CN114239417A - 一种供水系统中氨氮含量的综合评估方法与终端 - Google Patents
一种供水系统中氨氮含量的综合评估方法与终端 Download PDFInfo
- Publication number
- CN114239417A CN114239417A CN202111587920.4A CN202111587920A CN114239417A CN 114239417 A CN114239417 A CN 114239417A CN 202111587920 A CN202111587920 A CN 202111587920A CN 114239417 A CN114239417 A CN 114239417A
- Authority
- CN
- China
- Prior art keywords
- ammonia nitrogen
- nitrogen content
- data
- term memory
- short term
- 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
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 title claims abstract description 156
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 121
- 238000011156 evaluation Methods 0.000 title claims abstract description 24
- 230000007613 environmental effect Effects 0.000 claims abstract description 62
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 56
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 230000007787 long-term memory Effects 0.000 claims abstract description 32
- 230000006403 short-term memory Effects 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 239000003814 drug Substances 0.000 claims abstract description 14
- 239000003153 chemical reaction reagent Substances 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 60
- 230000015654 memory Effects 0.000 claims description 49
- 210000002569 neuron Anatomy 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000013450 outlier detection Methods 0.000 claims description 11
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 8
- 239000003795 chemical substances by application Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 239000001301 oxygen Substances 0.000 claims description 8
- 229910052760 oxygen Inorganic materials 0.000 claims description 8
- 230000014759 maintenance of location Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 238000012545 processing Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010170 biological method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004659 sterilization and disinfection Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 239000003651 drinking water Substances 0.000 description 2
- 235000020188 drinking water Nutrition 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种供水系统中氨氮含量的综合评估方法与终端；本发明获取历史人工采集的水质数据、环境因子以及生物处理后且在人工投入药剂前实测的氨氮含量，并生成训练集；使用卷积神经网络和双向长短期记忆网络算法建立氨氮含量预测模型，并使用所述训练集对所述氨氮含量预测模型进行训练，得到训练后的氨氮含量预测模型；获取当前的所述水质数据以及所述环境因子，并将所述水质数据和所述环境因子输入所述氨氮含量预测模型，得到生物处理后且在人工投入药剂前的预测氨氮含量；本发明的技术方案在不需要购买氨氮监测设备的情况下即实现了氨氮浓度的自动检测，极大地降低了氨氮浓度的检测成本，同时在保证出水安全的情况下，减少了药剂投加量。
Description
技术领域
本发明涉及饮用水处理技术领域，特别涉及一种供水系统中氨氮含量的综合评估方法与终端。
背景技术
供水系统中去除氨氮的方法分为物理法、化学法和生物法，目前大多数水厂首先会采用化学法+生物法的方式去除氨氮。并且生物法去除氨氮是一个动态的过程，即去除效果会随着多种因素产生去除效率不稳定的现象，水厂为了保证出水水质，往往采用投加氯的方法对氨氮进行去除，该方式不仅增加了水厂的药耗，同时氯投加量过多还可能会造成消毒副产物增大的风险，最终危害人体的健康。因此，为了保证人体健康，还是需要监测进水水质情况，然后通过标准规范中的公式，结合投加药剂浓度、进水水质的检测情况，以及水厂单位时间内处理水量情况，进行核算后设置药剂的投加速度以及稍过量的药剂。
现阶段，大多水厂需要工作人员每天都通过人工检测的方法对进水水源水质进行监测，少数已经采用自动化监测水质的水厂多监测常规水质5参数，即pH、温度、电导率、溶解氧、浊度。而氨氮作为饮用水中较难去除且可能因其在管网中不完全氧化会对人体造成损害的物质，增设一台氨氮监测设备约为30万元左右，后续使用过程中每年还需更换药剂及运行维护，因此只有极少数水厂会对其进行自动监测。
即现有技术的氨氮浓度检测需要通过价格昂贵的氨氮监测设备或人工进行检测，成本较高。
发明内容
本发明所要解决的技术问题是：提供一种供水系统中氨氮含量的综合评估方法与终端，降低氨氮浓度的检测成本。
为了解决上述技术问题，本发明采用的技术方案为：
一种供水系统中氨氮含量的综合评估方法，包括步骤：
S1、获取历史人工采集的水质数据、环境因子以及生物处理后且在人工投入药剂前实测的氨氮含量，并生成训练集，其中所述水质数据和所述环境因子为输入数据，所述氨氮含量为输出数据，所述水质数据包括水温、PH值、溶解氧、浊度、降雨量，所述环境因子包括气温、水量、检测日期以及水力停留时间；
S2、使用卷积神经网络和双向长短期记忆网络算法建立氨氮含量预测模型，并使用所述训练集对所述氨氮含量预测模型进行训练，得到训练后的氨氮含量预测模型；
S3、获取当前的所述水质数据以及所述环境因子，并将所述水质数据和所述环境因子输入所述氨氮含量预测模型，得到生物处理后且在人工投入药剂前的预测氨氮含量。
为了解决上述技术问题，本发明采用的另一种技术方案为：
一种供水系统中氨氮含量的综合评估终端，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
S1、获取历史人工采集的水质数据、环境因子以及生物处理后且在人工投入药剂前实测的氨氮含量，并生成训练集，其中所述水质数据和所述环境因子为输入数据，所述氨氮含量为输出数据，所述水质数据包括水温、PH值、溶解氧、浊度、降雨量，所述环境因子包括气温、水量、检测日期以及水力停留时间；
S2、使用卷积神经网络和双向长短期记忆网络算法建立氨氮含量预测模型，并使用所述训练集对所述氨氮含量预测模型进行训练，得到训练后的氨氮含量预测模型；
S3、获取当前的所述水质数据以及所述环境因子，并将所述水质数据和所述环境因子输入所述氨氮含量预测模型，得到生物处理后且在人工投入药剂前的预测氨氮含量。
本发明的有益效果在于：本发明的技术方案通过卷积神经网络和双向长短期记忆网络算法建立了氨氮含量预测模型，并进行训练，仅通过常规检测参数、易检测的环境因子以及历史的检测数据即可推算出生物处理后且在人工投入药剂前的氨氮浓度，在不需要购买氨氮监测设备的情况下即实现了氨氮浓度的自动检测，不需要人工检测，极大地降低了氨氮浓度的检测成本，同时预测的是生物处理后且在人工投入药剂前的氨氮浓度，降低了因为环境因素导致生物处理对氨氮的处理效果不同所产生的偏差，保证了出水安全的情况下，减少了药剂投加量。
附图说明
图1为本发明的一种供水系统中氨氮含量的综合评估方法的流程图；
图2为本发明的一种供水系统中氨氮含量的综合评估终端的结构图；
图3为本发明的一种供水系统中氨氮含量的综合评估方法的具体流程图；
标号说明：
1、一种供水系统中氨氮含量的综合评估终端；2、处理器；3、存储器。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
请参照图1以及图3，一种供水系统中氨氮含量的综合评估方法，包括步骤：
S1、获取历史人工采集的水质数据、环境因子以及生物处理后且在人工投入药剂前实测的氨氮含量，并生成训练集，其中所述水质数据和所述环境因子为输入数据，所述氨氮含量为输出数据，所述水质数据包括水温、PH值、溶解氧、浊度、降雨量，所述环境因子包括气温、水量、检测日期水量、检测日期以及水力停留时间；
S2、使用卷积神经网络和双向长短期记忆网络算法建立氨氮含量预测模型，并使用所述训练集对所述氨氮含量预测模型进行训练，得到训练后的氨氮含量预测模型；
S3、获取当前的所述水质数据以及所述环境因子，并将所述水质数据和所述环境因子输入所述氨氮含量预测模型，得到生物处理后且在人工投入药剂前的预测氨氮含量。
从上述描述可知，本发明的有益效果在于：本发明的技术方案通过卷积神经网络和双向长短期记忆网络算法建立了氨氮含量预测模型，并进行训练，利用供水系统中氨氮的季节周期性，仅通过常规检测参数、易检测的环境因子以及历史的检测数据即可推算出出水的氨氮浓度，在不需要购买氨氮监测设备的情况下即实现了氨氮浓度的自动检测，不需要人工检测，极大地降低了氨氮浓度的检测成本；本申请的技术方案考虑到环境因素对水处理过程中的影响，预测的是生物处理后且在人工投入药剂前的氨氮浓度而非原水中的氨氮浓度，避免了按经验进行加药则可能出现的氨氮泄露或加药量过多产生消毒副产物的现象，在保证了出水安全的情况下，减少了药剂投加量。
进一步地，所述使用卷积神经网络和双向长短期记忆网络算法进行氨氮含量预测模型的建模具体包括：
建立卷积神经网络模型、建立双向长短期记忆网络模型并建立扁平化处理步骤，由所述卷积神经网络模型、所述双向长短期记忆网络模型和扁平化处理步骤组成所述氨氮含量预测模型，所述扁平化处理步骤用于对卷积神经网络模型输出的数据进行扁平化处理后输入所述双向长短期记忆网络模型。
由上述描述可知，氨氮含量预测模型由卷积神经网络模型和双向长短期记忆模型以及扁平化处理步骤组成，在将水质数据以及环境因子输入卷积神经网络模型得到输出数据后，还需要对输出数据进行扁平化处理得到一维数据，并将得到的一维数据给到双向长短期记忆网络进行处理。
进一步地，建立所述卷积神经网络模型具体包括步骤：
S21、构建矩阵神经元层k1，所述矩阵神经元层由按照时间顺序排列的水质数据以及环境因子形成，
S22、构建卷积层k2，k2＝z*n，其中z为卷积层神经元与前一次神经元的连接个数，n为矩阵列数，z<n，样品输入为[samples,timesteps]，其中samples为样品信息，samples＝k1(n)*k2(n)，timesteps为输入数据的时间范围。
由上述描述可知，卷积神经网络模型的建立包括构建矩阵神经元层以及构建卷积层。
进一步地，建立双向长短期记忆网络模型具体包括步骤：
S23、构建长短期记忆网络模型模型，包括遗忘门函数ft＝σ(Wfxt+Ufht-1+bf)、输入门函数it＝σ(Wixt+Uiht-1+bi)、输出门函数ot＝σ(Woxt+Uoht-1+bo)和状态函数，所述状态函数包括输入状态函数
和内部状态函数
S24、基于所述长短期记忆网络模型构建所述双向长短期记忆网络模型模型，实现正向和反向传播的双向循环结构；
S25、配置长短期记忆网络激活函数：
和卷积神经网络激活函数：
其中，σ表示卷积神经网络激活函数S(x)，Wf、Uf和bf表示遗忘门参数，xt表示t时刻的输入值，ht-1表示t-1时刻的输出，Wi、Ui和bi表示输入门参数，
表示t时刻输入状态，tanh表示长短期记忆网络激活函数，Wc、Uc和bc表示输入状态参数，Wo、Uo和bo表示输出门参数，
表示t时刻正向LSTM内部状态，
表示t-1时刻正向LSTM网络的内部状态，
表示t时刻反向LSTM网络的内部状态，
表示t-1时刻反向LSTM网络的内部状态，LSTM表示LSTM网络函数。
进一步地，所述步骤S1具体包括步骤：
S11、获取历史人工采集的历史数据，所述历史数据包括水质数据、环境因子以及生物处理后且在人工投入药剂前实测的氨氮含量，并对所述历史数据进行离群点检测，得到第一缺失值以及异常值；
S12抛弃所述异常值，得到第二缺失值，使用拉格朗日插值法对所述第一缺失值以及所述第二缺失值进行填补；
S13、将所述历史数据随机拆分为训练集和测试集，所述训练集的数据量为所述历史数据的80％，所述测试集的数据量为所述历史数据的20％。
由上述描述可知，本发明对历史数据机型了离群点检测，将对其中的异常值和缺失值进行了处理，实现了数据清洗，保证了训练数据和检测数据的准确性，从而保证了训练结果的准确性。
请参照图2，一种供水系统中氨氮含量的综合评估终端，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
S1、获取历史人工采集的水质数据、环境因子以及生物处理后且在人工投入药剂前实测的氨氮含量，并生成训练集，其中所述水质数据和所述环境因子为输入数据，所述氨氮含量为输出数据，所述水质数据包括水温、PH值、溶解氧、浊度、降雨量，所述环境因子包括气温、水量、检测日期以及水力停留时间；
S2、使用卷积神经网络和双向长短期记忆网络算法建立氨氮含量预测模型，并使用所述训练集对所述氨氮含量预测模型进行训练，得到训练后的氨氮含量预测模型；
S3、获取当前的所述水质数据以及所述环境因子，并将所述水质数据和所述环境因子输入所述氨氮含量预测模型，得到生物处理后且在人工投入药剂前的预测氨氮含量。
从上述描述可知，本发明的有益效果在于：本发明的技术方案通过卷积神经网络和双向长短期记忆网络算法建立了氨氮含量预测模型，并进行训练，利用供水系统中氨氮的季节周期性，仅通过常规检测参数、易检测的环境因子以及历史的检测数据即可推算出出水的氨氮浓度，在不需要购买氨氮监测设备的情况下即实现了氨氮浓度的自动检测，不需要人工检测，极大地降低了氨氮浓度的检测成本；本申请的技术方案考虑到环境因素对水处理过程中的影响，预测的是生物处理后且在人工投入药剂前的氨氮浓度而非原水中的氨氮浓度，避免了按经验进行加药则可能出现的氨氮泄露或加药量过多产生消毒副产物的现象，在保证了出水安全的情况下，减少了药剂投加量。
进一步地，所述使用卷积神经网络和双向长短期记忆网络算法进行氨氮含量预测模型的建模具体包括：
建立卷积神经网络模型、建立双向长短期记忆网络模型并建立扁平化处理步骤，由所述卷积神经网络模型、所述双向长短期记忆网络模型和扁平化处理步骤组成所述氨氮含量预测模型，所述扁平化处理步骤用于对卷积神经网络模型输出的数据进行扁平化处理后输入所述双向长短期记忆网络模型。
由上述描述可知，氨氮含量预测模型由卷积神经网络模型和双向长短期记忆模型以及扁平化处理步骤组成，在将水质数据以及环境因子输入卷积神经网络模型得到输出数据后，还需要对输出数据进行扁平化处理得到一维数据，并将得到的一维数据给到双向长短期记忆网络进行处理。
进一步地，建立所述卷积神经网络模型具体包括步骤：
S21、构建矩阵神经元层k1，所述矩阵神经元层由按照时间顺序排列的水质数据以及环境因子形成，
S22、构建卷积层k2，k2＝z*n，其中z为卷积层神经元与前一次神经元的连接个数，n为矩阵列数，z＜n，样品输入为[samples，timesteps]，其中samples为样品信息，samples＝k1(n)*k2(n)，timesteps为输入数据的时间范围。
由上述描述可知，卷积神经网络模型的建立包括构建矩阵神经元层以及构建卷积层。
进一步地，建立双向长短期记忆网络模型具体包括步骤：
S23、构建长短期记忆网络模型模型，包括遗忘门函数ft＝σ(Wfxt+Ufht-1+bf)、输入门函数it＝σ(Wixt+Uiht-1+bi)、输出门函数ot＝σ(Woxt+Uoht-1+bo)和状态函数，所述状态函数包括输入状态函数
和内部状态函数
S24、基于所述长短期记忆网络模型构建所述双向长短期记忆网络模型模型，实现正向和反向传播的双向循环结构；
S25、配置长短期记忆网络激活函数：
和卷积神经网络激活函数：
其中，σ表示卷积神经网络激活函数S(x)，Wf、Uf和bf表示遗忘门参数，xt表示t时刻的输入值，ht-1表示t-1时刻的输出，Wi、Ui和bi表示输入门参数，
表示t时刻输入状态，tanh表示长短期记忆网络激活函数，Wc、Uc和bc表示输入状态参数，Wo、Uo和bo表示输出门参数，
表示t时刻正向LSTM内部状态，
表示t-1时刻正向LSTM网络的内部状态，
表示t时刻反向LSTM网络的内部状态，
表示t-1时刻反向LSTM网络的内部状态，LSTM表示LSTM网络函数。
进一步地，所述步骤S1具体包括步骤：
S11、获取历史人工采集的历史数据，所述历史数据包括水质数据、环境因子以及生物处理后且在人工投入药剂前实测的氨氮含量，并对所述历史数据进行离群点检测，得到第一缺失值以及异常值；
S12抛弃所述异常值，得到第二缺失值，使用拉格朗日插值法对所述第一缺失值以及所述第二缺失值进行填补；
S13、将所述历史数据随机拆分为训练集和测试集，所述训练集的数据量为所述历史数据的80％，所述测试集的数据量为所述历史数据的20％。
由上述描述可知，本发明对历史数据机型了离群点检测，将对其中的异常值和缺失值进行了处理，实现了数据清洗，保证了训练数据和检测数据的准确性，从而保证了训练结果的准确性。
本发明提供的一种供水系统中氨氮含量的综合评估方法与终端，用于水厂未安装氨氮检测设备，且需要根据氨氮含量计算投药量的场景下。
请参照图1和图3，本发明的实施例一为：
一种供水系统中氨氮含量的综合评估方法，包括步骤：
S1、获取历史人工采集的水质数据、环境因子以及生物处理后且在人工投入药剂前实测的氨氮含量，并生成训练集，其中所述水质数据和所述环境因子为输入数据，所述氨氮含量为输出数据，所述水质数据包括水温、PH值、溶解氧、浊度、降雨量，所述环境因子包括气温、水量、检测日期以及水力停留时间；
所述步骤S1具体包括步骤：
S11、获取历史人工采集的历史数据，所述历史数据包括水质数据、环境因子以及生物处理后且在人工投入药剂前实测的氨氮含量，并对所述历史数据进行离群点检测，得到第一缺失值以及异常值；
S12抛弃所述异常值，得到第二缺失值，使用拉格朗日插值法对所述第一缺失值以及所述第二缺失值进行填补；
S13、将所述历史数据随机拆分为训练集和测试集，所述训练集的数据量为所述历史数据的80％，所述测试集的数据量为所述历史数据的20％。
本实施例中，需要对历史数据进行预处理，主要处理原始数据中的缺失值以及异常值，对原数据进行离群点检测，将异常值视为缺失值，使用拉格朗日插值法对缺失值进行填补。
S2、使用卷积神经网络和双向长短期记忆网络算法建立氨氮含量预测模型，并使用所述训练集对所述氨氮含量预测模型进行训练，得到训练后的氨氮含量预测模型；
所述使用卷积神经网络和双向长短期记忆网络算法进行氨氮含量预测模型的建模具体包括：
建立卷积神经网络模型、建立双向长短期记忆网络模型并建立扁平化处理步骤，由所述卷积神经网络模型、所述双向长短期记忆网络模型和扁平化处理步骤组成所述氨氮含量预测模型，所述扁平化处理步骤用于对卷积神经网络模型输出的数据进行扁平化处理后输入所述双向长短期记忆网络模型；
建立所述卷积神经网络模型具体包括步骤：
S21、构建矩阵神经元层k1，所述矩阵神经元层由按照时间顺序排列的水质数据以及环境因子形成，
S22、构建卷积层k2，k2＝z*n，其中z为卷积层神经元与前一次神经元的连接个数，n为矩阵列数，z＜n，样品输入为[samples，timesteps]，其中samples为样品信息，samples＝k1(n)*k2(n)，timesteps为输入数据的时间范围；
建立双向长短期记忆网络模型具体包括步骤：
S23、构建长短期记忆网络模型模型，包括遗忘门函数ft＝σ(Wfxt+Ufht-1+bf)、输入门函数it＝σ(Wixt+Uiht-1+bi)、输出门函数ot＝σ(Woxt+Uoht-1+bo)和状态函数，所述状态函数包括输入状态函数
和内部状态函数
S24、基于所述长短期记忆网络模型构建所述双向长短期记忆网络模型模型，实现正向和反向传播的双向循环结构；
S25、配置长短期记忆网络激活函数：
和卷积神经网络激活函数：
其中，σ表示卷积神经网络激活函数S(x)，Wf、Uf和bf表示遗忘门参数，xt表示t时刻的输入值，ht-1表示t-1时刻的输出，Wi、Ui和bi表示输入门参数，
表示t时刻输入状态，tanh表示长短期记忆网络激活函数，Wc、Uc和bc表示输入状态参数，Wo、Uo和bo表示输出门参数，
表示t时刻正向LSTM内部状态，
表示t-1时刻正向LSTM网络的内部状态，
表示t时刻反向LSTM网络的内部状态，
表示t-1时刻反向LSTM网络的内部状态，LSTM表示LSTM网络函数。
本实施例中，由卷积神经网络(CNN)提取原始数据的特征，发掘多个特征之间的相互关联并有效滤除噪声和不稳定成分。卷积计算获取输入数据中的局部特征信息。池化层对卷积输出进行降维采样，提取出卷积输出中更为关键的信息，从而防止过拟合。全连接层将池化层输出的特征图谱映射成固定长度的列向量。
而为了有效获取水质环境因子关于时间变化的特征，使用双向长短期记忆网络(Bidirectional Long-Short Term Memory，BiLSTM)对卷积神经网络输出的序列进行进一步处理运算，利用BiLSTM的记忆功能提取时间特征，即通过两个LSTM(长短期记忆网络，Long-Short Term Memory)对数据前后进行训练，然后连接到同一个输出。其中LSTM中包括输入门、遗忘门、输出门，具体步骤为通过输入门控制记忆单元中当前输入的状态；遗忘门对前一个记忆单元处理结果进行筛选保留；输出门控制记忆单元的输出状态。构造CNN-BiLSTM模型，预测出经过生物处理后的出水氨氮浓度。使用SGS算法进行BiLSTM网络超参数选择，确定滞后阶数(lag order)，批量大小(Batch Size)，学习率(Learning Rate)，隐藏层单元数(Number Of Hidden Layers),学习率降低因子(Learning Rate ReductionFactor)，L2正则化系数(L2 Regularization)，最大训练轮数(Number Of TrainingRounds)作为模型学习超参数，并使用自适应矩估计算法(Adaptive Moment Estimation，Adam)作为模型优化器，降低模型训练时间，提高模型精度。
本实施例中，还包括通过测试集对氨氮含量预测模型进行测试，当氨氮含量预测模型的预测结果与测试集中的氨氮浓度误差小于预设值，即认定为预测准确。在氨氮含量预测模型的预测准确率超过预设的准确度期望值，即测试通过，否则需要调整模型参数继续进行训练。本实施例中的准确度期望值为95％，在其他等同实施例中可以为其他数值。
S3、获取当前的所述水质数据以及所述环境因子，并将所述水质数据和所述环境因子输入所述氨氮含量预测模型，得到生物处理后且在人工投入药剂前的预测氨氮含量。
本实施例中，在完成氮含量预测模型的训练和测试后，将当前测得的水质数据和环境因子输入氨氮含量预测模型中，即可得到对应预测氨氮含量，工作人员可以根据预测到的氨氮含量来计算投药量。
请参照图2，本发明的实施例二为：
一种供水系统中氨氮含量的综合评估终端1，包括处理器2、存储器3以及存储在所述存储器3中并可在所述处理器2上运行的计算机程序，所述处理器2执行所述计算机程序时实现以上实施例一中的步骤。
本发明的主要原理在于，通过大量的历史数据统计和汇总，由深度学习算法进行学习，利用水质数据、环境因子和氨氮浓度间存在的特征关联，并结合双向长短时记忆算法对历史数据进行利用，从而根据当前的水质数据和环境因子推导预测出当前的预测氨氮含量。
综上所述，本发明提供的一种供水系统中氨氮含量的综合评估方法与终端，通过卷积神经网络和双向长短期记忆网络算法建立了氨氮含量预测模型，并进行训练，仅通过常规检测参数、易检测的环境因子以及历史同时期的检测数据即可推算出出水的氨氮浓度，在不需要购买氨氮监测设备的情况下即实现了氨氮浓度的自动检测，不需要人工检测，极大地降低了氨氮浓度的检测成本；本申请的技术方案考虑到环境因素对水处理过程中的影响，预测的是生物处理后且在人工投入药剂前的氨氮浓度而非原水中的氨氮浓度，避免了按经验进行加药则可能出现的氨氮泄露或加药量过多产生消毒副产物的现象。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种供水系统中氨氮含量的综合评估方法，其特征在于，包括步骤：
S1、获取历史人工采集的水质数据、环境因子以及生物处理后且在人工投入药剂前实测的氨氮含量，并生成训练集，其中所述水质数据和所述环境因子为输入数据，所述氨氮含量为输出数据，所述水质数据包括水温、PH值、溶解氧、浊度、降雨量，所述环境因子包括气温、水量、检测日期以及水力停留时间；
S2、使用卷积神经网络和双向长短期记忆网络算法建立氨氮含量预测模型，并使用所述训练集对所述氨氮含量预测模型进行训练，得到训练后的氨氮含量预测模型；
S3、获取当前的所述水质数据以及所述环境因子，并将所述水质数据和所述环境因子输入所述氨氮含量预测模型，得到生物处理后且在人工投入药剂前的预测氨氮含量。
2.根据权利要求1所述的一种供水系统中氨氮含量的综合评估方法，其特征在于，所述使用卷积神经网络和双向长短期记忆网络算法进行氨氮含量预测模型的建模具体包括：
建立卷积神经网络模型、建立双向长短期记忆网络模型并建立扁平化处理步骤，由所述卷积神经网络模型、所述双向长短期记忆网络模型和扁平化处理步骤组成所述氨氮含量预测模型，所述扁平化处理步骤用于对卷积神经网络模型输出的数据进行扁平化处理后输入所述双向长短期记忆网络模型。
3.根据权利要求2所述的一种供水系统中氨氮含量的综合评估方法，其特征在于，建立所述卷积神经网络模型具体包括步骤：
S21、构建矩阵神经元层k1，所述矩阵神经元层由按照时间顺序排列的水质数据以及环境因子形成，
S22、构建卷积层k2，k2＝z*n，其中z为卷积层神经元与前一次神经元的连接个数，n为矩阵列数，z<n，样品输入为[samples,timesteps]，其中samples为样品信息，samples＝k1(n)*k2(n)，timesteps为输入数据的时间范围。
4.根据权利要求2所述的一种供水系统中氨氮含量的综合评估方法，其特征在于，建立双向长短期记忆网络模型具体包括步骤：
S23、构建长短期记忆网络模型模型，包括遗忘门函数ft＝σ(Wfxt+Ufht-1+bf)、输入门函数it＝σ(Wixt+Uiht-1+bi)、输出门函数ot＝σ(Woxt+Uoht-1+bo)和状态函数，所述状态函数包括输入状态函数
和内部状态函数
S24、基于所述长短期记忆网络模型构建所述双向长短期记忆网络模型模型，实现正向和反向传播的双向循环结构；
S25、配置长短期记忆网络激活函数：
和卷积神经网络激活函数：
其中，σ表示卷积神经网络激活函数S(x)，Wf、Uf和bf表示遗忘门参数，xt表示t时刻的输入值，ht-1表示t-1时刻的输出，Wi、Ui和bi表示输入门参数，
表示t时刻输入状态，tanh表示长短期记忆网络激活函数，Wc、Uc和bc表示输入状态参数，Wo、Uo和bo表示输出门参数，
表示t时刻正向LSTM内部状态，
表示t-1时刻正向LSTM网络的内部状态，
表示t时刻反向LSTM网络的内部状态，
表示t-1时刻反向LSTM网络的内部状态，LSTM表示LSTM网络函数。
5.根据权利要求1所述的一种供水系统中氨氮含量的综合评估方法，其特征在于，所述步骤S1具体包括步骤：
S11、获取历史人工采集的历史数据，所述历史数据包括水质数据、环境因子以及生物处理后且在人工投入药剂前实测的氨氮含量，并对所述历史数据进行离群点检测，得到第一缺失值以及异常值；
S12抛弃所述异常值，得到第二缺失值，使用拉格朗日插值法对所述第一缺失值以及所述第二缺失值进行填补；
S13、将所述历史数据随机拆分为训练集和测试集，所述训练集的数据量为所述历史数据的80％，所述测试集的数据量为所述历史数据的20％。
6.一种供水系统中氨氮含量的综合评估终端，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：
S1、获取历史人工采集的水质数据、环境因子以及生物处理后且在人工投入药剂前实测的氨氮含量，并生成训练集，其中所述水质数据和所述环境因子为输入数据，所述氨氮含量为输出数据，所述水质数据包括水温、PH值、溶解氧、浊度、降雨量，所述环境因子包括气温、水量、检测日期以及水力停留时间；
S2、使用卷积神经网络和双向长短期记忆网络算法建立氨氮含量预测模型，并使用所述训练集对所述氨氮含量预测模型进行训练，得到训练后的氨氮含量预测模型；
S3、获取当前的所述水质数据以及所述环境因子，并将所述水质数据和所述环境因子输入所述氨氮含量预测模型，得到生物处理后且在人工投入药剂前的预测氨氮含量。
7.根据权利要求6所述的一种供水系统中氨氮含量的综合评估终端，其特征在于，所述使用卷积神经网络和双向长短期记忆网络算法进行氨氮含量预测模型的建模具体包括：
建立卷积神经网络模型、建立双向长短期记忆网络模型并建立扁平化处理步骤，由所述卷积神经网络模型、所述双向长短期记忆网络模型和扁平化处理步骤组成所述氨氮含量预测模型，所述扁平化处理步骤用于对卷积神经网络模型输出的数据进行扁平化处理后输入所述双向长短期记忆网络模型。
8.根据权利要求7所述的一种供水系统中氨氮含量的综合评估终端，其特征在于，建立所述卷积神经网络模型具体包括步骤：
S21、构建矩阵神经元层k1，所述矩阵神经元层由按照时间顺序排列的水质数据以及环境因子形成，
S22、构建卷积层k2，k2＝z*n，其中z为卷积层神经元与前一次神经元的连接个数，n为矩阵列数，z<n，样品输入为[samples,timesteps]，其中samples为样品信息，samples＝k1(n)*k2(n)，timesteps为输入数据的时间范围。
9.根据权利要求7所述的一种供水系统中氨氮含量的综合评估终端，其特征在于，建立双向长短期记忆网络模型具体包括步骤：
S23、构建长短期记忆网络模型模型，包括遗忘门函数ft＝σ(Wfxt+Ufht-1+bf)、输入门函数it＝σ(Wixt+Uiht-1+bi)、输出门函数ot＝σ(Woxt+Uoht-1+bo)和状态函数，所述状态函数包括输入状态函数
和内部状态函数
S24、基于所述长短期记忆网络模型构建所述双向长短期记忆网络模型模型，实现正向和反向传播的双向循环结构；
S25、配置长短期记忆网络激活函数：
和卷积神经网络激活函数：
其中，σ表示卷积神经网络激活函数S(x)，Wf、Uf和bf表示遗忘门参数，xt表示t时刻的输入值，ht-1表示t-1时刻的输出，Wi、Ui和bi表示输入门参数，
表示t时刻输入状态，tanh表示长短期记忆网络激活函数，Wc、Uc和bc表示输入状态参数，Wo、Uo和bo表示输出门参数，
表示t时刻正向LSTM内部状态，
表示t-1时刻正向LSTM网络的内部状态，
表示t时刻反向LSTM网络的内部状态，
表示t-1时刻反向LSTM网络的内部状态，LSTM表示LSTM网络函数。
10.根据权利要求6所述的一种供水系统中氨氮含量的综合评估终端，其特征在于，所述步骤S1具体包括步骤：
S11、获取历史人工采集的历史数据，所述历史数据包括水质数据、环境因子以及生物处理后且在人工投入药剂前实测的氨氮含量，并对所述历史数据进行离群点检测，得到第一缺失值以及异常值；
S12抛弃所述异常值，得到第二缺失值，使用拉格朗日插值法对所述第一缺失值以及所述第二缺失值进行填补；
S13、将所述历史数据随机拆分为训练集和测试集，所述训练集的数据量为所述历史数据的80％，所述测试集的数据量为所述历史数据的20％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111587920.4A CN114239417A (zh) | 2021-12-23 | 2021-12-23 | 一种供水系统中氨氮含量的综合评估方法与终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111587920.4A CN114239417A (zh) | 2021-12-23 | 2021-12-23 | 一种供水系统中氨氮含量的综合评估方法与终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114239417A true CN114239417A (zh) | 2022-03-25 |
Family
ID=80761806
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111587920.4A Pending CN114239417A (zh) | 2021-12-23 | 2021-12-23 | 一种供水系统中氨氮含量的综合评估方法与终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114239417A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106354995A (zh) * | 2016-08-24 | 2017-01-25 | 华北电力大学（保定） | 一种基于拉格朗日插值与时间序列的预测方法 |
| CN108647831A (zh) * | 2018-05-16 | 2018-10-12 | 华南农业大学 | 一种多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测系统及方法 |
| CN111047012A (zh) * | 2019-12-06 | 2020-04-21 | 重庆大学 | 基于深度双向长短期记忆网络的空气质量预测方法 |
| CN111626785A (zh) * | 2020-05-29 | 2020-09-04 | 金陵科技学院 | 一种基于结合注意力的cnn-lstm网络基金价格预测方法 |
| 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 |
| CN112949945A (zh) * | 2021-04-15 | 2021-06-11 | 河海大学 | 一种改进双向长短期记忆网络的风电功率超短期预测方法 |
| CN113673765A (zh) * | 2021-08-23 | 2021-11-19 | 四创科技有限公司 | 一种小流域洪水预报预警方法及终端 |
-
2021
- 2021-12-23 CN CN202111587920.4A patent/CN114239417A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106354995A (zh) * | 2016-08-24 | 2017-01-25 | 华北电力大学（保定） | 一种基于拉格朗日插值与时间序列的预测方法 |
| CN108647831A (zh) * | 2018-05-16 | 2018-10-12 | 华南农业大学 | 一种多源信息融合的水产养殖环境中氨氮/亚硝酸盐含量预测系统及方法 |
| CN111047012A (zh) * | 2019-12-06 | 2020-04-21 | 重庆大学 | 基于深度双向长短期记忆网络的空气质量预测方法 |
| CN111626785A (zh) * | 2020-05-29 | 2020-09-04 | 金陵科技学院 | 一种基于结合注意力的cnn-lstm网络基金价格预测方法 |
| 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 |
| CN112949945A (zh) * | 2021-04-15 | 2021-06-11 | 河海大学 | 一种改进双向长短期记忆网络的风电功率超短期预测方法 |
| CN113673765A (zh) * | 2021-08-23 | 2021-11-19 | 四创科技有限公司 | 一种小流域洪水预报预警方法及终端 |
Non-Patent Citations (3)
| Title |
|---|
| 李艳等: "基于CNN-LSTM 网络模型的风电功率短期预测研究", 华东交通大学学报, vol. 37, no. 4, 31 August 2020 (2020-08-31), pages 109 - 115 * |
| 灰灰: "使用Keras进行深度学习：（六）LSTM和双向LSTM讲解及实践", pages 1 - 7, Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/36503424> * |
| 陈英义等: "基于改进深度信念网络的池塘养殖水体氨氮预测模型研究", 农业工程学报, vol. 35, no. 7, 30 April 2019 (2019-04-30), pages 195 - 202 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102385315B (zh) | 水厂智能混凝投药控制系统及其控制方法 | |
| CN112418498B (zh) | 用于智能温室的温度预测方法及系统 | |
| CN107153874A (zh) | 水质预测方法及系统 | |
| CN107480775A (zh) | 一种基于数据修复的池塘溶解氧预测方法 | |
| CN108846423A (zh) | 水质预测方法和系统 | |
| KR101889510B1 (ko) | 심층 신경망을 이용한 정수 처리에서의 응집제 주입률 예측 방법 | |
| CN110824914B (zh) | 一种基于pca-lstm网络的废水处理智能监控方法 | |
| CN110045771B (zh) | 一种鱼塘水质智能监测系统 | |
| CN114061705A (zh) | 一种智能化水位监测分析预警方法及系统 | |
| CN115561416A (zh) | 污水处理厂进水水质实时检测方法和装置 | |
| CN114692723A (zh) | 一种反渗透膜污堵预警方法及系统 | |
| CN115099512A (zh) | 一种淡水鱼养殖智能管理系统以及管理方法 | |
| CN109190810B (zh) | 基于tdnn的中国北方草原地区ndvi的预测方法 | |
| CN114239417A (zh) | 一种供水系统中氨氮含量的综合评估方法与终端 | |
| CN114119277A (zh) | 一种基于人工智能神经网络的絮凝投药决策的分析方法 | |
| CN110232437B (zh) | 基于cnn的时间序列预测方法和模型确定方法 | |
| Zhang et al. | Collaborative Forecasting and Analysis of Fish Catch in Hokkaido From Multiple Scales by Using Neural Network and ARIMA Model | |
| CN116956155A (zh) | 一种基于人工智能的污水处理智能加药方法及系统 | |
| CN111524023A (zh) | 温室调节方法及系统 | |
| CN115700324A (zh) | 一种瓦温预警的方法、装置和电子设备 | |
| CN113866375A (zh) | 出水含氮物智能在线监测方法和系统 | |
| CN107564588A (zh) | 一种生理健康数据预测装置 | |
| CN114036821A (zh) | 一种基于非确定性隐空间模型的浓密机控制方法及装置 | |
| Wei et al. | Soft-sensor software design of dissolved oxygen in aquaculture | |
| Jones et al. | A dynamic hydrological Monte Carlo simulation model to inform decision-making at Lake Toolibin, Western Australia |
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 |