【技术实现步骤摘要】
一种水质检测及处理方法
[0001]本专利技术涉及水质检测领域,尤其是一种水质检测及处理方法。
技术介绍
[0002]随着社会发展,水环境污染问题愈加突出,各地区对水染污的防治工作就十分重要。但中国地域辽阔,部分地区水系发达,水污染防治工作量十分巨大且繁琐。
[0003]在水质检测及处理方法中如何判断异常,并通过异常确定异常事件,防止误报、错报带来的人力资源浪费,就显得十分必要。
[0004]现行的对排水水质异常的检测方法,主要是人为设定。人为根据各地实时的排放标准,在操作软件后台设定一个正常值,这个值可以是一个值,也可以是一个范围。各在线检测设备将检测的数据发送给数据库后,服务器根据人为设定的值进行简单的比较大小判断,高于或者低于正常值的就定义为异常值,从而定性为异常事件。这种方式应用简单方便,但是异常事件判断的准确度低,在执行时,受在线检测设备的影响,检测数据不稳定,极易出现频繁报警,导致信息量过载,给实际工作带来较大工作负担。并且由于水环境排放执行标准较多,其实际工业环境复杂,因而参考的标准更是复杂,往往在一个项目里,执行多重标准,这也导致人为设定值存在执行难度。
[0005]并且排水的往往具有时效性,综合一天的排放,可能某个时段超出正常值,某个时段为正常值,其排放情况复杂,其排放时间、排放量等影响因素较多,并不能简单的将异常值与异常事件划等号。
技术实现思路
[0006]为了克服现有技术中存在的不足,本专利技术提供了一种水质检测及处理方法,其能够确保结果输出的准确性,提 ...
【技术保护点】
【技术特征摘要】
1.一种水质检测及处理方法,其特征在于:包括以下步骤:S1,采集待检测水源的水质数据;S2,准备数据,将采集的水质数据以待检测时间为基准进行分类,获得包括至少部分待检测时间之前的水质数据的训练集D、以及包括待检测时间的水质数据的待检测数据集T;S3,基于训练集D获取正常和异常水质数据类别的分类阈值,并根据所述分类阈值建立KNN预测模型;S4,将待检测数据集T带入所述KNN预测模型中,并输出预测结果。S5,根据所述预测结果对水进行处理。2.根据权利要求1所述的水质检测及处理方法,其特征在于:所述训练集D和待检测数据集T的数据包括水质电导率,D={x1,x2,
···
,x
n
},T={x
′1,x
′2,
···
,x
′
m
},其中x1,x2,...,x
n
表示训练集D中包含的水质电导率的值,x'1,x'2,...,x'
n
表示待检测数据集T中包含的水质电导率的值;在所述步骤S2中,在获得所述训练集D和所述待检测数据集T后,对所述训练集D和所述待检测数据集T进行归一化预处理。3.根据权利要求1所述的水质检测及处理方法,其特征在于:在所述步骤S2中,所述训练集D包括待检测时间之前两周的水质数据。4.根据权利要求1所述的水质检测及处理方法,其特征在于:在所述步骤S3中,包括:将所述训练集D带入密度聚类DBSCAN算法导出最大密度相连的“簇”集合C,取“簇”集合中的最大值V
max
、最小值V
min
即为正常和异常水质数据类别的分类阈值。5.根据权利要求4所述的水质检测及处理方法,其特征在于:所述步骤S3具体包括以下步骤:S31,调用DBSCAN算法,将训练集D带入DBSCAN算法内;S32,从训练集D中任意选取一个数据节点x
a
,以点x
a
为圆心,以∈为半径画一个圆圈,形成x
a
的∈
‑
邻域;S33,对x
a
的∈
‑
邻域内的数据节点进行统计,通过距离公式计算训练集D中的每一个数据节点到x
a
点的距离;对于x
a
∈D,其邻域包含训练集D中与x
a
的距离≤∈的子样本集,即N∈(x
a
)={x
j
∈D|distance(x
a
,x
j
)≤∈},这个子样本集的个数记为|N∈(x
a
)|,如果x
a
其邻域对应的N∈(x
a
)至少包含MinPts个样本即|N∈(x
a
)|≥MinPts,则x
a
是核心点,且点x
j
由x
a
密度直达;如果x
a
其邻域对应的N∈(x
a
)小于MinPts个样本即|N∈(x
a
)|<MinPts,则x
a
是边界点;S34,重复S32,S33,直到训练集D中的所有数据节点被处理,形成若干个核心点,对x
a
与x
j
,若存在样本序列x1,x2,...,x
n
,其中x1的核心对象等于x
a
,x
n
的核心对象等于x
j
,且x1由x
n
密度直达,则x
j
与x
a
密度可达;对x
a
与x
j
,若存在x
n
使得x
a
与x
j
均由x
n
密度可达,...
【专利技术属性】
技术研发人员:黄小芹,何小龙,江芳芳,
申请(专利权)人:宁波可为数据技术有限公司,
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。