水质预测

摘要： 与传统的机理性水质预测模型和机器学习算法相比,深度学习模型依靠自身的激活函数,能够更好的处理水质因子时序性和非线性等特点,一定程度上解决了传统水质模型预测精度低的问题。在满足一定的精度情况下,预测未来较长时间的水质状态,为水质预测预警提供了新的机遇与途径。本文回顾了深度学习模型预测原理、预测对象以及水质预测预警的研究进展,主要分析了近年来深度学习模型在水质预测上的应用,并分析了影响深度学习模型预测精度的因素。在此基础上对深度学习模型预测水质进行了展望,提出了要发展天地空一体化的水质监测预测系统。

摘要： 实时准确监测河流水质是城市水管理战略的首要任务。溶解氧浓度是评价河流水质优劣的重要指标之一,也是维持水中高等生物生存的重要条件。因此获得准确可靠的溶解氧预测结果对于河流水体的管理和预警至关重要。首先,通过灰色关联度分析得到影响水体溶解氧含量的关键水质因子,即总磷、氨氮、高锰酸盐含量和pH值,进而卷积长短记忆神经网络(CNN;STM)的提出是为了提取溶解氧和其它水质因子之间深层复杂的相关特征,降低了不同信息之间特征的耦合,提高模型的预测精度并降低了模型训练时间。以实际采集京杭运河常州段溶解氧数据为研究对象进行了模拟实验,并从预测精度和训练时间两方面进行评价。实验表明:该模型的评价指标均方根误差(RMSE)和决定系数(R;)分别为0.429和0.953,其评价指标均优于其他对比模型。CNN;STM模型能够以较短的训练时间得到较高的预测精度,能为城市水管理提供技术支撑。

摘要： 以涡河流域2005—2018年(共168个月)的水质指标月监测数据为背景资料,探究小波分析和神经网络在流域水质方面的应用。通过小波分析来判别涡河流域水质指标的多尺度变化规律;运用主成分分析法选取涡河水质主要影响因子,并对主要影响因子建立小波神经网络预测模型。研究结果表明:各水质指标具有多尺度振荡的特点,且主要存在以8、20、30个月左右变化的主周期;目前影响涡河流域水质的主要因子是以化学需氧量为代表的污染因子;通过小波神经网络得到的化学需氧量预测值与实测值的曲线拟合较好,平均百分比误差(MRE)为8.4%,均方根误差(RMSE)为1.5,模型较稳定且预测精度较高。基于小波神经网络的应用为流域水质污染研究提供了一个新的思路。

摘要： 长江流域在我国水资源配置体系中具有重要地位,对其进行水质预测尤为重要。基于现有研究结果,结合循环神经网络(recurrent neural network,RNN)中的门控循环单元(gate recurrent unit,GRU)模型与全连接神经网络(fully connected neural network,FCNN),提出了改进的多元水质指标预测(MWQPP)模型,并用其预测长江流域水体的pH、溶解氧(DO)、高锰酸盐指数(CODMn)、氨氮(NH_(3)-N)。基于长江流域2011—2018年23个水质监测点7 566条原始数据,经对比实验,证明了用MWQPP模型预测得到的均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和决定系数(R^(2))均优于传统水质预测模型,有效提升了水质预测的精度,具有较好的鲁棒性,为水质预测和流域管理提供了科学支撑。

摘要： 改进类电磁机制算法,优化一种新的神经网络预测模型,应用于求解复杂的水质预测实际问题。实验数据采集黄河兰州段新城桥监测断面177组监测数据,其中前154组为模型训练数据,后23组为模型测试数据,与经典预测模型对比,改进算法优化的新模型预测结果均方误差较小,误差稳定性好,预测结果更准确。

摘要： 以振浔污水处理厂入河排污口设置论证为例,通过对入河排污口的设置方案、所在河道的水质现状、水域管理要求和现有取排水情况调查研究,计算区域河网纳污能力。建立一维河网非恒定流水动力水质模型,验证模型水动力、水质参数,计算确定入河排污口对所在水域水功能区水质和水生态环境的影响程度及影响范围,结果可作为建设项目排污口设置论证的科学依据,对平原河网地区开展排污口设置论证工作具有一定的借鉴意义。

摘要： 旧馆污水处理厂入河排污口需进行设置论证。通过对所在河道水质现状、水域管理要求和现有取排水情况的调查,计算区域河网纳污能力。建立一维河网非恒定流水动力水质模型,计算结果显示在正常排放工况下,入河排污口对河道沿线水质的影响有限,水质保持在Ⅲ类;事故工况下,对河道沿线水质影响较大。建议加强工程运行管理,建立应急预案,避免事故工况的发生,研究结果表明,运用一维水动力水质换型对平原河网地区开展排污口设置论证工作具有一定的借鉴意义。

摘要： 水质预测模型类型繁多,结构复杂,不同的模型有不同的特点,适用于不同的情况。针对中电建夹江青衣水厂取水口的实际情况,采用不同的神经网络模型和不同的特征选择方法对水质数据进行预测,经对比发现:对于该厂取水口的水质预测问题,采用单层LSTM网络预测效果最好,对同一网络模型不对数据进行特征降维而用尽可能多的特征进行预测效果更好。该工作为后续更准确地预测提供了依据和研究方向。

摘要： 针对突发性水污染事件频发的问题,以上海市某支流具有代表性的监测断面为研究对象,通过优化调整输入数据段以及延迟阶数与隐含层神经元数等模型参数,构建基于历史水质时间序列的优化非线性自回归(NAR)神经网络模型,预测分析pH、溶解氧(DO)质量浓度和浊度3项水质指标的变化趋势。结果表明:优化后的NAR神经网络模型具有较好的非线性处理能力;当输入数据量为180,pH、DO质量浓度和浊度的神经网络模型的延迟阶数分别为2、3、9,隐含层神经元数为10时,NAR神经网络模型对pH、DO质量浓度和浊度的预测均方根误差分别为0.053、0.382 mg/L和17.300 NTU,平均绝对百分比误差分别为0.53%、3.97%和18.01%,预测效果较好。

摘要： 建立水质模型预测水质变化是保障饮用水安全、人类健康和维持生态平衡的关键.本文提出了基于小波分解去噪和LSTM的双层双向Seq2Seq混合模型(W-Bi2Seq2Seq)来预测水质的变化.使用Daubechies5 (db5)小波将数据集分解为低频序列和高频序列,高频序列作为噪声去除,仅保留低频信号用作所提出模型的输入.选取了烟台市门楼水库的4项水质指标数据(pH、氨氮、电导率和浊度)用于模型的训练,验证和测试.所提出的小波双层双向模型(Bi2)与小波单层单向模型(Uni1)、小波单层双向模型(Bi1)、小波双层单向模型(Uni2)、传统的LSTM模型以及基于小波分解的LSTM模型(W-LSTM),进行比较实验.其实验结果显示,在训练过程中, 4个Seq2Seq模型都具有很好的性能,都能够很好拟合4项水质指标的历史数据集.然而,测试结果表明, Bi2在预测精度和泛化能力方面优于其他5个模型,并且显著提高复杂度较高的水质数据的预测精度.

摘要： 将GM(1,1)灰色模型和改进的GM(1,1)残差修正模型应用于淮河流域鹿邑东孙营闸测站的水质预测中,分别对高锰酸盐指数和氨氮浓度进行拟合预测.结果表明,传统的GM(1,1)灰色模型在高锰酸盐指数上的拟合与预测精度较高,而改进的GM(1,1)残差修正模型在氨氮浓度的预测上要优于传统的GM(1,1)模型,能够更加精确地对水质未来情况进行预测.

摘要： 地下水水质预测的方法各式各样,每个方法都有各自的适应性.灰色系统法和线性回归法均有其各自的适宜性.为了便捷的选择合适的方法,本文利用最小二乘法处理对原始数据进行拟合,通过R2值以选取合适的预测方法.本文以北京市石景山区某地地下水监测点多年监测数据为例,进行适宜性预测方法的验证.其中,总硬度灰色预测值的平均相对误差为2.62％比线性预测低5.65个百分点;溶解性总固体线性预测值的平均相对误差为2.33％比灰色预测低0.61个百分点,与通过拟合度R2值大小选取的最优预测方法一致,表明通过拟合度R2值大小来选取合理的预测方法是一种便捷、合理的技术手段.

摘要： 以吕梁市三川河寨东桥断面的水质监测数据为基础,选取氨氮和COD指标进行短期预测.采用拟合季节的时间序列ARIMA(1,1,0)模型和改进算法的BP神经网络分别进行预测并比较,预测结果显示ARIMA模型氨氮和COD的平均误差为1.58和5.83,BP神经网络模型的平均误差为0.898和1.33,神经网络模型预测的精度更高.分析可知三川河的氨氮水平严重超标,氨氮的污染程度短期内将持续加重,COD指标逐渐下降,提高三川河水环境质量的关键在于降低三川河的氨氮污染,从而有助于黄河流域的生态保护与高质量发展.

摘要： 本文针对污水处理厂进水水质变化及处理过程中具有非确定特性、不易精确控制等特点,充分利用神经网络模糊信息处理的优势,结合污水处理工艺过程,以MATLAB为研究平台建立一套具有3层神经网络结构的预测模型并进行仿真验证.结果表明该系统能够预测该污水处理厂下一阶段处理水质的状况,为运行管理提供可靠的数据支持,是一种预警处理水质的有效方法.

摘要： 地下水水质的好坏,直接影响到人类的健康,因此对地下水水质的预报至关重要.本文主要论述了灰色系统模型与MATLAB软件相结合对地下水水质的预测,并以红光纸箱厂的地下水水质数据作为实例进行预报,给地下水资源规划管理提供依据.

摘要： 所有的污水处理装置,都有一套科学的工艺处理流程,运转使用过程中,需按照设计的工艺流程,且每个组件都处于正常的工作状态来满足设计要求.对污水处理装置实施全过程监控,是通过对关键工艺流程节点,组件运行的工况的状态,以及影响水质变化的其他周边环境因素的多数据信息采集,并结合整个污水处理工艺流程,通过大数据的方法对采集到的运行数据进行综合分析比对,达到对水质进行预测的目的.

摘要： 所有的污水处理装置,都有一套科学的工艺处理流程,运转使用过程中,需按照设计的工艺流程,且每个组件都处于正常的工作状态来满足设计要求.对污水处理装置实施全过程监控,是通过对关键工艺流程节点,组件运行的工况的状态,以及影响水质变化的其他周边环境因素的多数据信息采集,并结合整个污水处理工艺流程,通过大数据的方法对采集到的运行数据进行综合分析比对,达到对水质进行预测的目的.

摘要： 所有的污水处理装置,都有一套科学的工艺处理流程,运转使用过程中,需按照设计的工艺流程,且每个组件都处于正常的工作状态来满足设计要求.对污水处理装置实施全过程监控,是通过对关键工艺流程节点,组件运行的工况的状态,以及影响水质变化的其他周边环境因素的多数据信息采集,并结合整个污水处理工艺流程,通过大数据的方法对采集到的运行数据进行综合分析比对,达到对水质进行预测的目的.

摘要： 所有的污水处理装置,都有一套科学的工艺处理流程,运转使用过程中,需按照设计的工艺流程,且每个组件都处于正常的工作状态来满足设计要求.对污水处理装置实施全过程监控,是通过对关键工艺流程节点,组件运行的工况的状态,以及影响水质变化的其他周边环境因素的多数据信息采集,并结合整个污水处理工艺流程,通过大数据的方法对采集到的运行数据进行综合分析比对,达到对水质进行预测的目的.

摘要： 根据污染源现状调查结果与污染源预测方法,预测了水平年金湖流域污染负荷,表明流域污染负荷主要来自城镇生活污水、农业面源和畜禽养殖.在构建金湖湖区二维水流水质数学模型的基础上,基于流域污染负荷预测结果,模拟分析湖区水环境变化趋势,结果表明,库区总氮和总磷将无法满足Ⅲ类水质标准要求.根据污染源调查及水质影响预测结果,建议加强对金湖水环境保护,重点开展农业面源污染控制、生活污水收集处理以及畜禽养殖污染整治等项目.

摘要： 本发明公开贝叶斯网络水质指标评价方法、水域水质等级评价方法、水质指标预测方法。贝叶斯网络水质指标评价方法以水质指标与水质等级作为贝叶斯网络节点变量，利用所有节点间互信息值构建无向网络结构图，通过网络结构学习得到贝叶斯网络结构图，最后依其确定直接关联水质指标。优化方案是以贝叶斯概率计算水质等级，以及以K2评分完成网络结构学习。在贝叶斯网络结构图基础上，通过网络参数学习确定各节点间条件概率表，利用结构图与条件概率表得到本发明贝叶斯网络水域水质等级评价方法、水质指标预测方法。本发明能够综合性地评价水质指标与水质等级之间的定性定量关系，有效减少水质评价时间成本，对于水环境污染事件危机管理实用价值高。

摘要： 本发明涉及环境监测领域。本发明解决了现有光谱法监测水质COD指标时误差较大的问题，提供了一种水质指标预测模型构建方法及水质指标监测方法，其技术方案可概括为：水质指标预测模型构建方法，首先采集若干水样作为样本水样，并获得各样本水样的所需水质指标；针对每一个样本水样，测量其对应的光谱，得到原始光谱，并获取其物理参数；对该样本水样进行至少两次消解，每消解一次就测量一次其对应的光谱，得到各消解光谱，同时获取每次消解的消解参数及每次消解后的样本水样的物理参数；根据各样本水样所采集的数据分别构建针对各所需水质指标的各水质指标预测模型。本发明的有益效果是：从根本上减小了测量误差，适用于水质指标监测。

摘要： 本发明公开贝叶斯网络水质指标评价方法、水域水质等级评价方法、水质指标预测方法。贝叶斯网络水质指标评价方法以水质指标与水质等级作为贝叶斯网络节点变量，利用所有节点间互信息值构建无向网络结构图，通过网络结构学习得到贝叶斯网络结构图，最后依其确定直接关联水质指标。优化方案是以贝叶斯概率计算水质等级，以及以K2评分完成网络结构学习。在贝叶斯网络结构图基础上，通过网络参数学习确定各节点间条件概率表，利用结构图与条件概率表得到本发明贝叶斯网络水域水质等级评价方法、水质指标预测方法。本发明能够综合性地评价水质指标与水质等级之间的定性定量关系，有效减少水质评价时间成本，对于水环境污染事件危机管理实用价值高。

摘要： 本发明提供了一种基于一维简化水质模型，预测水质突变，利用水质监测站的监测数据计算全年真实降解系数及污染物迁移速度，分析降解系数与河流污染物迁徙速度关系，搭建回归模型，并采用关联性测试计算和均方误差计算获得最优的降解系数、迁移速度，并将其带入一维模型公式，并计算时间滑动形成最终预测数据，输出预测结果图。

摘要： 本发明公开一种基于水质模型的水质预测方法及系统。该方法包括：根据格子玻尔兹曼方法对待预测水质区域的河网或河段区域建立一维水质模型；根据格子玻尔兹曼方法对待预测水质区域中的重点预测区域建立二维水质模型；二维水质模型边界处的网格宽度与所述一维水质模型边界处的河道断面宽度相等；根据溶质粒子的质量和动量守恒，将所述一维水质模型和所述二维水质模型的边界耦合，得到耦合后的水质模型；所述耦合后的水质模型为所述一维水质模型和所述二维水质模型耦合后的模型；根据所述耦合后的模型对所述待预测水质区域进行预测，获得所述待预测区域的参数预测结果。本发明方法及系统，提高了模型的计算精度和效率，提高水质预测的精度和效率。

摘要： 基于河流水质模型的潮汐作用对河流水质的影响预测方法，涉及水质预测技术领域，为解决现有技术中传统河流水质模型对感潮河段水质模拟准确率低的问题，本发明提出一种基于河流水质模型的潮汐作用对河流水质的影响预测方法，弥补了传统河流水质模型对感潮河段水质模拟准确率低的缺陷，对于受潮汐作用影响严重的感潮河段的污染物控制具有重要意义。相较于先前的潮汐影响评价手段，本发明以河流水力水质模型为基础，能够定量地识别出潮汐作用对于感潮河段氨氮、总磷等污染物浓度的影响，从而能够提出更加精准有效的河流污染控制手段。

摘要： 本发明公开了一种基于果蝇优化算法的水质机理建模及水质预测方法，属于环境工程技术领域。本发明首先结合水质演化机理，提出了一种基于果蝇优化算法的湖库水质机理建模及水质预测方法。在已知水质测量数据的基础上，利用果蝇优化算法估计水质机理模型的未知参数。在此基础上，利用蒙特卡洛仿真预测水质演化过程，获得水质指标未来时刻取值的概率分布，实现水质预测。本发明能建立准确的水质机理模型，基于果蝇优化算法的水质机理建模方法能够准确估计水质机理模型的未知参数，与已有方法相比提高了优化精度和速度；水质预测方法能有效实现水质预测，且考虑更加全面、准确，克服了单值预测结果带来的偶然性。

摘要： 本发明公开了一种水质数据预测模型的训练方法、水质数据预测方法及装置，其中水质数据预测模型的训练方法包括：获取多水质传感器各自的异步数据集；对异步数据集进行扩展，得到扩展数据集；将预处理后的扩展数据集划分为训练数据集和测试数据集；根据训练数据集，对所述水质数据预测模型进行初步训练；将训练数据集中最后一个时间步的数据输入初步训练后的水质预测模型中并将得到的预测结果再次输入所述初步训练后的水质预测模型中循环进行预测，得到预测数据集；计算预测数据集与测试数据集的均方根误差；若均方根误差超出预定范围，则修改初步训练后的水质预测模型的网络参数；重复输入和修改参数的步骤，直至均方根误差在预定范围内。

摘要： 本发明实施例公开了一种水质预测模型训练、水质预测方法、装置、设备及介质，包括：获取目标流域在目标训练时间区间的历史水质样本数据并输入至组合预测模型中的灰色预测模型，得到预测水质因子浓度训练数据；将预测水质因子浓度训练数据输入至组合预测模型中的神经网络模型，得到预测水质监测因子浓度训练数据；根据目标训练时间区间对应的历史水质监测因子浓度样本数据对预测水质监测因子浓度训练数据进行评价；以根据模型评价结果对组合预测模型持续训练。本发明实施例的技术方案能够提高水质预测模型的精准度，进而提高水质预测的精准度。

摘要： 基于河流水质模型的潮汐作用对河流水质的影响预测方法，涉及水质预测技术领域，为解决现有技术中传统河流水质模型对感潮河段水质模拟准确率低的问题，本发明提出一种基于河流水质模型的潮汐作用对河流水质的影响预测方法，弥补了传统河流水质模型对感潮河段水质模拟准确率低的缺陷，对于受潮汐作用影响严重的感潮河段的污染物控制具有重要意义。相较于先前的潮汐影响评价手段，本发明以河流水力水质模型为基础，能够定量地识别出潮汐作用对于感潮河段氨氮、总磷等污染物浓度的影响，从而能够提出更加精准有效的河流污染控制手段。