CN111553468B - 一种准确预测污水处理厂出水水质的方法 - Google Patents

Abstract

本发明公开了一种准确预测污水处理厂出水水质的方法，具体包括构建污水处理厂在线监控系统，处理在线监控系统记录的历史数据，利用处理后的数据构建并优化出水水质预测模型，再利用在线监控系统得到的实时数据和出水水质预测模型，准确预测一段时间后污水处理厂的出水水质参数。本发明采用了类似于时间卷积网络(TCN)结构的卷积神经网络(CNN)模型，实现了对污水处理过程强非线性模拟，有效提升出水水质预测的精度及稳定性，为污水厂实现智能化和智慧化奠定了理论基础。

Description

一种准确预测污水处理厂出水水质的方法

技术领域

本发明属于水处理技术领域，具体是涉及一种准确预测污水处理厂出水水质的方法。

背景技术

目前，我国城市都存在不同程度的水体污染状况，若这些污水不能得到及时、有效的处理，将会滋生细菌病毒，影响人们身体健康，同时也会对大气、土壤和地下水造成污染，严重影响人们生活质量。因而，污水处理厂出水水质预测成为环境治理领域的一个研究热点。

针对污水处理厂出水水质预测模型主要包括机理模型和数据驱动模型，但这些模型也存在结构复杂、未知参数过多以及不能动态反应操作参数和出水目标之间的关系等问题，使其实际应用受限。

为此，本发明从污水处理的工艺原理和机器模型运行原理出发，开发出一种新型准确预测污水处理厂出水水质的方法。

发明内容

针对以上问题，本发明从污水处理的工艺原理和机器模型运行原理出发，开发出一种新型准确预测污水处理厂出水水质的方法，主要思路如下：

在污水处理过程中，每一时刻的进水会与反应器中原有污水进行混合，而每一时刻的出水水质，也是取决于该时刻之前的一系列处理过程的复合作用，即所有的污水处理工艺都是时间上的耦合过程。因此，若要对污水处理工艺进行建模拟合，该模型的输入应当是一段连续时间内的进水水质和水厂运行参数组成的数据块。以参数编号为横轴，时间顺序为纵轴，可以将模型的输入排列成矩阵形式。若是将矩阵中每一个元素视为一个像素点，则整个样本输入具有图像的某种特征，而卷积神经网络(CNN)因其局部连接和权值共享等特性，使得其对平移、扭曲和缩放等操作具有一定程度的不变性且有较高的容错能力，成为了图像处理中性能最优的神经网络结构。

为了达到以上目的，本发明设计了一种准确预测污水处理厂出水水质的方法，具体的技术方案如下：

一种准确预测污水处理厂出水水质的方法，具体包括构建污水处理厂在线监控系统，处理在线监控系统记录的历史数据，利用处理后的数据构建并优化出水水质预测模型，再利用在线监控系统得到的实时数据和出水水质预测模型，准确预测一段时间后污水处理厂的出水水质参数。

具体的，所述一种准确预测污水处理厂出水水质的方法包括以下步骤：

S1、构建污水处理厂在线监控系统，具体包括确定监控指标，设置监控仪表，搭建数据库平台；

S2、数据处理：对数据库中的数据进行处理，具体包括数据表的连接，空值填充，异常数据剔除，数据标准化处理，输入输出数据序列的连接与对应等过程；

S3、构建和训练卷积神经网络(CNN)出水水质预测模型，具体包括确定模型结构，选取模型损失函数，模型超参数配置，模型训练，模型评估过程，最终得到适用于该污水处理厂的出水水质预测模型；

S4、出水水质预测效果评估：得到CNN出水水质预测模型后，假定污水处理厂污水在池中停留时间为nT，在t-mT时刻需要预测mT(mT<nT)时间后水厂的出水水质；将(t-mT)～t时间段的所有辅助变量用[t-(m+1)T]时刻的数据替换，构造(t-nT)～t时间段的样本输入，计算出t时刻的预测出水水质参数；将t时间点的预测结果和实际测定值比较，对模型出水预测效果进行评估。

进一步地，所述步骤S1的具体实施步骤如下：

S11、确定监控指标：根据污水处理厂运行工艺和出水标准，确定需要预测水质的指标，进一步判断对需要预测的指标有影响的水厂运行参数；

S12、设置监控仪表：根据S11确定所需监控变量，结合污水处理厂的运行工艺，确定需要放置监控仪表的位点，并安装监控仪表；

S13、搭建数据库平台：在水厂设置服务器，搭建数据库系统，将监控仪表的数据按照设定的时间间隔通过PLC等方式按照一定的结构将数据来源，数据的监测因子，采样时间，具体数值等信息上传入数据库。

进一步地，所述步骤S12中：

所述需要放置监控仪表的位点包括但不限于：进水泵房、出水排口、好氧池、厌氧池和序批池等污水处理过程中需要获取必要数据或发生关键反应的区域；

所述监控仪表包括但不限于：流量计、COD测定仪、氨氮测定仪、总磷测定仪、总氮测定仪、pH计、DO测定仪、ORP测定仪、污泥浓度测定仪等水质测定仪表和污水处理厂运行状态监控仪表。

进一步地，所述步骤S2数据处理的具体内容如下：

S21、数据表的连接：将数据的时间戳进行匹配。对于大量的监测数据，每个仪表上传的数据时间戳有一定的区别，依据时间戳使用默认精确匹配函数(VLOOKUP)等函数来连接；

S22、空值填充：对单点空值的数据，采用前后均值填充；

S23、异常数据剔除：利用孤立森林等算法对异常数据进行判断，然后，利用前后均值进行替换；

S24、数据标准化处理：字段值＝(字段值-该字段最小值)/(该字段最大值-该字段最小值)，根据具体模型的收敛速率和模型效果选择是否进行标准化；

S25、输入输出数据序列的连接与对应：假设污水在池中停留时间为nT，污水出水时刻为t，取样时间间隔为T，则对于每个时间点的样本S^t的输入与输出的对应关系如下：

Y^t＝f(X^t)

其中，Y^t代表模型的输出，X^t代表模型的输入，f代表模型的对应关系。具体的，Y^t为t时刻出水水质指标组成的一维矩阵，表达如下：

/>

其中，其中Y^t表示样本S^t的输出矩阵，y^t _i表示t时刻第i个目标变量的值。

具体的，X^t为(t-nT)～t时间段内辅助变量的时间序列矩阵，表达如下：

其中，X^t表示样本S^t的输入，

表示t时刻第i个辅助变量的值。

进一步地，所述步骤S3所述确定模型结构中模型结构由卷积模块后再串接全连接层组成，其中卷积模块由多个卷积层、批标准化层和池化层组成，具体方法如下：

首先，用一个一维卷积层对输入的数据进行接收和处理，捕获输入的特征并提取有用的信息。具体的，该层接收的输入数据结构为[n,d_in]形状的一个矩阵，其中n代表输入的矩阵的行数，d_in代表输入矩阵的列数。然后用c个[ks,d_in]形状的卷积核对输入矩阵进行一维卷积，其中，ks代表卷积核大小。输出结果为c个形状为[n′,1]的特征面，将特征面排列为形状为[n′,c]的矩阵。

然后，将该矩阵输入到批量标准化层中，批标准化层会将数据沿着样本尺度进行标准化，批标准化能够有效提升模型性能。

因为污水处理是一个时序过程，所以本发明采用了类似于时间卷积网络(TCN)的结构，连续设置了多个交替的卷积层和批标准化层，以扩大深层卷积核的感受野。

在经过多次一维卷积和批标准后，在池化层中使用形状为[pks,c]的一维池化核对分别对批标准化层的输出的形状为[n′,c]的矩阵进行最大池化，求出池化核区域每列的最大值，输出一个形状为[n″,c]的矩阵。

最后，将该矩阵输入全框架一维卷积层中，即用c个和矩阵同样大的卷积核进行卷积，输出一个形状为[1,c]的矩阵。

综上，卷积模块的计算操作表达如下：

s^t＝CNN_Module(X^t)

在卷积模块后，使用全连接层对神经网络中的局部信息进行整合，最后一个全连接层的输出被传递到输出层，表达如下：

h₁ ^t＝σ(W₁s^t+b₁)

h₂ ^t＝σ(W₂h₁ ^t+b₂)

其中，

代表全连接层输出矩阵，W_i代表权值向量，b_i代表偏移向量，σ代表激活函数，y^t代表输出层输出的一维矩阵结果。

进一步地，所述步骤S3所述构建和训练CNN出水水质预测模型中所选取的损失函数采用平均误差率，具体表达式如下：

其中，J_MER表示以平均误差率作为损失函数，n表示目标变量个数，m表示样本数，y^j _i表示第j个样本中第i个目标变量的输出值，Y^j _i表示第j个样本中第i个目标变量的实际值。

与现有的预测污水处理厂出水水质的方法相比，本发明的有益效果是：

1)本发明针对水厂运行工艺直接设计监控方案，能够在水厂运行过程中取得更为完整的影响污水处理效果的真实参数数据，保证了构建模型所用的数据有更高的质量，在从机器模型运行原理上提高了模型的预测效果；

2)本发明采用将一段时间的入水输入与一个出水输出结果相对应，更加符合污水处理的工艺原理，从污水处理机理上提高了模型的预测效果；

3)本发明充分利用卷积神经网络的优点，并结合污水处理工艺的特点，采用了类似于时间卷积网络的结构，建立了应用于预测污水厂出水水质的CNN模型，提高了预测的精度和准确性；

4)本发明设计的模型具有自优化能力，随着水厂运行可以不断用新采集的数据更新模型参数，模型相对与污水处理厂的运行时刻保持最优化状态，具有高效、精确且稳定的特点；

5)本发明提供的污水出水水质预测方法，能根据污水排放标准同时预测多个出水指标，具有高效、准确等优点；

6)本发明提供了一种准确可靠的污水处理厂出水预测方法，对污水处理厂实施精准曝气和精确加药提供了可靠依据，为污水厂实现智能化和智慧化提供了理论基础，具有潜在应用前景。

附图说明

图1江苏某污水厂工艺示意图

图2江苏某污水厂监控仪表设置位点图

图3出水水质预测模型输入与输出对应示意图

图4CNN模型总体结构

图5CNN模型对出水水质拟合效果：a出水COD,b出水氨氮,c出水总磷

图6CNN模型对2h后出水水质预测效果：a出水COD,b出水氨氮,c出水总磷

图7CNN模型对6h后出水水质预测效果：a出水COD,b出水氨氮,c出水总磷

图8CNN模型对12h后出水水质预测效果：a出水COD,b出水氨氮,c出水总磷

具体实施方式

为更进一步阐述本发明所采取的方式和取得的效果，下面将结合附图对本发明的技术方案进行清楚和完整地描述。

实施例

本发明在江苏某污水厂得到了应用，具体步骤如下：

S1、构建污水处理厂在线监控系统

1)确定监控指标：进出水的水质参数指标是污水处理效果评价的依据，污水处理工艺单元的运行状态参数决定了污水处理过程的效果，人为的投药也会对污水处理效果造成影响。本污水厂采用MSBR工艺，示意图如图1。经过综合考虑，确定的需要监控的输出指标有出水COD，出水氨氮，出水总磷3个，需要监控的输入指标有进水COD，进水NH₃-N，进水TP，进水pH，进水流量，1单元DO，7单元DO，6单元DO，6单元MLSS，6单元三氯化铁投加量、5单元冰醋酸投加量和温度共12个。

2)设置监控仪表：监控仪表的设置位点如图2，温度由天气记录获得。

3)搭建数据库平台：在MSBR工艺单元旁边设置PLC柜，每5min采集并上传一次所有仪表监测数据，将PLC柜上传的信号按照一定的结构将数据来源，数据的监测因子，采样时间，具体数值等信息录入数据库中。

S2、数据处理。将江苏某污水厂的数据进行处理，选取2019年11月23日到2019年12月6日及2020年1月25日到2020年2月7日共28天的数据用作模型建立。具体包括以下步骤：

1)数据表的连接：将数据的时间戳进行匹配，依据时间戳使用默认精确匹配函数(VLOOKUP)来将时间相近的数据进行连接。

2)空值填充：由于传感器故障等原因，在记录数据中，某些数据点出现数值为空的情况，采用前后均值进行填充。

3)异常数据剔除：对清洗后数据用孤立森林算法进行判断，将异常数据用前后均值进行替换。

4)数据的标准化处理：因实验发现对于本实施例，批标准化即取得良好的效果，数据的标准化处理不对模型结果产生明显影响，因此本例中不作数据标准化处理。

5)输入输出数据的连接与对应：本实施例中水厂设计水力停留时间为21h，但是由于水量波动等原因，实际上很多时候的水力停留时间大于21h，为确保对全部样本的覆盖，本实施例中将其取为30h。监控仪表采集数据频率每5分钟一条，设污水出水时刻为t，则(t-30h)～t时间段内的测量数据在时间上共有(60/5*30＝360)个维度，将这些数据记录的入水指标按时间顺序连接在一起，作为模型的输入，则模型训练时每个样本输入数据块共有(12*360＝4320)个数据，与样本的三个输出维度相对应，表达如下：

Y^t＝f(X^t)

其中，Y^t代表模型的输出，X^t代表模型的输入，f代表模型的对应关系。

具体的，Y^t为t时刻出水水质指标组成的一维矩阵，表达如下：

其中，其中Y^t表示样本S^t的输出矩阵，

表示t时刻第i个目标变量的值。

具体的，X^t为(t-nT)～t时间段内辅助变量的时间序列矩阵，表达如下：

其中，X^t表示样本S^t的输入，

表示t时刻第i个辅助变量的值。/>

数据对应规则示意图如图3。将数据库中全部数据按照此规则进行处理。

S3、构建和训练CNN出水水质预测模型。利用处理好的数据建立出水水质预测模型，具体包括以下步骤：

1)确定模型结构：由于本实施例对整个污水处理工艺进行建模，反应过程较为复杂，为了更好模拟污水处理过程，本实施例采用类似于时间卷积网络的结构构建CNN模型，进行出水水质预测。

本实施例中的CNN模型由卷积模块后再串接全连接层组成，结构如图4所示。

由图4，积模块由多个卷积层、批标准化层和池化层组成。

首先，用一个一维卷积层对输入的数据进行接收和处理，捕获输入的特征并提取有用的信息。以卷积层C1为例，该层接收的输入数据结构为[n,d_in]形状的一个矩阵，其中n代表输入的矩阵的行数，d_in代表输入矩阵的列数。然后用c个[ks,d_in]形状的卷积核对输入矩阵进行一维卷积，其中，ks代表卷积核大小。输出结果为c个形状为[n′,1]的特征面，将特征面排列为形状为[n′,c]的矩阵

然后将该矩阵输入到批标准化层B1中，批标准化层会将数据沿着样本尺度进行标准化，批标准化能够有效提升模型性能。

因为污水处理是一个时序过程，所以本发明采用了类似于TCN的结构，连续设置了多个交替的卷积层和批标准化层，以扩大深层卷积核的感受野。

在经过多次一维卷积和批标准后，在池化层中使用形状为[pks,c]的一维池化核对分别对批标准化层的输出的形状为[n′,c]的矩阵进行最大池化，求出池化核区域每列的最大值，输出一个形状为[n″,c]的矩阵。

最后，将该矩阵输入全框架一维卷积层中，即用c个和矩阵同样大的卷积核进行卷积，输出一个形状为[1,c]的矩阵。

综上，本实施例中卷积模块的计算操作表达如下：

s^t＝CNN_Module(X^t)

在得到s^t后，本实施例将其输入到全连接层中，表达如下：

h₁ ^t＝σ(W₁s^t+b₁)

y^t＝σ(W_yh₁ ^t+b_y)

其中，

代表全连接隐藏层输出向量，W_i代表权值向量，b_i代表偏移向量，σ代表激活函数，y^t代表全连接输出层输出向量结果。

2)确定损失函数：本实施例中模型采用平均误差率作为损失函数，表达如下：

其中，J_MER表示以平均误差率作为损失函数，n表示目标变量个数，m表示样本数，

表示第j个样本中第i个目标变量的输出值，/>

表示第j个样本中第i个目标变量的实际值。

3)模型配置：对于本实施例中的CNN模型，确定卷积模块有8层，由3个一维卷积层、3个批标准化层、1个池化层和1个全框架一维卷积层组成，输入矩阵大小为360*12，卷积模块中所有一维卷积核大小都设为3，步长设为3。输出特征面数量都设为128。一维最大值池化核大小设为3，步长设为1。全连接层中隐藏神经元数设为256，卷积运算和全连接层中使用的所有激活函数分别是ReLU(线性整流函数)和sigmoid(S型生长曲线)，用MER作为损失函数。批标准化的每批大小设为64，模型最大迭代次数设为1000，学习速率设为0.003。模型采用早停法以避免过拟合，早停法耐心参数设为25。

4)模型训练：将本实施例中regCNN模型各参数初始化。然后将S2步骤中处理好的样本随机取72％作为训练集用于模型的训练，8％作为验证集用于早停验证和超参数调整，20％作为测试集用于对模型的泛化能力进行测试。

5)模型评估：三个输出指标在测试集上的预测效果如图5所示，a、b和c分别是CNN模型对出水COD、出水氨氮和出水总磷的拟合效果。三个指标模拟效果用MER(平均误差率)和MSE(均方误差率)来进行评估，详细结果见表1。出水COD、出水氨氮和出水总磷模拟平均误差率分别仅为8.75％、2.31％和1.52％，达到了非常高的精度。除此之外，本实施例中平均每1000个样本训练耗时仅为34.35s，每一次模拟耗时仅为0.00048s，能够满足实际应用的算力要求。

S4、出水水质预测效果评估。取测试集样本中的实际数据进行模型应用场景测试。首先测试模型的2小时预测效果，将(t-2h)～t时间段的所有辅助变量用[t-2h5min]时刻的数据替换，构造(t-30h)～t时间段的样本输入，将该样本输入输入模型，计算出t时刻的出水水质参数预测值。将得到的预测值y^t与出水水质参数实际值相比较。结果发现出水COD、出水氨氮和出水总磷的2小时预测平均误差率分别为0.886％、2.41％和1.58％，效果如图6所示，a、b和c分别是CNN模型对出水COD、出水氨氮和出水总磷的2小时预测效果，详细对比数据如表2。同样对6小时预测效果和12小时预测效果进行评估，方法同12小时预测，结果发现，结果发现出水COD、出水氨氮和出水总磷的6小时预测平均误差率分别为1.16％、2.66％和2.62％，12小时预测平均误差率分别为1.87％、5.19％和6.29％。6小时和12小时的预测效果分别如图7和图8所示，详细对比数据分别如表3和表4。以上结果表明，本发明对水厂2小时、6小时和12小时的出水水质均有良好的预测效果。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

表1.CNN模型对出水水质拟合效果

	出水COD	出水氨氮	出水总磷
				MER	0.875％	2.31％	1.52％
MSE	0.0297	0.0000286	0.0000368

表2.CNN模型对2h后出水水质预测效果

	出水COD	出水氨氮	出水总磷
				MER	0.886％	2.411％	1.58％
MSE	0.0302	0.0000326	0.0000424

表3.CNN模型对6h后出水水质预测效果

	出水COD	出水氨氮	出水总磷
				MER	1.66％	2.66％	2.62％
MSE	0.0469	0.0000550	0.000148

表4.CNN模型对12h后出水水质预测效果

	出水COD	出水氨氮	出水总磷
				MER	1.87％	5.19％	6.29％
MSE	0.124	0.000634	0.000860

Claims (4)

1.一种准确预测污水处理厂出水水质的方法，其特征在于，包括：

S1、构建污水处理厂在线监控系统，包括确定监控指标，设置监控仪表，搭建数据库平台；

S2、处理数据库中的数据：

S21、数据表的连接：匹配数据的时间戳，对于大量的监测数据，每个仪表上传的数据时间戳有一定的区别，依据时间戳使用默认精确匹配函数来连接；

S22、空值填充：对单点空值的数据，采用前后均值填充；

S23、异常数据剔除：利用孤立森林算法对异常数据进行判断，然后利用前后均值替换；

S24、数据标准化处理：字段值＝(字段值-该字段最小值)/(该字段最大值-该字段最小值)，根据模型的收敛速率和模型效果选择是否进行标准化；

S25、输入输出数据序列的连接与对应：假设污水在池中停留时间为nT，污水出水时刻为t，取样时间间隔为T，则对于每个时间点的样本S^t的输入与输出的对应关系如下：

Y^t＝f(X^t)

其中，Y^t代表模型的输出，X^t代表模型的输入，f代表模型的对应关系；

Y^t为t时刻出水水质指标组成的一维矩阵，表达如下：

其中，其中Y^t表示样本S^t的输出矩阵，

表示t时刻第i个目标变量的值；

X^t为(t-nT)～t时间段内辅助变量的时间序列矩阵，表达如下：

其中，X^t表示样本S^t的输入，

表示t时刻第i个辅助变量的值；

S3、构建和训练卷积神经网络出水水质预测模型，所述卷积神经网络出水水质预测模型的模型结构由卷积模块后再串接全连接层组成，其中卷积模块由多个卷积层、批标准化层和池化层组成，方法如下：

S31、用一个一维卷积层对输入的数据进行接收和处理，捕获输入的特征并提取有用的信息；该层接收的输入数据结构为[n,d_in]形状的一个矩阵，其中n代表输入的矩阵的行数，d_in代表输入矩阵的列数；然后用c个[ks,d_in]形状的卷积核对输入矩阵进行一维卷积，其中，ks代表卷积核大小；输出结果为c个形状为[n′,1]的特征面，将特征面排列为形状为[n′,c]的矩阵；

S32、将该矩阵输入到批量标准化层中，批量标准化层会将数据沿着样本尺度进行标准化，批标准化能够有效提升模型性能；

连续设置了多个交替的卷积层和批标准化层，以扩大深层卷积核的感受野；

在经过多次一维卷积和批标准化后，在池化层中使用形状为[pks,c]的一维池化核对批标准化层的输出的形状为[n′,c]的矩阵进行最大池化，求出池化核区域每列的最大值，输出一个形状为[n″,c]的矩阵；

S33、将该矩阵输入全框架一维卷积层中，即用c个和矩阵同样大的卷积核进行卷积，输出一个形状为[1,c]的矩阵；

综上，卷积模块的计算操作表达如下：

s^t＝CNN_Module(X^t)

在卷积模块后，使用全连接层对神经网络中的局部信息进行整合，最后一个全连接层的输出被传递到输出层，表达如下：

h₁ ^t＝σ(W₁s^t+b₁)

h₂ ^t＝σ(W₂h₁ ^t+b₂)

…

h_m ^t＝σ(W_mh_m-1 ^t+b_m)

y^t＝σ(W_yh_m ^t+b_y)

其中，

代表全连接层输出矩阵，W_i代表权值向量，b_i代表偏移向量，σ代表激活函数，y^t代表输出层输出的一维矩阵结果；

S4、出水水质预测效果评估：得到CNN出水水质预测模型后，假定污水处理厂污水在池中停留时间为nT，在t-mT时刻需要预测mT(mT<nT)时间后水厂的出水水质；将(t-mT)～t时间段的所有辅助变量用[t-(m+1)T]时刻的数据替换，构造(t-nT)～t时间段的样本输入，计算出t时刻的预测出水水质参数；将t时间点的预测结果和实际测定值比较，对模型出水预测效果进行评估。

2.如权利要求1所述的一种准确预测污水处理厂出水水质的方法，其特征在于，所述S1包括：

S11、确定监控指标：根据污水处理厂运行工艺和出水标准，确定需要预测水质的指标，进一步判断对需要预测的指标有影响的水厂运行参数；

S12、设置监控仪表：根据S11确定所需监控变量，结合污水处理厂的运行工艺，确定需要放置监控仪表的位点，并安装监控仪表；

S13、搭建数据库平台：在水厂设置服务器，搭建数据库系统，将监控仪表的数据按照设定的时间间隔通过PLC方式按照一定的结构将数据来源，数据的监测因子，采样时间，数值信息上传入数据库。

3.如权利要求2所述的一种准确预测污水处理厂出水水质的方法，其特征在于，所述S12中：

需要放置所述监控仪表的位点为污水处理过程中需要获取必要数据或发生关键反应的区域，包括但不限于：进水泵房、出水排口、好氧池、厌氧池和序批池；

所述监控仪表为水质测定仪表和污水处理厂运行状态监控仪表，包括但不限于：流量计、COD测定仪、氨氮测定仪、总磷测定仪、总氮测定仪、pH计、DO测定仪、ORP测定仪、污泥浓度测定仪。

4.如权利要求1所述的一种准确预测污水处理厂出水水质的方法，其特征在于，所述S3中构建和训练CNN出水水质预测模型中所选取的损失函数采用平均误差率，表达式如下：

/>

其中，J_MER表示以平均误差率作为损失函数，n表示目标变量个数，m表示样本数，

表示第j个样本中第i个目标变量的输出值，/>

表示第j个样本中第i个目标变量的实际值。/>

Images