一种污水水质预测方法、电子设备及介质与流程

本发明涉及污水处理领域，更具体地，涉及一种污水水质预测方法、电子设备及介质。

背景技术：

1、随着城市化和工业化进程的推进，污水处理对城市污染减排和城市可持续发展的重要性日益凸显。为了满足日益严格的环境保护和排放许可要求，污水处理厂在活性污泥工艺(asp)中不得不采用过度曝气和过量化学品用量的夸张操作策略。这种夸张的策略使污水处理成为能源密集型产业，能源消耗不断增加。

2、同时，cod和氨氮是污水处理过程中关注的关键污染物指标。cod反映了污水中有机污染物水平，表示水中还原性物质多少的一个指标。化学需氧量越大，说明水体受有机物的污染越严重。如果不进行处理，许多有机污染物可在江底被底泥吸附而沉积，对水生生物造成持久的毒害，还会进一步摧毁生态系统。氨氮反映了含氮污染物的水平，是指水中以游离氨(nh3)和铵离子(nh4+)形式存在的氨。氨氮超标会造成水体中溶解氧浓度降低，导致水质下降，对人和水生生物有较大危害作用。而准确预测进水水质不仅可以减少污水处理厂因过度曝气而产生的不必要的能耗，而且可以提高asp中的污染物去除效率。

3、因此，污水处理厂进水水质预测对于污水处理过程的精准调控，节能降耗，出水质量稳定有重要意义。第一，对污水处理厂的水质进行实时的精确预测能够辅助管理者对污水处理系统的各项工况参数进行实时精准调控，如曝气池气泵功率精准调节，除磷药剂适量投放，内回流率精确控制等。通过精准调节污水处理过程中的各项参数，提高污水中污染物的处理效率，降低污水处理的人力和资金消耗。

4、目前尚需开发一种基于巴特沃斯低通滤波和残差门控循环神经网络的污水水质预测方法。

5、公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

技术实现思路

1、本发明提出了一种污水水质预测方法、电子设备及介质，其能够精确控制污水处理量，具有数据去噪、融合瞬态不确定性和序列依赖性的特点，具有实际应用意义。

2、第一方面，本公开实施例提供了一种污水水质预测方法，包括：

3、收集历史污水水质数据，包括cod和nh4-n浓度；

4、针对所述历史污水水质数据进行巴特沃斯低通滤波，去除噪音；

5、构建resgru模型，所述resgru模型包括自编码器、resgru和解码器；

6、将去噪后的历史污水水质数据带入所述resgru模型中进行训练；

7、根据训练后的resgru模型进行污水水质预测。

8、优选地，巴特沃斯低通滤波为：

9、

10、其中，ω表示信号频率，ωc表示截止频率，保留原始信号中频率小于ωc的部分，g2(ω)为输出信号增益，为零频率增益，n为滤波阶数。

11、优选地，将去噪后的历史污水水质数据带入所述resgru模型中进行训练包括：

12、通过所述自编码器学习水质波动的实时不确定性；

13、所述resgru根据去噪后的历史污水水质数据与实时不确定性学习水质时间序列数据的长期依赖关系；

14、通过所述解码器获得预测值，与历史污水水质数据进行对比，调整所述resgru模型的参数。

15、优选地，通过所述自编码器学习水质波动的实时不确定性包括：

16、在去噪后的历史污水水质数据上滑动长度为m的窗口，构建近期波动矩阵；

17、对于前m个时间步长，用0填充对应的波动，使其长度为m；

18、以波动向量ui作为输入，通过多个全连接层的学习，输出隐含表示向量zi以及重构波动向量

19、优选地，所述resgru根据去噪后的历史污水水质数据与实时不确定性学习水质时间序列数据的长期依赖关系包括：

20、将序列xin＝[xt-l+1,k,xt]输入到gru层中，提取记忆状态为[ct-l+1,...,ci,...,ct]的污水水质序列数据的长期依赖关系；

21、将隐含表示向量通过残差连接传递到resgru的h8层，并与同一时间步长i的相应记忆状态ci进行连接，即x′i＝[zi,ci]t(i∈[t-l+1,t])，其中x′i表示h8的输入，则的输出即为考虑实时不确定性的长期依赖关系。

22、优选地，通过所述解码器获得预测值包括：

23、使用所述解码器，捕获记忆状态c′i与目标值xt+1之间的非线性关系，将已学习输出的历史污水水质数据的表示c′t，映射得到下一个时间步长的预测值，即

24、优选地，调整所述resgru模型的参数包括：

25、使用随机梯度下降调整模型的参数；

26、在模型训练中，模型的参数为θ＝{θw,θb}，其中θw＝{wk|k∈{hi|i∈[1,12]}}，θb＝{bk|k∈{hi|i∈[1,12]}}，权重矩阵和偏置向量的迭代更新为其中ε表示学习率；

27、采用链式导数规则迭代神经网络模型中的参数，采用自适应据估计优化算法。

28、优选地，还包括：

29、建立双任务损失函数，通过贝叶斯建模理论，同时对两个目标的两类损失进行加权，定义为：

30、

31、

32、

33、其中，b表示一次训练所抓取的数据样本数量，ω1,ω2为平衡两类损失的可学习参数，lae为自编码器的重构损失，lre为模型的预测损失；

34、权重参数ω1,ω2对应于模型训练过程中任务相关不确定性的对数方差估计，基于均匀不确定性的高斯似然最大化来推断损失函数，resgru模型用f表示，f(xin；θ)表示预测模型的输出，将似然定义为高斯给定均值，即：

35、p(y|f(xin；θ))＝n(f(xin；θ),σ)

36、其中σ表示噪声的标准差；

37、根据极大似然，模型训练过程通过将下式的对数概率最大化：

38、

39、在resgru模型训练过程中包括两个期望输出，分别为自编码器u＝[ut-l+1,...,ut]和回归输出xt+1，进而获得对两个输出进行因式分解的双任务似然为：

40、

41、最大化双任务似然即为最小化下式的负对数似然：

42、

43、第二方面，本公开实施例还提供了一种电子设备，该电子设备包括：

44、存储器，存储有可执行指令；

45、处理器，所述处理器运行所述存储器中的所述可执行指令，以实现所述的污水水质预测方法。

46、第三方面，本公开实施例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存储有计算机程序，该计算机程序被处理器执行时实现所述的污水水质预测方法。

47、其有益效果在于：

48、1、本发明利用巴特沃斯低通滤波去噪和残差门控循环神经网络学习进水污水水质的时间序列数据。通过这种方式，不仅可以平滑传感器提供的原始进水水质时间序列数据中可能的测量漂移和异常值，还可以使预测模型能够学习到污水水质中固有的隐含表示。

49、2、本发明不仅利用自编码器从近期波动中学习污水水质中的不确定性的，还利用resgru模型学习污水水质时间序列数据之间复杂的长期和短期依赖关系。

50、本发明的方法和装置具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本发明的特定原理。