水质预测方法、参数推荐、优化方法和模型训练方法技术

本公开提供了一种水质预测方法、参数推荐、优化方法和模型训练方法，涉及人工智能领域，具体涉及智能工业和深度学习等技术领域，可应用于污水治理等场景。水质预测方法的具体实现方案为：采用水质预测模型的主干网络对入水的水质参数进行处理，得到水质特征数据；采用水质预测模型的第一分支网络对污水处理系统的工况参数进行处理，得到工况特征数据；采用水质预测模型的第二分支网络对水质机理模型的模型参数进行处理，得到参数特征数据；以及根据工况特征数据和参数特征数据对水质特征数据进行加权处理，得到出水的水质参数，其中，水质预测模型基于深度算子网络构建。水质预测模型基于深度算子网络构建。水质预测模型基于深度算子网络构建。

【技术实现步骤摘要】
水质预测方法、参数推荐、优化方法和模型训练方法


[0001]本公开涉及人工智能领域，具体涉及智能工业和深度学习等
，可应用于污水治理等场景。

技术介绍

[0002]随着电子技术的发展，深度学习技术在很多领域得到了广泛应用。为了利于提高工业的智能化水平，可以将深度学习技术与传统工业相结合，以基于深度学习技术对工况运行结果等进行预测，为工况的运行提供参考信息。

技术实现思路

[0003]本公开旨在提供一种水质预测方法、参数推荐方法、参数优化方法和模型训练方法、装置、设备及介质，旨在提高深度学习对水治理机理的学习能力，提高水质预测精度，并进一步指导工况的运行。
[0004]根据本公开的第一个方面，提供了一种水质预测方法，包括：采用水质预测模型的主干网络对入水的水质参数进行处理，得到水质特征数据；采用水质预测模型的第一分支网络对污水处理系统的工况参数进行处理，得到工况特征数据；采用水质预测模型的第二分支网络对水质机理模型的模型参数进行处理，得到参数特征数据；以及根据工况特征数据和参数特征数据对水质特征数据进行加权处理，得到出水的水质参数，其中，水质预测模型基于深度算子网络构建。
[0005]根据本公开的第二个方面，提供了一种参数推荐方法，包括：采用上文描述的水质预测方法预测得到出水的水质参数；根据入水的水质参数、污水处理系统的工况参数、模型参数和出水的水质参数，确定水质机理模型的取值；以及以最小化水质机理模型的取值为目标调整工况参数，得到推荐的工况参数。
[0006]根据本公开的第三个方面，提供了一种参数推优化方法，包括：采用上文描述的水质预测方法预测得到出水的水质参数；确定污水处理系统根据工况参数对具有入水的水质参数的入水进行处理，得到的出水的实际水质参数；以及根据实际水质参数和预测水质参数之间的差异调整模型参数的取值，得到优化后的模型参数。
[0007]根据本公开的第四个方面，提供了一种水质预测模型的训练方法，其中，水质预测模型包括并列设置的主干网络、第一分支网络、第二分支网络和融合网络；水质预测模型基于深度算子网络构建，训练方法包括：采用主干网络对样本数据中入水的水质参数进行处理，得到水质特征数据；采用第一分支网络对样本数据中污水处理系统的工况参数进行处理，得到工况特征数据；采用第二分支网络对样本数据中水质机理模型的模型参数进行处理，得到参数特征数据；采用融合网络来根据工况特征数据和参数特征数据对水质特征数据进行加权处理，得到出水的预测水质参数；以及根据样本数据中出水的水质参数与预测水质参数的差异，对水质预测模型进行训练。
[0008]根据本公开的第五个方面，提供了一种水质预测装置，包括：水质参数处理模块，
用于采用水质预测模型的主干网络对入水的水质参数进行处理，得到水质特征数据；工况参数处理模块，用于采用水质预测模型的第一分支网络对污水处理系统的工况参数进行处理，得到工况特征数据；模型参数处理模块，用于采用水质预测模型的第二分支网络对水质机理模型的模型参数进行处理，得到参数特征数据；以及水质参数预测模块，用于根据工况特征数据和参数特征数据对水质特征数据进行加权处理，得到出水的水质参数，其中，水质预测模型基于深度算子网络构建。
[0009]根据本公开的第六个方面，提供了一种参数推荐装置，包括：水质参数预测模块，用于采用本公开第五个方面提供的水质预测装置预测得到出水的水质参数；模型取值确定模块，用于根据入水的水质参数、污水处理系统的工况参数、模型参数和出水的水质参数，确定水质机理模型的取值；以及推荐参数确定模块，用于以最小化水质机理模型的取值为目标调整工况参数，得到推荐的工况参数。
[0010]根据本公开的第七个方面，提供了一种参数优化装置，包括：水质参数预测模块，用于采用本公开第五个方面提供的水质预测装置预测得到出水的水质参数；实际参数确定模块，用于确定污水处理系统根据工况参数对具有入水的水质参数的入水进行处理，得到的出水的实际水质参数；以及参数优化模块，用于根据实际水质参数和预测水质参数之间的差异调整模型参数的取值，得到优化后的模型参数。
[0011]根据本公开的第八个方面，提供了一种水质预测模型的训练装置，其中，水质预测模型包括并列设置的主干网络、第一分支网络、第二分支网络和融合网络；水质预测模型基于深度算子网络构建；训练装置包括：水质参数处理模块，用于采用主干网络对样本数据中入水的水质参数进行处理，得到水质特征数据；工况参数处理模块，用于采用第一分支网络对样本数据中污水处理系统的工况参数进行处理，得到工况特征数据；模型参数处理模块，用于采用第二分支网络对样本数据中水质机理模型的模型参数进行处理，得到参数特征数据；水质参数预测模块，用于采用融合网络来根据工况特征数据和参数特征数据对水质特征数据进行加权处理，得到出水的预测水质参数；以及模型训练模块，用于根据样本数据中出水的水质参数与预测水质参数的差异，对水质预测模型进行训练。
[0012]根据本公开的第九个方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开提供的以下方法中的至少之一：水质预测方法、参数推荐方法、参数优化方法和水质预测模型的训练方法。
[0013]根据本公开的第十个方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行本公开提供的以下方法中的至少之一：水质预测方法、参数推荐方法、参数优化方法和水质预测模型的训练方法。
[0014]根据本公开的第十一个方面，提供了一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令存储于可读存储介质和电子设备其中至少之一上，所述计算机程序/指令在被处理器执行时实现本公开提供的以下方法中的至少之一：水质预测方法、参数推荐方法、参数优化方法和水质预测模型的训练方法。
[0015]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0016]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0017]图1是根据本公开实施例的水质预测方法、参数推荐方法、参数优化方法和水质预测模型的训练方法、装置的应用场景示意图；
[0018]图2是根据本公开实施例水质预测方法的流程示意图；
[0019]图3是根据本公开实施例的水质预测方法的实现原理图；
[0020]图4是根据本公开实施例的参数推荐方法的流程示意图；
[0021]图5是根据本公开实施例的参数优化方法的流程示意图；
[0022]图6是根据本公开实施例的水质预测模型的训练方法的流程示意图；
[0023]图7是根据本公开实施例的水质预测装置的结构框图；
[0024]图8是根据本公开实施例的参数推荐装置的结构框图；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水质预测方法，包括：采用水质预测模型的主干网络对入水的水质参数进行处理，得到水质特征数据；采用所述水质预测模型的第一分支网络对污水处理系统的工况参数进行处理，得到工况特征数据；采用所述水质预测模型的第二分支网络对水质机理模型的模型参数进行处理，得到参数特征数据；以及根据所述工况特征数据和所述参数特征数据对所述水质特征数据进行加权处理，得到出水的水质参数，其中，所述水质预测模型基于深度算子网络构建。2.根据权利要求1所述的方法，其中，所述入水的水质参数包括N个第一水质参数；所述采用水质预测模型的主干网络对入水的水质参数进行处理，得到水质特征数据包括：采用所述主干网络对所述N个第一水质参数进行处理，得到与所述N个第一水质参数对应的N个特征数据；所述根据所述工况特征数据和所述参数特征数据对所述水质特征数据进行加权处理，得到出水的水质参数包括：根据所述工况特征数据和所述参数特征数据对所述N个特征数据分别进行加权处理，得到与所述N个第一水质参数对应的N个第二水质参数，其中，所述出水的水质参数包括所述N个第二水质参数；N为自然数。3.根据权利要求1或2所述的方法，其中，所述第一分支网络包括M个第一子网络；所述第二分支网络包括L个第二子网络；所述采用所述水质预测模型的第一分支网络对污水处理系统的工况参数进行处理，得到工况特征数据包括：采用所述M个第一子网络对M个所述工况参数进行处理，得到M个工况特征数据；所述采用所述水质预测模型的第二分支网络对水质机理模型的模型参数进行处理，得到参数特征数据包括：采用所述L个第二子网络对L个所述模型参数进行处理，得到L个参数特征数据，其中，M与L均为大于1的自然数；所述M个第一子网络与M个所述工况参数相对应，所述L个第二子网络与L个所述模型参数相对应。4.根据权利要求3所述的方法，其中，所述水质特征数据包括N个特征数据，所述N个特征数据与所述入水的水质参数包括的N个第一水质参数对应；所述根据所述工况特征数据和所述参数特征数据对所述水质特征数据进行加权处理，得到出水的水质参数包括：针对所述N个特征数据中的特征数据，确定所述M个工况特征数据、所述L个参数特征数据和所述特征数据的点积，得到一个第二水质参数，其中，所述M个工况特征数据、所述L个参数特征数据和所述N个特征数据的维度相等；所述出水的水质参数包括针对N个特征数据得到的N个第二水质参数。5.一种参数推荐方法，包括：采用如权利要求1～4中任一项所述的方法预测得到出水的水质参数；根据所述入水的水质参数、所述污水处理系统的工况参数、所述模型参数和所述出水的水质参数，确定所述水质机理模型的取值；以及以最小化所述水质机理模型的取值为目标调整所述工况参数，得到推荐的工况参数。
6.根据权利要求5所述的方法，还包括：根据所述污水处理系统的工况参数，确定所述污水处理系统的资源耗费量；其中，所述以最小化所述水质机理模型的取值为目标调整所述工况参数，得到推荐的工况参数包括：以最小化所述水质机理模型的取值和所述资源耗费量的加权和为目标调整所述工况参数，得到所述推荐的工况参数。7.根据权利要求5或6所述的方法，其中，所述以最小化所述水质机理模型的取值为目标调整所述工况参数，得到推荐的工况参数包括：以所述出水的水质参数小于预定值为条件调整所述工况参数，得到推荐的工况参数。8.一种参数优化方法，包括：采用如权利要求1～4中任一项所述的方法预测得到出水的水质参数，作为预测水质参数；确定所述污水处理系统根据所述工况参数对具有所述入水的水质参数的入水进行处理，得到的出水的实际水质参数；以及根据所述实际水质参数和所述预测水质参数之间的差异调整所述模型参数的取值，得到优化后的模型参数。9.根据权利要求8所述的方法，还包括：根据所述入水的水质参数、所述污水处理系统的工况参数、所述模型参数和所述预测水质参数，确定所述水质机理模型的实际取值；以及所述根据所述实际水质参数和所述预测水质参数之间的差异调整所述模型参数的取值，得到优化后的模型参数包括：根据所述差异和所述实际取值的加权和调整所述模型参数的取值，得到所述优化后的模型参数。10.根据权利要求9所述的方法，其中，所述根据所述差异和所述实际取值的加权和调整所述模型参数的取值，得到所述优化后的模型参数包括：以最小化所述加权和的期望值为目标，调整所述模型参数的取值，得到所述优化后的模型参数。11.根据权利要求8所述的方法，还包括：统计预定时段内所述实际水质参数和所述预测水质参数之间的差异的平均值；以及根据所述实际水质参数和所述预测水质参数之间的差异调整所述模型参数的取值，得到优化后的模型参数包括：响应于所述平均值大于预定阈值，根据所述差异调整所述模型参数的取值，得到所述优化后的模型参数。12.一种水质预测模型的训练方法，其中，所述水质预测模型包括并列设置的主干网络、第一分支网络、第二分支网络和融合网络；所述水质预测模型基于深度算子网络构建；所述训练方法包括：采用所述主干网络对样本数据中入水的水质参数进行处理，得到水质特征数据；采用所述第一分支网络对所述样本数据中污水处理系统的工况参数进行处理，得到工况特征数据；采用所述第二分支网络对所述样本数据中水质机理模型的模型参数进行处理，得到参数特征数据；采用所述融合网络来根据所述工况特征数据和所述参数特征数据对所述水质特征数
据进行加权处理，得到出水的预测水质参数；以及根据所述样本数据中出水的水质参数与所述预测水质参数的差异，对所述水质预测模型进行训练。13.根据权利要求12所述的方法，还包括：根据所述入水的水质参数、所述工况参数、所述模型参数和所述预测水质参数，确定所述水质机理模型的实际取值，其中，根据所述样本数据中出水的水质参数与所述预测水质参数的差异，对所述水质预测模型进行训练包括：...

【专利技术属性】
技术研发人员：丁思琪，刘天源，解鑫，袁晓敏，石成功，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：