CN116842851B - 基于流域的子系统的水务数据感知和机理分析的模型系统 - Google Patents

基于流域的子系统的水务数据感知和机理分析的模型系统 Download PDF

Info

Publication number
CN116842851B
CN116842851B CN202310968062.0A CN202310968062A CN116842851B CN 116842851 B CN116842851 B CN 116842851B CN 202310968062 A CN202310968062 A CN 202310968062A CN 116842851 B CN116842851 B CN 116842851B
Authority
CN
China
Prior art keywords
data
water quality
water
evaluation
result
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.)
Active
Application number
CN202310968062.0A
Other languages
English (en)
Other versions
CN116842851A (zh
Inventor
刘柏佑
陈娟娟
林春秀
牛樱
仲崇军
李胜
蔡新宇
路璐
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.)
Beijing General Municipal Engineering Design and Research Institute Co Ltd
Original Assignee
Beijing General Municipal Engineering Design and Research Institute 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 Beijing General Municipal Engineering Design and Research Institute Co Ltd filed Critical Beijing General Municipal Engineering Design and Research Institute Co Ltd
Priority to CN202310968062.0A priority Critical patent/CN116842851B/zh
Publication of CN116842851A publication Critical patent/CN116842851A/zh
Application granted granted Critical
Publication of CN116842851B publication Critical patent/CN116842851B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供基于流域的子系统的水务数据感知和机理分析的模型系统，其中，系统包括：监控子系统，用于获取目标流域子系统的边界降雨数据；数据感知子系统，用于根据边界降雨数据预测边界主干管的水质水量数据；机理模型子系统，用于基于预设的水力水质机理模型，根据水质水量数据，确定模拟数据；预测模型获取子系统，用于获取设施处理结果预测模型；预测子系统，用于获取预测处理结果数据；水质量结果确定子系统，用于确定水质量结果。本发明的基于流域的子系统的水务数据感知和机理分析的模型系统及方法，同时引入数据感知技术和机理模型用于水务系统的分析，在保证了分析过程高效稳定的前提下，预测的结果也更精确。

Description

基于流域的子系统的水务数据感知和机理分析的模型系统
技术领域
本发明涉及智慧水务技术领域，特别涉及基于流域的子系统的水务数据感知和机理分析的模型系统。
背景技术
目前，智慧水务向着数字化、系统化和决策化的方向发展。结合模型的水务平台能有效指导运行人员进行决策。
全流域机理模型是一种基于物理和化学原理的模型，用于模拟和预测流域中的水文和水质过程。它基于流域的地形、土壤、植被和气候等特征，通过数学方程和模拟算法，模拟流域内水的产流、径流、水质输移和转化等过程。全流域机理模型通过构建模型来发现系统中的关键点，但是，随着城市的更新进程加快，全流域机理模型的搭建成本高，数据量过大且更新效率低，另外，机器学习的预测模型虽然高效且稳定，但是，对于复杂的水质系统，机器学习可能无法准确地捕捉到系统中的所有物理和化学过程，机器学习的结果容易有误差。
有鉴于此，亟需一种基于流域的子系统的水务数据感知和机理分析的模型系统及方法。
发明内容
本发明目的之一在于提供了基于流域的子系统的水务数据感知和机理分析的模型系统，引入数据感知技术预测边界主干管的水质水量数据，引入水力水质机理模型，确定模拟数据，同时引入数据感知技术和机理模型用于水务系统的分析，在保证了分析过程高效稳定的前提下，预测的结果也更精确。
本发明实施例提供的基于流域的子系统的水务数据感知和机理分析的模型系统，包括：
监控子系统，用于获取目标流域子系统的边界降雨数据；
数据感知子系统，用于根据边界降雨数据进行水务数据感知，预测边界主干管的水质水量数据；
机理模型子系统，用于基于预设的水力水质机理模型，根据水质水量数据，确定模拟数据；
预测模型获取子系统，用于获取设施处理结果预测模型；
预测子系统，用于将模拟数据输入设施处理结果预测模型，预测经过处理后的预测处理结果数据；
水质量结果确定子系统，用于基于预设的水质量判定规则，根据预测处理结果数据，确定水质量结果。
优选的，监控子系统，包括：
设备分布图获取模块，用于获取目标流域的设备分布图；
现场采集设备节点确定模块，用于根据设备分布图，确定设置在边界主干管的现场采集设备节点；所述现场采集设备节点包括：雨量计节点、液位流量器节点和水质检测器节点；
采集信息获取模块，用于获取现场采集设备节点的采集信息；
边界降雨数据输出模块，用于将采集信息输入预设的机器模型处理器，获得机器模型处理器输出的边界降雨数据，并将边界降雨数据存入预设的数据库中。
优选的，数据感知子系统，包括：
水质水量数据输出模块，用于将边界降雨数据输入预设的机器学习模型中，获得机器学习模型输出的水质水量数据。
优选的，机理模型子系统，包括：
模拟数据输出模块，用于将水质水量数据输入预设的水力水质机理模型，获得水力水质机理模型输出的模拟数据。
优选的，预测模型获取子系统，包括：
历史设施处理记录获取模块，用于获取多个历史设施处理记录；
历史水质水量数据录获取模块，用于解析历史设施处理记录，获取历史设备的进水口的第一历史水质水量数据，同时，获取历史设备的出水口的第二历史水质水量数据；
设施处理结果预测模型确定模块，用于利用多个历史设施处理记录对应的第一历史水质水量数据、第二历史水质水量数据以及历史设备的第一设备特征进行神经网络模型训练，获得设施处理结果预测模型。
优选的，预测子系统，包括：
模拟进水水质水量数据获取模块，用于解析模拟数据，获取模拟进水水质水量数据；
第二设备特征获取模块，用于获取当前处理设备的第二设备特征；
预测处理结果数据确定模块，用于将模拟进水水质水量数据以及第二设备特征输入设施处理结果预测模型，获得设施处理结果预测模型输出的预测处理结果数据。
优选的，水质量结果确定子系统，包括：
评价标准确定模块，用于根据水质量判定规则，确定多个第一评价项目和第一评价项目对应的评价标准；
评价必要性分析模块，用于根据预测处理结果数据，进行第一评价项目评价必要性分析；
第二评价项目确定模块，用于若第一评价项目评价必要性分析的分析结果为需要评价，则将对应第一评价项目作为第二评价项目；
子结果数据确定模块，用于确定预测处理结果数据中对应于第二评价项目的子结果数据；
评价标准符合性判定模块，用于判断对应于第二评价项目的子结果数据是否符合第二评价项目相应的评价标准；
水质量结果生成模块，用于根据判断结果的不同，生成对应的水质量结果。
优选的，水质量结果生成模块，包括：
待生成数据获取子模块，用于解析判断结果，获取对应于第二评价项目的子结果数据中不符合第二评价项目相应的评价标准的子结果数据，并作为待生成数据；
第三评价项目确定子模块，用于确定待生成数据对应的第二评价项目，并作为第三评价项目；
差异信息获取子模块，用于获取待生成数据与对应评价标准的差异信息；
水质量结果确定子模块，用于基于预设的水质量结果生成规则，根据差异信息和对应的第三评价项目，确定水质量结果。
优选的，差异信息获取子模块，包括：
目标数轴获取单元，用于获取目标数轴；
第一标注区间生成单元，用于根据待生成数据，生成对应于目标数轴的第一标注区间；
第二标注区间生成单元，用于根据评价标准，生成对应于目标数轴的第二标注区间；
不重合区间获取单元，用于获取第一标注区间与第二标注区间的不重合区间；
差异信息确定单元，用于基于预设的描述规则，生成不重合区间的描述信息，并将描述信息作为差异信息。
本发明实施例提供的基于流域的子系统的水务数据感知和机理分析的方法，包括：
步骤1：获取目标流域子系统的边界降雨数据；
步骤2：根据边界降雨数据进行水务数据感知，预测边界主干管的水质水量数据；
步骤3：基于预设的水力水质机理模型，根据水质水量数据，确定模拟数据；
步骤4：获取设施处理结果预测模型；
步骤5：将模拟数据输入设施处理结果预测模型，预测经过处理后的预测处理结果数据；
步骤6：基于预设的水质量判定规则，根据预测处理结果数据，确定水质量结果。
本发明的有益效果为：
本发明引入数据感知技术预测边界主干管的水质水量数据，引入水力水质机理模型，确定模拟数据，同时引入数据感知技术和机理模型用于水务系统的分析，在保证了分析过程高效稳定的前提下，预测的结果也更精确。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中基于流域的子系统的水务数据感知和机理分析的模型系统的示意图；
图2为本发明实施例中基于流域的子系统的水务数据感知和机理分析的模型系统中的水质量结果的生成过程示意图；
图3为本发明实施例中基于流域的子系统的水务数据感知和机理分析的方法的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供了基于流域的子系统的水务数据感知和机理分析的模型系统，如图1所示，包括：
监控子系统1，用于获取目标流域子系统的边界降雨数据；目标流域子系统为：将整个目标流域划分为多个子区域或子流域，对其中一个或多个特定的子区域或子流域进行重点研究和分析的部分。边界降雨数据为：目标流域子系统中的边界主干管的降水数据；
数据感知子系统2，用于根据边界降雨数据进行水务数据感知，预测边界主干管的水质水量数据；水务数据感知为：利用对多个边界主干管的降水记录进行机器学习获得的机器学习模型对边界降雨数据进行感知，预测边界主干管的水质水量数据，水质水量数据为：用来描述水体状态和水流量的数据；
机理模型子系统3，用于基于预设的水力水质机理模型，根据水质水量数据，确定模拟数据；水力水质机理模型为：预先设置的用于模拟和预测水体中水力和水质过程的变化和交互作用的数学模型；模拟数据为：模拟的目标水域区域内的水质水量数据；
预测模型获取子系统4，用于获取设施处理结果预测模型；设施处理结果预测模型为：利用多条历史设施处理记录训练的用于预测水体经过设备处理后的水质水量数据的AI模型；
预测子系统5，用于将模拟数据输入设施处理结果预测模型，预测经过处理后的预测处理结果数据；预测处理结果数据为：设施处理结果预测模型预测的模拟数据经过处理后的水质水量数据；
水质量结果确定子系统6，用于基于预设的水质量判定规则，根据预测处理结果数据，确定水质量结果。预设的水质量判定规则由人工预先设置；水质量结果为：判定的水体质量结果，例如：水体富氧化。
上述技术方案的工作原理及有益效果为：
本申请根据获取目标流域子系统的边界降雨数据，预测边界主干管的水质水量数据，并根据引入的水力水质机理模型，确定水质水量数据对应的模拟数据。引入设施处理结果预测模型，将模拟数据输入设施处理结果预测模型获取预测处理结果数据，并根据水质量判定规则确定水质量结果。
本申请引入数据感知技术预测边界主干管的水质水量数据，引入水力水质机理模型，确定模拟数据，同时引入数据感知技术和机理模型用于水务系统的分析，在保证了分析过程高效稳定的前提下，预测的结果也更精确。
在一个实施例中，监控子系统，包括：
设备分布图获取模块，用于获取目标流域的设备分布图；设备分布图为：目标流域的水质水量的采集设备的分布图；
现场采集设备节点确定模块，用于根据设备分布图，确定设置在边界主干管的现场采集设备节点；所述现场采集设备节点包括：雨量计节点、液位流量器节点和水质检测器节点；
采集信息获取模块，用于获取现场采集设备节点的采集信息；采集信息为，例如：雨量计节数据、液位流量数据和水质检测数据；
边界降雨数据输出模块，用于将采集信息输入预设的机器模型处理器，获得机器模型处理器输出的边界降雨数据，并将边界降雨数据存入预设的数据库中。预设的机器模型处理器为：人工预先设置用于根据机器模型的输入参数的参数种类对输入参数进行预先处理的装置；边界降雨数据为：用于后续水务数据感知的待感知数据；预设的数据库为预先设置的用于存储边界降雨数据的数据库；
上述技术方案的工作原理及有益效果为：
本申请引入设备分布图，确定多个设置在边界主干管的现场采集设备节点，并获取现场采集设备节点的采集信息，同时，引入机器模型处理器，将采集信息输入预设的机器模型处理器获得边界降雨数据，提高了边界降雨数据的全面性和规范性。
在一个实施例中，数据感知子系统，包括：
水质水量数据输出模块，用于将边界降雨数据输入预设的机器学习模型中，获得机器学习模型输出的水质水量数据。预设的机器学习模型为：预先设置用于根据降雨数据预测对应降雨区域的水质水量数据的人工智能模型。
上述技术方案的工作原理及有益效果为：
本申请根据边界降雨数据和引入的机器学习模型预测边界主干管的水质水量数据，提高了水质水量数据的预测效率。
在一个实施例中，机理模型子系统，包括：
模拟数据输出模块，用于将水质水量数据输入预设的水力水质机理模型，获得水力水质机理模型输出的模拟数据。预设的水力水质机理模型是一种用于模拟和预测水体中水力和水质过程的模型，它基于物理和化学原理，通过数学方程和模拟算法，模拟水体中的水流、水质输移和转化等过程。
上述技术方案的工作原理及有益效果为：
本申请引入水力水质机理模型获取目标流域的模拟数据，模拟数据的获取更可靠。
在一个实施例中，预测模型获取子系统，包括：
历史设施处理记录获取模块，用于获取多个历史设施处理记录；历史设施处理记录为：历史上净水设备进行水质处理的记录；
历史水质水量数据录获取模块，用于解析历史设施处理记录，获取历史设备的进水口的第一历史水质水量数据，同时，获取历史设备的出水口的第二历史水质水量数据；第一历史水质水量数据为：历史设备的进水口的水质水量数据，例如：水温、pH值以及流量等；第二历史水质水量数据为：第一历史水质水量数据对应的水流经过历史设备处理之后的水质水量数据，例如：水温、pH值以及流量等；
设施处理结果预测模型确定模块，用于利用多个历史设施处理记录对应的第一历史水质水量数据、第二历史水质水量数据以及历史设备的第一设备特征进行神经网络模型训练，获得设施处理结果预测模型。第一设备特征为：设备种类以及设备型号；神经网络模型训练属于现有技术范畴，不作赘述；
上述技术方案的工作原理及有益效果为：
本申请解析获取的历史设施处理记录，确定历史设备的进水口的第一历史水质水量数据以及第一历史水质水量数据经过历史设备处理完成后的第二历史水质水量数据，对第一历史水质水量数据、第二历史水质水量数据以及历史设备的第一设备特征进行神经网络模型训练获取设施处理结果预测模型，设施处理结果预测模型的训练过程更合理可信。
在一个实施例中，预测子系统，包括：
模拟进水水质水量数据获取模块，用于解析模拟数据，获取模拟进水水质水量数据；模拟进水水质水量数据为：模拟数据的水质水量数据；
第二设备特征获取模块，用于获取当前处理设备的第二设备特征；第二设备特征为：当前处理设备的设备参数；
预测处理结果数据确定模块，用于将模拟进水水质水量数据以及第二设备特征输入设施处理结果预测模型，获得设施处理结果预测模型输出的预测处理结果数据。预测处理结果数据为：预测的模拟数据经过设备处理后的水质水量数据。
上述技术方案的工作原理及有益效果为：
本申请将模拟进水水质水量数据以及第二设备特征输入设施处理结果预测模型获取设施处理结果预测模型输出的预测处理结果数据，提高了预测处理结果数据的精确程度。
在一个实施例中，水质量结果确定子系统，包括：
评价标准确定模块，用于根据水质量判定规则，确定多个第一评价项目和第一评价项目对应的评价标准；第一评价项目为，例如：pH值、总磷以及氨氮等；评价标准为：第一评价项目符合水质量判定规则的数值范围；
评价必要性分析模块，用于根据预测处理结果数据，进行第一评价项目评价必要性分析；第一评价项目评价必要性分析为：评价是否有必要进行第一评价项目评价，例如：水体中不含某一成分，则没有必要进行上述成分对应的第一评价项目的评价；
第二评价项目确定模块，用于若第一评价项目评价必要性分析的分析结果为需要评价，则将对应第一评价项目作为第二评价项目；第二评价项目为：有必要进行评价的第一评价项目；
子结果数据确定模块，用于确定预测处理结果数据中对应于第二评价项目的子结果数据；
评价标准符合性判定模块，用于判断对应于第二评价项目的子结果数据是否符合第二评价项目相应的评价标准；判断时，判断子结果数据的范围是否落入第二评价项目相应的评价标准的范围内，若是，则符合，否则不符合；
水质量结果生成模块，用于根据判断结果的不同，生成对应的水质量结果。水质量结果的生成过程如图2所示。
上述技术方案的工作原理及有益效果为：
本申请根据预测处理结果数据，进行第一评价项目评价必要性分析，确定有必要评价的第二评价项目，提高了水质量评价的效率。
在一个实施例中，水质量结果生成模块，包括：
待生成数据获取子模块，用于解析判断结果，获取对应于第二评价项目的子结果数据中不符合第二评价项目相应的评价标准的子结果数据，并作为待生成数据；
第三评价项目确定子模块，用于确定待生成数据对应的第二评价项目，并作为第三评价项目；
差异信息获取子模块，用于获取待生成数据与对应评价标准的差异信息；差异信息为，例如：超过标准数据多少；
水质量结果确定子模块，用于基于预设的水质量结果生成规则，根据差异信息和对应的第三评价项目，确定水质量结果。水质量结果生成规则由人工预先设置。
上述技术方案的工作原理及有益效果为：
本申请根据不符合第二评价项目相应的评价标准的待生成数据与对应评价标准的差异信息以及引入的水质量结果生成规则，确定水质量结果，水质量结果的确定过程更合理。
在一个实施例中，差异信息获取子模块，包括：
目标数轴获取单元，用于获取目标数轴；
第一标注区间生成单元，用于根据待生成数据，生成对应于目标数轴的第一标注区间；第一标注区间为，例如：0.08-0.15；
第二标注区间生成单元，用于根据评价标准，生成对应于目标数轴的第二标注区间；第二标注区间为，例如：0.05-0.1；
不重合区间获取单元，用于获取第一标注区间与第二标注区间的不重合区间；不重合区域为，例如：0.05-0.08以及0.1-0.15；
差异信息确定单元，用于基于预设的描述规则，生成不重合区间的描述信息，并将描述信息作为差异信息。预设的描述规则由人工预先设置；描述信息为，例如：超过标准多少毫克每升。
上述技术方案的工作原理及有益效果为：
本申请引入目标数轴，确定待生成数据对应于目标数轴的第一标注区间以及评价标准对应于目标数轴的第二标注区间，根据第一标注区间与第二标注区间的不重合区间以及引入的描述规则，确定差异信息，提高了差异信息的精确程度。
本发明实施例提供了基于流域的子系统的水务数据感知和机理分析的方法，如图3所示，包括：
步骤1：获取目标流域子系统的边界降雨数据；
步骤2：根据边界降雨数据进行水务数据感知，预测边界主干管的水质水量数据；
步骤3：基于预设的水力水质机理模型，根据水质水量数据，确定模拟数据；
步骤4：获取设施处理结果预测模型；
步骤5：将模拟数据输入设施处理结果预测模型，预测经过处理后的预测处理结果数据；
步骤6：基于预设的水质量判定规则，根据预测处理结果数据，确定水质量结果。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (3)

1.基于流域的子系统的水务数据感知和机理分析的模型系统，其特征在于，包括：
监控子系统，用于获取目标流域子系统的边界降雨数据；
数据感知子系统，用于根据边界降雨数据进行水务数据感知，预测边界主干管的水质水量数据；
机理模型子系统，用于基于预设的水力水质机理模型，根据水质水量数据，确定模拟数据；
预测模型获取子系统，用于获取设施处理结果预测模型；
预测子系统，用于将模拟数据输入设施处理结果预测模型，预测经过处理后的预测处理结果数据；
水质量结果确定子系统，用于基于预设的水质量判定规则，根据预测处理结果数据，确定水质量结果；
监控子系统，包括：
设备分布图获取模块，用于获取目标流域的设备分布图；
现场采集设备节点确定模块，用于根据设备分布图，确定设置在边界主干管的现场采集设备节点；所述现场采集设备节点包括：雨量计节点、液位流量器节点和水质检测器节点；
采集信息获取模块，用于获取现场采集设备节点的采集信息；
边界降雨数据输出模块，用于将采集信息输入预设的机器模型处理器，获得机器模型处理器输出的边界降雨数据，并将边界降雨数据存入预设的数据库中；
数据感知子系统，包括：
水质水量数据输出模块，用于将边界降雨数据输入预设的机器学习模型中，获得机器学习模型输出的水质水量数据；
预测模型获取子系统，包括：
历史设施处理记录获取模块，用于获取多个历史设施处理记录；
历史水质水量数据录获取模块，用于解析历史设施处理记录，获取历史设备的进水口的第一历史水质水量数据，同时，获取历史设备的出水口的第二历史水质水量数据；
设施处理结果预测模型确定模块，用于利用多个历史设施处理记录对应的第一历史水质水量数据、第二历史水质水量数据以及历史设备的第一设备特征进行神经网络模型训练，获得设施处理结果预测模型；
预测子系统，包括：
模拟进水水质水量数据获取模块，用于解析模拟数据，获取模拟进水水质水量数据；
第二设备特征获取模块，用于获取当前处理设备的第二设备特征；
预测处理结果数据确定模块，用于将模拟进水水质水量数据以及第二设备特征输入设施处理结果预测模型，获得设施处理结果预测模型输出的预测处理结果数据；
水质量结果确定子系统，包括：
评价标准确定模块，用于根据水质量判定规则，确定多个第一评价项目和第一评价项目对应的评价标准；
评价必要性分析模块，用于根据预测处理结果数据，进行第一评价项目评价必要性分析；
第二评价项目确定模块，用于若第一评价项目评价必要性分析的分析结果为需要评价，则将对应第一评价项目作为第二评价项目；
子结果数据确定模块，用于确定预测处理结果数据中对应于第二评价项目的子结果数据；
评价标准符合性判定模块，用于判断对应于第二评价项目的子结果数据是否符合第二评价项目相应的评价标准；
水质量结果生成模块，用于根据判断结果的不同，生成对应的水质量结果；
水质量结果生成模块，包括：
待生成数据获取子模块，用于解析判断结果，获取对应于第二评价项目的子结果数据中不符合第二评价项目相应的评价标准的子结果数据，并作为待生成数据；
第三评价项目确定子模块，用于确定待生成数据对应的第二评价项目，并作为第三评价项目；
差异信息获取子模块，用于获取待生成数据与对应评价标准的差异信息；
水质量结果确定子模块，用于基于预设的水质量结果生成规则，根据差异信息和对应的第三评价项目，确定水质量结果；
差异信息获取子模块，包括：
目标数轴获取单元，用于获取目标数轴；
第一标注区间生成单元，用于根据待生成数据，生成对应于目标数轴的第一标注区间；
第二标注区间生成单元，用于根据评价标准，生成对应于目标数轴的第二标注区间；
不重合区间获取单元，用于获取第一标注区间与第二标注区间的不重合区间；
差异信息确定单元，用于基于预设的描述规则，生成不重合区间的描述信息，并将描述信息作为差异信息。
2.如权利要求1所述的基于流域的子系统的水务数据感知和机理分析的模型系统，其特征在于，机理模型子系统，包括：
模拟数据输出模块，用于将水质水量数据输入预设的水力水质机理模型，获得水力水质机理模型输出的模拟数据。
3.基于流域的子系统的水务数据感知和机理分析的方法，其特征在于，包括：
步骤1：获取目标流域子系统的边界降雨数据；
步骤2：根据边界降雨数据进行水务数据感知，预测边界主干管的水质水量数据；
步骤3：基于预设的水力水质机理模型，根据水质水量数据，确定模拟数据；
步骤4：获取设施处理结果预测模型；
步骤5：将模拟数据输入设施处理结果预测模型，预测经过处理后的预测处理结果数据；
步骤6：基于预设的水质量判定规则，根据预测处理结果数据，确定水质量结果；
步骤1：获取目标流域子系统的边界降雨数据，包括：
获取目标流域的设备分布图；
根据设备分布图，确定设置在边界主干管的现场采集设备节点；所述现场采集设备节点包括：雨量计节点、液位流量器节点和水质检测器节点；
获取现场采集设备节点的采集信息；
将采集信息输入预设的机器模型处理器，获得机器模型处理器输出的边界降雨数据，并将边界降雨数据存入预设的数据库中；
步骤2：根据边界降雨数据进行水务数据感知，预测边界主干管的水质水量数据，包括：
将边界降雨数据输入预设的机器学习模型中，获得机器学习模型输出的水质水量数据；
步骤4：获取设施处理结果预测模型，包括：
获取多个历史设施处理记录；
解析历史设施处理记录，获取历史设备的进水口的第一历史水质水量数据，同时，获取历史设备的出水口的第二历史水质水量数据；
利用多个历史设施处理记录对应的第一历史水质水量数据、第二历史水质水量数据以及历史设备的第一设备特征进行神经网络模型训练，获得设施处理结果预测模型；
步骤5：将模拟数据输入设施处理结果预测模型，预测经过处理后的预测处理结果数据，包括：
解析模拟数据，获取模拟进水水质水量数据；
获取当前处理设备的第二设备特征；
将模拟进水水质水量数据以及第二设备特征输入设施处理结果预测模型，获得设施处理结果预测模型输出的预测处理结果数据；
步骤6：基于预设的水质量判定规则，根据预测处理结果数据，确定水质量结果，包括：
根据水质量判定规则，确定多个第一评价项目和第一评价项目对应的评价标准；
根据预测处理结果数据，进行第一评价项目评价必要性分析；
若第一评价项目评价必要性分析的分析结果为需要评价，则将对应第一评价项目作为第二评价项目；
确定预测处理结果数据中对应于第二评价项目的子结果数据；
判断对应于第二评价项目的子结果数据是否符合第二评价项目相应的评价标准；
根据判断结果的不同，生成对应的水质量结果；
根据判断结果的不同，生成对应的水质量结果，包括：
解析判断结果，获取对应于第二评价项目的子结果数据中不符合第二评价项目相应的评价标准的子结果数据，并作为待生成数据；
确定待生成数据对应的第二评价项目，并作为第三评价项目；
获取待生成数据与对应评价标准的差异信息；
基于预设的水质量结果生成规则，根据差异信息和对应的第三评价项目，确定水质量结果；
获取待生成数据与对应评价标准的差异信息，包括：
获取目标数轴；
根据待生成数据，生成对应于目标数轴的第一标注区间；
根据评价标准，生成对应于目标数轴的第二标注区间；
获取第一标注区间与第二标注区间的不重合区间；
基于预设的描述规则，生成不重合区间的描述信息，并将描述信息作为差异信息。
CN202310968062.0A 2023-08-03 2023-08-03 基于流域的子系统的水务数据感知和机理分析的模型系统 Active CN116842851B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310968062.0A CN116842851B (zh) 2023-08-03 2023-08-03 基于流域的子系统的水务数据感知和机理分析的模型系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310968062.0A CN116842851B (zh) 2023-08-03 2023-08-03 基于流域的子系统的水务数据感知和机理分析的模型系统

Publications (2)

Publication Number Publication Date
CN116842851A CN116842851A (zh) 2023-10-03
CN116842851B true CN116842851B (zh) 2024-04-19

Family

ID=88174449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310968062.0A Active CN116842851B (zh) 2023-08-03 2023-08-03 基于流域的子系统的水务数据感知和机理分析的模型系统

Country Status (1)

Country Link
CN (1) CN116842851B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120000336A (ko) * 2010-06-25 2012-01-02 한국건설기술연구원 다중 용수원을 활용한 생태용수 통합관리시스템 및 이를 이용한 관리방법
KR102100306B1 (ko) * 2019-05-29 2020-04-13 마인드원 주식회사 분류식 오수관로 유지관리 시스템 및 방법
CN112799310A (zh) * 2020-12-14 2021-05-14 中国市政工程华北设计研究总院有限公司 基于c语言的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型的方法
CN112989724A (zh) * 2021-03-26 2021-06-18 中建智能技术有限公司 流域数据处理方法及装置、电子设备、系统
CN114579686A (zh) * 2022-03-11 2022-06-03 澜途集思生态科技集团有限公司 一种流域水质水量机理模型动力学系统与方法
CN116090611A (zh) * 2022-12-20 2023-05-09 中国地质大学（武汉） 一种初雨截流设施的远程智能优化控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120000336A (ko) * 2010-06-25 2012-01-02 한국건설기술연구원 다중 용수원을 활용한 생태용수 통합관리시스템 및 이를 이용한 관리방법
KR102100306B1 (ko) * 2019-05-29 2020-04-13 마인드원 주식회사 분류식 오수관로 유지관리 시스템 및 방법
CN112799310A (zh) * 2020-12-14 2021-05-14 中国市政工程华北设计研究总院有限公司 基于c语言的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型的方法
CN112989724A (zh) * 2021-03-26 2021-06-18 中建智能技术有限公司 流域数据处理方法及装置、电子设备、系统
CN114579686A (zh) * 2022-03-11 2022-06-03 澜途集思生态科技集团有限公司 一种流域水质水量机理模型动力学系统与方法
CN116090611A (zh) * 2022-12-20 2023-05-09 中国地质大学（武汉） 一种初雨截流设施的远程智能优化控制方法

Also Published As

Publication number Publication date
CN116842851A (zh) 2023-10-03

Similar Documents

Publication Publication Date Title
CN112001610B (zh) 农业面源污染的处理方法及装置
CN111861274A (zh) 一种水环境风险预测预警方法
CN114443982A (zh) 一种大区域土壤重金属检测与时空分布特征分析方法及系统
CN105678481A (zh) 一种基于随机森林模型的管线健康状态评估方法
CN117116382B (zh) 引水工程影响下受水湖泊水质时空预测方法和系统
CN114723179A (zh) 一种基于水量水质联合管控的水环境预警溯源系统和方法
CN112348290B (zh) 河流水质预测方法、装置、存储介质及设备
CN116340723B (zh) 基于大数据的乡村水污染快速溯源方法及系统
CN114201570A (zh) 河网水质的监测方法、装置和可读存储介质
CN117113038B (zh) 城市水土流失黄泥水事件溯源方法及系统
CN115204688A (zh) 排水系统健康性综合评价方法
CN114858207A (zh) 一种基于软测量的河道排污口网格化溯源排查方法
CN115713448A (zh) 基于汇水单元的流域水污染常规因子快速溯源方法
CN115936192A (zh) 一种土壤环境污染物风险预测方法及系统
CN114595631A (zh) 一种基于efdc模型和机器学习算法的水质预测方法
CN116842851B (zh) 基于流域的子系统的水务数据感知和机理分析的模型系统
CN114814135B (zh) 一种基于多元监测的河流水质污染溯源方法及系统
CN112819378B (zh) 一种基于污染状况的河流生态流量调控方法
CN114357774A (zh) 一种基于降雨重现期的初期雨水量化识别方法和系统
CN116413318B (zh) 一种基于井盖的有毒气体联合检测方法及系统
CN114491738B (zh) 一种基于bim+gis技术的农污运维管理方法及系统
CN117371830B (zh) 基于gis技术的智慧城市的城市生态管控方法及系统
CN115309845B (zh) 基于水系编译器与机器学习处理的水污染溯源方法及系统
CN103488087B (zh) 最优的农药废液焚烧炉有害物排放达标控制系统及方法
CN115526297A (zh) 基于连续地表水水质自动站监测数据的水质预测方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240304

Address after: Building 3, No. 32 Xizhimen North Street, Haidian District, Beijing, 100080

Applicant after: BEIJING GENERAL MUNICIPAL ENGINEERING DESIGN & RESEARCH INSTITUTE Co.,Ltd.

Country or region after: China

Address before: Rooms 07, 08, 09, and 10, 9th Floor, "Xingguang Yingjing", No. 117 Shuiyin Road, Yuexiu District, Guangzhou City, Guangdong Province, 510030

Applicant before: Guangdong Branch of Beijing Municipal Engineering Design and Research Institute Co.,Ltd.

Country or region before: China

GR01 Patent grant
GR01 Patent grant