城市居民生活饮用水水质异常检测方法探究

《城市居民生活饮用水水质异常检测方法探究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、城市居民生活饮用水水质异常检测方法探究摘要：经济高速发展的同时，城市居民生活饮用水环境污染问题频繁发生，这就需要建立在线水质监测系统，探索水质异常检测的方法，以满足对城市居民饮用水水质污染事件进行智能检测的需要，保障城市用水环境的安全，有效减少水资源环境污染造成的损失。关键词：城市居民；饮用水；水质异常；在线水质参数;自优化RBF神经网络；FCM算法0前言近年来，随着我国城市化、工业化进程的不断加快，人口在城市的髙度集聚，以及工业所带来的不同程度的环境污染导致资源环境的危机，城镇居民生活饮用水水

2、质安全问题频频发生，这对人们的健康、生产和生活带来严重的威胁。据统计，2000年至2008年我国城市水污染次数达6677次，年均741次，如2003年汝阳特大水源投毒案、2004年重庆沙坪坝上万名居民饮用水中毒案、2007年太湖蓝藻爆发饮用水质污染案、2008年丹东水质氧化物污染案，以及2011年江苏省盐城市饮用水酸类化合物污染、2012年广西龙江城市居民饮用水质重金属超标80倍。以上这类事件频有发生，这直接关系到社会民生与和谐社会建设。因此，建立城市居民生活饮用水水质实时异常检测与预警机制，并

3、提供相关的技术支持已成为当前亟待解决的现实问题。1水质异常的类别与成因水质异常指的是水质行为偏离其正常行为的情形。在水质监测系统中，这种偏离情形总是随着水质环境的动态变化、噪音而发生改变。借助余氯、总有机碳、电导率、氧化还原电位和PH值来检测水质环境异常，但是，却不能发现其中发现异常的原因。因此，通过分析水质异常发生的原因可以将水质异常检测分为以下几类：基线变化异常。这种主要是由于工艺操作引起，如：阀门、泵的打开或关闭都可能会引发水质基线的变化；离群点。在水质时间序列中，水质参数在某一时间点突然

4、增大或减小，在单一时间点出现与其他数据显著不同的值，这一时间点上的测量值就是离群点，离群点的产生一般是由噪声引起；异常事件。是指在水质检测结果，即测量的水质参数值与标准值存在明显的差异，这类水质异常事件通常是由于外界的污染物投放引起的。其中，离群点是在单一时间点上出现的水质测量值与标准期望值之间的差异，而基线变化异常和异常事件则是在一段时间内离群点的聚集。2城市城市居民生活饮用水水质异常检测方法2.1基于在线水质参数的水质异常检测在线水质参数的异常检测方法的第一步，是要把城市居民饮用水历史水质检

5、测数据作为初始检测指标的原始数据，建立水质变化模型；第二步将城市居民生活饮用水实际水质检测值与建立的模型参数进行比较，然后在与规定的阈值进行比较，由此发现是否存在异常数据。基于在线水质参数的水质异常检测技术主要包括以下三种基本的计算方法：第一种，统计理论算法。基于统计理论的水质参数异常检测首先要建立城市居民饮用水水质统计模型，以此来作为表示正常行为特征，然后，把实际检测数据与模型中的数据进行比较来确定水质参数是否异常。具体的计算方法为，计算接近16000个测试样本数据的平均值和方差，再与预先确定

6、的均值参数进行比较，如果大于3倍方差，则认为饮用水存在水质异常。第二种，基于机器学习的算法。根据已知的数据求出有效鉴别正常数据对象和异常数据对象的分类器，然后通过分类器将未知的数据进行分类，可分为多类别异常检测和单类别异常检测。在城市居民饮用水水质检测中，许多分类算法，比如神经网络、贝叶斯网络、相关向量机等也被应用到水质检测中；第三种，基于聚类的算法。指将相似的数据对象归为一个类别，并根据数据对象所属的类别来衡量城市居民生活饮用水异常度，比如：K-means聚类的水异常检测，具体的计算方法为，根

7、据当前时刻数据与四个聚类中心的最大欧氏距离判断城市居民生活饮用水水质异常情况。2.2基于自优化RBF神经网络的水质预测方法径向基函数(RadialBasisFunction,RBF)由输入层、隐含层和输出层组成，输入信息通过作用函数直接映射到隐含层，输出层对输入信息做出响应。基于RBF神经网络预测模型可以提供高度非线性动态关系的时间序列预测，预测的准确度较高，在网络中需要对输入阶次和SPREAD两个重要参数的值进行设定，但是，由于取值没有一个定量的规律可供参考，导致预测效率低下，不能找到最优解。

8、因此，可以根据KennethPrice提出了差分进化算法(DifferentialEvolution,DE),采用实数编码方式，首先，生成初始种群,然后，经过变量操作、交叉操作和选择操作步骤，以此来验证计算的适应度。差分进化算法设置的参数包括：种群规模、缩放因子、交叉概率因子和最大进化代数，这四个参数影响着最后的求解效率和求解结果，只有合理的设定才能最终获得较好的结果。基于差分进化算法的自优化RBF神经网络预测模型设计的具体步骤为：编码一初始化种群及设置差分进化算法的参数〜个体解码得到RBF网络