【技术实现步骤摘要】
本专利技术涉及水质预测，具体涉及一种排水管网节点水质预测方法。
技术介绍
1、现阶段，城市排水管网监管技术研发多集中在水质水量监测，对排水管网水质预测研究较少。通过水质监测可以发现水质超标的管网节点，但污染对城市排水处理系统和水生态环境的危害已经产生，而通过水质预测能够获知排水管网未来水质变化情况，提前进行预警，避免或最大程度地减轻污染对污水处理工艺系统和流域水生态环境的损害。现有的水质预测方法研究主要针对河流、湖库等自然水体，所采用的方法多是基于bp、lstm等神经网络模型，利用历史水质数据信息对未来水质进行估计。
2、现有水质预测方法大部分试图通过先进热门模型、算法优化和数据预处理等方式提高水质预测准确度，但改善效果不明显。主要原因是未考虑模型的适用性、数据本身的规律性以及空间信息的价值性。
技术实现思路
1、针对现有技术中存在的问题，本专利技术提出了一种排水管网节点水质预测方法，其是基于排水管网节点水质监测数据的周期性、趋势性、自相关性和随机性特征，构建水质预测模型，获得时间维度的水质预测值；基于排水管网拓扑关系，分别构建普通节点和蓄水节点的水质预测模型，获得空间维度的水质预测值；耦合时空双维度的水质预测值，作为排水管网节点水质的最终预测结果。
2、本专利技术所述的一种排水管网节点水质预测方法，包含以下步骤：
3、利用基于水质演变规律的排水管网节点水质预测模型预测排水管网节点j的水质及其直接进流管道末端或起始端的水质；
4、将管
5、将时空双维度的水质预测值进行加权平均，作为节点j水质的最终预测结果。
6、进一步地，所述水质演变规律的排水管网节点水质预测模型：利用1次季节差分和1次差分剔除水质数据的周期性和趋势性，添加降雨量变量以衡量降雨对水质的影响，根据水质数据的自相关性，构建时间维度的排水管网节点水质预测模型。
7、进一步地，所述基于排水管网拓扑关系的节点水质预测模型：针对不同类型的节点，根据其污染来源结构，分别构建普通节点和蓄水节点空间维度的水质预测模型。
8、更进一步地，所述普通节点的水质预测模型中添加了直接进流管道对节点水质的影响系数α，用于衡量污水在管道输送过程中发生的降解、漏损等。
9、进一步地，所述的排水管网节点水质预测方法，包含以下步骤：
10、步骤一：
11、设排水管网中节点j直接连接了n个进流管道；
12、节点j或其直接进流管道起始端或末端污染物浓度历史小时数据时间序列记为{y1,y2,...,yt-1}，降雨量历史小时数据时间序列记为{x1,x2,...,xt-1}；
13、为了剔除周期性，对时间序列{y1,y2,...,yt-1}做1次季节差分，即
14、y′k＝yk-yk-24(k＝t-1,t-2,...,25)
15、为了剔除趋势性，对剔除周期性后的时间序列{y'25,y'26,...,y't-1}做1次差分，即
16、y″k＝y′k-y′k-1(k＝t-1,t-2,...,26)
17、根据公式：
18、
19、计算得到t时刻排水管网的节点j及其直接进流管道起始端的污染物浓度经过差分处理后的预测值，分别记为y″t0,y″t1,y″t2,...,y″tn；
20、其中，y't'为t时刻节点j或其直接进流管道起始端的污染物浓度经过差分处理后的预测值，εt为t时刻的误差，xt为t时刻的降雨量；p、q分别为自回归滞后阶数、移动平均滞后阶数，p、q分别为季节性的自回归滞后阶数、移动平均滞后阶数；s为周期，值为24；l为滞后算子；θ(l)p为l的不含常数项的p阶多项式，θ(ls)p为ls的不含常数项的p阶多项式，φ(l)q为l的不含常数项的q阶多项式，为ls的不含常数项的q阶多项式；μ,β为常数；
21、t时刻排水管网的节点j或其直接进流管道起始端或末端的污染物浓度预测值可根据下面公式计算得到：
22、yt＝y″t+yt-1+yt-24-yt-25
23、预测结果分别记为ytemporal和
24、步骤二：
25、当节点j是普通节点时，将步骤一中计算得到的节点j的直接进流管道起始端的污染物浓度预测值代入公式：
26、
27、计算得到基于排水管网拓扑关系的t时刻节点j的污染物浓度预测值，记为yspatial；
28、其中，c是t时刻节点j的污染物浓度，ci是直接进流管道i起始端的污染物浓度(即yit)，qi是直接进流管道i起始端的平均流量，αi是直接进流管道i对节点j的水质的影响系数，w是节点j的外部直接污染源的污染物质量，q是节点j的外部污染源的流量；
29、当节点j是蓄水节点时，将步骤一中计算得到的节点j的直接进流管道末端的污染物浓度预测值和t-1时刻节点j的污染物浓度观测值代入公式：
30、
31、计算得到基于排水管网拓扑关系的t时刻节点j的污染物浓度预测值，记为yspatial；
32、其中，c是t时刻节点j的污染物浓度，c0是t-1时刻节点j的污染物浓度，v0是节点j的容量，ci是直接进流管道i末端的污染物浓度，qi是直接进流管道i末端的平均流量，w是节点j的外部直接污染源的污染物质量，q是节点j的外部污染源的流量；
33、步骤三：
34、对基于时间序列变化规律获得的污染物浓度预测值和基于排水管网拓扑关系获得的污染物浓度预测值进行加权平均，根据公式
35、y＝γ*yspatial+(1-γ)*ytemporal
36、计算获得t时刻排水管网中节点j的污染物浓度最终预测结果。
37、与现有技术相比，本专利技术具有如下的有益效果：
38、相比于bp、lstm神经网络等黑盒模型，本专利技术构建的水质预测模型遵循了排水管网节点水质的时间演变规律和污染来源结构，更具有可解释性和说服力。针对普通节点和蓄水节点分别给出不同的水质预测模型，实现了对排水管网中不同类型节点的精细化水质预测。通过在模型中添加降雨量变量和外部直接污染源的污染量参数，引入降雨和外部直接污染源对排水管网节点水质的影响，使得模型在不同场景下具有广泛的适用性。充分利用现有时间维度的水质数据信息和空间维度的管网结构信息，构建时空双维度的排水管网节点水质预测模型，二者优势互补，预测结果更加准确可信。
本文档来自技高网...【技术保护点】
1.一种排水管网节点水质预测方法，其特征在于，包含以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述水质演变规律的排水管网节点水质预测模型：利用1次季节差分和1次差分剔除水质数据的周期性和趋势性，添加降雨量变量以衡量降雨对水质的影响，根据水质数据的自相关性，构建时间维度的排水管网节点水质预测模型。
3.根据权利要求1所述的方法，其特征在于，所述基于排水管网拓扑关系的节点水质预测模型：针对不同类型的节点，根据其污染来源结构，分别构建普通节点和蓄水节点空间维度的水质预测模型。
4.根据权利要求3所述的方法，其特征在于，所述普通节点的水质预测模型中添加了直接进流管道对节点水质的影响系数α，用于衡量污水在管道输送过程中发生的降解、漏损等。
5.根据权利要求1所述的方法，其特征在于，包含以下步骤：
6.根据权利要求5所述的方法，其特征在于，考虑到排水管网中每日排水具有一定的规律，以24小时作为一个周期。
7.根据权利要求5所述的方法，其特征在于，考虑到汛期和非汛期排水管网中水质差异大，将降雨量作为一个重要的外生
...【技术特征摘要】
1.一种排水管网节点水质预测方法，其特征在于，包含以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述水质演变规律的排水管网节点水质预测模型：利用1次季节差分和1次差分剔除水质数据的周期性和趋势性，添加降雨量变量以衡量降雨对水质的影响，根据水质数据的自相关性，构建时间维度的排水管网节点水质预测模型。
3.根据权利要求1所述的方法，其特征在于，所述基于排水管网拓扑关系的节点水质预测模型：针对不同类型的节点，根据其污染来源结构，分别构建普通节点和蓄水节点空间维度的水质预...
【专利技术属性】
技术研发人员：李荣景，程雨涵，钱益武，张友德，王清泉，尹星，
申请(专利权)人：安徽新宇环保科技股份有限公司，
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。