一种基于数据挖掘的废水中悬浮固体总量的预测方法技术

本发明专利技术公开了一种基于数据挖掘的废水中悬浮固体总量的预测方法，涉及水体污染物预测领域，包括以下步骤：S1:获取进水阶段的水质参数，包括进水流量、碳质生化需氧量CBOD、总悬浮固体TSS；S2:对获取的水质参数进行预处理；S3:将预处理后的进水流量和碳质生化需氧量CBOD进行PCA数据降维；S4:将降维选择后的数据输入至MLP神经网络模型中，建立进水阶段的总悬浮固体TSS的时间序列模型；S5:将总悬浮固体TSS过去7日记录值输入至MLP神经网络模型中，建立TSS的时间序列预测模型。其中预测模型性能通过平均绝对误差MAE和平均相对误差MRE进行评估。本发明专利技术应用数据挖掘算法对固体悬浮物总量进行了预测，通过对MLP算法模型的迭代构造，进一步提高了预测的精度。

【技术实现步骤摘要】
一种基于数据挖掘的废水中悬浮固体总量的预测方法
本专利技术涉及水体污染物预测领域，具体涉及一种基于数据挖掘的废水中悬浮固体总量的预测方法。
技术介绍
总悬浮固体(TSS)被认为是导致水质恶化的主要污染物之一，过量的TSS会消耗出水中的溶解氧(DO)，导致水处理成本上升，鱼类资源减少，以及影响水的总体美学。悬浮物预测对控制废水水质具有重要意义，而一种精度高的预测方法对于控制废水水质、污水处理具有极高的指导意义。
技术实现思路
本专利技术的目的在于提供一种基于数据挖掘的废水中悬浮固体总量的预测方法，解决废水中TSS预测精度不高的问题。为解决上述的技术问题，本专利技术采用以下技术方案：一种基于数据挖掘的废水中悬浮固体总量的预测方法，其特征在于包括以下步骤：S1:获取目标特征数据：其中，所述目标特征数据是指进水阶段的水质参数，包括进水流量、碳质生化需氧量CBOD、总悬浮固体TSS；S2:对目标特征数据进行数据预处理；S3:将经过数据预处理的进水流量和碳质生化需氧量CBOD进行PCA数据降维；S本文档来自技高网...

【技术保护点】
1.一种基于数据挖掘的废水中悬浮固体总量的预测方法，其特征在于包括以下步骤：/nS1:获取目标特征数据：其中，所述目标特征数据是指进水阶段的水质参数，包括进水流量、碳质生化需氧量CBOD、总悬浮固体TSS；/nS2:对目标特征数据进行数据预处理；/nS3:将经过数据预处理的进水流量和碳质生化需氧量CBOD进行PCA数据降维；/nS4:将经过降维选择的数据输入至MLP神经网络模型中，建立进水阶段的总悬浮固体TSS的时间序列模型，并利用平均绝对误差MAE和平均相对误差MRE来评估数据模型的性能；/nS5:将总悬浮固体TSS过去7日记录值输入至MLP神经网络模型中，建立废水中总悬浮固体TSS的时间序...

【技术特征摘要】
1.一种基于数据挖掘的废水中悬浮固体总量的预测方法，其特征在于包括以下步骤：
S1:获取目标特征数据：其中，所述目标特征数据是指进水阶段的水质参数，包括进水流量、碳质生化需氧量CBOD、总悬浮固体TSS；
S2:对目标特征数据进行数据预处理；
S3:将经过数据预处理的进水流量和碳质生化需氧量CBOD进行PCA数据降维；
S4:将经过降维选择的数据输入至MLP神经网络模型中，建立进水阶段的总悬浮固体TSS的时间序列模型，并利用平均绝对误差MAE和平均相对误差MRE来评估数据模型的性能；
S5:将总悬浮固体TSS过去7日记录值输入至MLP神经网络模型中，建立废水中总悬浮固体TSS的时间序列预测模型，并利用平均绝对误差MAE和平均相对误差MRE来评估数据模型的性能；
其中，所述步骤S4和步骤S5中MLP神经网络均由输入层、隐含层和输出层三层组成，隐含层数为1，隐含层的节点数量均为从5～25个不等。


2.根据权利要求1所述的一种基于数据挖掘的废水中悬浮固体总量的预测方法，其特征在于：所述步骤S2中对目标特征数据进行预处理之前需进行异常值识别及去除操作，使用双侧离群值检测方法对超过+3σ的值和小于-3σ的值进行离群值判定并剔除离群值，TSS值保持在32mg/L至530mg/L之间。


3.根据权利要求1所述的一种基于数据挖掘的废水中悬浮固体总量的预测方法，其特征在于：所述步骤S3中经过数据预处理的进水流量和碳质生化需氧量CBOD进行PCA数据降维，所述PCA降维步骤如下：
S3-1.归一化，分别计算出进水流量和CBOD数据的均值，再将集合中每一个元素减...

【专利技术属性】
技术研发人员：于忠清，徐超，
申请(专利权)人：青岛洪锦智慧能源技术有限公司，
类型：发明
国别省市：山东;37