【技术实现步骤摘要】
本专利技术涉及水质预测，尤其是涉及一种自来水厂出水余氯的自适应预测方法及系统。
技术介绍
1、加氯消毒是保证自来水厂出水余氯达标的关键一环，对加氯量的精确调控一直是水厂的重点，加氯量不足会导致出水余氯过低消毒效果变差，加氯量过高则会增加消毒副产物风险，同时增加运行成本。因此，建立可靠的出水余氯预测模型，进而对加氯量进行实时调控，是当前自来水厂亟待解决的难题。然而，自来水厂是典型的时滞时变系统，这要求预测模型除拟合出水余氯与其相关因素(输入特征)间的非线性关联外，还需处理指标之间的时间滞后关联。目前，对于自来水厂关键水质参数的预测建模方法上，主要涉及余氯衰减模型等机理模型，支持向量机、线性回归模型等机器学习模型，传统模型依托于真实的工艺过程，可以从本质上很好的反映出水余氯与输入特征之间的关系，但在应用到对于自来水厂的出水余氯的预测过程中，由于在加氯消毒后往往需要较长的反应过程后才能在出水处处检测到该次加氯调节的影响，存在动态变化的滞后时间间隔，这就使得现有的预测方法不能完全反映输入输出之间的关系，预测结果不准确。
2、在中国专利文献上公开的“一种基于宽度学习网络的自来水厂的出水余氯预测方法”，其公开号为cn114997486a，公开日期为2022-09-02，包括以下步骤：首先对自来水厂的数据集进行标准化预处理，然后对标准化处理后的自来水厂数据集的辅助变量利用主成分分析方法(pca)方法得到其低维的特征映射，再通过将辅助变量的低维特征映射作为输入、目标变量作为输出，最后使用求伪逆的方法训练宽度学习网络模型，得到自来水厂
技术实现思路
1、本专利技术是为了克服现有技术中并没有考虑加氯消毒和其对应的出水余氯浓度存在动态变化的滞后时间间隔，使得最终的出水余氯预测不准确的问题，提供了一种自来水厂出水余氯的自适应预测方法及系统，通过计算出水余氯与其相关输入特征的滞后时间间隔，并从时间维度对各输入特征进行重构后输入模型中进行训练得到余氯预测模型，在解决出水余氯与输入特征的时滞特性问题的同时提高了余氯预测的准确性。
2、为了实现上述目的，本专利技术采用以下技术方案：
3、一种自来水厂出水余氯的自适应预测方法，包括：
4、获取自来水厂的出水余氯和与其相关的影响因素的历史数据，并进行预处理；
5、计算每个影响因素与出水余氯的滞后时间间隔，并基于计算结果对所有影响因素进行时间维度的数据重构生成历史数据集；
6、建立预测模型，利用重构后的历史数据集对预测模型进行训练得到出水余氯预测模型；
7、利用训练完成的出水余氯预测模型对出水余氯进行预测。
8、本专利技术中通过计算每个影响因素与出水余氯的滞后时间间隔并在时间维度进行数据重构，继而采用预测模型对出水余氯进行实时在线预测，具有动态调节、自适应更新的特点，可以作为加氯过程智能调节、出水余氯实时预警等在线操作的基础；根据每个影响因素的不同滞后时间间隔进行数据重构，可以增强模型的输入特征与输出的出水余氯之间的关联性，在解决了时间滞后问题的同时提高了出水余氯预测模型的预测精度。
9、作为优选，所述进行预处理的过程包括：
10、剔除原始数据中分布在3倍标准差范围以外的数据样本；
11、根据缺失值到左右相邻两个数据的距离分配权重，并利用线性函数进行填充；
12、通过小波去噪去除噪声；对完成上述操作的数据进行归一化处理。
13、本专利技术中在进行数据采集时，由于仪表故障、噪声干扰或传输错误等原因会使得原始数据存在大量的干扰数据，因此需要对原始数据先进行预处理后才能用于后续的模型训练和预测。
14、作为优选，所述进行时间维度的数据重构生成历史数据集的过程包括：
15、计算出水余氯相比于第i影响因素的滞后时间间隔δti，得到第i影响因素与t时刻出水余氯yt之间的对应关系以同样的方式获取其他影响因素与t时刻出水余氯yt的对应关系；
16、基于所有影响因素与出水余氯yt的对应关系重新组合影响因素数据生成历史数据集。
17、本专利技术中与出水余氯相关的影响因素有很多，在进行选择时可以根据实际情况进行确定；同时不同的影响因素因为其对出水余氯的影响方式各不相同，所以其和出水余氯之间的滞后时间间隔也可能不同，在这种情况下需要对每个影响因素按照各自的滞后时间间隔进行时间轴上的移动后重新构成新的历史数据集，使得模型在训练过程中能够学习到不同影响因素的滞后特性，从而提高预测精度。
18、作为优选，计算影响因素与出水余氯的滞后时间间隔的过程包括：
19、对出水余氯和影响因素的数据以时间序列形式表示；
20、将其中一个时间序列移动特定的时间步长k后计算两个时间序列的关联性；
21、遍历所有时间步长取值，选择使两个时间序列的关联性最大的时间步长k作为滞后时间间隔。
22、本专利技术中由于影响因素的数据会滞后体现在出水余氯的数据中，也就是使得影响因素的数据需要整体后移一定的滞后时间间隔后才能体现出其与出水余氯的关联性，基于这种情况来计算滞后时间间隔，相比于现有的余氯衰减模型不需要在线监测大量的水质参数和动力学参数；相比于人为经验值判断的方法，能够考虑量流变化、温度变化等因素引起的滞后时间间隔动态变化，计算结果更准确能够提高模型预测精度。
23、作为优选，所述计算两个时间序列的关联性的过程为：
24、
25、其中x和y是长度为n的两个时间序列，和表示这两个时间序列的均值，k表示两个时间序列之间滞后的时间步长。
26、本专利技术中采用时间滞后互相关分析方法进行两个时间序列的关联性的计算，通过不断移动第一时序数据，可以得到第一时序数据和第二时序数据之间的互相关性；将同一时刻的偏移量与互相关性数据建立对应曲线，曲线的峰值表明两个时间序列在某个偏移值处具有最大的相似性，即在对应的滞后时间间隔时关联性最大。
27、作为优选，所述预测模型采用xgboost模型，不断向模型中添加决策树，当训练完k棵决策树后预测一个样本的分数，并将每棵决策树的分数相加得到样本的预测值：
28、
29、其中是模型的最终预测值，xi∈rn表示第i个数据点的特征向量，k表示树的数目，fk是函数空间f中第k棵回归树的预测结果，对应树的结构q与叶子权重w的情况。
30、本专利技术中xgboost模型的核心思想是使用多个弱学习器，并通过逐步优化损失函数来构建一个强学习器，其中弱学习器是简单的决策树模型；其学习过程可以理解为生成新的树拟合前一棵树的残差，通过不断迭代提升模型预测精度，最后综合每一个本文档来自技高网...
【技术保护点】
1.一种自来水厂出水余氯的自适应预测方法，其特征在于，包括：
2.根据权利要求1所述的一种自来水厂出水余氯的自适应预测方法，其特征在于，所述进行预处理的过程包括：剔除原始数据中分布在3倍标准差范围以外的数据样本；
3.根据权利要求1或2所述的一种自来水厂出水余氯的自适应预测方法，其特征在于，所述进行时间维度的数据重构生成历史数据集的过程包括：
4.根据权利要求3所述的一种自来水厂出水余氯的自适应预测方法，其特征在于，计算影响因素与出水余氯的滞后时间间隔的过程包括：
5.根据权利要求4所述的一种自来水厂出水余氯的自适应预测方法，其特征在于，所述计算两个时间序列的关联性的过程为：
6.根据权利要求1或2或4或5所述的一种自来水厂出水余氯的自适应预测方法，其特征在于，所述预测模型采用XGBoost模型，不断向模型中添加决策树，当训练完k棵决策树后预测一个样本的分数，并将每棵决策树的分数相加得到样本的预测值：
7.根据权利要求6所述的一种自来水厂出水余氯的自适应预测方法，其特征在于，所述XGBoost模型采用包含有训
8.根据权利要求7所述的一种自来水厂出水余氯的自适应预测方法，其特征在于，对于预测模型通过决定系数R2和平均绝对百分比误差MAPE评估模型精度：
9.根据权利要求1或2或4或5或7或8所述的一种自来水厂出水余氯的自适应预测方法，其特征在于，对于出水余氯预测模型进行自适应更新：
10.一种自来水厂出水余氯的自适应预测系统，适用于如权利要求1-9任一项所述的自适应预测方法，其特征在于，包括：
...【技术特征摘要】
1.一种自来水厂出水余氯的自适应预测方法，其特征在于，包括：
2.根据权利要求1所述的一种自来水厂出水余氯的自适应预测方法，其特征在于，所述进行预处理的过程包括：剔除原始数据中分布在3倍标准差范围以外的数据样本；
3.根据权利要求1或2所述的一种自来水厂出水余氯的自适应预测方法，其特征在于，所述进行时间维度的数据重构生成历史数据集的过程包括：
4.根据权利要求3所述的一种自来水厂出水余氯的自适应预测方法，其特征在于，计算影响因素与出水余氯的滞后时间间隔的过程包括：
5.根据权利要求4所述的一种自来水厂出水余氯的自适应预测方法，其特征在于，所述计算两个时间序列的关联性的过程为：
6.根据权利要求1或2或4或5所述的一种自来水厂出水余氯的自适应预测方法，其特征...
【专利技术属性】
技术研发人员：沈寅杰，冯宽亮，何东，蔡艳伟，
申请(专利权)人：浙江中控信息产业股份有限公司，
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。