CN115271232A - 一种污水水质预测方法及相关装置 - Google Patents

一种污水水质预测方法及相关装置 Download PDF

Info

Publication number
CN115271232A
CN115271232A CN202210944959.5A CN202210944959A CN115271232A CN 115271232 A CN115271232 A CN 115271232A CN 202210944959 A CN202210944959 A CN 202210944959A CN 115271232 A CN115271232 A CN 115271232A
Authority
CN
China
Prior art keywords
water quality
model
data
quality prediction
regression algorithm
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
CN202210944959.5A
Other languages
English (en)
Inventor
胡宝才
陈文钦
王青玉
汪趁
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.)
Fulian Intelligent Workshop Zhengzhou Co Ltd
Original Assignee
Fulian Intelligent Workshop Zhengzhou 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 Fulian Intelligent Workshop Zhengzhou Co Ltd filed Critical Fulian Intelligent Workshop Zhengzhou Co Ltd
Priority to CN202210944959.5A priority Critical patent/CN115271232A/zh
Publication of CN115271232A publication Critical patent/CN115271232A/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Activated Sludge Processes (AREA)

Abstract

本申请公开了一种污水水质预测方法，涉及污水治理技术领域，该方法包括：利用历史水质数据训练回归算法模型，得到水质预测模型；获取当前的水质数据；基于所述水质预测模型和当前的所述水质数据，得到目标时间时目标水质指标的预测值。该污水水质预测方法能够准确预测污水水质，利于提前针对性的制定污水治理方案。本申请还公开了一种污水水质预测装置、设备以及计算机可读存储介质，均具有上述技术效果。

Description

一种污水水质预测方法及相关装置
技术领域
本申请涉及污水治理技术领域，特别涉及一种污水水质预测方法；还涉及一种污水水质预测装置、设备以及计算机可读存储介质。
背景技术
工厂车间在生产制造过程中会产生大量的生产污水，这些污水在经过治理达到排放标准后，才能对外排放。污水水质预测作为污水治理过程中的重要环节，其准确性关乎污水治理的效果。污水水质预测主要是指预测污水中各项指标的值。能够准确预测出污水中各项指标的值，无疑会对污水治理产生积极的推动作用。因此，提供一种能够准确预测污水水质，以便提前制定污水治理方案的污水水质预测方案已成为本领域技术人员亟待解决的技术问题。
发明内容
本申请的目的是提供一种污水水质预测方法，能够准确预测污水水质，利于提前针对性的制定污水治理方案。本申请的另一个目的是提供一种污水水质预测装置、设备以及计算机可读存储介质，均具有上述技术效果。
为解决上述技术问题，本申请提供了一种污水水质预测方法，包括：
利用历史水质数据训练回归算法模型，得到水质预测模型；
获取当前的水质数据；
基于所述水质预测模型和当前的所述水质数据，得到目标时间时目标水质指标的预测值。
可选的，所述利用历史水质数据训练回归算法模型，得到水质预测模型包括：
对所述历史水质数据进行数据衍生处理；
利用数据衍生处理得到的数据训练所述回归算法模型，得到所述水质预测模型。
可选的，所述对所述历史水质数据进行数据衍生处理包括：
选取预设时长内的历史水质数据；
将所述预设时长划分为多个时间段；
分别计算所述时间段内的所述历史水质数据的均值。
可选的，所述利用历史水质数据训练回归算法模型，得到水质预测模型包括：
利用所述历史水质数据训练多种回归算法模型，得到多个备选水质预测模型；
评估各所述备选水质预测模型得模型评估结果，基于所述模型评估结果得到所述水质预测模型。
可选的，所述评估各所述备选水质预测模型得模型评估结果，基于所述模型评估结果得到所述水质预测模型包括：
基于训练数据评估所述备选水质预测模型，得到第一模型评估结果；
基于测试数据评估所述备选水质预测模型，得到第二模型评估结果；
根据所述第一模型评估结果与所述第二模型评估结果，得到所述水质预测模型。
可选的，所述模型评估结果包括：
所述备选水质预测模型的决定系数、均方误差与平均绝对误差。
可选的，所述回归算法模型包括多个目标参数及目标参数值；
所述利用历史水质数据训练回归算法模型，得到水质预测模型前还包括：
基于多个所述目标参数及目标参数值，得到多个初始回归算法模型；
利用所述历史水质数据训练所述初始回归算法模型，得到多个备选回归算法模型；
评估各所述备选回归算法模型得算法评估结果，基于所述算法评估结果得到所述回归算法模型。
可选的，所述算法评估结果包括：
所述备选回归算法模型的决定系数、均方误差与平均绝对误差。
为解决上述技术问题，本申请还提供了一种污水水质预测装置，包括：
模型训练模块，用于利用历史水质数据训练回归算法模型，得到水质预测模型；
数据获取模块，用于获取当前的水质数据；
指标预测模块，用于基于所述水质预测模型和当前的所述水质数据，得到目标时间时目标水质指标的预测值。
为解决上述技术问题，本申请还提供了一种污水水质预测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上任一项所述的污水水质预测方法的步骤。
为解决上述技术问题，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的污水水质预测方法的步骤。
本申请所提供的污水水质预测方法，包括：利用历史水质数据训练回归算法模型，得到水质预测模型；获取当前的水质数据；基于所述水质预测模型和当前的所述水质数据，得到目标时间时目标水质指标的预测值。
可见，本申请所提供的污水水质预测方法，基于回归算法模型建立水质预测模型，可以得到更加准确的水质预测模型，进而基于所建立的水质预测模型可以准确预测水质指标，有利于提前针对性的制定污水治理方案，能够提高污水治理效率。
本申请所提供的污水水质预测装置、设备以及计算机可读存储介质均具有上述技术效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例所提供的一种污水水质预测方法的流程示意图；
图2为本申请实施例所提供的一种污水处理系统的示意图；
图3为本申请实施例所提供的一种污水水质预测装置的示意图；
图4为本申请实施例所提供的一种污水水质预测设备的示意图。
具体实施方式
本申请的核心是提供一种污水水质预测方法，能够准确预测污水水质，利于提前针对性的制定污水治理方案。本申请的另一个核心是提供一种污水水质预测装置、设备以及计算机可读存储介质，均具有上述技术效果。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参考图1，图1为本申请实施例所提供的一种污水水质预测方法的流程示意图，参考图1所示，该方法包括：
S101：利用历史水质数据训练回归算法模型，得到水质预测模型；
历史水质数据包括组分数据以及指标数据；组分数据可以包括投入污水中用于改善水质的各组分的数量、百分比、浓度等，指标数据可以包括COD指标数据、氨氮指标数据、总磷指标数据、PH值等。利用历史水质数据训练回归算法模型得到的水质预测模型能够用于预测COD指标、氨氮指标、总磷指标、PH值等指标。
在一些实施例中，所述利用历史水质数据训练回归算法模型，得到水质预测模型包括：
对所述历史水质数据进行数据衍生处理；
利用数据衍生处理得到的数据训练所述回归算法模型，得到所述水质预测模型。
为了确保训练得到的水质预测模型能够准确预测污水水质，本实施例在从数据库中读取历史水质数据的基础上，首先对历史水质数据进行数据衍生处理，进而利用数据衍生处理得到的数据训练回归算法模型，得到水质预测模型。
其中，所述对所述历史水质数据进行数据衍生处理可以包括：
选取预设时长内的历史水质数据；
将所述预设时长划分为多个时间段；
分别计算所述时间段内的所述历史水质数据的均值。
预设时长可以为当前时间之前的一段时间，此时预设时长以当前时间作为结束时间。例如，预设时长为当前时间之前的12个小时。假设当前时间为16时，那么预设时长可以为4时～16时，即当前时间的起始时间为4时，结束时间为16时。时间段可以是以小时为单位进行划分，例如，将预设时长以小时为单位划分为12段。假设预设时长为4时～16时，那么将其以小时为单位划分为12段的结果为：4时～5时为一段，5时～6时为一段，6时～7时为一段，7时～8时为一段，8时～9时为一段，9时～10时为一段，10时～11时为一段，11时～12时为一段，12时～13时为一段，13时～14时为一段，14时～15时为一段，15时～16时为一段。
相应的，计算4时～5时这一时间段内历史水质数据的均值，计算5时～6时这一时间段内历史水质数据的均值，以此类推，计算15时～16时这一时间段内历史水质数据的均值。
预设时长也可以为当前时间之前的预设时间前的一段时间，此时预设时长以当前时间之前的预设时间作为结束时间。例如，预设时长为当前时间之前的12个小时，当前时间之前的预设时间为当前时间之前的一个小时。假设当前时间为16时，那么预设时长可以为3时～15时，即当前时间的起始时间为3时，结束时间为15时。时间段可以是以小时为单位进行划分，例如，将预设时长以小时为单位划分为12段。假设预设时长为3时～15时，那么将其以小时为单位划分为11段的结果为：3时～4时为一段，4时～5时为一段，5时～6时为一段，6时～7时为一段，7时～8时为一段，8时～9时为一段，9时～10时为一段，10时～11时为一段，11时～12时为一段，12时～13时为一段，13时～14时为一段，14时～15时为一段。
相应的，计算3时～4时这一时间段内历史水质数据的均值，计算4时～5时这一时间段内历史水质数据的均值，以此类推，计算14时～15时这一时间段内历史水质数据的均值。
需要说明的是，对于预设时长的具体数值、预设时长的起始、结束时刻，以及预设时长划分的段数，本申请不做唯一限定，本领域技术人员可以进行差异性设置。
在一些实施例中，所述利用历史水质数据训练回归算法模型，得到水质预测模型包括：
利用所述历史水质数据训练多种回归算法模型，得到多个备选水质预测模型；
评估各所述备选水质预测模型得模型评估结果，基于所述模型评估结果得到所述水质预测模型。
回归算法模型可以包括XGBoost、RandomForest、SVR以及Ridge。相应的利用历史水质数据训练得到XGBoost模型、RandomForest模型、SVR模型以及Ridge模型四种备选水质预测模型。在训练得到上述四种备选水质预测模型的基础上，分别对各备选水质预测模型进行测试评估，得到各备选水质预测模型的模型评估结果，进而根据各备选水质预测模型的模型评估结果，选择其中的一个备选水质预测模型作为最终的水质预测模型。
本实施例训练多种回归算法模型，得到多种备选水质预测模型，并从中选择最终的水质预测模型，可以确保最终的水质预测模型最优，确保预测结果更加准确。
需要说明的是，回归算法模型可以包括但不限定于上述四种回归算法模型，本领域技术人员对此可以做出差异性选择。
其中，所述评估各所述备选水质预测模型得模型评估结果，基于所述模型评估结果得到所述水质预测模型包括：
基于训练数据评估所述备选水质预测模型，得到第一模型评估结果；
基于测试数据评估所述备选水质预测模型，得到第二模型评估结果；
根据所述第一模型评估结果与所述第二模型评估结果，得到水质预测模型。
本实施例将历史水质数据划分为训练数据与测试数据，分别基于训练数据中的验证集与测试数据来评估每一个备选水质预测模型，每一个备选水质预测模型对应两种模型评估结果，即第一模型评估结果与第二模型评估结果。进而综合第一模型评估结果与第二模型评估结果，从各备选水质预测模型中选择最终的水质预测模型。
综合基于训练数据进行评估得到的评估结果与基于测试数据进行评估得到的评估结果，可以有效避免模型出现过拟合与欠拟合，确保水质预测模型的准确性。
过拟合是指模型在训练数据上表现良好，评分较高，而当接触新的数据时，模型的效果较差以及泛化能力较差。欠拟合是指模型在训练数据上交叉验证的效果较差。
另外，所述模型评估结果可以包括：
所述备选水质预测模型的决定系数、均方误差与平均绝对误差。
本实施例中，评估指标包括决定系数、均方差误差与平均绝对误差。决定系数
Figure BDA0003787095580000071
yi表示真实值，
Figure BDA0003787095580000072
表示预测值，ymean表示真实值的均值。均方差误差
Figure BDA0003787095580000073
平均绝对误差
Figure BDA0003787095580000074
决定系数越大，均方差误差与平均均方差误差越小，模型预测越准确。
因此，选择决定系数最大，均方差误差与平均均方差误差最小的备选水质预测模型作为最终的水质预测模型。
当决定系数最大、均方差与平均均方差最小不能同时满足时，可以首选决定系数最大的备选水质预测模型作为最终的水质预测模型；或者可以首选均方差与平均均方差最小的备选水质预测模型作为最终的水质预测模型；还可以综合三者选择最终的水质预测模型，例如，可以预先设定以决定系数、均方差以及平均均方差作为变量的函数关系，然后通过比较函数值的大小来选择最终的水质预测模型。
除上述训练多种回归算法模型，得到多个备选水质预测模型，并从中选取最优备选水质预测模型作为最终的水质预测模型外，为了降低训练量，提高效率，在一些实施例中，还可以训练一种回归算法模型，得到水质预测模型。其中优选的，可以选择XGBoost回归算法模型。XGBoost回归算法模型准确度较高，运行速度较快，并且内置交叉验证。
进一步，在一些实施例中，所述回归算法模型包括多个目标参数及目标参数值；所述利用历史水质数据训练回归算法模型，得到水质预测模型前还包括：
基于多个所述目标参数及目标参数值，得到多个初始回归算法模型；
利用所述历史水质数据训练所述初始回归算法模型，得到多个备选回归算法模型；
评估各所述备选回归算法模型得到算法评估结果，基于所述算法评估结果得到所述回归算法模型。
回归算法模型通常包括多个参数，回归算法模型本身的准确性与各参数的取值相关。因此，为了得到准确的回归算法模型，以便进一步基于准确的回归算法模型得到准确的水质预测模型，本实施例对同一种回归算法模型，通过设置目标参数的值，得到多个备选回归算法模型，进而从中选择最优的回归算法模型。
由于回归算法模型包含的参数较多，如果对各参数均寻求最佳参数，那么需要耗费较长的时间，因此，为了缩短寻优时间，提高效率，本实施例选取了其中相对比较重要的几个参数进行寻优，目标参数即是指回归算法模型的所有参数中相对比较重要的参数。目标参数值是指目标参数的取值。
例如，XGBoost回归算法模型里面的参数如下：
XGBRegressor(base_score＝0.5，booster＝'gbtree'，colsample_bylevel＝1，colsample_bytree＝1，gamma＝0，learning_rate＝0.1，max_delta_step＝0，max_depth＝3，min_child_weight＝1，missing＝None，n_estimators＝100，n_jobs＝1，nthread＝None，objective＝'reg:linear'，random_state＝0，reg_alpha＝0，reg_lambda＝1，scale_pos_weight＝1，seed＝None，silent＝True，subsample＝1)。
对于XGBoost回归算法模型，可以选取其中的max_depth、min_child_weight以及learning_rate作为目标参数，对其进行寻优，每个目标参数可以设置为多种数值。一组目标参数、一组目标参数值对应一个初始回归算法模型，当各目标参数取不同目标参数值时，即可得到多个初始回归算法模型。对于同类型的每个初始回归算法模型，利用所述历史水质数据进行训练，得到多个备选回归算法模型；进而评估各所述备选回归算法模型，并根据算法评估结果，从中选取最终的所述回归算法模型。选择最终的回归算法模型之后，进一步执行步骤S101及后续步骤。
例如，目标参数包括max_depth、min_child_weight以及learning_rate，max_depth的目标参数值包括3、4、5，min_child_weight的目标参数值包括1、2、3，learning_rate的目标参数值包括0.1、0.2、0.3。由此，当max_depth取值为3、min_child_weight取值为1，learning_rate取值为0.1时，可以得到一个初始回归算法模型；当max_depth取值为3、min_child_weight取值为2，learning_rate取值为0.1时，可以得到一个初始回归算法模型。如此，通过对上述目标参数与目标参数值进行排列组合，可以得到27个初始回归算法模型。这27个初始回归算法模型的类型相同，只是目标参数的取值不同。27个回归算法模型经过训练后，得到27个备选回归算法模型，进而评估各备选回归算法模型，并根据算法评估结果，从中选取最优的回归算法模型用于训练得到水质预测模型。
其中，所述算法评估结果可以包括：所述备选回归算法的决定系数、均方误差与平均绝对误差。
对于决定系数、均方差误差以及平均绝对误差的具体计算方式以及如何根据决定系数、均方差误差以及平均绝对误差选择最终的回归算法，可以参照上文中关于水质预测模型选择的描述，本申请在此不再赘述。
S102：获取当前的水质数据；
S103：基于所述水质预测模型和当前的所述水质数据，得到目标时间时目标水质指标的预测值。
得到水质预测模型之后，获取当前的水质数据，并基于当前的水质数据与数值预测模型即可预测出目标时间时目标指标的值。例如，预测出4个小时后，COD指标的值、氨氮指标的值、总磷指标的值以及PH值。预测出目标时间时目标指标的值后，进一步可将预测出的值存入数据库。
污水治理的目标是使污水中各指标的值达到排放标准，因此，在预测出目标时间时目标指标的值后，进一步可以判断预测出的各目标指标的值是否达标。如果不达标，则提前调节各目标指标，直至各目标指标的值达标。
参考图2所示的污水处理系统，车间产生的污水会经过有机调节池、无机调节池、一级沉淀池、二级沉淀池等，通过在有机调节池、无机调节池、一级沉淀池、二级沉淀池等添加相关的药剂来调节污水中各项指标的值，使污水达到排放标准。药剂的添加通常由阀门控制，不同的阀门控制不同的药剂，不同的阀门开度以及阀门的不同打开时长控制不同的药剂量。
因此，可以通过控制相应的阀门的开度和/或打开时长来控制相关药剂的添加量，进而达到调节目标指标的值的目的，最终使目标指标达标。
控制阀门的开度的方式可以包括：
基于预测出的目标指标的值与阀门开度控制模型，得到目标指标为预测出的值时对应的目标阀门的第一开度；
基于目标指标达标时的值与阀门开度控制模型，得到目标指标达标时对应的目标阀门的第二开度；
若第一开度与第二开度的偏差在预设范围内，则控制目标阀门的开度为第一开度；
若第一开度与第二开度的偏差不在预设范围内，则调节目标阀门的开度，并在每次调节目标阀门的开度后，预测目标指标的值，直到目标指标的值达标。
具体而言，预先可以利用阀门开度数据与各指标数据训练回归算法模型，得到阀门开度控制模型。当利用阀门开度控制模型得到阀门的开度时，阀门开度控制模型的输入为目标指标的值，输出为阀门的开度。当预测出某个或某些目标指标的值后，将预测出的目标指标的值输入阀门开度控制模型，由阀门开度控制模型进行处理，得到该目标指标的值对应的阀门的开度，记为第一开度。此外，将目标指标达标时的值输入阀门开度控制模型，由阀门开度控制模型进行处理，得到目标指标达标时对应的阀门的开度，记为第二开度。进而比较第一开度与第二开度。如果第一开度与第二开度几乎相等，即第一开度与第二开度的偏差位于预设范围内，则目标阀门的开度为第一开度。如果第一开度与第二开度相差较大，即第一开度与第二开度的偏差不位于预设范围内，则调节目标阀门的开度，并在每次调节目标阀门的开度后，预测目标指标的值，判断目标指标的值是否达标。如果达标，则结束。如果不达标，则继续调节目标阀门的开度。
可以明白的是，如果目标指标的值大于达标时的值，则减小目标阀门的开度。如果目标指标的值小于达标时的值，则增大目标阀门的开度。至于每次增大或减小的开度的大小，可以进行差异性设置，本申请在此不再赘述。
利用阀门开度数据与各指标数据训练回归算法模型，得到阀门开度控制模型的方式可以包括：
利用所述阀门开度数据与各指标数据训练多种回归算法模型，得到多个备选的阀门开度控制模型；
评估各备选的阀门开度控制模型，得到评估结果，并基于评估结果从中选取最终的阀门开度控制模型。
对于评估阀门开度控制模型的实施方式，可以参照上文中模型评估的实施例，本申请在此不再赘述。
回归算法模型可以包括XGBoost、RandomForest、SVR以及Ridge。
针对每一种回归算法模型，可以通过对回归算法模型中的参数进行不同的设置，并评估每种设置下回归算法模型的性能而最终确定最佳参数值时的回归算法模型。
同样，对于评估回归算法模型的实施方式，可以参照上文中算法评估的实施例，本申请在此不再赘述。
对于阀门打开时长，可以将阀门打开的时长设置为固定值，例如，阀门打开的时长为10分钟，无论阀门的开度如何，阀门的打开时长均为10分钟。也可以将阀门打开的时长设置为可变值，阀门打开的时长根据预测出的目标指标的值来确定。在此情况下，控制阀门打开的时长的方式可以包括：
基于预测出的目标指标的值与阀门时长控制模型，得到目标指标为预测出的值时对应的目标阀门的第一打开时长；
基于目标指标达标时的值与阀门时长控制模型，得到目标指标达标时对应的目标阀门的第二打开时长；
若第一打开时长与第二打开时长的偏差在预设范围内，则控制目标阀门的开度为第一打开时长；
若第一开度与第二开度的偏差不在预设范围内，则调节目标阀门的打开时长，并在每次调节目标阀门的打开时长后，预测目标指标的值，直到目标指标的值达标。
具体而言，预先可以利用阀门打开时长数据与各指标数据训练回归算法模型，得到阀门时长控制模型。当利用阀门时长控制模型得到阀门的打开时长时，阀门时长控制模型的输入为目标指标的值，输出为阀门的打开时长。当预测出某个或某些目标指标的值后，将预测出的目标指标的值输入阀门时长控制模型，由阀门时长控制模型进行处理，得到该目标指标的值对应的阀门的打开时长，记为第一打开时长。此外，将目标指标达标时的值输入阀门时长控制模型，由阀门时长控制模型进行处理，得到目标指标达标时对应的阀门的打开时长，记为第二打开时长。进而比较第一打开时长与第二打开时长。如果第一打开时长与第二打开时长几乎相等，即第一打开时长与第二打开时长的偏差位于预设范围内，则目标阀门的打开时长为第一打开时长。如果第一打开时长与第二打开时长相差较大，即第一打开时长与第二打开时长的偏差不位于预设范围内，则调节目标阀门的打开时长，并在每次调节目标阀门的打开时长后，预测目标指标的值，判断目标指标的值是否达标。如果达标，则结束。如果不达标，则继续调节目标阀门的打开时长。
同样，利用阀门打开时长数据与各指标数据训练回归算法模型，得到阀门时长控制模型的方式可以包括：
利用所述阀门打开时长数据与各指标数据训练多种回归算法模型，得到多个备选的阀门时长控制模型；
评估各备选的阀门时长控制模型，得到评估结果，并基于所述评估结果从中选取最终的阀门时长控制模型。
对于阀门时长控制模型的评估、回归算法模型的确定可以参考上述实施例的描述，本申请在此不再赘述。
此外，控制阀门的开度和/或打开时长的方式还可以包括：
基于阀门的开度、打开时长以及多输入水质预测模型，预测当前阀门开度与打开时长下目标指标的值；
如果目标指标的值不达标，则调节阀门的开度和/或打开时长，直至预测出的目标指标的值达标。
本实施例中，多输入水质预测模型的输入除了水质数据外，还包括阀门的开度与阀门的打开时长。预先可以利用水质数据、阀门开度数据以及阀门的打开时长数据训练回归算法模型，得到多输入水质预测模型。当利用此多输入水质预测模型预测出目标时间时目标指标的值后，判断预测出的该目标指标的值是否达标。如果达标，则保持当前的阀门开度以及阀门打开时长即可。如果不达标，则可以调节阀门的开度和/或阀门的打开时长。每次调节后，再次预测目标指标的值。如果仍不达标，则接着调节。如果达标，则停止调节。
如果多次通过添加药剂调节指标的值，仍未能使指标达标，此时可以进行预警提醒，以便人工进行干预，确保指标尽快达标。
综上所述，本申请所提供的污水水质预测方法，基于回归算法模型建立水质预测模型，可以得到更加准确的水质预测模型，进而基于所建立的水质预测模型可以准确预测水质指标，有利于提前针对性的制定污水治理方案，能够提高污水治理效率。
本申请还提供了一种污水水质预测装置，下文描述的该装置可以与上文描述的方法相互对应参照。请参考图3，图3为本申请实施例所提供的一种污水水质预测装置的示意图，结合图3所示，该装置包括：
模型训练模块10，用于利用历史水质数据训练回归算法模型，得到水质预测模型；
数据获取模块20，用于获取当前的水质数据；
指标预测模块30，用于基于所述水质预测模型和当前的所述水质数据，得到目标时间时目标水质指标的预测值。
在上述实施例的基础上，作为一种具体的实施方式，所述模型训练模块10包括：
数据衍生处理单元，用于对所述历史水质数据进行数据衍生处理；
预测模型训练单元，用于利用数据衍生处理得到的数据训练所述回归算法模型，得到所述水质预测模型。
在上述实施例的基础上，作为一种具体的实施方式，所述数据衍生处理单元包括：
数据选取子单元，用于选取预设时长内的历史水质数据；
时长划分子单元，用于将所述预设时长划分为多个时间段；
数据处理子单元，用于分别计算所述时间段内的所述历史水质数据的均值。
在上述实施例的基础上，作为一种具体的实施方式，所述模型训练模块10包括：
模型训练单元，用于利用所述历史水质数据训练多种回归算法模型，得到多个备选水质预测模型；
模型评估单元，用于评估各所述备选水质预测模型得模型评估结果，基于所述模型评估结果得到所述水质预测模型。
在上述实施例的基础上，作为一种具体的实施方式，所述模型评估单元包括：
第一评估子单元，用于基于训练数据评估所述备选水质预测模型，得到第一模型评估结果；
第二评估子单元，用于基于测试数据评估所述备选水质预测模型，得到第二模型评估结果；
选取子单元，用于根据所述第一模型评估结果与所述第二模型评估结果，得到所述水质预测模型。
在上述实施例的基础上，作为一种具体的实施方式，所述模型评估结果包括：
所述备选水质预测模型的决定系数、均方误差与平均绝对误差。
在上述实施例的基础上，作为一种具体的实施方式，所述回归算法模型包括多个目标参数及目标参数值；
还包括：
算法确定模型，用于基于多个所述目标参数及目标参数值，得到多个初始回归算法模型；
算法训练模块，用于利用所述历史水质数据训练所述初始回归算法模型，得到多个备选回归算法模型；
算法评估模块，用于评估各所述备选回归算法模型得算法评估结果，基于所述算法评估结果得到所述回归算法模型。
在上述实施例的基础上，作为一种具体的实施方式，所述算法评估结果包括：
所述备选回归算法模型的决定系数、均方误差与平均绝对误差。
本申请所提供的污水水质预测装置，基于回归算法模型建立水质预测模型，可以得到更加准确的水质预测模型，进而基于所建立的水质预测模型可以准确预测水质指标，有利于提前针对性的制定污水治理方案，能够提高污水治理效率。
本申请还提供了一种污水水质预测设备，参考图4所示，该设备包括存储器1和处理器2。
存储器1，用于存储计算机程序；
处理器2，用于执行计算机程序实现如下的步骤：
利用历史水质数据训练回归算法模型，得到水质预测模型；
获取当前的水质数据；
基于所述水质预测模型和当前的所述水质数据，得到目标时间时目标水质指标的预测值。
对于本申请所提供的设备的介绍请参照上述方法实施例，本申请在此不做赘述。
本申请还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现如下的步骤：
利用历史水质数据训练回归算法模型，得到水质预测模型；
获取当前的水质数据；
基于所述水质预测模型和当前的所述水质数据，得到目标时间时目标水质指标的预测值。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本申请所提供的计算机可读存储介质的介绍请参照上述方法实施例，本申请在此不做赘述。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备以及计算机可读存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的污水水质预测方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围。

Claims (11)

1.一种污水水质预测方法，其特征在于，包括：
利用历史水质数据训练回归算法模型，得到水质预测模型；
获取当前的水质数据；
基于所述水质预测模型和当前的所述水质数据，得到目标时间时目标水质指标的预测值。
2.根据权利要求1所述的污水水质预测方法，其特征在于，所述利用历史水质数据训练回归算法模型，得到水质预测模型包括：
对所述历史水质数据进行数据衍生处理；
利用数据衍生处理得到的数据训练所述回归算法模型，得到所述水质预测模型。
3.根据权利要求2所述的污水水质预测方法，其特征在于，所述对所述历史水质数据进行数据衍生处理包括：
选取预设时长内的历史水质数据；
将所述预设时长划分为多个时间段；
分别计算所述时间段内的所述历史水质数据的均值。
4.根据权利要求1所述的污水水质预测方法，其特征在于，所述利用历史水质数据训练回归算法模型，得到水质预测模型包括：
利用所述历史水质数据训练多种回归算法模型，得到多个备选水质预测模型；
评估各所述备选水质预测模型得模型评估结果，基于所述模型评估结果得到所述水质预测模型。
5.根据权利要求4所述的污水水质预测方法，其特征在于，所述评估各所述备选水质预测模型得模型评估结果，基于所述模型评估结果得到所述水质预测模型包括：
基于训练数据评估所述备选水质预测模型，得到第一模型评估结果；
基于测试数据评估所述备选水质预测模型，得到第二模型评估结果；
根据所述第一模型评估结果与所述第二模型评估结果，得到所述水质预测模型。
6.根据权利要求4所述的污水水质预测方法，其特征在于，所述模型评估结果包括：
所述备选水质预测模型的决定系数、均方误差与平均绝对误差。
7.根据权利要求1所述的污水水质预测方法，其特征在于，所述回归算法模型包括多个目标参数及目标参数值；
所述利用历史水质数据训练回归算法模型，得到水质预测模型前还包括：
基于多个所述目标参数及目标参数值，得到多个初始回归算法模型；
利用所述历史水质数据训练所述初始回归算法模型，得到多个备选回归算法模型；
评估各所述备选回归算法模型得算法评估结果，基于所述算法评估结果得到所述回归算法模型。
8.根据权利要求7所述的污水水质预测方法，其特征在于，所述算法评估结果包括：
所述备选回归算法模型的决定系数、均方误差与平均绝对误差。
9.一种污水水质预测装置，其特征在于，包括：
模型训练模块，用于利用历史水质数据训练回归算法模型，得到水质预测模型；
数据获取模块，用于获取当前的水质数据；
指标预测模块，用于基于所述水质预测模型和当前的所述水质数据，得到目标时间时目标水质指标的预测值。
10.一种污水水质预测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至8任一项所述的污水水质预测方法的步骤。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的污水水质预测方法的步骤。
CN202210944959.5A 2022-08-08 2022-08-08 一种污水水质预测方法及相关装置 Pending CN115271232A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210944959.5A CN115271232A (zh) 2022-08-08 2022-08-08 一种污水水质预测方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210944959.5A CN115271232A (zh) 2022-08-08 2022-08-08 一种污水水质预测方法及相关装置

Publications (1)

Publication Number Publication Date
CN115271232A true CN115271232A (zh) 2022-11-01

Family

ID=83750036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210944959.5A Pending CN115271232A (zh) 2022-08-08 2022-08-08 一种污水水质预测方法及相关装置

Country Status (1)

Country Link
CN (1) CN115271232A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115578232A (zh) * 2022-11-11 2023-01-06 北京华科仪科技股份有限公司 一种基于水质分析的水污染治理方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115578232A (zh) * 2022-11-11 2023-01-06 北京华科仪科技股份有限公司 一种基于水质分析的水污染治理方法及系统

Similar Documents

Publication Publication Date Title
CN110889085A (zh) 基于复杂网络多元在线回归的废水智能监控方法及系统
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
US5589068A (en) Method of controlling waste water purification plants using multiple control functions
US20160140437A1 (en) Method to predict the effluent ammonia-nitrogen concentration based on a recurrent self-organizing neural network
CN102411308B (zh) 基于递归神经网络模型的溶解氧的自适应控制方法
CN109657790B (zh) 一种基于pso的递归rbf神经网络出水bod预测方法
CN115271232A (zh) 一种污水水质预测方法及相关装置
CN108595892A (zh) 基于时间差分模型的软测量建模方法
CN115860280B (zh) 一种页岩气产量预测方法、装置、设备及存储介质
CN111858715A (zh) 一种基于数据挖掘的污水处理厂进水质量预测方法
CN112445136A (zh) 一种基于连续时间神经网络的浓密机预测控制方法及系统
CN116757313A (zh) 水质预测模型的训练方法、水质预测方法与装置
CN110966731B (zh) 调节工作参数的方法
CN103605882A (zh) 一种丝状菌污泥膨胀指数svi特征模型的构建方法
CN113159395A (zh) 一种基于深度学习的污水处理厂进水流量预测方法及系统
CN115309052B (zh) 一种工业实时数据时序预测结果的在线修正方法
CN116681174A (zh) 污水处理生化池曝气量预测方法、系统、设备及介质
CN117035155A (zh) 一种水质预测方法
CN116090678A (zh) 一种数据处理方法、装置及设备
CN114066135A (zh) 一种水质模型参数自动优化方法及系统
CN111368931B (zh) 确定图像分类模型的学习率的方法
CN114418097A (zh) 神经网络量化处理方法、装置、电子设备及存储介质
CN110542748B (zh) 一种基于知识的鲁棒型出水氨氮软测量方法
CN108053266A (zh) 一种专利价值预估方法以及装置
CN109284320B (zh) 大数据平台上的自动回归诊断方法

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