淮安自来水有限公司 江苏淮安 223001
摘要：随着我国城市化进程的不断加快，同时也面临着诸多的发展困境，其中城市供水水质异常就是城市化发展中需要重点关注的内容。为了保证城市供水水质满足人们需求品质的要求，就需要重视城市供水水质异常问题处理，并采取科学检测方法进行异常水质的控制。本文就针对城市供水水质异常检测方法进行探讨，并进行深入的了解和研究。
关键词：城市供水；水质异常；检测方法
引言
城市供水情况关系着人们的日常生活和社会发展，一旦供水水质出现异常，会直接威胁市民的人身安全，造成大面积的水环境污染，因此应高度重视城市供水水质异常问题，采取科学合理的检测方法，准确检测供水水质问题，严格控制城市水资源污染，确保城市供水安全。本文简要介绍了城市供水水质异常和城市供水水质常规参数检测，分析了城市供水水质异常检测设计目标，阐述了城市供水水质异常的检测方法，以供参考。
近年来，我国新型城镇化持续推进，城市人口数量不断增加，这对于城市环境造成较大的影响。城市供水受到多种因素的影响，再加上工农业造成的环境污染，导致城市供水安全问题频发，严重影响人们的生活、生产和身体健康。针对城市供水水质异常情况，采用现代化的科学技术，研究先进的检测方法，及时预警水质污染事故，最大程度地减少水污染损失。
1城市供水水质异常分析
对于水质的异常来说，主要是指实际水质和正常标准产生了偏离，水质监测的系统内，水质的偏离情形会随水质的环境变化而发生动态的改变，对供水中余氯、总的有机碳、电导率、pH值以及氧化还原的电位进行水质检测，来对其异常进行判断，但并不能有效的发现水质异常情况的原因。城市供水水质异常出现的原因也是受到诸多因素的影响，异常表现的类型也是比较多样，基线变化的异常情况主要因为工艺的操作而引起的，比如，在进行阀门和泵打开与关闭中，都可能导致水质基线出现变化，同时我国很多老城区的供水管网所铺设时间也超过了50年，年久失修的管网占到了供水管网总长度大约有6%；离群点也是常见的水质异常情况，水质时间的序列内，水质的参数会于某一具体时间点中突然发生增大或者减小，这个时间点水质数据和其他数据具有显著差异性，这一个时间点内测量值就当做离群点，这种情况的发生主要和噪音有关；在水质检测的结果中，其水质的参数值测量值和标准值具有显著差异性，这种异常事件主要是因为外界污染物的排放所导致的，比如，在2011年杭州所发生的运输苯酚的车辆翻到，导致其周围水厂受到影响，造成周围近55万的居民不能正常用水。上述城市供水水质异常中，离群点主要是单一的时间点水质的测量值和标准期具有差异性，而其中基线变化的异常以及异常事件主要是于一段的时间范围内部分离群点进行聚集。
2城市供水水质异常检测方法
2.1在线水质参数检测类型
针对城市化供水水质的检测，可以选取在线水质参数检测的方式，按照城市供水体系的以往水质检测信息，设置供水水质变动模型，将其视作水质起始的标准数值，同时把创建的水质变动模型以及供水实际水质情况加以对比，细致研究供水水质的异常性。
在具体的实践中，在线水质异常检测可以机器算法、聚类算法或者统计算法，而激起算法重点是结合大量的检测信息，计算并且判断异常信息和正常信息，通过分类器给予多种未知检测的信息进行分类，涉及单类型的异常检测以及多类型的异常检测；聚类算法重点是结合不同种类把相似信息进行划分，按照信息对象的分类，权衡城市供水水质的一场程度；统计算法重点结合统计理论，创建城市供水水质归纳模型，将其充当供水水质正常化的依据，之后对比模型信息和实际水质信息，分析水质的异常性，并且计算两组或者两组的检测样本数据产生的方差以及平均数值，与事先做好的参数进行比较，在均值超过方差数值的情况下，可以了解到城市供水水质存在异常性。
2.2RBF自由化神经网络预测法
RBF的径向函数一般包括有输出层、输入层以及隐含层，其所输入信息数据按照作用函数的作用而映射至隐含层中，后按照数据的变化在输出层中进行响应的发出。这种神经网络的预测模型一般是对城市供水的水质非线性的动态关系进行预测，其准确性也十分高，其主要和差分进化的算法进行有效的结合，借助编码、对差分进化的参数进行设置、种群初始化以及RBF的神经网络相关参数来进行相应函数的选择，进而分析其水质参数的适应度有无满足异常参数的收敛进度要求，对进化代数的准确性进行判断，将其变异操作有效转变成变异的向量，从而形成相应操作的种群。RBF自由化神经网络预测模型在进行差分进化的算法应用操作过程中，要先生成相应初始的种群，后进行变量、交叉以及选择操作等步骤，对其适应度进行验证和计算，差分进化的算法主要参数的设置有种群的规模、交叉的概率和缩放的因子以及最大进化的代数等，以上四种参数对求解的效率以及求解的结果有着直接的影响。利用这种神经系统的模型来对水质样本的数据进行相关因子的分析，所得到的检验统计量需要大于0.6才能够满足主成分的分析要求，通过对其前4提取因子进行分析，前4个主成分样本数据要正好在85%~95%的区间中，将主成分分析获取的结果作为ＲBF神经网络的输入端，构建ＲBF神经网络进行预测。这种方法具有很高预警的精度，还能够有效的减少模型参数设置的复杂性，提高水质的预测计算自动化。
2.3目标函数模糊聚类算法
结合城市供水水质异常情况，常见的聚类算法主要包括以下五种：目标函数模糊聚类方法、网络方法、密度方法、层次法、划分法。这五种聚类算法，目标函数模糊聚类方法的应用过程最简单，便于在计算机应用软件系统中实现。在城市供水水质检测过程中，目标函数模糊聚类法也称为模糊C均值算法，主要是将水质数据聚类簇看作一个完整的模糊集合，根据城市供水正常的水质历史数据，探究重复发生水质异常模式，若检测出来的城市供水水质异常数据和数据库中的异常数据相互匹配，可判断为供水水质异常事件。在目标函数模糊聚类算法中，由记录时间和记录值组成的有序元素集合共同构成水质时间序列，构建水质异常模式数据库的流程为：统计聚类量、提取聚类模式、统计水质异常事件序列模式和检测供水水质异常。目标函数模糊聚类法在提取供水水质异常模式时，需要经过以下步骤：供水水质数据检测、结合阵列更显划分检测矩阵、更新聚类中心矩阵、得到供水水质检测聚类中心和划分矩阵。
结语
综上所述，城市供水水质直接影响人们人身安全性，为了保证城市供水水质满足人们使用的标准，相关部门一定要根据城市供水水质实际的异常情况，合理选择城市供水水质异常的检测方法，这对城市可持续发展也具有重要意义。
参考文献：
[1]陈胜斌.城市供水水质异常的检测方法探讨[J].科技与企业，2015，（22）：106-107.
[2]赵海峰.城市供水水质异常检测与异常特征分析研究[D].杭州：浙江大学，2015.
[3]崔恩恒.城市供水系统中的水质化验技术分析[J].中国新技术新产品，2017，343（09）：95-96.
[4]王肖颖.城市供水水质监测与预警系统研究[D].重庆：重庆大学，2015.
[5]熊金锋.锦州市城市供水水质异常检测方法研究[J].地下水，2018，（2）：152-153.
[6]秦文虎，付亚涛.基于向量自回归模型的水质异常检测研究[J].安全与环境学报，2018（4）.