基于WATS-LSTM耦合模型的城市污水管道中硫化氢预测方法及装置

本发明涉及城市环境污染控制，尤其涉及一种基于wats-lstm耦合模型的城市污水管道中硫化氢预测方法及装置。

背景技术：

1、在城市污水管道系统中，废水含有大量营养物质、细菌和有机物，在将废水输送到污水处理厂的过程中，废水中的生物质在下水道壁上形成生物膜，并消耗氧气，导致管道处于厌氧状态，将硫酸盐转化为硫化物，进一步转化为硫化氢气体。释放到下水道大气中后，造成气味和腐蚀问题，对于基础设施的维护造成了严重的经济成本。因此，精确预测城市污水管道中硫化氢生成和排放的过程和趋势，对于污水管道治理和环境监测具有重要意义。

2、国内外在污水管道中硫化氢预测方面都进行了广泛的研究。国外主要集中在发展新的预测方法和技术，如计算流体力学模型、人工神经网络、机器学习、数学建模等。而国内则着重于硫化氢的生成机理和控制方法，如微生物调控技术、废气处理技术、化学添加剂等。然而，机理模型虽然在不同的场景中都可以进行应用，但对于众多干扰下动态时变的生化反应来系统来说，机理模型中的一些假设条件忽略了实际污水管道中受到的物理、化学和生物因素的干扰，导致偏差增大和应用性受限制。此外，数据驱动模型虽然不需要先验知识或假设，就能够从大规模、高维度、复杂的数据中学习到隐藏的规律和特征，但也存在解释性较差和泛化能力不佳的问题。因此，现有技术需要结合机理模型和数据驱动模型的优势，开发一种方法能够提供硫化氢生成过程描述并保证硫化氢产生量预测精度的方法。

技术实现思路

1、本发明针对上述问题，提供了一种基于wats-lstm耦合模型的城市污水管道中硫化氢预测方法及装置，所述方法以wats模型和lstm模型为基础，进行数据采集、处理和分析，用于对城市污水管道中硫化氢生成和排放的复杂过程进行建模和预测，以期至少部分地解决上述技术问题。

2、本发明的第一方面，一种基于wats-lstm耦合模型的城市污水管道中硫化氢预测方法，方法包括以下步骤：

3、获取污水管道特征参数，采集在所述污水管段上各监测点的硫化氢排放量、流量和水质参数数据；

4、利用所述污水管道特征参数和所述各监测点的硫化氢排放量、流量和水质参数数据构建污水管道wats模型并进行所述wats模型参数率定；利用模拟退火算法对所述wats模型参数进行更新，并利用实际数据对所述wats模型进行校验；

5、将校验后的所述wats模型生成的水质数据和采集的所述水质参数数据作为因变量数据矩阵并进行标准化处理，根据碎石检验确定公因子数并对标准化处理后的所述因变量数据矩阵进行因子分析，计算因子得分函数系数并求解得到因子得分矩阵；

6、将所述因子得分矩阵分为训练集和测试集，利用所述训练集对初始化超参数后的lstm模型进行训练，所述lstm模型的输出为归一化的硫化氢排放量；

7、将所述测试集数据输入训练好的所述lstm模型，对所述lstm模型的输出结果进行反向归一化得到硫化氢排放量预测值。

8、本发明进一步的技术方案是：所述污水管道特征参数包括污水管道长度、管径、坡度、充满度中的一种或多种；所述水质参数包括温度、ph、总化学需氧量、硫酸盐、溶解氧、硝酸盐、2价铁、3价铁、硫化铁中的一种或多种。

9、本发明进一步的技术方案是：所述污水管道wats模型包括水力、硫转化、沉淀、曝气、电子受体转化和有机物转化过程中的一种或多种。

10、本发明进一步的技术方案是：所述利用实际数据对所述wats模型进行校验，具体包括：通过r2对所述wats模型的模拟效果进行评价，判断模拟的各水质是否符合精度要求，符合则认为模型校核结束；不符合则返回重新调整参数，其中r2表达式为：

11、

12、其中，yi是第i个样本值，是第i个模拟值，是样本平均值，n是样本个数。

13、本发明进一步的技术方案是：所述对因变量数据矩阵进行标准化处理，具体表达式为：其中，xnew是标准化后的数据，x是样本数据，μ是样本均值，σ是样本标准差。

14、本发明进一步的技术方案是：所述根据碎石检验确定公因子数，具体包括：通过观察碎石图中的特征值变化确定因素数，当特征值a较前一特征值的值出现大幅度下降，并且所述特征值a较小，所述特征值a后面的特征值变化幅度小，即选择所述特征值a前面若干个特征值作为公因子数。

15、本发明进一步的技术方案是：对标准化处理后的所述因变量数据矩阵进行因子分析，计算因子得分函数系数并求解得到因子得分矩阵，具体包括：根据因子分析模型，将公因子表示为原变量的线性组合，即得到因子得分矩阵，其中因子分析模型为：x＝u+af+ε，x＝(x1，x2，...，xp)′为n×p的随机向量，μ＝(μ1，μ2，...，μp)′为x的均值，f＝(f1，f2，...，fm)′为公因子向量，ε＝(ε1，ε2，...，εm)′为特殊因子向量，ap×m＝(aij)为因子载荷矩阵；

16、得到的因子得分矩阵具体过程表达式为：

17、

18、其中，bm×p＝(bij)为因子得分系数矩阵。

19、本发明进一步的技术方案是：所述利用所述训练集对初始化超参数后的lstm模型进行训练，包括对所述lstm模型精度进行计算，若模型精度达到阈值，则模型训练完成；若模型精度未达到阈值，则更新模型超参数，继续训练，其中，所述模型精度是通过r2、mse、mape对硫化氢预测结果与真实值进行对比：

20、

21、

22、

23、其中，yi是第i个样本值，是第i个预测值，是样本值，n是样本个数。

24、本发明进一步的技术方案是：对所述lstm模型的输出结果进行反向归一化得到硫化氢排放量预测值，所述反归一化表达式为：

25、

26、其中，是硫化氢排放量，是模型输出值，ymax是硫化氢排放量的最大值，ymin是硫化氢排放量的最小值。

27、本发明的第二方面，一种基于wats-lstm耦合模型的城市污水管道中硫化氢预测装置，所述装置包括：

28、获取数据模块，用于获取污水管道特征参数，采集在所述污水管段上各监测点的硫化氢排放量、流量和水质参数数据；

29、wats模型构建模块，用于利用所述污水管道特征参数和所述各监测点的硫化氢排放量、流量和水质参数数据构建污水管道wats模型并进行所述wats模型参数率定；利用模拟退火算法对所述wats模型参数进行更新，并利用实际数据对所述wats模型进行校验；

30、因子得分矩阵获取模块，用于将校验后的所述wats模型生成的水质数据和采集的所述水质参数数据作为因变量数据矩阵并进行标准化处理，根据碎石检验确定公因子数并对标准化处理后的所述因变量数据矩阵进行因子分析，计算因子得分函数系数并求解得到因子得分矩阵；

31、lstm模型训练模块，用于将所述因子得分矩阵分为训练集和测试集，利用所述训练集对初始化超参数后的lstm模型进行训练，所述lstm模型的输出为归一化的硫化氢排放量；

32、预测模块，用于将所述测试集数据输入训练好的所述lstm模型，对所述lstm模型的输出结果进行反向归一化得到硫化氢排放量预测值。

33、本发明提供的一种基于wats-lstm耦合模型的城市污水管道中硫化氢预测方法及装置，具有污水处理过程动力学机理的支撑，同时结合启发式优化算法和神经网络算法对模型参数进行动态优化，更准确地预测污水管道中h2s的产生，更好地理解管道系统的运行机制，有助于管道维护和优化设计。其有益效果主要有：

34、1、基于wats模型和lstm模型的耦合，能够克服单一模型的局限性，提高预测精度；

35、2、可以捕捉污水管道系统中的非线性和动态关系，预测结果更加准确；

36、3、能够自适应地学习新的数据模式，预测模型具有良好的泛化能力；

37、4、可以实时监测污水管道中硫化氢的生成和排放，为环境保护和污水处理提供科学依据；

38、5、能够帮助相关部门制定有效的管道维护和管理策略，降低经济成本。