[發明專利]一種滲濾液生化段碳源投加量的預測方法及優化算法

在審

• 申請號: 202210186209.6
• 申請日: 2022-02-28
• 公開（公告）號: CN114565154A
• 公開（公告）日: 2022-05-31
• 發明（設計）人: 陳曉琪;李遙;葉邦端;劉煌彬
• 申請（專利權）人: 廈門牧云數據技術有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/00;G06Q50/26;G06N3/08;G06K9/62
• 代理公司: 合肥上博知識產權代理事務所(特殊普通合伙) 34188
• 代理人: 張果果

1.一種滲濾液生化段碳源投加量的預測方法及優化算法，其特征在于：其包括以下步驟：

S1)確定影響因子：確定影響滲濾液生化段出水總氮濃度的影響因子；

S2)數據提取與清洗：基于現場生產數據進行數據提取與清洗，得到包含訓練數據組和驗證數據組的基礎數據組；

S3)模型創建：設定模型創建參數以創建深度學習神經網絡算法模型；

S4)模型訓練：使用訓練數據組對深度學習神經網絡算法模型進行訓練；

S5)模型驗證：分別使用訓練數據組和驗證數據組對深度學習神經網絡算法模型進行驗證；

S6)優化算法設計：創建包含影響因子參數的碳源投加量目標函數，并通過梯度下降法、牛頓迭代法或者二分法對碳源投加量目標函數進行求解，得到最低碳源投加量預測值；

S7)優化算法調優與驗證：針對碳源投加量目標函數引入碳源投加系數對最低碳源投加量預測值進行誤差調節，并通過觀測滲濾液生化段出水總氮濃度的實際值進行驗證，得到最優碳源投加量預測值。

2.根據權利要求1所述的滲濾液生化段碳源投加量的預測方法及優化算法，其特征在于：步驟S1)中的影響因子包括進水流量、進水COD濃度、進水氨氮濃度、進水總氮濃度、硝化池內回流流量、硝化池內溫度、硝化池內pH、硝化池內溶解氧以及碳源投加量。

3.根據權利要求1所述的滲濾液生化段碳源投加量的預測方法及優化算法，其特征在于：步驟S2)中數據提取與清洗的方法為：基于現場生產數據，提取與影響因子相關的基礎數據，對基礎數據進行異常數據排查或者人工標注錯誤以剔除臟數據，進行數據清洗，得到包含訓練數據組和驗證數據組的基礎數據組。

4.根據權利要求1所述的滲濾液生化段碳源投加量的預測方法及優化算法，其特征在于：步驟S3)中模型創建的方法為：應用matlab中newff.m函數，創建深度學習神經網絡算法模型，設定隱含層的層數為單隱含層、隱含層的節點數為20-40個、輸入層的節點數為9個、輸出層為滲濾液生化段出水的總氮濃度預測值、隱含層節點激發函數為Logsig以及輸出層節點激發函數為Purelin作為模型創建參數。

5.根據權利要求1所述的滲濾液生化段碳源投加量的預測方法及優化算法，其特征在于：步驟S4)中模型訓練的方法為：對訓練數據組進行數據歸一化處理后，設定模型的權值、閥值、最大訓練步數以及訓練誤差作為模型訓練參數，應用matlab中train.m函數，使用訓練數據組對深度學習神經網絡算法模型進行訓練。

6.根據權利要求1所述的滲濾液生化段碳源投加量的預測方法及優化算法，其特征在于：步驟S5)中模型驗證的方法，包括：對基礎數據組中所有數據進行歸一化處理后，調用matlab中sim.m函數，使用基礎數據組對深度學習神經網絡算法模型進行驗證，輸出驗證結果，調用matlab中自帶的mapminmax.m函數對輸出的驗證結果進行逆歸一化處理，得到滲濾液生化段出水的總氮濃度預測值，將總氮濃度預測值與基礎數據組中的出水總氮濃度進行對比驗證。

7.根據權利要求6所述的滲濾液生化段碳源投加量的預測方法及優化算法，其特征在于：步驟S5)中模型驗證的方法，還包括：分別使用訓練數據組和驗證數據組對深度學習神經網絡算法模型進行驗證后，分別計算均方根誤差RMSE、決定系數R2、平均絕對誤差MAE，以驗證總氮濃度預測值的準確率。