CN113838542A - 化学需氧量智能预测方法和系统 - Google Patents

Abstract

本发明涉及化学需氧量(COD)智能预测方法和系统。其中的方法包括步骤：通过传感器采集用于预测COD的输入对象数据组，并对数据组作预处理；建立卷积神经网络(CNN)与共享权值记忆神经网络(SWLSTM)结合高斯过程回归(GPR)的融合预测模型，将所述预处理后输入对象数据组输入到模型中，对模型进行训练；利用训练后模型对所述输出对象进行智能预测和评估，并得到分析结果。其中的系统包括传感器阵列和计算机装置，所述传感器阵列至少包括温度传感器、pH传感器和溶解氧传感器，所述计算机装置用于实施所述方法。本发明可解决水体COD测试难度大、成本高等问题，并提供一种更加高效、智能和便捷的预测和评估应用。

Description

化学需氧量智能预测方法和系统

技术领域

本发明属于水体测控技术领域，具体涉及化学需氧量(COD)智能预测方法和系统。

背景技术

化学需氧量(chemical oxygen demand，COD)，是指在一定条件下，用强氧化剂处理水样所消耗氧化剂的量，单位以氧的毫克/升来表示，其值的大小在一定程度上反映了水中受还原性物质污染的程度，是受污染水体及污水水质状况评价的重要指标之一。

常规COD在线监测可分为重铬酸钾法、UV法等，在水样分析前通常需要进行预处理，去除其中颗粒物质，继而进行消解、冷却和测定等工序，分析流程长、耗时多，消耗大量强酸性、强氧化性化学试剂，不经济，不环保。此外，对于稳定的污水处理单元或过程，其处理效率和水质情况(如COD)相对稳定，从运营及管控效率和经济性方面考虑，不必要多次取样分析检测。为了解决稳态/非稳态过程中水体COD在线监测过程中的问题，有研究者提出建立系统数据驱动的软测量模型来预测和评估水污染状况，取得了较良好的效益。

经典的软测量模型有多元统计回归、人工神经网络和支持向量机等，但当面对复杂污水处理过程(如污水处理生化工段)时，其模型预测效果不佳。基于深度学习的软测量技术，其深层的结构理论上使得深度学习算法能映射更多非线性函数，可以解决复杂多参数非线性问题，与传统静态建模方法相比，大幅提高建模效率和效果。然而，深度学习有多种框架，如何针对污水处理过程典型水质波动及COD变化特征，开发新型COD智能预测与评估方法及其系统，进而满足污水处理过程智能监管及评估等问题亟待解决。

发明内容

本发明提供化学需氧量(COD)智能预测与评估的技术方案，旨在至少解决现有水化学需氧量(COD)智能预测与评估技术中存在的技术问题之一。具体地，本发明提出一种基于卷积神经网络(CNN)与共享权值长短时记忆神经网络(SWLSTM)结合高斯过程回归(GPR)的融合预测模型，其中，CNN与SWLSTM(简称CSWLSTM)可用于提升单元出水端COD预测精度，GPR可用于量化单元出水端COD预测的不确定性(又称区间预测)，进而构建相应智能预测与评估系统，实现水中化学需氧量(COD)智能预测与评估。

本发明的技术方案一方面涉及一种化学需氧量(COD)智能预测与评估方法，其包括以下步骤：

S1、通过传感器采集获取COD预测用输入对象数据组，并对数据组作预处理；

S2、建立卷积神经网络(CNN)与共享权值长短时记忆神经网络(SWLSTM)(可简写CNN-SWLSTM)结合高斯过程回归(GPR)的融合预测模型，将所述预处理后输入对象数据组输入到模型中，对模型进行训练；

S3、利用训练后模型对所述输出对象进行智能预测和评估，并得到分析结果。

其中，所述输入对象至少包括单元水体温度(T)、pH、溶解氧(DO)、流量(Q)和单元进水端化学需氧量(COD_inf)，输出对象至少包括单元出水端化学需氧量(COD_eff)。

进一步，所述步骤S1包括：以相隔的预设时间离散采集第一组输入对象的数据组；以所述预设时间的时间段，连续采集第二组输入对象的数据组；将所述第一组输入对象的数据组和所述第二组输入对象的数据组整合后作为深度学习模型的输入数据组，该输入数据组中包含与所述预设时间对应的时间序列数据；其中，所述第一组输入对象至少包括单元温度(T)、pH和单元进水端化学需氧量(COD_inf)，所述第二组输入对象至少包括单元溶解氧(DO)和流量(Q)。

进一步，对于所述步骤S1中融合预测模型，通过将单元历史进水端输入对象数据组和单元历史出水端COD实测数据组成数据集，并划分训练数据与测试数据，其中，所述训练数据与测试数据分别在输入模型前进行归一化处理。

进一步，通过以下公式实施所述训练数据的归一化处理

其中，x^*是归一化后训练数据组，x为原始数据组，min和max分别是训练数据中的最小值和最大值

进一步，所述步骤S2包括将CNN-SWLSTM模型所输出数据组，通过下式执行反归一化处理以获得单元出水端COD点预测中途数据组：

x_*i＝y_t(max-min)+min

其中，x_*i是单元出水端COD点预测中途数据组，y_t是模型所输出数据组。

进一步，所述步骤S3包括：将所述输入对象数据组输入到训练后的CNN-SWLSTM模型中，获取单元出水端COD点预测中途数据组；将所述单元出水端COD点预测中途数据组输入训练后GPR模型中，获取出水COD点预测结果数据组和预测区间。

本发明的技术方案另一方面涉及一种计算机可读存储介质，其上储存有程序指令，所述程序指令被处理器执行时实施上述的方法。

本发明的技术方案另一方面涉及一种化学需氧量(COD)智能预测系统，包括：传感器阵列，所述传感器阵列至少包括温度传感器、pH传感器和溶解氧传感器，所述传感器阵列至少设置在水中；计算机装置，计算机装置包括上述计算机可读存储介质和显示装置，所述计算机装置与所述传感器阵列通信连接。

本发明的有益效果如下：本发明可解决稳态/非稳态过程中水体COD测试难度大、成本高等问题，并提供一种更加高效、智能和便捷的预测和评估应用；本发明适用于各类含生化处理工艺单元的污水处理工程，且能不断更新系统测量模型以保持测量精度。

附图说明

图1是根据本发明的COD智能预测系统结构框图。

图2是根据本发明实施例中的COD智能预测方法的流程图。

图3是根据本发明实施例中基于CNN-SWLSTM结合GPR的融合预测模型实施过程图。

图4是根据本发明实例中的SWLSTM的结构示意图。

图5是根据本发明实例中的COD预测可靠性分析图。

图6是根据本发明实例中的COD预测结果图。

具体实施方式

以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。

在对本发明实施例进行进一步详细说明之前，先对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释：

BOD：biochemical oxygen demand，生物需氧量；

CNN：convolutional neural networks，卷积神经网络；

COD：chemical oxygen demand，化学需氧量；

DO：dissolved oxygen，溶解氧；

GPR：Gaussian process regression，高斯过程回归；

SS：suspended solids，悬浮固体物；

SWLSTM：shared weight long-short term memory，共享权值长短时记忆神经网络。

参照图1，在一些实施例中，根据本发明的一种化学需氧量(COD)智能预测与评估系统分为硬件部分和软件部分。硬件部分可以包括设置于单元进水端现场的探头和计算机装置。在一些实施例中，探头可以安置在水流波动不大的水中，按经验安装在水质调节池中，以便适应某个具体的处理系统的多个过程。计算机装置可位于监控室内，以与探头通讯传输数据。

在一些实施例中，探头可以包括传感器阵列和下位机微处理器。传感器阵列至少包括温度传感器、pH传感器、溶解氧传感器等，传感器阵列内的各个传感器单独工作互不打扰，并分别对水温度、pH、溶解氧等进行采集，并且在微处理器控制下生成具有时间序列的数据。其中，水温是一个重要的输入分析对象，其关联到水中微生物体内各种酶反应，是了解处理状况的一个重要指标。同样地，pH和溶解氧也是反映水体特性的重要分析对象。具体地，传感器温度测定范围是0-100℃，pH测定范围是0-14，溶解氧范围是0-100ug/L，0-20mg/L。

在具体的实施例中，微处理器以德州仪器的低功耗单片机MSP430F149，该单片机最高可在8MHz的系统时钟下工作，内置定时器TimerA/TimerB，最多可提供11路PWM输出，内部集成12位的模数转换器，最高转换速率高于200kbps，最多可提供2路串行通信接口。因此，探头的内部微处理器可以将传感器阵列的模拟量数据自动记录并转换数字信号，并将产生的数据传输到计算机装置。优选地，通过无线通讯方式将数字信号传到计算机装置。

计算机装置运行软测量软件和显示程序，以实施根据本发明的一种化学需氧量(COD)智能预测与评估方法。

现在参照图2与图3，在一些实施例中，根据本发明的一种化学需氧量(COD)智能预测与评估方法包括以下步骤：

S1、通过传感器采集获取COD预测用输入对象数据组，所述输入对象至少包括单元水体温度(T)、pH、溶解氧(DO)、流量(Q)和单元进水端化学需氧量(COD_inf)；

S2、将所述输入对象数据组预处理后，输入到训练后的卷积神经网络(CNN)与共享权值长短时记忆神经网络(SWLSTM)(简写CSWLSTM)结合GPR的融合预测模型，得到单元出水端COD点预测结果数据组和预测区间，然后可将预测结果数据显示在计算机装置界面中；

S3、根据需要，间隔适当时间采集出水水样，分析获得COD实测数据，以更新所述融合预测模型参数。

对于步骤S1和S2之间，也是在执行步骤S2之前，需要对接收到的数据(包括温度、pH、溶解氧、历史所测得入水流量和COD)进行归一化后，结合日常所测单元出水端COD数据(也进行归一化处理)，训练产生一个可用的学习模型。通过以下公式实施所述训练数据的归一化处理：

其中，x*是归一化的训练数据组，x为原始数据组，min和max分别是训练数据中的最小值和最大值；

对于步骤S2，其中采用了CSWLSTM模型。其结构如图4，具体数据处理过程体现如下：

(1)计算新输入门状态

net_t＝W_f·[C_t-1，h_t-1，x_t]+b_f

f_f＝σ(net_t)

(2)更新细胞状态

C_t＝f_t·C_t-₁+(1-f_t)·tannh(net_t)

(3)计算隐含层的输出

o_t＝σ(a_t)＝σ(W_o·[h_t-1，x_t]+b_o)

h_t＝o_t·tanh(C_t)

(4)得到输出值

y_t＝σ(h_t)

其中，[W_f,b_f]和[W_o,b_o]是两组需要优化的权重变量，net_t为组合门的输入状态，f_t为组合的新的遗忘门状态，C_t和C_t-1分别是前后时刻的单元状态，ot为隐藏层输出，h_t和h_t-1分别是前后时刻的隐藏层输出，x_t和y_t分别是输入值和点预测值，σ()和tanh()分别是sigmoid和tanh函数，“·”表示相应矩阵乘法。所用GPR是基于贝叶斯推断的非参数方法。

对于步骤S3，当所分析获得的单元出水端COD实测数据与出水端COD点预测值差异值超出误差指标并且差异次数超数量阈值，更新单元出水端COD预测数据的训练数据，及更新所述融合预测模型参数。

下面通过具体的实施例来描述上述方法的细节。

以本发明技术方案在某污水处理厂的技术测试为例，从好氧生化池前采集了170组进水数据，包括温度T、pH、溶解氧DO、入水流量Q和进水COD值。然后从出二次沉淀池出口对应采集了170组出水数据，包括出水COD值，上述初始数据经过预处理后导入到模型中输入层。具体数据预处理过程如下，

对进水COD值、流量Q、pH、温度T、溶解氧DO、出水COD值共6种数值型污水水质特征数据进行归一化处理。对于第x种数值型数据G_x＝[g_x1，g_x2，…，g_xi，…，g_xn](x＝1,2，…，6)；n为数据总数。将第x种中第i个原始数据值g_xi映射到区间[0,1]的结果为g′_xi，其计算公式为：

式中：minG_x为第x维特征值G_x的最小值；maxG_x为第x维特征值F_x的最大值。随机初始化数据，共170组污水水质特征数，其中前140组作为训练集，后30组作为测试集。经过以上的步骤后，污水水质特征数据就变成隐含层能够直接接受并处理的特征向量形式。

然后，预处理后的数据在CSWLSTM与GPR融合预测模型中的处理过程如图3所示。预处理后的170组数据被分为训练组

(n＝140)与测试集

(m＝30)，训练时，首先Xtr被用于训练SWLSTM的参数，得到训练好的SWLSTM，然后

与

被送入SWLSTM模型分别输出(x₁,x₂,…,x_n)和(x_*1,x_*2,…,x_*m)，然后(x₁,x₂,…,x_n)、(x_*1,x_*2,…,x_*m)与(y₁,y₂,…,y_n)共同输入GPR模型中，得到点预测结果(Y₁,Y₂,…,Y_N)以及相关区间预测。在实际操作中，区间预测与点预测结果相关。

实际工作时，探头作用将测得水温，pH和溶解氧信号收集并转换后传送至电脑中的软件，软件自动采用新的到的数据作为参考。但实际使用时，采用相隔一定时间的数据作为一部分测试数据，软件中将这些测试数据和相隔相应时间所测入水流量以及COD数据一并作预处理并作为总测试数据，并将其输入模型软件中，得到点预测结果y_t，该结果以反归一化处理得到最终点预测值y。反归一化公式如下：

y＝y_t(maxG_x-minG_x)+minG_x

其中，y是出水端COD点预测值，y_t是出水端COD点预测结果数据组，minG_x为第x维特征值G_x的最小值；maxG_x为第x维特征值G_x的最大值。图5和图6是本实例中的COD预测可靠性分析及预测结果，分析可知，本实例中预测可靠性指标PIT值均在Kolmogorov 5％可信范围内，结果可靠。

上述实例为本发明较为可靠的结果，但本发明的实施方式并不限于此。作为可更新的COD在线监测系统，本实施例可以在一定程度上有更好的表现。

应当认识到，本发明实施例中的方法步骤可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还可以包括计算机本身。

计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。

Claims (9)

1.一种化学需氧量(COD)智能预测方法，其特征在于，所述方法包括以下步骤：

S1、通过传感器采集用于化学需氧量(COD)预测的输入对象数据组，并对数据组作预处理；

S2、建立卷积神经网络(CNN)与共享权值长短时记忆神经网络(SWLSTM)结合高斯过程回归(GPR)的融合预测模型，将所述预处理后输入对象数据组输入到模型中，对模型进行训练；

S3、利用训练后模型对所述输出对象进行智能预测和评估分析，并得到分析结果。

2.根据权利要求1所述的方法，其特征在于，所述输入对象至少包括单元水体温度(T)、pH、溶解氧(DO)、流量(Q)和单元进水端化学需氧量(COD_inf)，输出对象至少包括单元出水端的化学需氧量(COD_eff)。

3.根据权利要求1或2所述的方法，其特征在于，所述步骤S1包括：

S101、以相隔的预设时间离散采集第一组输入对象的数据组；

S102、以所述预设时间的时间段，连续采集第二组输入对象的数据组；

S103、将所述第一组输入对象的数据组和所述第二组输入对象的数据组整合后作为深度学习模型的输入数据组，该输入数据组中包含与所述预设时间对应的时间序列数据；

其中，所述第一组输入对象至少包括单元温度(T)、pH和单元进水端化学需氧量(COD_inf)，所述第二组输入对象至少包括单元溶解氧(DO)和流量(Q)。

4.根据权利要求1所述的方法，其特征在于，对于所述步骤S1中融合预测模型，通过将单元历史进水端输入对象数据组和单元历史出水端的化学需氧量(COD)实测数据组成数据集，并划分训练数据与测试数据，其中，所述训练数据与测试数据分别在输入模型前进行归一化处理。

5.根据权利要求4所述的方法，其特征在于：

通过以下公式实施所述训练数据的归一化处理

其中，x^*是归一化后训练数据组，x为原始数据组，min和max分别是训练数据中的最小值和最大值。

6.根据权利要求4或5所述的方法，其特征在于，所述步骤S2包括：

S201、将所述融合预测模型中的卷积神经网络(CNN)与共享权值长短时记忆神经网络(SWLSTM)所输出的数据组，通过下式执行反归一化处理以获得单元出水端的化学需氧量(COD)点预测中途数据组：

x_*i＝y_t(max-min)+min

其中，x_*i是单元出水端的化学需氧量(COD)点预测中途数据组，y_t是SWLSTM模型所输出数据组；

S202、建立卷积神经网络(CNN)与共享权值长短时记忆神经网络(SWLSTM)并结合GPR的融合预测模型；

S203、将所述预处理后输入对象数据组输入到融合预测模型中，根据损失函数与优化器对卷积神经网络(CNN)与共享权值长短时记忆神经网络(SWLSTM)进行训练；

其中，损失函数为均方误差(MSE)：

其中，y_i为训练数据集中单元出水端的化学需氧量(COD)实测数据组，N为数据集维度；并采用Adam优化器对融合预测模型进行优化。

7.根据权利要求1所述的方法，其特征在于，所述步骤S3包括：

S301、将测试集输入至所述融合预测模型中，获取单元出水端的化学需氧量(COD)点预测中途数据组；

S302、将所述单元出水端的化学需氧量(COD)点预测中途数据组输入GPR模型中，得到点预测结果数据组(x_i,y_i)和预测区间

其中α为置信区间；

S303、对点预测结果与区间预测结果进行分析，其中，点预测结果使用均方根误差(RMSE)、平均绝对误差(MAE)以及相关系数(R²)方法进行分析，区间预测使用预测区间覆盖概率(PICP)方法进行分析

其中，Y_i为测试集中化学需氧量(COD)实际值。

8.一种计算机可读存储介质，其上储存有程序指令，所述程序指令被处理器执行时实施如权利要求1至7中任一项所述的方法。

9.一种化学需氧量(COD)智能预测系统，其特征在于，包括

传感器阵列，所述传感器阵列至少包括温度传感器、pH传感器和溶解氧传感器，所述传感器阵列至少设置在水中；

计算机装置，计算机装置包括根据权利要求8所述的计算机可读存储介质和显示装置，所述计算机装置与所述传感器阵列通信连接。

Images