CN109508811A - 基于主成分分析和长短期记忆网络的污水处理出水参数预测方法 - Google Patents
基于主成分分析和长短期记忆网络的污水处理出水参数预测方法 Download PDFInfo
- Publication number
- CN109508811A CN109508811A CN201811162522.6A CN201811162522A CN109508811A CN 109508811 A CN109508811 A CN 109508811A CN 201811162522 A CN201811162522 A CN 201811162522A CN 109508811 A CN109508811 A CN 109508811A
- Authority
- CN
- China
- Prior art keywords
- data
- principal component
- component analysis
- parameter
- shot
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000010865 sewage Substances 0.000 title claims abstract description 28
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 20
- 230000007787 long-term memory Effects 0.000 title claims abstract description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 3
- 239000010802 sludge Substances 0.000 claims description 13
- 241000196324 Embryophyta Species 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000005842 biochemical reaction Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 2
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 229910052757 nitrogen Inorganic materials 0.000 claims description 2
- 229910052698 phosphorus Inorganic materials 0.000 claims description 2
- 239000011574 phosphorus Substances 0.000 claims description 2
- 238000010992 reflux Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000004062 sedimentation Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 11
- 230000015654 memory Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004065 wastewater treatment Methods 0.000 description 2
- TVZRAEYQIKYCPH-UHFFFAOYSA-N 3-(trimethylsilyl)propane-1-sulfonic acid Chemical compound C[Si](C)(C)CCCS(O)(=O)=O TVZRAEYQIKYCPH-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 238000005189 flocculation Methods 0.000 description 1
- 230000016615 flocculation Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000010842 industrial wastewater Substances 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明公开一种基于主成分分析和长短期记忆网络的污水处理厂出水参数预测方法。包括下述步骤：1)对按时间采集的污水厂的处理参数，进行预处理；2)对预处理后的数据进行主成分分析：对预处理得到的N维数据，计算协方差矩阵，进行特征值分解，按大到小选取前K个特征根(K≤N)，利用这K个特征根对应的特征向量构造投影矩阵，重构出K维数据。3)对主成分分析后计算输出的数据按时间顺序输入至LSTM网络，得到预测的出水参数。
Description
技术领域
本发明涉及采用活性污泥法工艺的污水处理厂出水水质参数的预测方法和实现系统。本发明的预测方法，综合历史数据和实时数据，通过主成分分析对数据特征进行重构，通过长短期记忆网络进行模型训练和最终的预测。根据本发明实现的系统包括数据采集系统和数据预处理、主成分分析、LSTM计算、反馈和调优等软件模块。
背景技术
活性污泥法，是目前城镇污水处理过程中普遍使用的一类工艺，同时也广泛应用于工业废水处理。该法是在人工充氧条件下，对污水和各种微生物群体进行连续混合培养，形成活性污泥。利用活性污泥的生物凝聚、吸附和氧化作用，以分解去除污水中的有机污染物。受水质和环境影响，基于活性污泥法的污水处理过程具有很多不确定性等因素，对污水处理厂出水水质的稳定达标带来了挑战。基于生化反应、能量平衡、流体动力学确定的数学模型进行计算仿真的方法，实际运用中存在假设条件难以满足、综合运行成本高等困难。
发明内容
为克服上述缺陷，本发明的目的是为污水处理厂提供一种对出水的水质指标参数进行预测的方法，根据对出水指标的预测，来调整活性污泥生化反应的工艺参数。
为达到上述目的，本发明基于主成分分析和长短期记忆网络的污水处理厂出水参数预测方法，包括下述步骤：
1)对按时间采集的污水厂的处理参数，进行预处理；
2)对预处理后的数据进行主成分分析：对预处理得到的N维数据，计算协方差矩阵，进行特征值分解，按大到小选取前K个特征根(K≤N)，利用这K个特征根对应的特征向量构造投影矩阵，重构出K维数据
3)对主成分分析后计算输出的数据按时间顺序输入至LSTM网络，得到预测的出水参数。
较佳的，其中LSTM网络是根据历史数据建模得到的：步骤为：
1)把要预测的出水参数作为模型的输出目标；
2)把历史数据拆分为训练集和测试集，用于LSTM模型的训练和验证；
3)配置模型的损失函数、优化器和dropout函数；其中，损失函数采用均方误差(MSE)，计算公式为其中，下标pred代表预测值和true代表测量值；优化器采用随机梯度下降法；Dropout数值的取值范围在10％到25％之间；
4)把预测得到的结果和实际测量的结果进行比对，误差用于对LSTM模型的参数优化。
较佳的，所述的污水厂的处理参数包括：在污水处理厂的进水口、生化反应池入口、生化反应池出口、沉淀池出口和/或出水排放口处，采集水质、水量、环境和/或工艺数据，包括但不限于各采集点的水量、COD、氨氮、硝氮、PH、SS、总氮、总磷、水温、溶解氧浓度、污泥浓度、污泥回流量、污泥排放量，总共为N类数据；
把采集到的数据按照采样时间先后构成时间序列，每个时间的数据，为1个N维向量。
较佳的，所述的预处理的方法包括：
1)剔除数据中的异常值；
2)用拉格朗日插值法填补缺失数据；
3)对数据进行归一化：对于近似高斯分布(均值为μ，标准差为σ)的原始数据x，归一化算法为：否则，采用的归一化算法为：
本发明的优点在于：本方法和系统可以帮助克服污水处理中出水水质稳定性差，调节滞后的困难。基于根据历史数据进行机器学习得到的模型，在实际生产中，根据进水的水质变化、水量变化和环境变化，预测出水的水质。而且，生产过程中的新数据和预测偏差可以被反馈利用，用于对模型的进一步优化。本系统如果结合决策支持系统，可以在确保水质达标的情况下，智能地对污水处理工艺提供优化建议，从而降低成本，提高效率。
附图说明
图1是LSTM网络记忆块的内部结构图。
图2用于说明本方法中出水参数预测的建模过程。
图3是本预测系统实际运行的软件流程框图。
具体实施方式
下面结合附图对污水处理后出水参数的预测过程进行进一步详细的说明。
本发明旨在通过对历史数据进行机器学习，建立污水出水水质预测模型，根据预测去调整活性污泥生化反应的环境参数，则是提高污水处理厂出水稳定度的一种新方法。
主成分分析(PCA)是一种统计方法，通过正交变换将一组存在相关性的变向量转换为一组线性不相关的变向量，转换后的这组变向量保留了原始变向量的主要特征，其维度小于原始变向量。
长短时记忆网络(LSTM)是一种新型的人工神经网络，属于深度学习的范畴。它具有一般神经网络算法不具备的保存历史信息的能力，在时间序列的预测上表现出明显的优势，可以借助当前值和历史数据更好地预测时间序列。在LSTM结构中，包括输入门it、遗忘门ft、输出门ot，以及一个记忆单元，其内部结构如图1所示。
输入门控制新信息的输入，计算公式为：it＝sigmoid(Wxixt+Whiht-1+bi)
遗忘门控制历史信息的遗忘，计算公式为：ft＝sigmoid(Wxfxt+Whfht-1+bf)
输出门的计算公式为：ot＝sigmoid(Wxoxt+Whoht-1+bo)
记忆单元在t时刻的状态为：ct＝ft·ct-1+it·tanh(Wxcxt+Whcht-1+bc)
隐藏层的函数为：ht＝ot·tanh(ct)
其中，Wxi是隐藏层到输入门的权值矩阵，Wxf是隐藏层到遗忘门的权值矩阵，Wxo是隐藏层到输出门的权值矩阵，bi、bf和bo分别是输入门、遗忘门、输出门的偏差向量，ct用于表示记忆单位在t时刻的状态，函数函数
预测的关键在于通过机器学习建立预测模型。下面结合附图2对建模过程展开说明：
S1.对所有的时序数据进行预处理，包括去除由于设备原因导致的异常数据，采用拉格朗日法对缺失数据进行插值，对数据进行归一化和标准化。
S2.对预处理后的数据进行主成分分析，完成特征重构并降维。
S3.把降维后的样本数据划分为训练集和测试集。
S4.把训练集里的时序数据喂送给LSTM网络。
S5.计算出LSTM网络各隐层的输出、输出层的输出。
S6.计算误差函数。
S7.调节LSTM网络各层之间的连接权值。
S8.重复S4到S7的步骤，直到完成训练集所有样本的学习。
S9.把测试集里的时序数据喂送给训练后的LSTM网络。
S10.计算LSTM网络输出层的输出。
S11.计算误差函数。
S12.重复S9到S11的步骤，直到用完测试集里的所有样本。
S13.对拟合效果进行评价
S14.如果不接受模型的拟合效果，则考虑采用扩大样本空间、改进样本的平衡性、调整LSTM内在参数等手段，去重复S1到S13的过程。
S15.如果接受模型的拟合效果，则完成建模过程。
根据上述预测方法，通过计算机软件编程，实现本发明声明的污水处理出水参数预测系统。部署的数据采集系统主要包括在线检测仪表或传感器(比如COD检测仪、氨氮检测仪、溶解氧检测仪、水温传感器、等等)和网络接入与传输设备。结合附图3对该系统的工作方式进行说明。从污水处理厂采集到的各类实时数据，首先进入预处理模块，实现数据的异常值处理、缺失值处理、归一化和标准化。然后，数据进入PCA模块，特征变换并降维。接着，送入LSTM模块，输出出水参数的预测结果。最后，预测的结果会和实际测量得到的出水参数进行比对，用于决策是否对LSTM模块的内在参数展开优化。
Claims (4)
1.一种基于主成分分析和长短期记忆网络的污水处理厂出水参数预测方法，其特征在于，包括下述步骤：
1)对按时间采集的污水厂的处理参数，进行预处理；
2)对预处理后的数据进行主成分分析：对预处理得到的N维数据，计算协方差矩阵，进行特征值分解，按大到小选取前K个特征根(K≤N)，利用这K个特征根对应的特征向量构造投影矩阵，重构出K维数据
3)对主成分分析后计算输出的数据按时间顺序输入至LSTM网络，得到预测的出水参数。
2.如权利要求1所述的基于主成分分析和长短期记忆网络的污水处理厂出水参数预测方法，其特征在于，其中LSTM网络是根据历史数据建模得到的：步骤为：
1)把要预测的出水参数作为模型的输出目标；
2)把历史数据拆分为训练集和测试集，用于LSTM模型的训练和验证；
3)配置模型的损失函数、优化器和dropout函数；其中，损失函数采用均方误差(MSE)，计算公式为其中，下标pred代表预测值和true代表测量值；优化器采用随机梯度下降法；Dropout数值的取值范围在10％到25％之间；
4)把预测得到的结果和实际测量的结果进行比对，误差用于对LSTM模型的参数优化。
3.如权利要求1所述的基于主成分分析和长短期记忆网络的污水处理厂出水参数预测方法，其特征在于，所述的污水厂的处理参数包括：在污水处理厂的进水口、生化反应池入口、生化反应池出口、沉淀池出口和/或出水排放口处，采集水质、水量、环境和/或工艺数据，包括但不限于各采集点的水量、COD、氨氮、硝氮、PH、SS、总氮、总磷、水温、溶解氧浓度、污泥浓度、污泥回流量、污泥排放量，总共为N类数据；
把采集到的数据按照采样时间先后构成时间序列，每个时间的数据，为1个N维向量。
4.如权利要求1所述的基于主成分分析和长短期记忆网络的污水处理厂出水参数预测方法，其特征在于，所述的预处理的方法包括：
1)剔除数据中的异常值；
2)用拉格朗日插值法填补缺失数据；
3)对数据进行归一化：对于近似高斯分布(均值为μ，标准差为σ)的原始数据x，归一化算法为：否则，采用的归一化算法为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811162522.6A CN109508811A (zh) | 2018-09-30 | 2018-09-30 | 基于主成分分析和长短期记忆网络的污水处理出水参数预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811162522.6A CN109508811A (zh) | 2018-09-30 | 2018-09-30 | 基于主成分分析和长短期记忆网络的污水处理出水参数预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109508811A true CN109508811A (zh) | 2019-03-22 |
Family
ID=65746308
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811162522.6A Pending CN109508811A (zh) | 2018-09-30 | 2018-09-30 | 基于主成分分析和长短期记忆网络的污水处理出水参数预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109508811A (zh) |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110188919A (zh) * | 2019-04-22 | 2019-08-30 | 武汉大学 | 一种基于长短期记忆网络的负荷预测方法 |
| CN110188946A (zh) * | 2019-05-29 | 2019-08-30 | 剑科云智(深圳)科技有限公司 | 一种污水参数的预测方法及污水预测系统 |
| CN110210054A (zh) * | 2019-04-25 | 2019-09-06 | 中国电力科学研究院有限公司 | 一种采样数据预处理方法 |
| CN110308254A (zh) * | 2019-04-22 | 2019-10-08 | 江南大学 | 低溶解氧的精准监测方法 |
| CN110647560A (zh) * | 2019-09-25 | 2020-01-03 | 山西三合盛智慧科技股份有限公司 | 一种机理与类脑智能结合的电厂入炉煤质在线软测量方法 |
| CN110824914A (zh) * | 2019-09-30 | 2020-02-21 | 华南师范大学 | 一种基于pca-lstm网络的废水处理智能监控方法 |
| CN111027776A (zh) * | 2019-12-13 | 2020-04-17 | 北京华展汇元信息技术有限公司 | 一种基于改进型长短期记忆lstm神经网络的污水处理水质预测方法 |
| CN111652445A (zh) * | 2020-06-11 | 2020-09-11 | 广东科创工程技术有限公司 | 基于高斯分布的污水设备优化运行控制方法 |
| CN111652425A (zh) * | 2020-05-29 | 2020-09-11 | 重庆工商大学 | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 |
| CN112200350A (zh) * | 2020-09-17 | 2021-01-08 | 广东安博通信息科技有限公司 | 烟气排放预测方法、系统及计算机可读存储介质 |
| CN112633584A (zh) * | 2020-12-29 | 2021-04-09 | 中国地质大学（武汉） | 基于改进的LSTM-seq2seq模型的河流突发水污染事故水质预测方法 |
| CN112990567A (zh) * | 2021-03-10 | 2021-06-18 | 中国矿业大学(北京) | 建立煤层含气量预测模型的方法、装置、终端与存储介质 |
| CN113033618A (zh) * | 2021-03-03 | 2021-06-25 | 四川大学 | 基于支持向量回归的分层水库取水下泄水温预测模型及预测方法 |
| CN113033917A (zh) * | 2021-04-19 | 2021-06-25 | 重庆工商大学 | 一种基于外围数据的污水处理厂预测规划运行管理方法 |
| CN113139743A (zh) * | 2021-05-12 | 2021-07-20 | 平安国际智慧城市科技股份有限公司 | 污水排放指标分析方法、装置、电子设备及存储介质 |
| CN113608477A (zh) * | 2021-08-06 | 2021-11-05 | 张佳 | 一种一体化污水管控平台 |
| CN113867233A (zh) * | 2021-11-03 | 2021-12-31 | 龙游县河道疏浚砂资源开发有限公司 | 一种基于中试研究的颗粒污泥处理的控制方法及系统 |
| CN114578011A (zh) * | 2022-03-07 | 2022-06-03 | 上海蓝长科技集团有限公司 | 一种基于多传感器多源数据融合的水质监测方法 |
| CN114671523A (zh) * | 2021-12-31 | 2022-06-28 | 广东长天思源环保科技股份有限公司 | 一种基于预测控制的污水处理节能方法 |
| CN116050475A (zh) * | 2022-12-30 | 2023-05-02 | 中国环境科学研究院 | 关键污染物浓度预测模型的训练方法、装置和计算机设备 |
| CN117491793A (zh) * | 2023-12-29 | 2024-02-02 | 国网浙江省电力有限公司电力科学研究院 | 一种氢电耦合系统综合性能测试方法、装置及介质 |
| CN117491793B (zh) * | 2023-12-29 | 2024-05-10 | 国网浙江省电力有限公司电力科学研究院 | 一种氢电耦合系统综合性能测试方法、装置及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103809436A (zh) * | 2012-11-06 | 2014-05-21 | 西安元朔科技有限公司 | 活性污泥法污水处理过程智能建模方法 |
| CN106952161A (zh) * | 2017-03-31 | 2017-07-14 | 洪志令 | 一种基于长短期记忆深度学习网络的股票近期走势预测方法 |
| CN107169035A (zh) * | 2017-04-19 | 2017-09-15 | 华南理工大学 | 一种混合长短期记忆网络和卷积神经网络的文本分类方法 |
| CN107844865A (zh) * | 2017-11-20 | 2018-03-27 | 天津科技大学 | 基于特征参数选取与lstm模型的股指预测方法 |
| CN108562811A (zh) * | 2018-03-12 | 2018-09-21 | 西安理工大学 | 基于双向长短期记忆的复杂电能质量扰动分析方法 |
-
2018
- 2018-09-30 CN CN201811162522.6A patent/CN109508811A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103809436A (zh) * | 2012-11-06 | 2014-05-21 | 西安元朔科技有限公司 | 活性污泥法污水处理过程智能建模方法 |
| CN106952161A (zh) * | 2017-03-31 | 2017-07-14 | 洪志令 | 一种基于长短期记忆深度学习网络的股票近期走势预测方法 |
| CN107169035A (zh) * | 2017-04-19 | 2017-09-15 | 华南理工大学 | 一种混合长短期记忆网络和卷积神经网络的文本分类方法 |
| CN107844865A (zh) * | 2017-11-20 | 2018-03-27 | 天津科技大学 | 基于特征参数选取与lstm模型的股指预测方法 |
| CN108562811A (zh) * | 2018-03-12 | 2018-09-21 | 西安理工大学 | 基于双向长短期记忆的复杂电能质量扰动分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| JIAN ZHOU ET AL.: "Water Quality Prediction Method Based on IGRA and LSTM", 《WATER 2018》 * |
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110308254A (zh) * | 2019-04-22 | 2019-10-08 | 江南大学 | 低溶解氧的精准监测方法 |
| CN110188919A (zh) * | 2019-04-22 | 2019-08-30 | 武汉大学 | 一种基于长短期记忆网络的负荷预测方法 |
| CN110210054A (zh) * | 2019-04-25 | 2019-09-06 | 中国电力科学研究院有限公司 | 一种采样数据预处理方法 |
| CN110188946B (zh) * | 2019-05-29 | 2021-07-20 | 剑科云智(深圳)科技有限公司 | 一种污水参数的预测方法及污水预测系统 |
| CN110188946A (zh) * | 2019-05-29 | 2019-08-30 | 剑科云智(深圳)科技有限公司 | 一种污水参数的预测方法及污水预测系统 |
| CN110647560A (zh) * | 2019-09-25 | 2020-01-03 | 山西三合盛智慧科技股份有限公司 | 一种机理与类脑智能结合的电厂入炉煤质在线软测量方法 |
| CN110647560B (zh) * | 2019-09-25 | 2022-05-03 | 山西三合盛智慧科技股份有限公司 | 一种机理与类脑智能结合的电厂入炉煤质在线软测量方法 |
| CN110824914A (zh) * | 2019-09-30 | 2020-02-21 | 华南师范大学 | 一种基于pca-lstm网络的废水处理智能监控方法 |
| CN110824914B (zh) * | 2019-09-30 | 2022-07-12 | 华南师范大学 | 一种基于pca-lstm网络的废水处理智能监控方法 |
| CN111027776A (zh) * | 2019-12-13 | 2020-04-17 | 北京华展汇元信息技术有限公司 | 一种基于改进型长短期记忆lstm神经网络的污水处理水质预测方法 |
| CN111652425A (zh) * | 2020-05-29 | 2020-09-11 | 重庆工商大学 | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 |
| CN111652425B (zh) * | 2020-05-29 | 2024-03-22 | 重庆工商大学 | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 |
| CN111652445A (zh) * | 2020-06-11 | 2020-09-11 | 广东科创工程技术有限公司 | 基于高斯分布的污水设备优化运行控制方法 |
| CN111652445B (zh) * | 2020-06-11 | 2024-03-22 | 广东科创智水科技有限公司 | 基于高斯分布的污水设备优化运行控制方法 |
| CN112200350A (zh) * | 2020-09-17 | 2021-01-08 | 广东安博通信息科技有限公司 | 烟气排放预测方法、系统及计算机可读存储介质 |
| CN112633584A (zh) * | 2020-12-29 | 2021-04-09 | 中国地质大学（武汉） | 基于改进的LSTM-seq2seq模型的河流突发水污染事故水质预测方法 |
| CN112633584B (zh) * | 2020-12-29 | 2022-06-21 | 中国地质大学（武汉） | 基于改进的LSTM-seq2seq模型的河流突发水污染事故水质预测方法 |
| CN113033618A (zh) * | 2021-03-03 | 2021-06-25 | 四川大学 | 基于支持向量回归的分层水库取水下泄水温预测模型及预测方法 |
| CN113033618B (zh) * | 2021-03-03 | 2022-03-15 | 四川大学 | 基于支持向量回归的分层水库取水下泄水温预测模型及预测方法 |
| CN112990567A (zh) * | 2021-03-10 | 2021-06-18 | 中国矿业大学(北京) | 建立煤层含气量预测模型的方法、装置、终端与存储介质 |
| CN113033917A (zh) * | 2021-04-19 | 2021-06-25 | 重庆工商大学 | 一种基于外围数据的污水处理厂预测规划运行管理方法 |
| CN113033917B (zh) * | 2021-04-19 | 2022-04-12 | 重庆工商大学 | 一种基于外围数据的污水处理厂预测规划运行管理方法 |
| CN113139743A (zh) * | 2021-05-12 | 2021-07-20 | 平安国际智慧城市科技股份有限公司 | 污水排放指标分析方法、装置、电子设备及存储介质 |
| CN113608477A (zh) * | 2021-08-06 | 2021-11-05 | 张佳 | 一种一体化污水管控平台 |
| CN113867233A (zh) * | 2021-11-03 | 2021-12-31 | 龙游县河道疏浚砂资源开发有限公司 | 一种基于中试研究的颗粒污泥处理的控制方法及系统 |
| CN113867233B (zh) * | 2021-11-03 | 2022-06-03 | 龙游县河道疏浚砂资源开发有限公司 | 一种基于中试研究的颗粒污泥处理的控制方法及系统 |
| CN114671523A (zh) * | 2021-12-31 | 2022-06-28 | 广东长天思源环保科技股份有限公司 | 一种基于预测控制的污水处理节能方法 |
| CN114578011A (zh) * | 2022-03-07 | 2022-06-03 | 上海蓝长科技集团有限公司 | 一种基于多传感器多源数据融合的水质监测方法 |
| CN116050475A (zh) * | 2022-12-30 | 2023-05-02 | 中国环境科学研究院 | 关键污染物浓度预测模型的训练方法、装置和计算机设备 |
| CN117491793A (zh) * | 2023-12-29 | 2024-02-02 | 国网浙江省电力有限公司电力科学研究院 | 一种氢电耦合系统综合性能测试方法、装置及介质 |
| CN117491793B (zh) * | 2023-12-29 | 2024-05-10 | 国网浙江省电力有限公司电力科学研究院 | 一种氢电耦合系统综合性能测试方法、装置及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109508811A (zh) | 基于主成分分析和长短期记忆网络的污水处理出水参数预测方法 | |
| CN107358021B (zh) | 一种基于优化bp神经网络的do预测模型建立方法 | |
| Han et al. | A soft computing method to predict sludge volume index based on a recurrent self-organizing neural network | |
| CN113837356B (zh) | 基于融合神经网络的污水处理智能预测方法 | |
| Pisa et al. | LSTM-based wastewater treatment plants operation strategies for effluent quality improvement | |
| CN110320335B (zh) | 一种关于污水处理出水水质指标的多元鲁棒软测量方法 | |
| Han et al. | Hierarchical neural network modeling approach to predict sludge volume index of wastewater treatment process | |
| CN111354423A (zh) | 一种基于多元时间序列分析的自组织递归模糊神经网络的出水氨氮浓度预测方法 | |
| CN113837364B (zh) | 基于残差网络和注意力机制的污水处理软测量方法及系统 | |
| Liu et al. | Algal bloom forecasting with time-frequency analysis: A hybrid deep learning approach | |
| CN109492265A (zh) | 基于高斯过程回归的动态非线性pls软测量建模方法 | |
| CN114944203A (zh) | 基于自动寻优算法与深度学习的废水处理监控方法及系统 | |
| Li et al. | Learning adaptive semi-supervised multi-output soft-sensors with co-training of heterogeneous models | |
| Alvi et al. | Cost effective soft sensing for wastewater treatment facilities | |
| Hrnjica et al. | Application of deep learning neural networks for nitrate prediction in the Klokot River, Bosnia and Herzegovina | |
| Li et al. | A semi-supervised soft-sensor of just-in-time learning with structure entropy clustering and applications for industrial processes monitoring | |
| CN106706491A (zh) | 膜生物反应器‑mbr出水透水率的智能检测方法 | |
| CN201330211Y (zh) | 污水处理厂运行参数自寻优模拟系统 | |
| CN111204867B (zh) | 膜生物反应器-mbr膜污染智能决策方法 | |
| CN112836859A (zh) | 一种河口区污染物监测数据的智能融合与分析方法 | |
| CN109033524A (zh) | 一种基于鲁棒混合模型的化工过程浓度变量在线估计方法 | |
| CN117170221A (zh) | 一种污水处理的人工智能控制系统 | |
| Chang et al. | Soft measurement of effluent index in sewage treatment process based on overcomplete broad learning system | |
| Xie et al. | An accuracy model for on-line prediction of effluent ammonia nitrogen in anammox treatment system based on pca-bp algorithm | |
| CN113780356B (zh) | 基于集成学习模型的水质预测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190322 |
|
| RJ01 | Rejection of invention patent application after publication |