【技术实现步骤摘要】
一种基于自编码神经网络的城市污水处理过程缺失数据在线补偿方法
[0001]本专利技术基于城市污水处理过程运行特性进行分析的基础上，通过建立基于自编码神经网络的城市污水处理过程缺失数据在线补偿模型。该在线补偿模型在实际过程中，能够补偿城市污水处理过程数据中的随机缺失数据，提高了城市污水处理过程数据的可信度，属于污水处理领域。
技术介绍
[0002]近年来，随着传感器和分布式系统在城市污水厂的大量安装，城市污水处理过程数据被实时采集、传输并保存。实时数据是实现城市污水处理过程运行监测、优化控制和故障预测等环节的重要依据，是建设污水处理信息化的基础。然而，由于传感器故障、传输网络中断或人为因素等原因，实时数据缺失成为一个不可避免的问题，这对城市污水处理系统平稳高效运行带来危害。因此，实时补偿缺失数据对保证污水处理厂正常稳定运行具有重要的理论意义和应用价值。
[0003]由于城市污水处理过程是一个包含许多复杂处理工艺的生化过程，工作环境复杂且干扰较大，导致难以构建准确的数学模型对缺失数据进行精确地补偿，严重降低了数据可靠性，...
【技术保护点】
【技术特征摘要】
1.一种基于自编码神经网络的城市污水处理过程缺失数据在线补偿方法，其特征在于，包括以下步骤：(1)采集运行数据以城市污水处理过程为研究对象，通过安装在现场的仪表实时采集运行数据，包括进水流量、进水化学需氧量、进水总磷、出水总氮、出水总磷、进水氨氮、进水酸碱度、曝气池温度和回流污泥量；设所采集的运行数据集D共有Z个样本，Z取[1500,10000]之间的整数；(2)建立补偿模型补偿模型以自编码神经网络为载体，包含以下三层：输入层、隐含层和输出层；其结构为9
‑5‑
9的连接方式，即输入层神经元为9个，隐含层神经元为5个，输出层神经元为9个；补偿模型的输入变量为x1(t),x2(t),x3(t),x4(t),x5(t),x6(t),x7(t),x8(t),x9(t)，t＝1,2,
…
,Z，x1(t)为t时刻进水流量，单位是升/立方米，x2(t)为t时刻进水化学需氧量，单位是毫克/升，x3(t)为t时刻进水总磷浓度，单位是毫克/升，x4(t)为t时刻出水总氮浓度，单位是毫克/升，x5(t)为t时刻出水总磷浓度，单位是毫克/升，x6(t)为t时刻进水氨氮浓度，单位是毫克/升，x7(t)为t时刻进水酸碱度，x8(t)为t时刻曝气池温度，单位是摄氏度，x9(t)为t时刻生物需氧量，单位是毫克/升，基于自编码神经网络的补偿模型中各层表示如下：输入层：由9个神经元组成，输入变量为x1(t),x2(t),x3(t),x4(t),x5(t),x6(t),x7(t),x8(t),x9(t)，每个神经元的输出为：u
p
(t)＝x
p
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，u
p
(t)是t时刻第p个神经元的输出，p＝1,2,
…
,9；隐含层：由5个神经元组成，每个神经元输出为：其中，h
j
(t)为t时刻第j个隐含层神经元输出，W
epj
(t)为t时刻第p个变量第j个隐含层神经元的连接权重，b
ej
(t)为t时刻第j个隐含层神经元偏移量，j＝1,
…
,5；输出层：由9个神经元组成，每个神经元输出为：其中，为t时刻第p个神经元输出，W
djp
(t)为t时刻第j个输入第p个输出层神经元的连接权重，b
dp
(t)为t时刻第p个输出层神经元偏移量；(3)更新补偿模型参数
①
设初始迭代次数s＝1，最大迭代次数S＝100，运行数据集D的起始样本为第1个输入样本，即t＝1，初始时刻首次迭代的隐含层神经元的连接权重在区间[
‑
1,1]中随机取值，初始时刻首次迭代的隐含层偏移量b
1ep
(1)在区间[
‑
1,1]中随机取值，初始时刻首次迭代的输出层连接权重在区间[
‑
1,1]中随机取值，初始时刻首次迭代的输出层偏移量b
1dp
(1)在区间[
‑
1,1]中随机取值；
②
识别缺失样本t时刻运行数据集D的输入样本为x(t)＝[x1(t),x2(t),
…
,x
p
(t),
…
,x9(t)]
T
，T为转置计算，输入样本x(t)的缺失掩码向量为：
m(t)＝[m1...
【专利技术属性】
技术研发人员：韩红桂，孙美婷，李蒙蒙，李方昱，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。