一种基于大数据分析实现的快速水污染溯源方法与流程

1.本发明涉及环保检测技术领域，具体为一种基于大数据分析实现的快速水污染溯源方法。


背景技术：

2.水源污染治理成本高，然污水处理成本高、偷排不易发觉、违法成本低。快速定位污染源，可以有效降低环境污染损失、提高偷排企业的违法成本，减少偷排。
3.基于此，本发明设计了一种基于大数据分析实现的快速水污染溯源方法，以解决上述提到的问题。


技术实现要素：

4.本发明的目的在于提供一种基于大数据分析实现的快速水污染溯源方法，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：一种基于大数据分析实现的快速水污染溯源方法，包括以下步骤：
6.a)通过园区或河道的水质采集设备获取数据；
7.b)大数据计算平台会采集得到的数据，应用标签算法，给每个设备打上水质标签，其中标签设计需要对历史水质数据进行数据调研，分析数据特征，所谓的标签算法即将根据历史数据获取，水质参数的优、良、合格、一般污染的分界值，level1，level2，level3，level4，根据如下算法进行标签化，降低计算量，公式如下：
[0008][0009]
其中，level1，level2，level3，level4为人工定义的水质参数值；
[0010]
c)经过对各个水质采集设备的水质标签使用大数据算法进行区域和时域分析，根据水质的变化趋势判断水流方向，其中水质变化即求取水质参数的在地域和时域的导数，通过各节点水质指标及区域地图绘制水质地图，其计算公式如下：
[0011][0012]
其中，f为水质参数函数，f(x)表示其在x时刻的水质参数，f(x+h)表示其在x+h时刻的水质参数；
[0013]
d)通过各个设备的水质标签与人工定义水质的合格参数进行深度学习，主要用到
支持向量机算法将历史水质数据分成两组，一组为正常的水质数据，另一组为污染的水质数据，使用支持向量机算法生成超平面，计算较新增的水质数据点与超平面之间的距离，当计算值为负值时，说明其只存污染风险，其绝对值可以标注水质污染的程度，即当小于0时，绝对值越大，风险越高，当大于0时，绝对值越大，其水质越安全，可以为水质污染的区域提供预警，其计算公式如下：
[0014]
超平面函数，
[0015]
其中，w为根据历史数据得出的参数矩阵，b根据历史数据得出的常数， i表示i个参数点，y为该数据样本的分类，
[0016]
当y(i)＝1时，函数边界将会很大，(w
t
x+b)为一个较大的正数，其水质就越好；
[0017]
当y(i)＝-1时，函数边界也将会很大，(w
t
x+b)为一个较大的负数，水质就越差；
[0018]
e)当需要定位水域的污染源时，可以根据水质地图中各个区域的水质数据判断水质的变化趋势，找到水质污染最严重的区域，从而得出可能的污染源，其公式如下：
[0019][0020]
其中，f为水质参数函数，f(x)表示其在x时刻的水质参数，f(x+h)表示其在x+h时刻的水质参数，
[0021]
y＝max(f(x,y,t,key
value1
,key
value2
,
…
))；
[0022]
其中，f为采集设备位置、时间、水质参数构造而成的水质污染指标函数，其值越大表示污染情况越严重，max是获取水质污染指标的最大值，也就得出其地理位置，确定污染源；
[0023]
f)根据水质地图，当含有历史水质数据且数量比较大，使用数值分析中曲线拟合，根据拟合结果计算水质的各个参数的变换周期，在水质存在污染风险时，及时关停，其中使用到快速傅里叶变换计算水质参数的变换周期，其具体过程如下：
[0024]
y＝fft(x)，
[0025]
period＝1/((1：n/2)/(n/2)*0.5)，
[0026]
其中，x为水质参数的时间序列，fft是傅里叶变换，y为fft变换后的频域序列，n为y的长度，period为水质参数时间序列的变化的平均周期。
[0027]
优选的，所述水质采集设备获取数据为每五分钟上传一次水质数据。
[0028]
优选的，所述水质标签的信息内容包括但不仅于：各种水质参数、设备编号、采集时间。
[0029]
与现有技术相比，本发明的有益效果是：
[0030]
1、本发明设备投入低，本发明是基于现有的设备采集；
[0031]
2、本发明可以精确定位水质污染源；
[0032]
3、本发明可以根据采集的数据构建水质地图，工作人员可以根据其进行水质的时域和区域分析；
[0033]
4、本发明可以结合已有的数据经非线性分析，为环保监督提供水质预警。
具体实施方式
[0034]
下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0035]
实施例1
[0036]
本发明提供一种技术方案：一种基于大数据分析实现的快速水污染溯源方法，包括以下步骤：
[0037]
a)通过园区或河道的水质采集设备获取数据，水质采集设备获取数据为每五分钟上传一次水质数据；
[0038]
b)大数据计算平台会采集得到的数据，应用标签算法，给每个设备打上水质标签，其中标签设计需要对历史水质数据进行数据调研，分析数据特征，所谓的标签算法即将根据历史数据获取，水质参数的优、良、合格、一般污染的分界值，level1，level2，level3，level4，根据如下算法进行标签化，降低计算量，公式如下：
[0039][0040]
其中，level1，level2，level3，level4为人工定义的水质参数值；
[0041]
c)经过对各个水质采集设备的水质标签使用大数据算法进行区域和时域分析，根据水质的变化趋势判断水流方向，其中水质变化即求取水质参数的在地域和时域的导数，通过各节点水质指标及区域地图绘制水质地图，其计算公式如下：
[0042][0043]
其中，f为水质参数函数，f(x)表示其在x时刻的水质参数，f(x+h)表示其在x+h时刻的水质参数；
[0044]
d)通过各个设备的水质标签与人工定义水质的合格参数进行深度学习，主要用到支持向量机算法将历史水质数据分成两组，一组为正常的水质数据，另一组为污染的水质数据，使用支持向量机算法生成超平面，计算较新增的水质数据点与超平面之间的距离，当计算值为负值时，说明其只存污染风险，其绝对值可以标注水质污染的程度，即当小于0时，绝对值越大，风险越高，当大于0时，绝对值越大，其水质越安全，可以为水质污染的区域提供预警，其计算公式如下：
[0045]
超平面函数，
[0046]
其中，w为根据历史数据得出的参数矩阵，b根据历史数据得出的常数， i表示i个参数点，y为该数据样本的分类，
[0047]
当y(i)＝1时，函数边界将会很大，(w
t
x+b)为一个较大的正数，其水质就越好；
[0048]
当y(i)＝-1时，函数边界也将会很大，(w
t
x+b)为一个较大的负数，水质就越差；
[0049]
e)当需要定位水域的污染源时，可以根据水质地图中各个区域的水质数据判断水质的变化趋势，找到水质污染最严重的区域，从而得出可能的污染源，其公式如下：
[0050][0051]
其中，f为水质参数函数，f(x)表示其在x时刻的水质参数，f(x+h)表示其在x+h时刻的水质参数，
[0052]
y＝max(f(x,y,t,key
value1
,key
value2
,
…
))；
[0053]
其中，f为采集设备位置、时间、水质参数构造而成的水质污染指标函数，其值越大表示污染情况越严重，max是获取水质污染指标的最大值，也就得出其地理位置，确定污染源；
[0054]
f)根据水质地图，当含有历史水质数据且数量比较大，使用数值分析中曲线拟合，根据拟合结果计算水质的各个参数的变换周期，在水质存在污染风险时，及时关停，其中使用到快速傅里叶变换计算水质参数的变换周期，其具体过程如下：
[0055]
y＝fft(x)，
[0056]
period＝1/((1：n/2)/(n/2)*0.5)，
[0057]
其中，x为水质参数的时间序列，fft是傅里叶变换，y为fft变换后的频域序列，n为y的长度，period为水质参数时间序列的变化的平均周期。
[0058]
其中，水质采集设备获取数据为每五分钟上传一次水质数据。
[0059]
其中，水质标签的信息内容包括但不仅于：各种水质参数、设备编号、采集时间。
[0060]
随着水质检测设备价格的下降，在水域关键位置部署水质检测设备成为趋势，本发明正是基于现有的水质采集设备，获取水质数据，可以有效降低项目的资金投入；
[0061]
本发明基于现有的数据，构建水质时域、区域图。当水质发生渐变时，可以准确定位污染源，为环保监督提供数据支撑；
[0062]
本发明是基于设备的周期性分析及大数据运算，当多个水质参数经非线性分析，提供水质污染预警，可以及时发现污染问题。
[0063]
本发明充分利用现有的数据资源及大数据计算能力，结合现有的检测数据及人工设置阈值，可以动态反应水域的水质，达到实时监管，当水质有良好逐渐变成污染，可以使用该算法，分析水质的时域和区域的变化趋势，精度定位污染源及污染发生的时间。本发明可以根据数据采集设备的分布密度及采样周期绘制不同分辨率的水质地图，其可广泛应用于已经安装水质采集设备的水域，如：河流、工业园区等。
[0064]
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0065]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，
可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。