【技术实现步骤摘要】
本专利技术属于人工智能水质净化，尤其涉及一种基于深度学习的水质净化厂曝气量预测方法。
技术介绍
1、随着社会朝着绿色、高质量方向发展，大多数污水处理厂采用两个简单的单回路控制对溶解氧浓度进行调节。一是采用溶解氧浓度检测仪和鼓风机作为简单的控制回路。当溶解氧浓度大于设定值时，调小鼓风机频率，当溶解氧浓度过大时，调大溶解氧浓度。二是采用采用溶解氧浓度检测仪和气体流量调节阀作为控制回路。当两个或多个并行的生物曝气池溶解氧浓度出现不平衡时，一般采用人工手动控制或采用简单的专家控制系统对溶解氧浓度进行控制。除此之外，气象条件对水质净化过程和曝气量有重要影响。季节、气温、湿度和风速等因素都可能导致水质参数的变化，进而影响曝气量的需求。当前的方法可能无法充分考虑这些气象条件的变化。
技术实现思路
1、本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
2、鉴于上述或现有的方法存在缺乏实时性和自动化、预测不准确的问题，提出了本专利技术。
3、为解决上述技术问题，本专利技术提供如下技术方案：
4、第一方面，本专利技术实施例提供了一种基于基于深度学习的水质净化厂曝气量预测方法，其特征在于，包括：收集与水质净化厂操作相关的数据，包括水质参数如浊度、氨氮、溶解氧等，气象数据如温度、湿
5、作为本专利技术所述基于深度学习的水质净化厂曝气量预测方法的一种优选方案，其中：所述收集与水质净化厂操作相关的数据，包括：每小时或每15分钟进行测量一次浊度和溶解氧，因氨氮浓度通常变化较慢，每日或每周测量一次氨氮；每小时或更频繁测量一次温度、湿度、风速；每分钟或更频繁的时间间隔测量气泡数量或气泡流量，每分钟或更频繁的时间间隔记录风机的转速，每小时或每日记录一次电能消耗以监测能源消耗的情况。
6、作为本专利技术所述基于深度学习的水质净化厂曝气量预测方法的一种优选方案，其中：所述对数据进行清洗、归一化和特征工程处理，包括处理缺失数据、异常值和数据转换，包括：所述处理缺失数据包括检测数据集中的缺失值，删除包含缺失值的行，如果缺失值占比很小，可以删除包含缺失值的行；使用插值方法来填补缺失值，根据水质和气象数据的特性，使用领域知识来填充缺失值；所述处理异常值包括检测和处理异常值，将异常值从数据集中移除、将异常值替代为合理的数值如均值或中位数、使用统计方法或机器学习算法来检测和处理异常值；所述数据归一化方法包括：
7、最小-最大归一化：将数据缩放到[0，1]的范围内，公式如下：
8、xnorm＝(x-xmin)/(xmax-xmin)
9、标准化：将数据转换为均值为0，标准差为1的分布，公式如下：
10、xnorm＝(x-xmean)/xstd
11、作为本专利技术所述基于深度学习的水质净化厂曝气量预测方法的一种优选方案，其中：所述构建模型，将数据输入模型中，使用历史数据集对模型进行训练，包括：将数据分为训练集、验证集和测试集，比例是70％的训练数据、15％的验证数据和15％的测试数据，模型的目标是预测曝气量y，
12、所述模型为autoformer模型，其结构如下：
13、采用滑动平均数以平滑周期性波动并突出长期趋势，对于长度l的输入序列x∈rl×d，过程为：
14、xt＝avgpool(padding(x))
15、
16、其中，xt，xs∈r^(l×d)分别代表季节项部分和提取的循环趋势部分；
17、输入部分模型如下：
18、
19、xdes＝concat(xens,x0)
20、xdet＝concat(xent,xmean)
21、其中，分别表示xea的季节项部分和循环趋势部分；xmean,x0∈ro×d分别表示被0填充的占位符和被xen的mean填充的占位符；
22、encoder侧重于季节项部分建模，encoder的输出包含过去的季节项信息，将作为交叉信息帮助decoder细化预测结果。可以如下公式化：
23、
24、
25、decoder如下公式化：
26、
27、
28、
29、
30、作为本专利技术所述基于深度学习的水质净化厂曝气量预测方法的一种优选方案，其中：所述使用均方误差来衡量模型的准确性，包括：使用训练好的模型对验证集或测试集中的数据进行预测，得到模型的预测值，计算模型的预测值与实际值之间的平方误差，然后取这些误差的平均值。mse的数学公式如下：
31、
32、其中，n是数据点的数量。yi是实际的目标值，y＾i是模型的预测值，mse的值越小，表示模型的预测与实际值的拟合越好，即模型的性能越好。
33、作为本专利技术所述基于深度学习的水质净化厂曝气量预测方法的一种优选方案，其中：所述部署训练好的模型到水质净化厂中，用于实时曝气量预测，定期监测模型的性能，并根据需要进行模型更新和改进，包括：设置实时数据流，以从水质净化厂的传感器和数据库中获取实时水质参数、气象数据和曝气系统运行数据，使用实时数据作为输入，通过部署的深度学习模型进行实时曝气量预测，将模型的输出作为实时曝气量的估计值，定期计算均方误差等性能指标，以评估模型的准确性；将模型的预测值与实际测量值进行比较，检查预测值与实际值之间的差异，建立定时任务或实时流程，以确保模型性能的持续监测，根据性能监测的结果，如果模型性能下降或不符合预期，可能需要进行模型更新和改进，定期收集新的实时数据，包括曝气量的实际测量值，使用新数据和之前的数据，重新训练模型以提高性能，根据性能监测的结果，调整模型超参数，如学习率、层数和节点数。
34、作为本专利技术所述基于深度学习的水质净化厂曝气量预测方法的一种优选方案，其中：所述分析深度学习模型的输出，了解对曝气量的预测产生重要影响的因素，根据解释性分析的结果，进一步优化水质净化厂的操作和维护策略，包括：基于模型分析结果，建立一个实时监测系统，以捕获水温和溶解氧的实时数据，基于实时数据，调整曝气系统的操作策略，如在寒冷季节，增加曝气量以应对低温对溶解氧的影响；定期检查本文档来自技高网...
【技术保护点】
1.一种基于深度学习的水质净化厂曝气量预测方法，其特征在于，包括：
2.如权利要求1所述的基于深度学习的水质净化厂曝气量预测方法，其特征在于，所述收集与水质净化厂操作相关的数据，包括：
3.如权利要求1所述的基于深度学习的水质净化厂曝气量预测方法，其特征在于，所述对数据进行清洗、归一化和特征工程处理，包括处理缺失数据、异常值和数据转换，包括：
4.如权利要求1所述的基于深度学习的水质净化厂曝气量预测方法，其特征在于，所述构建模，将数据输入模型中，使用历史数据集对模型进行训练，包括：
5.如权利要求1所述的基于深度学习的水质净化厂曝气量预测方法，其特征在于，所述使用均方误差来衡量模型的准确性，包括：
6.如权利要求1所述的基于深度学习的水质净化厂曝气量预测方法，其特征在于，所述部署训练好的模型到水质净化厂中，用于实时曝气量预测，定期监测模型的性能，并根据需要进行模型更新和改进，包括：
7.如权利要求1所述的基于深度学习的水质净化厂曝气量预测方法，其特征在于，所述分析深度学习模型的输出，了解对曝气量的预测产生重要
8.一种基于深度学习的水质净化厂曝气量预测系统，其特征在于，包括：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1～7任一所述的基于深度学习的水质净化厂曝气量预测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～7任一所述的基于深度学习的水质净化厂曝气量预测方法的步骤。
...【技术特征摘要】
1.一种基于深度学习的水质净化厂曝气量预测方法，其特征在于，包括：
2.如权利要求1所述的基于深度学习的水质净化厂曝气量预测方法，其特征在于，所述收集与水质净化厂操作相关的数据，包括：
3.如权利要求1所述的基于深度学习的水质净化厂曝气量预测方法，其特征在于，所述对数据进行清洗、归一化和特征工程处理，包括处理缺失数据、异常值和数据转换，包括：
4.如权利要求1所述的基于深度学习的水质净化厂曝气量预测方法，其特征在于，所述构建模，将数据输入模型中，使用历史数据集对模型进行训练，包括：
5.如权利要求1所述的基于深度学习的水质净化厂曝气量预测方法，其特征在于，所述使用均方误差来衡量模型的准确性，包括：
6.如权利要求1所述的基于深度学习的水质净化厂曝气量预测方法，其特征在于，所述部署训练好的模型到水质...
【专利技术属性】
技术研发人员：张敬普，刘恋，赵军民，陈思材，
申请(专利权)人：河南城建学院，
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。