一种总磷的水质软测量预测方法技术

本发明专利技术实施方式涉及环境监测领域，公开了一种总磷的水质软测量预测方法。包括：获取待测水环境中多个水质监测指标的数据值，每个水质监测指标被获取到的数据值有多个，多个水质监测指标中至少有一个为TP；从除TP之外的各水质监测指标中选取若干个水质监测指标，将所选的水质监测指标的数据值形成数据样本集，将数据样本集划分为训练集及测试集，利用模糊神经网络算法对训练集进行训练，获得TP软测量模型；利用测试集，对TP软测量模型进行测试，获得测试结果；重复执行模型的建立和模型测试，直至获得的测试结果符合预设条件，将符合预设条件的TP软测量模型作为最终的软测量模型。所得模型预测效果精确，降低TP的水质软测量预测成本。

A soft measurement prediction method for water quality of total phosphorus

The method of implementation of the invention relates to the field of environmental monitoring, and discloses a water quality soft measurement prediction method for total phosphorus. Including: get tested multiple water quality monitoring index in water environment quality monitoring data values, the data obtained by each index value is multiple, multiple quality indexes in at least one selected from the TP; water quality monitoring index except TP in a number of indicators of water quality monitoring, water quality monitoring index of the selected data values to form data set, the data set is divided into training set and test set, using a fuzzy neural network algorithm is trained on the training set, the model of TP soft measurement; using the test set, the TP soft measurement model test, the test result is obtained; repeat the test set up and the model, to obtain test results accords with the preset condition, will meet the soft measurement model of TP preset conditions as the soft measurement model of the ultimate. The prediction results of the model are accurate, and the cost of TP's water quality soft measurement prediction is reduced.

【技术实现步骤摘要】
一种总磷的水质软测量预测方法
本专利技术涉及环境监测领域，特别涉及总磷的水质软测量预测技术。
技术介绍
众所周知，我国水资源十分稀缺，人均占有量仅占世界平均水平的1/4，同时严重的水环境的污染问题,如水污染、水体富营养化、城市黑臭水体、地下水污染等。使水资源问题愈加突出。在农村，我国将近96％的、约80～90亿t/a的农村污水没有治理，严重农村环境污染和河海流域污染，在城市，黑臭水体已然成为一种城市病，所有城市几乎无一幸免。国内大部分河流均受到不同程度的污染。缓解水资源紧张、加大污水净化、减轻水环境污染刻不容缓。随着水环境保护及污染治理的紧迫，水质监测提供的水质信息尤为重要，水质监测是水环境保护及污染治理的重要基础，其重要性关乎掌握水资源质量状况、以及对用水、污水处理、排污等有效监控。一方面，受污染水体的水质情况都需要通过化学需氧量(COD)、氨氮、总氮(TN)、总磷(TP)等关键水质指标的监测提供准确及时的水质动态信息，另一方面，及时有效的污水处理参数监测，对污水处理系统有重大意义，污水的排放必须符合国家污水排放标准中的相关规定，这就要求我们必须检测处理出水中TN、TP、COD、氨氮等关键参数。因此加强水环境保护及污染治理需要水质监测工作超前发展。COD、氨氮、TN、TP等关键水质指标的监测，对于水质处理的控制、过程的优化及诊断起着重要的作用，然而这类水质指标难以测量或不易在线测量，目前主要有人工实验室检测及检测水质的自动分析仪表(水质在线检测仪)。水质在线自动分析仪，如COD在线监测仪、TP在线检测仪等，在我国发展比较晚，国内产品的测量精确度和可靠性与国外存在一定的差距，存在品种单一、测量精准度低，测量周期长等缺陷，没有完全达到满足测量需求，污水生物处理过程的水质参数无法准确地进行测量。但使用国外的产品存在检修维护困难、价格昂贵等问题，限制了其在水环境保护及污染治理领域的应用。目前国内污水处理厂的出水水质关键参数如化学需氧量(COD)、氨氮、总氮(TN)、总磷(TP)等水指标大多依靠实验室人工化验检测来确知，显然，实验室人工化验存在滞后性，从采样到输出测定结果，有时间差值，时间滞后；精确度受人为影响，较难判断；无法实时监测，不能及时依据水质变化指导，难以控制污水处理情况。目前TP监测解决思路有以下两种：(1)改进直接测量仪表：按照传统的检测技术发展思路，以硬件形式研制新型的过程测量仪表。但由于污水处理系统是一个复杂的生物化学处理系统，是典型的非线性、多变量、不稳定、大时滞系统，干扰因素众多且不确定，直接研发、改进在线监测仪表，难度大，且监测成本(一次性投入及试剂费用)较高，难以降低。(2)间接测量：采用间接测量的思路，利用容易获取并且与被测变量相关的测量信息，通过计算估计被测变量。软测量即是这一思想的集中体现，将软测量应用于水环境保护及污染治理中，可实现投资少、实时监测的目的。
技术实现思路
本专利技术实施方式的目的在于提供一种总磷的水质软测量预测方法，在保证TP的水质软测量预测准确度的同时，降低TP的水质软测量预测成本。为解决上述技术问题，本专利技术的实施方式提供了一种总磷的水质软测量预测方法，包括：数据的获取及分析：获取待测水环境中多个水质监测指标的数据值，每个水处理监测指标被获取到的数据值有多个，多个所述水质监测指标中至少有一个为总磷TP；模型的建立：从除所述TP之外的各水质监测指标中选取若干个水质监测指标，将所选的水质监测指标的数据值形成数据样本集，将所述数据样本集划分为训练集及测试集，利用模糊神经网络算法对所述训练集进行训练，获得TP软测量模型；模型测试：利用所述测试集，通过多次仿真实验的测试，对所述TP软测量模型进行测试，获得测试结果；重复执行所述模型的建立和所述模型测试，直至获得的测试结果符合预设条件，将符合所述预设条件的TP软测量模型作为最终的软测量模型。本专利技术实施方式相对于现有技术而言，主要区别及其效果在于：在TP的软测量预测中，运用多次建模并测试的方法，从众多水质监测指标中，选取到与待测水环境更为合适的指标，使得最终获得的模型可以更为准确稳定地预测出待测水环境中TP的值。解决了现有技术中，利用同一组水处理监测指标建模，所获得的模型不能准确符合待测水环境的TP预测，拓展本专利技术实施方式的应用场景。另外，进一步限定获取到的数据被分为训练集和测试集，两者的数据值可以为不同的数据值，使得测试时，可以利用集外测试，使TP软测量模型的效果说服力大大提高。作为进一步改进，所述建模步骤之前，还包括：相关性分析：利用各个水质监测指标的数据值，进行相关性分析，获得除所述TP之外的各个水质监测指标和所述TP之间的相关性；相应的，所述选取若干个水质监测指标中，利用所述相关性的高低，选取若干个水质监测指标。利用相关性分析，使得选取指标时可以根据分析结果选取，使得选取具有了较佳的依据，提高获得符合要求的软测量模型的效率。作为进一步改进，所述模型测试后，和所述模型测试前，还包括：通过梯度下降法对所获得的TP软测量模型进行优化；所述对TP软测量模型进行测试中，对优化后的TP软测量模型进行测试。利用梯度下降法进行模型优化，使得模型的误差得到大幅度降低，大大提高模型精确度，通过上述模糊神经网络算法和梯度下降法，使获得的最终模型更为精确稳定。作为进一步改进，所述根据各测试结果选定最终的软测量模型中，所述模型测试中获得的所述测试结果包括：所述TP软测量模型的时间复杂度、准确率和稳定性。进一步限定测试结果的内容，提高选定的最终的软测量模型的有效性。作为进一步改进，所述获取步骤中，如果获取到的数据值属于：总磷、总磷或氨氮，则舍弃。由于总磷、总磷或氨氮这三个指标的直接测试成本过高，不采用这三个指标作为输入，进一步降低TP的水质软测量预测成本。作为进一步改进，所述数据的获取中，包括：利用预设的化学需氧量COD的软测量模型所预测的所述COD的预测值，和利用预设的氨氮的软测量模型所预测的所述氨氮的预测值，以及利用预设的总氮TN的软测量模型所预测的所述TN的预测值；所述COD的预测值、所述氨氮和所述TN的预测值分别有多个；所形成的数据样本集中，还包括：所述COD的预测值、所述氨氮的预测值和所述TN的预测值。避免使用仪器直接测量COD、TN和氨氮，改用这三个指标的预测值参与模型的生成，使得在保证准确度时，模型的生成成本更低。附图说明图1是根据本专利技术第一实施方式中的TP的水质软测量预测方法流程图；图2是根据本专利技术第一实施方式中的实际出水TP值与软测量所得TP值的对比及相对误差的示意图；图3是根据本专利技术第二实施方式中的TP的水质软测量预测方法流程图；图4是根据本专利技术第三实施方式中的TP的软测量预测方法流程图。具体实施方式为使本专利技术实施方式的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本专利技术各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。本专利技术的第一实施方式涉及一种TP的水质软测量预测方法。其流程如图1所示，具体如下：步骤101，获取待测水环境中多个水质监本文档来自技高网...

【技术保护点】
一种总磷的水质软测量预测方法，其特征在于，包括：数据的获取及分析：获取待测水环境中多个水质监测指标的数据值，每个水质监测指标被获取到的数据值有多个，多个所述水质监测指标中至少有一个为总磷TP；模型的建立：从除所述TP之外的各水质监测指标中选取若干个水质监测指标，将所选的水质监测指标的数据值形成数据样本集，将所述数据样本集划分为训练集及测试集，利用模糊神经网络算法对所述训练集进行训练，获得TP软测量模型；模型测试：利用所述测试集，对所述TP软测量模型进行测试，获得测试结果；重复执行所述模型的建立和所述模型测试，直至获得的测试结果符合预设条件，将符合所述预设条件的TP软测量模型作为最终的软测量模型。

【技术特征摘要】
1.一种总磷的水质软测量预测方法，其特征在于，包括：数据的获取及分析：获取待测水环境中多个水质监测指标的数据值，每个水质监测指标被获取到的数据值有多个，多个所述水质监测指标中至少有一个为总磷TP；模型的建立：从除所述TP之外的各水质监测指标中选取若干个水质监测指标，将所选的水质监测指标的数据值形成数据样本集，将所述数据样本集划分为训练集及测试集，利用模糊神经网络算法对所述训练集进行训练，获得TP软测量模型；模型测试：利用所述测试集，对所述TP软测量模型进行测试，获得测试结果；重复执行所述模型的建立和所述模型测试，直至获得的测试结果符合预设条件，将符合所述预设条件的TP软测量模型作为最终的软测量模型。2.根据权利要求1所述的总磷的水质软测量预测方法，其特征在于，所述模型测试前，和所述模型测试后，还包括：通过梯度下降法对所获得的TP软测量模型进行优化；所述对TP软测量模型进行测试中，对优化后的TP软测量模型进行测试。3.根据权利要求1所述的总磷的水质软测量预测方法，其特征在于，所述模型的建立之前，还包括：相关性分析：利用各个水质监测指标的数据值，进行相关性分析，获得除所述TP之外的各个...

【专利技术属性】
技术研发人员：朱亚杰，王云，王伟，李响，
申请(专利权)人：复凌科技上海有限公司，
类型：发明
国别省市：上海,31