基于信息化的地表水水质预测

水利信息化技术指在水质信息管理、水质分析评价、水质预测和抗洪救灾等方面提供了多重应用需求;本文针对目前主流的计算机技术,对地表水常见水质预测方法进行分析与探索。     

基于信息化的地表水水质预测

水利信息化技术指在水质信息管理、水质分析评价、水质预测和抗洪救灾等方面提供了多重应用需求;本文针对目前主流的计算机技术,对地表水常见水质预测方法进行分析与探索。     

基于蒙特卡罗仿真的湖库水质预测及富营养化风险评估方法

已有的水质预测研究通常是单值预测,并以此为依据分析富营养化状态,具有一定的偶然性和不确定性。结合水质动力学模型,提出了一种基于蒙特卡罗仿真的湖库水质预测及富营养化风险评估方法。在已知水质动力学模型水质指标和模型参数的先验分布基础上,利用蒙特卡罗仿真预测水质指标的演化过程,获得未来时刻水质指标取值的概率分布,实现水质预测。进一步,构造综合营养状态指数,结合水质指标预测结果,计算综合营养状态指数的概率分布和处于不同营养程度的概率,实现富营养化风险评估。仿真结果表明,该方法能够有效实现水质预测和富营养化分析,且考虑更加全面、准确,克服了单值预测结果带来的偶然性。     

基于BP神经网络的水质预测方法的研究

为了建立相应的水质预测和评价管理决策支持系统,在了解和分析一些常规水质模型的基础上,提出了用BP神经网络进行智能建模的方法,并结合东江自动监测站的实测水质数据进行了初步的探索,建立了东江水质预测的BP神经网络模型,并给出了仿真结果。结果表明,BP神经网络模型可以很好地对水质进行预测,解决系统中复杂的非线性关系,具有预测精度高,简便可靠等特点。     

水环境监测与评价系统设计及应用

近年来,水生态环境遭到巨大破坏,建立和完善系统的、专业的水环境监测与评价系统,对水体污染的控制与防治起重要指导作用。设计并开发水环境监测与评价系统,通过报表、图表等,结合在线和离线分析技术,对水质数据变化趋势进行直观展示。将机器学习运用到水质评价中,提高运算的效率及准确度。针对水质时间序列数据的不确定特性建立水质预测模型,对水质中参数在未来一段时间中的含量进行预测,解决水质时间序列多元性、时变性、非线性、耦合性等特点所导致的预测建模困难和管理难度增加的问题,并得到较高的预测精度。该系统集水质数据监测、管理、预警功能为一体,在长泰枋洋水利枢纽得到应用,取得良好的效果。     

基于SOA的智慧河道水质监测预警平台设计及应用

针对传统河道管理体系中水文站点分布多、散、面广,水质样本采集方式耗时耗力,各部门间“信息孤岛”等问题,设计基于SOA的智慧河道水质监测预警平台。使用LPWAN技术,构建低功耗、远距离水质数据在线采集系统,通过SOA架构实现多源异构数据接入;通过PSO-BP算法及AR算法对采集到的数据进行水质分析和预测。平台实现了“云管端”一体化的在线水质参数采集及监测预警,预测误差在允许范围内基本低于1.5%,具有较好的实用性。     

基于SVR-ARIMA组合模型的金泽水库氨氮预测研究

介绍了用于水质预测的Support Vector Regerssion(SVR)及Autoregressive Integrated Moving Average model(ARIMA)两种回归模型的优缺点,以金泽水库取水口水质氨氮为例,构建SVR-ARIMA组合模型,通过模型和实际数据验证了SVR-ARIMA模型的可预测性,预测效果优于单模型,短期的水质预测模型较准确的预测了金泽水库取水口的水质,可为水库取水水质提供支撑。     

基于偏最小二乘回归和SVM的水质预测

针对传统水质预测方法中水质因子的多重相关性造成预测精度低的问题,提出了一种将偏最小二乘法和支持向量机相耦合的水质预测方法。利用偏最小二乘法提取对水质因子影响强的成分,从而克服了信息冗余问题,并降低了支持向量的维数。利用支持向量机建模可以较好地解决高维非线性小样本问题。同时利用改进的PSO算法优化SVM参数,减小参数搜索的盲目性。研究结果表明,本耦合模型的预测精度和运行效率明显优于常用的BP人工神经网络和传统的支持向量机,可以更好地应用于水质预测。     

基于小波分解的LSTM水质预测模型

水是人类和其它生命体所依赖的不可缺少的资源, 建立水质预测模型预测水质状况具有重要的社会经济和生态环保价值. 本文建立了基于小波分解的长短期记忆网络(LSTM)时间序列预测模型(W-LSTM), 运用Daubechies5 (db5)小波将水质数据分解为高频率和低频率信号, 再将这些信号作为LSTM模型的输入, 来训练模型预测水质数据. 利用安徽阜南王家坝流域采集到的4项水质指标(pH值、DO、CODMn、NH₃N)对该模型进行训练、验证和测试, 并与传统LSTM神经网络模型的训练和预测结果进行比较. 结果显示所提出的方法在多种评价指标上均优于传统LSTM模型, 表明了该方法具有较高的预测精度和泛化能力, 是一种更有效的模拟预测手段.     

改进的QGA-BP模型在复杂水质预测中的应用

水质预测是实现非线性水系统的柔性管理、防治水污染的前提工作.机理性水质预测模型的构建往往较复杂并且需要大量运算与数据,预测效果有时不够精确,其进一步推广应用也受到限制.文中以淮河复杂水环境非机理性水质预测为目的,构建改进的量子遗传算法优化BP神经网络模型,采用动态改进策略和灾变策略作为进化操作准则来优化BP模型的权值和阈值,用历史观测数据作为学习范例训练模型.对比实验结果发现,模型改进以后,进化代数、收敛速度和预测结果的准确率有较大提高.该模型用于水质预测的黑箱问题是可行的,拓展水环境管理的思路.     

基于小波变换和支持向量机的水质预测

提出基于小波变换和支持向量机的水质预测模型。该模型运用小波变换得到水质时间序列在不同尺度下的变化特性,并用改进后的粒子群算法优化回归支持向量机的三个参数,提高了模型预测精度。运用该模型对王江泾自动监测站测得的溶解氧浓度进行了1步预测及2步预测,10组测试样本最高MAPE为4.54%,并用基于BP神经网络的预测结果进行了比较。结果表明,该模型性能良好、预测精度高、简便易行,比基于BP神经网络的模型具有更好的预测效果,为水质预测提供了一种有效的方法。     

基于Adaboost算法的水质组合预测方法研究

水质预测是水环境污染防治的重要内容,针对传统水质预测方法精度低、收敛速度慢等问题,研究首先选取Symlets和Daubechies小波系作为小波函数,对原始数据进行去噪处理并对比,再结合RBF、Elman神经网络以及支持向量机各自优点,通过不同算法优化三种预测模型,提出基于Adaboost算法将优化后的RBF、Elman神经网络以及支持向量机相结合的组合预测方法。以北海为对象进行仿真实验,验证基于Adaboost的溶解氧组合预测方法的有效性,并分别与单一模型的预测结果进行对比,结果表明该方法相比于传统的单一模型预测精度得到了提高,为水质精准预测提供了一种新思路。     

K-Similarity降噪的LSTM神经网络水质多因子预测模型

针对水质预测问题,以地表水水质监测因子作为研究对象,提出了一种基于长短期记忆（LSTM）神经网络的水质多因子预测模型,同时利用提出的K-Similarity降噪法对模型的输入数据进行降噪,提高模型预测性能.通过与BP神经网络、RNN和传统的LSTM神经网络预测模型进行对比实验,证明了所提出的方法均方误差最小,预测结果更准确.     

湘江流域金属污染的贝叶斯预测实证研究

水环境是一个充满不确定性的复杂巨系统,传统水质模型很难体现重金属污染物在河流中迁移的随机性。本文选择ARIMA模型作为重金属预测模型,运用贝叶斯相关理论进行分析、参数估计和预测,从而不仅获得点预测结果,而且获得区间估计和概率预测结果。实例分析证实,基于贝叶斯方法的ARIMA模型能够获得很好的点预测和区间表现。     

BP神经网络在水质参数预测中的应用

介绍了如何使用BP神经网络在已经有大量历史数据的基础上来预测未来的水质参数和如何使用函数来实现BP算法来预测未来水质参数的程序。     

湖库水质监测与水华预警信息系统

针对当前湖库水质监测及水华预测预警信息化发展相对落后的现状,开发一套集水质监测、水华预测预警功能于一体的智能化信息系统。采用Visual Studio 2010中的C++语言进行系统平台搭建,将网络通信、地理信息系统、SQL2005数据库等技术相结合,对湖库水质信息进行实时监测,并通过灰色-BP神经网络模型实现对湖库藻类水华较高精度的中长期预测预警的功能,为环保部门进行湖库水华防治提供有效的信息化决策平台。     

基于NW型小世界人工神经网络的污水出水水质预测

为了预测污水处理出水水质,针对污水处理过程具有多变量、非线性、时变性、严重滞后的特点,提出了基于NW型小世界人工神经网络的污水处理出水水质预测模型;首先根据污水处理系统确定模型输入输出变量个数,然后建立了多层前向小世界神经网络模型,并对网络模型的隐层结构进行了优化研究;借助污水处理过程的历史数据进行了仿真研究,结果表明:和同规模的多层前向人工神经网络相比,小世界神经网络对污水出水水质预测具有较高精度和收敛速度,为污水出水水质的实时预测提供了一种有效的新方法。     

基于遗传算法的BOD神经网络软测量

针对污水处理过程中关键水质参数无法在线监测的问题,提出基于遗传算法和BP神经网络相结合的污水水质软测量方法,该方法采用遗传算法优化神经网络结构和权、阈值分布,再用BP算法对神经网络进行训练,得到最优的建模网络.仿真结果表明该方法可以避免单独使用BP网络容易陷入局部最小的问题,并能加快全局收敛速度,对水质参数BOD(生化需氧量)预测实时性好、稳定性高、精度高,可用于污水水质的在线预测.     

M-TAEDA:多变量水质参数时序数据异常事件检测算法

在供水管网中部署传感器网络实时获取多个水质参数时间序列数据,当供水管网发生污染时,高效准确地检测水质异常是一个重要问题。提出多变量水质参数时间异常事件检测算法（M-TAEDA）,利用BP模型分析多变量水质参数的时序数据,确定可能离群点;结合贝叶斯序贯分析独立更新每个参数的事件概率,预测单个传感器节点检测的异常概率;将单变量的事件概率融合为统一多变量事件概率,融合判断异常事件。实验结果表明：BP模型模拟多变量水质参数进行预测可以达到90%精确度;与单变量参数时间异常事件检测算法（S-TAEDA）相比,M-TAEDA可以提高异常检出率约40%,降低误报率约45%。     

基于动态隶属度的模糊时间序列模型的水质预测研究

科学有效的水质预测对于水资源的管理与水污染预警尤为重要。由于水质指标序列存在非线性、非平稳性、模糊性和季节性等特点,传统预测模型的精度受到一定的限制。结合差分整合自回归移动平均ARIMA模型和经典模糊时间序列模型的特性,提出了一种基于动态隶属度的模糊时间序列水质预测新模型。首先,利用模糊C均值聚类从原始数据中构建隶属度序列;其次,利用经典的时间序列模型对不同的子隶属度序列进行预测,得到动态隶属度;最后,去模糊化得到水质指标的预测值。应用提出的新模型对岷江某断面的水质指标进行了短期预测,并与经典模糊时间序列模型和ARIMA乘积季节模型进行对比。实验结果表明,新模型在RMSE、MAPE和MAE上均优于经典模糊时间序列模型和ARIMA乘积季节模型,极大地提高了预测精度,可为水污染防治提供有价值的参考。