申请日2018.04.25
公开(公告)日2018.09.21
IPC分类号G01N33/18; G06N3/08
摘要
本发明公开了一种基于卷积自编器极限学习机的污水处理系统监测预警方法，所述方法包括：数据预处理单元，用于从污水处理厂得到的相关水质因子数据进行降噪、剔除异常值、平滑以及标准化处理;学习单元，用于根据预处理后的数据，建立卷积自编器极限学习机模型，进行学习;结果输出单元，用于利用卷积自编器极限学习机模型，得到污水处理厂出口水质预测值;预警决策单元，用于根据出口水质的预测值，确定预警状态水平，及时反馈，并给出是否需要进行工艺改进，参数调节，药品用量的增减等相应处理决策。本发明通过对污水处理系统出水水质情况的预测与预警，以便各监测人员及时了解污水处理系统的运行状态，实现动态管理，提高处理效率。
权利要求书
1.一种基于卷积自编器极限学习机的污水处理系统监测预警方法，其特征在于，该方法包括：
(1)对污水处理系统收集到数据，进行数据预处理;
(2)经过预处理后的数据输入卷积自编器极限学习机进行学习;
(3)利用卷积自编器极限学习机预测出污水处理系统出水水质;
(4)根据出口水质的预测值，确定警级状态，及时反馈，并给出是否需要进行前一阶段的工艺改进，参数调剂，药品用量的增减等相应处理决策。
2.根据权利要求1所述的方法，其特征在于，所述污水处理系统收集到的数据包括：进水生物需氧量(BOD)，化学需氧量(COD)，氨氮(NH3-N)，总氮(TN)，总磷(TP)，悬浮物(SS)以及出水COD;数据预处理包括降噪、剔除异常值、平滑以及标准化处理。
3.根据权利要求1所述的方法，其特征在于，所述卷积自编器极限学习机进行学习的具体步骤如下：
(1)对输入样本数据做卷积计算，得到相应的卷积矩阵;
(2)将得到卷积矩阵，利用卷积自编器，自动编码输出，得到卷积自动编码器第一层输出;
(3)将第一层的输出作为第二层的输入，重复步骤(1)和(2)，得到第二层的输出;
(4)重复步骤(3)，将上一层的输出作为下一层的输入进行学习，直到最后一层，得到第n层的输出，最终得到n个卷积自动编码器堆栈;
(5)将n层的输出作为极限学习机的输入，极限学习机的输出作为学习的结果。
4.根据权利要求1所述的方法，其特征在于：利用卷机自编器极限学习机得出出水水质预测结果的具体方法为：
将新收集到污水处理厂水质因子数据输入卷积自编器极限学习机，卷积自编器极限学习机的输出即为预测结果。
5.根据权利要求1所述的方法，其特征在于：经过卷积自编器极限学习机得到出水质预测结果，根据预测结果进行预警决策，其方法包括：
(1)预警状态水平确定模块;
(2)污水处理系统检验模块。
6.根据权利要求3所述的方法，其特征在于：经卷积自编器n层的输出作为极限学习机的输入，本发明选择增量型极限学习机，学习过程方法如下：
(1)设最大隐层节点个数为M，隐层节点个数L从1开始增加，当L<M且误差大于期望误差时：L=L+1;
(2)随机获取当前隐层神经元的权值和阈值;
(3)计算当前神经元激励函数的输x;
(4)计算当前隐层输出;
(5)然后计算该隐层神经元的输出权值。
7.根据权利要求5所述的方法，其特征在于：预警状态水平确定模块，具体方法为：
(1)若出水COD(预测或监测)低于60mg/L，此时的预警状态为正常，及确定当前不需要进行水质预警;
(2)若出水COD(预测或监测)介于于60-80mg/L，此时的预警状态为一般;
(3)若出水COD(预测或监测)介于80-100mg/L，此时的预警状态为不正常;
(4)若出水COD(预测或监测)大于100mg/L，此时的预警状态为极不正常。
8.根据权利要求5所述的方法，其特征在于：对于预测状态为不正常或是极不正常，将对污水处理系统进行以下检验具体为：
(1)检验进水水质是否发生变化;
(2)检验水温是否发生变化;
(3)检验污泥状态，并做镜检做下观察;
(4)检验是否排泥过多;
(5)检验曝气量是否发生变化。
说明书
一种基于卷积自编码器极限学习机的污水处理系统水质监测预警方法
技术领域
本发明涉及一种基于卷积自编器极限学习机的污水处理系统监测预警方法，具体地说是基于卷积自编码器极限学习机的污水处理系统水质预警方法。
背景技术
随着我国环境管理力度的日益增强，对污水处理系统出水水质的要求也日趋严格，如何在满足国家相关标准的前提下合理降低工艺运行成本，成为污水处理系统即将面临的新课题。
水质变化因受诸多因素影响而造成显著的时空变异性，使得该问题既有时延性、结构关联性、不确定性、非线性等特征又表现出一定的趋势性。预测水质的变化趋势，可以清楚的了解水质状况并进行预警，为处理工艺自控系统提供参考依据，对污水处理系统在确保净化效率的前提下以较低的成本稳定运行具有积极而重要的作用。
传统的回归和时间序列模型通常基于一些数学理论和假设，通过演绎推理建立的数学模型很难充分揭示动态数据的本质、内在结构和复杂的特征。近年来，机器学习以及深度学习被广泛应用于非线性时间序列，取得了良好的预测效果。这主要取决于它的泛化性能好、计算难度低、学习熟读快，具有普遍的适应能力。在水质预测分析中，机器学习以及深度学习也逐渐成为众多学者们的用于分析研究的焦点。本发明结合机器学习以及深度学习对污水处理系统出水水质进行预测，可提高测量的精度，实现污水处理系统出水水质的快速高精度预测，为污水处理厂出水水质在线预测预警提供一种可行方法。
发明内容
本发明利用污水处理系统所提供的水质因子数据,建立一种确定污染源排放监测预警阈值的方法,并以此为基础构建了监测预警体系,以便各监测人员及时了解污水处理系统的运行状态，实现动态管理，提高处理效率。
本发明通过污水处理系统提供水质指标数据，对该数据进行数据预处理后取其卷积，得到卷积矩阵，再将所得到卷积矩阵输入卷积自编码器和极限学习机进行训练，最终得到预测结果，其特征在于如下步骤：
(1)数据预处理单元，用于从污水处理得到的相关水质因子包括：进水BOD，COD，NH3-N，TN，TP，SS以及出水COD，进行数据的预处理——降噪、剔除异常值、平滑以及标准化处理;
(2)经过预处理后的数据输入卷积自编器极限学习机学习;
(3)利用卷积自编器极限学习机预测出污水处理厂出水水质;
(4)根据出口水质的预测值，确定警级状态水平，及时反馈，并给出是否需要进行工艺改进，参数调剂，药品用量的增减等相应决策。
本发明针对污水处理系统过程出水水质的预测预警问题，能及时发现污水处理工艺中所存在的问题，基于卷积自编码器极限学习机获得污水处理系统出水水质的预测方法，实现了污水处理过程中出水水质在线、快速、精确预警。
特别要注意：本发明只是为了描述方便，采用的是对污水处理过程中出水COD的预测，同样该发明可使用于污水处理过程中其他关键水质指标的预测，只要采用了本发明的原理进行预测应该属于本发明的范围。
