地表水厂原水水质预警系统研究及应用

论文摘要

911事件后，供水系统的安全预警成为西方发达国家供水领域一个非常重要的研究方向。随着地表水厂原水水质污染恶化事件的不断发生，原水水质预警系统作为有效地保障供水安全的措施和系统，已受到国内外的普遍关注。目前虽对原水水质预警系统有一定的认识和实际应用，但仍局限于建立在水质在线监测基础上的高投入和理想化的原水水质预警系统上，同时鉴于理论的不足和与水厂实际结合不密切等缺点，在我国经济不发达的特定国情下，它在地表水厂推广应用还存在诸多障碍。本文通过分析原水污染及水质恶化事件的特点，提出了按照原水水质恶化事件类别通过不同方式进行水质预警的理论框架。针对研究案例——天津芥园水厂的原水藻类高发特点，创造性地将聚类分析与神经网络(ANN)结合，建立了预测原水中叶绿素的优化ANN模型；在建立了原水水质在线监测系统基础上，运用GPRS网络实现监测系统与水厂调度之间点对点的数据传输，开发了远程原水水质监测软件，并首次采用决策树技术建立了基于在线监测系统的水质预测模型；结合中试试验，提出了针对藻类高发的芥园水厂净水预案及预警决策框图，为芥园及相似水厂运行提供指导和建议。论文的主要成果和创新性主要体现在以下几方面：(1)完善了原水水质预警理论框架地表水源污染可分为持续性污染、周期性污染和偶发性污染三大类，分别导致持续趋势性、周期间断性、偶发瞬时性水质变化，前两类可在水质预测和水质监测基础上进行原水水质预警，而后者只能在原水水质连续在线监测的基础上，进行预警；在目前我国持续性污染和周期性污染引起的原水水质恶化没有得到很好解决之前，没有足够资金支持情况下，可充分利用多年的原水水质监测资料，针对持续趋势性水质恶化和周期间断性水质恶化，建立基于传统监测的水质预警系统；在有资金来源或偶发性污染风险较大时，可在建立原水水质在线监测系统的基础上，建立原水水质预警系统。(2)建立了基于水厂传统原水监测数据的藻类高发预测模型在收集天津芥园水厂的日常规监测数据基础上，通过对数据相关分析及箱形图分析，研究了指标之间的表针关系及各月的水质指标异常线；通过对水质监测数据的逐月频率分析，研究了藻类逐月变化规律及警戒藻类高发时间；通过对原水叶绿素变化曲线的小波分析，研究了藻类变化的年变化规律及其主要的影响因素；通过ROC曲线分析，研究了常规指标与滞后数日原水中叶绿素的关系；建立了预测第3曰原水中叶绿素神经网络模型，模型输入变量为当前水质指标：叶绿素、浊度、氨氮、水温、pH值、总碱度，通过仿真验证，得到叶绿素的预测值与实测值间的相关系数达到0.88；预测的平均准确率达到85％以上。(3)建立了基于在线监测的藻类高发预测模型在芥园水厂的西河预沉池进口处建立原水水质在线监测系统，在线监测指标有：浊度、pH、溶解氧、水温、氧化还原电位、电导率、氨氮、正磷、大地照度，通过GPRS网络，开发远程原水水质监测软件实现了监测数据的在线采集以及在线监测系统与水厂调度中心之间点对点无线数据传输，优化了系统运行，建立了基于在线监测系统的预测原水中次日叶绿素的决策树模型，经仿真验证，模型的平均预测准确率可达到80％。(4)提出了芥园水厂原水藻类高发的预案及预警决策框图在调查了芥园水厂新改造工艺和水源系统后，详细分析了水厂处理高藻水的各种可能的潜在能力；结合中试试验研究，提出了藻类高发程度不同情况下，相应的水厂及水源相关部门应对预案，结合以上成果，提出芥园水厂针对藻类高发的水质预警决策框图。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 引言
• 1.1.1 供水水质预警系统
• 1.1.2 研究目的和意义
• 1.2 原水水质预警研究概况
• 1.2.1 国外原水预警系统研究及应用
• 1.2.2 国内原水水质监测研究及应用概况
• 1.2.3 研究及应用存在问题
• 1.3 论文主要研究内容
• 1.4 研究实施的技术路线
• 2 原水水质预警及实现方案
• 2.1 国内地表水水源污染
• 2.1.1 水源污染
• 2.1.2 水源污染类型及特性分析
• 2.2 污染物种类与水质参数
• 2.2.1 污染物种类
• 2.2.2 水质参数
• 2.2.3 特定污染物与水质替代参数的表征关系
• 2.3 原水水质预警基础分析
• 2.3.1 “预警”的由来
• 2.3.2 原水水质预警系统范畴
• 2.3.3 原水水质预警理论基础分析
• 2.3.4 偶发性污染发现及证实机制
• 2.3.5 原水水质恶化应急处理及预警等级
• 2.4 原水水质预警系统
• 2.4.1 现有基础
• 2.4.2 系统建设决策方案
• 2.5 研究案例简介
• 2.5.1 研究案例——引滦入津工程概况
• 2.5.2 原水藻类高发预警的必要性
• 2.5.3 水厂原水水质传统监测资料
• 2.6 本章小结
• 3 原水水质预测方法
• 3.1 原水水质预测
• 3.1.1 预测
• 3.1.2 原水水质预测
• 3.2 人工神经网络（ANN）预测模型
• 3.2.1 ANN理论概述
• 3.2.2 ANN水质预测模型
• 3.2.3 ANN建模过程研究
• 3.2.4 ANN模型输入变量选择
• 3.3 决策树预测模型
• 3.4 ROC曲线判断模型
• 3.4.1 判断准确性评价指标
• 3.4.2 ROC分析资料收集与整理
• 3.4.3 ROC曲线的构建
• 3.4.4 ROC分析的准确性评价指标
• 3.4.5 最佳判断工作点的选择
• 3.5 原水水质预测的其它方法
• 3.5.1 时间序列
• 3.5.2 灰色系统
• 3.5.3 新变革的方法
• 3.6 原水水质预测方法及实现
• 3.7 本章小结
• 4 基于原水传统监测的藻类高发预测
• 4.1 原水水质资料统计分析
• 4.2 原水水质单指标异常分析
• 4.3 藻类高发警戒时间分析
• 4.3.1 原水水质期的划分
• 4.3.2 低藻期
• 4.3.3 高藻期的划分
• 4.4 原水中藻类动态变化规律分析
• 4.4.1 叶绿素时间序列的小波变换
• 4.4.2 讨论
• 4.5 ROC曲线确定藻类动态变化指标警戒线
• 4.5.1 数据准备及处理
• 4.5.2 原水影响藻类动态变化分析
• 4.5.3 水质指标警戒线
• 4.6 藻类高发程度的神经网络预测模型
• 4.6.1 模型输入变量选择试验
• 4.6.2 模型参数的选择
• 4.6.3 模型拓扑结构
• 4.6.4 模型输入延迟
• 4.6.5 模型的实际验证
• 4.7 本章小结
• 5 基于原水在线监测系统的藻类高发预测
• 5.1 原水水质在线监测系统
• 5.1.1 系统建设
• 5.1.2 监测系统优化运行与维护
• 5.2 原水水质数据传输及软件平台系统
• 5.2.1 无线数据传输网络 GPRS
• 5.2.2 软件平台及数据套接技术
• 5.3 远程水质监测软件
• 5.4 基于在线监测数据的藻类高发预测模型
• 5.4.1 预测的可行性
• 5.4.2 决策树预测模型的建立
• 5.4.3 仿真预测
• 5.4.4 讨论
• 5.5 本章小结
• 6 针对高藻原水的水厂应急预案
• 6.1 原水藻类危害及处理技术
• 6.1.1 原水中藻类影响及危害
• 6.1.2 藻类控制技术
• 6.1.3 水处理工艺去除藻类
• 6.1.4 藻类控制及处理技术总结及评价
• 6.2 芥园水厂应对高藻水潜能分析
• 6.2.1 水厂概况
• 6.2.2 水厂处理高藻水潜能分析
• 6.3 水厂工艺中试研究
• 6.3.1 预沉池控藻
• 6.3.2 化学杀藻
• 6.3.3 净水工艺除藻
• 6.4 水厂针对藻类高发的处理预案
• 6.4.1 预案制定原则
• 6.4.2 藻类高发处理预案
• 6.4.3 针对藻类高发的原水水质预警决策框图
• 6.5 本章小结
• 7 结论及建议
• 7.1 主要结论
• 7.2 问题与建议
• 致谢
• 参考文献
• 附录：攻读博士学位期间成果