CN116090678B - 一种数据处理方法、装置及设备 - Google Patents
一种数据处理方法、装置及设备 Download PDFInfo
- Publication number
- CN116090678B CN116090678B CN202310381751.1A CN202310381751A CN116090678B CN 116090678 B CN116090678 B CN 116090678B CN 202310381751 A CN202310381751 A CN 202310381751A CN 116090678 B CN116090678 B CN 116090678B
- Authority
- CN
- China
- Prior art keywords
- data
- water supply
- historical
- water inflow
- preset
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 548
- 239000010865 sewage Substances 0.000 claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 57
- 238000012937 correction Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 35
- 238000004891 communication Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 description 9
- 238000012795 verification Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004140 cleaning Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 239000008399 tap water Substances 0.000 description 1
- 235000020679 tap water Nutrition 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Flow Control (AREA)
- Sewage (AREA)
Abstract
本发明提供一种数据处理方法、装置及设备,所述方法包括:获取预设时间段内污水处理厂的进水量数据以及供水厂的供水量数据;获取所述供水量数据在预设滑动时间窗内对应的供水量数据与所述进水量数据的相关系数;根据所述相关系数,确定所述供水量数据中的目标供水量数据;根据预设进水量预测模型以及预设修正函数对所述目标供水量数据、所述进水量数据以及预设气象数据进行处理,得到污水处理厂污水进水量预测结果;所述预设进水量预测模型是基于历史气象数据、历史进水量数据以及历史供水量数据进行训练得到的。本发明提供的方案提高了污水处理厂污水进水量预测的准确性。
Description
技术领域
本发明涉及计算机信息处理技术领域,特别是指一种数据处理方法、装置及设备。
背景技术
生活污水厂处理的污水大多来自于居民生活用水,而居民生活用水又来自于供水厂,自来水经过供水厂-用户-排水管网-生活污水厂的链条,最终排放。因此生活污水厂的来水水量与供水厂的供水量具有相关性。
同时由于大多数城市的排水管网没有严格进行雨污分流,因此在降雨时会有雨水进入污水管网而进入污水处理厂;因此污水厂的来水量与降雨等气象条件息息相关。对于污水处理厂来说,一般污水处理的方案都是根据预测的进水量提前制定的,污水处理厂的设计过程中,实际的进水量往往决定着城市污水处理厂的规模、工艺流程的选择和工程的投资、运行费用;而现已建成的大部分城市污水处理厂实际进水量与提前设定的处理方案中进水量的设定值存在会较大出入,严重影响了城市污水处理的稳定、高效运行。
发明内容
本发明要解决的技术问题是提供一种数据处理方法、装置及设备,以提高污水处理厂进水量预测的准确性。
为解决上述技术问题,本发明的实施例提供一种数据处理方法,包括:
获取预设时间段内的污水处理厂的进水量数据以及供水厂的供水量数据;
获取所述供水量数据在预设滑动时间窗内对应的供水量数据与所述进水量数据的相关系数;
根据所述相关系数,确定所述供水量数据中的目标供水量数据;
根据预设进水量预测模型以及预设修正函数对所述目标供水量数据、所述进水量数据以及预设气象数据进行处理,得到污水处理厂进水量预测结果;所述预设进水量预测模型是基于历史气象数据、历史进水量数据以及历史供水量数据进行训练得到的。
可选的,基于所述历史气象数据、所述历史进水量数据以及所述历史供水量数据进行训练得到所述预设进水量预测模型,包括:
获取污水处理厂的历史进水量数据、供水厂的历史供水量数据以及历史气象数据;
对所述历史进水量数据、所述历史供水量数据以及所述历史气象数据进行特征提取,获得训练特征数据;
将所述训练特征数据输入到预设网络模型的至少一个弱学习器进行处理,得到至少一个残差;
将所述至少一个弱学习器的残差的总和,迭代输入所述预设网络模型的强学习器进行处理,得到所述强学习器的输出结果;
将所述强学习器的输出结果进行预测处理,得到训练好的进水量预测模型。
可选的,对所述历史进水量数据、所述历史供水量数据以及所述历史气象数据进行特征提取,获得训练特征数据,包括:
对所述历史进水量数据进行聚类处理,获得所述历史进水量数据的至少一个聚类簇;
根据所述至少一个聚类簇中的历史进水量数据,得到至少一条历史进水量曲线;
根据历史供水周期,对所述历史供水量数据进行拟合处理,得到历史供水量曲线;
对所述历史气象数据与所述历史进水量数据进行拟合处理,得到进水量修正曲线;
根据所述至少一条历史进水量曲线、所述历史供水量曲线、所述进水量修正曲线,获得所述训练特征数据。
可选的,获取所述供水量数据在预设滑动时间窗内对应的供水量数据与所述进水量数据的相关系数,包括:
在所述供水量数据对应的时序数据上按照预设滑动时间窗进行滑动,且每滑动一次,计算一次所述预设滑动时间窗内的供水量数据与所述进水量数据的相关系数;在滑动完成后,获得所述供水量数据与所述进水量数据的至少两个相关系数。
可选的,所述相关系数,可以通过以下公式获得:
可选的,根据所述相关系数,确定所述供水量数据中的目标供水量数据,包括:
将所述至少两个相关系数按照从小到大的顺序进行排列,将相关系数值最大时对应的预设滑动时间窗内的供水量数据确定为目标供水量数据。
可选的,根据预设进水量预测模型以及预设修正函数对所述目标供水量数据、所述进水量数据以及预设气象数据进行处理,得到污水处理厂污水进水量的预测结果,包括:
将所述目标供水量数据、所述进水量数据输入所述预设进水量预测模型中进行预测处理,获得第一进水量预测结果;
根据所述预设修正函数以及所述预设气象数据,对所述第一进水量预测结果进行修正处理,获得第二进水量预测结果;所述预设修正函数是对历史气象数据、历史进水量数据以及历史供水量数据进行拟合得到的;
将所述第二进水量预测结果作为所述进水量预测结果。
本发明的实施例还提供一种数据处理装置,包括:
获取模块,用于获取预设时间段内的污水处理厂的进水量数据以及供水厂的供水量数据;
处理模块,用于获取所述供水量数据在预设滑动时间窗内对应的供水量数据与所述进水量数据的相关系数;根据所述相关系数,确定所述供水量数据中的目标供水量数据;根据预设进水量预测模型以及预设修正函数对所述目标供水量数据、所述进水量数据以及预设气象数据进行处理,得到污水处理厂进水量预测结果所述预设进水量预测模型是基于历史气象数据、历史进水量数据以及历史供水量数据进行训练得到的。
本发明的实施例还提供一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如上述所述的数据处理方法对应的操作。
本发明的实施例还提供一种计算机可读存储介质,存储有指令,所述指令在计算机上运行时,使得计算机执行如上述所述的数据处理方法。
本发明的上述方案至少包括以下有益效果:
本发明的上述方案,通过获取预设时间段内污水处理厂的进水量数据以及供水厂的供水量数据;获取所述供水量数据在预设滑动时间窗内对应的供水量数据与所述进水量数据的相关系数;根据所述相关系数,确定所述供水量数据中的目标供水量数据;根据预设进水量预测模型以及预设修正函数对所述目标供水量数据、所述进水量数据以及预设气象数据进行处理,得到污水处理厂进水量预测结果;所述预设进水量预测模型是基于历史气象数据、历史进水量数据以及历史供水量数据进行训练得到的,以提高污水处理厂进水量预测的准确性,进而可以根据预测的进水量调整处理工艺参数,以达到节能降耗的效果。
附图说明
图1是本发明实施例提供的数据处理方法流程图;
图2是本发明实施例提供的历史供水量曲线的示意图;
图3是本发明实施例提供的数据处理装置模块框示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示,本发明的实施例提出一种污水数据处理方法,包括:
步骤11,获取预设时间段内的污水处理厂的进水量数据以及供水厂的供水量数据;
步骤12,获取所述供水量数据在预设滑动时间窗内对应的供水量数据与所述进水量数据的相关系数;
步骤13,根据所述相关系数,确定所述供水量数据中的目标供水量数据;
步骤14,根据预设进水量预测模型以及预设修正函数对所述目标供水量数据、所述进水量数据以及预设气象数据进行处理,得到污水处理厂进水量预测结果;所述预设进水量预测模型是基于历史气象数据、历史进水量数据以及历史供水量数据进行训练得到的。
该实施例中,所述供水量数据以及所述进水量数据均为时序数据;所述供水量数据为供水厂提供的数据,这里所述供水量数据以及所述进水量数据均表示在所述预设时间段内的数据集,如日进水量数据或每小时进水量数据的集合,日供水量或没小时供水量数据的集合;应当知道的是,为避免供水量数据与进水量数据相差太大,所述供水厂的供水片区与污水处理厂收集污水的片区应当相近或一致,以保证后续数据分析的一致型以及进水量预测的准确性;
所述预设时间段可以根据预测的实际需要进行设定,可以是一周、一个月等,且时间跨度不宜过大,避免数据分析及后续预测的不准确性;
在获取所述进水量数据和所述供水量数据之后,需要对数据进行预处理,所述预处理包括但不限于数据清洗、数据填补等;通过数据清洗可以剔除采集到的数据中明显不符合预设时间段内供水量数据或进水量数据;根据供水或进水预设规律,可以对缺失的数据进行填补,通过数据填补可以提高后续进水量预测的准确性;
所述预设气象数据为可以是从气象网站获取的当地的天气预报信息,包括但不限于:温度、降雨量、相对湿度等,其中天气预报的时间段可以是按照预测时间课分为未来一天、未来三天、未来七天、未来一个月等;由于降雨量的增加或降低会增多或减少污水厂的进水量;因此在未来一段时间内基于所述预设气象数据进行进水量预测,提高了预测的准确性;
由于供水需要经过一定时间才能排入污水厂,因此污水厂的高峰进水时间略微落后于供水的高峰时间,故在所述预设时间段内获取到的进水量数据与供水量数据并不是供水与进水关联最大的数据;根据预设滑动时间窗,计算所述供水量数据与所述进水量数据的相关系数,进一步的,根据所述相关系数,以确定所述供水量数据中与所述进水量数据中关联关系最大的目标供水量数据;进而依据所述进水量数据、所述目标供水量数据、所述预设气象数据以及所述预设进水量预测模型,得到污水处理厂进水量预测结果,提高了预测的准确性,同时基于预测的进水量,可以指导污水厂提前调整运行参数,节能降耗,降低污泥产生量,减少出水水质超标情况的发生。
本发明的一可选实施例中,基于所述历史气象数据、所述历史进水量数据以及所述历史供水量数据进行训练得到所述预设进水量预测模型,包括:
步骤21,获取污水处理厂的历史进水量数据、供水厂的历史供水量数据以及历史气象数据;
步骤22,对所述历史进水量数据、所述历史供水量数据以及所述历史气象数据进行特征提取,获得训练特征数据;
步骤23,将所述训练特征数据输入到预设网络模型的至少一个弱学习器进行处理,得到至少一个残差;
步骤24,将所述至少一个弱学习器的残差的总和,迭代输入所述预设网络模型的强学习器进行处理,得到所述强学习器的输出结果;
步骤25,将所述强学习器的输出结果进行预测处理,得到训练好的进水量预测模型。
该实施例中,所述历史进水量数据、所述历史供水量数据以及所述历史气象数据均为相应的数据集合;在对所述历史进水量数据、所述历史供水量数据以及所述历史气象数据进行特征提取前需要对历史数据进行预处理,所述预处理可以包括数据清洗、数据填补等处理;
基于所述历史进水量数据、所述历史供水量数据以及所述历史气象数据进行特征提取,获得特征数据,之后可以通过交叉验证法将特征数据划分为训练数据集、验证数据集,进而依据获得训练特征数据进行模型训练,更进一步的通过验证数据集中的数据验证训练好的模型的精确度;所述训练特征数据为从所述历史进水量数据、所述历史供水量数据以及所述历史气象数据中筛选的具有关联关系的数据;
将所述训练特征数据输入到输入所述预设网络模型中的至少一个弱学习器中进行模拟处理,得到至少一个所述弱学习器的残差;进一步的,将每一个弱学习器的残差进行相加,得到所述预设网络模型的弱学习器的残差之和,将所述残差之和输入所述预设网络模型的强学习器的中进行迭代处理,获得所述强学习器的输出结果,之后将所述输出结果输入到所述预设网络模型的输出层中进行预测处理,通过调参等方法确定所述预设网络模型的最优参数,进而得到所述预设进水量预测模型;所述预设网络模型可以是BP神经网络模型、SVM线性分类模型或XGBoost梯度提升模型;
在本发明的一具体可实现示例中,所述预设网络模型为XGBoost梯度提升模型,通过将所述历史进水量数据、所述历史供水量数据以及所述历史气象数据划分为训练样本数据集和验证样本数据集(即标准答案),将训练样本数据集输入所述XGBoost梯度提升模型的至少一个弱学习器中训练第一棵CART树,然后使用这棵树预测训练集,得到每个训练样本的预测值,由于预测值与验证样本真值存在偏差,所以二者相减可以得到残差;接下来训练第二棵CART树,此时不再使用初始历史数据划分得到的验证样本真值,而是使用训练第一棵CART树的残差作为此时的验证样本真值;两棵树训练完成后,可以再次得到每个样本的残差,然后进一步训练第三棵树,以此类推。CART树的总棵数可以人为指定,也可以通过监控预设指标(例如验证集上的误差)停止训练。在预测新样本时,每棵树都会有一个输出值,将这些输出值相加,即得到样本最终的预测值;
具体训练过程为:
步骤301,将所述训练特征数据输入所述预设网络模型的至少一个弱学习器中,调整XGBoost预设网络模型的参数,该参数可以包括树深度、学习速率和迭代次数;
步骤302,利用训练特征数据集中数据进行迭代处理,每次迭代生成一棵新的决策树,每一次迭代过程的具体步骤包括:
步骤3021,在每一次迭代开始之前,计算损失函数在每个训练样本点的一阶导数和二阶导数;
步骤3022,通过贪心策略生成新的决策树,通过对叶子节点对应的参数值计算每个叶节点对应的预测值;
步骤3023,把新生成的决策树添加到训练模型中。
步骤303,判断损失函数是否达到最小,若是,则执行步骤304,若否,则执行步骤302;
步骤304,将验证数据集中的数据输入训练模型,计算评价指标,判断评价指标是否满足要求值,若是,则保存预测模型,若否,则执行步骤301。
在预设网络模型中对所述训练特征数据集进行迭代计算处理的过程中,网络会计算批量损失相对于权重的梯度,并相应地更新权重;经过多轮计算之后,网络损失值将变得足够小;通过梯度反传算法进行权重的训练,增强模型自学习的性能,通过十折交叉验证,调整预设分类模型的参数,进一步提高所述预设分类模型的进行分类处理的精确度;所述损失函数可以通过以下公式表示:
其中,S为损失值,n为样本的总数量,L为符号函数(其值为0或1),/>表示前t-1个弱学习器对样本的预测值,表示强学习器对样本的预测值,/>表示第t个弱学习器的正则项;为损失函数对的一阶导数,/>为损失函数对的二阶导数。
优选的,可以通过平均相对误差MAPE作为评价指标,对所述预设进水量预测模型的预测准确性进行评价;当所述平均相对误差MAPE的值大于一预设值(所述预设值可以设置为0.07)时,说明预测模型的误差较大,需要重新进行训练;
所述平均相对误差MAPE可以通过以下公式计算得到:
本发明的一可选实施例中,上述步骤22,可以包括:
步骤221,对所述历史进水量数据进行聚类处理,获得所述历史进水量数据的至少一个聚类簇;
步骤222,根据所述至少一个聚类簇中的历史进水量数据,得到至少一条历史进水量曲线;
步骤223,根据历史供水周期,对所述历史供水量数据进行拟合处理,得到历史供水量曲线;
步骤224,对所述历史气象数据与所述历史进水量数据的拟合处理,得到进水量修正曲线;
步骤225,根据所述至少一条历史进水量曲线、所述历史供水量曲线、所述进水量修正曲线,获得所述训练特征数据。
该实施例中,所述历史进水量数据、所述历史供水量数据以及所述历史气象数据均为同一时间段内的数据;所述训练特征数据可以包括:按照时间序列排列的历史进水量数据、按照时间序列排列的、与对应进水量数据具有时间关联关系的历史供水量数据、所述历史气象数据(历史降水量、历史温度、历史相对湿度数据等)。
对所述历史进水量数据进行聚类处理之前,可以通过数据清洗、数据填补等方法对所述历史进水量数据进行预处理,通过数据清洗以剔除异常数据,通过均值插补法填补空缺数值,以获得有效的历史进水量数据;
之后对预处理后的历史进水量数据进行聚类处理,得到所述历史进水量数据的至少一个分类簇;
所述至少一个分类簇可以是依据进水量的多少,或进水量的时间段进行分类的;通过对所述历史进水量数据进行聚类处理,可以对应污水处理厂历史每日进水量数据的样本集,按照样本之间的距离大小(如进水时间),将样本集划分为多个聚类簇,多个聚类簇中的进水量数据间的距离小,而聚类簇与聚类簇之间的距离大,进而通过每个聚类簇中历史进水量数据的特征描述该聚类簇的特点,例如:对应时间段内聚类簇中的历史进水量数据呈上升趋势或下降趋势;
所述聚类算法包括但不限于:K-Means聚类算法、Mean Shift聚类算法、DBSCAN聚类算法等,
一具体可实现示例中,通过Mean Shift聚类算法对历史进水量数据进行聚类处理,所述Mean Shift聚类算法的均值中心计算公式如下:
进一步的,将所述至少一个聚类簇中的历史进水量数据对应的时间点作为横坐标,对应数据值作为纵坐标,获得所述至少一个聚类簇中每个聚类簇的历史进水量曲线;
根据所述历史供水数据以及所述历史供水数据对应的历史供水周期,对所述历史供水量数据与所述历史供水周期进行拟合处理,得到以历史供水数据的数值为纵坐标,以所述历史供水周期为横坐标的历史供水量曲线,如图2所示;应当知道的是,当历史进水量数据对应具有几个分类簇时,相应的供水量数据也应当具有对应类型的分类簇;
由于供水需要经过一定时间才能排入污水厂,因此污水厂的高峰进水时间略微落后于供水的高峰时间,故在所述历史供水周期内获取到的历史供水量数据并不是供水与历史进水量数据关联最大的数据;进一步的,根据所述历史进水量曲线以及所述历史供水量曲线,可以确定出当供水量数据达到最大时,此时最大供水量数据对应的第一时间,相应的进水量数据也达到最大时,最大进水量数据对应的第二时间,进而确定历史供水量数据与历史进水量数据之间的时间差(时间差为第一时间与第二时间差值的绝对值),当确定任意时段的历史供水量数据时,进而可以确定在该时段的对应时间差之后历史进水量数据为与该时段的供水量数据关联关系最大的数据,并将具有对应时间关联关系的历史进水量数据以及历史供水量数据确定为训练特征数据的一部分;由于气象数据对污水进水量有一定的影响(如降水量增多,雨水流入污水处理系统,进而增加污水处理的进水量;如降水量减少,流入污水处理系统的雨水减少,进而减少污水处理的进水量),对所述历史气象数据与所述历史进水量数据进行拟合处理,得到以所述历史气象数据为横坐标、所述历史进水量数据为纵坐标的进水量修正曲线,并将所有在所述进水量修正曲线上的历史气象数据点对应的历史气象数据确定为训练特征数据的一部分;
通过对所述历史进水量数据、所述历史供水量数据以及所述历史气象数据进行关联处理,获得所述历史进水量数据与所述历史供水量数据、所述历史气象数据之间的关联关系,并依据盖关联关系获得训练特征数据,后续依据所述训练特征数据进行预设网络模型的训练及处理得到预设进水量预测模型,提高了模型预测的准确度与效率。
本发明的一可选实施例中,上述步骤12,可以包括:
步骤121,在所述供水量数据对应的时序数据上按照预设滑动时间窗进行滑动,且每滑动一次,计算一次所述预设滑动时间窗内的供水量数据与所述进水量数据的相关系数;在滑动完成后,获得所述供水量数据与所述进水量数据的至少两个相关系数。
该实施例中,所述预设滑动时间窗可以依据所述供水量数据的实际情况进行设定(如可以是1小时内的供水数据或2小时内的供水数据);这里在通过所述预设滑动时间窗进行滑动处理前,需要对所述进水量数据以及所述供水量数据中达不到每小时精度的数据进行逐小时的插值处理,以保证后续求取所述相关系数的准确性;
所述预设滑动时间窗可以按照预设滑动步长,沿所述供水量数据进行滑动,每滑动依次,计算一次当前时间窗内的供水量数据与所述进水量数据的相关系数;在所述预设滑动时间窗滑动完成后,可以获得所述供水量数据与所述进水量数据的至少两个相关系数;这里所述预设滑动步长也可以是依据所述供水量数据的实际情况进行设置;
进一步的,所述相关系数,可以通过以下公式获得:
本发明的一可选实施例中,上述步骤13,可以包括:
步骤131,将所述至少两个相关系数按照从小到大的顺序进行排列,将相关系数值最大时对应的预设滑动时间窗内的供水量数据确定为目标供水量数据。
该实施例中,将所述至少两个相关系数按照从小到大的顺序进行排列,并将相关系数的数据最大时对应的所述预设滑动时间窗内的供水量数据,作为目标供水量数据;所述相关系数的数据越大,说明对应当前预设滑动时间窗内的供水量数据与进水量数据的关联程度越大,进而说明当前供水量的大小对进水量的大小影响较大;所述相关系数的数据越小,说明对应当前预设滑动时间窗内的供水量数据与进水量数据的关联程度越小,进而说明当前供水量的大小对进水量的大小影响较小,可以忽略不计;
通过计算所述供水量数据与所述进水量数据的相关系数,并依据所述相关系数,确定所述供水量数据中与所述进水量数据关联关系最大的目标供水量数据,以保证后续数据分析与处理的准确性,进而提高进水量预测的准确性。
本发明的一可选实施例中,上述步骤14,可以包括:
步骤141,将所述目标供水量数据、所述进水量数据输入所述预设进水量预测模型中进行预测处理,获得第一进水量预测结果;
步骤142,根据所述预设修正函数以及所述预设气象数据,对所述第一进水量预测结果进行修正处理,获得第二进水量预测结果;所述预设修正函数是对历史气象数据、历史进水量数据以及历史供水量数据进行拟合得到的;
步骤143,将所述第二进水量预测结果作为所述进水量预测结果。
该实施例中,将所述目标供水量数据以及所述进水量数据输入到训练好的所述预设进水量预测模型中进行预测处理,获得第一进水量预测结果;所述第一进水量预测结果为不受气象数据影响的进水量预测结果;
进一步的,根据所述预设气象数据以及所述预设修正函数,对所述第一进水量预测结果进行修正处理,获得所述第二进水量预测结果,所述第二进水量预测结果为在预设气象数据影响下的污水处理厂的进水量预测数据;同时将所述第二进水量预测值作为所述进水量预测结果;
所述预设修正函数是基于历史气象数据以及历史进水量数据进行拟合得到的,所述预设修正函数中,以气象数据为自变量,进水量的变化值为因变量;此时气象数据中的降雨量、温度以及湿度均为自变量;
所述预设修正函数可以表示由于降雨量的变化带来的污水厂进水量的变化值,所述变化值可以是进水量的增加值,即降雨天气下污水厂的进水量与无降雨天气下污水厂的进水量的差值(或者是在降雨天气下污水厂进水量增加的百分比),所述增加值可以包括入流入渗、雨水进入污水管等情形;
所述预设修正函数的表达式为:W=cR+dT+eH;其中,W表示进水量的变化值,R为降雨量,T为环境温度,H为相对湿度;c、d、e分别表示降雨量、环境温度和相对湿度相对应的系数,对应系数的大小可以依据当前实际或预设的气象情况进行设定。
本发明的上述实施例通过获取预设气象数据、预设时间段内的污水处理厂的进水量数据以及供水厂的供水量数据;并根据预设滑动时间窗,获取所述供水量数据与所述进水量数据的相关系数;根据所述相关系数,确定所述供水量数据中的目标供水量数据;同时通过污水处理厂的历史进水量数据、供水厂历史供水量数据和历史气象数据,建立历史进水量数据、历史气象数据以及历史供水量数据之间的关联关系,并基于三者之间的关联关系进行进水量预测模型的训练,进而将所述目标供水量数据、所述进水量数据输入训练好的进水量预测模型中进行预测处理,得到第一进水量预测结果,进一步将所述预设气象数据作为优化参数以及预设修正函数,获得第二进水量预测结果,并将所述第二进水量预测结果作为目标进水量预测结果,提高污水处理厂进水量预测的准确性,后续基于预测的进水量数据指导污水处理厂提前调整合适的工艺参数以适应预测的进水量数据,达到节能降耗以及提高污水处理效率的效果。
本发明的实施例还一种数据处理装置30,包括:
获取模块31,用于获取预设时间段内的污水处理厂的进水量数据以及供水厂的供水量数据;
处理模块32,用于获取所述供水量数据在预设滑动时间窗内对应的供水量数据与所述进水量数据的相关系数;根据所述相关系数,确定所述供水量数据中的目标供水量数据;根据预设进水量预测模型以及预设修正函数对所述目标供水量数据、所述进水量数据以及预设气象数据进行处理,得到污水处理厂进水量的预测结果;所述预设进水量预测模型是基于历史气象数据、历史进水量数据以及历史供水量数据进行训练得到的。
可选的,所述处理模块32,用于基于所述历史气象数据、所述历史进水量数据以及所述历史供水量数据进行训练得到所述预设进水量预测模型,包括:
获取污水处理厂的历史进水量数据、供水厂的历史供水量数据以及历史气象数据;
对所述历史进水量数据、所述历史供水量数据以及所述历史气象数据进行特征提取,获得训练特征数据;
将所述训练特征数据输入到预设网络模型的至少一个弱学习器进行处理,得到至少一个残差;
将所述至少一个弱学习器的残差的总和,迭代输入所述预设网络模型的强学习器进行处理,得到所述强学习器的输出结果;
将所述强学习器的输出结果进行预测处理,得到训练好的进水量预测模型。
可选的,所述处理模块32,用于对所述历史进水量数据、所述历史供水量数据以及所述历史气象数据进行特征提取,获得训练特征数据,包括:
对所述历史进水量数据进行聚类处理,获得所述历史进水量数据的至少一个聚类簇;
根据所述至少一个聚类簇中的历史进水量数据,得到至少一条历史进水量曲线;
根据历史供水周期,对所述历史供水量数据进行拟合处理,得到历史供水量曲线;
对所述历史气象数据与所述历史进水量数据进行拟合处理,得到进水量修正曲线;
根据所述至少一条历史进水量曲线、所述历史供水量曲线、所述进水量修正曲线,获得所述训练特征数据。
可选的,所述处理模块32,用于获取所述供水量数据在预设滑动时间窗内对应的供水量数据与所述进水量数据的相关系数,包括:
在所述供水量数据对应的时序数据上按照预设滑动时间窗进行滑动,且每滑动一次,计算一次所述预设滑动时间窗内的供水量数据与所述进水量数据的相关系数;在滑动完成后,获得所述供水量数据与所述进水量数据的至少两个相关系数。
可选的,所述处理模块32,用于所述相关系数,可以通过以下公式获得:
可选的,所述处理模块32,用于根据所述相关系数,确定所述供水量数据中的目标供水量数据,包括:
将所述至少两个相关系数按照从小到大的顺序进行排列,将相关系数值最大时对应的预设滑动时间窗内的供水量数据确定为目标供水量数据。
可选的,所述处理模块32,用于根据预设进水量预测模型以及预设修正函数对所述目标供水量数据、所述进水量数据以及预设气象数据进行处理,得到污水处理厂进水量的预测结果,包括:
将所述目标供水量数据、所述进水量数据输入所述预设进水量预测模型中进行预测处理,获得第一进水量预测结果;
根据所述预设修正函数以及所述预设气象数据,对所述第一进水量预测结果进行修正处理,获得第二进水量预测结果;所述预设修正函数是对历史气象数据、历史进水量数据以及历史供水量数据进行拟合得到的;
将所述第二进水量预测结果作为所述进水量预测结果。
需要说明的是,该装置是与上述数据处理方法相对应的装置,上述方法实施例中的所有实现方式均适用于该装置的实施例中,也能达到相同的技术效果。
本发明的实施例还提供一种计算设备,包括:处理器、存储有计算机程序的存储器,所述计算机程序被处理器运行时,执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中,也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中,也能达到相同的技术效果。
本领域普通技术人员可以意识到,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、或者计算机软件和电子硬件的结合来实现。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发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外,需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行,某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言,能够理解本发明的方法和装置的全部或者任何步骤或者部件,可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中,以硬件、固件、软件或者它们的组合加以实现,这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此,本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此,本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说,这样的程序产品也构成本发明,并且存储有这样的程序产品的存储介质也构成本发明。显然,所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种数据处理方法,其特征在于,包括:
获取预设时间段内污水处理厂的进水量数据以及供水厂的供水量数据;
获取所述供水量数据在预设滑动时间窗内对应的供水量数据与所述进水量数据的相关系数;
根据所述相关系数,确定所述供水量数据中的目标供水量数据;
根据预设进水量预测模型以及预设修正函数对所述目标供水量数据、所述进水量数据以及预设气象数据进行处理,得到污水处理厂进水量预测结果;所述预设进水量预测模型是基于历史气象数据、历史进水量数据以及历史供水量数据进行训练得到的;
其中,基于所述历史气象数据、所述历史进水量数据以及所述历史供水量数据进行训练得到所述预设进水量预测模型,包括:
获取污水处理厂的历史进水量数据、供水厂的历史供水量数据以及历史气象数据;
对所述历史进水量数据、所述历史供水量数据以及所述历史气象数据进行特征提取,获得训练特征数据;
将所述训练特征数据输入到预设网络模型的至少一个弱学习器进行处理,得到至少一个残差;
将所述至少一个弱学习器的残差的总和,迭代输入所述预设网络模型的强学习器进行处理,得到所述强学习器的输出结果;
将所述强学习器的输出结果进行预测处理,得到训练好的进水量预测模型;
获取所述供水量数据在预设滑动时间窗内对应的供水量数据与所述进水量数据的相关系数,包括:
在所述供水量数据对应的时序数据上按照预设滑动时间窗进行滑动,且每滑动一次,计算一次所述预设滑动时间窗内的供水量数据与所述进水量数据的相关系数;在滑动完成后,获得所述供水量数据与所述进水量数据的至少两个相关系数;
根据预设进水量预测模型以及预设修正函数对所述目标供水量数据、所述进水量数据以及预设气象数据进行处理,得到污水处理厂进水量预测结果,包括:
将所述目标供水量数据、所述进水量数据输入所述预设进水量预测模型中进行预测处理,获得第一进水量预测结果;
根据所述预设修正函数以及所述预设气象数据,对所述第一进水量预测结果进行修正处理,获得第二进水量预测结果;所述预设修正函数是对历史气象数据、历史进水量数据以及历史供水量数据进行拟合得到的;
将所述第二进水量预测结果作为所述进水量预测结果。
2.根据权利要求1所述的数据处理方法,其特征在于,对所述历史进水量数据、所述历史供水量数据以及所述历史气象数据进行特征提取,获得训练特征数据,包括:
对所述历史进水量数据进行聚类处理,获得所述历史进水量数据的至少一个聚类簇;
根据所述至少一个聚类簇中的历史进水量数据,得到至少一条历史进水量曲线;
根据历史供水周期,对所述历史供水量数据进行拟合处理,得到历史供水量曲线;
对所述历史气象数据与所述历史进水量数据进行拟合处理,得到进水量修正曲线;
根据所述至少一条历史进水量曲线、所述历史供水量曲线、所述进水量修正曲线,获得所述训练特征数据。
4.根据权利要求1所述的数据处理方法,其特征在于,根据所述相关系数,确定所述供水量数据中的目标供水量数据,包括:
将所述至少两个相关系数按照从小到大的顺序进行排列,将相关系数值最大时对应的预设滑动时间窗内的供水量数据确定为目标供水量数据。
5.一种数据处理装置,其特征在于,包括:
获取模块,用于获取预设时间段内污水处理厂的进水量数据以及供水厂的供水量数据;
处理模块,用于获取所述供水量数据在预设滑动时间窗内对应的供水量数据与所述进水量数据的相关系数;根据所述相关系数,确定所述供水量数据中的目标供水量数据;根据预设进水量预测模型以及预设修正函数对所述目标供水量数据、所述进水量数据以及预设气象数据进行处理,得到污水处理厂进水量预测结果;所述预设进水量预测模型是基于历史气象数据、历史进水量数据以及历史供水量数据进行训练得到的;
其中,基于所述历史气象数据、所述历史进水量数据以及所述历史供水量数据进行训练得到所述预设进水量预测模型,包括:
获取污水处理厂的历史进水量数据、供水厂的历史供水量数据以及历史气象数据;
对所述历史进水量数据、所述历史供水量数据以及所述历史气象数据进行特征提取,获得训练特征数据;
将所述训练特征数据输入到预设网络模型的至少一个弱学习器进行处理,得到至少一个残差;
将所述至少一个弱学习器的残差的总和,迭代输入所述预设网络模型的强学习器进行处理,得到所述强学习器的输出结果;
将所述强学习器的输出结果进行预测处理,得到训练好的进水量预测模型;
获取所述供水量数据在预设滑动时间窗内对应的供水量数据与所述进水量数据的相关系数,包括:
在所述供水量数据对应的时序数据上按照预设滑动时间窗进行滑动,且每滑动一次,计算一次所述预设滑动时间窗内的供水量数据与所述进水量数据的相关系数;在滑动完成后,获得所述供水量数据与所述进水量数据的至少两个相关系数;
根据预设进水量预测模型以及预设修正函数对所述目标供水量数据、所述进水量数据以及预设气象数据进行处理,得到污水处理厂进水量预测结果,包括:
将所述目标供水量数据、所述进水量数据输入所述预设进水量预测模型中进行预测处理,获得第一进水量预测结果;
根据所述预设修正函数以及所述预设气象数据,对所述第一进水量预测结果进行修正处理,获得第二进水量预测结果;所述预设修正函数是对历史气象数据、历史进水量数据以及历史供水量数据进行拟合得到的;
将所述第二进水量预测结果作为所述进水量预测结果。
6.一种计算设备,其特征在于,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-4中任一项所述的数据处理方法对应的操作。
7.一种计算机可读存储介质,其特征在于,存储有指令,所述指令在计算机上运行时,使得计算机执行如权利要求1-4任一项所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310381751.1A CN116090678B (zh) | 2023-04-11 | 2023-04-11 | 一种数据处理方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310381751.1A CN116090678B (zh) | 2023-04-11 | 2023-04-11 | 一种数据处理方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116090678A CN116090678A (zh) | 2023-05-09 |
CN116090678B true CN116090678B (zh) | 2023-06-02 |
Family
ID=86204923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310381751.1A Active CN116090678B (zh) | 2023-04-11 | 2023-04-11 | 一种数据处理方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116090678B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078296A (zh) * | 2023-09-04 | 2023-11-17 | 国家电投集团科学技术研究院有限公司 | 用于露天煤矿的煤炭产销智能管理系统 |
CN118134294A (zh) * | 2024-05-08 | 2024-06-04 | 中国水利水电科学研究院 | 一种污水水量实时预报方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104460635A (zh) * | 2014-12-24 | 2015-03-25 | 四川谊田集群科技有限公司 | 一种基于智能水电厂的一体化信息平台系统 |
KR20150111672A (ko) * | 2014-03-26 | 2015-10-06 | 부산대학교 산학협력단 | 동일한 방류수계를 공유하는 다수의 하수처리장의 통합운영관리장치 및 그 방법 |
CN106200381A (zh) * | 2016-07-27 | 2016-12-07 | 华电水务工程有限公司 | 一种根据处理水量分阶段控制水厂运行的方法 |
CN115470702A (zh) * | 2022-09-14 | 2022-12-13 | 中山大学 | 一种基于机器学习的污水处理水质预测方法及系统 |
-
2023
- 2023-04-11 CN CN202310381751.1A patent/CN116090678B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150111672A (ko) * | 2014-03-26 | 2015-10-06 | 부산대학교 산학협력단 | 동일한 방류수계를 공유하는 다수의 하수처리장의 통합운영관리장치 및 그 방법 |
CN104460635A (zh) * | 2014-12-24 | 2015-03-25 | 四川谊田集群科技有限公司 | 一种基于智能水电厂的一体化信息平台系统 |
CN106200381A (zh) * | 2016-07-27 | 2016-12-07 | 华电水务工程有限公司 | 一种根据处理水量分阶段控制水厂运行的方法 |
CN115470702A (zh) * | 2022-09-14 | 2022-12-13 | 中山大学 | 一种基于机器学习的污水处理水质预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116090678A (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116090678B (zh) | 一种数据处理方法、装置及设备 | |
CN106529814B (zh) | 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法 | |
CN105139093B (zh) | 基于Boosting算法和支持向量机的洪水预报方法 | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN110542748B (zh) | 一种基于知识的鲁棒型出水氨氮软测量方法 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN111144440A (zh) | 一种专变用户日电力负荷特征的分析方法及装置 | |
CN115186857A (zh) | 一种基于集成学习的神经网络水库水位预测方法 | |
CN115759336A (zh) | 一种面向短期电力负荷预测的预测方法及存储介质 | |
CN115310536A (zh) | 基于神经网络和gcn深度学习模型的水库水位预测预警方法 | |
CN117010553A (zh) | 一种提升电网日前负荷预测准确率的方法及装置 | |
CN113033081A (zh) | 一种基于som-bpnn模型的径流模拟方法及系统 | |
CN112465266A (zh) | 一种母线负荷预测准确率分析方法、装置及计算机设备 | |
CN111311026A (zh) | 一种顾及数据特征、模型和校正的径流非线性预测方法 | |
CN117892162A (zh) | 一种基于非负矩阵分解和机器学习的流域径流预报方法 | |
CN118183886A (zh) | 基于神经网络的水质模型基础参数动态调优方法及装置 | |
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 | |
CN113053536B (zh) | 一种基于隐马尔科夫模型的传染病预测方法、系统和介质 | |
CN112348236B (zh) | 用于智能用电监测终端的异常日负荷需求预测系统与方法 | |
CN113112085A (zh) | 一种基于bp神经网络的新能源场站发电负荷预测方法 | |
CN105372995A (zh) | 污水处理系统测控方法 | |
CN117290673A (zh) | 一种基于多模型融合的船舶能耗高精度预测系统 | |
CN116341753A (zh) | 一种使用机器学习对区域二氧化碳排放预测的方法 | |
CN114548578B (zh) | 基于梯度增强多元回归模型的北斗监测滑坡位移量预测方法 | |
CN111028086A (zh) | 基于聚类与lstm网络的增强指数跟踪方法 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Wu Liyang Inventor after: Wu Qifeng Inventor after: Huang Tao Inventor after: Wang Yan Inventor before: Wu Liyang Inventor before: Wu Qifeng Inventor before: Huang Tao Inventor before: Liu Lifeng Inventor before: Wang Yan |