CN117408440B - 基于多维传感器的河道排污口污水智能处理方法及系统 - Google Patents
基于多维传感器的河道排污口污水智能处理方法及系统 Download PDFInfo
- Publication number
- CN117408440B CN117408440B CN202311724713.8A CN202311724713A CN117408440B CN 117408440 B CN117408440 B CN 117408440B CN 202311724713 A CN202311724713 A CN 202311724713A CN 117408440 B CN117408440 B CN 117408440B
- Authority
- CN
- China
- Prior art keywords
- pollutant
- data
- sequence
- data sequence
- sewage
- 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
- 239000010865 sewage Substances 0.000 title claims abstract description 197
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 388
- 231100000719 pollutant Toxicity 0.000 claims abstract description 388
- 230000002159 abnormal effect Effects 0.000 claims abstract description 77
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 239000000356 contaminant Substances 0.000 claims description 71
- 239000011159 matrix material Substances 0.000 claims description 46
- 238000011109 contamination Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 230000011218 segmentation Effects 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000001276 controlling effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 2
- 238000005868 electrolysis reaction Methods 0.000 description 2
- 238000003903 river water pollution Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009388 chemical precipitation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Sewage (AREA)
Abstract
本发明涉及污水处理技术领域，提出了基于多维传感器的河道排污口污水智能处理方法及系统，包括：获取排污口污水监测数据；根据排污口污水监测数据获取污水污染物含量序列；根据污水污染物含量序列分别获取主要污染物数据序列、次要污染物数据序列，根据主要污染物数据序列和次要污染物数据序列计算污染物连带权重；根据主要污染数据和排污口污水监测数据计算污染物异常虚假度；根据排污口污水监测数据和污染物连带权重计算污染物连带真实指数；根据污染物异常虚假度和污染物连带真实指数计算主要污染物存在系数；根据主要污染物存在系数对污水进行智能处理。本发明通过污染物存在系数对污水进行智能处理，提高排污口污水智能处理的精度。
Description
技术领域
本发明涉及污水处理技术领域，具体涉及基于多维传感器的河道排污口污水智能处理方法及系统。
背景技术
随着科学技术的发展，人们的生活水平逐渐提高，河道水污染问题也日渐突出，对人们的日常生活和环境都带来严重的影响，因此针对河道污染问题提出了较多的解决办法，其中最常用的是对污水进行处理后排放，对污水的处理也逐渐向自动化的方向发展，在污水处理系统中每个环节的处理均采用了自动化技术进行控制，提高对污水处理的质量和效率。
现如今，采用污水智能处理系统对污水进行处理，但由于污水中污染物来源复杂，污水中污染物的含量也较为复杂，且河道排污口连接排污管道较多，排污时间以及污水量不确定，因此采用传统的异常检测算法对污水中污染物的成分进行检测时存在对污水中污染物成分数据异常检测精度较低的问题，使污水处理系统对污水的处理精度较低，导致对河道污染的处理的效果较差,可以根据河道排污口的污水中主要污染物含量的异常变化特征以及污水中主要污染物含量数据分别与污水流量数据、污水流速数据之间的相关性分析获取污染物异常虚假度，通过污染物异常虚假度准确反应河道排污口的污水中主要污染物含量的异常变化情况，避免因污水流速和流量的变化导致主要污染物含量异常变化的分析误差较大。
发明内容
本发明提供基于多维传感器的河道排污口污水智能处理方法及系统，以解决河道排污口污水处理效果较差的问题，所采用的技术方案具体如下：
第一方面，本发明一个实施例基于多维传感器的河道排污口污水智能处理方法，该方法包括以下步骤：
获取污水监测数据，所述污水监测数据包括污水流速数据序列、污水流量数据序列、污水污染物含量数据矩阵；
根据污水污染物含量数据矩阵获取污染物含量系数序列，基于污水污染物含量序列分别获取主要污染物数据序列、次要污染物数据序列；根据主要污染物数据序列、次要污染物数据序列计算主要污染物数据序列的污染物连带权重；根据主要污染物数据序列获取主要污染物数据序列的异常数据集合，基于异常数据集合获取连续异常数据序列；根据连续异常数据序列、污水流速数据序列、污水流量数据序列计算主要污染物序列的污染物异常虚假度；
采用异常检测算法对次要污染物数据序列进行划分，根据划分结果和主要污染物数据序列的污染物连带权重计算主要污染物数据序列的污染物连带真实指数；根据主要污染物数据序列的污染物异常虚假度和污染物连带真实指数计算主要污染物数据序列的主要污染物存在系数；根据主要污染数据序列的主要污染物存在系数对污水处理系统进行智能调控。
优选的，所述根据污水污染物含量数据矩阵获取污染物含量系数序列，基于污水污染物含量序列分别获取主要污染物数据序列、次要污染物数据序列的方法为：
将污水污染物含量数据矩阵中每行数据组成的序列作为一个污染物含量数据序列，将污水污染物含量数据矩阵的每个污染物含量数据序列中元素的均值作为所述每个污染物含量数据序列的污染物含量系数，将污水污染物含量数据矩阵中所有污染物含量数据序列的污染物含量系数按照所述污染物含量数据序列在污水污染物含量数据矩阵中的位置顺序排序组成的序列作为污水污染物含量数据矩阵的污染物含量系数序列；
采用大津阈值分割算法获取污染物含量系数序列的第一分割阈值，将污染物含量系数序列中大于所述第一分割阈值的数据作为污染物含量系数序列的主要污染物数据，将污染物含量系数序列中小于所述第一分割阈值的数据作为污染物含量系数序列的次要污染物数据；将污染物含量系数序列的每个主要污染物数据对应的污染物含量数据序列作为一个主要污染物数据序列，将所述污染物含量系数序列的每个次要污染物数据对应的污染物含量数据序列作为一个次要污染物数据序列。
优选的，所述根据主要污染物数据序列、次要污染物数据序列计算主要污染物数据序列的污染物连带权重的方法为：
将任意一个主要污染物数据序列与任意一个次要污染物数据序列的皮尔逊相关系数的绝对值作为分子，将任意一个主要污染物数据序列与所有次要污染物数据序列的皮尔逊相关系数的绝对值的累加和作为分母，将所述分子与分母的比值作为任意一个主要污染物数据序列的污染物连带权重。
优选的，所述根据主要污染物数据序列获取主要污染物数据序列的异常数据集合，基于异常数据集合获取连续异常数据序列的方法为：
采用异常检测算法获取任意一个主要污染物数据序列的异常数据，将任意一个污染物数据序列的异常数据组成的集合作为任意一个污染物数据序列的异常数据集合；将任意一个污染物数据序列的异常数据集合中数据作为初始种子点，采用区域生长算法基于初始种子点得到任意一个污染物数据序列的异常数据集合的区域生长结果，将所述区域生长结果中每一个生长区域内元素组成的序列作为一个连续异常数据序列。
优选的，所述根据连续异常数据序列、污水流速数据序列、污水流量数据序列计算主要污染物序列的污染物异常虚假度的方法为：
式中，表示第/>个主要污染物数据序列的污染物异常虚假度；/>表示第/>个主要污染物数据序列与污水流速数据序列/>的皮尔逊相关系数；/>表示第/>个主要污染物数据序列与污水流量数据序列/>的皮尔逊相关系数；/>表示第/>个主要污染物数据序列中第/>个连续异常数据序列中元素的数量；/>表示第/>个主要污染物数据序列中连续异常数据序列的数量；/>表示以自然常数为底的指数函数，/>表示调节参数。
优选的，所述采用异常检测算法对次要污染物数据序列进行划分，根据划分结果和主要污染物数据序列的污染物连带权重计算主要污染物数据序列的污染物连带真实指数的方法为：
式中，表示第/>个主要污染物数据序列的污染物连带真实指数；/>表示第/>个主要污染物数据序列与第/>个次要污染物数据序列之间的污染物连带权重；/>表示第/>个次要污染物数据序列中第/>个异常数据对应的采集时刻；/>表示第/>个主要污染物数据序列中第/>个异常数据对应的采集时刻；/>表示调节参数；/>表示第/>个次要污染物数据序列中异常数据的数量，/>表示第/>个主要污染物数据序列中异常数据的数量,表示取/>和/>中的最小值；/>表示次要污染物数据序列的数量。
优选的，所述采用异常检测算法对次要污染物数据序列进行划分的具体方法为：
采用Local Outlier Factor异常检测算法获取任意一个次要污染物数据序列中每个元素的异常得分，将任意一个次要污染物数据序列中所有元素对应的异常得分按照由小到大的顺序排序组成的序列作为任意一个次要污染物数据序列的异常得分序列，采用大津阈值分割算法获取任意一个次要污染物数据序列的异常得分序列的第二分割阈值，将任意一个次要污染物数据序列中大于所述第二分割阈值的数据的作为任意一个次要污染物数据序列的异常数据，将任意一个次要污染物数据序列中小于所述第二分割阈值的数据的作为任意一个次要污染物数据序列的正常数据。
优选的，所述根据主要污染物数据序列的污染物异常虚假度和污染物连带真实指数计算主要污染物数据序列的主要污染物存在系数的方法为：
将任意一个主要污染物数据序列的污染物连带真实指数与任意一个主要污染物数据序列的污染物异常虚假度的比值作为任意一个主要污染物数据序列的主要污染物存在系数。
优选的，所述根据主要污染数据序列的主要污染物存在系数对污水处理系统进行智能调控的方法为：
将所有主要污染物数据序列对应的主要污染物存在系数作为Back Propagation神经网络模型的输入，采用Back Propagation神经网络模型获取河道排污口污水的主要污染物处理调整系数，根据所述河道排污口污水的主要污染物处理调整系数对污水处理系统的处理时间参数进行调整。
第二方面，本发明实施例还提供了基于多维传感器的河道排污口污水智能处理系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项方法的步骤。
本发明的有益效果是：通过河道排污口污水污染物的成分变化的连带关系特征计算污染物连带权重，根据河道排污口污水中污染物含量变化与污水流速、流量的变化关系计算污染物异常虚假度，根据污染物连带权重与污水中污染物含量变化采集时间差异计算污染物连带真实指数，根据污染物连带真实指数和污染物异常虚假度计算主要污染物存在系数，基于主要污染物存在系数污染物处理系统的相关参数进行调整，其有益效果在于避免因污水流速、流量的变化造成污水中污染物成分含量检测误差较大的问题，进而提高河道排污口污水处理的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的基于多维传感器的河道排污口污水智能处理方法的流程示意图；
图2为本发明一个实施例所提供的河道排污口污水智能处理系统结构示意图。
具体实施方式
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做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。
请参阅图1，其示出了本发明一个实施例提供的基于多维传感器的河道排污口污水智能处理方法的流程图，该方法包括以下步骤：
步骤S001，获取排污口污水监测数据，包括污水流速数据序列、污水流量数据序列、污水污染物含量数据矩阵。
采用多维传感器采集河道排污口污水汇集处的相关数据，具体的，在河道排污管道的汇聚处设置流速传感器、流量传感器、成分检测仪，分别通过流速传感器、流量传感器、成分检测仪采集河道排污管道汇聚处的流速数据、流量数据、污染物成分数据。采集的河道排污管道汇聚处污水的流速数据序列、流量数据序列的长度都为，因此污水流速数据序列为/>，/>表示第/>个采集时刻采集的污水的流速数据；污水流量数据序列为/>，/>表示第/>个采集时刻采集的污水的流量数据。根据采集的污染物成分数据构建污水污染物含量数据矩阵/>，具体的污水污染物含量矩阵/>的构建过程如下：
其中，表示河道排污口管道汇聚处污水在第/>个采集时刻采集的第/>种污染物的含量数据，在河道排污口管道汇聚处采集的污水中污染物的种类数量为/>。
至此，获取了污水流速数据序列、污水流量数据序列、污水污染物含量数据矩阵。
步骤S002，根据污水污染为含量数据矩阵获取污染物含量系数序列，根据污水污染物含量序列分别获取主要污染物数据序列、次要污染物数据序列，根据主要污染物数据序列和次要污染物数据序列计算污染物连带权重。
一般情况下每个河道排污口都会连接多个排污管道，导致每个河道排污口最终汇聚的污水成分较为复杂，因此对河道排污口汇聚处的污水进行检测的过程中需要同时检测较多的污水污染物成分含量。当河道污水源头的处理出现问题时河道排污口汇聚处的污水中污染物的含量才会出现超标的情况，因此在一般情况下河道排污口汇聚处的污水中污染物的含量较低且较为稳定，对河道排污口的污水进行相应的智能处理即可排入河道。
进一步的，当河道排污口汇聚处污水中污染物含量超标时，污水中对应污染物的含量会出现突变情况，因此污水处理设备中过滤装置、电化学处理装置等需进行相应的调整使污水处理的效果稳定。但是通常污水中的污染物成分较为复杂，且不同成分的污染物的来源可能不同，因此当河道排污口污水中的污染物含量超标时，可能是其中一些污染物成分含量突然增加，根据污水中污染物含量较多或含量超标变化剧烈的特征可将污水中的污染物划分为主要污染物和次要污染物。
具体的，将污水污染物含量数据矩阵中每行数据作为所述污染物含量数据矩阵的一个污染物含量数据序列，将污水污染物含量数据矩阵的每个污染物含量数据序列中元素的均值作为所述每个污染物含量数据序列的污染物含量系数，将污水污染物含量数据矩阵中所有污染物含量数据序列的污染物含量系数按照所述污染物含量数据序列在污水污染物含量数据矩阵中的位置顺序排序组成的序列作为污水污染物含量数据矩阵的污染物含量系数序列/>, />表示污水污染物含量数据矩阵中第/>个污染物含量数据序列的污染物含量系数。
进一步的，采用大津阈值分割算法对污水污染物含量序列进行划分，输入为污染物含量系数序列，采用大津阈值分割算法获取污染物含量系数序列的分割阈值，将污染物含量系数序列中大于分割阈值/>的数据作为污染物含量系数序列的主要污染物数据，将污染物含量系数序列中小于分割阈值/>的数据作为污染物含量系数序列的次要污染物数据；将污染物含量系数序列中每个主要污染物数据对应的污染物含量数据序列作为污水污染物含量数据矩阵的一个主要污染物数据序列，将污染物含量系数序列的每个次要污染物数据对应的污染物含量数据序列作为污水污染物含量数据矩阵的一个次要污染物数据序列，大津阈值分割算法的具体实现过程为公知技术，不再进行赘述。
进一步的，根据污水污染物含量数据矩阵中主要污染物数据序列和次要污染物数据序列的数据变化特征计算主要污染物数据序列与次要污染物数据序列之间的污染物连带权重，通过污染物连带权重反应污水中污染物含量变化的相互影响程度，污染物连带权重的具体计算公式如下：
式中，表示第/>个主要污染物数据序列与第/>个次要污染物数据序列之间的污染物连带权重；/>表示计算第/>个主要污染物数据序列与第/>个次要污染物数据序列之间的皮尔逊相关系数；/>表示计算第/>个主要污染物数据序列与第/>个次要污染物数据序列之间的皮尔逊相关系数；/>表示次要污染物数据序列的数量。
当污水污染物含量数据矩阵中第种污染物发生变化时污水污染物含量数据矩阵中第/>种污染物也相应发生变化，则计算得到的/>的值越大，计算得到的第/>个主要污染物数据序列与第/>个次要污染物数据序列之间的污染物连带权重/>的值越大，表示污水污染物含量数据矩阵中第/>种污染物与第/>种污染物含量变化的相互影响程度较大。
至此，获取了污染物连带权重。
步骤S003，根据主要污染物数据获取连续异常数据序列，根据连续异常数据序列和排污口污水监测数据计算污染物异常虚假度，根据主要污染数据和污染物连带权重计算污染物连带真实指数，根据污染物异常虚假度和污染物连带真实指数计算主要污染物存在系数。
在进行污水处理之前需确定处理污水中污染物成分含量，需进一步对污水污染物含量数据矩阵中主要污染物数据含量变化情况进行分析。具体的，采用Local OutlierFactor异常检测算法获取任意一个主要污染物数据序列的异常数据，将任意一个主要污染物数据序列的异常数据组成的集合作为任意一个主要污染物数据序列的异常数据集合；将任意一个主要污染物数据序列的异常数据集合中数据作为初始种子点；根据初始种子点的相邻数据中是否存在相邻采集时刻的异常数据设置生长准则，具体为：当初始种子点相邻数据中存在相邻采集时刻的异常数据时继续生长，当初始种子点相邻数据中不存在相邻采集时刻的异常数据时停止生长，基于初始种子点和生长准则采用区域生长算法对任意一个主要污染物数据序列进行划分，将任意一个主要污染物数据序列划分的每个异常数据序列作为任意一个主要污染物数据序列的一个连续异常数据序列，Local Outlier Factor异常检测算法与区域生长算法的具体实现过程为公知技术，不再进行赘述。
进一步的，根据每个主要污染物数据序列的连续异常数据序列、污水流速数据序列、污水流量数据序列计算污染物异常虚假度，通过污染物异常虚假度反应污水主要污染物中含量发生异常变化的情况，污染物异常虚假度的具体计算公式如下：
式中，表示第/>个主要污染物数据序列的污染物异常虚假度；/>表示第/>个主要污染物数据序列与污水流速数据序列/>的皮尔逊相关系数；/>表示第/>个主要污染物数据序列与污水流量数据序列/>的皮尔逊相关系数；/>表示第/>个主要污染物数据序列中第/>个连续异常数据序列中元素的数量；/>表示第/>个主要污染物数据序列中连续异常数据序列的数量；/>表示以自然常数为底的指数函数，/>表示调节参数，大小取经验值0.01。
当污水污染物含量数据矩阵中第种污染物含量异常与污水流速、污水流量相关性较强时，则计算得到的/>的值越大，且污水污染物含量数据矩阵中第/>种污染物含量异常情况持续时间较短时，计算得到的/>的越小；计算得到的污水污染物含量数据矩阵中第/>种污染物对应的主要污染物数据序列的污染物异常虚假度/>的值越大，表示污水污染物含量数据矩阵中第/>种污染物含量变化可能是由于流量和流速的关系产生的短时间的超标情况。
进一步的，为进一步确定污水污染物含量数据矩阵中含量超标变化的置信情况，根据主要污染物与次要污染物的含量变化关系进行进一步分析。具体的，采用LocalOutlier Factor异常检测算法获取任意一个次要污染物数据序列中每个元素的异常得分，将任意一个次要污染物数据序列中所有元素对应的异常得分按照由小到大的顺序排序组成的序列作为任意一个次要污染物数据序列的异常得分序列，采用大津阈值分割算法获取任意一个次要污染物数据序列的异常得分序列的分割阈值，将任意一个次要污染物数据序列中大于所述分割阈值/>的数据的作为任意一个次要污染物数据序列的异常数据，将任意一个次要污染物数据序列中小于所述分割阈值/>的数据的作为任意一个次要污染物数据序列的正常数据。
进一步的，根据主要污染物数据序列与次要污染物数据序列之间的污染连带权重与主要污染数据序列与次要污染物数据序列异常数据的采集时刻的差异计算污染物连带真实指数，通过污染连带真实指数反应主要污染物含量异常变化的置信程度，污染物连带真实指数的具体的计算公式如下：
式中，表示第/>个主要污染物数据序列的污染物连带真实指数；/>表示第/>个主要污染物数据序列与第/>个次要污染物数据序列之间的污染物连带权重；/>表示第/>个次要污染物数据序列中第/>个异常数据对应的采集时刻；/>表示第/>个主要污染物数据序列中第/>个异常数据对应的采集时刻；/>表示调节参数，大小取经验值0.01；/>表示第/>个次要污染物数据序列中异常数据的数量，/>表示第/>个主要污染物数据序列中异常数据的数量,/>表示取/>和/>中的最小值；/>表示次要污染物数据序列的数量。
当污水污染物含量数据序列中第个主要污染物数据序列与第/>个次要污染物数据序列发生异常的时刻接近，则计算得到的/>的值越小，且污水污染物含量数据序列中第/>个主要污染物数据序列与第/>个次要污染物数据序列的含量变化相互影响程度较大时，计算得到的/>的值越大；计算得到的污水污染物含量数据序列中第/>个主要污染物数据序列的污染物连带真实指数/>的值越大，表示污水污染物含量数据序列中第/>种主要污染物含量异常变化的置信程度较大。
进一步的，根据污水污染物含量数据矩阵中每个主要污染物数据序列的污染物异常虚假度和污染物连带真实指数计算所述每个主要污染物数据序列的主要污染物存在系数，主要污染物存在系数的具体计算公式如下：
式中，表示污水污染物含量数据矩阵中第/>个主要污染物数据序列的主要污染物存在系数；/>表示污水污染物含量数据矩阵中第/>个主要污染物数据序列的污染物连带真实指数，/>表示污水污染物含量数据矩阵中第/>个主要污染物数据序列的污染物异常虚假度。
若污水污染物含量数据序列中第种主要污染物含量异常变化的置信程度较大，则计算得到的/>，得到的/>的值越小，即污水污染物含量数据矩阵中主要污染物数据序列的/>和/>的变化呈反比，计算得到的污水污染物含量数据矩阵中第/>个主要污染物数据序列的主要污染物存在系数/>的值越大，表示污水污染物含量数据序列中第种主要污染物含量异常变化的可能性较大。
至此，获取了主要污染物存在系数。
步骤S004，根据主要污染物存在系数对河道排污口污水处理系统进行调控，根据调控结果对污水进行处理。
将步骤S003中获取的污水污染物数据矩阵中所有主要污染物数据序列的主要污染物存在系数作为Back Propagation神经网络模型的输入，将Stochastic GradientDescent算法作为Back Propagation神经网络模型的优化算法，Back Propagation神经网络模型的损失函数为交叉熵函数，根据Back Propagation神经网络模型获取主要污染物处理调整系数，将主要污染物调整系数输入到河道排污口污水智能处理系统中，河道排污口污水智能处理系统根据输入参数调整过滤模块、生物处理模块、沉淀模块、电化学处理模块的处理时间参数，Back Propagation神经网络模型的具体训练过程为公知技术，不再进行赘述。
具体的，河道排污口污水智能处理系统如图2所示包括电化学处理模块101（中和、化学沉淀、电解等）、沉淀模块102、过滤模块103（粗格栅物理处理、细格栅处理等）、生物处理模块104（好氧生物处理、厌氧生物处理）。当河道排污口污水中污染物成分发生改变时相应的过滤模块的过滤时间、电化学处理模块中电解时间等处理时间参数都要相应进行调整才能使污水处理的效果较好，因此通过分析河道排污口污水中主要污染物成分含量的异常变化得到主要污染物处理调整系数，通过主要污染物调整系数对河道排污口污水智能处理系统的处理时间参数进行调整，提高河道排污口污水处理效果的稳定性。
基于与上述方法相同的发明构思，本发明实施例还提供了基于多维传感器的河道排污口污水智能处理系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于多维传感器的河道排污口污水智能处理方法中任意一项方法的步骤。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.基于多维传感器的河道排污口污水智能处理方法，其特征在于，该方法包括以下步骤：
获取污水监测数据，所述污水监测数据包括污水流速数据序列、污水流量数据序列、污水污染物含量数据矩阵；
根据污水污染物含量数据矩阵获取污染物含量系数序列，基于污水污染物含量系数序列分别获取主要污染物数据序列、次要污染物数据序列；根据主要污染物数据序列、次要污染物数据序列计算主要污染物数据序列的污染物连带权重；根据主要污染物数据序列获取主要污染物数据序列的异常数据集合，基于异常数据集合获取连续异常数据序列；根据连续异常数据序列、污水流速数据序列、污水流量数据序列计算主要污染物数据序列的污染物异常虚假度；
采用异常检测算法对次要污染物数据序列进行划分，根据划分结果和主要污染物数据序列的污染物连带权重计算主要污染物数据序列的污染物连带真实指数；根据主要污染物数据序列的污染物异常虚假度和污染物连带真实指数计算主要污染物数据序列的主要污染物存在系数；根据主要污染物数据序列的主要污染物存在系数对污水处理系统进行智能调控；
所述根据主要污染物数据序列、次要污染物数据序列计算主要污染物数据序列的污染物连带权重的方法为：
将任意一个主要污染物数据序列与任意一个次要污染物数据序列的皮尔逊相关系数的绝对值作为分子，将任意一个主要污染物数据序列与所有次要污染物数据序列的皮尔逊相关系数的绝对值的累加和作为分母，将所述分子与分母的比值作为任意一个主要污染物数据序列的污染物连带权重；
所述根据连续异常数据序列、污水流速数据序列、污水流量数据序列计算主要污染物数据序列的污染物异常虚假度的方法为：
式中，表示第/>个主要污染物数据序列的污染物异常虚假度；/>表示第/>个主要污染物数据序列与污水流速数据序列/>的皮尔逊相关系数；/>表示第/>个主要污染物数据序列与污水流量数据序列/>的皮尔逊相关系数；/>表示第/>个主要污染物数据序列中第个连续异常数据序列中元素的数量；/>表示第/>个主要污染物数据序列中连续异常数据序列的数量；/>表示以自然常数为底的指数函数，/>表示调节参数；
所述采用异常检测算法对次要污染物数据序列进行划分，根据划分结果和主要污染物数据序列的污染物连带权重计算主要污染物数据序列的污染物连带真实指数的方法为：
式中，表示第/>个主要污染物数据序列的污染物连带真实指数；/>表示第/>个主要污染物数据序列与第/>个次要污染物数据序列之间的污染物连带权重；/>表示第/>个次要污染物数据序列中第/>个异常数据对应的采集时刻；/>表示第/>个主要污染物数据序列中第/>个异常数据对应的采集时刻；/>表示调节参数；/>表示第/>个次要污染物数据序列中异常数据的数量，/>表示第/>个主要污染物数据序列中异常数据的数量,表示取/>和/>中的最小值；/>表示次要污染物数据序列的数量；
所述根据主要污染物数据序列的污染物异常虚假度和污染物连带真实指数计算主要污染物数据序列的主要污染物存在系数的方法为：
将任意一个主要污染物数据序列的污染物连带真实指数与任意一个主要污染物数据序列的污染物异常虚假度的比值作为任意一个主要污染物数据序列的主要污染物存在系数。
2.根据权利要求1所述的基于多维传感器的河道排污口污水智能处理方法，其特征在于，所述根据污水污染物含量数据矩阵获取污染物含量系数序列，基于污水污染物含量系数序列分别获取主要污染物数据序列、次要污染物数据序列的方法为：
将污水污染物含量数据矩阵中每行数据组成的序列作为一个污染物含量数据序列，将污水污染物含量数据矩阵的每个污染物含量数据序列中元素的均值作为所述每个污染物含量数据序列的污染物含量系数，将污水污染物含量数据矩阵中所有污染物含量数据序列的污染物含量系数按照所述污染物含量数据序列在污水污染物含量数据矩阵中的位置顺序排序组成的序列作为污水污染物含量数据矩阵的污染物含量系数序列；
采用大津阈值分割算法获取污染物含量系数序列的第一分割阈值，将污染物含量系数序列中大于所述第一分割阈值的数据作为污染物含量系数序列的主要污染物数据，将污染物含量系数序列中小于所述第一分割阈值的数据作为污染物含量系数序列的次要污染物数据；将污染物含量系数序列的每个主要污染物数据对应的污染物含量数据序列作为一个主要污染物数据序列，将所述污染物含量系数序列的每个次要污染物数据对应的污染物含量数据序列作为一个次要污染物数据序列。
3.根据权利要求1所述的基于多维传感器的河道排污口污水智能处理方法，其特征在于，所述根据主要污染物数据序列获取主要污染物数据序列的异常数据集合，基于异常数据集合获取连续异常数据序列的方法为：
采用异常检测算法获取任意一个主要污染物数据序列的异常数据，将任意一个污染物数据序列的异常数据组成的集合作为任意一个污染物数据序列的异常数据集合；将任意一个污染物数据序列的异常数据集合中数据作为初始种子点，采用区域生长算法基于初始种子点得到任意一个污染物数据序列的异常数据集合的区域生长结果，将所述区域生长结果中每一个生长区域内元素组成的序列作为一个连续异常数据序列。
4.根据权利要求1所述的基于多维传感器的河道排污口污水智能处理方法，其特征在于，所述采用异常检测算法对次要污染物数据序列进行划分的具体方法为：
采用Local Outlier Factor异常检测算法获取任意一个次要污染物数据序列中每个元素的异常得分，将所述任意一个次要污染物数据序列中所有元素对应的异常得分按照由小到大的顺序排序组成的序列作为所述任意一个次要污染物数据序列的异常得分序列，采用大津阈值分割算法获取所述任意一个次要污染物数据序列的异常得分序列的第二分割阈值，将所述任意一个次要污染物数据序列中大于所述第二分割阈值的数据作为所述任意一个次要污染物数据序列的异常数据，将所述任意一个次要污染物数据序列中小于所述第二分割阈值的数据作为所述任意一个次要污染物数据序列的正常数据。
5.根据权利要求1所述的基于多维传感器的河道排污口污水智能处理方法，其特征在于，所述根据主要污染物数据序列的主要污染物存在系数对污水处理系统进行智能调控的方法为：
将所有主要污染物数据序列对应的主要污染物存在系数作为Back Propagation神经网络模型的输入，采用Back Propagation神经网络模型获取河道排污口污水的主要污染物处理调整系数，根据所述河道排污口污水的主要污染物处理调整系数对污水处理系统的处理时间参数进行调整。
6.基于多维传感器的河道排污口污水智能处理系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-5任意一项方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311724713.8A CN117408440B (zh) | 2023-12-15 | 2023-12-15 | 基于多维传感器的河道排污口污水智能处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311724713.8A CN117408440B (zh) | 2023-12-15 | 2023-12-15 | 基于多维传感器的河道排污口污水智能处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117408440A CN117408440A (zh) | 2024-01-16 |
| CN117408440B true CN117408440B (zh) | 2024-03-08 |
Family
ID=89489458
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311724713.8A Active CN117408440B (zh) | 2023-12-15 | 2023-12-15 | 基于多维传感器的河道排污口污水智能处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117408440B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014163687A (ja) * | 2013-02-21 | 2014-09-08 | Mitsubishi Heavy Ind Ltd | プラントの異常判断方法及び異常判断システム |
| CN108132340A (zh) * | 2017-12-14 | 2018-06-08 | 浙江大学 | 一种河道多传感器融合上下游污染预警系统及方法 |
| KR102236352B1 (ko) * | 2021-01-28 | 2021-04-05 | (주)에스에이치모빌리티 | 센서 연동 기반의 시설물 환경오염물질 방지를 위한 ＩｏＴ 게이트웨이 시스템, 그리고 이의 자동 제어 방법 |
| CN113252582A (zh) * | 2021-06-07 | 2021-08-13 | 芯视界（北京）科技有限公司 | 污染检测方法及装置、电子设备和存储介质 |
| WO2021174751A1 (zh) * | 2020-03-02 | 2021-09-10 | 平安国际智慧城市科技股份有限公司 | 基于大数据的污染源定位方法、装置、设备及存储介质 |
| CN113590687A (zh) * | 2021-07-29 | 2021-11-02 | 河北新禾科技有限公司 | 一种工业污染源监测数据分析方法及系统 |
| CN113902172A (zh) * | 2021-09-13 | 2022-01-07 | 联通(广东)产业互联网有限公司 | 一种污水处理方法、系统、装置及介质 |
| CN113919235A (zh) * | 2021-10-29 | 2022-01-11 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于lstm演化聚类的移动源污染异常排放检测方法及介质 |
| CN114330170A (zh) * | 2022-01-04 | 2022-04-12 | 江西师范大学 | 基于ca模型的河道污染源定位系统及方法 |
| CN114529226A (zh) * | 2022-04-23 | 2022-05-24 | 南通腾宇环保设备有限公司 | 基于工业物联网的地下水污染的监测方法与系统 |
| CN115545678A (zh) * | 2022-11-29 | 2022-12-30 | 浙江贵仁信息科技股份有限公司 | 一种基于水环境画像与污染物溯源的水质监测方法 |
| CN115860590A (zh) * | 2023-03-02 | 2023-03-28 | 广东慧航天唯科技有限公司 | 一种企业排放污染数据的智能分析预警方法及系统 |
| CN116340723A (zh) * | 2023-05-22 | 2023-06-27 | 安徽中科大国祯信息科技有限责任公司 | 基于大数据的乡村水污染快速溯源方法及系统 |
| CN116929454A (zh) * | 2023-07-28 | 2023-10-24 | 山东省计量科学研究院 | 一种河流水质污染监测方法、介质及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3071920B1 (fr) * | 2017-09-29 | 2020-11-06 | Suez Groupe | Detection et caracterisation ameliorees d'anomalies dans un continuum d'eau |
| CN115169479A (zh) * | 2022-07-20 | 2022-10-11 | 北京航空航天大学杭州创新研究院 | 污水处理过程远程监控方法、系统及存储介质 |
-
2023
- 2023-12-15 CN CN202311724713.8A patent/CN117408440B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014163687A (ja) * | 2013-02-21 | 2014-09-08 | Mitsubishi Heavy Ind Ltd | プラントの異常判断方法及び異常判断システム |
| CN108132340A (zh) * | 2017-12-14 | 2018-06-08 | 浙江大学 | 一种河道多传感器融合上下游污染预警系统及方法 |
| WO2021174751A1 (zh) * | 2020-03-02 | 2021-09-10 | 平安国际智慧城市科技股份有限公司 | 基于大数据的污染源定位方法、装置、设备及存储介质 |
| KR102236352B1 (ko) * | 2021-01-28 | 2021-04-05 | (주)에스에이치모빌리티 | 센서 연동 기반의 시설물 환경오염물질 방지를 위한 ＩｏＴ 게이트웨이 시스템, 그리고 이의 자동 제어 방법 |
| CN113252582A (zh) * | 2021-06-07 | 2021-08-13 | 芯视界（北京）科技有限公司 | 污染检测方法及装置、电子设备和存储介质 |
| CN113590687A (zh) * | 2021-07-29 | 2021-11-02 | 河北新禾科技有限公司 | 一种工业污染源监测数据分析方法及系统 |
| CN113902172A (zh) * | 2021-09-13 | 2022-01-07 | 联通(广东)产业互联网有限公司 | 一种污水处理方法、系统、装置及介质 |
| CN113919235A (zh) * | 2021-10-29 | 2022-01-11 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于lstm演化聚类的移动源污染异常排放检测方法及介质 |
| CN114330170A (zh) * | 2022-01-04 | 2022-04-12 | 江西师范大学 | 基于ca模型的河道污染源定位系统及方法 |
| CN114529226A (zh) * | 2022-04-23 | 2022-05-24 | 南通腾宇环保设备有限公司 | 基于工业物联网的地下水污染的监测方法与系统 |
| CN115545678A (zh) * | 2022-11-29 | 2022-12-30 | 浙江贵仁信息科技股份有限公司 | 一种基于水环境画像与污染物溯源的水质监测方法 |
| CN115860590A (zh) * | 2023-03-02 | 2023-03-28 | 广东慧航天唯科技有限公司 | 一种企业排放污染数据的智能分析预警方法及系统 |
| CN116340723A (zh) * | 2023-05-22 | 2023-06-27 | 安徽中科大国祯信息科技有限责任公司 | 基于大数据的乡村水污染快速溯源方法及系统 |
| CN116929454A (zh) * | 2023-07-28 | 2023-10-24 | 山东省计量科学研究院 | 一种河流水质污染监测方法、介质及系统 |
Non-Patent Citations (2)
| Title |
|---|
| A framework for automated anomaly detection in high frequency water-quality data from in situ sensors;Catherine Leigh等;Science of The Total Environment;20190510;第664卷;全文 * |
| 基于雨型的南方城市道路雨水径流污染物分析;冯萃敏;米楠;王晓彤;蔡志文;邸文正;;生态环境学报;20150318(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117408440A (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN114275912B (zh) | 一种基于自适应神经网络模型的曝气系统溶解氧控制方法 | |
| CN109408774B (zh) | 基于随机森林和梯度提升树的预测污水出水指标的方法 | |
| JP6609808B2 (ja) | 決定木学習アルゴリズムを用いた予測プログラム、装置及び方法 | |
| CN108564229A (zh) | 一种基于arima模型的工业污水进水量预测的方法 | |
| CN117807382B (zh) | 基于智慧物联的排水管网污染监测数据智能处理方法 | |
| CN104181883A (zh) | 实时数据采集系统的异常数据实时处理方法 | |
| CN117522632B (zh) | 一种基于深度学习的水质指标预测方法 | |
| CN115793471A (zh) | 一种基于污水处理监测的可调式控制方法及系统 | |
| CN109948863A (zh) | 基于长短期记忆模型lstm的排水管网窨井液位预测方法 | |
| CN117113236B (zh) | 一种智慧城市监控系统及数据处理方法 | |
| CN116090678B (zh) | 一种数据处理方法、装置及设备 | |
| CN105372995B (zh) | 污水处理系统测控方法 | |
| CN115470850A (zh) | 一种基于管网水质时空数据的水质异常事件识别预警方法 | |
| CN114692723A (zh) | 一种反渗透膜污堵预警方法及系统 | |
| CN117389142A (zh) | 污水处理厂生化反应池预测推演与安全实时控制方法 | |
| CN117408440B (zh) | 基于多维传感器的河道排污口污水智能处理方法及系统 | |
| CN117196881B (zh) | 基于大数据的智慧养殖信息管理系统 | |
| CN118183886A (zh) | 基于神经网络的水质模型基础参数动态调优方法及装置 | |
| KR20140117959A (ko) | 하수처리장 유출수질의 상태에 대한 원인인자 제공장치 및 방법 | |
| CN117273207A (zh) | 预测自来水厂臭氧生物活性炭工艺出水高锰酸盐指数的方法 | |
| CN116956156A (zh) | 一种基于人工智能的污水处理智能曝气方法及系统 | |
| CN117196883A (zh) | 一种基于人工智能的污水处理决策优化方法及系统 | |
| CN114149076B (zh) | 一种厌氧氨氧化污水处理系统的智能调试系统 | |
| CN114842921A (zh) | 基于线性回归和决策树模型的市政污水除磷药剂投加方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |