【技术实现步骤摘要】
本专利技术涉及污水水质检测，具体涉及一种污水水质异常波动检测方法及系统。
技术介绍
1、生活、工业废水通过排水管网进入污水处理厂，经过一系列无害化处理后排入自然水体，而污水水质的剧烈变化将对污水处理设施造成严重冲击，进而导致一系列的生态、经济损失。然而，总氮(tn)、总磷(tp)等反映污水有机负荷的关键水质指标的传统检测方法均要求化学消解过程，这将消耗20分钟到2小时的时间，直接导致水质信息的获取严重滞后，污水处理设施无法及时做出反馈措施。这同样导致污水处理设施的高耗能设备(鼓风机、水泵等)无法根据当前水质灵活调整运行功率，而持续的高功率运行则造成严重的能源浪费。此外，由于污水处理设施要求长期监测水质，这些消解过程还意味着相关化学试剂的大量消耗，以及随之而来的高成本、二次污染等问题。针对上述问题，研究人员开发出基于水质模型的软检测方法，软检测方法相对于依赖化学过程的传统检测方法具有速度快、成本低等优点。
2、现有的基于水质模型的软检测方法有线性回归模型、多项式回归模型、梯度提升决策树模型、人工神经网络、循环神经网络等，这些模型通过在迭代过程中自适应地降低损失函数，在输入数据与输出数据之间建立线性或非线性的映射关系，进而实现水质检测。然而，这些水质模型难以识别水质的突发性异常波动，其原因在于反映水质异常波动的数据在训练模型所用的数据集中占比较低，导致机器学习水质模型难以从海量数据中识别并掌握对应于水质异常波动的数据特征。
技术实现思路
1、本申请的专利技术目的在于提供一种
2、为达到上述目的，本申请采用如下技术方案。
3、一方面，提供一种污水水质异常波动检测方法，包括如下步骤：
4、对目标区域的历史数据进行预处理；所述历史数据包括时间滞后性水质指标、实时水质指标、水量指标和气象指标；所述预处理包括以具有相同时间戳的一组数据为最小单位执行数据清洗，进行数据清洗时，保留离群值；
5、将预处理后的实时水质指标、水量指标和气象指标按时间顺序输入水质模型，时间滞后性水质指标作为水质模型的输出，对水质模型进行训练，得到训练好的水质模型；所述水质模型包括级联的维度注意力层、gru神经网络层、时间注意力层、全连接层和分类层。
6、上述方案中，通过在预处理的数据清洗步骤中保留离群值，在确保数据质量的同时保留了反映水质异常波动的异常值。通过建立基于双重注意力(维度注意力和时间注意力)机制的神经网络模型，使得模型可以从海量数据中识别并掌握对应于水质异常波动的数据特征，进而实现对污水水质异常波动的快速、准确检测。
7、在一些实施例中，还包括对训练好的水质模型进行微调以使模型的准确率、召回率、f1分数和f2分数达到精度阈值的步骤。
8、在一些实施例中，还包括利用训练好的水质模型进行预测的步骤：将当前时刻的实时水质指标、水量指标和气象指标输入到训练好的水质模型中，输出得到预测的时间滞后性水质指标，根据预设阈值判断预测的时间滞后性水质指标是否异常。
9、在一些实施例中，所述gru神经网络层的输出yt的表达式为yt＝σ(htwo+bo)；其中，
10、更新门：rt＝σ(xtwxr+ht-1whr+br)；
11、重置门：zt＝σ(xtwxz+ht-1whz+bz)；
12、隐含层(t-1)：h′t＝tanh(xtwxh+(rt*ht-1)whh+bh)；
13、隐含层(t)：ht＝zt*ht-1+(1-zt)*h′t；
14、式中，σ和tanh分别表示sigmoid激活函数和tanh激活函数，*表示两个向量的标量积，xt表示t时刻的输入，ht-1表示t-1时刻的隐藏状态，w、wxh、whh、wxr、whr、wxz、whz表示权重参数，b0、bh、br、bz表示偏置参数。
15、在一些实施例中，所述维度注意力层为自注意力结构，所述时间注意力层是由多个自注意力结构并行构成的多头注意力结构。
16、又一方面，提供一种污水水质异常波动检测系统，其特征在于，包括：
17、第一水质数据采集器，用于采集时间滞后性水质指标；
18、第二水质数据采集器，用于采集实时水质指标；
19、水量数据采集器，用于采集水量指标；
20、气象数据采集器，用于采集气象指标；
21、预处理模块，用于对目标区域的历史数据进行预处理；所述历史数据包括时间滞后性水质指标、实时水质指标、水量指标和气象指标；所述预处理包括以具有相同时间戳的一组数据为最小单位执行数据清洗，进行数据清洗时，保留离群值；
22、数据处理模块，其内存储有训练好的水质模型，所述水质模型的输入为预处理后的实时水质指标、水量指标和气象指标，输入时按时间顺序输入水质模型，水质模型的输出为时间滞后性水质指标；所述水质模型包括级联的维度注意力层、gru神经网络层、时间注意力层、全连接层和分类层。
23、在一些实施例中，还包括微调模块，用于对训练好的水质模型进行微调以使模型的准确率、召回率、f1分数和f2分数达到精度阈值。
24、在一些实施例中，还包括预测模块，用于利用训练好的水质模型进行预测：将当前时刻的实时水质指标、水量指标和气象指标输入到训练好的水质模型中，输出得到预测的时间滞后性水质指标，根据预设阈值判断预测的时间滞后性水质指标是否异常。
25、在一些实施例中，所述gru神经网络层的输出yt的表达式为yt＝σ(htwo+bo)；其中，
26、更新门：rt＝σ(xtwxr+ht-1whr+br)；
27、重置门：zt＝σ(xtwxz+ht-1whz+bz)；
28、隐含层(t-1)：h′t＝tanh(xtwxh+(rt*ht-1)whh+bh)；
29、隐含层(t)：ht＝zt*ht-1+(1-zt)*h′t；
30、式中，σ表示sigmoid激活函数，tanh表示tanh激活函数，*表示两个向量的标量积，xt表示t时刻的输入，ht-1表示t-1时刻的隐藏状态，w、wxh、whh、wxr、whr、wxz、whz表示权重参数，b0、bh、br、bz表示偏置参数。
31、在一些实施例中，所述维度注意力层为自注意力结构，所述时间注意力层是由多个自注意力结构并行构成的多头注意力结构。
32、本申请至少具有如下技术效果或优点：
33、1、通过在预处理的数据清洗步骤中保留离群值，在确保数据质量的同时保留了反映水质异常波动的异常值。
34、2、通过建立基于双重注意力机制的神经网络模型，使得模型本文档来自技高网...
【技术保护点】
1.一种污水水质异常波动检测方法，包括如下步骤：
2.根据权利要求1所述的污水水质异常波动检测方法，其特征在于，还包括对训练好的水质模型进行微调以使模型的准确率、召回率、F1分数和F2分数达到精度阈值的步骤。
3.根据权利要求1或2所述的污水水质异常波动检测方法，其特征在于，还包括利用训练好的水质模型进行预测的步骤：将当前时刻的实时水质指标、水量指标和气象指标输入到训练好的水质模型中，输出得到预测的时间滞后性水质指标，根据预设阈值判断预测的时间滞后性水质指标是否异常。
4.根据权利要求1或2所述的污水水质异常波动检测方法，其特征在于：所述GRU神经网络层的输出Yt的表达式为Yt＝σ(Htwo+bo)；其中，
5.根据权利要求1或2所述的污水水质异常波动检测方法，其特征在于：所述维度注意力层为自注意力结构，所述时间注意力层是由多个自注意力结构并行构成的多头注意力结构。
6.一种污水水质异常波动检测系统，其特征在于，包括：
7.根据权利要求6所述的污水水质异常波动检测系统，其特征在于：还包括微调模块，用于对训练好
8.根据权利要求6或7所述的污水水质异常波动检测系统，其特征在于：还包括预测模块，用于利用训练好的水质模型进行预测：将当前时刻的实时水质指标、水量指标和气象指标输入到训练好的水质模型中，输出得到预测的时间滞后性水质指标，根据预设阈值判断预测的时间滞后性水质指标是否异常。
9.根据权利要求6或7所述的污水水质异常波动检测系统，其特征在于：所述GRU神经网络层的输出Yt的表达式为Yt＝σ(Htwo+bo)；其中，
10.根据权利要求6或7所述的污水水质异常波动检测系统，其特征在于：所述维度注意力层为自注意力结构，所述时间注意力层是由多个自注意力结构并行构成的多头注意力结构。
...【技术特征摘要】
1.一种污水水质异常波动检测方法，包括如下步骤：
2.根据权利要求1所述的污水水质异常波动检测方法，其特征在于，还包括对训练好的水质模型进行微调以使模型的准确率、召回率、f1分数和f2分数达到精度阈值的步骤。
3.根据权利要求1或2所述的污水水质异常波动检测方法，其特征在于，还包括利用训练好的水质模型进行预测的步骤：将当前时刻的实时水质指标、水量指标和气象指标输入到训练好的水质模型中，输出得到预测的时间滞后性水质指标，根据预设阈值判断预测的时间滞后性水质指标是否异常。
4.根据权利要求1或2所述的污水水质异常波动检测方法，其特征在于：所述gru神经网络层的输出yt的表达式为yt＝σ(htwo+bo)；其中，
5.根据权利要求1或2所述的污水水质异常波动检测方法，其特征在于：所述维度注意力层为自注意力结构，所述时间注意力层是由多个自注意力结构并行构成的多头注意力结构。
6....
【专利技术属性】
技术研发人员：张怡拓，郭健，张羽，巫文昕，靳帅国，赵凌云，曹健，任亮，
申请(专利权)人：中国电建集团中南勘测设计研究院有限公司，
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。