一种基于集成深度学习的污水处理过程水质软测量方法、装置及设备

本发明涉及污水检测，尤其是一种基于集成深度学习的污水处理过程水质软测量方法、装置及设备。

背景技术：

1、随着社会和工业的发展，污水处理已经成为了一个重要的环境保护课题。

2、污水处理过程受到多种环境因素的影响，体现出时序性、非线性等多种特性，传统的单一模型污水软测量方法难以实现精确的测量。同时，污水处理过程中所应用的传统监测仪器使用化学和电化学测量技术，难以同时满足高精度、实时性和智能化的要求。因此，亟需一种能够实现实时、准确实现污水处理过程中水质参数软测量方法及设备。

3、本发明提出了一种基于集成深度学习的污水处理过程水质软测量方法、装置及设备。本发明建立了一种集成深度学习模型，使用stl分解分析污水处理过程水质数据的时序特性，利用时序卷积网络学习趋势和季节特性，使用完全自适应噪声集合经验模态分解残差分量，利用门控神经网络预测非线性数据的能力，并在使用时间序列堆叠方法学习残差分量。本发明提出的方法有效分析了污水数据中的时序特性，提高了预测精度，解决了现有污水测量仪器中实时性低、操作复杂、耗材消耗量大等问题。

技术实现思路

1、本发明的目的在于，为了解决现有污水测量仪器中实时性低、操作复杂、耗材消耗量大等难题，本发明提出了一种基于集成深度学习的污水处理过程水质软测量方法、装置及设备。其中，本发明提出的集成深度学习模型基于stl分解、ceemdnan分解方法和时序堆叠方法针对性地分析污水数据具有的趋势性、季节性等时序特性，提高了软测量精度。

2、为实现上述目的，本发明通过以下技术方案予以实现：

3、第一方面，本发明提供了一种基于集成深度学习的污水处理水质参数软测量方法，所述方法包括：

4、s10、获取测量仪器采集的历史污水数据形成历史数据库；

5、s20、将历史数据库中的数据按照时间顺序进行排序进行数据预处理，划分为训练集和数据集；

6、s30、构建集成深度学习模型；

7、s40、根据预处理后的所述历史污水数据训练集成深度学习模型，验证模型的准确性；

8、s50、获取测量仪器采集的实时污水数据，将实时污水数据输入至集成深度学习模型中，得到污水水质指标的软测量结果；

9、进一步的，所述污水数据包括流量、ph值、电导率、化学需氧量(chemical oxygendemand,cod)、水温、盐度、余氯、浊度、氧化还原电位、溶解氧、溶解性总固体含量；测量仪器所处环境的大气温度、大气湿度；

10、进一步的，所述步骤s20包括以下步骤：

11、s201、通过3σ准则对所述历史污水数据中的异常数据进行数据删除：

12、如果历史数据x与数据库数据平均值的偏差v满足v＞3σ，其中σ为数据库数据的标准差，则认为x是异常数据，对异常数据进行数据删除。

13、s202、通过z-score标准化方法对清理后的所述历史污水数据进行归一化处理：

14、公式为：其中dz为归一化处理后的值，d为原数据，为数据库数据平均值，σ为数据库数据的标准差；

15、s203、按照时间顺序将数据库内的数据进行排序；

16、s204、将70％数据库数据作为训练集，将30％数据库数据作为测试集；

17、进一步的，所述步骤s30包括以下步骤：

18、s301、stl分解算法将输入数据分解成趋势分量、季节分量和残差分量，区分输入数据中具有不同特征的分量；

19、stl分解算法可以将输入数据分解成趋势、季节、残差三个分量，对三个分量分别进行分析可以实现对污水时序数据的详细分析；

20、进一步的，所述stl数据分解的具体步骤为：

21、预处理后的数据为yi，趋势分量为ti，季节分量为si，残差分量为ri，其中i＝(1,2,...,n)，n表示输入数据的总数；

22、对原始序列进行去趋势处理，即减去序列在上一时刻的趋势tik：yi`＝yi-tik，其中，yi`是本时刻的去趋势序列，tik是上一时刻的趋势；

23、去趋势序列yi`的每个周期子序列都使用loess平滑处理，对每个子序列进行局部加权回归，同时每个子序列向前向后各延展一个数值，得到临时季节序列

24、对做3次滑动平均，然后使用loess平滑识别剩余趋势

25、减去剩余趋势，得到本时刻季节分量

26、从yi中减去季节分量得到去季节化序列

27、使用loess平滑去季节化序列yi``，获取趋势分量tik+1；

28、原始序列yi减去上述步骤得到的趋势分量和季节分量得到残差分量：ri＝yi-ti-si；

29、s302、建立tcn神经网络，将趋势分量和季节分量数据送入tcn，得到趋势分量和季节分量预测结果；

30、进一步的，tcn的具体结构包括：

31、使用一维因果卷积和扩张卷积作为标准卷积层，将每两个标准卷积层恒等映射封装为一个残差模块，由残差模块堆叠深度网络，使用全卷积层代替全连接层；最后一层为输出层，将隐藏层最后一个维度的输出进行线性回归，输出预测结果；

32、s303、使用ceemdan分解残差分量，建立gru神经网络，将残差分量数据送入gru，使用时序堆叠方法得到残差分量预测结果；

33、进一步的，ceemdan算法通常用于噪声处理和时间序列问题，选择ceemdan算法处理残差分量；ceemdan的具体分解过程如下：

34、首先定义残差分量原始信号q(t)，其中t＝(1,2,...,n`)，n`表示q(t)的总数；添加m组成对的正负高斯白噪声，m为白噪声组的数量，根据经验，m取250；

35、对原始信号进行第1次emd分解，其中imfj1(t)为第1次分解的第j个模态分量，其中j＝(1,2,...,m)；计算模态分量的平均值，得到第1个模态分量

36、

37、计算第一次分解得到的残差r1(t)：r1(t)＝q(t)-imf1(t)；

38、设ek(·)为第k次的emd分解；向r1(t)中添加上一步中的m组分别成对的正负高斯白噪声，分解信号得到模态分量：

39、

40、式中，ε2表示第2次分解加入噪声的标准差，为第2次分解中第j个满足标准正态分布的高斯白噪声；

41、然后对数据进行连续分解，得到k+1模态分量的值：

42、

43、式中，εk+1表示第k+1次分解加入噪声的标准差，rk(t)表示第k次分解残差，为第k+1次分解中第j个满足标准正态分布的高斯白噪声；

44、如果满足停止条件，即第k+1次分解的残差rk+1为单调信号，则迭代停止，ceemdan算法分解结束；

45、此时，原始信号是k个模态分量和残差之和，完成分解：其中imfk是第k次分解得到的imf，r(t)是得到的最终残差；

46、进一步的，gru的具体结构包括两个门函数，更新门和重置门：

47、更新门rt决定前一时刻的状态信息的丢弃和更新:ri＝sigmoid(wrxi+urht-1+br)；

48、其中，wr是更新门权重矩阵。ur是前一状态ht-1的更新门权重矩阵。br是更新门偏置项。

49、重置门zt控制前一状态有多少信息被写入:zt＝sigmoid(wzxi+uzht-1+bz)；

50、其中，wz是重置门权重矩阵。uz是前一状态ht-1的重置门权重矩阵。bz是重置门偏置项；

51、进一步的，组时间序列分割为每个样本分配一个组标签，会按照组标签的顺序，依次划分数据集。在每一步中，它将当前组标签分配给测试集，之前的组标签分配给训练集，以避免时间上的数据泄露。

52、使用支持向量机作为元学习器，从第一组开始，使用前一组作为训练集，后一组作为测试集，实现元学习器的训练。

53、第二方面，基于同一构思，本发明还提供了一种基于集成深度学习的污水处理过程水质软测量装置，包括：

54、数据采集模块，采集污水水质指标监测数据和环境数据；使用水泵抽取水样，通过传感器测量水质参数；

55、数据预处理模块，对采集的数据进行数据删除和归一化处理，保存在历史数据库中；

56、模型构建模块，使用预处理后的污水水质指标监测数据和环境数据训练集成深度学习模型；

57、预测模块，利用集成深度学习模型实现基于预处理后的污水水质指标监测数据和环境数据的污水处理过程水质参数软测量；

58、第三方面，基于同一构思，本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的污水处理过程水质参数软测量方法。

59、第四方面，基于同一构思，本发明还提供了一种存储有计算机程序的计算机可读存储介质；其中，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如第一方面所述的污水处理过程水质参数软测量方法。

60、相对于现有技术，本发明所述的基于集成深度学习的污水处理水质软测量方法、装置及设备具有以下有益效果：

61、本发明所述的基于集成深度学习的污水处理过程水质软测量方法、装置及设备，能够实时采集污水处理过程的污水数据，利用集成深度学习模型对污水数据进行精准结果预测，实现污水处理过程水质参数的软测量，协助污水处理厂对污水处理过程实现精确控制。

技术特征：

1.一种基于集成深度学习的污水处理过程水质软测量方法，其特征在于，包括：

2.根据权利要求1所述的一种基于集成深度学习的污水处理过程水质软测量方法，其特征在于，所述步骤s40包括以下步骤：

3.一种基于集成深度学习的污水处理过程水质软测量装置，其特征在于，包括：

4.一种计算机设备，其特征在于，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如权利要求1或2所述的方法。

5.一种存储有计算机程序的计算机可读存储介质，其特征在于，计算机程序被处理器执行时能够实现权利要求如权利要求1或2所述的方法。

技术总结
本发明公开了一种基于集成深度学习的污水处理过程水质软测量方法、装置及设备，包括以下步骤：S10、获取测量仪器采集的历史污水数据形成历史数据库；S20、将历史数据库中的数据按照时间顺序进行排序进行数据预处理，划分为训练集和数据集；S30、构建集成深度学习模型；S40、根据预处理后的所述历史污水数据训练集成深度学习模型，验证模型的准确性；S50、获取测量仪器采集的实时污水数据，将实时污水数据输入至集成深度学习模型中，得到污水水质指标的软测量结果。本发明针对污水数据的时序特性提出集成深度学习模型，同时将深度学习软测量方法与污水检测仪器相结合，解决了实时性低、操作复杂、耗材消耗量大等难题。

技术研发人员：李文静,梁直,乔俊飞
受保护的技术使用者：北京工业大学
技术研发日：
技术公布日：2024/9/23