【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及一种基于机器学习的给水厂全生命周期能耗预测方法、系统、终端及计算机可读存储介质。
技术介绍
1、给水厂在处理原水（原水一般是指取自天然水体或蓄水水体，如河流、湖泊、池塘或地下蓄水层等，用作供水水源的水）的完整生命周期内中，需直接和间接消耗能源，这部分能源消耗被统称为全生命周期能耗。通常而言，全生命周期能耗不仅包括水处理过程中的直接能耗，还包括化学药剂（例如混凝剂、消毒剂）、耗材（例如膜组件）生产过程的间接能耗。为准确全面评估给水厂能耗，指导城市水处理部门节能降碳，需将水质净化过程的全生命周期能耗纳入给水厂效能综合评估体系。
2、但是，现有技术在计算城市给水厂全生命周期能耗时，需要通过实时监测的方式对不同处理阶段、不同生产环节的原始能耗数据进行充分收集，这涉及到大量的采集、检验工作，将耗费大量时间、金钱和人力成本，从而导致城市给水厂的全生命周期能耗计算效率低下，无法满足能耗预测需求。
3、因此，现有技术还有待于改进和发展。
技术实现思路
1、本专利技术的主要目的在于提供一种基于机器学习的给水厂全生命周期能耗预测方法、系统、终端及计算机可读存储介质，旨在解决现有技术中在计算城市给水厂的全生命周期能耗时，需要通过实时监测的方式对原始数据进行充分的收集以及大量的检验工作，从而导致城市给水厂的全生命周期能耗计算效率低下，无法满足能耗预测需求的问题。
2、为实现上述目的，本专利技术提供一种基于机器学习的给水厂全生命周期能耗预测
3、获取给水厂的历史进出水水量水质监测数据和运行参数，对所述历史进出水水量水质监测数据和所述运行参数进行预处理，得到全生命周期能耗历史数据集，并将所述全生命周期能耗历史数据集划分为全生命周期能耗历史训练集和全生命周期能耗历史验证集；
4、获取多个候选模型，根据所述全生命周期能耗历史训练集对多个所述候选模型进行训练和筛选，得到最佳全生命周期能耗预测模型；
5、获取当前进出水水量水质监测数据，将所述当前进出水水量水质监测数据输入至所述最佳全生命周期能耗预测模型，输出所述给水厂的全生命周期能耗的预测结果。
6、可选地，所述的基于机器学习的给水厂全生命周期能耗预测方法，其中，所述历史进出水水量水质监测数据包括进水参数和出水参数；所述获取给水厂的历史进出水水量水质监测数据和运行参数，对所述历史进出水水量水质监测数据和所述运行参数进行预处理，得到全生命周期能耗历史数据集，并将所述全生命周期能耗历史数据集划分为全生命周期能耗历史训练集和全生命周期能耗历史验证集，具体包括：
7、获取所述给水厂中预设时间范围内的进水参数、出水参数以及运行参数，并获取所述进水参数、所述出水参数以及所述运行参数各自对应的数据采集时间；
8、根据所述数据采集时间对所述进水参数、所述出水参数以及所述运行参数进行数据对齐处理，得到第一历史数据；
9、对所述第一历史数据进行降噪处理，得到第二历史数据；
10、将所述第二历史数据中每一个数据采集时间点对应的运行参数输入至生命周期评估模型中，得到每一个数据采集时间点对应的全生命周期能耗的历史消耗结果；
11、根据所述第二历史数据中的进水参数、出水参数以及所述历史消耗结果构建所述全生命周期能耗历史数据集，并将所述全生命周期能耗历史数据集划分为全生命周期能耗历史训练集和全生命周期能耗历史验证集。
12、可选地，所述的基于机器学习的给水厂全生命周期能耗预测方法，其中，所述根据所述数据采集时间对所述进水参数、所述出水参数以及所述运行参数进行数据对齐处理，得到第一历史数据，具体包括：
13、根据所述数据采集时间获取所述进水参数、所述出水参数以及所述运行参数各自对应的原始采集频率，并判断所述原始采集频率是否大于预设重采样频率；
14、若是，则将所述预设时间范围内的所述进水参数、所述出水参数以及所述运行参数进行求平均处理，直到所述进水参数、所述出水参数以及所述运行参数各自对应的重采样频率等于所述预设重采样频率，得到所述第一历史数据；
15、若所述原始采集频率小于所述预设重采样频率，则将所述进水参数、所述出水参数以及所述运行参数进行复制扩充处理，直到所述进水参数、所述出水参数以及所述运行参数各自对应的重采样频率等于所述预设重采样频率，得到所述第一历史数据。
16、可选地，所述的基于机器学习的给水厂全生命周期能耗预测方法，其中，所述对所述第一历史数据进行降噪处理，得到第二历史数据，具体包括：
17、当根据箱型图分析方法检测到所述第一历史数据中的噪声数据时，获取所述噪声数据对应的数据采集时间点；
18、将所述数据采集时间点对应的第一历史数据进行删除，得到所述第二历史数据。
19、可选地，所述的基于机器学习的给水厂全生命周期能耗预测方法，其中，所述获取多个候选模型，根据所述全生命周期能耗历史训练集对多个所述候选模型进行训练和筛选，得到最佳全生命周期能耗预测模型，具体包括：
20、采用相关性分析方法对所述全生命周期能耗历史训练集中的输入参数以及输出参数进行相关性分析处理，得到相关性分析结果；
21、根据所述相关性分析结果在模型算法库中进行查找，得到满足预设建模要求的多个第一候选模型；
22、根据所述全生命周期能耗历史训练集对多个所述第一候选模型进行训练，并计算多个所述第一候选模型在所述全生命周期能耗历史验证集上的第一预测结果；
23、计算多个所述第一预测结果的多个第一准确度，并根据多个所述第一准确度对多个所述第一候选模型进行筛选，得到多个第二候选模型；
24、获取所述全生命周期能耗历史训练集中的最优特征集合，并根据所述最优特征集合对多个所述第二候选模型进行训练，并计算多个所述第二候选模型在所述全生命周期能耗历史验证集上的第二预测结果；
25、计算多个所述第二预测结果的多个第二准确度，并根据多个所述第二准确度对多个所述第二候选模型进行筛选，得到多个第三候选模型；
26、获取多个所述第二候选模型训练过程中的时间消耗数据、能源消耗数据以及碳排放量数据，并根据所述时间消耗数据、所述能源消耗数据以及所述碳排放量数据在多个所述第三候选模型中提取最佳全生命周期能耗预测模型。
27、可选地，所述的基于机器学习的给水厂全生命周期能耗预测方法，其中，所述计算多个所述第一预测结果的多个第一准确度，并根据多个所述第一准确度对多个所述第一候选模型进行筛选，得到多个第二候选模型，具体包括：
28、根据评估函数计算所述第一预测结果与真实数据的差异度，根据所述差异度得到所述第一预测结果的第一准确度；
29、将多个所述第一候选模型中所述第一准确度低于预设阈值的第一候选模型进行剔除，得到多个所述第二候选模型。
<本文档来自技高网...【技术保护点】
1.一种基于机器学习的给水厂全生命周期能耗预测方法，其特征在于，所述基于机器学习的给水厂全生命周期能耗预测方法包括：
2.根据权利要求1所述的基于机器学习的给水厂全生命周期能耗预测方法，其特征在于，所述历史进出水水量水质监测数据包括进水参数和出水参数；所述获取给水厂的历史进出水水量水质监测数据和运行参数，对所述历史进出水水量水质监测数据和所述运行参数进行预处理，得到全生命周期能耗历史数据集，并将所述全生命周期能耗历史数据集划分为全生命周期能耗历史训练集和全生命周期能耗历史验证集，具体包括：
3.根据权利要求2所述的基于机器学习的给水厂全生命周期能耗预测方法，其特征在于，所述根据所述数据采集时间对所述进水参数、所述出水参数以及所述运行参数进行数据对齐处理，得到第一历史数据，具体包括：
4.根据权利要求2或3所述的基于机器学习的给水厂全生命周期能耗预测方法，其特征在于，所述对所述第一历史数据进行降噪处理，得到第二历史数据，具体包括：
5.根据权利要求1所述的基于机器学习的给水厂全生命周期能耗预测方法，其特征在于，所述获取多个候选模型，根
6.根据权利要求5所述的基于机器学习的给水厂全生命周期能耗预测方法，其特征在于，所述计算多个所述第一预测结果的多个第一准确度，并根据多个所述第一准确度对多个所述第一候选模型进行筛选，得到多个第二候选模型，具体包括：
7.根据权利要求5所述的基于机器学习的给水厂全生命周期能耗预测方法，其特征在于，所述获取所述全生命周期能耗历史训练集中的最优特征集合，具体包括：
8.一种基于机器学习的给水厂全生命周期能耗预测系统，其特征在于，所述基于机器学习的给水厂全生命周期能耗预测系统包括：
9.一种终端，其特征在于，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于机器学习的给水厂全生命周期能耗预测程序，所述基于机器学习的给水厂全生命周期能耗预测程序被所述处理器执行时实现如权利要求1-7任一项所述的基于机器学习的给水厂全生命周期能耗预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有基于机器学习的给水厂全生命周期能耗预测程序，所述基于机器学习的给水厂全生命周期能耗预测程序被处理器执行时实现如权利要求1-7任一项所述的基于机器学习的给水厂全生命周期能耗预测方法的步骤。
...【技术特征摘要】
1.一种基于机器学习的给水厂全生命周期能耗预测方法，其特征在于，所述基于机器学习的给水厂全生命周期能耗预测方法包括：
2.根据权利要求1所述的基于机器学习的给水厂全生命周期能耗预测方法，其特征在于，所述历史进出水水量水质监测数据包括进水参数和出水参数；所述获取给水厂的历史进出水水量水质监测数据和运行参数，对所述历史进出水水量水质监测数据和所述运行参数进行预处理，得到全生命周期能耗历史数据集，并将所述全生命周期能耗历史数据集划分为全生命周期能耗历史训练集和全生命周期能耗历史验证集，具体包括：
3.根据权利要求2所述的基于机器学习的给水厂全生命周期能耗预测方法，其特征在于，所述根据所述数据采集时间对所述进水参数、所述出水参数以及所述运行参数进行数据对齐处理，得到第一历史数据，具体包括：
4.根据权利要求2或3所述的基于机器学习的给水厂全生命周期能耗预测方法，其特征在于，所述对所述第一历史数据进行降噪处理，得到第二历史数据，具体包括：
5.根据权利要求1所述的基于机器学习的给水厂全生命周期能耗预测方法，其特征在于，所述获取多个候选模型，根据所述全生命周期能耗历史训练集对多个所述候选模型进行训练和筛选，得到最佳全生命周期能耗预测模型，具体...
【专利技术属性】
技术研发人员：王旭，王钊越，成慧宇，
申请(专利权)人：哈尔滨工业大学深圳哈尔滨工业大学深圳科技创新研究院，
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。