本发明专利技术公开一种公开了一种水质实时监测方法、装置及可读存储介质，其中方法包括：构建水质预测模型，根据选取的n项水质参数的历史检测数据对水质预测模型进行训练；统计各时刻的水质预测模型的预测值和对应时刻的检测值的残差并确定无水质异常工况下的残差阈值；实时判断当前时刻的预测值和检测值的残差是否超出残差阈值，如果超过残差阈值，则将该时刻的检测值划分为异常值，如果没有超过残差阈值，则将该时刻的检测值划分为正常值；根据当前时刻的检测值的划分结果以及前一时刻的对应水质参数条件下的事故发生概率计算当前时刻对应水质参数条件下的事故发生概率。本发明专利技术能够实时监测用户水质并预测水质事故概率，以支撑用水终端水质指标合格。支撑用水终端水质指标合格。支撑用水终端水质指标合格。
【技术实现步骤摘要】
水质实时监测方法、装置及可读存储介质
[0001]本专利技术涉及水质监测
，尤其涉及一种水质实时监测方法、装置及可读存储介质。
技术介绍
[0002]由于产权及责任主体不清晰，城市自来水面临小区“最后一公里”水质管理的行业痛点；水质监测监管要么未执行或要么信息不公开，供水企业不掌握一手资料难以开展有效运营管理；居民用户不清楚水质信息，对自来水信心不足。因此，有必要提供一种水质实时监测方法，具有实时监测用户水质并预测水质事故概率的功能，以有效支撑用水终端水质指标合格的问题。
技术实现思路
[0003]本专利技术的目的在于提供一种水质实时监测方法、装置及可读存储介质，能够实时监测用户水质并预测水质事故概率，以有效支撑用水终端水质指标合格的问题。
[0004]为了实现上述目的，本专利技术提供了一种水质实时监测方法，包括：
[0005](1)构建水质预测模型，根据选取的n项水质参数的历史检测数据对所述水质预测模型进行训练，直至所述水质预测模型的各项所述水质参数的预测误差满足要求；
[0006](2)针对各项水质参数，统计各时刻的所述水质预测模型的预测值和对应时刻的检测值的残差并确定无水质异常工况下的残差阈值；
[0007](3)针对各项所述水质参数，实时判断当前时刻的预测值和检测值的残差是否超出残差阈值，如果超过残差阈值，则将该时刻的检测值划分为异常值，如果没有超过残差阈值，则将该时刻的检测值划分为正常值；及
[0008](4)根据当前时刻的检测值的划分结果以及前一时刻的对应水质参数条件下的事故发生概率计算当前时刻的对应水质参数条件下的事故发生概率。
[0009]较佳地，所述水质实时监测方法还包括：
[0010]根据当前时刻的各单一水质参数条件下的事故发生概率以及为各水质参数预先分配的权重系数，确定水质污染的总体事故发生概率。具体而言，推送。
[0011]当然，可以把其他的相关数据
[0012]较佳地，所述水质实时监测方法还包括：
[0013]将水质污染的总体事故发生概率与预设的概率阈值进行比较；
[0014]如果水质污染的总体事故发生概率大于预设的概率阈值，则生成预警信息并发送至终端或者云平台，和/或，发送关闭进水阀门的指令给阀门控制器。
[0015]较佳地，步骤(1)具体为：
[0016](11)构建人工神经网络模型；
[0017](12)向所述人工神经网络模型的输入层输入t时刻的除待预测水质参数外的n-1个水质参数的检测值和t-1时刻的待预测水质参数的检测值，输出t时刻的待预测水质参数
的预测值；
[0018](13)计算t时刻的待预测水质参数的预测值的预测误差；
[0019](14)判断t时刻的待预测水质参数的预测误差是否小于误差阈值，若否，则进入步骤(12)；若是，进入步骤(15)；
[0020](15)根据t时刻的待预测水质参数的预测误差，对所述人工神经网络模型的权重进行调整，返回步骤(12)；
[0021](16)结束对所述人工神经网络模型的训练，得到训练后的所述人工神经网络模型。
[0022]较佳地，步骤(2)中的确定无水质异常工况下的残差阈值具体为：
[0023]计算各时刻的残差的平均值和标准差；
[0024]利用各时刻的残差的平均值和标准差确定残差分布的区间上下限值；
[0025]根据所述区间上下限值确定无水质异常工况下的残差阈值。
[0026]较佳地，步骤(4)中利用贝叶斯分析方法更新对应水质参数条件下的事故发生概率。
[0027]较佳地，所述利用贝叶斯分析方法更新对应水质参数条件下的事故发生概率具体为：
[0028]给定P(θ＝θ1)＝π1，π1(t)＝P(θ＝θ1|y
1：t
)，则t+1时刻的对应水质参数条件下的事故发生概率为：
[0029][0030]其中，式中θ1表示事故，θ0表示无事故，y表示划分结果的正常值或异常值，P(y
t+1
|θ1)表示真正率，P(y
t+1
|θ0)表示假正率。
[0031]较佳地，所述水质实时监测方法还包括对t+1时刻的对应水质参数条件下的事故发生概率利用如下公式进行修正的步骤：
[0032]π1(t+1)＝απ1(t+1)+(1-α)π1(t)。
[0033]为了实现上述目的，本专利技术还提供了一种水质实时监测装置，包括：
[0034]一个或多个处理器；
[0035]一个或多个存储器；以及
[0036]存储在一个或多个所述存储器上并可在一个或多个所述处理器上运行的计算机程序，所述程序包括用于执行如上所述的水质实时监测方法。
[0037]为了实现上述目的，本专利技术还提供了一种可读存储介质，其上存储有程序，所述程序被处理器执行时实现如上所述的水质实时监测方法。
[0038]与现有技术相比，本专利技术水质实时监测方法构建并训练水质预测模型，然后通过统计各时刻的所述水质预测模型的预测值和对应时刻的检测值的残差来确定无水质异常工况下的残差阈值，接着即可实时判断当前时刻的预测值和检测值的残差是否超出残差阈值并根据判断结果划分为正常值或者异常值，然后即可根据划分结果和前一时刻的对应水质参数条件下的事故发生概率计算得到当前时刻的对应水质参数条件下的事故发生概率，进而有利于实现实时监测用户水质并预测水质事故概率的目的，以有效支撑用水终端水质指标合格的问题。而根据当前时刻的各单一水质参数条件下的事故发生概率以及为各水质
参数预先分配的权重系数，则可以确定水质污染的总体事故发生概率，从而可以达到优异的预测水质事故概率的目的。
附图说明
[0039]图1是本专利技术实施例水质实时监测方法的流程图。
[0040]图2是本专利技术实施例水质智能管理系统的示意框图。
[0041]图3是本专利技术实施例水质实时监测装置的示意框图。
具体实施方式
[0042]为详细说明本专利技术的内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。
[0043]请参阅图1，本专利技术公开了一种水质实时监测方法，包括：
[0044](1)构建水质预测模型，根据选取的n项水质参数的历史检测数据对水质预测模型进行训练，直至水质预测模型的各项水质参数的预测误差满足要求；
[0045](2)针对各项水质参数，统计各时刻的水质预测模型的预测值和对应时刻的检测值的残差并确定无水质异常工况下的残差阈值；
[0046](3)针对各项水质参数，实时判断当前时刻的预测值和检测值的残差是否超出残差阈值，如果超过残差阈值，则将该时刻的检测值划分为异常值，如果没有超过残差阈值，则将该时刻的检测值划分为正常值；及
[0047](4)根据当前时刻的检测值的划分结果以及前一时刻的对应水质参数条件下的事故发生概率计算当前时刻的对应水质参数条件下的事故发生概率。在本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种水质实时监测方法，其特征在于，包括：(1)构建水质预测模型，根据选取的n项水质参数的历史检测数据对所述水质预测模型进行训练，直至所述水质预测模型的各项所述水质参数的预测误差满足要求；(2)针对各项水质参数，统计各时刻的所述水质预测模型的预测值和对应时刻的检测值的残差并确定无水质异常工况下的残差阈值；(3)针对各项所述水质参数，实时判断当前时刻的预测值和检测值的残差是否超出残差阈值，如果超过残差阈值，则将该时刻的检测值划分为异常值，如果没有超过残差阈值，则将该时刻的检测值划分为正常值；及(4)根据当前时刻的检测值的划分结果以及前一时刻的对应水质参数条件下的事故发生概率计算当前时刻的对应水质参数条件下的事故发生概率。2.如权利要求1所述的水质实时监测方法，其特征在于，还包括：根据当前时刻的各单一水质参数条件下的事故发生概率以及为各水质参数预先分配的权重系数，确定水质污染的总体事故发生概率。具体而言，推送。当然，可以把其他的相关数据3.如权利要求2所述的水质实时监测方法，其特征在于，还包括：将水质污染的总体事故发生概率与预设的概率阈值进行比较；如果水质污染的总体事故发生概率大于预设的概率阈值，则生成预警信息并发送至终端或者云平台，和/或，发送关闭进水阀门的指令给阀门控制器。4.如权利要求1所述的水质实时监测方法，其特征在于，步骤(1)具体为：(11)构建人工神经网络模型；(12)向所述人工神经网络模型的输入层输入t时刻的除待预测水质参数外的n-1个水质参数的检测值和t-1时刻的待预测水质参数的检测值，输出t时刻的待预测水质参数的预测值；(13)计算t时刻的待预测水质参数的预测值的预测误差；(14)判断t时刻的待预测水质参数的预测误差是否小于误差阈值，若否，则进入步骤(12)；若是，进入步骤(15)；(15)根据t时刻...
【专利技术属性】
技术研发人员：靳军涛，石艳春，刘洪，
申请(专利权)人：中广核环保产业有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。