【技術實現步驟摘要】
本專利技術涉及水質預測，尤其是涉及一種基于全連接神經網絡模型的出水水質參數預測方法及裝置。
技術介紹
1、污水處理廠高效穩定運行需要實時掌握污水處理工藝狀態，而提前獲取未來的出水水質則可以幫助運維人員提前做出應對措施，因此具有重要意義。出水水質的預測往往基于機理模型獲取，但是機理模型難以適應當前日益復雜的污水處理過程，其預測精度相對較低。大數據技術的迅猛發展為利用日常監測數據預測污水處理廠的出水水質提供了新的途徑，眾多研究已探索應用諸如長短期記憶網絡和循環神經網絡等先進模型來預測水質參數。然而，這些深度學習模型通常伴隨較高的數據量和計算資源需求，這在現實中可能超出了許多污水處理廠現有條件的承載能力。相比之下，傳統的全連接神經網絡雖然對計算資源的需求較為溫和，卻在處理具有時間序列特性的污水參數變化時存在不足。
2、因此，開發一種既能有效利用有限數據資源，又能妥善捕捉并分析污水處理過程中時間序列變化特征的預測方法，顯得尤為迫切和重要。
技術實現思路
1、有鑒于此，本專利技術的目的在于提供一種基于全連接神經網絡模型的出水水質參數預測方法及裝置，以在預測時有效利用有限數據資源，并捕捉并分析污水處理過程中時間序列變化特征。
2、第一方面，本專利技術實施例提供了一種基于全連接神經網絡模型的出水水質參數預測方法，應用于污水處理廠，方法包括：獲取污水處理廠的實時監測數據；將實時監測數據輸入至預先構建的出水水質參數預測模型中，輸出預設時間點的出水水質參數；其中，預先構建的出水
3、在本專利技術較佳的實施例中，上述通過預先設置的數據清洗策略對監測數據序列進行清洗處理，包括：剔除監測數據序列中不符合預設標準差范圍的歷史監測數據，得到多個目標歷史監測數據；基于相鄰的目標歷史監測數據間的距離，線性填充缺失值后進行歸一化處理，得到目標監測數據序列。
4、在本專利技術較佳的實施例中，上述全連接神經網絡模型的特征包括四層；其中，第一層包括256個神經網絡節點，第二層包括128個神經網絡節點，第三層包括64個神經網絡節點，第四層包括32個神經網絡節點個神經網絡節點；第一層和第二層均丟棄30％的神經網絡節點，第三層丟棄20％的神經網絡節點，第四層不丟棄神經網絡節點。
5、在本專利技術較佳的實施例中，上述輸入全連接神經網絡模型的輸入層的數據類型包括滑動時間窗口形成的向量；全連接神經網絡模型的輸出層的輸出包括預設時間點對應的預測值；全連接神經網絡模型的損失函數為每個預設時間點對應預測值的平均損失。
6、在本專利技術較佳的實施例中，上述出水水質參數預測模型的訓練方式為：將目標監測數據序列通過重疊時間窗口的方式輸入至全連接神經網絡模型中；同時，輸入x個時刻的進水監測數據和過程參數，以供完成出水水質參數預測模型中的訓練；其中，x為重疊時間窗口的大小。
7、在本專利技術較佳的實施例中，上述將目標監測數據序列通過重疊時間窗口的方式輸入至全連接神經網絡模型中，包括：采用重疊時間窗口輸入目標監測數據序列中的進水監測數據和過程參數至全連接神經網絡模型中；重疊時間窗口的重疊量為y；其中，y＜x。
8、在本專利技術較佳的實施例中，上述歷史監測數據包括：進水化學需氧量、氨氮、總氮、總磷、懸浮固體、生化池溶解氧、生化池懸浮固體、生化池曝氣量、跨膜壓差、跨膜流量；進水監測數據包括：進水化學需氧量、氨氮、總氮、總磷、懸浮固體；過程參數包括：生化池溶解氧、生化池懸浮固體、生化池曝氣量、跨膜壓差、跨膜流量；出水水質參數包括：出水化學需氧量、氨氮、總氮、總磷、懸浮固體。
9、第二方面，本專利技術實施例還提供一種基于全連接神經網絡模型的出水水質參數預測裝置，應用于污水處理廠，包括：實時監測數據獲取模塊，用于獲取污水處理廠的實時監測數據；出水水質參數輸出模塊，用于將實時監測數據輸入至預先構建的出水水質參數預測模型中，輸出預設時間點的出水水質參數；其中，預先構建的出水水質參數預測模型為將目標監測數據序列通過重疊時間窗口的方式輸入至預先構建的全連接神經網絡模型中進行訓練后得到；目標監測數據序列為通過預先設置的數據清洗策略對監測數據序列進行清洗處理后得到；監測數據序列包括在預設時間間隔下獲取的多個歷史監測數據。
10、第三方面，本專利技術實施例還提供一種電子設備，包括處理器和存儲器，存儲器存儲有能夠被處理器執行的計算機可執行指令，處理器執行計算機可執行指令以實現上述第一方面的基于全連接神經網絡模型的出水水質參數預測方法。
11、第四方面，本專利技術實施例還提供一種計算機可讀存儲介質，計算機可讀存儲介質存儲有計算機可執行指令，計算機可執行指令在被處理器調用和執行時，計算機可執行指令促使處理器實現上述第一方面的基于全連接神經網絡模型的出水水質參數預測方法。
12、本專利技術實施例帶來了以下有益效果：
13、本專利技術實施例提供了一種基于全連接神經網絡模型的出水水質參數預測方法及裝置，通過獲取污水處理廠的實時監測數據，將實時監測數據輸入至預先構建的出水水質參數預測模型中，輸出預設時間點的出水水質參數。其中，預先構建的出水水質參數預測模型為將目標監測數據序列通過重疊時間窗口的方式輸入至預先構建的全連接神經網絡模型中進行訓練后得到；目標監測數據序列為通過預先設置的數據清洗策略對監測數據序列進行清洗處理后得到；監測數據序列包括在預設時間間隔下獲取的多個歷史監測數據。該方式中，在預測出水水質時，有效利用有限數據資源，并捕捉并分析污水處理過程中時間序列變化特征。
14、本公開的其他特征和優點將在隨后的說明書中闡述，或者，部分特征和優點可以從說明書推知或毫無疑義地確定，或者通過實施本公開的上述技術即可得知。
15、為使本公開的上述目的、特征和優點能更明顯易懂，下文特舉較佳實施例，并配合所附附圖，作詳細說明如下。
本文檔來自技高網...【技術保護點】
1.一種基于全連接神經網絡模型的出水水質參數預測方法，其特征在于，應用于污水處理廠，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述通過預先設置的數據清洗策略對監測數據序列進行清洗處理，包括：
3.根據權利要求1所述的方法，其特征在于，所述全連接神經網絡模型的特征包括四層；
4.根據權利要求3所述的方法，其特征在于，輸入所述全連接神經網絡模型的輸入層的數據類型包括滑動時間窗口形成的向量；所述全連接神經網絡模型的輸出層的輸出包括所述預設時間點對應的預測值；所述全連接神經網絡模型的損失函數為每個所述預設時間點對應預測值的平均損失。
5.根據權利要求1所述的方法，其特征在于，所述出水水質參數預測模型的訓練方式為：
6.根據權利要求5所述的方法，其特征在于，所述將所述目標監測數據序列通過重疊時間窗口的方式輸入至所述全連接神經網絡模型中，包括：
7.根據權利要求1至6任一項所述的方法，其特征在于，歷史監測數據包括：進水化學需氧量、氨氮、總氮、總磷、懸浮固體、生化池溶解氧、生化池懸浮固體、生化池曝氣量、跨膜
8.一種基于全連接神經網絡模型的出水水質參數預測裝置，其特征在于，應用于污水處理廠，所述裝置包括：
9.一種電子設備，其特征在于，包括處理器和存儲器，所述存儲器存儲有能夠被所述處理器執行的計算機可執行指令，所述處理器執行所述計算機可執行指令以實現權利要求1至7任一項所述的基于全連接神經網絡模型的出水水質參數預測方法。
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有計算機可執行指令，所述計算機可執行指令在被處理器調用和執行時，所述計算機可執行指令促使處理器實現權利要求1至7任一項所述的基于全連接神經網絡模型的出水水質參數預測方法。
...【技術特征摘要】
1.一種基于全連接神經網絡模型的出水水質參數預測方法，其特征在于，應用于污水處理廠，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述通過預先設置的數據清洗策略對監測數據序列進行清洗處理，包括：
3.根據權利要求1所述的方法，其特征在于，所述全連接神經網絡模型的特征包括四層；
4.根據權利要求3所述的方法，其特征在于，輸入所述全連接神經網絡模型的輸入層的數據類型包括滑動時間窗口形成的向量；所述全連接神經網絡模型的輸出層的輸出包括所述預設時間點對應的預測值；所述全連接神經網絡模型的損失函數為每個所述預設時間點對應預測值的平均損失。
5.根據權利要求1所述的方法，其特征在于，所述出水水質參數預測模型的訓練方式為：
6.根據權利要求5所述的方法，其特征在于，所述將所述目標監測數據序列通過重疊時間窗口的方式輸入至所述全連接神經網絡...
【專利技術屬性】
技術研發人員：陸東輝，魏俊，姜曉先，袁飛，包建國，張峰，朱亮，
申請(專利權)人：中國電建集團華東勘測設計研究院有限公司，
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。