基于深度神经网络的污水处理出水预测方法及其系统技术方案

本发明专利技术公开了一种基于深度神经网络的污水处理出水预测方法，包括以下步骤：S1：获取目标污水处理厂运营记录的或者在线检测的水质数据；S2：对步骤S1获取的水质数据进行预处理，包括数据清洗、数据表达、输入输出配准；S3：构建污水处理出水水质指标预测模型，并分别确定模型的输入参数和输出参数，用于每次预测一个或多个时刻的出水水质指标；S4：利用预处理后的水质数据对所述污水处理出水水质指标预测模型进行训练；S5：使用训练好的污水处理出水水质指标预测模型对目标污水处理厂的出水水质指标进行预测。还公开了一种基于深度神经网络的污水处理出水预测系统。本发明专利技术能够方便地运用于不同的污水处理厂，并取得更好的预测效果。果。果。

【技术实现步骤摘要】
基于深度神经网络的污水处理出水预测方法及其系统


[0001]本专利技术涉及污水处理预测领域，特别是涉及一种基于深度神经网络的污水处理出水预测方法及其系统。

技术介绍

[0002]通过模型准确预测污水处理的出水水质指标数据，能够帮助污水处理厂及时进行过程调控和有效地稳定运行。目前，城市污水处理厂大多都有活性污泥法进行污水处理的过程。由于这个处理过程涉及复杂的、缓慢的、相互耦合的多种生化反应，并且与环境的变化密切关联，尚未有一种准确度和适应性能够满足不同污水处理厂实际生产运行需求的污水处理出水水质预测模型。
[0003]活性污泥模型(ASM，Activated Sludge Model)系列是国际水协建立的、在水处理界最具影响力的用于描述和理解活性污泥系统反应过程的数学模型，不仅被用于指导污水处理系统设计，也被用于预测处理后的水质指标。然而，由于ASM模型相当复杂，其中不仅对污水组分和活性污泥生化反应作了许多假设和限定，而且包含了众多需要随着时间和工况变化必须加以相应改变的参数，使得运用ASM系列模型来预测污水处理厂出水指标在实际操作中非常困难。
[0004]近年来以神经网络为代表的建模方法和技术被引入污水处理建模中，该类方法通过使用具备对应关系的一系列输入数据和输出数据对神经网络模型进行训练，来建立输入输出数据之间的关系模型。然而，在污水处理方面已公开发表的成果虽然看上去预测效果良好，但是由于这些成果均是针对某个特定污水处理厂在特定条件下的结果，其适用范围窄，仍然难以在推广到其它污水处理厂应用时保持有效性。
[0005]由于污水水质数据属于时间序列数据，已发表的机器学习类预测方法中有不少采用了循环神经网络。其中一些在训练模型时对训练数据采用了随机分组或分布一致性分组的方式，实际上割裂了水质数据之间的时间序列关联；有些方法前置了诸如主成分分析、粒子群优化等步骤来选择网络的输入参数，实际上是对数据做了某种相关性的假设，丢弃了在生化反应中起作用的一些信息，或是对数据赋予了一些额外的关联，改变了水质数据之间原有的关系；还有的方法需要另外构建在线监控系统，使用了远高于实际生产检测频率的虚数据。这些使得现有方法的推广适用性和预测准确率都受到限制。
[0006]因此亟需提供一种新的污水处理出水预测方法及其系统来解决上述问题。

技术实现思路

[0007]本专利技术所要解决的技术问题是提供一种基于深度神经网络的污水处理出水预测方法及其系统，能够方便地运用于不同的污水处理厂，并取得更好的预测效果。
[0008]为解决上述技术问题，本专利技术采用的一个技术方案是：提供一种基于深度神经网络的污水处理出水预测方法，包括以下步骤：
[0009]S1：获取目标污水处理厂运营记录的或者在线检测的水质数据；
[0010]S2：对步骤S1获取的水质数据进行预处理，包括数据清洗、数据表达、输入输出配准，数据表达即将一段设定时长的多组水质数据表达为伪图像，将较长时间的序列水质数据表达为伪视频；
[0011]S3：构建污水处理出水水质指标预测模型，该模型采用编码器
‑
解码器结构，用于每次预测一个时刻的出水水质指标或每次预测多个时刻的出水水质指标，并根据目标污水处理厂具备的数据条件确定预测模型的输入参数，根据目标污水处理厂的运营管理需求确定预测模型的输出参数；
[0012]S4：利用预处理后的水质数据对步骤S3构建的污水处理出水水质指标预测模型进行训练；
[0013]S5：使用训练好的污水处理出水水质指标预测模型对目标污水处理厂的出水水质指标进行预测。
[0014]2、根据权利要求1所述的基于深度神经网络的污水处理出水预测方法，其特征在于，步骤S1中，水质数据由进水数据和出水数据组成，或由进水数据、出水数据和关键运营控制参数数据组成。
[0015]在本专利技术一个较佳实施例中，步骤S2中，水质数据表达的具体步骤包括：
[0016]将某时刻的进水水质数据I表示为式(1)，关键运营控制参数数据W表示为式(2)，式(1)和(2)为污水处理出水水质指标预测模型的输入数据表达，出水水质数据O表示为式(3)，为污水处理出水水质指标预测模型的输出数据表达：
[0017]I＝[COD NHX TN TP SS PH FL TM
ꢀ…ꢀ
SK]ꢀꢀꢀꢀꢀ
(1)
[0018]W＝[DO ORP MLS CS CG
…
]ꢀꢀ
(2)
[0019]O＝[cod nhx tn tp ss ph
…
]ꢀꢀꢀꢀ
(3)
[0020]上述(1)～(3)式中，各种类各参数的排列顺序原则为相互关联的参数排在相邻或靠近的位置，污水处理厂的进水数据包括但不限于化学需氧量COD、氨氮NHX、总氮TN、总磷TP、悬浮物SS、酸碱度PH以及水流量FL、水温TM，还可以包括采样时间编码SK；关键运营控制参数数据包括但不限于溶解氧DO、氧化还原电位ORP、混合液悬浮固体MLS、碳源种类和剂量CS、混凝剂种类和剂量CG；出水数据包括但不限于化学需氧量cod、氨氮nhx、总氮tn、总磷tp、悬浮物ss、酸碱度ph；
[0021]记污水处理厂检测水质的采样频率为每t小时一次，0.05≤t≤2，一段设定时长为mt小时，即共有m+1次采样，则连续mt时长内的m+1组进水水质数据构成的伪图像
m
I可以表示为式(4)，对应的关键运营控制参数数据构成的伪图像
m
W可以表示为式(5)：
[0022][0023][0024]时长为Mt小时(M>m)的连续M+1次采样的序列水质数据，构成表示为式(6)的伪视频对应的序列关键运营控制参数数据构成表示为式(7)的伪视频而连续K次采样的出水水质数据构成表示为式(8)的伪视频
K
P：
[0025][0026][0027]K
P＝{O1,O2,,O
K
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0028]其中，
[0029][0030][0031]O
i
＝[cod
i nhx
i tn
i tp
i ss
i ph
i
…
],i＝1,2,
…
,K.
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0032]在本专利技术一个较佳实施例中，在步骤S2中，对步骤S1获取的水质数据进行输入输出配准包括确定出水水质数据与进水水质数据关联时刻、确定各个关键运营控制参数数据与出水水质数据的关联时刻。
[0033]进一步的，根据出水水质数据与进水水质数据关联时刻对模型输入中的进水数据与模型输出的出水数据进行配准的方法步骤包括：
[0034]所述关联时刻包括关联度最高时刻τ、关联起始时刻τ
b
、关联结束时刻τ
e...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的污水处理出水预测方法，其特征在于，包括以下步骤：S1：获取目标污水处理厂运营记录的或者在线检测的水质数据；S2：对步骤S1获取的水质数据进行预处理，包括数据清洗、数据表达、输入输出配准，数据表达即将一段设定时长的多组水质数据表达为伪图像，将较长时间的序列水质数据表达为伪视频；S3：构建污水处理出水水质指标预测模型，该模型采用编码器
‑
解码器结构，用于每次预测一个时刻的出水水质指标或每次预测多个时刻的出水水质指标，并根据目标污水处理厂具备的数据条件确定预测模型的输入参数，根据目标污水处理厂的运营管理需求确定预测模型的输出参数；S4：利用预处理后的水质数据对步骤S3构建的污水处理出水水质指标预测模型进行训练；S5：使用训练好的污水处理出水水质指标预测模型对目标污水处理厂的出水水质指标进行预测。2.根据权利要求1所述的基于深度神经网络的污水处理出水预测方法，其特征在于，步骤S1中，水质数据由进水数据和出水数据组成，或由进水数据、出水数据和关键运营控制参数数据组成。3.根据权利要求1所述的基于深度神经网络的污水处理出水预测方法，其特征在于，步骤S2中，水质数据表达的具体步骤包括：将某时刻的进水水质数据I表示为式(1)，关键运营控制参数数据W表示为式(2)，式(1)和(2)为污水处理出水水质指标预测模型的输入数据表达，出水水质数据O表示为式(3)，为污水处理出水水质指标预测模型的输出数据表达：I＝[COD NHX TN TP SS PH FL TM
ꢀ…ꢀ
SK]
ꢀꢀꢀꢀꢀ
(1)W＝[DO ORP MLS CS CG
ꢀ…
]
ꢀꢀꢀ
(2)O＝[cod nhx tn tp ss ph
ꢀ…
]
ꢀꢀ
(3)上述(1)～(3)式中，各种类各参数的排列顺序原则为相互关联的参数排在相邻或靠近的位置，污水处理厂的进水数据包括但不限于化学需氧量COD、氨氮NHX、总氮TN、总磷TP、悬浮物SS、酸碱度PH以及水流量FL、水温TM，还可以包括采样时间编码SK；关键运营控制参数数据包括但不限于溶解氧DO、氧化还原电位ORP、混合液悬浮固体MLS、碳源种类和剂量CS、混凝剂种类和剂量CG；出水数据包括但不限于化学需氧量cod、氨氮nhx、总氮tn、总磷tp、悬浮物ss、酸碱度ph；记污水处理厂检测水质的采样频率为每t小时一次，0.05≤t≤2，一段设定时长为mt小时，即共有m+1次采样，则连续mt时长内的m+1组进水水质数据构成的伪图像
m
I可以表示为式(4)，对应的关键运营控制参数数据构成的伪图像
m
W可以表示为式(5)：
时长为Mt小时(M>m)的连续M+1次采样的序列水质数据，构成表示为式(6)的伪视频对应的序列关键运营控制参数数据构成表示为式(7)的伪视频而连续K次采样的出水水质数据构成表示为式(8)的伪视频
K
P：P：
K
P＝{O1,O2,
…
,O
K
}
ꢀꢀꢀꢀꢀꢀꢀꢀ
(8)其中，其中，O
i
＝[cod
i nhx
i tn
i tp
i ss
i ph
i
…
],i＝1,2,
…
,K.
ꢀꢀꢀꢀꢀꢀꢀ
(11)4.根据权利要求1所述的基于深度神经网络的...

【专利技术属性】
技术研发人员：马旭永，孔斌，
申请(专利权)人：爱沃特智能水务安徽有限公司，
类型：发明
国别省市：