CN117055451A - 污水处理智能监控系统及其方法 - Google Patents
污水处理智能监控系统及其方法 Download PDFInfo
- Publication number
- CN117055451A CN117055451A CN202311317879.8A CN202311317879A CN117055451A CN 117055451 A CN117055451 A CN 117055451A CN 202311317879 A CN202311317879 A CN 202311317879A CN 117055451 A CN117055451 A CN 117055451A
- Authority
- CN
- China
- Prior art keywords
- total
- effluent
- time sequence
- pollutant emission
- training
- 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.)
- Granted
Links
- 239000010865 sewage Substances 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012544 monitoring process Methods 0.000 title claims abstract description 48
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 183
- 231100000719 pollutant Toxicity 0.000 claims abstract description 183
- 239000013598 vector Substances 0.000 claims abstract description 165
- 239000003403 water pollutant Substances 0.000 claims abstract description 27
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 70
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000004065 wastewater treatment Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 10
- 230000036961 partial effect Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 229910052799 carbon Inorganic materials 0.000 description 8
- 238000009826 distribution Methods 0.000 description 8
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000005273 aeration Methods 0.000 description 1
- 239000002585 base Substances 0.000 description 1
- 239000003637 basic solution Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000010992 reflux Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24024—Safety, surveillance
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Activated Sludge Processes (AREA)
Abstract
公开了一种污水处理智能监控系统及其方法。其首先获取污水处理系统的历史运行数据,其中,所述历史运行数据包括多天的出水污染物排放总量,接着,将所述多天的出水污染物排放总量进行数据预处理以得到出水污染物排放总量时序输入向量,然后,对所述出水污染物排放总量时序输入向量进行时序分析以得到出水污染物排放总量时域上下文编码特征向量,最后,基于所述出水污染物排放总量时域上下文编码特征向量,确定出水污染物排放总量的预测值。这样,可以实现出水污染物排放总量的准确预测。
Description
技术领域
本公开涉及污水处理领域,且更为具体地,涉及一种污水处理智能监控系统及其方法。
背景技术
污水处理是一项重要的环境保护工作,其目的是将污水中的有害物质去除或降低,使之达到排放标准或回用要求。但是污水处理过程中存在许多不确定性和变化,如污水的流量等。如果不能及时监控和预测污水处理系统的运行状态,可能会导致污水处理设施的故障、污水处理效率的下降、排放标准的超标等后果。因此,进行污水处理监控和预测是提高污水处理质量和效率,保障污水处理设施正常运行的必要手段。
然而,由于污水处理系统的复杂性和不确定性,对出水污染物排放总量的动态预测是一项具有挑战性的任务。传统的预测方法往往依赖于经验公式,忽略了污水处理系统的非线快时变特性,导致预测精度不高,无法满足实际应用的需要。因此,期待一种优化的方案。
发明内容
有鉴于此,本公开提出了一种污水处理智能监控系统及其方法,其利用智能技术构建适应污水处理系统特征的动态预测模型,实现出水污染物排放总量的准确预测。
根据本公开的一方面,提供了一种污水处理智能监控方法,其包括:获取污水处理系统的历史运行数据,其中,所述历史运行数据包括多天的出水污染物排放总量;将所述多天的出水污染物排放总量进行数据预处理以得到出水污染物排放总量时序输入向量;对所述出水污染物排放总量时序输入向量进行时序分析以得到出水污染物排放总量时域上下文编码特征向量;以及基于所述出水污染物排放总量时域上下文编码特征向量,确定出水污染物排放总量的预测值。
根据本公开的另一方面,提供了一种污水处理智能监控系统,其包括:数据获取模块,用于获取污水处理系统的历史运行数据,其中,所述历史运行数据包括多天的出水污染物排放总量;数据预处理模块,用于将所述多天的出水污染物排放总量进行数据预处理以得到出水污染物排放总量时序输入向量;时序分析模块,用于对所述出水污染物排放总量时序输入向量进行时序分析以得到出水污染物排放总量时域上下文编码特征向量;以及污染物排放预测模块,用于基于所述出水污染物排放总量时域上下文编码特征向量,确定出水污染物排放总量的预测值。
根据本公开的实施例,其首先获取污水处理系统的历史运行数据,其中,所述历史运行数据包括多天的出水污染物排放总量,接着,将所述多天的出水污染物排放总量进行数据预处理以得到出水污染物排放总量时序输入向量,然后,对所述出水污染物排放总量时序输入向量进行时序分析以得到出水污染物排放总量时域上下文编码特征向量,最后,基于所述出水污染物排放总量时域上下文编码特征向量,确定出水污染物排放总量的预测值。这样,可以实现出水污染物排放总量的准确预测。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开的实施例的污水处理智能监控方法的流程图。
图2示出根据本公开的实施例的污水处理智能监控方法的架构示意图。
图3示出根据本公开的实施例的污水处理智能监控方法的子步骤S130的流程图。
图4示出根据本公开的实施例的污水处理智能监控方法的子步骤S131的流程图。
图5示出根据本公开的实施例的污水处理智能监控系统的框图。
图6示出根据本公开的实施例的污水处理智能监控方法的应用场景图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本公开的部分实施例,而不是全部的实施例。基于本公开实施例,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,也属于本公开保护的范围。
如本公开和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
针对上述技术问题,本公开的技术构思是利用智能技术构建适应污水处理系统特征的动态预测模型,实现出水污染物排放总量的准确预测。也就是,通过融合高维时序特征、增强数据信息价值的方式来提高模型预测精度。
基于此,图1示出根据本公开的实施例的污水处理智能监控方法的流程图。图2示出根据本公开的实施例的污水处理智能监控方法的架构示意图。如图1和图2所示,根据本公开实施例的污水处理智能监控方法,包括步骤:S110,获取污水处理系统的历史运行数据,其中,所述历史运行数据包括多天的出水污染物排放总量;S120,将所述多天的出水污染物排放总量进行数据预处理以得到出水污染物排放总量时序输入向量;S130,对所述出水污染物排放总量时序输入向量进行时序分析以得到出水污染物排放总量时域上下文编码特征向量;以及,S140,基于所述出水污染物排放总量时域上下文编码特征向量,确定出水污染物排放总量的预测值。
具体地,在本公开的技术方案中,首先,获取污水处理系统的历史运行数据,其中,所述历史运行数据包括多天的出水污染物排放总量;并将所述多天的出水污染物排放总量按照时间维度排列为出水污染物排放总量时序输入向量。
然后,对所述出水污染物排放总量时序输入向量进行局部时序特征提取以得到出水污染物排放总量局部时序特征向量的序列。也就是,捕捉所述出水污染物排放总量时序输入向量所蕴含的污水处理系统的动态变化。
值得一提的是,如果直接提取所述出水污染物排放总量时序输入向量的全局特征信息,可能会忽略一些局部的重要信息,导致预测精度降低。在本公开的应用场景中,局部的重要信息可能是出水污染物排放总量在短期时序内的变化信息。例如,污水的流量会随着时间、季节、天气、节假日等因素而变化,污水的成分也会受到不同来源、不同行业、不同工艺等因素的影响。这些因素会影响污水处理系统的负荷和效率,从而导致时序特征分布的变化。
在本公开的一个具体示例中,对所述出水污染物排放总量时序输入向量进行局部时序特征提取以得到出水污染物排放总量局部时序特征向量的序列的编码过程,包括:先对所述出水污染物排放总量时序输入向量进行向量切分以得到出水污染物排放总量局部时序输入向量的序列;再将所述出水污染物排放总量局部时序输入向量的序列通过基于一维卷积层的时序特征提取器以得到出水污染物排放总量局部时序特征向量的序列。
接着,提取所述出水污染物排放总量局部时序特征向量的序列之间的时域关联特征以得到所述出水污染物排放总量时域上下文编码特征向量。
在本公开的一个具体示例中,提取所述出水污染物排放总量局部时序特征向量的序列之间的时域关联特征以得到所述出水污染物排放总量时域上下文编码特征向量的实现方式是将所述出水污染物排放总量局部时序特征向量的序列通过基于Bi-LSTM模型的上下文编码器以得到出水污染物排放总量时域上下文编码特征向量。
相应地,在步骤S120中,将所述多天的出水污染物排放总量进行数据预处理以得到出水污染物排放总量时序输入向量,包括:将所述多天的出水污染物排放总量按照时间维度排列为所述出水污染物排放总量时序输入向量。应可以理解,将多天的出水污染物排放总量按照时间维度排列为时序输入向量,可以用于以下用途:1.趋势分析:通过对时序输入向量进行分析,可以观察出水污染物排放总量随时间的变化趋势,这有助于了解污染物排放是否呈现逐渐增加或减少的趋势,以及是否存在周期性的波动。2.异常检测:时序输入向量可以用于检测异常情况,通过建立正常的出水污染物排放总量模式,可以比较当前时序向量与正常模式的差异,如果出现异常的排放量,可能意味着存在污染源的故障或其他异常情况。3.预测和预警:基于历史的时序输入向量,可以使用时间序列分析或机器学习方法建立模型来预测未来的出水污染物排放总量,这样可以提前做出预警,采取相应的措施来减少污染物排放或应对可能的环境影响。4.决策支持:时序输入向量可以为决策提供支持,通过对长期时间序列的分析,可以评估特定措施对出水污染物排放的影响效果,为制定环境保护政策或改进排放管理方案提供依据。换言之,将出水污染物排放总量按照时间维度排列为时序输入向量可以帮助更好地理解和管理污染物排放情况,提供数据支持和决策依据,并实现对污染物排放趋势的监测和预测。
相应地,在步骤S130中,如图3所示,对所述出水污染物排放总量时序输入向量进行时序分析以得到出水污染物排放总量时域上下文编码特征向量,包括:S131,对所述出水污染物排放总量时序输入向量进行局部时序特征提取以得到出水污染物排放总量局部时序特征向量的序列;以及,S132,提取所述出水污染物排放总量局部时序特征向量的序列之间的时域关联特征以得到所述出水污染物排放总量时域上下文编码特征向量。应可以理解,步骤S131的目的是从原始的时序输入向量中提取出局部时序特征,以捕捉到污染物排放总量的局部变化模式。通过对时序数据进行滑动窗口或其他局部特征提取方法,可以生成一系列局部时序特征向量,这些特征向量反映了不同时间段内的污染物排放情况,有助于提取更细粒度的信息。步骤S132的目的是通过分析局部时序特征向量的序列之间的时域关联特征,获得更全局的上下文编码特征。可以使用各种时序分析方法,如自相关、互相关、傅里叶变换等,来提取时域关联特征。这些特征可以捕捉到污染物排放总量的整体趋势、周期性或其他相关性,为后续的分析和建模提供更全面的信息。通过这两个步骤的组合,可以将原始的出水污染物排放总量时序输入向量转化为更具表达力和信息丰富性的时域上下文编码特征向量。这些特征向量可以用于进一步的数据分析、建模和预测,有助于深入理解出水污染物排放总量的变化规律和趋势。
更具体地,在步骤S131中,如图4所示,对所述出水污染物排放总量时序输入向量进行局部时序特征提取以得到出水污染物排放总量局部时序特征向量的序列,包括:S1311,对所述出水污染物排放总量时序输入向量进行向量切分以得到出水污染物排放总量局部时序输入向量的序列;以及,S1312,将所述出水污染物排放总量局部时序输入向量的序列通过基于一维卷积层的时序特征提取器以得到所述出水污染物排放总量局部时序特征向量的序列。应可以理解,步骤S1311的目的是将原始的出水污染物排放总量时序输入向量切分成多个局部时序输入向量,通过切分向量,可以将长期的时序数据拆分为多个较短的局部时序片段,这样做的好处是可以更好地捕捉到污染物排放的局部变化模式,使得特征提取更加准确和精细。步骤S1312的目的是通过应用基于一维卷积层的时序特征提取器,从局部时序输入向量中提取出更具表达力的特征。一维卷积层可以捕捉到时序数据中的局部模式和关联性,通过滑动窗口或其他卷积操作,可以提取出不同时间尺度上的特征。这些特征可以包括局部趋势、周期性、峰值等,有助于更好地描述污染物排放的时序特征。通过S1311和S1312这两个步骤的组合,可以将原始的出水污染物排放总量时序输入向量转化为一系列局部时序特征向量的序列。这些局部时序特征向量可以更好地反映出水污染物排放的局部变化模式,为后续的时域关联特征提取和分析提供更准确和详细的信息。
值得一提的是,一维卷积层是深度学习中常用的一种卷积神经网络层。它用于处理一维序列数据,例如时间序列或信号数据。一维卷积层可以捕捉输入序列中的局部模式和特征,并在不同位置共享权重,从而有效地提取序列数据的特征表示。一维卷积层使用一个可学习的滤波器(也称为卷积核)来在输入序列上进行卷积操作。滤波器是一个小的窗口,通过在输入序列上滑动并执行卷积运算,从局部邻域提取特征。卷积操作将滤波器与输入序列的每个位置进行逐元素相乘,然后将结果求和,得到卷积输出的一个元素。一维卷积层通常包括多个滤波器,每个滤波器提取不同的特征。通过并行地应用多个滤波器,一维卷积层能够学习到多个不同尺寸的局部模式和特征。在时序特征提取中,一维卷积层可以用于从局部时序输入向量中提取特征。它可以学习到不同时间尺度上的模式,捕捉到输入序列的局部结构和时间相关性。一维卷积层通常与其他层(如池化层、激活函数等)组合使用,以构建更复杂的时序特征提取器。
更具体地,在步骤S132中,提取所述出水污染物排放总量局部时序特征向量的序列之间的时域关联特征以得到所述出水污染物排放总量时域上下文编码特征向量,包括:将所述出水污染物排放总量局部时序特征向量的序列通过基于Bi-LSTM模型的上下文编码器以得到所述出水污染物排放总量时域上下文编码特征向量。值得一提的是,Bi-LSTM(双向长短期记忆网络)是一种循环神经网络(RNN)的变种,用于处理序列数据。Bi-LSTM模型结合了前向和后向两个方向的信息,能够更好地捕捉序列数据中的上下文和依赖关系。Bi-LSTM模型由两个LSTM(长短期记忆)层组成,一个按照正序处理输入序列,另一个按照逆序处理输入序列。正向LSTM按照时间顺序从前到后处理输入序列,而逆向LSTM则按照时间顺序从后到前处理输入序列。这样,每个时间步的输出将同时包含前面和后面的上下文信息。Bi-LSTM模型的主要优势之一是能够捕捉到长距离的依赖关系。由于正向和逆向LSTM在处理序列时分别考虑了前面和后面的上下文,它们能够更好地理解序列中的长期依赖关系。这对于时序数据分析非常有用,因为过去和未来的信息都可以对当前时刻的特征表示产生影响。通过使用Bi-LSTM模型作为上下文编码器,可以将局部时序特征向量序列转化为时域上下文编码特征向量的序列。这些时域上下文编码特征向量包含了更全面的序列信息,可以用于进一步的分析和应用,如预测、分类、聚类等。
进而,将所述出水污染物排放总量时域上下文编码特征向量通过基于解码器的预测器以得到解码值,所述解码值用于表示出水污染物排放总量的预测值。
相应地,在步骤S140中,基于所述出水污染物排放总量时域上下文编码特征向量,确定出水污染物排放总量的预测值,包括:将所述出水污染物排放总量时域上下文编码特征向量通过基于解码器的预测器以得到解码值,所述解码值用于表示出水污染物排放总量的预测值。值得一提的是,解码器是神经网络模型中的一部分,用于将编码后的特征表示转化为具体的输出或预测值。在上下文编码器-解码器框架中,解码器接收编码器生成的特征向量,并将其转换为所需的输出。在该步骤中,解码器用于将出水污染物排放总量的时域上下文编码特征向量转化为预测值。解码器可以是一个简单的全连接神经网络,也可以是一个更复杂的模型,如递归神经网络(RNN)或注意力机制(Attention)模型。解码器的目标是学习将编码特征映射到预测值的关系。它通过训练过程中的反向传播算法来调整模型参数,以最小化预测值与真实值之间的差异。通过反复迭代训练,解码器可以逐渐提高预测的准确性。解码器的输出可以是一个连续值,例如预测的出水污染物排放总量,也可以是一个离散值,例如分类标签。具体取决于问题的性质和任务的要求。总而言之,解码器在上下文编码器-解码器框架中起到将编码特征转化为具体输出的作用。它是模型的重要组成部分,用于实现对序列数据的预测、生成或分类等任务。
进一步地,在本公开的技术方案中,所述的污水处理智能监控方法,其还包括训练步骤:对所述基于一维卷积层的时序特征提取器、所述基于Bi-LSTM模型的上下文编码器和所述解码器进行训练。应可以理解,训练步骤在污水处理智能监控方法中起着关键作用。通过对基于一维卷积层的时序特征提取器、基于Bi-LSTM模型的上下文编码器和解码器进行训练,可以使这些模型学习到适合特定任务的参数和权重,从而实现更准确的预测和分析。训练步骤的主要目标是通过使用已知的输入和对应的输出数据,调整模型的参数使其能够最小化预测值与真实值之间的差异。具体来说,训练步骤的作用包括:1.参数优化:通过反向传播算法和优化方法(如梯度下降),训练步骤可以调整模型的参数,使其能够更好地拟合训练数据。通过迭代训练,模型可以逐渐优化,提高对输入数据的表示和预测能力。2.特征学习:一维卷积层的时序特征提取器和Bi-LSTM模型的上下文编码器可以自动学习输入数据中的有用特征表示。通过训练步骤,这些模型可以学习到如何从原始数据中提取和编码有关污水处理的关键特征,从而更好地捕捉数据的局部结构和上下文信息。3.预测和泛化能力:通过训练步骤,解码器可以学习将编码特征映射到预测值的关系。这使得模型能够在训练数据之外的新数据上进行预测,并具有一定的泛化能力。训练步骤通过调整解码器的参数,使其能够产生准确的预测结果。换言之,训练步骤对于污水处理智能监控方法至关重要。它通过优化模型参数、学习有用的特征表示和提高预测能力,使模型能够更好地应对实际的污水处理数据,并提供准确的预测和分析结果。
其中,所述训练步骤,包括:获取训练数据,所述训练数据包括污水处理系统的训练历史运行数据,其中,所述训练历史运行数据包括多天的训练出水污染物排放总量,以及,出水污染物排放总量的真实值;将所述多天的训练出水污染物排放总量按照时间维度排列为训练出水污染物排放总量时序输入向量;对所述训练出水污染物排放总量时序输入向量进行向量切分以得到训练出水污染物排放总量局部时序输入向量的序列;将所述训练出水污染物排放总量局部时序输入向量的序列通过所述基于一维卷积层的时序特征提取器以得到训练出水污染物排放总量局部时序特征向量的序列;将所述训练出水污染物排放总量局部时序特征向量的序列通过所述基于Bi-LSTM模型的上下文编码器以得到训练出水污染物排放总量时域上下文编码特征向量;将所述训练出水污染物排放总量时域上下文编码特征向量通过所述基于解码器的预测器以得到解码损失函数值;以及,以所述解码损失函数值来对所述基于一维卷积层的时序特征提取器、所述基于Bi-LSTM模型的上下文编码器和所述解码器进行训练,其中,在所述训练的每一轮迭代中,对所述训练出水污染物排放总量时域上下文编码特征向量进行基于类度矩阵正则化的权重空间探索约束迭代。
在本公开的技术方案中,训练出水污染物排放总量局部时序特征向量的序列中的每个训练出水污染物排放总量局部时序特征向量表达训练出水污染物排放总量在局部时域内的时序关联特征,由此,在将所述训练出水污染物排放总量局部时序特征向量的序列通过基于Bi-LSTM模型的上下文编码器后,可以提取全局时域下的各局部时域的时序特征间的近程-远程双向上下文关联,从而使得所述训练出水污染物排放总量时域上下文编码特征向量同时包括与局部时域和全局时域对应的时间点粒度和时间段粒度的时序关联特征,从而导致所述训练出水污染物排放总量时域上下文编码特征向量在通过解码器进行解码回归时,其在解码结果的概率分布域内的与不同时序细分维度的特征分布多样化对应的标签分布富化,从而影响在解码过程中所述解码器的权重矩阵的收敛效果。
基于此,本公开的申请人在将所述训练出水污染物排放总量时域上下文编码特征向量通过解码器进行解码时,在每次权重矩阵的迭代时,对所述训练出水污染物排放总量时域上下文编码特征向量进行基于类度矩阵正则化的权重空间探索约束。
相应地,在一个具体示例中,在所述训练的每一轮迭代中,对所述训练出水污染物排放总量时域上下文编码特征向量进行基于类度矩阵正则化的权重空间探索约束迭代,包括:以如下迭代优化公式对所述训练出水污染物排放总量时域上下文编码特征向量进行基于类度矩阵正则化的权重空间探索约束迭代以得到迭代后训练出水污染物排放总量时域上下文编码特征向量;其中,所述迭代优化公式为:其中,是所述出水污染物排放总量时域上下文编码特征向量,/>是所述迭代后训练出水污染物排放总量时域上下文编码特征向量,/>是列向量,/>是行向量,/>表示上一次迭代的权重矩阵,/>为可学习的域转移矩阵,/>表示矩阵乘法,/>表示转置操作,/>表示迭代后的权重矩阵。
这里,考虑到权重矩阵的权重空间域与所述训练出水污染物排放总量时域上下文编码特征向量的解码结果的概率分布域之间的域差异(domain gap),通过权重矩阵/>相对于所述训练出水污染物排放总量时域上下文编码特征向量/>的类度矩阵正则化表示来作为域间迁移代理(inter-domain transferring agent),来将有价值的标签约束的概率分布转移到权重空间内,从而避免在基于权重空间的解码过程中,富标签化的(richlabeled)概率分布域对于权重空间内的权重分布进行过度探索(over-exploit),提升了权重矩阵的收敛效果,也就提升了所述训练出水污染物排放总量时域上下文编码特征向量在通过解码器进行解码回归时的训练效果。
综上,基于本公开实施例的污水处理智能监控方法,其可以实现出水污染物排放总量的准确预测。
图5示出根据本公开的实施例的污水处理智能监控系统100的框图。如图5所示,根据本公开实施例的污水处理智能监控系统100,包括:数据获取模块110,用于获取污水处理系统的历史运行数据,其中,所述历史运行数据包括多天的出水污染物排放总量;数据预处理模块120,用于将所述多天的出水污染物排放总量进行数据预处理以得到出水污染物排放总量时序输入向量;时序分析模块130,用于对所述出水污染物排放总量时序输入向量进行时序分析以得到出水污染物排放总量时域上下文编码特征向量;以及,污染物排放预测模块140,用于基于所述出水污染物排放总量时域上下文编码特征向量,确定出水污染物排放总量的预测值。
在一种可能的实现方式中,所述数据预处理模块120,用于:将所述多天的出水污染物排放总量按照时间维度排列为所述出水污染物排放总量时序输入向量。
这里,本领域技术人员可以理解,上述污水处理智能监控系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的污水处理智能监控方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本公开实施例的污水处理智能监控系统100可以实现在各种无线终端中,例如具有污水处理智能监控算法的服务器等。在一种可能的实现方式中,根据本公开实施例的污水处理智能监控系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该污水处理智能监控系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该污水处理智能监控系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该污水处理智能监控系统100与该无线终端也可以是分立的设备,并且该污水处理智能监控系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图6示出根据本公开的实施例的污水处理智能监控方法的应用场景图。如图6所示,在该应用场景中,首先,获取污水处理系统的历史运行数据(例如,图6中所示意的D),其中,所述历史运行数据包括多天的出水污染物排放总量,然后,将所述多天的出水污染物排放总量输入至部署有污水处理智能监控算法的服务器中(例如,图6中所示意的S),其中,所述服务器能够使用所述污水处理智能监控算法对所述多天的出水污染物排放总量进行处理以得到用于表示出水污染物排放总量的预测值的解码值。
值得一提的是,本公开的技术方案针对污水处理厂时变性的进水条件以及高度非线性的复杂生化处理过程,集成机理模型与深度学习模型,基于污水处理厂运行阶段的水质水量监测、能源物料消耗等数据,结合混合生命周期法建立污水处理工艺运行过程动态预测模型,实现出水污染物排放总量与碳排放量的动态预测。针对单个模型存在拟合度较低、预测性能较差等问题,为进一步提高模型预测精度以满足实际工程应用需求,运用集成算法对前文构建的多种模型加以集成,构建适应污水处理系统非线快时变与数据异质不平衡特征的动态预测模型,通过融合高维时序特征、增强数据信息价值方式提高模型预测精度。并且运用敏感性分析方法解析输入特征对于模型预测结果的贡献,识别出水水质影响显著、碳排过程关联密切的控制参数,明确各操作参数最佳控制范围。以污水处理厂出水及碳排放量预测模型与受纳水体水环境容量预测模型为基础,以出水污染物排放总量与水环境容量差值作为边界值,污水处理厂碳排放作为目标参数,以加药量、曝气量、回流量等碳排放相关参数作为操作参数,嵌入强化学习算法构建污水处理过程智能控制模型,通过奖赏函数组成与权重优化实现污水处理过程减污降碳目标,提出在保障水环境质量前提下面向不同情景的污水处理厂高效低碳低耗运行策略。
并基于污水处理智能监控方法研发一套污水处理厂智能化运行控制软件,并在污水处理厂进行示范应用,污水处理厂能耗降低15%以上。
本公开的技术方案开发水质及关键运行参数的高效识别与控制方法,建立污水处理厂生化系统数字孪生模型;集成ASM、BSM等机理模型与LSTM、CNN等深度学习模型构建污水处理工艺运行过程动态预测模型;建立以混合生命周期法为核心的污水厂碳足迹评价模型,集成CNN、RNN、AM等深度学习算法构建关键指标动态预测模型。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种污水处理智能监控方法,其特征在于,包括:获取污水处理系统的历史运行数据,其中,所述历史运行数据包括多天的出水污染物排放总量;将所述多天的出水污染物排放总量进行数据预处理以得到出水污染物排放总量时序输入向量;对所述出水污染物排放总量时序输入向量进行时序分析以得到出水污染物排放总量时域上下文编码特征向量;以及基于所述出水污染物排放总量时域上下文编码特征向量,确定出水污染物排放总量的预测值。
2.根据权利要求1所述的污水处理智能监控方法,其特征在于,将所述多天的出水污染物排放总量进行数据预处理以得到出水污染物排放总量时序输入向量,包括:将所述多天的出水污染物排放总量按照时间维度排列为所述出水污染物排放总量时序输入向量。
3.根据权利要求2所述的污水处理智能监控方法,其特征在于,对所述出水污染物排放总量时序输入向量进行时序分析以得到出水污染物排放总量时域上下文编码特征向量,包括:对所述出水污染物排放总量时序输入向量进行局部时序特征提取以得到出水污染物排放总量局部时序特征向量的序列;以及提取所述出水污染物排放总量局部时序特征向量的序列之间的时域关联特征以得到所述出水污染物排放总量时域上下文编码特征向量。
4.根据权利要求3所述的污水处理智能监控方法,其特征在于,对所述出水污染物排放总量时序输入向量进行局部时序特征提取以得到出水污染物排放总量局部时序特征向量的序列,包括:对所述出水污染物排放总量时序输入向量进行向量切分以得到出水污染物排放总量局部时序输入向量的序列;以及将所述出水污染物排放总量局部时序输入向量的序列通过基于一维卷积层的时序特征提取器以得到所述出水污染物排放总量局部时序特征向量的序列。
5.根据权利要求4所述的污水处理智能监控方法,其特征在于,提取所述出水污染物排放总量局部时序特征向量的序列之间的时域关联特征以得到所述出水污染物排放总量时域上下文编码特征向量,包括:将所述出水污染物排放总量局部时序特征向量的序列通过基于Bi-LSTM模型的上下文编码器以得到所述出水污染物排放总量时域上下文编码特征向量。
6.根据权利要求5所述的污水处理智能监控方法,其特征在于,基于所述出水污染物排放总量时域上下文编码特征向量,确定出水污染物排放总量的预测值,包括:将所述出水污染物排放总量时域上下文编码特征向量通过基于解码器的预测器以得到解码值,所述解码值用于表示出水污染物排放总量的预测值。
7.根据权利要求6所述的污水处理智能监控方法,其特征在于,还包括训练步骤:对所述基于一维卷积层的时序特征提取器、所述基于Bi-LSTM模型的上下文编码器和所述解码器进行训练;其中,所述训练步骤,包括:获取训练数据,所述训练数据包括污水处理系统的训练历史运行数据,其中,所述训练历史运行数据包括多天的训练出水污染物排放总量,以及,出水污染物排放总量的真实值;将所述多天的训练出水污染物排放总量按照时间维度排列为训练出水污染物排放总量时序输入向量;对所述训练出水污染物排放总量时序输入向量进行向量切分以得到训练出水污染物排放总量局部时序输入向量的序列;将所述训练出水污染物排放总量局部时序输入向量的序列通过所述基于一维卷积层的时序特征提取器以得到训练出水污染物排放总量局部时序特征向量的序列;将所述训练出水污染物排放总量局部时序特征向量的序列通过所述基于Bi-LSTM模型的上下文编码器以得到训练出水污染物排放总量时域上下文编码特征向量;将所述训练出水污染物排放总量时域上下文编码特征向量通过所述基于解码器的预测器以得到解码损失函数值;以及以所述解码损失函数值来对所述基于一维卷积层的时序特征提取器、所述基于Bi-LSTM模型的上下文编码器和所述解码器进行训练,其中,在所述训练的每一轮迭代中,对所述训练出水污染物排放总量时域上下文编码特征向量进行基于类度矩阵正则化的权重空间探索约束迭代。
8.根据权利要求7所述的污水处理智能监控方法,其特征在于,在所述训练的每一轮迭代中,对所述训练出水污染物排放总量时域上下文编码特征向量进行基于类度矩阵正则化的权重空间探索约束迭代,包括:以如下迭代优化公式对所述训练出水污染物排放总量时域上下文编码特征向量进行基于类度矩阵正则化的权重空间探索约束迭代以得到迭代后训练出水污染物排放总量时域上下文编码特征向量;其中,所述迭代优化公式为:其中,/>是所述出水污染物排放总量时域上下文编码特征向量,/>是所述迭代后训练出水污染物排放总量时域上下文编码特征向量,/>是列向量,是行向量,/>表示上一次迭代的权重矩阵,/>为可学习的域转移矩阵,/>表示矩阵乘法,/>表示转置操作,/>表示迭代后的权重矩阵。
9.一种污水处理智能监控系统,其特征在于,包括:数据获取模块,用于获取污水处理系统的历史运行数据,其中,所述历史运行数据包括多天的出水污染物排放总量;数据预处理模块,用于将所述多天的出水污染物排放总量进行数据预处理以得到出水污染物排放总量时序输入向量;时序分析模块,用于对所述出水污染物排放总量时序输入向量进行时序分析以得到出水污染物排放总量时域上下文编码特征向量;以及污染物排放预测模块,用于基于所述出水污染物排放总量时域上下文编码特征向量,确定出水污染物排放总量的预测值。
10.根据权利要求9所述的污水处理智能监控系统,其特征在于,所述数据预处理模块,用于:将所述多天的出水污染物排放总量按照时间维度排列为所述出水污染物排放总量时序输入向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311317879.8A CN117055451B (zh) | 2023-10-12 | 2023-10-12 | 污水处理智能监控系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311317879.8A CN117055451B (zh) | 2023-10-12 | 2023-10-12 | 污水处理智能监控系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117055451A true CN117055451A (zh) | 2023-11-14 |
CN117055451B CN117055451B (zh) | 2024-01-05 |
Family
ID=88666713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311317879.8A Active CN117055451B (zh) | 2023-10-12 | 2023-10-12 | 污水处理智能监控系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117055451B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117491585A (zh) * | 2024-01-02 | 2024-02-02 | 石家庄首创水汇环境治理有限公司 | 基于时序网络的水生态污染监测方法及装置、系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564229A (zh) * | 2018-04-26 | 2018-09-21 | 广东省广业科技集团有限公司 | 一种基于arima模型的工业污水进水量预测的方法 |
CN110675374A (zh) * | 2019-09-17 | 2020-01-10 | 电子科技大学 | 一种基于生成对抗网络的二维图像污水流量检测方法 |
CN112132333A (zh) * | 2020-09-16 | 2020-12-25 | 安徽泽众安全科技有限公司 | 一种基于深度学习的短期水质水量预测方法及系统 |
CN116307247A (zh) * | 2023-04-11 | 2023-06-23 | 河北工程大学 | 空气质量的预测方法、模型的训练方法、设备及存储介质 |
CN116859830A (zh) * | 2023-03-27 | 2023-10-10 | 福建天甫电子材料有限公司 | 用于电子级氟化铵生产的生产管理控制系统 |
-
2023
- 2023-10-12 CN CN202311317879.8A patent/CN117055451B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564229A (zh) * | 2018-04-26 | 2018-09-21 | 广东省广业科技集团有限公司 | 一种基于arima模型的工业污水进水量预测的方法 |
CN110675374A (zh) * | 2019-09-17 | 2020-01-10 | 电子科技大学 | 一种基于生成对抗网络的二维图像污水流量检测方法 |
CN112132333A (zh) * | 2020-09-16 | 2020-12-25 | 安徽泽众安全科技有限公司 | 一种基于深度学习的短期水质水量预测方法及系统 |
CN116859830A (zh) * | 2023-03-27 | 2023-10-10 | 福建天甫电子材料有限公司 | 用于电子级氟化铵生产的生产管理控制系统 |
CN116307247A (zh) * | 2023-04-11 | 2023-06-23 | 河北工程大学 | 空气质量的预测方法、模型的训练方法、设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117491585A (zh) * | 2024-01-02 | 2024-02-02 | 石家庄首创水汇环境治理有限公司 | 基于时序网络的水生态污染监测方法及装置、系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117055451B (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117055451B (zh) | 污水处理智能监控系统及其方法 | |
Tay et al. | A fast predicting neural fuzzy model for high-rate anaerobic wastewater treatment systems | |
Wang et al. | A deep learning based dynamic COD prediction model for urban sewage | |
CN109035779B (zh) | 基于DenseNet的高速公路交通流预测方法 | |
KR102172925B1 (ko) | 딥러닝 기반 기후 변화 예측 시스템의 동작 방법 | |
KR101703981B1 (ko) | 강우예측을 이용한 하수처리시설의 제어방법 | |
CN112053560A (zh) | 基于神经网络的短时交通流量预测方法、系统和存储介质 | |
CN109086926B (zh) | 一种基于组合神经网络结构的短时轨道交通客流预测方法 | |
CN113221687A (zh) | 一种压板状态识别模型的训练方法及压板状态识别方法 | |
CN112101400A (zh) | 工业控制系统异常检测方法、设备和服务器、存储介质 | |
CN112735541A (zh) | 一种基于简单循环单元神经网络的污水处理水质预测方法 | |
CN116092294A (zh) | 一种基于Transformer与图注意力网络的高速公路交通流量预测方法 | |
CN116577464A (zh) | 用于大气污染的智能监测系统及其方法 | |
Tang et al. | Short-term travel speed prediction for urban expressways: Hybrid convolutional neural network models | |
Kishikawa et al. | Prediction of stock trends by using the wavelet transform and the multi-stage fuzzy inference system optimized by the GA | |
CN115883424B (zh) | 一种高速骨干网间流量数据预测方法及系统 | |
Kim et al. | Operator decision support system for integrated wastewater management including wastewater treatment plants and receiving water bodies | |
Sun | Traffic flow forecasting based on multitask ensemble learning | |
Kang et al. | Research on forecasting method for effluent ammonia nitrogen concentration based on GRA-TCN | |
CN112256858B (zh) | 融合问题模式和答题结果的双卷积知识追踪方法及系统 | |
Zhao | The water potability prediction based on active support vector machine and artificial neural network | |
KR20230086850A (ko) | 인공기능 기반 하수처리장의 유입 부하 예측방법 | |
Praczyk et al. | Finding relevant process characteristics with a method for data-based complexity reduction | |
Wu et al. | A multiple svr approach with time lags for traffic flow prediction | |
Kim et al. | A systematic approach to data-driven modeling and soft sensing in a full-scale plant |
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 |