一种基于改进制造技术

本发明专利技术公开了一种基于改进

【技术实现步骤摘要】
一种基于改进DE与注意力机制的LSTM污水水质预测方法


[0001]本专利技术属于水质预测
，具体涉及一种基于改进
DE
与注意力机制的
LSTM
污水水质预测方法
。

技术介绍

[0002]目前，防止水资源进一步恶化和污染的最有效方法是提高污水处理过程中关键特征的预测能力，由于污水处理过程中的不确定性
、
非线性和时滞等特点，很难用传统的数学模型来描述
。
同时，水体中溶解氧
(DO)
的变化与水体的新陈代谢率息息相关，因此
DO
在评估污水处理厂的水生态系统健康状况时显得至关重要
。
然而，缺乏可靠性的
DO
预测预报方法，严重影响了对污水处理质量进行有效监测和控制
。
尽管可以通过传统的预测方法获得准确的浓度，如重铬酸钾和高锰酸钾指数的测定方法，不可避免地会有明显的时间延迟，从几分钟到几小时不等
。
这种延迟对于需要更精确和及时控制的先进废水处理系统来说为时已晚
。
提高污水处理厂重要特征的预测能力，可以帮助污水处理厂制定规划，这对控制区域水环境污染具有重要意义
。
[0003]传统的预测方法耗时且成本高，难以满足实际应用中快速预测的需求
。
今年来，基于神经网络强大的拟合能力和适应性，逐渐被引入废水处理领域，用于数据驱动建模
。
然而，忽略了污水数据的时间序列特征，缺乏对输入变量之间的序列依赖性的有效处理，限制了模型处理时间序列预测的能力
。LSTM
神经网络被提出可以平衡污水数据的时间和非线性关系
。
但与传统的神经网络类似，很难选择超参数
。
[0004]为了解决这个问题，本专利技术提供了一种基于改进差分进化算法
(ADE)
与注意力机制
(ATT)
的长短期记忆
(LSTM)
神经网络模型的预测方法
。
由于
LSTM
的超参数难以选择，因此利用
ADE
对
ATT
‑
LSTM
进行优化
。
此外，在
LSTM
模型中加入
ATT
，挖掘水质特征，提高
DO
预测精度，具有重要的实际工程意义
。

技术实现思路

[0005]专利技术目的：针对
技术介绍
中指出的问题，本专利技术提供了一种基于改进
DE
与注意力机制的
LSTM
污水水质预测方法，通过
ADE
优化
ATT
‑
LSTM
模型，最后对污水进行
DO
预测，进而得到了准确的
DO
预测结果，不仅有助于提高模型的计算效率，而且有利于提高模型的预测准确率
。
[0006]技术方案：本专利技术提供了一种基于改进
DE
与注意力机制的
LSTM
污水水质预测方法，包括如下步骤：
[0007]步骤1：对污水处理厂重要特征数据集进行预处理，所述特征数据集包括当前时刻的
pH、
电导率
、
水温
、
浊度
、
高锰酸钾
、
总磷
、
氨氮
、
总氮以及前些时刻的溶解氧历史数据；
[0008]步骤2：构建并初始化
ATT
‑
LSTM
水质预测模型，所述
ATT
‑
LSTM
水质预测模型为基于注意力机制
ATT
的长短期记忆
LSTM
神经网络模型；
[0009]步骤3：基于预处理后的数据，利用改进差分进化算法
ADE
优化所述
ATT
‑
LSTM
水质
预测模型的超参数，得到最优超参数
ADE
‑
ATT
‑
LSTM
水质预测模型；
[0010]步骤4：基于预处理后的数据，构建训练集
、
测试集以训练所述最优超参数
ADE
‑
ATT
‑
LSTM
水质预测模型；
[0011]步骤5：将收集到的数据集，包括当前时刻的
pH、
电导率
、
水温
、
浊度
、
高锰酸钾
、
总磷
、
氨氮
、
总氮以及前些时刻的溶解氧历史数据，输入到训练好的
ADE
‑
ATT
‑
LSTM
水质预测模型，得到
DO
值预测结果
。
[0012]进一步地，所述步骤1中并对数据集进行预处理的步骤包括：
[0013]S11
：异常值处理：首先特征值进行描述性的统计，以查看不合理的数据以及数据是否服从正态分布，当样本距离平均值大于3个标准差，则认定该样本为异常值，并在数据集中将其删除；
[0014]S12
：缺失值处理：索引到数据集中含有缺失值的数据，将索引到的缺失值按照其上一个时间点和下一个时间点的数据进行填充；
[0015]S13
：归一化处理：将不同尺度和范围的数据映射到统一的范围内，以消除不同特征之间的量纲差异
。
[0016]进一步地，所述步骤2中的注意力机制，根据输入特征的重要性分配相应的权重，计算公式如下：
[0017][0018][0019][0020]其中，
T
是总时间步长；
h
m
是
LSTM
的输出特征向量；
α
m
是通过全连接层的第一次加权计算的结果；
W
l
α
h
和
b
α
分别是全连接层的权重矩阵和偏置；
β
m
是通过
softmax
激活函数计算的分配给相应
h
m
的最终权重；而向量
γ
是提取的重要特征
。
[0021]进一步地，所述步骤3中基于预处理后的数据，利用
ADE
优化所述
ATT
‑
LSTM
水质预测模型的超参数包括：
[0022]S31
：
ATT
‑
LSTM
水质预测模型的隐藏层神经元数量和学习率被选作
ADE
算法的优化参数，确定待优化参数的优化范围，随机初始化种群
P
；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于改进
DE
与注意力机制的
LSTM
污水水质预测方法，其特征在于，包括如下步骤：步骤1：对污水处理厂重要特征数据集进行预处理，所述特征数据集包括当前时刻的
pH、
电导率
、
水温
、
浊度
、
高锰酸钾
、
总磷
、
氨氮
、
总氮以及前些时刻的溶解氧
DO
历史数据；步骤2：构建并初始化
ATT
‑
LSTM
水质预测模型，所述
ATT
‑
LSTM
水质预测模型为基于注意力机制
ATT
的长短期记忆
LSTM
神经网络模型；步骤3：基于预处理后的数据，利用改进差分进化算法
ADE
优化所述
ATT
‑
LSTM
水质预测模型的超参数，得到最优超参数
ADE
‑
ATT
‑
LSTM
水质预测模型；步骤4：基于预处理后的数据，构建训练集
、
测试集以训练所述最优超参数
ADE
‑
ATT
‑
LSTM
水质预测模型；步骤5：将收集到的数据集，包括当前时刻的
pH、
电导率
、
水温
、
浊度
、
高锰酸钾
、
总磷
、
氨氮
、
总氮以及前些时刻的溶解氧历史数据，输入到训练好的
ADE
‑
ATT
‑
LSTM
水质预测模型，得到未来
DO
值预测结果
。2.
根据权利要求1所述的改进
DE
与注意力机制的
LSTM
污水水质预测方法，其特征在于，所述步骤1中并对数据集进行预处理的步骤包括：
S11
：异常值处理：首先特征值进行描述性的统计，以查看不合理的数据以及数据是否服从正态分布，当样本距离平均值大于3个标准差，则认定该样本为异常值，并在数据集中将其删除；
S12
：缺失值处理：索引到数据集中含有缺失值的数据，将索引到的缺失值按照其上一个时间点和下一个时间点的数据进行填充；
S13
：归一化处理：将不同尺度和范围的数据映射到统一的范围内，以消除不同特征之间的量纲差异
。3.
根据权利要求1所述的改进
DE
与注意力机制的
LSTM
污水水质预测方法，其特征在于，所述步骤2中的注意力机制，根据输入特征的重要性分配相应的权重，计算公式如下：中的注意力机制，根据输入特征的重要性分配相应的权重，计算公式如下：中的注意力机制，根据输入特征的重要性分配相应的权重，计算公式如下：其中，
T
是总时间步长；
h
m
是
LSTM
的输出特征向量；
α
m
是通过全连接层的第一次加权计算的结果；
W
l
α
h
和
b
α
分别是全连接层的权重矩阵和偏置；
β
m
是通过
softmax
激活函数计算的分配给相应
h
m
的最终权重；而向量
γ
是提取的重要特征
。4.
根据权利要求1所述的改进
DE
与注意力机制的
LSTM
污水水质预测方法，其特征在于，所述步骤3中基于预处理后的数据，利用
ADE
优化所述
ATT
‑
LSTM
水质预测模型的超参数包括：
S31
：
ATT
‑
LSTM
水质预测模型的隐藏层神经元数量和学习率被选作
ADE
算法的优化参数，确定待优化参数的优化范围，随机初始化种群
P
；
S32
：计算
ADE
算法中每个个体的适应度值：
其中，
p
为样本数，
y
p
为样本的真实值，为预测值；
S33
：将整个种群
P
随机分为探索子种群
P1、
开发子种群
P2和平衡子种群
P3，...

【专利技术属性】
技术研发人员：任健，周红标，秦源汇，杨丹，刘帅祥，徐浩渊，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：