CN112949943A - 一种基于外围数据关联分析的污水处理进水水质预测方法 - Google Patents

一种基于外围数据关联分析的污水处理进水水质预测方法 Download PDF

Info

Publication number
CN112949943A
CN112949943A CN202110389991.7A CN202110389991A CN112949943A CN 112949943 A CN112949943 A CN 112949943A CN 202110389991 A CN202110389991 A CN 202110389991A CN 112949943 A CN112949943 A CN 112949943A
Authority
CN
China
Prior art keywords
data
prediction
sewage treatment
urban
inlet water
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
Application number
CN202110389991.7A
Other languages
English (en)
Inventor
郭智威
赵晓龙
王建辉
皮亚库尔德隆·帕庞
穆罕默德·赛义德·穆罕默德·萨利姆
高旭
申渝
尹文洁
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.)
Chongqing Nanxiangtai Environmental Protection Technology Research Institute Co ltd
Chongqing Technology and Business University
Original Assignee
Chongqing Nanxiangtai Environmental Protection Technology Research Institute Co ltd
Chongqing Technology and Business University
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 Chongqing Nanxiangtai Environmental Protection Technology Research Institute Co ltd, Chongqing Technology and Business University filed Critical Chongqing Nanxiangtai Environmental Protection Technology Research Institute Co ltd
Priority to CN202110389991.7A priority Critical patent/CN112949943A/zh
Publication of CN112949943A publication Critical patent/CN112949943A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Activated Sludge Processes (AREA)

Abstract

本发明公开了一种基于外围数据关联分析的污水处理进水水质预测方法，包括：获取预测用数据；将预测用数据输入污水处理进水水质预测模型；输出进水水质预测结果。与现有技术相比，本发明能够根据天气及经济数据对污水处理厂进水水质进行预测，使得工作人员可以根据预测的进水水质指导污水处理厂做好相应应对措施，从而达到更好的污水处理效果。

Description

一种基于外围数据关联分析的污水处理进水水质预测方法
技术领域
本发明涉及污水处理技术领域，具体涉及一种基于外围数据关联分析的污水处理进水水质预测方法。
背景技术
污水处理厂进水水质变化规律对污水处理厂的运行管理有着极其重要的意义。
现有技术中，污水处理厂在进行污水处理前会对进水水质进行监测，根据进水水质的变化，采取相应的措施来适应进水水质的变化。但这种实时监测的反馈结果只对污水处理厂当前运行管理的调控具有一定的指导意义，并且从反馈结果到采取措施具有一定的滞后性。
因此，本发明提供了一种基于外围数据关联分析的污水处理进水水质预测方法，能够根据天气及经济数据对污水处理厂进水水质进行预测，使得工作人员可以根据预测的进水水质指导污水处理厂做好相应应对措施，从而达到更好的污水处理效果。
发明内容
针对上述现有技术的不足，本发明实际解决的问题是：对污水处理厂进水水质进行预测。
为了解决上述技术问题，本发明采用了如下的技术方案：
一种基于外围数据关联分析的污水处理进水水质预测方法，包括：
S1、获取预测用数据；
S2、将预测用数据输入污水处理进水水质预测模型；
S3、输出进水水质预测结果。
优选地，预测用数据包括气象数据及经济数据。
优选地，气象数据包括降雨量数据/或气温数据。
优选地，经济数据包括城市生产总值、进出口总额、社会消费品零售总额、工业销售产值、工业总产值、城市居民消费价格指数、食品城市居民消费价格指数、非食品城市居民消费价格指数、消费品城市居民消费价格指数、食品烟酒类城市居民消费价格指数、规模以上工业总产值、教育文化娱乐类城市居民消费价格指数及商品房销售面积中的任意一项或多项。
优选地，步骤2中，将预测用数据输入污水处理进水水质预测模型前还包括：
按下式利用预测用数据生成数据矩阵：
Figure BDA0003016268020000021
式中，
Figure BDA0003016268020000022
表示第i类预测用数据，i＝1,2，...，α，α表示预测用数据的类别数；
Figure BDA0003016268020000023
式中，
Figure BDA0003016268020000024
表示第i类预测用数据中第k种预测用数据，γ表示每类预测用数据中的预测用数据种数；
按下式确定参考数据序列：
Figure BDA0003016268020000025
式中，
Figure BDA0003016268020000026
表示第i类参考数据，
Figure BDA0003016268020000027
表示第i类参考数据中第k种参考数据；
按下式对数据矩阵进行转换，构建无量纲数据矩阵：
Figure BDA0003016268020000028
按下式计算相关系数：
Figure BDA0003016268020000029
式中，δα(k)表示预测用数据与对应的参考数据的相关系数，ε为判别系数，ε∈(0,1)，将相关系数小于0.7的数据过滤掉。
综上所述，本发明提供了一种基于外围数据关联分析的污水处理进水水质预测方法，能够根据天气及经济数据对污水处理厂进水水质进行预测，使得工作人员可以根据预测的进水水质指导污水处理厂做好相应应对措施，从而达到更好的污水处理效果。
附图说明
为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1为本发明公开的一种基于外围数据关联分析的污水处理进水水质预测方法的流程图；
图2为本发明中对数据进行清洗及模型训练的原理图；
图3为某污水处理厂的相关数据图；
图4至图7为采用本发明中的方法对图3对应的污水处理厂进行进水SS、进水TP、进水NH4 +-N、进水TN预测的结果图。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
如图1所示，本发明公开了一种基于外围数据关联分析的污水处理进水水质预测方法，包括：
S1、获取预测用数据；
S2、将预测用数据输入污水处理进水水质预测模型；
S3、输出进水水质预测结果。
如图2所示，本发明中，污水处理进水水质预测模型的建立及训练方法如下：首先建立神经网络框架，定义模型的必要变量和函数；其次，描述神经网络的权值，分别表示输入层和隐含层共享权的权值矩阵、隐含层和输出层共享权的权值矩阵和神经网络层的权值矩阵。第三，引入sigmoid函数。然后，对模型进行反复训练，进行前向传播算法，计算所有预测值的平均误差，捕获损失值。最后，采用反向传播算法更新权值。对建立的模型的参数进行调整，使模型更好地拟合数据，并对模型进行多次运行，得到预测值。
具体实施时，预测用数据包括气象数据及经济数据。
本发明中，采用气象数据及经济数据作为预测用数据。
具体实施时，气象数据包括降雨量数据/或气温数据。
在气象方面，对污水处理厂进水水质有显著影响的因素主要为降雨因素和气温因素。
降雨因素对污水处理厂进水水质的影响主要体现为降雨过程雨水对城市污水的稀释作用。由于城市雨污分流不彻底等原因，雨水混入城市污水管网系统中，从而稀释了管网中污水的浓度，导致污水处理厂进水水质发生变化。其变化幅度与降水量直接相关，降雨量越大，进水水质变化幅度越大。
气温因素对污水处理厂进水水质的影响主要体现为随着天气温度的改变，城市居民的饮食结构及用水结构也会随之发生改变，不同的饮食结构和用水结构决定了城市生活污水的污染物含量及污染物种类，从而决定了污水处理厂的进水水质。例如一般而言在气温较高时，城市居民的日常饮食会比较清淡，因此城市生活污水中的BOD含量会比较低。并且天气炎热时，人们更爱出汗，城市居民洗澡、洗衣服等需求增加，从而导致城市居民日常生活用水结构中洗漱用水比例会增大。洗漱用水的特点为含富营养元素成分高，从而决定了城市生活污水中N、P元素含量相对较高。
基于上述情况，本发明可通过访问国家气象局官网，查询中国地面累年值日值数据集，得到历史降雨、气温等气象情况的日值数据，并以此建立气象数据库。分别将气象数据库中的地区历史降雨数据和气温数据与该地区污水处理厂历史进水水质数据进行关联性分析，得到地区降雨量、地区温度与该地区污水处理厂进水水质的相关关系，再获得未来该地区的降雨情况和温度情况，以此进行污水处理厂进水水质的预测。
具体实施时，经济数据包括城市生产总值、进出口总额、社会消费品零售总额、工业销售产值、工业总产值、城市居民消费价格指数、食品城市居民消费价格指数、非食品城市居民消费价格指数、消费品城市居民消费价格指数、食品烟酒类城市居民消费价格指数、规模以上工业总产值、教育文化娱乐类城市居民消费价格指数及商品房销售面积中的任意一项或多项。
城市经济决定了城市居民的生活方式、饮食结构等，同时也反应了城市的产业结构，这些都是污水处理厂进水水质的显著影响因素。城市居民的生活方式及饮食结构决定了城市生活污水的水质情况，城市的产业结构决定了城市工业废水的水质情况。
一般而言城市经济在短期内变化幅度不大，故城市居民的日常生活方式及饮食结构相对稳定，城市生活污水水质也相对稳定。但在特殊节假日期间，如春节、国庆节、劳动节等，由于受旅游业及城市居民消费需求增加的影响，城市的经济水平会有一个较大幅度的变化，该变化必然会造成城市整体生活方式及饮食结构的改变，从而造成城市生活污水水质的变化。
城市产业结构决定了城市工业废水水质的特性，即城市工业废水中的污染物含量及污染物种类。而城市产业结构与城市生产总值、进出口总额、社会消费品零售总额、工业销售产值、工业总产值、城市居民消费价格指数、食品城市居民消费价格指数、非食品城市居民消费价格指数、消费品城市居民消费价格指数、食品烟酒类城市居民消费价格指数、规定以上工业总产值、教育文化娱乐类城市居民消费价格指数、商品房销售面积等经济指标显著相关。
基于上述情况，本发明通过访问当地省旅游局网、当地省统计信息网和国家统计信息网查询城市旅游经济、生产总值、进出口总额、社会消费品零售总额、工业销售产值、工业总产值、城市居民消费价格指数、食品城市居民消费价格指数、非食品城市居民消费价格指数、消费品城市居民消费价格指数、食品烟酒类城市居民消费价格指数、规定以上工业总产值、教育文化娱乐类城市居民消费价格指数、商品房销售面积等经济指标，并以此建立经济数据库。
本发明通过经济数据库中城市历年各特殊节日的经济情况与相对应时期污水处理厂历史进水水质进行关联性分析，得出各特殊节日期间城市经济情况与污水处理厂进水水质的关系。再根据经济数据库预测出今年各特殊节日的城市经济情况。最后根据所预测的经济情况对污水处理厂进水水质进行预测。
对于城市工业废水，本发明将经济数据库中的城市生产总值、进出口总额、社会消费品零售总额、工业销售产值、工业总产值、城市居民消费价格指数、食品城市居民消费价格指数、非食品城市居民消费价格指数、消费品城市居民消费价格指数、食品烟酒类城市居民消费价格指数、规定以上工业总产值、教育文化娱乐类城市居民消费价格指数、商品房销售面积等经济指标与污水处理厂历史进水水质情况进行关联性分析，得出各经济指标与污水处理厂进水水质的关系，再根据城市前一季度的各经济指标，预测出城市下一季度的经济情况。有了经济与污水处理厂进水水质的关系以及城市下一季度的经济情况，便可对污水处理厂下一季度的进水水质进行预测。
具体实施时，步骤2中，将预测用数据输入污水处理进水水质预测模型前还包括：
按下式利用预测用数据生成数据矩阵：
Figure BDA0003016268020000051
式中，
Figure BDA0003016268020000052
表示第i类预测用数据，i＝1,2，...，α，α表示预测用数据的类别数；
Figure BDA0003016268020000053
式中，
Figure BDA0003016268020000054
表示第i类预测用数据中第k种预测用数据，γ表示每类预测用数据中的预测用数据种数；
按下式确定参考数据序列：
Figure BDA0003016268020000055
式中，
Figure BDA0003016268020000056
表示第i类参考数据，
Figure BDA0003016268020000057
表示第i类参考数据中第k种参考数据；
按下式对数据矩阵进行转换，构建无量纲数据矩阵：
Figure BDA0003016268020000058
按下式计算相关系数：
Figure BDA0003016268020000061
式中，δα(k)表示预测用数据与对应的参考数据的相关系数，ε为判别系数，ε∈(0,1)，将相关系数小于0.7的数据过滤掉。
本发明中，在将数据输入预测模型进行预测前，还可以对数据进行清洗，去除掉对预测结果影响不明显的数据，进而减小计算量，提高预测效率。
以某市某污水处理厂为例，用本发明对其进水水质进行预测。预测结果显示进水SS(固体悬浮物)预测准确率为91.64％，TP(总磷量)预测准确率为91.93％，NH4+-N预测准确率为91.20％，TN(总氮量)预测准确率为80.99％。
该污水处理厂相关数据见附图3，进水SS预测结果见附图4，进水TP预测结果见附图5，进水NH4+-N预测结果见附图6，进水TN预测结果见附图7.
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。

Claims (5)

1.一种基于外围数据关联分析的污水处理进水水质预测方法，其特征在于，包括：
S1、获取预测用数据；
S2、将预测用数据输入污水处理进水水质预测模型；
S3、输出进水水质预测结果。
2.如权利要求1所述的基于外围数据关联分析的污水处理进水水质预测方法，其特征在于，预测用数据包括气象数据及经济数据。
3.如权利要求2所述的基于外围数据关联分析的污水处理进水水质预测方法，其特征在于，气象数据包括降雨量数据/或气温数据。
4.如权利要求2所述的基于外围数据关联分析的污水处理进水水质预测方法，其特征在于，经济数据包括城市生产总值、进出口总额、社会消费品零售总额、工业销售产值、工业总产值、城市居民消费价格指数、食品城市居民消费价格指数、非食品城市居民消费价格指数、消费品城市居民消费价格指数、食品烟酒类城市居民消费价格指数、规模以上工业总产值、教育文化娱乐类城市居民消费价格指数及商品房销售面积中的任意一项或多项。
5.如权利要求1至4任一项所述的基于外围数据关联分析的污水处理进水水质预测方法，其特征在于，步骤2中，将预测用数据输入污水处理进水水质预测模型前还包括：
按下式利用预测用数据生成数据矩阵：
Figure FDA0003016268010000011
式中，
Figure FDA0003016268010000012
表示第i类预测用数据，i＝1,2，…，α，α表示预测用数据的类别数；
Figure FDA0003016268010000013
式中，
Figure FDA0003016268010000014
表示第i类预测用数据中第k种预测用数据，γ表示每类预测用数据中的预测用数据种数；
按下式确定参考数据序列：
Figure FDA0003016268010000015
式中，
Figure FDA0003016268010000016
表示第i类参考数据，i＝1,2，...，α，
Figure FDA0003016268010000017
表示第i类参考数据中第k种参考数据；
按下式对数据矩阵进行转换，构建无量纲数据矩阵：
Figure FDA0003016268010000021
按下式计算相关系数：
Figure FDA0003016268010000022
式中，δα(k)表示预测用数据与对应的参考数据的相关系数，ε为判别系数，ε∈(0,1)，将相关系数小于0.7的数据过滤掉。
CN202110389991.7A 2021-04-12 2021-04-12 一种基于外围数据关联分析的污水处理进水水质预测方法 Pending CN112949943A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110389991.7A CN112949943A (zh) 2021-04-12 2021-04-12 一种基于外围数据关联分析的污水处理进水水质预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110389991.7A CN112949943A (zh) 2021-04-12 2021-04-12 一种基于外围数据关联分析的污水处理进水水质预测方法

Publications (1)

Publication Number Publication Date
CN112949943A true CN112949943A (zh) 2021-06-11

Family

ID=76231892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110389991.7A Pending CN112949943A (zh) 2021-04-12 2021-04-12 一种基于外围数据关联分析的污水处理进水水质预测方法

Country Status (1)

Country Link
CN (1) CN112949943A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106094517A (zh) * 2016-06-17 2016-11-09 上海环保工程成套有限公司 一种变工况污水处理过程的多模型预测控制方法
CN106991437A (zh) * 2017-03-20 2017-07-28 浙江工商大学 基于随机森林预测污水水质数据的方法及系统
CN108009963A (zh) * 2017-07-19 2018-05-08 国家电网公司西南分部 基于灰色理论的经济转型发展与能源需求关联性评估系统
CN110287652A (zh) * 2019-07-24 2019-09-27 浙江师范大学 基于径向神经网络和灰色关联度分析建模预测供水系统中三卤甲烷浓度的方法
CN111592107A (zh) * 2020-06-04 2020-08-28 中冶华天工程技术有限公司 一种农村污水处理站控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106094517A (zh) * 2016-06-17 2016-11-09 上海环保工程成套有限公司 一种变工况污水处理过程的多模型预测控制方法
CN106991437A (zh) * 2017-03-20 2017-07-28 浙江工商大学 基于随机森林预测污水水质数据的方法及系统
CN108009963A (zh) * 2017-07-19 2018-05-08 国家电网公司西南分部 基于灰色理论的经济转型发展与能源需求关联性评估系统
CN110287652A (zh) * 2019-07-24 2019-09-27 浙江师范大学 基于径向神经网络和灰色关联度分析建模预测供水系统中三卤甲烷浓度的方法
CN111592107A (zh) * 2020-06-04 2020-08-28 中冶华天工程技术有限公司 一种农村污水处理站控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李茜茜: "沁河流域晋城段水质评价及影响因素分析", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 *
梁华银: "基于多元线性回归与灰色关联分析模型的污水排放预测", 《现代营销(学苑版)》 *

Similar Documents

Publication Publication Date Title
CN113962364A (zh) 一种基于深度学习的多因素用电负荷预测方法
CN103295075B (zh) 一种超短期电力负荷预测与预警方法
CN111079989B (zh) 一种基于dwt-pca-lstm的供水公司供水量预测装置
CN110222888A (zh) 一种基于bp神经网络的日平均电力负荷预测方法
CN104715292A (zh) 基于最小二乘支持向量机模型的城市短期用水量预测方法
Song et al. Estimate the daily consumption of natural gas in district heating system based on a hybrid seasonal decomposition and temporal convolutional network model
Wang et al. A full-view management method based on artificial neural networks for energy and material-savings in wastewater treatment plants
CN114169574A (zh) 一种通过工业运行电力指数进行大气污染预测的方法
CN111191193A (zh) 一种基于自回归滑动平均模型的长期土壤温湿度高精度预测方法
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
Wang et al. Reliable model of reservoir water quality prediction based on improved ARIMA method
CN114862032B (zh) 一种基于XGBoost-LSTM的电网负荷预测方法及装置
CN115222106A (zh) 一种自适应模型的用户日前负荷预测方法
CN110163444A (zh) 一种基于gasa-svr的需水预测方法
CN114595861A (zh) 基于mstl和lstm模型的中长期电力负荷预测方法
CN112132334A (zh) 一种用于城市生活垃圾产量的预测方法
Guan et al. Ultra-short-term wind power prediction method based on FTI-VACA-XGB model
CN114757416A (zh) 一种基于定额法的需水预测方法及系统
CN114091776A (zh) 一种基于K-means的多分支AGCNN短期电力负荷预测方法
CN113570414A (zh) 基于改进Adam算法优化深度神经网络的电价预测方法
CN112949943A (zh) 一种基于外围数据关联分析的污水处理进水水质预测方法
CN116826745A (zh) 一种电力系统背景下的分层分区短期负荷预测方法及系统
Atabay et al. Multivariate time series forecasting using arimax, sarimax, and rnn-based deep learning models on electricity consumption
CN116108961A (zh) 一种基于arima-svm模型的干旱预测方法及系统
Du et al. Research on logistics demand forecast based on the combination of grey GM (1, 1) and BP neural network

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210611