一种水质污染预警装置

1.本公开涉及水质污染预警技术领域，尤其涉及一种供水管网突发污染的水质污染预警装置。


背景技术：

2.管网突发性水质污染事故具有隐蔽性、突发性、非连续性和不确定性，一旦发生，极易造成经济损失和环境危害。当发生水质污染事故时，事故及时排查和污染源追溯已成为当前环境应急工作的瓶颈，直接影响污染的源头控制和消除策略的制定和实施。
3.目前，我国大部分供水管网已安装水质传感器，实时监测供水管网水质变化，为快速发现突发污染提供了可能。但是由于供水企业运行管理或是技术条件限制，这些水质传感器未能有效发挥监测预警功能。


技术实现要素：

4.(一)要解决的技术问题
5.有鉴于此，本公开的主要目的在于提供一种水质污染预警装置，以至少部分解决以上所提出的技术问题。
6.(二)技术方案
7.根据本公开的一个方面，提供了一种水质污染预警装置，包括监测模块1、数据采集与传输模块2、电源模块3和数据显示与预警模块4，其中：所述监测模块1通过所述数据采集与传输模块2连接于所述所述数据显示与预警模块4；所述电源模块3配置有直流电源和交流电源，分别连接于监测模块1、数据采集与传输模块2和数据显示与预警模块4，为监测模块1、数据采集与传输模块2和数据显示与预警模块4进行供电。
8.根据本公开的实施例，所述监测模块1包括一水质传感器8，该水质传感器8实时监测进入监测模块1的水的水质情况，得到水质情况数据，并将该水质情况数据通过所述数据采集与传输模块2传输至所述数据显示与预警模块4。
9.根据本公开的实施例，所述水质情况数据包括ph值、温度、电导率、orp、余氯、浊度、cod中的至少两种。
10.根据本公开的实施例，所述监测模块1还包括进水管6和出水管7，水自该进水管6进入所述监测模块1，监测后的水自该出水管7排出。
11.根据本公开的实施例，所述数据采集与传输模块2还将该水质传感器8监测的水质情况数据无线传输至云服务器。
12.根据本公开的实施例，所述数据显示与预警模块4存储并实时显示数据采集与传输模块2输入的水质情况数据，并基于该水质情况数据对水质情况进行判断，在水质异常时发出预警。
13.根据本公开的实施例，所述数据显示与预警模块4基于该水质情况数据对水质情况进行判断，包括：采集水质参数历史数据，构建水质污染预警特征库；采集待检测时刻的
水质参数数据，构建待检测时刻水质特征向量，并将该待检测时刻水质特征向量与所述水质污染预警特征库共同构成待检测样本集；采用孤立森林算法对该待检测样本集中水质参数数据进行异常识别。
14.根据本公开的实施例，所述数据显示与预警模块4在水质异常时发出预警，包括：所述数据显示与预警模块4在水质异常时触发报警器9红灯闪烁，并将报警信息发送至云服务器或推送至移动设备端。
15.根据本公开的实施例，该水质污染预警装置还包括：箱体5，用于容设和保护监测模块1、数据采集与传输模块2、电源模块3和数据显示与预警模块4。
16.根据本公开的实施例，所述箱体5包括至少四个轮子10，以方便移动。
17.(三)有益效果
18.从上述技术方案可以看出，本公开提供的水质污染预警装置，至少具有以下有益效果其中之一：
19.1、本公开提供的水质污染预警装置，水质特征向量的提取能够充分利用多水质参数对污染事件的协同反馈现象，同时又保留了监测数据的原始信息。
20.2、本公开提供的水质污染预警装置，孤立森林算法是纯无监督方法，无需大量数据积累，特别是不要求有各类不同污染类别的数据，对数据分布无要求，其实更符合检测未知污染事件这种场景。
附图说明
21.图1为依照本公开实施例的水质污染预警装置的结构示意图。
22.图2为依照本公开实施例的水质污染预警方法的流程图。
23.图3为依照本公开实施例的河水掺混实验结果的示意图。
24.图4为依照本公开实施例的两两水质参数间的皮尔逊相关系数、水质参数的原始数据和历史均值的示意图。
25.图5为依照本公开实施例的二叉树对数据样本进行分割的示意图。
26.图6a和图6b为依照本公开实施例的河水掺混实验的识别效果的示意图，其中图6a为三种方法的准报率，图6b为三种方法的误报率。
27.图7为依照本公开实施例的河水掺混实验各掺混比例下的识别效果的示意图。
28.【附图标记】
29.1监测模块、2数据采集与传输模块、3电源模块、4数据显示与预警模块、5箱体、6进水管、7出水管、8水质传感器、9报警器、10轮子。
具体实施方式
30.为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
31.本公开某些实施例于后方将参照所附附图做更全面性地描述，其中一些但并非全部的实施例将被示出。实际上，本公开的各种实施例可以由许多不同形式实现，而不应被解释为限于此处所阐述的实施例；相对地，提供这些实施例使得本公开满足适用的法律要求。
32.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性
的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
33.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
34.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
35.在本公开的一个示例性实施例中，提供了一种水质污染预警装置，如图1所示，图1为依照本公开实施例的水质污染预警装置的结构示意图。该水质污染预警装置包括监测模块1、数据采集与传输模块2、电源模块3和数据显示与预警模块4，其中：所述监测模块1通过所述数据采集与传输模块2连接于所述所述数据显示与预警模块4；所述电源模块3配置有直流电源和交流电源，分别连接于监测模块1、数据采集与传输模块2和数据显示与预警模块4，为监测模块1、数据采集与传输模块2和数据显示与预警模块4进行供电。
36.在本公开的实施例中，所述监测模块l包括一水质传感器8，该水质传感器8实时监测进入监测模块1的水的水质情况，得到水质情况数据，并将该水质情况数据通过所述数据采集与传输模块2传输至所述数据显示与预警模块4。所述水质情况数据包括ph值、温度、电导率、orp、余氯、浊度、cod中的至少两种。
37.在本公开的实施例中，所述监测模块1还包括进水管6和出水管7，水自该进水管6进入所述监测模块1，监测后的水自该出水管7排出。
38.在本公开的实施例中，所述数据采集与传输模块2还将该水质传感器8监测的水质情况数据无线传输至云服务器。
39.在本公开的实施例中，所述数据显示与预警模块4存储并实时显示数据采集与传输模块2输入的水质情况数据，并基于该水质情况数据对水质情况进行判断，在水质异常时发出预警。
40.在本公开的实施例中，所述数据显示与预警模块4基于该水质情况数据对水质情况进行判断，包括：采集水质参数历史数据，构建水质污染预警特征库；采集待检测时刻的水质参数数据，构建待检测时刻水质特征向量，并将该待检测时刻水质特征向量与所述水质污染预警特征库共同构成待检测样本集；采用孤立森林算法对该待检测样本集中水质参数数据进行异常识别。
41.在本公开的实施例中，所述数据显示与预警模块4在水质异常时发出预警，包括：所述数据显示与预警模块4在水质异常时触发报警器9红灯闪烁，并将报警信息发送至云服务器或推送至移动设备端。
42.在本公开的实施例中，该水质污染预警装置还包括：箱体5，用于容设和保护监测模块1、数据采集与传输模块2、电源模块3和数据显示与预警模块4。
43.进一步地，为了方便移动，所述箱体5包括至少四个轮子10，分别安装于箱体5底部的四个角。
44.基于图1所示的水质污染预警装置，本公开还提供了一种水质污染预警方法，具体如图2所示，图2为依照本公开实施例的水质污染预警方法的流程图，包括以下步骤：
45.步骤s1：采集水质参数历史数据，构建水质污染预警特征库；
46.步骤s2：采集待检测时刻的水质参数数据，构建待检测时刻水质特征向量，并将该待检测时刻水质特征向量与所述水质污染预警特征库共同构成待检测样本集；
47.步骤s3：采用孤立森林算法对该待检测样本集中水质参数数据进行异常识别与预警。
48.在本公开的实施例中，步骤s1中所述采集水质参数历史数据，构建水质污染预警特征库，包括：
49.步骤a1：计算t时刻n个水质参数数据间的相关系数、n个水质参数历史数据从t
‑
k时刻到t时刻共k+1个数据的均值，构建t时刻的水质特征向量，记为时刻到t时刻共k+1个数据的均值，构建t时刻的水质特征向量，记为实现数据特征的提取和特征向量的构建。
50.在步骤a1中，所述相关系数为皮尔逊相关系数、斯皮尔曼相关系数、肯德尔相关系数或协方差中任意一个；当所述相关系数为皮尔逊相关系数时，皮尔逊相关系数r采用如下公式计算：
[0051][0052]
式中，x
i
和y
i
分别代表不同天相同时刻的数据，和分别代表不同天相同时段内数据的均值，n为某时段内数据的个数；r的取值范围为[
‑
1，1]，r大于或小于零，均表明两个水质参数具有一定的协同反馈现象，且r的绝对值越大，协同反馈现象越明显。
[0053]
步骤a2：按照步骤a1将包含m个时刻的水质参数历史数据构建为包含m
‑
k个水质特征向量的水质污染预警特征库。
[0054]
在本公开的实施例中，步骤s2中所述采集待检测时刻的水质参数数据，构建待检测时刻水质特征向量，并将该待检测时刻水质特征向量与所述水质污染预警特征库共同构成待检测样本集的步骤中，按照步骤a1构建待检测时刻水质特征向量，该待检测时刻水质特征向量为待检测样本，将该待检测样本与所述水质污染预警特征库共同构成待检测样本集。
[0055]
在本公开的实施例中，步骤s3中所述采用孤立森林算法对该待检测样本集中水质参数数据进行异常识别与预警，包括：
[0056]
步骤1：有放回地从n
s
个检测样本集中抽取ψ个样本，构建数据子集，其中n
s
＝m
‑
k+1；
[0057]
步骤2：随机选择数据子集中的一个属性，属性即检测样本集中的任意一列；
[0058]
步骤3：随机选择该属性的一个值value；
[0059]
步骤4：根据所选属性，使用具有二叉树结构的itree对每个数据样本进行分割，若数据样本刀小于value，则将其放入左子树，否则将其放入右子树；
[0060]
步骤5：重复步骤3和步骤4，递归地构造左子树和右子树，直至所有叶子节点均只有一个数据样本，即数据样本无法再被分割，itree停止生长；
[0061]
步骤6：重复步骤1～5，构建n
t
棵itree，形成iforest；
[0062]
步骤7：计算每个数据样本在n
t
棵itree中的平均路径长度和该平均路径长度的p分位数，若待检测样本的平均路径长度大于该平均路径长度的p分位数，则水质异常，否则水质正常。
[0063]
其中，步骤7中所述的平均路径长度的p分位数与平均路径长度及采样大小有关，假设数据样本x在一棵itree上的路径长度为h(x)，在n
t
棵itree上的平均路径长度为e(h(x))，则数据样本x的p分位数s(x，ψ)为：
[0064][0065][0066]
公式(3)中的h(ψ
‑
1)为调和数，h(ψ
‑
1)＝ln(ψ
‑
1)+0.5772156649，e(h(x))越接近于0，s(x，ψ)越接近于1，数据样本越易被判定为异常。
[0067]
在本公开的实施例中，步骤s3中所述孤立森林算法包括两各阶段，其中：步骤1～6为训练阶段，该训练阶段是根据一个训练数据集建立iforest；步骤7为评估阶段，该评估阶段是根据已建立的iforest实现训练数据集中异常数据的检测，并能够检测新数据中的异常数据。
[0068]
实施例
[0069]
如图1所示，图1为依照本公开实施例的水质污染预警装置的结构示意图。在某居民二次供水水箱后安装图1所示的水质污染预警装置，进行水质污染模拟实验。二供水箱出水浊度为0.04ntu，余氯浓度为0.5mg/l，污染物为天然河水，天然河水的浊度为1.61ntu，余氯浓度为0mg/l。实验步骤为：
[0070]
1)抽水泵从二供水箱抽水至本公开装置，流速为0.5l/min，持续6h以上；
[0071]
2)两台抽水泵分别从二供水箱和污染物水箱抽水至本公开装置，两台水泵流速之和为0.5l/min，污染物掺混比例分别为1％，3％，5％，10％，15％，每种污染物掺混比例注入持续30
‑
40min左右，然后停止投加污染物，用二供水箱出水以0.5l/min的流速冲洗系统1h，再进行下一掺混实验。
[0072]
污染模拟实验获取了24h的监测数据，数据采集间隔为150s，其中基线数据长达16小时，污染模拟过程持续8h。图3示出了依照本公开实施例的河水掺混实验结果的示意图。
[0073]
以下详述依照本公开实施例的采用水质污染预警装置实现水质污染预警的方法流程：
[0074]
(1)数据特征提取
[0075]
本实施例使用皮尔逊相关系数r表征参数两两间的协同反馈现象，r的绝对值越大，发生污染的可能性越大，其计算公式如下：
[0076][0077]
式中，x
i
和y
i
分别代表不同天相同时刻的数据，和分别代表不同天相同时段内数据的均值，n为某时段内数据的个数；r的取值范围为[
‑
1，1]，r大于或小于零，均表明两个
水质参数具有一定的协同反馈现象，且r的绝对值越大，协同反馈现象越明显。
[0078]
本实施例使用当前时刻及其前22.5min的所有数据计算皮尔逊相关系数，即公式(1)中的n为10，数据采集间隔150s，前22.5min包含9个时刻的数据，加上当前时刻，共10个数据。
[0079]
每个时刻的水质监测数据均可由公式(1)计算出两两水质参数间的皮尔逊相关系数，本实施例使用了4个水质参数(余氯、浊度、电导率、orp)，因此可在每个时刻计算出6个相关系数。如图4所示，图4为依照本公开实施例的两两水质参数间的皮尔逊相关系数、水质参数的原始数据和历史均值的示意图。本实施例将每个时刻水质参数的原始数据、历史均值数据、体现协同反馈现象的皮尔逊相关系数进行组合，构成14维的特征向量，用以水质污染事件的识别与预警。
[0080]
在未发生污染事件的情况下，各个时刻对应的水质特征向量中，皮尔逊相关系数的值应相对较小，水质参数的原始数据在某个范围内进行波动，水质参数的历史均值数据变化较小。发生污染事件后，各个时刻对应的水质特征向量中，某些皮尔逊相关系数的绝对值有所增大，某些水质参数的原始数据也会突然发生波动，某些水质参数的历史均值数据也会突然发生波动。水质特征向量的提取能够充分利用多水质参数对污染事件的协同反馈现象，同时又保留了监测数据的原始信息。
[0081]
(2)孤立森林算法
[0082]
该孤立森林算法使用二叉树对数据样本进行分割，当每个数据样本都被隔离开(即二叉树的每个叶子节点只有一个数据样本)时，二叉树停止生长。在这种随机分割的策略下，易被隔离的异常数据通常具有较短的路径长度。其中，路径长度是指一个数据样本从树的根节点一直到其被隔离到一个叶子节点的过程中所经过的边的个数，路径长度的长短反映了数据样本被隔离的难易程度。图5示出了二叉树分割a、b、c、d和e五个数据样本过程，b和e的路径长度分别为1和2，其他数据的路径长度均不小于3，b和e更易被隔离，更可能是异常数据。
[0083]
在孤立森林算法中，具备随机分割数据样本的二叉树被命名为itree。为了保证分割结果的准确性和稳定性，孤立森林算法需构建n
t
棵itree，这n
t
棵itree便构成了隔离森林iforest。iforest可随机分割数据n
t
次，通过分析每个数据样本在n
t
次分割中的平均路径长度，即可判断数据是否异常。
[0084]
使用孤立森林算法实现水质异常检测的步骤如下：
[0085]
1)有放回地从n
s
个数据样本中抽取ψ个样本，构建数据子集；
[0086]
2)随机选择数据子集中的一个属性；
[0087]
3)随机选择该属性的一个值value；
[0088]
4)根据所选属性对每个数据样本进行分割，若样本x小于value，则将其放入左子树，否则将其放入右子树；
[0089]
5)重复步骤3和4，递归地构造左子树和右子树，直至所有叶子节点均只有一个样本(即数据无法再被分割)，itree停止生长；
[0090]
6)重复步骤1～5，构建n
t
棵itree，形成iforest；
[0091]
7)计算每个数据样本在n
t
棵itree中的平均路径长度和异常得分，判定数据是否异常。
[0092]
当ψ和n
t
分别为256和100时，孤立森林算法就能获得较好的异常甄别效果。在实际应用中，若数据样本的总数小于256，则使用全部样本构建itree。步骤7中所述的异常得分与平均路径长度和采样大小均有关系，记数据样本x在一颗itree上的路径长度为h(x)，在n
t
棵itree上的平均路径长度为e(h(x))，数据样本x的异常得分s(x，ψ)为：
[0093][0094][0095]
公式(3)中的h(ψ
‑
1)为调和数，h(ψ
‑
1)＝ln(ψ
‑
1)+0.5772156649；e(h(x))越接近于0，s(x，ψ)越接近于1，数据样本越易被判定为异常。孤立森林算法是一个两阶段法，步骤1～6称为训练阶段，该阶段可根据一个训练数据集建立起iforest；步骤7则称为评估阶段，该阶段不但可以根据已有的iforest实现训练数据集中异常数据的检测，而且还可检测新数据中的异常数据。
[0096]
对于污染模拟实验数据，本实施例使用部分基线数据(约12h)生成的水质特征向量作为训练数据建立iforest，然后对剩余的基线数据和污染数据进行识别与预警。对于正常监测数据(即全部为基线数据)，本实施例使用约12h的监测数据建立iforest，然后对剩余的数据进行识别与预警。
[0097]
(3)水质污染预警性能对比
[0098]
本实施例对比了本公开与其他两种方法的预警性能——多参数和单参数水质污染预警方法。两种对比方法也使用孤立森林算法进行污染事件的识别与预警，区别在于水质特征向量，多参数方法的水质特征向量仅包含水质参数的原始监测数据，单参数方法的水质特征向量仅包含一个水质参数(如余氯)。本公开方法记为“corr+raw”，多参数方法记为“raw”，单参数方法记为“cl”。
[0099]
本实施例用准报率(true positive rate，tpr)和误报率(false positive rate，fpr)来评估预警性能。tpr越高则污染事件被探测出的概率越高，fpr越高则基线被误判为污染事件的概率越高。
[0100][0101][0102]
其中，
[0103]
tp，判断出污染事件发生，实际也有污染事件发生；
[0104]
fp，判断出污染事件发生，实际却没有污染事件发生；
[0105]
tn，判断为基线状况，实际也没有污染事件发生；
[0106]
fn，判断为基线状况，实际却有污染事件发生。
[0107]
图6a和图6b为依照本公开实施例的河水掺混实验的识别效果的示意图，其中图6a为三种方法的准报率，图6b为三种方法的误报率。相较于多参数方法，本公开将准报率提升了18.1％，将误报率降低了80.8％；相较于单参数(余氯)方法，本公开将准报率提升了75.6％，将误报率降低了8.1％。
[0108]
图7进一步示出了三种方法在每个掺混比例下的准报率。可以发现，本公开提供的水质污染预警方法在每个掺混比例都表现出了最强的识别能力。在低掺混比例下，河水对二供出水的稀释能力有限，水质参数变化较小，协同反馈现象也不是很明显，因此识别能力也较差。
[0109]
本公开提供的水质污染预警装置，水质特征向量的提取能够充分利用多水质参数对污染事件的协同反馈现象，同时又保留了监测数据的原始信息。孤立森林算法是纯无监督方法，无需大量数据积累，特别是不要求有各类不同污染类别的数据，对数据分布无要求，其实更符合检测未知污染事件这种场景。
[0110]
至此，已经结合附图对本公开进行了详细描述。依据以上描述，本领域技术人员应当对本公开有了清楚的认识。
[0111]
需要说明的是，在附图或说明书正文中，未绘示或描述的实现方式，均为所属技术领域中普通技术人员所知的形式，并未进行详细说明。此外，上述对各元件的定义并不仅限于实施例中提到的各种具体结构、形状或方式，本领域普通技术人员可对其进行简单地更改或替换。
[0112]
当然，根据实际需要，本公开还可以包含其他的部分，由于同本公开的创新之处无关，此处不再赘述。
[0113]
并且图中各部件的形状和尺寸不反映真实大小和比例，而仅示意本公开实施例的内容。另外，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。
[0114]
除非有所知名为相反之意，本说明书及所附权利要求中的数值参数是近似值，能够根据通过本公开的内容所得的所需特性改变。具体而言，所有使用于说明书及权利要求中表示组成的含量、反应条件等等的数字，应理解为在所有情况中是受到「约」的用语所修饰。一般情况下，其表达的含义是指包含由特定数量在一些实施例中
±
10％的变化、在一些实施例中
±
5％的变化、在一些实施例中
±
1％的变化、在一些实施例中
±
0.5％的变化。
[0115]
再者，单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。
[0116]
此外，除非特别描述或必须依序发生的步骤，上述步骤的顺序并无限制于以上所列，且可根据所需设计而变化或重新安排。并且上述实施例可基于设计及可靠度的考虑，彼此混合搭配使用或与其他实施例混合搭配使用，即不同实施例中的技术特征可以自由组合形成更多的实施例。
[0117]
类似地，应当理解，为了精简本公开并帮助理解各个公开方面中的一个或多个，在上面对本公开的示例性实施例的描述中，本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，公开方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的单独实施例。
[0118]
此外，在附图或说明书描述中，相似或相同的部分都使用相同的图号。说明书中示例的各个实施例中的技术特征在无冲突的前提下可以进行自由组合形成新的方案，另外每
个权利要求可以单独作为一个实施例或者各个权利要求中的技术特征可以进行组合作为新的实施例，且在附图中，实施例的形状或是厚度可扩大，并以简化或是方便标示。再者，附图中未绘示或描述的元件或实现方式，为所属技术领域中普通技术人员所知的形式。另外，虽然本文可提供包含特定值的参数的示范，但应了解，参数无需确切等于相应的值，而是可在可接受的误差容限或设计约束内近似于相应的值。
[0119]
除非存在技术障碍或矛盾，本公开的上述各种实施方式可以自由组合以形成另外的实施例，这些另外的实施例均在本公开的保护范围中。
[0120]
虽然结合附图对本公开进行了说明，但是附图中公开的实施例旨在对本公开优选实施方式进行示例性说明，而不能理解为对本公开的一种限制。附图中的尺寸比例仅仅是示意性的，并不能理解为对本公开的限制。
[0121]
虽然本公开总体构思的一些实施例已被显示和说明，本领域普通技术人员将理解，在不背离本总体公开构思的原则和精神的情况下，可对这些实施例做出改变，本公开的范围以权利要求和它们的等同物限定。
[0122]
以上所述的具体实施例，对本公开的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本公开的具体实施例而已，并不用于限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。