[發明專利]一種基于數據挖掘的廢水中懸浮固體總量的預測方法

在審

• 申請號: 202010727352.2
• 申請日: 2020-07-24
• 公開（公告）號: CN111863153A
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 于忠清;徐超
• 申請（專利權）人: 青島洪錦智慧能源技術有限公司
• 主分類號: G16C20/70
• 分類號: G16C20/70;G06N3/08;G06N3/04
• 代理公司: 昆明普發諾拉知識產權代理事務所(特殊普通合伙) 53209
• 代理人: 葛玉軍

1.一種基于數據挖掘的廢水中懸浮固體總量的預測方法，其特征在于包括以下步驟：

S1:獲取目標特征數據：其中，所述目標特征數據是指進水階段的水質參數，包括進水流量、碳質生化需氧量CBOD、總懸浮固體TSS；

S2:對目標特征數據進行數據預處理；

S3:將經過數據預處理的進水流量和碳質生化需氧量CBOD進行PCA數據降維；

S4:將經過降維選擇的數據輸入至MLP神經網絡模型中，建立進水階段的總懸浮固體TSS的時間序列模型，并利用平均絕對誤差MAE和平均相對誤差MRE來評估數據模型的性能；

S5:將總懸浮固體TSS過去7日記錄值輸入至MLP神經網絡模型中，建立廢水中總懸浮固體TSS的時間序列預測模型，并利用平均絕對誤差MAE和平均相對誤差MRE來評估數據模型的性能；

其中，所述步驟S4和步驟S5中MLP神經網絡均由輸入層、隱含層和輸出層三層組成，隱含層數為1，隱含層的節點數量均為從5～25個不等。

2.根據權利要求1所述的一種基于數據挖掘的廢水中懸浮固體總量的預測方法，其特征在于：所述步驟S2中對目標特征數據進行預處理之前需進行異常值識別及去除操作，使用雙側離群值檢測方法對超過+3σ的值和小于-3σ的值進行離群值判定并剔除離群值，TSS值保持在32mg/L至530mg/L之間。

3.根據權利要求1所述的一種基于數據挖掘的廢水中懸浮固體總量的預測方法，其特征在于：所述步驟S3中經過數據預處理的進水流量和碳質生化需氧量CBOD進行PCA數據降維，所述PCA降維步驟如下：

S3-1.歸一化，分別計算出進水流量和CBOD數據的均值，再將集合中每一個元素減去這個均值；

S3-2.對于維度去除均值的矩陣求協方差矩陣和對應的特征值矩陣和特征向量矩陣；

S3-3.按照特征值從大到小排列其對應的特征向量,挑選出前K個特征值對應的特征向量；

S3-4.將原數據矩陣與上述得到的特征向量矩陣相乘，得到最終的降維后矩陣；

其中，K表示降維后的維度，K取5維，原數據矩陣表示進水流量和CBOD構成的多維矩陣。

4.根據權利要求1所述的一種基于數據挖掘的廢水中懸浮固體總量的預測方法，其特征在于：所述步驟S4中MLP神經網絡為5輸入1輸出，隱含層的節點數為16，神經元采用雙曲正切T形傳遞函數，所述步驟S5中MLP神經網絡為5輸入1輸出，隱含層的節點數為24，神經元采用雙曲正切T形傳遞函數。

5.根據權利要求1所述的一種基于數據挖掘的廢水中懸浮固體總量的預測方法，其特征在于：所述步驟4和步驟5中MLP神經網絡采取迭代式神經網絡學習方案更新和訓練預測模型。

6.根據權利要求5所述的一種基于數據挖掘的廢水中懸浮固體總量的預測方法，其特征在于：所述訓練具體為對于包含有1395組輸入參量的數據集，使用其中的930組輸入參量用于MLP神經網絡模型的訓練,其余465組作為輸入參量來驗證BP神經網絡模型的預測能力。

7.根據權利要求1所述的一種基于數據挖掘的廢水中懸浮固體總量的預測方法，其特征在于：所述步驟S4和步驟S5中平均絕對誤差(MAE)和平均相對誤差(MRE)的計算方法如下：

其中，和表示t時刻模型預測值，y_i(t)和y(t)表示t時刻實際值。