地,预测模型的工作过程包括:通过小波分解对水质数据进行优化处理,得到确定性成分数据与随机成分数据,再通过第一神经网络模型对稳定性成分数据进行处理,通过第二神经网络对随机成分数据进行处理;再将第一神经网络的处理结果与第二神经网络的处理结果进行叠加,得到未来X小时的水质数据。
优选地,预测模型的训练过程包括:通过对训练数据进行小波分解,计算特征值,得到最佳的母波函数;再通过最佳的母波函数对训练数据进行识别与分离,并将得到的低频序列数据作为稳定性成分数据,将高频序列数据作为随机成分数据,再通过稳定性成分数据对第一神经网络进行训练,并通过随机成分数据对第二神经网络模型进行训练。
优选地,S3中,为水质数据中的余氯和浊度分别构建对应的预测模型并进行训练;S4中,使用对应的预测模型对各监测点的余氯和浊度进行预测。
优选地,X的数值大于等于4小于等于10。
本发明与现有技术相比,具有如下有益效果:
1、与现有技术凭人为主观经验在供水管网中选择监测点不同的是,本发明提出了一套完善的监测点选择的技术方案。现有技术中,普遍是根据经验将容易出现水质问题的节点或者多个区域连接处的节点作为监测点。这样的好处是较为省时省力,并且效果上能够保证一定的有效性。但是,不少城市的供水管网的布置是较为错综复杂的,供水管网中每个节点的辐射范围以及对其周边区域的影响度都是不同的,并且需要从多个维度考量。一方面,监测点的辐射范围及对周边区域的影响度,会直接影响对整个供水管网整体的水质监测的全面覆盖性和有效性;但另一方面,部分节点作为容易出现水质问题的节点,又不一定具有很强的辐射范围和对周边区域的影响度。按照现有技术中监测点选择方法,就需要根据经验,在每个容易出现水质问题的节点,以及各连接处的节点均设置监测点。这样一来就存在以下问题:第一、地形复杂或供水管网网路设置复杂的城市就需要设置非常多的监测点,成本非常高;第二、部分监测点之间可能会存在强关联性,即多个监测点的监测结果的关联性很强,进而造成管网整体水质监测结果中存在较多的非必要的近似于重复的监测数据,换个说法,这样的方式会设置较多的不必要的监测点,不仅浪费监测成本,还会浪费后台运行资源;第三、虽然监测点较多且覆盖面较广,但是由于是根据经验设置,是否与实际供水管网的水质情况符合,设置的监测点已经将真正需要监测的节点全部覆盖,需要经过后续实践的反馈并在实践出现问题时进行修正,类似于试错的方法,不仅会进一步增加成本,还可能会造成前期的水质预警不及时。
本发明的技术方案则可以规避现有技术中存在的上述问题。本发明中,会通过对管道数据、位置数据、水力数据和水质数据的综合分析,得到各管网节点的水质风险指数,再选取水质风险指数最高的N个管网节点作为监测点。这样,综合考量了监测点的各种属性,可以保证监测点的有效性。换个说法,本发明是基于实际的供水管网的各种数据,综合考量的各节点的各种属性,这些属性不仅包括水力数据、水质数据这些和水质预警直接相关的数据,还包括了管道数据及位置数据这些维度的数据。并综合这些多维度的数据分析各管网节点的水质风险指数,再选择最终的监测点。这样得到的监测点,可以兼顾有效性、代表性、辐射范围以及对周边的影响度,可以保证后续对供水管网的水质监测的有效性。
之后,采集监测点的水质数据并通过预测模型预测各监测点未来X小时的水质数据,并判断各监测点是否达到预警条件。与现有水质预测方法相比,本发明依据山地城市供水系统的管网节点的各类属性进行选址,能够对供水管网的水质进行全面有效的监测和预警。
2、本发明在分析各管网节点的水质风险指数时,会通过归一化处理,定性指标在处理前先转化为定量指标,得到各管网节点的水质评分数值矩阵;再将各管网节点的水质评分数值矩阵与预设的管网节点指标权重矩阵相乘,得到各节点的水质评分。并且,各选址指标的权重值由模糊层次分析法计算得到。这样的方式,不仅可以保证考虑维度的全面性,还可以保证各因素之间的相对重要程度的准确性,进而保证选择的监测点的准确性。进一步保证后续监测的有效性。
3、本发明设计了管网节点指标权重矩阵W的具体数值内容,该数值内容能够很好的体现山地城市的地址指标中各参数的重要程度,从而能够保证监测点的选择的有效性。
4、本发明在进行水质分析时,在水质数据中加入了浊度这个指标作为分析参数,与现有技术仅通过余氯进行分析相比,能够更加全面精确的检测水质的综合情况。因为随着浊度的增加,水中悬浮固体及其吸附的有机污染物含量升高,附着在颗粒表面的微生物生长速度更快。加入浊度这个指标并进行预测,能够很好的对上述情况进行预测及预警,从而保证水质监测的有效性。
5、本发明创造性的使用了小波分解加神经网络的预测模型,对个监测点的水质数据进行预测,结合浊度这个分析指标,能够对各监测点的水质数据进行快速且准确的预测。与现有技术相比,本发明能够保证监测点水质数据分析的效率和准确性。
附图说明
为了使发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为实施例中的结构示意图;
图2为实施例中水质水力模型的构建校核示意图;
图3为实施例中供水管网节点水质风险综合评价体系示例图;
图4为模糊层次分析法的流程示意图;
图5为实施例中的预测模型的构建及训练示意图;
图6为实施示例中的3层小波分解示意图;
图7为实施例中实例的监测点选择示意图;
图8为实施例中示例的预警模型训练、测试流程示例图;
图9为实施例中实例的最佳逐时预测模型组合预测结果示意图;
图10为实施例中实例的最佳6h预测模型组合预测结果示意图。
具体实施方式
下面通过具体实施方式进一步详细的说明:
实施例:
与现有技术凭人为主观经验在供水管网中选择监测点不同的是,本发明提出了一套完善的监测点选择的技术方案。现有技术中,普遍是根据经验将容易出现水质问题的节点或者多个区域连接处的节点作为监测点。这样的好处是较为省时省力,并且效果上能够保证一定的有效性。但是,不少城市的供水管网的布置是较为错综复杂的,供水管网中每个节点的辐射范围以及对其周边区域的影响度都是不同的,并且需要从多个维度考量。一方面,监测点的辐射范围及对周边区域的影响度,会直接影响对整个供水管网整体的水质监测的全面覆盖性和有效性;但另一方面,部分节点作为容易出现水质问题的节点,又不一定具有很强的辐射范围和对周边区域的影响度。按照现有技术中监测点选择方法,就需要根据经验,在每个容易出现水质问题的节点,以及各连接处的节点均设置监测点。这样一来就存在以下问题:第一、地形复杂或供水管网网路设置复杂的城市就需要设置非常多的监测点,成本非常高;第二、部分监测点之间可能会存在强关联性,即多个监测点的监测结果的关联性很强,进而造成管网整体水质监测结果中存在较多的非必要的近似于重复的监测数据,换个说法,这样的方式会设置较多的不必要的监测点,不仅浪费监测成本,还会浪费后台运行资源;第三、虽然监测点较多且覆盖面较广,但是由于是根据经验设置,是否与实际供水管网的水质情况符合,设置的监测点已经将真正需要监测的节点全部覆盖,需要经过后续实践的反馈并在实践出现问题时进行修正,类似于试错的方法,不仅会进一步增加成本,还可能会造成前期的水质预警不及时。
本发明的技术方案则可以规避现有技术中存在的上述问题。具体如下:
如图1所示,本实施例中公开了一种基于水质预警点选址的城市供水管网水质监测方法,包括以下步骤:
S1、获取供水管网基础数据并构建水力水质模型,分析得到各管网节点的水力数据和水质数据。其中,所述供水管网基础数据包括施工属性数据、水力属性数据和拓扑属性数据。
具体实施时,如图2所示,可将水务公司提供的AutoCAD城市供水管网图形进行转换导入至Epanet 2.0,再将管网基础数据,如管长、管径、节点基本需水量、用水量逐时变化系数、泵站扬程曲线、节点标高等参数输入至软件中;其次对供水管网系统设定水力模拟周期历时、水力时间步长等参数,并根据一个周期中不同阶段的实际用水比例设定需水量模式。完成对整个管网的构建,执行分析,并根据实际参数对水力模型进行校验以更贴近实际运行工况,即为管网的水力工况模拟。通过Epanet 2.0软件的模拟可以得到各个水力时间步长内对应的节点流量、流速等数据。在Epanet 2.0软件中构建好管网水力模型后,需校验管网水质模型,如余氯衰减模型。在水源点,高位水池以及中途泵站等节点输入初始的余氯浓度,定好水质时间步长后,设置初步的余氯衰减模型的反应系数,随后模拟72小时,取最后24小时的模拟数据作为计算数据。之后与当日收集到的采样点的余氯浓度进行对比,若偏差不满足精度要求,则根据偏差的程度人工校准余氯衰减反应中的主体反应系数与管壁反应系数,直至满足精度。
S2、获取选址指标后,通过预设的水质预警点选址模型,分析各管网节点的水质风险指数;所述选址指标包括水力管网的管道数据、位置数据、以及S1得到的水力数据和水质数据。
所述水质数据包括余氯、浊度、水龄;所述水力数据包括流量;所述管道数据包括管径、管龄和管材;所述位置数据包括重要节点数据和分界线数据。其中,重要节点,指供水管网中的公共设施节点,例如学校、医院、车站和政府办公大楼等,这些节点的水质一旦受到污染,会发展为公共卫生事件,因此这些节点的水质风险较高,需要增大它们被监测到的概率。分界线节点,则是由于随着城市范围的不断拓展,供水管网也有单水源发展为多水源,此外供水管网中也存在着调节池、水塔和中途加压站等,使得供水管网中存在着多条供水分界线。在供水分界线处,水流方向频繁发生变化,水压波动较大,会冲刷管壁已经形成的稳定的“生长环”,脱落的颗粒物会随水流到达用户的位置,造成用户处水质不达标。供水管网节点水质风险综合评价体系的框架如图3所示。
水质预警点选址模型的工作过程包括:通过归一化处理,将定性指标转化为定量指标,得到各管网节点的水质评分数值矩阵;将各管网节点的水质评分数值矩阵与预设的管网节点指标权重矩阵相乘,得到各节点的水质评分。所述管网节点指标权重矩阵中,各选址指标的权重值由模糊层次分析法计算得到,且所有选址指标的权重值之和为1。
具体实施时,所述管网节点指标权重矩阵W为:
W=(管材,管龄,管径,流量,余氯,浊度,水龄,分界线,重要节点)T
=(0.089,0.084,0.070,0.268,0.088,0.0880.071,0.121,0.121)T;
其中,T表示转置符号。
模糊层次分析法(FAHP)是一种将问题进行定性和定量相结合分析的系统分析方法,自身系统性极强的情况下还兼顾灵活性,解决问题简洁。FAHP的基本思路是先将需要分析的问题(系统)进行拆分细化,分析出能影响问题的因素,再构造递阶层次结构,随后通过元素互比构造模糊一致性判断矩阵,最终得出最底层要素相对问题(系统)的权重值,其求解如图4所示。
S3、将水质风险指数最高的N个管网节点作为监测点,并获取S1得到的各监测点的水质数据作为预测模型的训练数据,对预设的风险预测模型进行训练;所述风险预测模型用于根据监测点的时间序列的水质数据,预测未来X小时的水质数据。其中,X的数值大于等于4小于等于10。本实施例中,X的数值为6;N的数值为5,具体实施时,本领域技术人员也可依据管网的规模及复杂程度将N设置为其他数值,在此不再赘述。
具体实施时,预测模型的训练过程包括:通过对训练数据进行小波分解,计算特征值,得到最佳的母波函数;再通过最佳的母波函数对训练数据进行识别与分离,并将得到的低频序列数据作为稳定性成分数据,将高频序列数据作为随机成分数据,再通过稳定性成分数据对第一神经网络进行训练,并通过随机成分数据对第二神经网络模型进行训练。如图5所示。
小波分解能够同时揭示时域、频域的局部化特征,克服了传统谱分析方法存在的低分辨率等缺点,适用于非平稳水文时间序列的组成成分分析。小波是一种不规则、不对称的特殊波形,具有有限的长度,在零值上下交替波动,小波母函数在时频域上均必须满足容许性条件。小波函数通过伸缩与平移变换形成灵活可变的时频窗进行局部化分析,从而表达出时间序列中包含的时频信息。选择合适的小波函数与分解水平,运用离散小波变换对水文时间序列进行分解与重构。本实施例中,采用3层小波分解,如图6所示。在第一个分解水平上,原序列被分解为低频序列A1和高频序列D1两部分,低频序列对应着较大的小波系数,包含较大的信号能量,反映了时间序列的主要变化特性如趋势、周期等,是水文时间序列中确定性成分的主要组成部分;高频序列对应着较小的小波系数,包含较小的信号能量,反映了水文时间序列中由不确定性影响因素导致的不规则波动,是时间序列中随机成分的主要组成部分。完成第一个分解水平后,继续对低频序列A1进行小波分解得到低频序列A2和高频序列D2,以此类推,直到达到最大分解水平。由此,得到了各分解水平上的低频序列Ai(i=1,2,…,j)和高频序列Di(i=1,2,…,j)。需要说明的是,小波分解得到的序列由小波系数构成,长度为被分解序列长度的1/2。
通过小波变换的原始水质时间序列被分解为高频和低频部分,通过伸缩平移运算让时间序列实现了多分辨率细化,最后分解所得的低频系数能比较明显的反映原始时间序列的趋势而又不失代表性,让预测模型可以更好的学习原始序列的信息,以实现高精度水质预报。对余氯浓度和浊度样本序列进行小波分解,通过对得到的低频重构序列A、高频重构序列D的统计特征值分析确定选用bior3.1母波函数进行WA(小波分解)和ANN耦合建模,并通过遗传算法、自相关分析、经验公式及试错法确定ANN隐含层节点数及学习率等初始参数,以此设置模型参数得到的预测性能较好,精度较高。
神经网络模型选择BPNN(反向传播神经网络)、GABP(遗传算法增强的BPNN)、NAR(非线性自回归神经网络)、NARX(带外部输入的非线性自回归网络)、或LSTM(长短时记忆人工神经网络)等均可,只需要保证训练精度即可。
需要说明的是,为了进一步提升后续预测的精确性,可以对水质数据中的各项二级指标(余氯、浊度)分别建立预测模型。
S4、获取监测点的当前实际水质数据,并通过训练后的预测模型预测各监测点未来X小时的水质数据,并判断是否存在达到预警条件的监测点,若存在则进行预警。预警条件的设置,本领域技术人员可依据供水管网的布局及供水需求具体确定,如,余氯或浊度达到某个预设值,等等,在此不再赘述。
具体实施时,预测模型的工作过程包括:通过小波分解对水质数据进行优化处理,得到确定性成分数据与随机成分数据,再通过第一神经网络模型对稳定性成分数据进行处理,通过第二神经网络对随机成分数据进行处理;再将第一神经网络的处理结果与第二神经网络的处理结果进行叠加,得到未来X小时的水质数据。
本发明中,会通过对管道数据、位置数据、水力数据和水质数据的综合分析,得到各管网节点的水质风险指数,再选取水质风险指数最高的N个管网节点作为监测点。这样,综合考量了监测点的各种属性,可以保证监测点的有效性。换个说法,本发明是基于实际的供水管网的各种数据,综合考量的各节点的各种属性,这些属性不仅包括水力数据、水质数据这些和水质预警直接相关的数据,还包括了管道数据及位置数据这些维度的数据。并综合这些多维度的数据分析各管网节点的水质风险指数,再选择最终的监测点。这样得到的监测点,可以兼顾有效性、代表性、辐射范围以及对周边的影响度,可以保证后续对供水管网的水质监测的有效性。之后,采集监测点的水质数据并通过预测模型预测各监测点未来X小时的水质数据,并判断各监测点是否达到预警条件。与现有水质预测方法相比,本发明依据山地城市供水系统的管网节点的各类属性进行选址,能够对供水管网的水质进行全面有效的监测和预警。并且,本发明在分析各管网节点的水质风险指数时,会通过归一化处理,定性指标在处理前先转化为定量指标,得到各管网节点的水质评分数值矩阵;再将各管网节点的水质评分数值矩阵与预设的管网节点指标权重矩阵相乘,得到各节点的水质评分。并且,各选址指标的权重值由模糊层次分析法计算得到。这样的方式,不仅可以保证考虑维度的全面性,还可以保证各因素之间的相对重要程度的准确性,进而保证选择的监测点的准确性。进一步保证后续监测的有效性。除此,本发明设计了管网节点指标权重矩阵W的具体数值内容,该数值内容能够很好的体现山地城市的地址指标中各参数的重要程度,从而能够保证监测点的选择的有效性。
本发明在进行水质分析时,在水质数据中加入了浊度这个指标作为分析参数,与现有技术仅通过余氯进行分析相比,能够更加全面精确的检测水质的综合情况。因为随着浊度的增加,水中悬浮固体及其吸附的有机污染物含量升高,附着在颗粒表面的微生物生长速度更快。加入浊度这个指标并进行预测,能够很好的对上述情况进行预测及预警,从而保证水质监测的有效性。除此,本发明创造性的使用了小波分解加神经网络的预测模型,对个监测点的水质数据进行预测,结合浊度这个分析指标,能够对各监测点的水质数据进行快速且准确的预测。与现有技术相比,本发明能够保证监测点水质数据分析的效率和准确性。
为便于更好的理解本发明的效果,下面以具体实例进行说明。
选取C市的C片区供水管网数据作为基础资料,结合该地区典型的山地城市管网特点和城市用水单位性质,通过供水管网节点水质风险综合评价计算出该地区最优的水质预警节点选址方案,选取筛选出的节点作为监测点,对余氯浓度和浊度两种供水管网水质时间序列建立ANN和WA-ANN逐时和6h均时预测模型。根据样本序列预测结果验证了WA-ANN建模思路与参数选取方法的合理性与可行性,并对比分析不同类型预测模型的预测性能和精度。
综合考虑供水管网节点的水力条件、水质条件、管道条件和位置条件,通过模糊层次分析法计算得到供水管网节点水质风险综合评价矩阵W为:
W=(管材,管龄,管径,流量,余氯,浊度,水龄,供水分界线,重要节点)T
=(0.089,0.084,0.070,0.268,0.088,0.0880.071,0.121,0.121)T;
其中,T表示转置符号。
通过供水管网节点水质风险综合评价矩阵对影响供水管网水质风险的因素进行分析计算,得到C片区供水管网各节点综合风险评价系数,如表1所示。
表1各管网节点综合风险评价系数表
根据各节点计算所得的各节点综合风险评价系数及现状在线水质监测点布置情况对水质风险进行人为等级划分,水质风险系数低于0.37为低风险节点,高于0.43为高风险节点,其余为中风险节点。
从分析结果可知,一方面,节点水质风险较高的节点多位于低区管网中,原因在于低区管网传输流量较大,且城区多为老旧管网;另一方面,高区管网中间节点的水质风险较高,这是因为此处管段均为转输管段,不仅流量、管径较大,同时受污染后的影响较大。综上所述,采用本方法所得的供水管网水质综合评价的计算结果与基本事实相符合,可以为水质预警点的选址提供理论依据与参考。从上述计算结果中选出5个水之风险系数最高的节点作为监测点,分别是A技校、B小区C小区、D小区和E泵站,其位置如图7所示。同时,该区域内布置有在线水质监测仪,会对节点处供水的余氯和浊度进行逐时在线检测后传输至水务公司内,以这五处在线水质监测仪作为监测点,以余氯和浊度作为样本序列进行后续供水管网水质预测预警试验研究。
资料数据;
一定量的余氯值能有效防止水中细菌滋生,同时浊度低的水中病菌、有害物质等含量均较少,因此鉴于城市供水管网中余氯浓度和浊度值两指标在饮用水水质中的重要性,以及现状监测点的局限性,本次供水管网水质预报对余氯和浊度两指标进行预测研究。另一方面,为了研究不同时间尺度对模型预测精度的影响,本次管网水质预测研究选取逐时预测和6h均值预测两种不同时间尺度。选取的监测点及研究样本序列资料如表2所示。
表2监测点资料
(1)基于小波分解的组成成分分析
余氯样本序列经过单层小波分解与重构得到低频重构序列A1、高频重构序列D1的统计特征值计算结果后,分析发现采用bior3.1的分解结果最符合评价标准。浊度样本序列采用同样的方法,可得采用bior3.1的分解结果最符合评价标准。
选择bior3.1小波函数对各监测点的样本序列进行分解处理,需要对样本序列的确定性成分与随机成分进行分离以进一步确定预测模型的各项参数,各分解水平下的高频重构序列Di(i=1,2,3,4)与逐时样本序列的单相关系数计算结果如表3所示,由表4.10可见,因逐时样本序列较长,则所有样本序列的高频重构序列与原序列均呈线性相关。
表3用bior3.1在各分解水平下的高频重构序列与逐时样本序列的单相关系数
与6h样本序列的单相关系数计算结果如表4所示:
表4
由表4可见,A技校余氯样本序列的高频重构序列中,D1、D2、D3与原序列呈线性相关,确定性成分为D1、D2、D3、A4的叠加,随机成分为D4;浊度样本序列的高频重构序列中D1、D2、D3与原序列呈线性相关,确定性成分为D1、D2、D3、A4的叠加,随机成分为D4。B小区余氯样本序列的高频重构序列中D1、D2、D3与原序列呈线性相关,确定性成分为D1、D2、D3、A4的叠加,随机成分为D4;浊度样本序列的高频重构序列中D2、D3、D4与原序列呈线性相关,确定性成分为D2、D3、D4、A4的叠加,随机成分为D1。C小区余氯样本序列的高频重构序列中D1、D2、D4与原序列呈线性相关,确定性成分为D1、D2、D4、A4的叠加,随机成分为D3;浊度样本序列的高频重构序列中D1、D2、D4与原序列呈线性相关,确定性成分为D1、D2、D4、A4的叠加,随机成分为D3。D小区余氯样本序列的高频重构序列中,D1、D2、D3与原序列呈线性相关,确定性成分为D1、D2、D3、A4的叠加,随机成分为D4;浊度样本序列的高频重构序列中D1、D2、D4与原序列呈线性相关,确定性成分为D1、D2、D4、A4的叠加,随机成分为D3。E泵站余氯样本序列的高频重构序列中,D1、D2、D4与原序列呈线性相关,确定性成分为D1、D2、D4、A4的叠加,随机成分为D3;浊度样本序列的高频重构序列中D1、D2、D3与原序列呈线性相关,确定性成分为D1、D2、D3、A4的叠加,随机成分为D4。
ANN与WA-ANN网络设计
神经网络通常又输入层、隐含层和输出层组成,理论实践证明,三层神经网络结构简单,构建方便,运用广泛且几乎可以处理任意一个非线性相关问题,因此本发明采用单层隐含层,即三层网络结构。本发明通过前一时间尺度数据预测下一时间尺度数据,因此输出层节点数为1。
WA-ANN;
基于小波分解的ANN时间序列预警模型训练、测试流程如图8所示,其中,ANN模型选择LSTM模型作为示例。具体步骤如下:
1)整理通过水质在线监测仪采集到的余氯浊度数据,并选取bior3.1母波函数对这些水质指标进行四层小波分解,获取低频信号A4和高频信号D4、D3、D2、D1。
2)将四项水质数据的高频和低频数据划分为训练数据集和测试数据集:每组数据前80%作为训练数据,后20%作为测试数据。
3)将训练数据集输入WA-ANN用于训练模型:搭建五组ANN模型分别对低频信号A4和高频信号D4、D3、D2、D1进行训练。不断调整参数,直至获取目标Loss或者实验达到最大训练次数,训练生成WA-ANN模型。
4)模型测试:将测试数据输入到训练好的WA-ANN模型中,将获得的A4、D4、D3、D2、D1四组预测值进行重构,再逆归一化还原实际预测数据并与对比实验ANN的结果进行预测准确度比较。
ANN与WA-ANN模型预测结果
基于以上模型设计结果,选择MAPE值、RMSE值、R2值对比分析各类模型的预测精度,各类逐时预测模型如表5与6所示;各类6h预测模型如表7与8所示。
表5余氯逐时预测模型评价指标结果
表6浊度逐时预测模型评价指标结果
表7余氯6h预测模型评价指标结果
表8浊度6h预测模型评价指标结果
由上表可见,对余氯浓度变化进行预测时,无论是逐时预测还是6h均值预测,WA-LSTM较其他预测模型具有较好的预测性能;对浊度变化进行预测时,无论是逐时预测还是6h均值预测,NAR较其他预测模型具有较好的预测性能。当对余氯进行预测时,选用预测精度最高的WA-LSTM模型,当对浊度进行预测时,选用预测精度最高的NAR模型,最佳预测模型组合预测结果如图9与图10所示。
由WA对预测模型精度影响如表9和表10所示。
表9WA对余氯预测模型精度影响表
表10WA对浊度预测模型精度影响表
WA-LSTM余氯预测模型较LSTM余氯预测模型均具更低的MAPE值、RMSE值以及更高的R2值。一方面,表明WA-LSTM余氯预测模型具备更好的预测性能,如监测点3的WA-LSTM余氯逐时预测模型的MAPE、RMSE这两项评价指标值较标准LSTM分别减少了15.5%、0.21mg/L,R2提高了0.15;监测点2的WA-LSTM浊度逐时预测模型的MAPE、RMSE这两项评价指标值较标准LSTM分别减少了9.73%、0.05NTU,R2提高了0.59;监测点2的GABP余氯6h均值预测模型的MAPE、RMSE这两项评价指标值较标准BPNN分别减少了17.06%、0.05mg/L,R2提高了0.50;另一方面,说明在建立LSTM余氯预测模型之前,采用WA进行组成成分识别与分解具有一定的必要性,通过对不同成分分别进行模型训练预测再叠加的方式能够有效地提高余氯逐时和6h均时预测精度。但大部分模型通过WA预处理后的浊度预测模型虽在一定程度上降低了MAPE值和RMSE值,但是代表拟合优度的R2值相应减小了,不能说明WA能够提升浊度预测模型的预测性能和预测精度,因此说明通过WA样本序列预处理方法来提升模型的预测性能不一定适用于每一个模型。
通过各类预测模型评价指标结果表对比分析不同类型ANN的预测精度,可见样本序列经过WA预处理后组成的WA-BPNN和WA-GABP耦合模型,在一定程度上预测精度所有提升,对于余氯预测,两种模型预测结果的R2多大于0.6,表示预测结果可信度很高,但是其MAPE大多在15%以上,且RMSE较高,存在较大的误差,这种情况在余氯6h均时预测时更严重,说明其预测精度依旧无法指导实际应用。
NAR模型对余氯和浊度预测性能较好,供水管网中余氯和浊度变化趋势不仅仅取决于浊度、余氯自身浓度与影响因子的静态关系,浊度、余氯浓度及其影响因素同时具有时变特性规律,有一定的趋势、周期和突变规律,因此对余氯浊度的变化规律及预测分析研究仅从静态联系的角度反映是不够的,同时也应反映其时变特性规律,才能取得更好的预测分析效果。NAR在结构上增加了承接层,具备动态递归的特点,通过承接层保存某一层或者基层结点上一次的输出,并作用于本次的计算,能充分体现数据的时序性,因而在具有时变特性的余氯浓度预测分析中,采用如NAR动态递归神经网络比BPNN和GABP静态网络更为合理,从而能够明显改善预测效果。在浊度预测时NAR模型表现出最好的预测性能,虽然部分WA-NAR相比NAR模型具有更低的MAPE值,但是普遍WA-NAR模型预测结果的R2不及NAR模型,综合比较下,认为NAR模型具有浊度预测时最高的预测精度。
本发明将具有深度学习框架的LSTM模型应用于供水管网余氯浊度预测,结果表明LSTM预测性能不及浅层学习模型,在计算过程中,LSTM模型预测结果出现较为严重的数据震荡,这是因为LSTM因深度学习框架的原因,对样本时间序列会进行较深的数据挖掘,然而原始样本中会存在较多的噪点和无关信息从而导致模型训练困难,进而导致预测性能和精度较差,无法指导实际应用。但用WA进行组成成分识别与分解叠加训练后组成的WA-LSTM模型相对于LSTM克服了数据震荡的问题,展现出良好的预测性能,这可能是因为,一方面,小波分解系数可以从时域和频域揭示原始时间序列的局部特征。因此,该模型可以更好地挖掘原始序列的各种信息,从而提高模型的预测性能;另一方面,LSTM模型比浅层学习模型具有更深的模型结构和更多的隐藏层。它通过逐层特征变换将样本在原始空间中的特征表示转换为新的特征空间,从而使分类或预测更容易。
使用本方法,能够对供水管网的水质进行全面有效的监测和预警。
最后需要说明的是,以上实施例仅用以说明本发明的技术方案而非限制技术方案,本领域的普通技术人员应当理解,那些对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于水质预警点选址的城市供水管网水质监测方法,其特征在于,包括以下步骤:
S1、获取供水管网基础数据并构建水力水质模型,分析得到各管网节点的水力数据和水质数据;
S2、获取选址指标后,通过预设的水质预警点选址模型,分析各管网节点的水质风险指数;所述选址指标包括水力管网的管道数据、位置数据、以及S1得到的水力数据和水质数据;
S3、将水质风险指数最高的N个管网节点作为监测点,并获取S1得到的各监测点的水质数据作为预测模型的训练数据,对预设的风险预测模型进行训练;所述风险预测模型用于根据监测点的时间序列的水质数据,预测未来X小时的水质数据;
S4、获取监测点的当前实际水质数据,并通过训练后的预测模型预测各监测点未来X小时的水质数据,并判断是否存在达到预警条件的监测点,若存在则进行预警。
2.如权利要求1所述的基于水质预警点选址的城市供水管网水质监测方法,其特征在于:S1中,所述供水管网基础数据包括施工属性数据、水力属性数据和拓扑属性数据。
3.如权利要求1所述的基于水质预警点选址的城市供水管网水质监测方法,其特征在于:所述水质数据包括余氯、浊度、水龄;所述水力数据包括流量;所述管道数据包括管径、管龄和管材;所述位置数据包括重要节点数据和分界线数据。
4.如权利要求3所述的基于水质预警点选址的城市供水管网水质监测方法,其特征在于:S2中,水质预警点选址模型的工作过程包括:通过归一化处理,将定性指标转化为定量指标,得到各管网节点的水质评分数值矩阵;将各管网节点的水质评分数值矩阵与预设的管网节点指标权重矩阵相乘,得到各节点的水质评分。
5.如权利要求4所述的基于水质预警点选址的城市供水管网水质监测方法,其特征在于:所述管网节点指标权重矩阵中,各选址指标的权重值由模糊层次分析法计算得到,且所有选址指标的权重值之和为1。
6.如权利要求5所述的基于水质预警点选址的城市供水管网水质监测方法,其特征在于:所述管网节点指标权重矩阵W为:
W=(管材,管龄,管径,流量,余氯,浊度,水龄,分界线,重要节点)T
=(0.089,0.084,0.070,0.268,0.088,0.088 0.071,0.121,0.121)T;
其中,T表示转置符号。
7.如权利要求6所述的基于水质预警点选址的城市供水管网水质监测方法,其特征在于:预测模型的工作过程包括:通过小波分解对水质数据进行优化处理,得到确定性成分数据与随机成分数据,再通过第一神经网络模型对稳定性成分数据进行处理,通过第二神经网络对随机成分数据进行处理;再将第一神经网络的处理结果与第二神经网络的处理结果进行叠加,得到未来X小时的水质数据。
8.如权利要求7所述的基于水质预警点选址的城市供水管网水质监测方法,其特征在于:预测模型的训练过程包括:通过对训练数据进行小波分解,计算特征值,得到最佳的母波函数;再通过最佳的母波函数对训练数据进行识别与分离,并将得到的低频序列数据作为稳定性成分数据,将高频序列数据作为随机成分数据,再通过稳定性成分数据对第一神经网络进行训练,并通过随机成分数据对第二神经网络模型进行训练。
9.如权利要求8所述的基于水质预警点选址的城市供水管网水质监测方法,其特征在于:S3中,为水质数据中的余氯和浊度分别构建对应的预测模型并进行训练;S4中,使用对应的预测模型分别对各监测点的余氯和浊度进行预测。
10.如权利要求1所述的基于水质预警点选址的城市供水管网水质监测方法,其特征在于:X的数值大于等于4小于等于10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211241689.8A CN115407038A (zh) | 2022-10-11 | 2022-10-11 | 一种基于水质预警点选址的城市供水管网水质监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211241689.8A CN115407038A (zh) | 2022-10-11 | 2022-10-11 | 一种基于水质预警点选址的城市供水管网水质监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115407038A true CN115407038A (zh) | 2022-11-29 |
Family
ID=84167344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211241689.8A Pending CN115407038A (zh) | 2022-10-11 | 2022-10-11 | 一种基于水质预警点选址的城市供水管网水质监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115407038A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116451142A (zh) * | 2023-06-09 | 2023-07-18 | 山东云泷水务环境科技有限公司 | 一种基于机器学习算法的水质传感器故障检测方法 |
CN116776645A (zh) * | 2023-08-21 | 2023-09-19 | 成都协致科技有限责任公司 | 基于小波分析的环境空气监测站布点方法及系统 |
CN117522199A (zh) * | 2023-11-08 | 2024-02-06 | 重庆大学 | 一种城市供水管网综合安全评价及监测点选址方法 |
CN117706045A (zh) * | 2024-02-06 | 2024-03-15 | 四川省德阳生态环境监测中心站 | 基于物联网实现大气臭氧监测设备的联合控制方法及系统 |
-
2022
- 2022-10-11 CN CN202211241689.8A patent/CN115407038A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116451142A (zh) * | 2023-06-09 | 2023-07-18 | 山东云泷水务环境科技有限公司 | 一种基于机器学习算法的水质传感器故障检测方法 |
CN116776645A (zh) * | 2023-08-21 | 2023-09-19 | 成都协致科技有限责任公司 | 基于小波分析的环境空气监测站布点方法及系统 |
CN116776645B (zh) * | 2023-08-21 | 2023-10-27 | 成都协致科技有限责任公司 | 基于小波分析的环境空气监测站布点方法及系统 |
CN117522199A (zh) * | 2023-11-08 | 2024-02-06 | 重庆大学 | 一种城市供水管网综合安全评价及监测点选址方法 |
CN117706045A (zh) * | 2024-02-06 | 2024-03-15 | 四川省德阳生态环境监测中心站 | 基于物联网实现大气臭氧监测设备的联合控制方法及系统 |
CN117706045B (zh) * | 2024-02-06 | 2024-05-10 | 四川省德阳生态环境监测中心站 | 基于物联网实现大气臭氧监测设备的联合控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115407038A (zh) | 一种基于水质预警点选址的城市供水管网水质监测方法 | |
Zhang et al. | Accurate prediction of water quality in urban drainage network with integrated EMD-LSTM model | |
Freire et al. | Analysis of the use of discrete wavelet transforms coupled with ANN for short-term streamflow forecasting | |
Sun et al. | A Mamdani fuzzy inference approach for assessing ecological security in the Pearl River Delta urban agglomeration, China | |
Lei et al. | A comprehensive evaluation method for indoor air quality of buildings based on rough sets and a wavelet neural network | |
Song et al. | Research on different weight combination in air quality forecasting models | |
Sehgal et al. | Wavelet bootstrap multiple linear regression based hybrid modeling for daily river discharge forecasting | |
Chai et al. | A new approach of deriving indicators and comprehensive measure for ecological environmental quality assessment | |
Huang | Predicting home value in California, United States via machine learning modeling | |
Chen et al. | Comprehensive assessment and hierarchical management of the sustainable utilization of urban water resources based on catastrophe theory | |
Shoaib et al. | Hybrid wavelet neuro-fuzzy approach for rainfall-runoff modeling | |
Shoaib et al. | Input selection of wavelet-coupled neural network models for rainfall-runoff modelling | |
Fang et al. | DESA: a novel hybrid decomposing-ensemble and spatiotemporal attention model for PM2. 5 forecasting | |
CN110674985A (zh) | 一种城市居民生活用水量预测方法及其应用 | |
Chattopadhyay et al. | Identification of the best hidden layer size for three-layered neural net in predicting monsoon rainfall in India | |
Singh et al. | Review on Data Mining Techniques for Prediction of Water Quality. | |
Yang et al. | A new combination model using decomposition ensemble framework and error correction technique for forecasting hourly PM2. 5 concentration | |
Zhang et al. | A hybrid model combining mode decomposition and deep learning algorithms for detecting TP in urban sewer networks | |
Wei et al. | Data mining methods for hydroclimatic forecasting | |
Sudhishri et al. | Comparative evaluation of neural network and regression based models to simulate runoff and sediment yield in an outer Himalayan watershed | |
Hu et al. | PM2. 5 concentration prediction based on WD-SA-LSTM-BP model: A case study of Nanjing city | |
Momeneh et al. | Forecasting of groundwater level fluctuations using a hybrid of multi-discrete wavelet transforms with artificial intelligence models | |
Millie et al. | Modeling phytoplankton abundance in Saginaw bay, Lake Huron: using artificial neural networks to discern functional influence of environmental variables and relevance to a great lakes observing system 1 | |
CN115936196A (zh) | 基于时序卷积网络的月降水模型预测方法 | |
Llopis-Albert et al. | Applications of ordered weighted averaging (OWA) operators in environmental problems |
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 |