CN116976046B - 基于管网追踪的污水监控方法及系统 - Google Patents
基于管网追踪的污水监控方法及系统 Download PDFInfo
- Publication number
- CN116976046B CN116976046B CN202310695437.0A CN202310695437A CN116976046B CN 116976046 B CN116976046 B CN 116976046B CN 202310695437 A CN202310695437 A CN 202310695437A CN 116976046 B CN116976046 B CN 116976046B
- Authority
- CN
- China
- Prior art keywords
- pipe network
- line
- water quality
- nodes
- determining
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 122
- 239000010865 sewage Substances 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 233
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000004088 simulation Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 239000002351 wastewater Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 21
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000003673 groundwater Substances 0.000 description 2
- 229910001385 heavy metal Inorganic materials 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Mathematics (AREA)
- Immunology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Sewage (AREA)
Abstract
本发明公开了一种基于管网追踪的污水监控方法及系统,该方法包括:获取目标管网中多个管网节点的实时水质监控数据;根据所述多个管网节点之间的管网线路连接关系,以及所述实时水质监控数据,基于神经网络算法,确定出所述目标管网中可能存在污水问题的多个管网线路;获取每一所述管网线路的历史水质监控数据,基于动态规划算法,确定每一所述管网线路对应的预测水质数据;根据所述实时水质监控数据和所述预测水质数据,从所述多个管网线路中确定出存在污染问题的污染管网线路。可见,本发明能够实现更加合理和精确的管网污染线路的追踪和定位,以提高管网污染治理的效率和效果。
Description
技术领域
本发明涉及数据预测技术领域,尤其涉及一种基于管网追踪的污水监控方法及系统。
背景技术
随着城市化的发展和居民用水量的增长,城市中的供水排水管道设施也日益完善,供水排水管道的数量、长度和复杂度也与日剧增,对这些供水排水管道网络的污染监控或溯源工作的难度也越来越大。
现有技术在实现对管网线路的污染监控时,一般仅采用人工在应急事件出现时进行核查和溯源,没有考虑到通过水质传感设备获取的水质传感数据来实时地监控和溯源管网线路中的污染情况,也没有考虑到引入算法模型,因此其监控效果较差。可见,现有技术存在缺陷,亟需解决。
发明内容
本发明所要解决的技术问题在于,提供一种基于管网追踪的污水监控方法及系统,能够实现更加合理和精确的管网污染线路的追踪和定位,以提高管网污染治理的效率和效果。
为了解决上述技术问题,本发明第一方面公开了一种基于管网追踪的污水监控方法,所述方法包括:
获取目标管网中多个管网节点的实时水质监控数据;
根据所述多个管网节点之间的管网线路连接关系,以及所述实时水质监控数据,基于神经网络算法,确定出所述目标管网中可能存在污水问题的多个管网线路;
获取每一所述管网线路的历史水质监控数据,基于动态规划算法,确定每一所述管网线路对应的预测水质数据;
根据所述实时水质监控数据和所述预测水质数据,从所述多个管网线路中确定出存在污染问题的污染管网线路。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述多个管网节点之间的管网线路连接关系,以及所述实时水质监控数据,基于神经网络算法,确定出所述目标管网中可能存在污水问题的多个管网线路,包括:
根据所述多个管网节点之间的管网线路连接关系,确定出任意两个相邻的管网节点之间的线路连接参数,以及确定出每一管网节点对应的连接线路数量;所述线路连接参数包括线路连接距离和线路连接复杂度;
将任意两个相邻的管网节点对应的所述实时水质监控数据、所述线路连接参数和所述连接线路数量输入至预先训练好的第一神经网络模型,以得到输出的该两个相邻的管网节点对应的属于问题管网线路的预测概率;所述第一神经网络模型通过包括有多个训练用的管网节点组合对应的水质监控数据、线路连接参数和连接线路数量以及对应的是否属于问题管网线路标注的训练数据集训练得到;
根据所述多个管网节点分别对应的所述预测概率,确定出所述目标管网中可能存在污水问题的多个管网线路。
作为一种可选的实施方式,在本发明第一方面中,所述线路连接复杂度通过以下步骤计算:
获取任意两个相邻的管网节点之间的连接线路图形以及所经过区域内的地下水设施布置信息;所述连接线路图形包括多个线路部分;
根据所述地下水设施布置信息,计算每一所述线路部分的所经过区域对应的设施数量;
计算每一所述线路部分对应的曲率信息和设施权重的乘积值;所述设施权重和所述设施数量成正比;
计算所述连接线路图形中的所有所述线路部分对应的所述乘积值的平均值,得到该两个相邻的管网节点对应的线路连接复杂度。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述多个管网节点分别对应的所述预测概率,确定出所述目标管网中可能存在污水问题的多个管网线路,包括:
从所述多个管网节点对应的多组相邻节点中,筛选出多组所述预测概率大于预设的第一概率阈值的候选相邻节点;每组相邻节点或候选相邻节点中包括有两个相邻的所述管网节点;
从所述目标管网中确定出经过任意一组所述候选相邻节点的所有候选管网线路;
计算每一所述候选管网线路所经过的所有所述候选相邻节点对应的所述预测概率的平均值和离散程度值的比值;所述离散程度值为方差值或标准差值;
计算每一所述候选管网线路对应的线路参数;所述线路参数与所述比值成正比;
根据所述线路参数从大到小对所有所述候选管网线路进行排序,得到线路序列,将所述线路序列的前预设数量个所述候选管网线路,确定为所述目标管网中可能存在污水问题的多个管网线路。
作为一种可选的实施方式,在本发明第一方面中,所述基于动态规划算法,确定每一所述管网线路对应的预测水质数据,包括:
获取所述目标管网对应的动态规划模拟模型;所述动态规划模拟模型的目标函数、限制条件和状态参数通过对所述目标管网的参数进行建模和函数拟合来确定;
将每一所述管网线路对应的历史水质监控数据,输入至所述动态规划模拟模型中,并基于动态规划算法进行迭代演算,计算出每一所述管网线路对应的预测水质数据。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述实时水质监控数据和所述预测水质数据,从所述多个管网线路中确定出存在污染问题的污染管网线路,包括:
对于任一所述管网线路,计算该管网线路对应的所述实时水质监控数据和所述预测水质数据之间的差异度;
判断该管网线路对应的所述差异度是否大于预设的差异度阈值,若是,则将该管网线路确定为存在污染问题的污染管网线路。
作为一种可选的实施方式,在本发明第一方面中,所述预测水质数据包括有多个预测时间点和每一预测时间点对应的预测水质数据;所述预测时间点与所述实时水质监控数据对应的数据获取时间点之间的时间差小于预设的时间差阈值;所述计算该管网线路对应的所述实时水质监控数据和所述预测水质数据之间的差异度,包括:
计算该管网线路对应的每一所述预测时间点对应的水质数据变化率;所述水质数据变化率根据所述预测时间点的相邻的预测时间点的预测水质数据之间的差值和时间跨度的比值计算得到;
从该管网线路对应的所有所述预测时间点中筛选出所述水质数据变化率低于预设的变化率阈值的预测时间点,得到多个候选时间点;
计算该管网线路对应的所有所述候选时间点对应的预测水质数据的数据平均值;
计算该管网线路对应的所述实时水质监控数据与所述数据平均值之间的差异度。
本发明第二方面公开了一种基于管网追踪的污水监控系统,所述系统包括:
获取模块,用于获取目标管网中多个管网节点的实时水质监控数据;
第一确定模块,用于根据所述多个管网节点之间的管网线路连接关系,以及所述实时水质监控数据,基于神经网络算法,确定出所述目标管网中可能存在污水问题的多个管网线路;
第二确定模块,用于获取每一所述管网线路的历史水质监控数据,基于动态规划算法,确定每一所述管网线路对应的预测水质数据;
第三确定模块,用于根据所述实时水质监控数据和所述预测水质数据,从所述多个管网线路中确定出存在污染问题的污染管网线路。
作为一种可选的实施方式,在本发明第二方面中,所述第一确定模块根据所述多个管网节点之间的管网线路连接关系,以及所述实时水质监控数据,基于神经网络算法,确定出所述目标管网中可能存在污水问题的多个管网线路的具体方式,包括:
根据所述多个管网节点之间的管网线路连接关系,确定出任意两个相邻的管网节点之间的线路连接参数,以及确定出每一管网节点对应的连接线路数量;所述线路连接参数包括线路连接距离和线路连接复杂度;
将任意两个相邻的管网节点对应的所述实时水质监控数据、所述线路连接参数和所述连接线路数量输入至预先训练好的第一神经网络模型,以得到输出的该两个相邻的管网节点对应的属于问题管网线路的预测概率;所述第一神经网络模型通过包括有多个训练用的管网节点组合对应的水质监控数据、线路连接参数和连接线路数量以及对应的是否属于问题管网线路标注的训练数据集训练得到;
根据所述多个管网节点分别对应的所述预测概率,确定出所述目标管网中可能存在污水问题的多个管网线路。
作为一种可选的实施方式,在本发明第二方面中,所述线路连接复杂度通过以下步骤计算:
获取任意两个相邻的管网节点之间的连接线路图形以及所经过区域内的地下水设施布置信息;所述连接线路图形包括多个线路部分;
根据所述地下水设施布置信息,计算每一所述线路部分的所经过区域对应的设施数量;
计算每一所述线路部分对应的曲率信息和设施权重的乘积值;所述设施权重和所述设施数量成正比;
计算所述连接线路图形中的所有所述线路部分对应的所述乘积值的平均值,得到该两个相邻的管网节点对应的线路连接复杂度。
作为一种可选的实施方式,在本发明第二方面中,所述第一确定模块根据所述多个管网节点分别对应的所述预测概率,确定出所述目标管网中可能存在污水问题的多个管网线路的具体方式,包括:
从所述多个管网节点对应的多组相邻节点中,筛选出多组所述预测概率大于预设的第一概率阈值的候选相邻节点;每组相邻节点或候选相邻节点中包括有两个相邻的所述管网节点;
从所述目标管网中确定出经过任意一组所述候选相邻节点的所有候选管网线路;
计算每一所述候选管网线路所经过的所有所述候选相邻节点对应的所述预测概率的平均值和离散程度值的比值;所述离散程度值为方差值或标准差值;
计算每一所述候选管网线路对应的线路参数;所述线路参数与所述比值成正比;
根据所述线路参数从大到小对所有所述候选管网线路进行排序,得到线路序列,将所述线路序列的前预设数量个所述候选管网线路,确定为所述目标管网中可能存在污水问题的多个管网线路。
作为一种可选的实施方式,在本发明第二方面中,所述第二确定模块基于动态规划算法,确定每一所述管网线路对应的预测水质数据的具体方式,包括:
获取所述目标管网对应的动态规划模拟模型;所述动态规划模拟模型的目标函数、限制条件和状态参数通过对所述目标管网的参数进行建模和函数拟合来确定;
将每一所述管网线路对应的历史水质监控数据,输入至所述动态规划模拟模型中,并基于动态规划算法进行迭代演算,计算出每一所述管网线路对应的预测水质数据。
作为一种可选的实施方式,在本发明第二方面中,所述第三确定模块根据所述实时水质监控数据和所述预测水质数据,从所述多个管网线路中确定出存在污染问题的污染管网线路的具体方式,包括:
对于任一所述管网线路,计算该管网线路对应的所述实时水质监控数据和所述预测水质数据之间的差异度;
判断该管网线路对应的所述差异度是否大于预设的差异度阈值,若是,则将该管网线路确定为存在污染问题的污染管网线路。
作为一种可选的实施方式,在本发明第二方面中,所述预测水质数据包括有多个预测时间点和每一预测时间点对应的预测水质数据;所述预测时间点与所述实时水质监控数据对应的数据获取时间点之间的时间差小于预设的时间差阈值;所述第三确定模块计算该管网线路对应的所述实时水质监控数据和所述预测水质数据之间的差异度的具体方式,包括:
计算该管网线路对应的每一所述预测时间点对应的水质数据变化率;所述水质数据变化率根据所述预测时间点的相邻的预测时间点的预测水质数据之间的差值和时间跨度的比值计算得到;
从该管网线路对应的所有所述预测时间点中筛选出所述水质数据变化率低于预设的变化率阈值的预测时间点,得到多个候选时间点;
计算该管网线路对应的所有所述候选时间点对应的预测水质数据的数据平均值;
计算该管网线路对应的所述实时水质监控数据与所述数据平均值之间的差异度。
本发明第三方面公开了另一种基于管网追踪的污水监控系统,所述系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的基于管网追踪的污水监控方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明第一方面公开的基于管网追踪的污水监控方法中的部分或全部步骤。
与现有技术相比,本发明具有以下有益效果:
本发明能够基于神经网络算法确定出疑似污染线路,再通过动态规划算法预测疑似污染线路对应的正常水质数据,以用于进一步确定线路是否被污染,从而能够实现更加合理和精确的管网污染线路的追踪和定位,以提高管网污染治理的效率和效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1是本发明实施例公开的一种基于管网追踪的污水监控方法的流程示意图;
图2是本发明实施例公开的一种基于管网追踪的污水监控系统的结构示意图;
图3是本发明实施例公开的另一种基于管网追踪的污水监控系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于管网追踪的污水监控方法及系统,能够基于神经网络算法确定出疑似污染线路,再通过动态规划算法预测疑似污染线路对应的正常水质数据,以用于进一步确定线路是否被污染,从而能够实现更加合理和精确的管网污染线路的追踪和定位,以提高管网污染治理的效率和效果。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于管网追踪的污水监控方法的流程示意图。其中,图1所描述的方法可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定如图1所示,该基于管网追踪的污水监控方法可以包括以下操作:
101、获取目标管网中多个管网节点的实时水质监控数据。
可选的,本发明中所述的水质监控数据,可以为设置在管网节点的不同类型的水质传感器获取到的,包括BOD参数、COD参数、DO参数、pH参数、SS参数、NH3-N参数、LAS参数、水温参数、油参数、重金属参数中的一种或多种。
可选的,目标管网可以为供水管网或排水管网或两者的的结合,其一般由多条管网线路组成,而管网节点一般为处于管网线路上的特定的供水或排水设施设置的地方,也可以为人工设定的供水或排水线路上的节点位置。
102、根据多个管网节点之间的管网线路连接关系,以及实时水质监控数据,基于神经网络算法,确定出目标管网中可能存在污水问题的多个管网线路。
103、获取每一管网线路的历史水质监控数据,基于动态规划算法,确定每一管网线路对应的预测水质数据。
104、根据实时水质监控数据和预测水质数据,从多个管网线路中确定出存在污染问题的污染管网线路。
可见,实施本发明实施例所描述的方法能够基于神经网络算法确定出疑似污染线路,再通过动态规划算法预测疑似污染线路对应的正常水质数据,以用于进一步确定线路是否被污染,从而能够实现更加合理和精确的管网污染线路的追踪和定位,以提高管网污染治理的效率和效果。
作为一种可选的实施例,上述步骤中的,根据多个管网节点之间的管网线路连接关系,以及实时水质监控数据,基于神经网络算法,确定出目标管网中可能存在污水问题的多个管网线路,包括:
根据多个管网节点之间的管网线路连接关系,确定出任意两个相邻的管网节点之间的线路连接参数,以及确定出每一管网节点对应的连接线路数量;将任意两个相邻的管网节点对应的实时水质监控数据、线路连接参数和连接线路数量输入至预先训练好的第一神经网络模型,以得到输出的该两个相邻的管网节点对应的属于问题管网线路的预测概率;第一神经网络模型通过包括有多个训练用的管网节点组合对应的水质监控数据、线路连接参数和连接线路数量以及对应的是否属于问题管网线路标注的训练数据集训练得到;
根据多个管网节点分别对应的预测概率,确定出目标管网中可能存在污水问题的多个管网线路。
可选的,线路连接参数包括线路连接距离和线路连接复杂度,线路连接距离为两个管网节点之间的连接线路的长度,而线路连接复杂度用于表征两个管网节点之间的连接线路的复杂程度,例如其弯曲的程度或经过的设施的复杂程度。
可选的,线路连接数量为该管网节点所连接的(也即所在的)所有管网线路的数量。
可见,实施该可选的实施例可以根据任意两个相邻的管网节点对应的实时水质监控数据、线路连接参数和连接线路数量以及训练好的神经网络来确定其属于问题线路的概率,并后续根据该概率来筛选问题线路,从而能够根据管网节点之间的关联数据来更加精确地预测其存在问题的概率,以在后续实现更加合理和精确的管网污染线路的追踪和定位,以提高管网污染治理的效率和效果。
作为一种可选的实施例,上述步骤中的,线路连接复杂度通过以下步骤计算:
获取任意两个相邻的管网节点之间的连接线路图形以及所经过区域内的地下水设施布置信息;连接线路图形包括多个线路部分;
根据地下水设施布置信息,计算每一线路部分的所经过区域对应的设施数量;
计算每一线路部分对应的曲率信息和设施权重的乘积值;设施权重和设施数量成正比;
计算连接线路图形中的所有线路部分对应的乘积值的平均值,得到该两个相邻的管网节点对应的线路连接复杂度。
可选的,地下水设施为设置在地下的供水设施或排水设施,例如水泵设施、水加压设施或水过滤设施。
可见,实施该可选的实施例可以两个相邻的管网节点之间的连接线路图形以及所经过区域内的地下水设施布置信息来确定其对应的线路连接复杂度,并后续根据该线路连接复杂度来预测其属于问题线路的线路,从而能够准确计算线路复杂度,并用于更加精确地预测节点存在问题的概率,以在后续实现更加合理和精确的管网污染线路的追踪和定位,以提高管网污染治理的效率和效果。
作为一种可选的实施例,上述步骤中的,根据多个管网节点分别对应的预测概率,确定出目标管网中可能存在污水问题的多个管网线路,包括:
从多个管网节点对应的多组相邻节点中,筛选出多组预测概率大于预设的第一概率阈值的候选相邻节点;每组相邻节点或候选相邻节点中包括有两个相邻的管网节点;
从目标管网中确定出经过任意一组候选相邻节点的所有候选管网线路;
计算每一候选管网线路所经过的所有候选相邻节点对应的预测概率的平均值和离散程度值的比值;离散程度值为方差值或标准差值;
计算每一候选管网线路对应的线路参数;线路参数与上述比值成正比;
根据线路参数从大到小对所有候选管网线路进行排序,得到线路序列,将线路序列的前预设数量个候选管网线路,确定为目标管网中可能存在污水问题的多个管网线路。
可见,实施该可选的实施例根据线路参数来筛选出可能存在污水问题的多个管网线路,该线路参数在线路的预测问题概率高以及所有节点的预测情况较为统一时更高,可以表征更加统一准确的问题线路预测,从而能够实现更加合理和精确的管网污染线路的追踪和定位,以提高管网污染治理的效率和效果。
作为一种可选的实施例,上述步骤中的,基于动态规划算法,确定每一管网线路对应的预测水质数据,包括:
获取目标管网对应的动态规划模拟模型;动态规划模拟模型的目标函数、限制条件和状态参数通过对目标管网的参数进行建模和函数拟合来确定;
将每一管网线路对应的历史水质监控数据,输入至动态规划模拟模型中,并基于动态规划算法进行迭代演算,计算出每一管网线路对应的预测水质数据。
可选的,动态规划模拟模型可以为粒子群算法模型,其目标函数、限制条件和状态参数等模型的演算条件,均可以由操作人员根据对目标管网的参数进行提前的研究和分析来确定,并可以在实际应用中不断通过实时水质数据的演算来调整,以达到精确模拟目标管网的水质变化的效果。
可见,实施该可选的实施例根据目标管网对应的动态规划模拟模型来演算出每一管网线路对应的预测水质数据,该预测水质数据可以充分表征管网线路在没有突发污染情况时的正常水质数据,可以在后续用来与实时水质数据进行比较以确定污染情况,从而能够实现更加合理和精确的管网污染线路的追踪和定位,以提高管网污染治理的效率和效果。
作为一种可选的实施例,上述步骤中的,根据实时水质监控数据和预测水质数据,从多个管网线路中确定出存在污染问题的污染管网线路,包括:
对于任一管网线路,计算该管网线路对应的实时水质监控数据和预测水质数据之间的差异度;
判断该管网线路对应的差异度是否大于预设的差异度阈值,若是,则将该管网线路确定为存在污染问题的污染管网线路。
可选的,差异度可以为多个水质数据的差值之间的平均值或加权平均值,或是直接计算实时水质监控数据和预测水质数据之间的向量距离,或是通过其他用于评价数据差异度的算法来计算。
可见,实施该可选的实施例根据实时水质监控数据和预测水质数据之间的差异度来确定出存在污染问题的污染管网线路,从而能够实现更加合理和精确的管网污染线路的追踪和定位,以提高管网污染治理的效率和效果。
作为一种可选的实施例,上述动态规划模拟模型输出的预测水质数据可以包括有多个预测时间点和每一预测时间点对应的预测水质数据,其中预测时间点与实时水质监控数据对应的数据获取时间点之间的时间差小于预设的时间差阈值,也即可以控制动态规划模拟算法输出实时监控时间附近的时间对应的预测数据以用于后续的数据比对。
相应的,上述步骤中的,计算该管网线路对应的实时水质监控数据和预测水质数据之间的差异度,包括:
计算该管网线路对应的每一预测时间点对应的水质数据变化率;
从该管网线路对应的所有预测时间点中筛选出水质数据变化率低于预设的变化率阈值的预测时间点,得到多个候选时间点;
计算该管网线路对应的所有候选时间点对应的预测水质数据的数据平均值;
计算该管网线路对应的实时水质监控数据与数据平均值之间的差异度。
可选的,水质数据变化率根据预测时间点的相邻的预测时间点的预测水质数据之间的差值和时间跨度的比值计算得到,例如可以计算预测时间点与上一相邻时间点对应的预测水质数据之间的差值与两个时间点之间的时间差值的比值,来得到水质数据变化率,或是计算预测时间点与下一相邻时间点的该比值,以此类推。
可见,实施该可选的实施例可以先根据水质数据变化率筛选出预测结果较为稳定的时间点的预测数据,再通过这些数据来计算管网线路对应的差异度,使得该差异度可以更准确地表征管网线路对应的异常情况,从而能够实现更加合理和精确的管网污染线路的追踪和定位,以提高管网污染治理的效率和效果。
实施例二
请参阅图2,图2是本发明实施例公开的一种基于管网追踪的污水监控系统的结构示意图。其中,图2所描述的系统可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定。如图2所示,该系统可以包括:
获取模块201,用于获取目标管网中多个管网节点的实时水质监控数据。
可选的,本发明中所述的水质监控数据,可以为设置在管网节点的不同类型的水质传感器获取到的,包括BOD参数、COD参数、DO参数、pH参数、SS参数、NH3-N参数、LAS参数、水温参数、油参数、重金属参数中的一种或多种。
可选的,目标管网可以为供水管网或排水管网或两者的的结合,其一般由多条管网线路组成,而管网节点一般为处于管网线路上的特定的供水或排水设施设置的地方,也可以为人工设定的供水或排水线路上的节点位置。
第一确定模块202,用于根据多个管网节点之间的管网线路连接关系,以及实时水质监控数据,基于神经网络算法,确定出目标管网中可能存在污水问题的多个管网线路。
第二确定模块203,用于获取每一管网线路的历史水质监控数据,基于动态规划算法,确定每一管网线路对应的预测水质数据。
第三确定模块204,用于根据实时水质监控数据和预测水质数据,从多个管网线路中确定出存在污染问题的污染管网线路。
可见,实施本发明实施例所描述的装置能够基于神经网络算法确定出疑似污染线路,再通过动态规划算法预测疑似污染线路对应的正常水质数据,以用于进一步确定线路是否被污染,从而能够实现更加合理和精确的管网污染线路的追踪和定位,以提高管网污染治理的效率和效果。
作为一种可选的实施例,第一确定模块202根据多个管网节点之间的管网线路连接关系,以及实时水质监控数据,基于神经网络算法,确定出目标管网中可能存在污水问题的多个管网线路的具体方式,包括:
根据多个管网节点之间的管网线路连接关系,确定出任意两个相邻的管网节点之间的线路连接参数,以及确定出每一管网节点对应的连接线路数量;将任意两个相邻的管网节点对应的实时水质监控数据、线路连接参数和连接线路数量输入至预先训练好的第一神经网络模型,以得到输出的该两个相邻的管网节点对应的属于问题管网线路的预测概率;第一神经网络模型通过包括有多个训练用的管网节点组合对应的水质监控数据、线路连接参数和连接线路数量以及对应的是否属于问题管网线路标注的训练数据集训练得到;
根据多个管网节点分别对应的预测概率,确定出目标管网中可能存在污水问题的多个管网线路。
可选的,线路连接参数包括线路连接距离和线路连接复杂度,线路连接距离为两个管网节点之间的连接线路的长度,而线路连接复杂度用于表征两个管网节点之间的连接线路的复杂程度,例如其弯曲的程度或经过的设施的复杂程度。
可选的,线路连接数量为该管网节点所连接的(也即所在的)所有管网线路的数量。
可见,实施该可选的实施例可以根据任意两个相邻的管网节点对应的实时水质监控数据、线路连接参数和连接线路数量以及训练好的神经网络来确定其属于问题线路的概率,并后续根据该概率来筛选问题线路,从而能够根据管网节点之间的关联数据来更加精确地预测其存在问题的概率,以在后续实现更加合理和精确的管网污染线路的追踪和定位,以提高管网污染治理的效率和效果。
作为一种可选的实施例,线路连接复杂度通过以下步骤计算:
获取任意两个相邻的管网节点之间的连接线路图形以及所经过区域内的地下水设施布置信息;连接线路图形包括多个线路部分;
根据地下水设施布置信息,计算每一线路部分的所经过区域对应的设施数量;
计算每一线路部分对应的曲率信息和设施权重的乘积值;设施权重和设施数量成正比;
计算连接线路图形中的所有线路部分对应的乘积值的平均值,得到该两个相邻的管网节点对应的线路连接复杂度。
可选的,地下水设施为设置在地下的供水设施或排水设施,例如水泵设施、水加压设施或水过滤设施。
可见,实施该可选的实施例可以两个相邻的管网节点之间的连接线路图形以及所经过区域内的地下水设施布置信息来确定其对应的线路连接复杂度,并后续根据该线路连接复杂度来预测其属于问题线路的线路,从而能够准确计算线路复杂度,并用于更加精确地预测节点存在问题的概率,以在后续实现更加合理和精确的管网污染线路的追踪和定位,以提高管网污染治理的效率和效果。
作为一种可选的实施例,第一确定模块202根据多个管网节点分别对应的预测概率,确定出目标管网中可能存在污水问题的多个管网线路的具体方式,包括:
从多个管网节点对应的多组相邻节点中,筛选出多组预测概率大于预设的第一概率阈值的候选相邻节点;每组相邻节点或候选相邻节点中包括有两个相邻的管网节点;
从目标管网中确定出经过任意一组候选相邻节点的所有候选管网线路;
计算每一候选管网线路所经过的所有候选相邻节点对应的预测概率的平均值和离散程度值的比值;离散程度值为方差值或标准差值;
计算每一候选管网线路对应的线路参数;线路参数与比值成正比;
根据线路参数从大到小对所有候选管网线路进行排序,得到线路序列,将线路序列的前预设数量个候选管网线路,确定为目标管网中可能存在污水问题的多个管网线路。
可见,实施该可选的实施例根据线路参数来筛选出可能存在污水问题的多个管网线路,该线路参数在线路的预测问题概率高以及所有节点的预测情况较为统一时更高,可以表征更加统一准确的问题线路预测,从而能够实现更加合理和精确的管网污染线路的追踪和定位,以提高管网污染治理的效率和效果。
作为一种可选的实施例,第二确定模块203基于动态规划算法,确定每一管网线路对应的预测水质数据的具体方式,包括:
获取目标管网对应的动态规划模拟模型;动态规划模拟模型的目标函数、限制条件和状态参数通过对目标管网的参数进行建模和函数拟合来确定;
将每一管网线路对应的历史水质监控数据,输入至动态规划模拟模型中,并基于动态规划算法进行迭代演算,计算出每一管网线路对应的预测水质数据。
可选的,动态规划模拟模型可以为粒子群算法模型,其目标函数、限制条件和状态参数等模型的演算条件,均可以由操作人员根据对目标管网的参数进行提前的研究和分析来确定,并可以在实际应用中不断通过实时水质数据的演算来调整,以达到精确模拟目标管网的水质变化的效果。
可见,实施该可选的实施例根据目标管网对应的动态规划模拟模型来演算出每一管网线路对应的预测水质数据,该预测水质数据可以充分表征管网线路在没有突发污染情况时的正常水质数据,可以在后续用来与实时水质数据进行比较以确定污染情况,从而能够实现更加合理和精确的管网污染线路的追踪和定位,以提高管网污染治理的效率和效果。
作为一种可选的实施例,第三确定模块204根据实时水质监控数据和预测水质数据,从多个管网线路中确定出存在污染问题的污染管网线路的具体方式,包括:
对于任一管网线路,计算该管网线路对应的实时水质监控数据和预测水质数据之间的差异度;
判断该管网线路对应的差异度是否大于预设的差异度阈值,若是,则将该管网线路确定为存在污染问题的污染管网线路。
可选的,差异度可以为多个水质数据的差值之间的平均值或加权平均值,或是直接计算实时水质监控数据和预测水质数据之间的向量距离,或是通过其他用于评价数据差异度的算法来计算。
可见,实施该可选的实施例根据实时水质监控数据和预测水质数据之间的差异度来确定出存在污染问题的污染管网线路,从而能够实现更加合理和精确的管网污染线路的追踪和定位,以提高管网污染治理的效率和效果。
作为一种可选的实施例,上述动态规划模拟模型输出的预测水质数据可以包括有多个预测时间点和每一预测时间点对应的预测水质数据,其中预测时间点与实时水质监控数据对应的数据获取时间点之间的时间差小于预设的时间差阈值,也即可以控制动态规划模拟算法输出实时监控时间附近的时间对应的预测数据以用于后续的数据比对。
相应的,第三确定模块204计算该管网线路对应的实时水质监控数据和预测水质数据之间的差异度的具体方式,包括:
计算该管网线路对应的每一预测时间点对应的水质数据变化率;
从该管网线路对应的所有预测时间点中筛选出水质数据变化率低于预设的变化率阈值的预测时间点,得到多个候选时间点;
计算该管网线路对应的所有候选时间点对应的预测水质数据的数据平均值;
计算该管网线路对应的实时水质监控数据与数据平均值之间的差异度。
可选的,水质数据变化率根据预测时间点的相邻的预测时间点的预测水质数据之间的差值和时间跨度的比值计算得到,例如可以计算预测时间点与上一相邻时间点对应的预测水质数据之间的差值与两个时间点之间的时间差值的比值,来得到水质数据变化率,或是计算预测时间点与下一相邻时间点的该比值,以此类推。
可见,实施该可选的实施例可以先根据水质数据变化率筛选出预测结果较为稳定的时间点的预测数据,再通过这些数据来计算管网线路对应的差异度,使得该差异度可以更准确地表征管网线路对应的异常情况,从而能够实现更加合理和精确的管网污染线路的追踪和定位,以提高管网污染治理的效率和效果。
实施例三
请参阅图3,图3是本发明实施例公开的另一种基于管网追踪的污水监控系统的结构示意图。如图3所示,该系统可以包括:
存储有可执行程序代码的存储器301;
与存储器301耦合的处理器302;
处理器302调用存储器301中存储的可执行程序代码,执行本发明实施例一公开的基于管网追踪的污水监控方法中的部分或全部步骤。
实施例四
本发明实施例公开了一种计算机存储介质,该计算机存储介质存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一公开的基于管网追踪的污水监控方法中的部分或全部步骤。
以上所描述的系统实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于管网追踪的污水监控方法及系统所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (7)
1.一种基于管网追踪的污水监控方法,其特征在于,所述方法包括:
获取目标管网中多个管网节点的实时水质监控数据;
根据所述多个管网节点之间的管网线路连接关系,以及所述实时水质监控数据,基于神经网络算法,确定出所述目标管网中可能存在污水问题的多个管网线路;所述根据所述多个管网节点之间的管网线路连接关系,以及所述实时水质监控数据,基于神经网络算法,确定出所述目标管网中可能存在污水问题的多个管网线路,包括:
根据所述多个管网节点之间的管网线路连接关系,确定出任意两个相邻的管网节点之间的线路连接参数,以及确定出每一管网节点对应的连接线路数量;所述线路连接参数包括线路连接距离和线路连接复杂度;
将任意两个相邻的管网节点对应的所述实时水质监控数据、所述线路连接参数和所述连接线路数量输入至预先训练好的第一神经网络模型,以得到输出的该两个相邻的管网节点对应的属于问题管网线路的预测概率;所述第一神经网络模型通过包括有多个训练用的管网节点组合对应的水质监控数据、线路连接参数和连接线路数量以及对应的是否属于问题管网线路标注的训练数据集训练得到;
根据所述多个管网节点分别对应的所述预测概率,确定出所述目标管网中可能存在污水问题的多个管网线路;所述根据所述多个管网节点分别对应的所述预测概率,确定出所述目标管网中可能存在污水问题的多个管网线路,包括:
从所述多个管网节点对应的多组相邻节点中,筛选出多组所述预测概率大于预设的第一概率阈值的候选相邻节点;每组相邻节点或候选相邻节点中包括有两个相邻的所述管网节点;
从所述目标管网中确定出经过任意一组所述候选相邻节点的所有候选管网线路;
计算每一所述候选管网线路所经过的所有所述候选相邻节点对应的所述预测概率的平均值和离散程度值的比值;所述离散程度值为方差值或标准差值;
计算每一所述候选管网线路对应的线路参数;所述线路参数与所述比值成正比;
根据所述线路参数从大到小对所有所述候选管网线路进行排序,得到线路序列,将所述线路序列的前预设数量个所述候选管网线路,确定为所述目标管网中可能存在污水问题的多个管网线路;
获取每一所述管网线路的历史水质监控数据,基于动态规划算法,确定每一所述管网线路对应的预测水质数据;所述基于动态规划算法,确定每一所述管网线路对应的预测水质数据,包括:
获取所述目标管网对应的动态规划模拟模型;所述动态规划模拟模型的目标函数、限制条件和状态参数通过对所述目标管网的参数进行建模和函数拟合来确定;
将每一所述管网线路对应的历史水质监控数据,输入至所述动态规划模拟模型中,并基于动态规划算法进行迭代演算,计算出每一所述管网线路对应的预测水质数据;
根据所述实时水质监控数据和所述预测水质数据,从所述多个管网线路中确定出存在污染问题的污染管网线路。
2.根据权利要求1所述的基于管网追踪的污水监控方法,其特征在于,所述线路连接复杂度通过以下步骤计算:
获取任意两个相邻的管网节点之间的连接线路图形以及所经过区域内的地下水设施布置信息;所述连接线路图形包括多个线路部分;
根据所述地下水设施布置信息,计算每一所述线路部分的所经过区域对应的设施数量;
计算每一所述线路部分对应的曲率信息和设施权重的乘积值;所述设施权重和所述设施数量成正比;
计算所述连接线路图形中的所有所述线路部分对应的所述乘积值的平均值,得到该两个相邻的管网节点对应的线路连接复杂度。
3.根据权利要求1所述的基于管网追踪的污水监控方法,其特征在于,所述根据所述实时水质监控数据和所述预测水质数据,从所述多个管网线路中确定出存在污染问题的污染管网线路,包括:
对于任一所述管网线路,计算该管网线路对应的所述实时水质监控数据和所述预测水质数据之间的差异度;
判断该管网线路对应的所述差异度是否大于预设的差异度阈值,若是,则将该管网线路确定为存在污染问题的污染管网线路。
4.根据权利要求3所述的基于管网追踪的污水监控方法,其特征在于,所述预测水质数据包括有多个预测时间点和每一预测时间点对应的预测水质数据;所述预测时间点与所述实时水质监控数据对应的数据获取时间点之间的时间差小于预设的时间差阈值;所述计算该管网线路对应的所述实时水质监控数据和所述预测水质数据之间的差异度,包括:
计算该管网线路对应的每一所述预测时间点对应的水质数据变化率;所述水质数据变化率根据所述预测时间点的相邻的预测时间点的预测水质数据之间的差值和时间跨度的比值计算得到;
从该管网线路对应的所有所述预测时间点中筛选出所述水质数据变化率低于预设的变化率阈值的预测时间点,得到多个候选时间点;
计算该管网线路对应的所有所述候选时间点对应的预测水质数据的数据平均值;
计算该管网线路对应的所述实时水质监控数据与所述数据平均值之间的差异度。
5.一种基于管网追踪的污水监控系统,其特征在于,所述系统包括:
获取模块,用于获取目标管网中多个管网节点的实时水质监控数据;
第一确定模块,用于根据所述多个管网节点之间的管网线路连接关系,以及所述实时水质监控数据,基于神经网络算法,确定出所述目标管网中可能存在污水问题的多个管网线路;所述第一确定模块根据所述多个管网节点之间的管网线路连接关系,以及所述实时水质监控数据,基于神经网络算法,确定出所述目标管网中可能存在污水问题的多个管网线路的具体方式,包括:
根据所述多个管网节点之间的管网线路连接关系,确定出任意两个相邻的管网节点之间的线路连接参数,以及确定出每一管网节点对应的连接线路数量;所述线路连接参数包括线路连接距离和线路连接复杂度;
将任意两个相邻的管网节点对应的所述实时水质监控数据、所述线路连接参数和所述连接线路数量输入至预先训练好的第一神经网络模型,以得到输出的该两个相邻的管网节点对应的属于问题管网线路的预测概率;所述第一神经网络模型通过包括有多个训练用的管网节点组合对应的水质监控数据、线路连接参数和连接线路数量以及对应的是否属于问题管网线路标注的训练数据集训练得到;
根据所述多个管网节点分别对应的所述预测概率,确定出所述目标管网中可能存在污水问题的多个管网线路;所述第一确定模块根据所述多个管网节点分别对应的所述预测概率,确定出所述目标管网中可能存在污水问题的多个管网线路的具体方式,包括:
从所述多个管网节点对应的多组相邻节点中,筛选出多组所述预测概率大于预设的第一概率阈值的候选相邻节点;每组相邻节点或候选相邻节点中包括有两个相邻的所述管网节点;
从所述目标管网中确定出经过任意一组所述候选相邻节点的所有候选管网线路;
计算每一所述候选管网线路所经过的所有所述候选相邻节点对应的所述预测概率的平均值和离散程度值的比值;所述离散程度值为方差值或标准差值;
计算每一所述候选管网线路对应的线路参数;所述线路参数与所述比值成正比;
根据所述线路参数从大到小对所有所述候选管网线路进行排序,得到线路序列,将所述线路序列的前预设数量个所述候选管网线路,确定为所述目标管网中可能存在污水问题的多个管网线路; 第二确定模块,用于获取每一所述管网线路的历史水质监控数据,基于动态规划算法,确定每一所述管网线路对应的预测水质数据;所述第二确定模块基于动态规划算法,确定每一所述管网线路对应的预测水质数据的具体方式,包括:
获取所述目标管网对应的动态规划模拟模型;所述动态规划模拟模型的目标函数、限制条件和状态参数通过对所述目标管网的参数进行建模和函数拟合来确定;
将每一所述管网线路对应的历史水质监控数据,输入至所述动态规划模拟模型中,并基于动态规划算法进行迭代演算,计算出每一所述管网线路对应的预测水质数据;
第三确定模块,用于根据所述实时水质监控数据和所述预测水质数据,从所述多个管网线路中确定出存在污染问题的污染管网线路。
6.一种基于管网追踪的污水监控系统,其特征在于,所述系统适用于智能卡,所述系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-4任一项所述的基于管网追踪的污水监控方法。
7.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-4任一项所述的基于管网追踪的污水监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310695437.0A CN116976046B (zh) | 2023-06-12 | 2023-06-12 | 基于管网追踪的污水监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310695437.0A CN116976046B (zh) | 2023-06-12 | 2023-06-12 | 基于管网追踪的污水监控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116976046A CN116976046A (zh) | 2023-10-31 |
CN116976046B true CN116976046B (zh) | 2024-04-05 |
Family
ID=88470252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310695437.0A Active CN116976046B (zh) | 2023-06-12 | 2023-06-12 | 基于管网追踪的污水监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976046B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929359A (zh) * | 2019-11-20 | 2020-03-27 | 合肥泽众城市智能科技有限公司 | 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法 |
CN112182984A (zh) * | 2020-08-18 | 2021-01-05 | 浙江大学 | 一种基于供水物联网数据同化的污水管网实时模拟方法 |
CN112733443A (zh) * | 2020-12-31 | 2021-04-30 | 北京工业大学 | 一种基于虚拟监测点的供水管网模型参数优化校核方法 |
CN114444259A (zh) * | 2021-12-20 | 2022-05-06 | 浙江仁欣环科院有限责任公司 | 一种雨污管网溯源追踪系统及方法 |
CN115031776A (zh) * | 2022-05-12 | 2022-09-09 | 浙江中控信息产业股份有限公司 | 一种排水管网淤积监测分析的方法 |
CN116128674A (zh) * | 2023-04-14 | 2023-05-16 | 广州云硕科技发展有限公司 | 一种基于智能交通的能源数据处理方法及装置 |
CN116187203A (zh) * | 2023-04-20 | 2023-05-30 | 武汉大学 | 一种流域水质预测方法、系统、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6936200B2 (ja) * | 2018-09-28 | 2021-09-15 | 株式会社日立製作所 | 漏水検知システムおよび方法 |
-
2023
- 2023-06-12 CN CN202310695437.0A patent/CN116976046B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929359A (zh) * | 2019-11-20 | 2020-03-27 | 合肥泽众城市智能科技有限公司 | 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法 |
CN112182984A (zh) * | 2020-08-18 | 2021-01-05 | 浙江大学 | 一种基于供水物联网数据同化的污水管网实时模拟方法 |
WO2022036820A1 (zh) * | 2020-08-18 | 2022-02-24 | 浙江大学 | 一种基于供水物联网数据同化的污水管网实时模拟方法 |
CN112733443A (zh) * | 2020-12-31 | 2021-04-30 | 北京工业大学 | 一种基于虚拟监测点的供水管网模型参数优化校核方法 |
CN114444259A (zh) * | 2021-12-20 | 2022-05-06 | 浙江仁欣环科院有限责任公司 | 一种雨污管网溯源追踪系统及方法 |
CN115031776A (zh) * | 2022-05-12 | 2022-09-09 | 浙江中控信息产业股份有限公司 | 一种排水管网淤积监测分析的方法 |
CN116128674A (zh) * | 2023-04-14 | 2023-05-16 | 广州云硕科技发展有限公司 | 一种基于智能交通的能源数据处理方法及装置 |
CN116187203A (zh) * | 2023-04-20 | 2023-05-30 | 武汉大学 | 一种流域水质预测方法、系统、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
基于BP神经网络的城市污水泵站预测模型;徐哲等;《控制工程》;20100720;501-503+508 * |
污水处理智能控制技术及其在精准曝气中的应用;王丽等;《净水技术》;20220615;1-7+19 * |
Also Published As
Publication number | Publication date |
---|---|
CN116976046A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310968B (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
JP2003027567A (ja) | 下水流入量予測装置および方法、サーバ装置 | |
CN110836683A (zh) | 河道管理方法、河道管理装置及终端 | |
CN112183906B (zh) | 一种基于多模型组合模型的机房环境预测方法及系统 | |
CN116187552A (zh) | 异常检测方法、计算设备及计算机存储介质 | |
KR20210109160A (ko) | 빅데이터 및 인공지능 기반 하수 유입수 예측방법, 그리고 이를 포함하는 저장매체 | |
Valentin et al. | A neural network-based software sensor for coagulation control in a water treatment plant | |
CN114418214A (zh) | 管网淤堵分析方法、装置、计算机设备及存储介质 | |
CN107632521B (zh) | 一种基于决策树和神经网络的恒电位仪控制方法 | |
CN116050595A (zh) | 一种注意力机制与分解机制耦合的径流量预测方法 | |
CN116822115A (zh) | 一种基于数字孪生技术的智慧园区的环境管理方法及系统 | |
CN116976046B (zh) | 基于管网追踪的污水监控方法及系统 | |
Kwon et al. | Comparative evaluation of adaptive and neural-network exit demand prediction for freeway control | |
CN117077854B (zh) | 基于传感器网络的楼宇能耗监控方法及系统 | |
CN115660413B (zh) | 一种用于污染场地地下水的风险管控系统 | |
CN116822366A (zh) | 一种径流污染负荷计算模型构建和径流污染负荷计算方法 | |
CN113931270B (zh) | 一种基于深度学习的截流井智能监控系统及监控方法 | |
Valentin et al. | An hybrid neural network based system for optimization of coagulant dosing in a water treatment plant | |
CN115330088A (zh) | 一种小型水库的防洪精细化预测方法 | |
CN115293293A (zh) | 一种雨型模糊识别评估方法、系统及终端设备 | |
CN116128144B (zh) | 一种城市排水管网分区联动管理方法及系统 | |
CN116823067B (zh) | 管网水质清污状态的确定方法、装置及电子设备 | |
CN115081095B (zh) | 一种基于人工智能的排水系统 | |
CN109596163B (zh) | 预测断面水质参数数据的方法及装置 | |
CN117192063B (zh) | 基于耦合卡尔曼滤波数据同化的水质预测方法及系统 |
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 |