一种基于深度学习的测量参数预测及污水处理控制方法技术

本发明专利技术涉及一种基于深度学习的测量参数预测及污水处理控制方法，该方法包括以下步骤：步骤1：获取实时污水处理在线仪表测量时序数据；步骤2：针对时序数据进行数据清洗并进行小波变换后获得各级别高频分量；步骤3：针对各级别高频分量分别处理后输入至训练完毕的GRU神经网络模型中后输出各级别高频分量对应的预测结果；步骤4：将各级别高频分量对应的预测结果再次处理后组合进行小波重构，得到经过预测处理的测量参数；步骤5：根据经过预测处理的测量参数对污水处理对应控制环节作出对应控制动作。与现有技术相比，本发明专利技术具有能够保证相对准确提前预估参数避免控制滞后，同时也能够降低测量频率降低成本等优点。够降低测量频率降低成本等优点。够降低测量频率降低成本等优点。

【技术实现步骤摘要】
一种基于深度学习的测量参数预测及污水处理控制方法


[0001]本专利技术涉及污水处理测量控制
，尤其是涉及一种基于深度学习的测量参数预测及污水处理控制方法。

技术介绍

[0002]随着近年来掀起的“提标改造”浪潮，为了满足日益严格排放标准，原本自动化程度相对较低的污水处理逐步增设在线仪表。
[0003]但是目前污水处理在线仪表存在测量时间长和测量维护成本高(测量需要消耗测量药物，测量成本随着测量频率增加而增加)的特点，这不仅增加运营成本，而且由于测量时间过长造成控制措施相对滞后会造成出水不稳定。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习的测量参数预测及污水处理控制方法。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种基于深度学习的测量参数预测及污水处理控制方法，该方法包括以下步骤：
[0007]步骤1：获取实时污水处理在线仪表测量时序数据；
[0008]步骤2：针对时序数据进行数据清洗并进行小波变换本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的测量参数预测及污水处理控制方法，其特征在于，该方法包括以下步骤：步骤1：获取实时污水处理在线仪表测量时序数据；步骤2：针对时序数据进行数据清洗并进行小波变换后获得各级别高频分量；步骤3：针对各级别高频分量分别处理后输入至训练完毕的GRU神经网络模型中后输出各级别高频分量对应的预测结果；步骤4：将各级别高频分量对应的预测结果再次处理后组合进行小波重构，得到经过预测处理的测量参数；步骤5：根据经过预测处理的测量参数对污水处理对应控制环节作出对应控制动作。2.根据权利要求1所述的一种基于深度学习的测量参数预测及污水处理控制方法，其特征在于，所述的步骤2包括以下分步骤：步骤201：针对时序数据基于正态分布进行数据初选，得到备选异常数据；步骤202：将经过数据初选后的时序数据基于差分精确筛选，筛选出异常值；步骤203：去除异常值后针对原时序数据采用前后均值法进行数据填补；步骤204：针对经过数据填补后的时序数据进行小波变换后获得各级别高频分量。3.根据权利要求2所述的一种基于深度学习的测量参数预测及污水处理控制方法，其特征在于，所述的步骤201中的正态分布对应描述公式为：式中，σ为标准差，σ2为方差，μ为平均值。4.根据权利要求2所述的一种基于深度学习的测量参数预测及污水处理控制方法，其特征在于，所述的步骤204中的小波变换对应描述公式为：特征在于，所述的步骤204中的小波变换对应描述公式为：式中，τ为平移量，a为尺度。5.根据权利要求1所述的一种基于深度学习的测量参数预测及污水处理控制方法，其特征在于，所述的步骤3具体包括：针对各级别高频分量分别经过归一化处理后输入至训练完毕的GRU神经模型中后输出各级别高频分量对应的预测结果。6.根据权利要求5所述的一种基于深度学习的测量参数预测及污水处理控制方法，其特征在于，所述的归一化处理对应描述公式为：特征在于，所述的归一化处理对应描述公式为：
式中，为归一化处理后的样本数据...

【专利技术属性】
技术研发人员：杨志科，蒋秋明，王兴荣，董孔益，余俊，陶乃峰，黄健，李国虎，马峻青，张元会，
申请(专利权)人：上海上实龙创智能科技股份有限公司，
类型：发明
国别省市：