[發明專利]基于支持向量分類與GRU神經網絡聯合的處理污水水質預測方法

在審

• 申請號: 202010117184.5
• 申請日: 2020-02-25
• 公開（公告）號: CN111291937A
• 公開（公告）日: 2020-06-16
• 發明（設計）人: 王曉峰;周建;鄒樂;黃前靜;鄧銳
• 申請（專利權）人: 合肥學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06Q50/26;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 合肥輝達知識產權代理事務所(普通合伙) 34165
• 代理人: 汪守勇

1.一種基于支持向量分類與GRU神經網絡聯合的處理污水水質預測方法，其特征在于：步驟如下：

①、污水處理關鍵水質參數預測模型主導變量以及輔助變量的選擇

以出水COD和出水氨氮為主導變量，初步選定輔助變量，然后對采集到的污水歷史數據進行缺失值處理、異常值剔除和數據標準化，同時消除數據量綱以及數量級不同帶來的影響；進一步采用PCA主元分析法對數據降維，最終確定以出水COD與出水氨氮為主導變量時，所選取的輔助變量將作為污水水質預測模型的輸入變量；

②、基于GRU神經網絡的水質預測模型的建立以及對污水處理水質的預測

采用適合處理時序數據的GRU神經網絡建立了污水出水關鍵預測模型，并對模型效果進行驗證；在GRU模型的構建過程中，經過了數據預處理、數據集的構建、時間序列長度的選擇、模型結構的確定、選擇Adam優化算法后，設置了模型的初始學習率與迭代次數，對實驗數據進行訓練，并使用交叉驗證法對模型預測效果進行了驗證；

③、基于SVM與GRU神經網絡聯合的水質預測模型的建立以及對污水處理水質的預測

首先引入支持向量機模型對污水水質數據進行分類，再讓分類后的數據分別通過一個步驟②所述的GRU神經網絡算法分別建模預測出水水質。

2.如權利要求1所述的處理污水水質預測方法，其特征在于：步驟①中污水處理關鍵水質參數預測模型主導變量以及輔助變量的選擇具體步驟為：

選用出水COD和出水氨氮作為主導變量，初步選定污水水質預測模型的輔助變量；

對數據進行預處理，包括缺失值處理，異常數據剔除以及數據歸一化；

利用PCA主元分析法以降維的方式消除數據噪聲冗余，簡化原始數據的復雜度，得到最終確定的輔助變量參數。

3.如權利要求2所述的處理污水水質預測方法，其特征在于：缺失值處理步驟為：

通過對數據周期和時序特征的分析，針對污水時間序列數據缺失的情況，采用加權均值法對其進行填充；

獲取當前時刻之前的n個時刻的污水特性的平均值：

獲取前m天當前時刻的污水特性的平均值：

對缺失值填充為：

f^k(t)＝αf₁(t)+(1-α)f₂(t) (2-3)

式(2-3)中，f^k(t)表示第k天t時刻的污水特征數據，α是加權系數，通常取0.5-1之間的數。

4.如權利要求3所述的處理污水水質預測方法，其特征在于：異常值剔除步驟為：

采用3σ準則剔除從污水處理廠采集到的冗余及錯誤的原始數據；

主要是先處理隨機誤差，在預處理過程中，對隨機誤差進行處理，然后根據公式(2-4)得出標準偏差，然后通過概率得到一個變化的區間，把超出此區間的數據定為粗大誤差，最后將其誤差的數據進行刪除；

設有n個樣本數據為x₁，x₂，…，x_n，其平均值為偏差為標準差計算公式如式2-4所示：

樣本數據x_i的偏差v_i(1≤i≤n)能通過式(2-5)來表達，即：

|v_i|＞3σ (2-5)

如果滿足上式，就把x_i當作是包含較大誤差的異常數據，并將其剔除。

5.如權利要求4所述的處理污水水質預測方法，其特征在于：數據標準化步驟為：

將從污水處理廠采集的數據進行標準化處理，如式2-6所示：

式中，x^*，x_min，x_max分別表示每一維輸入數據x_i歸一化后的值、最大值和最小值；數據經過標準化處理之后，這樣就把范圍全部縮小在[0,1]區間內；在進行訓練得到結果之后，將數據進行還原，即反歸一化操作，公式如下：

x′＝x_min+x^*(x_max-x_min) (2-7)

x′即為預測模型的預測輸出值。