生态敏感区输变电建设工程水环境监测与影响评估方法技术

本发明专利技术涉及输变电环境影响评价领域，尤其涉及一种生态敏感区输变电建设工程水环境监测与影响评估方法；该方法通过监测纳污水体的水环境指标，构建上述指标随时间变化的时间序列，同时采样对应时刻的纳污水体的流速、水温、水位等水文指标，形成多指标向量历史时间序列，通过对该时间序列历史样本数据的学习构建非线性映射网络，据此预测下一时刻的多指标向量值，通过校核多指标向量预测值与生态敏感区水环境监测阈值的偏离度，判断输变电建设工程是否对纳污水体产生环境影响及评估影响程度，为生态敏感区输变电建设工程水环境精准监测和保护提供有效的技术手段。和保护提供有效的技术手段。和保护提供有效的技术手段。

【技术实现步骤摘要】
生态敏感区输变电建设工程水环境监测与影响评估方法


[0001]本专利技术涉及输变电环境影响评价领域，尤其涉及生态敏感区输变电建设工程水环境监测与影响评估方法。

技术介绍

[0002]输变电工程是输电线路建设和变压器安装工程的统称。输变电环境影响评价是落实国家战略和生态环境保护规划的必然要求，是协同推进经济高质量发展和生态环境高水平保护的重要手段，是在发展中的第一道防线。输变电工程可以分为交流输变电工程和直流输电工程，其中交流输变电工程包括输电线路和变电站(或开关站、串补站)，直流输电工程包括输电线路、换流站和接地极系统。根据我国国家环境保护标准《环境影响评价技术导则输变电工程》规定，当输变电建设项目进入《建设项目环境影响评价分类管理名录》规定的环境敏感区时，应进行生态规划符合性、环境合理性、建设项目可行性分析。输变电工程对水环境的影响主要包括两方面：一是施工废水，包括基础施工泥浆、施工现场拌合废水、砂石料冲洗及物料清洗筛选废水、机修含油废水等；二是生活污水。输变电工程对地表水环境的影响主要体现在以下指标：一是pH值，由水溶液中氢离子浓度的常用对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.生态敏感区输变电建设工程水环境监测与影响评估方法，其特征在于，该方法分为以下步骤：S1、在监测断面和采样点处获取输变电建设工程纳污水体的水环境指标，包括pH值、COD、BOD5、NH3‑
N和石油类，构成水环境指标时间序列：X
t
＝{x
1，t
，x
2，t
，x
3，t
，x
4，t
，x
5，t
}＝{x
l，t
|l＝[1，2，
…
，5]}，其中t为采样时刻，t∈[1，2，
…
，T]，T表示最大采样时刻，l为第l个水环境指标x
l，t
的编号，x
1，t
表示pH值，无量纲；x
2，t
表示化学需氧量COD，单位为毫克每升；x
3，t
表示五日生化需氧量BOD5，单位为毫克每升；x
4，t
表示氨氮含量NH3‑
N，单位为毫克每升；x
5，t
表示石油类，单位为毫克每升；S2、在监测断面和采样点处获取输变电建设工程纳污水体的水文指标，包括水位、水温、流速，构成水文指标时间序列：Y
t
＝{H
t
，C
t
，V
t
}，其中t为采样时刻，t∈[1，2，
…
，T]，H
t
表示水位，单位为米；C
t
表示温度，单位为摄氏度；V
t
表示水流速度，单位为米/秒；S3、通过水环境指标时间序列和水文指标时间序列构建输变电建设工程纳污水体多指标向量历史时间序列：M＝{M
t
|t∈[1，2，
…
，T]}其中M
t
＝{X
′
t
，Y
t
}，X
′
t
为X
t
的子集即X
′
t
由水环境影响评价因子pH值、COD、BOD5、NH3‑
N和石油类中的一个或多个指标构成，具体指标个数根据采集监测技术条件和生态敏感区环保监管要求综合确定；S4、根据多指标向量历史时间序列M＝{M
t
|t∈[1，2，
…
，T]}构建输入
‑
输出映射；设N为输入
‑
输出映射的输入维数且N＜＜T，则多指标向量历史时间序列M可以构建T
‑
N个输入
‑
输出映射：(M1，M2，
…
，M
N
)
→
M
N+1
(M2，M3，
…
，M
N+1
)
→
M
N+2
…
(M
T
‑
N
，M
T
‑
N+1
，
…
，M
T
‑1)
→
M
T
因此，上述输入
‑
输出映射如下：(M
s
，M
s+1
，
…
，M
s+N
‑1)
→
M
s+N
，s∈[1，2，
…
，T
‑
N]s表示第s个输入
‑
输出映射的编号，取值为[1，2，
…
，T
‑
N]之间的整数；(M
s
，M
s+1
，
…
，M
s+N
‑1)表示第s个输入
‑
输出映射的输入，M
s+N
表示第s个输入
‑
输出映射的预期输出；S5、构建基于多指标向量历史时间序列的输变电建设工程水环境指标非线性映射网络预测模型，该模型输入为输入
‑
输出映射的输入，输出为预测时刻的多指标向量预测值；非线性映射网络预测模型采用输入层
‑
隐藏层
‑
输出层的分层结构：在输入层中，非线性映射网络预测模型的输入为第s个输入
‑
输出映射的输入(M
s
，M
s+1
，
…
，M
s+N
‑1)；在输出层中，该模型的输出为第s+N个预测时刻的多指标向量预测值在隐藏层中，隐藏层节点数等于输入
‑
输出映射的输入维数N，第n个节点记为U
n
，n∈[1，2，
…
，N]；对于第n个节点，采用f，i，g和o四个神经元实现对时间序列的长期趋势和短期波动的协调记忆，对应的神经元输出为：f
n
＝σ(w
f
Z
n
+R
f
H
n
‑1+b
f
)i
n
＝σ(w
i
Z
n
+R
i
H
n
‑1+bi)g
n
＝δ(w
g
Z
n
+R
g
H
n
‑1+b
g
)
o
n
＝σ(w
o
Z
n
+R
o
H
n
‑1+b
o
)其中f
n
，i
n
，g
n
和o
n
分别为f，i，g和o四个神经元的激励输出，σ(
·
)和δ(
·
)分别为sigmoid和tanh函数，...

【专利技术属性】
技术研发人员：杨波，杨东俊，陈曦，
申请(专利权)人：长沙学院，
类型：发明
国别省市：