【技术实现步骤摘要】
本专利技术涉及水处理工程中的预测分析和自动控制领域，具体涉及一种水质智能预测方法和废水处理自动控制系统。
技术介绍
1、sbr反应器（序批式反应器）水处理技术是污水处理的典型工艺，以其适应性、操作灵活性和资源利用效率而普及。准确预测序批式反应器系统中的氨氮浓度对于优化处理方案和确保符合严格的监管标准至关重要。
2、先进计算方法的出现，特别是机器学习和深度学习，彻底改变了水处理工程中的预测分析领域，为复杂系统的动力学提供了前所未有的见解。
3、近年来，包括lstm（长短期记忆网络）和transformer（变换器模型）在内的复杂神经网络架构的集成在水处理领域的预测建模任务中引起了极大的关注。这些架构的融合为时间序列分析提供了一个强大的框架，能够捕捉序批式反应器过程中固有的复杂时空依赖性。
4、为了提高废水处理的自动化和可持续性，必须准确预测序批式反应器水处理系统中的氨氮含量等水质指标。氨氮含量是处理效率和环境影响的重要指标。然而，复杂的动力学和氨氮测量的复杂性和非连续性阻碍了预测精度和节能降耗的自动化控制。
技术实现思路
1、针对现有技术中的上述不足，本专利技术提供了一种水质智能预测方法和废水处理自动控制系统。
2、为了达到上述专利技术目的，本专利技术采用的技术方案为：
3、一种水质智能预测方法，包括以下步骤：
4、s1、获取废水的监测数据，对废水的监测数据进行预处理以获取预处理数据，并根据废水的监测数据和预处理
5、s2、基于transformer和lstm设计废水的氨氮含量预测模型，将变量数据集划分为训练数据集和测试数据集，并利用训练数据集和测试数据集对废水的氨氮含量预测模型进行训练和测试，获取测试后的废水的氨氮含量预测模型；
6、s3、获取废水的实时监测数据并对其进行预处理，建立实时的变量数据集，并基于测试后的废水的氨氮含量预测模型，获取废水的氨氮含量预测值，以对水质进行智能预测。
7、进一步地，在步骤s1中，废水的监测数据包括废水的电导率、溶解氧和氧化还原电位；预处理数据包括废水的监测数据的变化率和累积值。
8、进一步地，废水的氨氮含量预测模型包括依次连接的位置编码层、transformer编码器和lstm解码器；
9、位置编码层用于接收输入变量集，对输入变量集进行位置编码以输出带有位置信息的输入变量集；
10、transformer编码器用于对带有位置信息的输入变量集进行点积运算以输出特征增强变量集；
11、lstm解码器用于对输出的特征增强变量集、上一时间步的输出和上一时间步的单元状态进行串行处理，以获取废水的氨氮含量预测值。
12、进一步地，在位置编码层中，对输入变量集进行位置编码以输出带有位置信息的输入变量集，包括以下步骤：
13、a1、计算输入变量集的奇数位置编码数据，表示为：
14、
15、其中：为在第个时间步长的输入变量集的奇数位置编码值，为时间步长，为维度，为正弦函数，为与位置对应的数据编码；
16、a2、计算输入变量集的偶数位置编码数据；
17、
18、其中：为在第个时间步长的输入变量集的偶数位置编码值，为余弦函数；
19、a3、根据输入变量集、输入变量集的奇数位置编码数据和输入变量集的偶数位置编码数据，输出带有位置信息的输入变量集，表示为：
20、
21、其中：为在第个时间步长的带有位置信息的输入变量集，为在第个时间步长的输入变量集，为在第个时间步长的输入变量集的位置编码值。
22、进一步地，transformer编码器包括依次连接的多头注意力机制、第一归一化层、第一线性加法层、前馈层、第二归一化层和第二线性加法层；第一线性加法层连接transformer编码器的输入；前馈层连接第二线性加法层。
23、进一步地，在多头注意力机制中，对带有位置信息的输入变量集进行点积运算，多头注意力机制输出的特征增强变量集，包括以下步骤：
24、b1、计算带有位置信息的输入变量集的关键字向量、值向量和查询向量，表示为：
25、，
26、，
27、
28、其中：为带有位置信息的输入变量集在第个注意力头的关键字向量，为注意力头的编号，为带有位置信息的输入变量集，为第个注意力头的关键字向量的可训练投影矩阵，为带有位置信息的输入变量集在第个注意力头的值向量，为第个注意力头的值向量的可训练投影矩阵，为带有位置信息的输入变量集在第个注意力头的查询向量，为第个注意力头的查询向量的可训练投影矩阵；
29、b2、对带有位置信息的输入变量集的关键字向量、值向量和查询向量进行点积运算，获取单注意力头的特征增强变量集，表示为：
30、
31、其中：为第个注意力头的特征增强变量集，为softmax函数符号，为关键字向量的维度，为关键字向量的转置；
32、b3、对单注意力头的特征增强变量集进行并行计算，获取多头注意力机制输出的特征增强变量集，表示为：
33、
34、其中：为多头注意力机制输出的特征增强变量集，为并行计算符号，，为多头注意力机制中的注意力头总数，为多头注意力机制的可训练投影矩阵。
35、进一步地，前馈层包括两个relu激活函数连接的线性变换层，线性变换层的计算过程为：
36、
37、其中：为输出氨氮值，为矩阵的转置，为输入变量，为函数的偏置项。
38、进一步地，lstm解码器包括依次连接的第一线性整流层、长短期记忆网络操作层、第二线性整流层、第一全连接层和第二全连接层。
39、进一步地，长短期记忆网络操作层包括输入门、遗忘门、输出门和单元状态门。
40、一种应用上述方法的废水处理自动控制系统，包括依次连接的sbr反应器、数据收集单元、水质智能预测单元和自动执行废水处理单元；
41、sbr反应器用于对废水进行处理，产生废水处理样本；
42、数据收集单元用于获取废水的监测数据，对废水的监测数据进行预处理以获取预处理数据，并根据废水的监测数据和预处理数据集建立变量数据集；将变量数据集划分为训练数据集和测试数据集；对废水处理样本进行数据监测，获取废水的实时监测数据并对其进行预处理，建立实时的变量数据集；
43、水质智能预测单元用于根据transformer和lstm设计废水的氨氮含量预测模型，利用训练数据集和测试数据集对废水的氨氮含量预测模型进行训练和测试，获取测试后的废水的氨氮含量预测模型；并基于实时的变量数据集和测试后的废水的氨氮含量预测模型，获取废水的氨氮含量预测值；
44、自动执行废水处理单元，用于根据废水的氨氮含量预测值，自动执行废水处理工艺。
45、本本文档来自技高网...
【技术保护点】
1.一种水质智能预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的水质智能预测方法，其特征在于，在步骤S1中，废水的监测数据包括废水的电导率、溶解氧和氧化还原电位；预处理数据包括废水的监测数据的变化率和累积值。
3.根据权利要求1所述的水质智能预测方法，其特征在于，在步骤S2中，废水的氨氮含量预测模型包括依次连接的位置编码层、Transformer编码器和LSTM解码器；
4.根据权利要求3所述的水质智能预测方法，其特征在于，在位置编码层中，对输入变量集进行位置编码以输出带有位置信息的输入变量集，包括以下步骤：
5.根据权利要求3所述的水质智能预测方法，其特征在于，Transformer编码器包括依次连接的多头注意力机制、第一归一化层、第一线性加法层、前馈层、第二归一化层和第二线性加法层；第一线性加法层连接Transformer编码器的输入；前馈层连接第二线性加法层。
6.根据权利要求5所述的水质智能预测方法，其特征在于，在多头注意力机制中，对带有位置信息的输入变量集进行点积运算，多头注意力机制输出的特征增强
7.根据权利要求5所述的水质智能预测方法，其特征在于，前馈层包括两个ReLU激活函数连接的线性变换层，线性变换层的计算过程为：
8.根据权利要求3所述的水质智能预测方法，其特征在于，LSTM解码器包括依次连接的第一线性整流层、长短期记忆网络操作层、第二线性整流层、第一全连接层和第二全连接层。
9.根据权利要求8所述的水质智能预测方法，其特征在于，长短期记忆网络操作层包括输入门、遗忘门、输出门和单元状态门。
10.一种应用权利要求1-9任一所述方法的废水处理自动控制系统，其特征在于，包括依次连接的SBR反应器、数据收集单元、水质智能预测单元和自动执行废水处理单元；
...【技术特征摘要】
1.一种水质智能预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的水质智能预测方法，其特征在于，在步骤s1中，废水的监测数据包括废水的电导率、溶解氧和氧化还原电位；预处理数据包括废水的监测数据的变化率和累积值。
3.根据权利要求1所述的水质智能预测方法，其特征在于，在步骤s2中，废水的氨氮含量预测模型包括依次连接的位置编码层、transformer编码器和lstm解码器；
4.根据权利要求3所述的水质智能预测方法，其特征在于，在位置编码层中，对输入变量集进行位置编码以输出带有位置信息的输入变量集，包括以下步骤：
5.根据权利要求3所述的水质智能预测方法，其特征在于，transformer编码器包括依次连接的多头注意力机制、第一归一化层、第一线性加法层、前馈层、第二归一化层和第二线性加法层；第一线性加法层连接transformer编码器的输入；前馈层...
【专利技术属性】
技术研发人员：李强林，张惪勇，舒明，李青川，邱诚，邱阳，朱蕾雨，
申请(专利权)人：成都工业学院，
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。