[發明專利]用于水質參數預測的聯合神經網絡模型及其訓練方法

在審

• 申請號: 202010914340.0
• 申請日: 2020-09-03
• 公開（公告）號: CN112149799A
• 公開（公告）日: 2020-12-29
• 發明（設計）人: 夏文澤;劉杰;林甲;馮驍;許雪喬
• 申請（專利權）人: 北京首創股份有限公司;北京華展匯元信息技術有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06Q50/26
• 代理公司: 北京凱特來知識產權代理有限公司 11260
• 代理人: 鄭立明;付久春

本發明公開一種用于水質參數預測的基于RNN的聯合神經網絡模型，包括：若干RNN類神經網絡，分別部署在各污水測量點；兩端的RNN類神經網絡的中間層輸入只與相鄰一個RNN的中間層輸出相連；兩端之間任一RNN類神經網絡的中間層輸入同時與相鄰兩個RNN中間層輸出相連；兩端的RNN類神經網絡的一側各設一個高斯函數模塊和一個乘法模塊；兩端間任一RNN類神經網絡的兩側都設一個高斯函數模塊和一個乘法模塊；各高斯函數模塊的輸入與對應RNN的輸入相連，輸出與對應乘法模塊一個輸入相連；乘法模塊另一輸入與對應RNN的中間層輸出相連，輸出與相鄰RNN的中間層輸入相接。該聯合神經網絡能同時充分地提取多個測量點歷史信息進行參數估計，提高全流程參數估計的預測精確度。

技術領域

本發明涉及水質參數預測領域，尤其涉及一種用于水質參數預測的聯合神經網絡模型 及其訓練方法。

背景技術

經過多年的發展，國內污水處理技術已經獲得了巨大的進步。然而在實際流程控制過 程中，污水處理行業依然還要面臨很多的挑戰，比如在污水處理過程中有眾多的參量需要 測量，其中一些參量能夠通過傳感器實時測量，還有一些則需要經過人工化驗才能進行測 量，某些需要化驗的參數甚至需要數天時間才能完成，這大大的降低了數據的時效性。因 此，為了更好的采集水質參數，可以利用軟測量技術通過眾多可以實時測量的參數估計某 些需要人工化驗的水質參數，這樣既可以提高數據的時效性又可以降低水廠的運營成本。 軟測量技術是一種利用計算機實現的數據映射算法，算法的輸入是某些可以實時測量的參 數，算法的輸出是某些需要人工化驗的參數。在眾多的軟測量技術中，人工神經網絡算法 具有非常杰出的表現。

近年來，人工神經網絡作為一種智能的數據映射方法在很多擬合問題中得到了廣泛的 應用。因其擁有詮釋大時變、強耦合及大時滯等非線性關系的映射能力，并能夠通過此項 能力建立精確的數學模型，實現快速的參數映射，人工神經網絡在污水處理過程水質參數 軟測量技術中得到廣泛應用。如中國專利ZL201610405933.8公開的一種基于遞歸RBF神經 網絡的MBR膜透水率的智能檢測方法中，利用遞歸RBF神經網絡對污水處理過程中的MBR膜 透水率進行估計；另一件中國專利201810323080.2公開的一種基于多層循環神經網絡和 D-S證據理論的水質參數預測方法中，利用多個循環神經網絡輸出多個預測結果并用D-S證 據理論將多個預測結果進行融合以生成更高精度的水質預測。

目前在工程行業中應用最為廣泛的是BP(Back Propagation)神經網絡，但BP神經網 絡無法實現帶有時序邏輯特性參量的映射關系，它對同一時刻的多維數據可以實現正常的 參量映射，但無法對具有序列變化關系以及強耦合性的數據實現參量映射。RNN(Recurrent Neural Network)循環神經網絡可以解決BP神經網絡所存在的問題，RNN循環神經網絡是 一種可以在時間維度上對輸入輸出參量進行映射的網絡，它在隱藏層中添加了一個反饋操 作，這個反饋操作將之前時刻的信息反饋到當前時刻，這種結構可以使RNN循環神經網絡 的輸出結果不僅與當前的輸入數據相關，還與歷史輸入的數據相關，這就是其具有時序特 性的主要原因。雖然現有的RNN循環神經神經網絡在很多領域中發揮了巨大作用，但是其 一般只能在時間維度上對輸入、輸出參量進行映射，而難以同時在時間維度和空間維度上 進行充分地映射。在類似于污水處理這樣具有復雜生化反應的過程，往往需要同時監控很 多測量點的水質參數，且不同測量點之間還會相互影響，某測量點的水質參數不僅僅與本 測量點的歷史數據相關，還會與其它測量點的歷史數據相關，在真實的污水處理過程中， 數據映射關系為一個既包含時間序列又包含空間序列信息的復雜的數學模型。而即便是在 每一個測量點都設置一個RNN循環神經網絡，也僅是在每一個測量點都建立了一個獨立的 時間序列映射關系，無法反映出不同測量點的空間映射關系，并不能提高水質參數的預測 精度。

發明內容