一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于LSTM
‑
Attention的污水处理加药量预测方法及系统


[0001]本专利技术属于污水处理领域，具体涉及一种基于
LSTM
‑
Attention
的污水处理加药量预测方法及系统
。

技术介绍

[0002]污水处理是一项关键的环境保护工作，其目的是通过去除污水中的有害物质，使水体质量符合规定标准
。
为了实现有效的污水处理，需要在处理过程中准确预测适当的药剂加药量
。
然而，由于涉及复杂的生化反应和动态的水质变化，准确预测污水处理中的药剂加药量是一个具有挑战性的问题
。
传统的污水处理加药量预测方法主要基于统计分析
、
经验公式或简单的回归模型
。
这些方法通常基于输入参数之间的线性关系，忽视了时间序列数据中的时序特征和事件关联性
。
由于污水处理过程的动态性和不确定性，传统方法在预测精度和鲁棒性方面存在一定的局限性
。
[0003]近年来，深度学习技术在时间序列预测领域取得了显著的突破
。
长短期记忆网络
(LSTM
，
Long Short
‑
Term Memory)
是一种常用的循环神经网络，可以有效地捕捉时间序列数据中的长期依赖关系
。LSTM
模型通过自适应地更新和遗忘信息，能够记住重要的历史数据，并且对未来的预测具有较好的效果
。/>然而，由于污水处理过程中包含的复杂性和多样性，仅仅使用
LSTM
模型可能无法充分利用时间序列数据的特征
。

技术实现思路

[0004]本专利技术的目的是提供一种基于
LSTM
‑
Attention
的污水处理加药量预测方法及系统，实现对未来时刻加药量的精准预测，以帮助企业减少资源浪费，降低成本
。
[0005]一种基于
LSTM
‑
Attention
的污水处理加药量预测方法，包括以下步骤：
[0006]步骤
1、
数据收集，通过设置在污水处理场地内的边缘计算设备和传感器，在污水处理场地内实时采集污水数据；
[0007]步骤
2、
特征工程，对收集到的污水数据进行异常值处理，缺失填充和归一化处理；并计算数据间的相关系数，选择与加药量指标相关性高的数据作为特征；
[0008]步骤
3、
构建
LSTM
‑
Attention
模型，使用添加了注意力机制的
LSTM
构建模型，
LSTM
‑
Attention
模型包括输入层
、LSTM
层
、
注意力层和输出层；
[0009]步骤
4、
模型训练和调参，将处理后的污水数据转化为
LSTM
‑
Attention
模型可用数据集，将数据集划分成训练集和测试集，将训练集输入
LSTM
‑
Attention
模型进行训练，保存最优模型；将测试集输入最优模型，评估模型性能；
[0010]步骤
5、
模型预测，将要预测加药量的污水数据输入训练好的
LSTM
‑
Attention
模型中，得到加药量预测结果，为污水处理过程药品的配比和投加剂量提供参考
。
[0011]所述污水数据包括原水浊度
、
原水导电率
、
原水溶氧量，进水流量
、
进水浊度
、
进水
pH
，进水温度
、
回流污泥流量
、
高密池污泥排放量
、
高密池污泥液位
、
实时混凝剂投加量
、
实时聚合物投加量
、
澄清水浊度和澄清水
pH。
[0012]所述步骤2中，
[0013]异常值处理，使用箱线图来对异常值进行检测和定位，并将异常值和0值替换为空
,
作为缺失值处理；
[0014]缺失填充，使用
KNN
填补法进行处理；
[0015]使用
Pearson
相关系数计算数据间的相关系数，选择相关性系数大于
0.3
的变量作为特征变量
。
[0016]所述异常值处理的箱线图方法为
[0017]Lower
＝
Q1‑3·
IQR
[0018]Upper
＝
Q3+3
·
IQR
[0019]IQR
＝
Q3‑
Q1[0020]式中，
Q1表示所有数值由小到大排列后第
25
％的数字，即第一分位数，
Q3则表示所有数值由小到大排列后第
75
％的数字，即第三分位数；
IQR
表示四分位距，通常用来表示数据的分布情况；
Upper
和
Lower
分别代表上
、
下异常边界，若数据大于上界或小于下界，则被认为是异常值；
[0021]将识别出的异常值和0值替换为空，作为缺失值进行处理；
[0022]使用
KNN
填补法进行缺失填充的具体流程为
[0023][0024][0025]式中，
x
i
表示一组数据中的第
i
个数据，
d
i
表示缺失值
x
i
与其他
m
个正常值之间的欧氏距离，
ω
i
表示缺失值
x
i
最邻近的
k
个数据点的权值，
x0表示缺失值的替换值；
[0026]归一化处理具体为
[0027]计算相关系数的具体方法为，
[0028]式中，表示变量
x
i
和
y
i
之间的相关性系数
。
[0029]所述构建
LSTM
‑
Attention
模型的具体方法为，
[0030]建立基础
LSTM
模型，具体为，
[0031]f
t
＝
σ
(
ω
f
·
[h
t
‑1,x
t
]+b
f
)
[0032]i
t
＝
σ
(
ω...

【技术保护点】

【技术特征摘要】
1.
一种基于
LSTM
‑
Attention
的污水处理加药量预测方法，其特征在于，包括以下步骤：步骤
1、
数据收集，通过设置在污水处理场地内的边缘计算设备和传感器，在污水处理场地内实时采集污水数据；步骤
2、
特征工程，对收集到的污水数据进行异常值处理，缺失填充和归一化处理；并计算数据间的相关系数，选择与加药量指标相关性高的数据作为特征；步骤
3、
构建
LSTM
‑
Attention
模型，使用添加了注意力机制的
LSTM
构建模型，
LSTM
‑
Attention
模型包括输入层
、LSTM
层
、
注意力层和输出层；步骤
4、
模型训练和调参，将处理后的污水数据转化为
LSTM
‑
Attention
模型可用数据集，将数据集划分成训练集和测试集，将训练集输入
LSTM
‑
Attention
模型进行训练，保存最优模型；将测试集输入最优模型，评估模型性能；步骤
5、
模型预测，将要预测加药量的污水数据输入训练好的
LSTM
‑
Attention
模型中，得到加药量预测结果，为污水处理过程药品的配比和投加剂量提供参考
。2.
根据权利要求1所述的一种基于
LSTM
‑
Attention
的污水处理加药量预测方法，其特征在于：所述污水数据包括原水浊度
、
原水导电率
、
原水溶氧量，进水流量
、
进水浊度
、
进水
pH
，进水温度
、
回流污泥流量
、
高密池污泥排放量
、
高密池污泥液位
、
实时混凝剂投加量
、
实时聚合物投加量
、
澄清水浊度和澄清水
pH。3.
根据权利要求1所述的一种基于
LSTM
‑
Attention
的污水处理加药量预测方法，其特征在于：所述步骤2中，异常值处理，使用箱线图来对异常值进行检测和定位，并将异常值和0值替换为空
,
作为缺失值处理；缺失填充，使用
KNN
填补法进行处理；使用
Pearson
相关系数计算数据间的相关系数，选择相关性系数大于
0.3
的变量作为特征变量
。4.
根据权利要求3所述的一种基于
LSTM
‑
Attention
的污水处理加药量预测方法，其特征在于：所述异常值处理的箱线图方法为
Lower
＝
Q1‑3·
IQRUpper
＝
Q3+3
·
IQRIQR
＝
Q3‑
Q1式中，
Q1表示所有数值由小到大排列后第
25
％的数字，即第一分位数，
Q3则表示所有数值由小到大排列后第
75
％的数字，即第三分位数；
IQR
表示四分位距，通常用来表示数据的分布情况；
Upper
和
Lower
分别代表上
、
下异常边界，若数据大于上界或小于下界，则被认为是异常值；将识别出的异常值和0值替换为空，作为缺失值进行处理；使用
KNN
填补法进行缺失填充的具体流程为填补法进行缺失填充的具体流程为
式中，
x
i
表示一组数据中的第
i
个数据，
d
i
表示缺失值
x
i
与其他
m
个正常值之间的欧氏距离，
ω
i
表示缺失值
x
i
最邻近的
k
个数据点的权值，
x0表示缺失值的替换值；归一化处理具体为计算相关系数的具体方法为，式中，表示变量
x
i
和
y
i
之间的相关性系数
。5.
根据权利要求1所述的一种基于
LSTM
‑
Attention
的污水处理加药量预测方法，其特征在于：所述构建
LSTM
‑
Att...

【专利技术属性】
技术研发人员：马帅印，丁威，闫飞一，孙雪华，卢津，孔宪光，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：