[發明專利]一種準確預測污水處理廠出水水質的方法

有效

• 申請號: 202010410065.9
• 申請日: 2020-05-15
• 公開（公告）號: CN111553468B
• 公開（公告）日: 2023-06-06
• 發明（設計）人: 呂路;馬笑文;張洛一;花銘;黃前霖;柏益堯;張煒銘;潘丙才
• 申請（專利權）人: 南京大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F16/21;G06F16/22;G06N3/08;G06N3/0464;G06Q50/26
• 代理公司: 北京棧橋知識產權代理事務所(普通合伙) 11670
• 代理人: 劉婷

1.一種準確預測污水處理廠出水水質的方法，其特征在于，包括：

S1、構建污水處理廠在線監控系統，包括確定監控指標，設置監控儀表，搭建數據庫平臺；

S2、處理數據庫中的數據：

S21、數據表的連接：匹配數據的時間戳，對于大量的監測數據，每個儀表上傳的數據時間戳有一定的區別，依據時間戳使用默認精確匹配函數來連接；

S22、空值填充：對單點空值的數據，采用前后均值填充；

S23、異常數據剔除：利用孤立森林算法對異常數據進行判斷，然后利用前后均值替換；

S24、數據標準化處理：字段值＝(字段值-該字段最小值)/(該字段最大值-該字段最小值)，根據模型的收斂速率和模型效果選擇是否進行標準化；

S25、輸入輸出數據序列的連接與對應：假設污水在池中停留時間為nT，污水出水時刻為t，取樣時間間隔為T，則對于每個時間點的樣本S^t的輸入與輸出的對應關系如下：

Y^t＝f(X^t)

其中，Y^t代表模型的輸出，X^t代表模型的輸入，f代表模型的對應關系；

Y^t為t時刻出水水質指標組成的一維矩陣，表達如下：

其中，其中Y^t表示樣本S^t的輸出矩陣，表示t時刻第i個目標變量的值；

X^t為(t-nT)～t時間段內輔助變量的時間序列矩陣，表達如下：

其中，X^t表示樣本S^t的輸入，表示t時刻第i個輔助變量的值；

S3、構建和訓練卷積神經網絡出水水質預測模型，所述卷積神經網絡出水水質預測模型的模型結構由卷積模塊后再串接全連接層組成，其中卷積模塊由多個卷積層、批標準化層和池化層組成，方法如下：

S31、用一個一維卷積層對輸入的數據進行接收和處理，捕獲輸入的特征并提取有用的信息；該層接收的輸入數據結構為[n,d_in]形狀的一個矩陣，其中n代表輸入的矩陣的行數，d_in代表輸入矩陣的列數；然后用c個[ks,d_in]形狀的卷積核對輸入矩陣進行一維卷積，其中，ks代表卷積核大小；輸出結果為c個形狀為[n′,1]的特征面，將特征面排列為形狀為[n′,c]的矩陣；

S32、將該矩陣輸入到批量標準化層中，批量標準化層會將數據沿著樣本尺度進行標準化，批標準化能夠有效提升模型性能；

連續設置了多個交替的卷積層和批標準化層，以擴大深層卷積核的感受野；

在經過多次一維卷積和批標準化后，在池化層中使用形狀為[pks,c]的一維池化核對批標準化層的輸出的形狀為[n′,c]的矩陣進行最大池化，求出池化核區域每列的最大值，輸出一個形狀為[n″,c]的矩陣；

S33、將該矩陣輸入全框架一維卷積層中，即用c個和矩陣同樣大的卷積核進行卷積，輸出一個形狀為[1,c]的矩陣；

綜上，卷積模塊的計算操作表達如下：

s^t＝CNN_Module(X^t)

在卷積模塊后，使用全連接層對神經網絡中的局部信息進行整合，最后一個全連接層的輸出被傳遞到輸出層，表達如下：

h₁^t＝σ(W₁s^t+b₁)

h₂^t＝σ(W₂h₁^t+b₂)

…

h_m^t＝σ(W_mh_m-1^t+b_m)

y^t＝σ(W_yh_m^t+b_y)

其中，代表全連接層輸出矩陣，W_i代表權值向量，b_i代表偏移向量，σ代表激活函數，y^t代表輸出層輸出的一維矩陣結果；

S4、出水水質預測效果評估：得到CNN出水水質預測模型后，假定污水處理廠污水在池中停留時間為nT，在t-mT時刻需要預測mT(mTnT)時間后水廠的出水水質；將(t-mT)～t時間段的所有輔助變量用[t-(m+1)T]時刻的數據替換，構造(t-nT)～t時間段的樣本輸入，計算出t時刻的預測出水水質參數；將t時間點的預測結果和實際測定值比較，對模型出水預測效果進行評估。