本發(fā)明涉及大數(shù)據(jù)，具體是一種基于大數(shù)據(jù)的飲用水水質(zhì)安全檢測預警系統(tǒng)及方法。

背景技術：

1、隨著城市化進程的加快和水資源的不斷匱乏，飲用水的水質(zhì)安全問題日益受到重視。傳統(tǒng)的飲用水水質(zhì)檢測主要依賴于定期的人工采樣和實驗室分析，雖然可以在一定程度上確保水質(zhì)監(jiān)測的準確性，但也存在諸多不足之處。首先，人工采樣頻率低，無法實時反映水質(zhì)變化；其次，實驗室分析周期長，無法及時響應水質(zhì)異常情況；最后，人工操作存在一定的誤差，可能導致監(jiān)測結(jié)果的可靠性下降。

2、傳統(tǒng)監(jiān)測方式往往為定期采樣，無法提供實時數(shù)據(jù)，導致水質(zhì)變化無法及時發(fā)現(xiàn)和響應，從而增加了水質(zhì)安全隱患。實驗室分析的周期較長，可能導致在水質(zhì)異常時未能及時采取相應措施，增加了風險。監(jiān)測多集中于特定水質(zhì)參數(shù)，未能全面綜合分析多種水質(zhì)指標之間的關系，影響整體水質(zhì)評估的準確性。缺乏對環(huán)境參數(shù)對水質(zhì)的影響分析，導致監(jiān)測結(jié)果可能與實際情況存在偏差。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于大數(shù)據(jù)的飲用水水質(zhì)安全檢測預警系統(tǒng)及方法，以解決現(xiàn)有技術中提出的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：

3、一種基于大數(shù)據(jù)的飲用水水質(zhì)安全檢測預警方法，所述方法包括如下步驟：

4、s100、使用檢測點間距公式，根據(jù)坡道角度、水源的位置和水流速度對供水管的水質(zhì)檢測點進行劃分，設置水質(zhì)檢測點，各個水質(zhì)檢測點根據(jù)距離出水源頭的距離由近到遠進行編號；

5、s200、根據(jù)設置的水質(zhì)檢測點采集水質(zhì)參數(shù)，進行歸一化處理，使用主成分分析確定每個水質(zhì)參數(shù)的權重，計算不同水質(zhì)檢測點的水質(zhì)質(zhì)量指數(shù)；使用卷積神經(jīng)網(wǎng)絡，輸入不同水質(zhì)檢測點區(qū)域的坡道角度、坡道材質(zhì)、水質(zhì)質(zhì)量指數(shù)和位置，分析歷史數(shù)據(jù)，得到該坡道中不同水質(zhì)檢測點的水質(zhì)差值；

6、s300、根據(jù)不同水質(zhì)檢測點的水質(zhì)差值，得到從水源的位置到出水口的水質(zhì)參數(shù)變化趨勢，采集不同水質(zhì)檢測點周圍環(huán)境的環(huán)境參數(shù)，將水質(zhì)參數(shù)變化趨勢結(jié)合環(huán)境參數(shù)，得到環(huán)境參數(shù)對水質(zhì)參數(shù)的影響函數(shù)；當出水口的水質(zhì)參數(shù)不滿足安全閾值時，對相關人員進行預警，基于環(huán)境參數(shù)對水質(zhì)參數(shù)的影響函數(shù)，自動使用設備對相應水質(zhì)檢測點的環(huán)境參數(shù)進行調(diào)整，直到出水口的水質(zhì)參數(shù)滿足安全閾值；

7、s400、基于環(huán)境參數(shù)對水質(zhì)參數(shù)的影響函數(shù)和水質(zhì)參數(shù)變化趨勢，使用長短期記憶網(wǎng)絡實時監(jiān)控水質(zhì)參數(shù)，預測水質(zhì)風險；在對水質(zhì)檢測點的環(huán)境參數(shù)進行調(diào)整時，使用基于決策樹的智能推薦算法評估不同調(diào)整策略的效果，選擇最優(yōu)方案實施，確保出水口的水質(zhì)始終保持在安全閾值內(nèi)。

8、根據(jù)步驟s100，坡道角度α是供水管道相對于水平面的傾斜角度；坡度越陡，水流速度變化越快，水質(zhì)受到影響越大；獲取水源的位置p0，水質(zhì)的變化在靠近水源的位置最穩(wěn)定，距離水源越遠，水質(zhì)受到影響越大；當前段的水流速度v是水在供水管道中的流動速度，水流速度越快，水質(zhì)發(fā)生變化的時間越短；使用檢測點間距公式，根據(jù)坡道角度α和當前段的水流速度v，推導出檢測點之間的間距：

9、

10、其中，dq是第q個檢測點與前一個檢測點的距離，l是供水管道的總長度，n是設定的檢測點總數(shù)量，k1是與坡道角度相關的影響系數(shù)，表示坡道角度對檢測點間距的調(diào)整權重，k2是與水流速度相關的影響系數(shù)，表示水流速度對檢測點間距的調(diào)整權重，v是當前段的水流速度，vmax是供水管道中最大水流速度；

11、水質(zhì)檢測點從水源到管道終端進行依次編號，編號基于檢測點與出水源頭之間的距離進行排序。

12、根據(jù)步驟s200，所述水質(zhì)參數(shù)包括酸堿度、溶解氧、總?cè)芙夤腆w、生物需氧量、化學需氧量和濁度；使用最小-最大歸一化將水質(zhì)參數(shù)中的每個水質(zhì)變量進行歸一化處理，公式如下：

13、

14、其中，x是水質(zhì)參數(shù)中某一水質(zhì)變量的原始值，xmax是該水質(zhì)變量的最大值，xmin是該水質(zhì)變量的最小值，歸一化后的該水質(zhì)變量的值x′的范圍在[0,1]之間；

15、使用主成分分析確定每個水質(zhì)變量的權重，計算每個水質(zhì)變量的協(xié)方差矩陣，對協(xié)方差矩陣進行特征值分解，得到特征向量和特征值，根據(jù)特征值的大小，確定主要成分，每個特征向量對應的特征值大小決定了該水質(zhì)變量在總水質(zhì)變化中的貢獻；

16、通過主成分分析得到的權重向量為w＝(w1，w2，...，w6)，其中，從w1到w6分別依次對應為酸堿度、溶解氧、總?cè)芙夤腆w、生物需氧量、化學需氧量和濁度的貢獻度；

17、根據(jù)每個水質(zhì)變量的歸一化值和權重，使用加權平均法計算水質(zhì)質(zhì)量指數(shù)wqi，公式如下：x′i是第i個水質(zhì)參數(shù)中某一水質(zhì)變量的原始值。

18、在卷積神經(jīng)網(wǎng)絡的卷積層中，不同水質(zhì)檢測點區(qū)域的坡道角度、坡道材質(zhì)、水質(zhì)質(zhì)量指數(shù)和位置能夠影響水質(zhì)參數(shù)，卷積核通過在輸入的多維數(shù)據(jù)上滑動，逐步提取出每個檢測點的局部特征；通過卷積操作，卷積神經(jīng)網(wǎng)絡能夠捕捉到相鄰檢測點之間的水質(zhì)差異，當檢測點之間的水質(zhì)質(zhì)量指數(shù)發(fā)生變化時，卷積核能夠提取出空間差異信息，通過下一層的處理保留當前差異，用于進一步的水質(zhì)差值計算；

19、通過池化層，進行最大池化操作，針對水質(zhì)檢測點區(qū)域內(nèi)的坡道材質(zhì)和水質(zhì)變化情況，池化層保留每個區(qū)域中水質(zhì)變化最大的部分；全連接層通過權重矩陣連接所有輸入特征，將各個檢測點的坡道角度、坡道材質(zhì)、水質(zhì)質(zhì)量指數(shù)和位置關聯(lián)，全連接層通過不同特征的組合評估不同特征在整體水質(zhì)中的貢獻；全連接層將每個水質(zhì)檢測點的局部特征和空間位置特征進行綜合，生成該坡道中不同水質(zhì)檢測點的水質(zhì)差值；

20、進行特征關聯(lián)時，將每個檢測點的坡道角度、坡道材質(zhì)、水質(zhì)質(zhì)量指數(shù)和位置作為輸入特征向量。每個特征經(jīng)過前面卷積層和池化層的處理后，提取到相應的局部特征。全連接層使用一個權重矩陣，將輸入特征進行線性變換。每個輸入特征與其他特征通過該權重矩陣相乘，形成一個新的特征向量，這個過程允許模型在更高維度上綜合分析各個特征之間的關系。

21、全連接層將所有輸入特征的線性組合進行評估。通過計算加權和，模型可以將不同特征的影響匯總，從而生成綜合特征向量。通過應用激活函數(shù)relu，將非線性特性引入模型，進一步增強不同特征的組合效果，使模型能夠捕捉到特征間復雜的關系。

22、通過計算預測的水質(zhì)差值與歷史真實值之間的誤差，使用mse損失函數(shù)評估準確性；根據(jù)損失函數(shù)的結(jié)果，使用梯度下降優(yōu)化算法調(diào)整卷積核和全連接層的權重。

23、根據(jù)步驟s300，根據(jù)不同水質(zhì)檢測點的水質(zhì)參數(shù)，計算從水源到出水口的水質(zhì)變化趨勢，描述了水質(zhì)參數(shù)隨距離的變化情況，表示為：wqi(x)＝a*x+b，其中，wqi(x)表示水質(zhì)質(zhì)量指數(shù)隨距離x變化的趨勢函數(shù)，a表示為水質(zhì)差值的變化速率，b表示第一個水質(zhì)檢測點的水質(zhì)質(zhì)量指數(shù)；

24、設定：ej＝[ej1，ej2，...，ejm]表示第j個水質(zhì)檢測點周圍的環(huán)境參數(shù)，ej1，ej2，...，ejm代表第j個水質(zhì)檢測點周圍的環(huán)境參數(shù)中第1個到第m個環(huán)境變量，環(huán)境參數(shù)對水質(zhì)的影響通過線性回歸模型描述為：

25、δkj＝α′1*ej1+α′2*ej2+...+α′m*ejm+c其中，δkj表示環(huán)境參數(shù)對水質(zhì)參數(shù)的影響程度，α′1，α′2，...，α′m為回歸系數(shù)，反映第1個到第m個環(huán)境變量對水質(zhì)的影響，c為偏置項，反映未能通過環(huán)境參數(shù)解釋的部分；通過不同檢測點的環(huán)境參數(shù)，構建出環(huán)境對水質(zhì)的影響函數(shù)：k(x，e)＝wqi(x)+δkj。

26、出水口的水質(zhì)檢測點編號為n，其水質(zhì)參數(shù)gn中的每個水質(zhì)變量應處于對應水質(zhì)變量的安全閾值的范圍內(nèi)，當出水口的水質(zhì)參數(shù)不滿足安全要求時，對相關人員進行預警，通過調(diào)整相關水質(zhì)檢測點的環(huán)境參數(shù)優(yōu)化水質(zhì)，設定需要調(diào)整的目標水質(zhì)參數(shù)為gtarget，通過改變環(huán)境參數(shù)，使得：gn＝gtarget；

27、根據(jù)環(huán)境參數(shù)對水質(zhì)參數(shù)的影響程度δkj，通過求解以下方程找到環(huán)境參數(shù)以使出水口的水質(zhì)參數(shù)滿足安全閾值：

28、gtarget-wqi(x)＝α′1*en1+α′2*en2+...+α′m*enm+c

29、求解得到調(diào)整后的環(huán)境參數(shù)e′n＝[e′n1，e′n2，...，e′nm]，自動使用相關設備對出水口附近的環(huán)境參數(shù)進行調(diào)整，直至水質(zhì)參數(shù)達到目標水質(zhì)參數(shù)gtarget。

30、根據(jù)步驟s400，將水質(zhì)參數(shù)和環(huán)境參數(shù)按時間順序排列，形成時間序列輸入數(shù)據(jù)；長短期記憶網(wǎng)絡的輸入是若干個時間步的水質(zhì)參數(shù)和環(huán)境參數(shù)組成的時間序列數(shù)據(jù)，每個時間步代表一個采樣時刻的所有水質(zhì)參數(shù)和環(huán)境參數(shù)；隱藏層通過記憶和忘記機制，學習水質(zhì)參數(shù)如何隨時間和環(huán)境參數(shù)變化，允許模型捕捉到水質(zhì)變化的長短期依賴關系；模型的輸出是未來某段時間內(nèi)水質(zhì)參數(shù)的預測值，如果預測值超出預設的安全閾值，將判斷存在潛在的水質(zhì)風險，并提前向相關人員發(fā)出警告。

31、長短期記憶網(wǎng)絡lstm通過細胞狀態(tài)保存信息，細胞狀態(tài)在時間序列中沿用，能夠傳遞長期記憶。這使得模型能夠保留早期水質(zhì)變化的信息，形成對水質(zhì)長期依賴的理解。輸入門控制新的信息如何添加到細胞狀態(tài)中。通過對當前輸入特征和先前隱藏狀態(tài)的加權，模型決定哪些新信息是有用的，從而更新記憶。遺忘門控制細胞狀態(tài)中哪些信息需要丟棄。通過對先前細胞狀態(tài)的評估，遺忘門決定哪些不再相關的信息可以被清除。這使得模型在面對新環(huán)境和條件時，能夠忽略不再重要的歷史數(shù)據(jù)。

32、輸出門控制哪些信息將用于生成當前的隱藏狀態(tài)，即輸出。通過綜合當前輸入和更新后的細胞狀態(tài)，模型能夠生成基于當前環(huán)境和歷史信息的動態(tài)輸出，反映當前水質(zhì)狀況。通過上述機制，lstm能夠有效捕捉到水質(zhì)參數(shù)在不同時間點的變化趨勢和短期波動，同時考慮到長期的影響因素。這使得模型在預測水質(zhì)風險時，能夠充分利用歷史數(shù)據(jù)，提供準確的預警信息。

33、根據(jù)步驟s400，構建決策樹模型的訓練數(shù)據(jù)集，包括：歷史水質(zhì)監(jiān)測數(shù)據(jù)、調(diào)整策略及結(jié)果和環(huán)境因素變化，其中，歷史水質(zhì)監(jiān)測數(shù)據(jù)記錄每個水質(zhì)檢測點的水質(zhì)參數(shù)以及相應的環(huán)境參數(shù)，調(diào)整策略及結(jié)果表示在以往的調(diào)整過程中，采用了哪些調(diào)整策略，以及策略實施后的水質(zhì)參數(shù)變化情況，環(huán)境因素變化表示調(diào)整期間的環(huán)境因素變化如何影響水質(zhì)參數(shù)；

34、在決策樹模型中，目標變量是水質(zhì)是否恢復到安全閾值，輸入特征包括：環(huán)境參數(shù)、水質(zhì)參數(shù)、調(diào)整策略和歷史反饋數(shù)據(jù)，使用輸入特征和目標變量，訓練一棵分類決策樹，模型學習在不同環(huán)境和水質(zhì)條件下，哪個調(diào)整策略能夠最有效地恢復水質(zhì)。

35、當實時監(jiān)測到水質(zhì)參數(shù)不符合安全閾值時，通過以下步驟進行策略評估：

36、根據(jù)當前的環(huán)境參數(shù)和水質(zhì)參數(shù)，生成一系列候選策略，每個策略包括不同的組合；對于每個候選策略，將其與當前的環(huán)境參數(shù)和水質(zhì)參數(shù)一起輸入到訓練好的決策樹模型中，決策樹根據(jù)歷史數(shù)據(jù)和規(guī)則，評估每個候選策略的效果，輸出一個預測結(jié)果，是“能否恢復水質(zhì)到安全閾值”的二分類結(jié)果，同時給出該策略的成功率；

37、決策樹根據(jù)各個輸入特征的條件依次進行決策，沿著不同的節(jié)點路徑，逐步細化到具體的策略結(jié)果；對每個候選策略的效果進行預測后，選擇預測效果最佳的策略作為最優(yōu)方案，最優(yōu)方案的選擇基于以下標準：

38、該方案具有最高的水質(zhì)恢復成功率，在效果相同的情況下，優(yōu)先選擇實施成本更低的方案，考慮執(zhí)行策略的時間維度，優(yōu)先選擇能夠最快響應的方案；選擇了最優(yōu)方案后，自動調(diào)用相應的設備執(zhí)行該策略；在若干次調(diào)整后，如果判斷所有備選策略都無法恢復水質(zhì)，將向相關人員發(fā)出異常預警，進行人工干預。

39、一種基于大數(shù)據(jù)的飲用水水質(zhì)安全檢測預警系統(tǒng)，包括：

40、水質(zhì)檢測點劃分模塊：包括：檢測點間距計算單元和檢測點設置單元；其中，檢測點間距計算單元使用檢測點間距公式，根據(jù)坡道角度、水源的位置和水流速度對供水管的水質(zhì)檢測點進行劃分，檢測點設置單元設置水質(zhì)檢測點，各個水質(zhì)檢測點根據(jù)距離出水源頭的距離由近到遠進行編號；

41、水質(zhì)參數(shù)采集與分析模塊：包括：水質(zhì)參數(shù)采集單元、數(shù)據(jù)歸一化處理單元、主成分分析單元和卷積神經(jīng)網(wǎng)絡分析單元；其中，水質(zhì)參數(shù)采集單元根據(jù)設置的水質(zhì)檢測點采集水質(zhì)參數(shù)，數(shù)據(jù)歸一化處理單元進行歸一化處理，主成分分析單元使用主成分分析確定每個水質(zhì)參數(shù)的權重，計算不同水質(zhì)檢測點的水質(zhì)質(zhì)量指數(shù)，卷積神經(jīng)網(wǎng)絡分析單元使用卷積神經(jīng)網(wǎng)絡，輸入不同水質(zhì)檢測點區(qū)域的坡道角度、坡道材質(zhì)、水質(zhì)質(zhì)量指數(shù)和位置，分析歷史數(shù)據(jù)，得到該坡道中不同水質(zhì)檢測點的水質(zhì)差值；

42、水質(zhì)變化趨勢與環(huán)境影響分析模塊：包括：水質(zhì)參數(shù)變化趨勢計算單元、環(huán)境參數(shù)采集單元、影響函數(shù)構建單元、安全閾值監(jiān)測與預警單元和自動調(diào)整單元；其中，水質(zhì)參數(shù)變化趨勢計算單元根據(jù)不同水質(zhì)檢測點的水質(zhì)差值，得到從水源的位置到出水口的水質(zhì)參數(shù)變化趨勢，環(huán)境參數(shù)采集單元采集不同水質(zhì)檢測點周圍環(huán)境的環(huán)境參數(shù)，影響函數(shù)構建單元將水質(zhì)參數(shù)變化趨勢結(jié)合環(huán)境參數(shù)，得到環(huán)境參數(shù)對水質(zhì)參數(shù)的影響函數(shù)，安全閾值監(jiān)測與預警單元當出水口的水質(zhì)參數(shù)不滿足安全閾值時，對相關人員進行預警，自動調(diào)整單元基于環(huán)境參數(shù)對水質(zhì)參數(shù)的影響函數(shù)，自動使用設備對相應水質(zhì)檢測點的環(huán)境參數(shù)進行調(diào)整，直到出水口的水質(zhì)參數(shù)滿足安全閾值；

43、決策優(yōu)化模塊：包括：水質(zhì)風險預測單元和決策樹評估單元；其中，水質(zhì)風險預測單元基于環(huán)境參數(shù)對水質(zhì)參數(shù)的影響函數(shù)和水質(zhì)參數(shù)變化趨勢，使用長短期記憶網(wǎng)絡實時監(jiān)控水質(zhì)參數(shù)，預測水質(zhì)風險，決策樹評估單元在對水質(zhì)檢測點的環(huán)境參數(shù)進行調(diào)整時，使用基于決策樹的智能推薦算法評估不同調(diào)整策略的效果，選擇最優(yōu)方案實施，確保出水口的水質(zhì)始終保持在安全閾值內(nèi)。

44、與現(xiàn)有技術相比，本發(fā)明的有益效果是：

45、1、本發(fā)明結(jié)合多種水質(zhì)參數(shù)和環(huán)境參數(shù)，使用主成分分析和卷積神經(jīng)網(wǎng)絡進行綜合評估，能夠更準確地反映水質(zhì)狀況。

46、2、本發(fā)明應用長短期記憶網(wǎng)絡等機器學習算法，能夠?qū)崟r監(jiān)控和預測水質(zhì)風險，提高預警的及時性和準確性。

47、3、本發(fā)明使用基于決策樹的智能推薦算法，評估不同調(diào)整策略的效果，選擇最優(yōu)方案實施，提高決策的科學性和有效性。