1、城市居民生活饮用水水质异常检测方法研究摘 要：经济高速发展的同时，城市居民生活饮用水环境污染问题频繁发生，这就需要建立在线水质监测系统，探索水质异常检测的方法，以满足对城市居民饮用水水质污染事件进行智能检测的需要，保障城市用水环境的安全，有效减少水资源环境污染造成的损失。 关键词：城市居民；饮用水；水质异常；在线水质参数；自优化 RBF神经网络；FCM 算法 0 前言 近年来，随着我国城市化、工业化进程的不断加快，人口在城市的高度集聚，以及工业所带来的不同程度的环境污染导致资源环境的危机，城镇居民生活饮用水水质安全问题频频发生，这对人们的健康、生产和生活带来严重的威胁。据统计，2000 年至
2、2008 年我国城市水污染次数达6677 次，年均 741 次，如 2003 年汝阳特大水源投毒案、2004 年重庆沙坪坝上万名居民饮用水中毒案、2007 年太湖蓝藻爆发饮用水质污染案、2008 年丹东水质氰化物污染案，以及 2011 年江苏省盐城市饮用水酸类化合物污染、2012 年广西龙江城市居民饮用水质重金属超标 80 倍。以上这类事件频有发生，这直接关系到社会民生与和谐社会建设。因此，建立城市居民生活饮用水水质实时异常检测与预警机制，并提供相关的技术支持已成为当前亟待解决的现实问题。 1 水质异常的类别与成因 水质异常指的是水质行为偏离其正常行为的情形。在水质监测系统中，这种偏离情形总是
3、随着水质环境的动态变化、噪音而发生改变。借助余氯、总有机碳、电导率、氧化还原电位和 PH 值来检测水质环境异常，但是，却不能发现其中发现异常的原因。因此，通过分析水质异常发生的原因可以将水质异常检测分为以下几类：基线变化异常。这种主要是由于工艺操作引起，如：阀门、泵的打开或关闭都可能会引发水质基线的变化；离群点。在水质时间序列中，水质参数在某一时间点突然增大或减小，在单一时间点出现与其他数据显著不同的值，这一时间点上的测量值就是离群点，离群点的产生一般是由噪声引起；异常事件。是指在水质检测结果，即测量的水质参数值与标准值存在明显的差异，这类水质异常事件通常是由于外界的污染物投放引起的。其中，离
4、群点是在单一时间点上出现的水质测量值与标准期望值之间的差异，而基线变化异常和异常事件则是在一段时间内离群点的聚集。 2 城市城市居民生活饮用水水质异常检测方法 2.1 基于在线水质参数的水质异常检测 在线水质参数的异常检测方法的第一步，是要把城市居民饮用水历史水质检测数据作为初始检测指标的原始数据，建立水质变化模型；第二步将城市居民生活饮用水实际水质检测值与建立的模型参数进行比较，然后在与规定的阈值进行比较，由此发现是否存在异常数据。 基于在线水质参数的水质异常检测技术主要包括以下三种基本的计算方法：第一种，统计理论算法。基于统计理论的水质参数异常检测首先要建立城市居民饮用水水质统计模型，以此
5、来作为表示正常行为特征，然后，把实际检测数据与模型中的数据进行比较来确定水质参数是否异常。具体的计算方法为，计算接近 16000 个测试样本数据的平均值和方差，再与预先确定的均值参数进行比较，如果大于 3 倍方差，则认为饮用水存在水质异常。第二种，基于机器学习的算法。根据已知的数据求出有效鉴别正常数据对象和异常数据对象的分类器，然后通过分类器将未知的数据进行分类，可分为多类别异常检测和单类别异常检测。在城市居民饮用水水质检测中，许多分类算法，比如神经网络、贝叶斯网络、相关向量机等也被应用到水质检测中；第三种，基于聚类的算法。指将相似的数据对象归为一个类别，并根据数据对象所属的类别来衡量城市居民
6、生活饮用水异常度，比如：K-means 聚类的水异常检测，具体的计算方法为，根据当前时刻数据与四个聚类中心的最大欧氏距离判断城市居民生活饮用水水质异常情况。 2.2 基于自优化 RBF 神经网络的水质预测方法 径向基函数（Radial Basis Function，RBF）由输入层、隐含层和输出层组成，输入信息通过作用函数直接映射到隐含层，输出层对输入信息做出响应。基于 RBF 神经网络预测模型可以提供高度非线性动态关系的时间序列预测，预测的准确度较高，在网络中需要对输入阶次和SPREAD 两个重要参数的值进行设定，但是，由于取值没有一个定量的规律可供参考，导致预测效率低下，不能找到最优解。因
7、此，可以根据Kenneth Price 提出了差分进化算法（Differential Evolution，DE） ，采用实数编码方式，首先，生成初始种群，然后，经过变量操作、交叉操作和选择操作步骤，以此来验证计算的适应度。差分进化算法设置的参数包括：种群规模、缩放因子、交叉概率因子和最大进化代数，这四个参数影响着最后的求解效率和求解结果，只有合理的设定才能最终获得较好的结果。基于差分进化算法的自优化 RBF 神经网络预测模型设计的具体步骤为：编码初始化种群及设置差分进化算法的参数个体解码得到 RBF 网络的参数确定适应度函数判断适应度值是否满足收敛精度要求判断当前进化代数是否达到最大进化代数进
8、行变异操作生成变异向量通过选择操作生成新一代种群。基于差分进化算法的自优化RBF 神经网络的城市居民生活用水水质预测方法的实验操作，本研究先确定城市居民生活用水水质评价参数，如：PH 值、电导率、余氯、油度、溶解氧、温度、氦氮、TOC 等，本次实验选择两个较为重要的参数氯和TOC 进行预测分析，计算结果为，余氯的预测结果与实际结果的最大绝对相对误差为 0.0372，绝对平均相对误差为 0.0024，误差标准差为0.0057，TOC 的预测结果与实际结果的最大绝对相对误差为 0.1702，绝对平均相对误差为 0.0256，误差标准差为 0.0250，表明该算法具有较高的预测精度。 2.3 基于
9、FCM 算法的城市居民生活用水水质异常分类方法 常用聚类算法包括五种：划分法、层次法、基于密度的方法、基于网络的方法和基于目标函数的模糊聚类方法（又称之为模糊 C 均值，FCM） 。在以上这些算法中，基于目标函数的模糊聚类计算方法由于设计简单，易在计算机上实现，因此，应用相对较为广泛。模糊 C 均值算法（FCM 算法）是把聚类生成的簇看成模糊集合，从正常的水质历史数据中挖掘出重复出现的异常模式，如果检测出来的水质异常与知识库中异常相匹配，则认为是正常的，这种变化知识基线的变化，否则，则认为是异常事件。在 FCM 算法中的水质时间序列是由记录值和记录时间组成的元素的有序集合。水质异常模式知识库的
10、建立步骤：检测异常提取异常点前时间序列的表示模式对提取的模式聚类计算聚类统计量。FCM算法提取水质异常模式的具体步骤：初始化根据式更新划分矩阵用式更新聚类中心矩阵输出最终的划分矩阵和聚类中心。本研究对某城市居民生活用水进行了 10 天的在线监测数据，选择了余氯、PH 和电导率作为水质参数，采用差分进化算法计算出余氯、PH 和电导率的阈值分别为 0.0512、0.037 和 0.118，如果水质参数超过了其对应的阈值，则认为是待定异常，如果两个以上的参数检测到异常，则可以认定水质异常存在。10 天一共检测到 8 个异常存在，当设定置信度为 0.75，则只检测到2 个异常。 3 结束语 随着近年来
11、水资源环境污染不断加剧，严重威胁着城市居民饮用水的安全。在城市居民饮用水检测出水质异常时，需要及时采取有效的规避措施，以减少对人们健康所带来的威胁。本文提出了基于在线水质参数的水质异常检测、基于自优化 RBF 神经网络的水质预测方法和基于 FCM算法的城市居民生活用水水质异常分类方法三种水质异常检测方法，在未来的研究中还需要进一步提高异常检测方法的性能，确定是由何种污染物质引发的异常，才能做到有的放矢，采取有针对性的措施，进而减少城市居民饮用水资源环境污染造成的损失。 参考文献： 1梁勇.基于支持向量回归的水质预测研究D.武汉：武汉理工大学，2012.4：20-21. 2田建平，曹东卫，等.LM-BP 神经网络在于桥水库水质预测中的应用J.水利信息化，2010，3：31-34. 3张蕾.城市地下水水质水位预警的研究D.天津：天津大学，2006.12（4）. 4袁健，树锦.改进多元回归法与神经网络应用于水质预测J.水资源保护，2008，24（3）：46-48. 5佘兵，贺时兴.差分进化算法及其应用D.西安：西安工程大学，2007.23（2）. 6李莹，邹经湘.河流水质的预测模型研究J.系统仿真学报，2001， 13（2）：139-142.
