【技術實現步驟摘要】
本專利技術涉及數據處理，尤其涉及一種基于數據分析的水環境運維監測方法及系統。
技術介紹
1、目前，在水環境監測及管理的具體工況中，所涉及到的設備主要包括：
2、格柵，用于實現水的前道處理，攔截和去除水體中的固體雜質和漂浮物，防止這些雜質進入后道處理系統，確保水處理過程的順暢和高效；泵站，負責提升和輸送水體，為水流提供動力，確保水在后道處理系統中各個環節的流動和循環，后道處理系統包括沉淀池、過濾器、消毒設備等等；遠程控制模塊，實現對水處理系統的遠程監控和控制，往往通過物聯網技術連接各設備，提供數據傳輸和控制接口；配電設備，為水處理系統中的各個電氣設備提供穩定的電力供應，確保系統的正常運行。通過上述設備的有效運維和綜合管理，可以顯著提升水環境的處理和改善效果，保障水資源的可持續利用。
3、但目前在實施過程中，僅僅實現了前后道各個獨立數據的采集，而通過各數據對水環境運維的效果進行判斷和預測等，往往是通過人為的方式實現的，例如：將各個數據進行可視化的展示，以便于工作人員根據展示的結果直觀但同時也相對主觀的判斷水環境運維結果，此種做法往往存在以下問題：
4、人為判斷具有很大的主觀性，不同人員的經驗和知識水平不同，導致判斷結果存在差異，運維決策會產生不一致性和不穩定性；人工分析和判斷需要時間，難以實時響應和處理緊急情況，延遲問題的發現和解決，可能導致更嚴重的設備故障和環境污染；各個設備的數據需要人工整合和分析，數據量大且復雜，依賴人工分析和判斷，需要投入大量人力資源，且培訓和管理成本較高，另外，也容易遺漏
技術實現思路
1、本專利技術提供了一種基于數據分析的水環境運維監測方法及系統，可有效解決
技術介紹
中的問題。
2、為了達到上述目的，本專利技術所采用的技術方案是：
3、基于數據分析的水環境運維監測方法，包括：
4、收集針對水環境的前道處理數據和后道處理數據；
5、對前道處理數據和后道處理數據進行時間戳對齊；
6、將在前設定采集時刻的前道處理數據和在后設定采集時刻的后道處理數據進行匹配，獲得錯時對應的數據集合；
7、采用長短期記憶網絡時間序列模型，輸入所述數據集合；
8、實施所述時間序列模型的訓練、評估及優化；
9、通過優化完成的所述時間序列模型對所述水環境進行預測。
10、進一步地，對所述前道處理數據和后道處理數據進行時間戳對齊，包括：
11、判斷所述前道處理數據和后道處理數據的采集頻率是否一致，若是，則直接對齊所述時間戳；若否，則對采集頻率較低的一方進行插值處理，所述插值處理用于填補缺失值以使得所述前道處理數據和后道處理數據的數據量一致，而后對齊所述時間戳。
12、進一步地，所述錯時對應的錯時時間采用以下步驟確定：
13、獲取設定時間內的前道處理數據和后道處理數據；
14、計算所述前道處理數據和后道處理數據之間的交叉相關性，交叉相關性函數為：
15、
16、其中，at為所述前道處理數據在時間t的值，k為時間滯后步數，bt+k為所述后道處理數據在時間t滯后k步后的值，和分別為所述前道處理數據和后道處理數據的平均值，n為數據點的數量；
17、采用使得所述交叉相關性函數的值最大的滯后時間步數k，計算所述錯時時間。
18、進一步地，所述長短期記憶網絡時間序列模型包括：
19、輸入層，接受所述數據集合作為輸入；
20、lstm層，由若干lstm單元組成，每個所述lstm單元包含記憶單元和三個門控機制來控制信息的流動；
21、若干全連接層，接受來自所述lstm層的輸出，且進行處理和特征轉換，將高維特征映射到所需的維度；
22、輸出層，根據特征轉轉結果輸出預測結果。
23、進一步地，所述lstm層的數量為所述全連接層的數量的一次線性函數，且所述全連接層的數量小于所述lstm層的數量。
24、進一步地，所述lstm層的數量和所述全連接層的數量關系為：
25、nlstm＝α×nfc；
26、其中，nlstm為所述lstm層的數量，nfc為所述全連接層的數量；α為正整數，且與所述前道處理數據和后道處理數據的采集頻率差異正相關。
27、進一步地，在所述長短期記憶網絡時間序列模型的所述記憶單元和所述三個門控機制之間添加窺視連接。
28、進一步地，實施所述時間序列模型的訓練、評估及優化，包括：
29、轉換所述數據集合，并且將所述數據集合劃分為訓練集，驗證集和測試集；
30、編譯所述時間序列模型，選擇損失函數、優化器和評估指標；
31、設置所述時間序列模型的超參數，使用所述訓練集對所述時間序列模型進行迭代訓練，并且在所述迭代訓練的過程中使用所述驗證集對所述時間序列模型進行評估，根據所述驗證集的評估結果，對所述時間序列模型進行調整；
32、使用所述測試集評估所述時間序列模型的性能，計算所述評估指標；
33、根據所述測試集的評估結果，對所述時間序列模型進行優化，并且將優化完成的所述時間序列模型部署到水環境監測系統中。
34、進一步地，轉換所述數據集合，并且將所述數據集合劃分為訓練集，驗證集和測試集，包括：
35、定義時間窗口，基于所述時間窗口創建數據對，所述數據對包括特征數據和標簽數據；
36、將所述數據集合劃分為訓練集，驗證集和測試集；
37、調整所述特征數據的形狀，匹配所述時間序列模型的輸入。
38、基于數據分析的水環境運維監測系統，所述系統包括：
39、水環境數據收集模塊，收集針對水環境的前道處理數據和后道處理數據；
40、時間戳對齊模塊，對前道處理數據和后道處理數據進行時間戳對齊；
41、水環境數據匹配模塊，將在前設定采集時刻的前道處理數據和在后設定采集時刻的后道處理數據進行匹配，獲得錯時對應的數據集合；
42、長短期記憶網絡模型模塊，采用長短期記憶網絡時間序列模型，輸入所述數據集合；
43、時間序列模型訓練模塊，實施所述時間序列模型的訓練、評估及優化；
44、時間序列模型預測模塊，通過優化完成的所述時間序列模型對所述水環境進行預測。
45、通過本專利技術的技術方案，可實現以下技術效果：
46、通過本專利技術能夠顯著提高水環境運維監測和預測的效果，通過綜合的數據運維，有效解決目前主觀性、實時性和數據整合問題，確保水處理系統的高效穩定運行，實現水資源的可持續利用。
本文檔來自技高網...【技術保護點】
1.基于數據分析的水環境運維監測方法，其特征在于，包括：
2.根據權利要求1所述的基于數據分析的水環境運維監測方法，其特征在于，對所述前道處理數據和后道處理數據進行時間戳對齊，包括：
3.根據權利要求2所述的基于數據分析的水環境運維監測方法，其特征在于，所述錯時對應的錯時時間采用以下步驟確定：
4.根據權利要求1～3任一項所述的基于數據分析的水環境運維監測方法，其特征在于，所述長短期記憶網絡時間序列模型包括：
5.根據權利要求4所述的基于數據分析的水環境運維監測方法，其特征在于，所述LSTM層的數量為所述全連接層的數量的一次線性函數，且所述全連接層的數量小于所述LSTM層的數量。
6.根據權利要求5所述的基于數據分析的水環境運維監測方法，其特征在于，所述LSTM層的數量和所述全連接層的數量關系為：
7.根據權利要求4所述的基于數據分析的水環境運維監測方法，其特征在于，在所述長短期記憶網絡時間序列模型的所述記憶單元和所述三個門控機制之間添加窺視連接。
8.根據權利要求1所述的基于數據分析的水環境運維
9.根據權利要求8所述的基于數據分析的水環境運維監測方法，其特征在于，轉換所述數據集合，并且將所述數據集合劃分為訓練集，驗證集和測試集，包括：
10.基于數據分析的水環境運維監測系統，其特征在于，所述系統包括：
...【技術特征摘要】
1.基于數據分析的水環境運維監測方法，其特征在于，包括：
2.根據權利要求1所述的基于數據分析的水環境運維監測方法，其特征在于，對所述前道處理數據和后道處理數據進行時間戳對齊，包括：
3.根據權利要求2所述的基于數據分析的水環境運維監測方法，其特征在于，所述錯時對應的錯時時間采用以下步驟確定：
4.根據權利要求1～3任一項所述的基于數據分析的水環境運維監測方法，其特征在于，所述長短期記憶網絡時間序列模型包括：
5.根據權利要求4所述的基于數據分析的水環境運維監測方法，其特征在于，所述lstm層的數量為所述全連接層的數量的一次線性函數，且所述全連接層的數量小于所述lstm層的數量。
6...
【專利技術屬性】
技術研發人員：高智洋，
申請(專利權)人：江蘇常久生態科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。