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。     

基于无线传感器网络的水质监测系统设计

使用传统的有线水质监测系统进行水环境污染检测时,存在监测点数量多、监测时间长等问题。为此,提出一种基于无线传感器网络的水质监测系统。通过无线传感器节点对被监测水域进行水质参数的数据采集,将采集到的数据经过Zigbee网络进行汇总及处理,并经过GPRS网络及时地远程传送给监管部门,从而实现对河流水质情况的实时、有效的监督和管理。对水质监测系统的软硬件电路设计进行介绍,并实现对系统的软硬件连调。实验结果证明,该系统能够满足组网要求,可较好地应用于水质监测领域。     

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。     

浮标水质远程监测系统的研发与设计

针对目前河湖水质监测方法落后和水体富营养化评价方法有限的现状,研发了一套以基于ARM单片机为主控制器,融入GPS技术和GPRS技术的浮标水质远程监测系统。实现了同时对水质信息、气象信息和地理位置的实时性采集,并有云台网络摄像头进行实时视频监控,在采集后将信息短信推送到用户手机或向上位监控系统远程传输。上位监控系统对数据进行复杂分析处理和综合智能管理,以实现实时数据显示等功能。同时,采用优化的层次分析法获取相关指标权重,对水体富营养化程度进行评价,评价效果良好。浮标水质远程监测系统为水质监测提供了一个方便、有效地平台。     

基于ABC-BP模型的丹江水源地水质监测系统设计

为促进秦岭地区生态环境保护,确保"一江清水送京津",设计了基于ABC-BP模型的丹江水源地水质监测系统;该系统通过ZigBee和4G无线网络对pH值、DO、导电率、水温等水质数据进行采集和传输,并基于BP神经网络建立了水质参数预测模型,为减小预测误差,采用人工蜂群算法(ABC算法,artificial bee colony algorithm)对BP神经网络预测模型的权值和阈值进行优化,建立了ABC-BP水质参数预测模型;试验结果表明,该算法与BP神经网络算法相比误差减少了45.8％,系统实现了pH值、DO、导电率、水温等水质参数的实时显示和预测功能,能更好地对水源地水质进行智能监测.     

长江水质预测的建模

分析了在长江水质的评价和预测建模过程中出现的一些问题,利用灰色模型的指数特性,建立预测长江水质的GM（1,1）的改进模型。根据数据的周期波动特性,采用灰色系统理论建立了残差序列周期修正GM（1,1）模型,用复合残差来修正预报数据,提高了数据预报的准确程度和模型的适用性。     

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.     

基于PCA和随机森林的故障趋势预测方法研究

故障预测和健康管理技术(PHM)在现代工程系统中能够在系统具备较高复杂度的情况下,有效保障其可靠性和安全性。在机械故障诊断中对于采集到的原始数据的高维特征量的处理较为复杂,并且在实际应用中趋势预测的精度要求较高,针对该问题提出一种基于主成分分析(PCA)与随机森林算法的轴承故障趋势预测方法。该方法利用PCA对提取的原始轴承数据特征量进行线性降维,并选取其中主成分特征量,输出非线性时间序列数据。原始数据经过PCA处理得到非线性时间序列,将该序列作为随机森林算法的输入进行故障趋势预测,并把预测结果与BP神经网络模型预测的结果进行对比,结果表明随机森林在故障趋势预测上在精度相较于BP神经网络有显著提高,是一种有效的故障趋势预测方法。     

一种基于ARIMA-LSTM组合模型的电压偏差预测方法

电网中的无功功率、三相电网不平衡等因素使得电能质量问题日趋严重,必须采取有力的监测措施去改善和控制电网中电能质量。监控模块中的预警预测算法的优化是亟须解决的重要问题。本文选取上海市某220kV变电站电能质量数据,以电压偏差数据为例,根据其时间序列特征提出一种基于ARIMA-LSTM组合模型的电压偏差预测方法。利用ARIMA模型对时间序列数据拟合,将原始序列分解为两条序列,即预测值序列和误差值序列。LSTM模型对误差值序列进行拟合优化,并与ARIMA模型所得预测值序列叠加得到最终预测结果。实验对比分析了单一模型ARIMA与组合模型ARIMA-LSTM在误差值序列优化后的精确度。实验表明,组合模型将预测的误差值进一步优化后,预测效果优于单一模型。实验证明了该方法是有效可行的,值得优先采用。     

基于多维泰勒网的非线性时间序列预测方法及其应用

针对非线性时间序列, 提出一种基于多维泰勒网的时间序列预测方法. 其特点在于利用非线性时间序列的观测数据, 通过多维泰勒网得到?? 元一阶多项式差分方程组, 在无需待预测系统的任何先验知识和机理的情况下获得动力学特性描述, 实现对非线性时间序列的预测. 最后分别采用Lorenz 混沌时间序列, 以及某大型建筑在顶升施工安全性监测中的结构振动响应数据进行实证研究, 所得结果表明了该方法的有效性.

     

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。     

流域水循环调控水动力水质仿真模拟技术

梯级水库群形成的复杂巨系统的复杂性给运行管理和调控决策带来了不确定性,保障水库群效益的发挥亟需先进的信息技术和水利专业模型来提供支撑。本文以虚拟现实技术、模型计算和在线监测为基础,以水流水质的可视化表达为核心,系统分析了虚拟现实技术与数值模拟结合方式,研究了梯级水库群调控虚拟环境建模方法、三维虚拟流域环境平台研发、模型和监测驱动的水动力水质虚拟仿真技术。初步以三峡工程为例,验证研发技术的可行性,为梯级水库群智能化管理和调度提供了新的思路。     

多举措保障丹江口库区水质自动监测数据真、准、全

为确保丹江口库区水质自动监测站数据的真、准、全,在数据采集及传输方面,规范采样要求及数据传输标准,完善关键参数及流程日志信息的上传;在人员管理方面,数据审核员须通过主管部门组织的技术培训和考核,具备数据综合分析、质量管理等相关能力;在数据审核流程方面,对监测数据进行严格的审核流程设计,水站监测数据实施平台在线审核,审核全过程各环节均记录留痕;在质控管理方面,水站构建贯穿水站运行全过程的多级质控措施（包括日质控、周质控、月质控、盲样考核）和多维度质控体系;在数据连续性方面,根据不同停运条件,及时完成手工补测工作;同时,参照全国已建立的监测技术指标体系,为保障监测数据的真实准确提供技术依据。通过以上相关措施,能够确保自动监测数据真实、准确、完整。     

基于智能遗传算法与复合最小二乘支持向量机的长江水质预测与评价*

由于水质的非线性、不确定性等特性,水质预测与评价是很复杂的一个问题;最小二乘支持向量机已经成功地应用于解决非线性问题和时间级数问题。提出一种新的IGALSSM模型,即基于一种新型遗传算法——智能遗传算法参数优选的最小二乘支持向量机模型,并且将提出的模型应用于长江水质的分类识别和预测。实验结果表明,所提出的模型比神经网络有更准确的识别率和更高的预测精度,具有较强的实用价值。     

Artificial Intelligence in Internet of Things System for Predicting Water Quality in Aquaculture Fishponds

Aquaculture has long been a critical economic sector in Taiwan. Since a key factor in aquaculture production efficiency is water quality, an effective means of monitoring the dissolved oxygen content (DOC) of aquaculture water is essential. This study developed an internet of things system for monitoring DOC by collecting essential data related to water quality. Artificial intelligence technology was used to construct a water quality prediction model for use in a complete system for managing water quality. Since aquaculture water quality depends on a continuous interaction among multiple factors, and the current state is correlated with the previous state, a model with time series is required. Therefore, this study used recurrent neural networks (RNNs) with sequential characteristics. Commonly used RNNs such as long short-term memory model and gated recurrent unit (GRU) model have a memory function that appropriately retains previous results for use in processing current results. To construct a suitable RNN model, this study used Taguchi method to optimize hyperparameters (including hidden layer neuron count, iteration count, batch size, learning rate, and dropout ratio). Additionally, optimization performance was also compared between 5-layer and 7-layer network architectures. The experimental results revealed that the 7-layer GRU was more suitable for the application considered in this study. The values obtained in tests of prediction performance were mean absolute percentage error of 3.7134%, root mean square error of 0.0638, and R-value of 0.9984. Therefore, the water quality management system developed in this study can quickly provide practitioners with highly accurate data, which is essential for a timely response to water quality issues. This study was performed in collaboration with the Taiwan Industrial Technology Research Institute and a local fishery company. Practical application of the system by the fishery company confirmed that the monitoring system is effective in improving the survival rate of farmed fish by providing data needed to maintain DOC higher than the standard value.     

WISKI系统在水质自动监测中的应用

水文水环境基础信息分析处理系统（WISKI）能针对不同的水文水环境参数进行处理和分析,是一种有效的数据处理、分析和管理系统。水质自动监测仪易受到水生动、植物活动的干扰,导致监测数据多变、不平行。长期以来,水质自动监测数据常被质疑是否能够应用于实际,利用WISKI系统强大的数据修编功能可对水质自动监测的曲线进行平滑处理和去毛刺处理、手工对曲线点的自由拉动,实现监测数据的合理化修正,可有效提高监测数据的可利用性。     

南宁市2018年取用水监测数据质量评价

国家水资源监控能力建设项目取用水监控体系建设是落实最严格水资源管理信息化的关键。基于南宁市取用水监控体系 2018 年全年监测和 2017 年水资源公报年报等数据,采用对比分析和数据异常识别模型的方法,对不同行政区、行业,以及典型取水户的监测数据进行质量评价,并给出初步的数据修正思路。研究表明,不同行政区、时段、行业之间的数据质量各异,特别是不同行业之间的数据质量差异明显,灌区农业用水监测数据质量问题尤其突出。南宁市目前实际取水许可水量监控比例为 85.23%,总用水量监控比例约为 48.20%,南宁市取用水监控系统基本可为取水许可管理、用水量统计、水资源费核算等业务提供一定参考。     

改进类电磁机制算法预测应用

改进类电磁机制算法,优化一种新的神经网络预测模型,应用于求解复杂的水质预测实际问题.实验数据采集黄河兰州段新城桥监测断面177组监测数据,其中前154组为模型训练数据,后23组为模型测试数据,与经典预测模型对比,改进算法优化的新模型预测结果均方误差较小,误差稳定性好,预测结果更准确.