CN111858715B - 一种基于数据挖掘的污水处理厂进水质量预测方法 - Google Patents

一种基于数据挖掘的污水处理厂进水质量预测方法 Download PDF

Info

Publication number
CN111858715B
CN111858715B CN202010721271.1A CN202010721271A CN111858715B CN 111858715 B CN111858715 B CN 111858715B CN 202010721271 A CN202010721271 A CN 202010721271A CN 111858715 B CN111858715 B CN 111858715B
Authority
CN
China
Prior art keywords
data
cbod
season
prediction
oxygen demand
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.)
Active
Application number
CN202010721271.1A
Other languages
English (en)
Other versions
CN111858715A (zh
Inventor
于忠清
寇腾跃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Hongjin Smart Energy Technology Co ltd
Original Assignee
Qingdao Hongjin Smart Energy Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Hongjin Smart Energy Technology Co ltd filed Critical Qingdao Hongjin Smart Energy Technology Co ltd
Priority to CN202010721271.1A priority Critical patent/CN111858715B/zh
Publication of CN111858715A publication Critical patent/CN111858715A/zh
Application granted granted Critical
Publication of CN111858715B publication Critical patent/CN111858715B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Fuzzy Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Educational Administration (AREA)

Abstract

本发明公开了一种基于数据挖掘的污水处理厂进水质量预测方法，涉及水体水质预测领域。所述预测方法具体为获取数据后将进水速率的时间戳与碳质生化需氧量CBOD、pH值、总悬浮固体TSS的每日浓度值时间戳对齐；将每日平均进水率数据作为单变量，15分钟为间隔获取的进水率为多变量，建立以进水流量为输入生成碳质生化需氧量CBOD值的拟合模型，补齐缺失的CBOD值；数据降维得到预处理数据集；将预处理数据集按淡旺季进行区分，淡季数据输入多层神经网络MLP得到淡季CBOD预测模型，旺季数据输入决策树C&RT得到旺季CBOD预测模型。通过数据补齐使得用于训练和测试的数据集更为完整，分别建立淡季和旺季的预测模型，使得预测精度更高。

Description

一种基于数据挖掘的污水处理厂进水质量预测方法
技术领域
本发明涉及水体水质预测领域，具体涉及一种基于数据挖掘的污水处理厂进水质量预测方法。
背景技术
废水处理厂主要是将原始进水转化为有效废水的过程，而进水水质直接影响到对污水处理策略的制定和实时调整。进水水质主要通过碳质生化需氧量(CBOD)，氢势(pH)和总悬浮固体(TSS)这三项指标进行测量和评判，这些数据无法通过在线传感器实时测量，现有技术中通常是每周测量两侧或三次，时间间隔太长，无法满足实时控制的要求。
另一方流入废水的流速不稳定，这也需要有效的控制解决方案。上述指标也具备季节性的规律，亟需开发一种能实时预测进水质量的方法，以此为依据进行污水处理策略的制定和实时调整。
发明内容
本发明的目的在于提供一种基于数据挖掘的污水处理厂进水质量预测方法，解决现有技术中难以对进水质量进行预测，导致无法实时调控污水处理的问题。
为解决上述的技术问题，本发明采用以下技术方案：一种基于数据挖掘的污水处理厂进水质量预测方法，其特征在于包括如下步骤：
S1、获取目标数据：以15分钟为间隔获取进水速率，以每周2至3次获取碳质生化需氧量CBOD、pH值、总悬浮固体TSS的每日浓度值；
S2、数据集成：将进水速率的时间戳与碳质生化需氧量CBOD、pH值、总悬浮固体TSS的每日浓度值时间戳对齐；
S3、补齐数据：将每日平均进水率数据作为单变量，15分钟为间隔获取的进水率为多变量，分析单变量和多变量数据，建立以进水流量为输入生成碳质生化需氧量CBOD值的拟合模型，补齐缺失的碳质生化需氧量CBOD值，得到原始数据集；
S4、数据降维：使用数据挖掘算法-Boosting树和带有遗传搜索的wrapper算法，对数据进行降维，得到预处理数据集；
S5、数据拆分及建模：将预处理数据集按淡旺季进行区分，其中1-6月数据为淡季数据，7-12月数据为旺季数据，将对应数据中的2/3作为训练数据集，余下的1/3作出测试数据集，其中淡季数据输入多层神经网络MLP得到淡季CBOD预测模型，旺季数据输入决策树C&RT得到旺季CBOD预测模型；
S6、模型评估：使用测试数据集对预测模型性能进行测试，使用两个性能评估指标进行评估平均绝对误差MAE和平均相对误差MRE，其中：
Figure BDA0002600093800000021
其中，
Figure BDA0002600093800000022
Figure BDA0002600093800000023
其中，
Figure BDA0002600093800000024
其中，
Figure BDA0002600093800000025
为t时刻的预测值，y(t)为真实值。
更进一步的技术方案是步骤S1中所述的目标数据从位于爱荷华州得梅因市的废水处理厂获得的，获取其从2005年1月4日到2010年12月29日的5年间的数据记录。
更进一步的技术方案是步骤S3中所述的补齐数据的具体流程如下：
S3-1、对于单变量，将步骤S2中处理后的数据三分之二用于训练，三分之一用于测试；给定训练数据，通过曲线拟合确定最佳拟合曲线和对应的方程式；利用遗传规划GP方法对进水流量与碳质生化需氧量CBOD之间的数学关系进行辨识，找到进水流量与碳质生化需氧量CBOD之间精确方程；
S3-2、对于多变量，将步骤S2中处理后的数据三分之二用于训练，三分之一用于测试；选择神经网络生成模型：训练100个神经网络获得神经网络结构，其中，隐藏层的数量保持为1，而隐藏层中的神经元的数量则从5到25不等，激活函数选择logistic、tanh、sigmoid、指数和恒等式五种，所有的神经网络应用于三个不同输入参数数目的数据集。
更进一步的技术方案是步骤S5中预测模型的建立具体流程如下：
S5-1：参数选择，使用Boosting树根据输入参数每次拆分时计算的平方误差之和对参数进行排序，计算所有拆分的平均统计量，分割最佳的参数的值为1，依此类推；
S5-2：选择多层神经网络MLP对CBOD淡季进行预测，隐藏层的数量保持为1，而隐藏层中的神经元的数量则从5到25不等；使用多元自适应回归C&RT对CBOD旺季进行预测，其中模型公式如下：
Figure BDA0002600093800000031
其中，
Figure BDA0002600093800000032
是过去5年数据的输入参数、同年的过去10天数据作为其记忆参数以及5年和10天数据的统计度量的函数；
S5-3：将训练数据集输入步骤S5-2的算法中得到淡季CBOD预测模型和旺季CBOD预测模型，再将测试数据集输入到对应的预测模型中输出预测结果。
与现有技术相比，本发明的有益效果是：
1.以每日平均进水率、15分钟间隔获取的进水率为基础，分别建立碳质生化需氧量CBOD值的拟合模型，以此来补齐测试上未获取的缺失CBOD值，使得用于训练和测试的数据集更为完整，预测精度更高。
2.将数据按淡旺季进行分类，分别建立淡季和旺季的预测模型，相对全年型集成模型预测更为精准，相对按春夏秋冬分类的季节性模型计算更为简单，可进行长达5天的预测。
附图说明
图1为本发明的流程图。
图2为旺季CBOD的实际值与预测值的曲线图。
图3为淡季CBOD的实际值与预测值的曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1示出了一种基于数据挖掘的污水处理厂进水质量预测方法，包括如下步骤：
S1、获取目标数据：以15分钟为间隔获取进水速率，以每周2至3次获取碳质生化需氧量CBOD、pH值、总悬浮固体TSS的每日浓度值；目标数据从位于爱荷华州得梅因市的废水处理厂获得的，获取其从2005年1月4日到2010年12月29日的5年间的数据记录。
S2、数据集成：将进水速率的时间戳与碳质生化需氧量CBOD、pH值、总悬浮固体TSS的每日浓度值时间戳对齐。
S3、补齐数据：将每日平均进水率数据作为单变量，15分钟为间隔获取的进水率为多变量，分析单变量和多变量数据，建立以进水流量为输入生成碳质生化需氧量CBOD值的拟合模型，补齐缺失的碳质生化需氧量CBOD值，得到原始数据集。
S3-1、对于单变量，将步骤S2中处理后的数据三分之二用于训练，三分之一用于测试；给定训练数据，通过曲线拟合确定最佳拟合曲线和对应的方程式；利用遗传规划GP方法对进水流量与碳质生化需氧量CBOD之间的数学关系进行辨识，找到进水流量与碳质生化需氧量CBOD之间精确方程。
S3-2、对于多变量，将步骤S2中处理后的数据三分之二用于训练，三分之一用于测试；选择神经网络生成模型：训练100个神经网络获得神经网络结构，其中，隐藏层的数量保持为1，而隐藏层中的神经元的数量则从5到25不等，激活函数选择logistic、tanh、sigmoid、指数和恒等式五种，所有的神经网络应用于三个不同输入参数数目的数据集。
S4、数据降维：使用数据挖掘算法-Boosting树和带有遗传搜索的wrapper算法，对数据进行降维。
S5、数据拆分及建模：将原始数据集按淡旺季进行区分，其中1-6月数据为淡季数据，7-12月数据为旺季数据，将对应数据中的2/3作为训练数据集，余下的1/3作出测试数据集，其中淡季数据输入多层神经网络MLP得到淡季CBOD预测模型。旺季数据输入决策树C&RT得到旺季CBOD预测模型。具体流程如下：
S5-1：参数选择，使用Boosting树根据输入参数每次拆分时计算的平方误差之和对参数进行排序，计算所有拆分的平均统计量，分割最佳的参数的值为1，依此类推；
S5-2：选择多层神经网络MLP对CBOD淡季进行预测，隐藏层的数量保持为1，而隐藏层中的神经元的数量则从5到25不等；使用多元自适应回归C&RT对CBOD旺季进行预测，其中模型公式如下：
Figure BDA0002600093800000041
其中，
Figure BDA0002600093800000042
是过去5年数据的输入参数、同年的过去10天数据作为其记忆参数以及5年和10天数据的统计度量的函数；
S5-3：将训练数据集输入步骤S5-2的算法中得到淡季CBOD预测模型和旺季CBOD预测模型，再将测试数据集输入到对应的预测模型中输出预测结果。
S6、模型评估：使用测试数据集对预测模型性能进行测试，使用两个性能评估指标进行评估平均绝对误差MAE和平均相对误差MRE，其中：
Figure BDA0002600093800000051
其中，
Figure BDA0002600093800000052
Figure BDA0002600093800000053
其中，
Figure BDA0002600093800000054
其中，
Figure BDA0002600093800000055
为t时刻的预测值，y(t)为真实值。
为验证本发明步骤S3-1中选用的曲线拟合，选择式(5)，(6)，(7)和(8)表示基于单变量和多变量进水速率数据使用曲线拟合和GP算法获得的近似函数。GP的种群大小设置为64，而交叉和突变率分别为0.8和0.01。
CBOD1＝a×exp(b·Influentavg)   (5)
Figure BDA0002600093800000056
Figure BDA0002600093800000057
Figure BDA0002600093800000058
CBOD方程式中的下标1-4表示建模方法，分别为曲线拟合、单变量数据的GP、带相关系数的多元GP、带数据挖掘算法的多元GP。在式(5)中，a和b的最优值分别为492.51和0.0113。公式(6)中的影响avg是计算每15分钟间隔的日平均进水率；式(7)、(8)中，下标表示某一时段记录的进水速率。
通过四种建模方法得到的CBOD时间序列曲线图如表2所示，可以看出CBOD5选出优于所有其他方法，所以使用NN(神经网络)(基于数据挖掘)和NN(基于相关性)方法来填写CBOD时间序列中的遗漏数据。
表2
函数逼近器 描述 输入参数数 MAE MER(％) Accuracy(％)
<![CDATA[CBOD<sub>1</sub>]]> 曲线拟合(指数) 01 51.86 29.21 70.78
<![CDATA[CBOD<sub>2</sub>]]> GP单变量 01 58.65 30.98 69.00
<![CDATA[CBOD<sub>3</sub>]]> GP多元(基于相关性的) 21 80.32 32.14 67.85
<![CDATA[CBOD<sub>4</sub>]]> GP多元(基于数据挖掘) 18 80.24 31.93 68.06
<![CDATA[CBOD<sub>5</sub>]]> NN多元(基于相关性的) 21 47.32 26.15 73.85
<![CDATA[CBOD<sub>6</sub>]]> NN多元(基于数据挖掘) 18 49.44 27.32 72.67
<![CDATA[CBOD<sub>7</sub>]]> NN多元(所有参数) 96 60.32 30.15 69.85
为验证本发明步骤S5-3中的多层神经网络MLP预测的准确性，按同样的步骤选用分类和回归树(C&RT)，多元自适应回归样条(MARS)和随机森林(RF)来构建淡季CBOD预测模型，使用估平均绝对误差MAE和平均相对误差MRE对模型进行评估，各算法下的预测精度如表3所示。
表3
Figure BDA0002600093800000061
从表3可以看出在淡季模型中多层神经网络MLP预测的准确性更好，在旺季模型中回归决策树(C&RT)效果更好。
表4描述了两个季节的预测结果，CBOD高发季节的准确度在84.82～87.69％的范围内。在CBOD较低的季节，准确度在46.31–70.51％之间。图2和图3分别显示了在高CBOD和低CBOD季节中实际值和预测值的运行图比较。
表4
Figure BDA0002600093800000071
尽管这里参照本发明的多个解释性实施例对本发明进行了描述，但是，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说，在本申请公开、附图和权利要求的范围内，可以对主题组合布局的组成部件或布局进行多种变形和改进。除了对组成部件或布局进行的变形和改进外，对于本领域技术人员来说，其他的用途也将是明显的。

Claims (2)

1.一种基于数据挖掘的污水处理厂进水质量预测方法，其特征在于包括如下步骤：
S1、获取目标数据：以15分钟为间隔获取进水速率，每周2至3次获取碳质生化需氧量CBOD、pH值、总悬浮固体TSS的每日浓度值；
S2、数据集成：将进水速率的时间戳与碳质生化需氧量CBOD、pH值、总悬浮固体TSS的每日浓度值时间戳对齐；
S3、补齐数据：将每日平均进水速率数据作为单变量，15分钟为间隔获取的进水速率为多变量，分析单变量和多变量数据，建立以进水流量为输入生成碳质生化需氧量CBOD值的拟合模型，补齐缺失的碳质生化需氧量CBOD值，得到原始数据集；
S4、数据降维：使用数据挖掘算法-Boosting树和带有遗传搜索的wrapper算法，对数据进行降维，得到预处理数据集；
S5、数据拆分及建模：将预处理数据集按淡旺季进行区分，其中1-6月数据为淡季数据，7-12月数据为旺季数据，将对应数据中的2/3作为训练数据集，余下的1/3作为测试数据集，其中淡季数据输入多层神经网络MLP得到淡季CBOD预测模型，旺季数据输入回归决策树C&RT得到旺季CBOD预测模型；
S6、模型评估：使用测试数据集对预测模型性能进行测试，使用两个性能评估指标进行评估平均绝对误差MAE和平均相对误差MRE，其中：
Figure FDA0004040195690000011
其中，
Figure FDA0004040195690000012
Figure FDA0004040195690000013
其中，
Figure FDA0004040195690000014
其中，
Figure FDA0004040195690000015
为t时刻的预测值，y(t)为真实值；
步骤S3中所述的补齐数据的具体流程如下：
S3-1、对于单变量，将步骤S2中处理后的数据三分之二用于训练，三分之一用于测试；给定训练数据，通过曲线拟合确定最佳拟合曲线和对应的方程式；利用遗传规划GP方法对进水流量与碳质生化需氧量CBOD之间的数学关系进行辨识，找到进水流量与碳质生化需氧量CBOD之间精确方程；
S3-2、对于多变量，将步骤S2中处理后的数据三分之二用于训练，三分之一用于测试；选择神经网络生成模型：训练100个神经网络获得神经网络结构，其中，隐藏层的数量保持为1，而隐藏层中的神经元的数量则从5到25，激活函数选择logistic、tanh、sigmoid、指数和恒等式五种；
步骤S5中预测模型的建立具体流程如下：
S5-1：参数选择，使用Boosting树根据输入参数每次拆分时计算的平方误差之和对参数进行排序，计算所有拆分的平均统计量，分割最佳的参数的值为1，依此类推；
S5-2：选择多层神经网络MLP对CBOD淡季进行预测，隐藏层的数量保持为1，而隐藏层中的神经元的数量则从5到25；使用回归决策树C&RT对CBOD旺季进行预测，其中模型公式如下：
Figure FDA0004040195690000021
其中，
Figure FDA0004040195690000022
是过去5年数据的输入参数、同年的过去10天数据作为其记忆参数以及5年和10天数据的统计度量的函数；
S5-3：将训练数据集输入步骤S5-2的算法中得到淡季CBOD预测模型和旺季CBOD预测模型，再将测试数据集输入到对应的预测模型中输出预测结果。
2.根据权利要求1所述的一种基于数据挖掘的污水处理厂进水质量预测方法，其特征在于：步骤S1中所述的目标数据从位于爱荷华州得梅因市的废水处理厂获得的，获取其从2005年1月4日到2010年12月29日的5年间的数据记录。
CN202010721271.1A 2020-07-24 2020-07-24 一种基于数据挖掘的污水处理厂进水质量预测方法 Active CN111858715B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010721271.1A CN111858715B (zh) 2020-07-24 2020-07-24 一种基于数据挖掘的污水处理厂进水质量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010721271.1A CN111858715B (zh) 2020-07-24 2020-07-24 一种基于数据挖掘的污水处理厂进水质量预测方法

Publications (2)

Publication Number Publication Date
CN111858715A CN111858715A (zh) 2020-10-30
CN111858715B true CN111858715B (zh) 2023-04-07

Family

ID=72950360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010721271.1A Active CN111858715B (zh) 2020-07-24 2020-07-24 一种基于数据挖掘的污水处理厂进水质量预测方法

Country Status (1)

Country Link
CN (1) CN111858715B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112817299A (zh) * 2021-01-20 2021-05-18 浙江晶立捷环境科技有限公司 一种工业废水治理数据管理云平台及其控制方法
CN112964843A (zh) * 2021-01-26 2021-06-15 清华大学 污水处理设施水质监测的物联网传感器系统及监测方法
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
CN115684276B (zh) * 2022-12-28 2023-03-21 北京华科仪科技股份有限公司 一种基于集成融合模型的脱硫系统ph值预测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886397A (zh) * 2014-04-17 2014-06-25 中国科学院重庆绿色智能技术研究院 一种分治法与水质周期性结合的水质预测方法
CN110110466A (zh) * 2019-05-17 2019-08-09 中冶华天工程技术有限公司 一种机器学习和工艺仿真的污水处理目标参数预测方法
CN110188945A (zh) * 2019-05-29 2019-08-30 剑科云智(深圳)科技有限公司 一种生产中的污水预测系统及污水预测方法
CN110705752A (zh) * 2019-09-05 2020-01-17 上海上实龙创智慧能源科技股份有限公司 基于anfis与机理模型的污水bod实时预测方法
CN111291937A (zh) * 2020-02-25 2020-06-16 合肥学院 基于支持向量分类与gru神经网络联合的处理污水水质预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886397A (zh) * 2014-04-17 2014-06-25 中国科学院重庆绿色智能技术研究院 一种分治法与水质周期性结合的水质预测方法
CN110110466A (zh) * 2019-05-17 2019-08-09 中冶华天工程技术有限公司 一种机器学习和工艺仿真的污水处理目标参数预测方法
CN110188945A (zh) * 2019-05-29 2019-08-30 剑科云智(深圳)科技有限公司 一种生产中的污水预测系统及污水预测方法
CN110705752A (zh) * 2019-09-05 2020-01-17 上海上实龙创智慧能源科技股份有限公司 基于anfis与机理模型的污水bod实时预测方法
CN111291937A (zh) * 2020-02-25 2020-06-16 合肥学院 基于支持向量分类与gru神经网络联合的处理污水水质预测方法

Also Published As

Publication number Publication date
CN111858715A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111858715B (zh) 一种基于数据挖掘的污水处理厂进水质量预测方法
CN111291937A (zh) 基于支持向量分类与gru神经网络联合的处理污水水质预测方法
CN108469507B (zh) 一种基于自组织rbf神经网络的出水bod软测量方法
CN109828089B (zh) 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法
CN103606006B (zh) 基于自组织t‑s模糊神经网络的污泥沉降指数软测量方法
CN112418491B (zh) 一种水库剩余拦沙库容动态配置方法
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
CN109657790B (zh) 一种基于pso的递归rbf神经网络出水bod预测方法
CN110824914B (zh) 一种基于pca-lstm网络的废水处理智能监控方法
CN105825288B (zh) 一种消除复杂系统中回归数据共线性问题的优化分析方法
CN111125907B (zh) 一种基于混合智能模型的污水处理氨氮软测量方法
CN114169242A (zh) 一种基于参数不确定性分析河道生态增氧的智能控制算法
CN114707692A (zh) 基于混合神经网络的湿地出水氨氮浓度预测方法及系统
CN109934334B (zh) 一种基于扰动的叶绿素a含量相关因子敏感性分析方法
CN114971090A (zh) 一种电供暖负荷预测方法、系统、设备和介质
CN108509692B (zh) 一种基于MiUKFNN算法的高含硫天然气脱硫工艺建模方法
CN113486556B (zh) 一种改进的油气藏高效自动历史拟合方法
CN107808209B (zh) 基于加权kNN距离的风电场异常数据辨识方法
CN111863153A (zh) 一种基于数据挖掘的废水中悬浮固体总量的预测方法
CN105372995A (zh) 污水处理系统测控方法
CN110991616B (zh) 一种基于删减型前馈小世界神经网络出水bod预测方法
CN117252285A (zh) 基于并行cnn-gru网络的多指标污水水质预测方法
CN114925931A (zh) 台区负荷预测方法及系统
CN113642784B (zh) 一种计及风机状态的风电功率超短期预测的方法
CN114154686A (zh) 一种基于集成学习的大坝变形预测方法

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
GR01 Patent grant
GR01 Patent grant