本發明涉及水處理工程中的預測分析和自動控制領域,具體涉及一種水質智能預測方法和廢水處理自動控制系統。
背景技術:
1、sbr反應器(序批式反應器)水處理技術是污水處理的典型工藝,以其適應性、操作靈活性和資源利用效率而普及。準確預測序批式反應器系統中的氨氮濃度對于優化處理方案和確保符合嚴格的監管標準至關重要。
2、先進計算方法的出現,特別是機器學習和深度學習,徹底改變了水處理工程中的預測分析領域,為復雜系統的動力學提供了前所未有的見解。
3、近年來,包括lstm(長短期記憶網絡)和transformer(變換器模型)在內的復雜神經網絡架構的集成在水處理領域的預測建模任務中引起了極大的關注。這些架構的融合為時間序列分析提供了一個強大的框架,能夠捕捉序批式反應器過程中固有的復雜時空依賴性。
4、為了提高廢水處理的自動化和可持續性,必須準確預測序批式反應器水處理系統中的氨氮含量等水質指標。氨氮含量是處理效率和環境影響的重要指標。然而,復雜的動力學和氨氮測量的復雜性和非連續性阻礙了預測精度和節能降耗的自動化控制。
技術實現思路
1、針對現有技術中的上述不足,本發明提供了一種水質智能預測方法和廢水處理自動控制系統。
2、為了達到上述發明目的,本發明采用的技術方案為:
3、一種水質智能預測方法,包括以下步驟:
4、s1、獲取廢水的監測數據,對廢水的監測數據進行預處理以獲取預處理數據,并根據廢水的監測數據和預處理數據集建立變量數據集;
5、s2、基于transformer和lstm設計廢水的氨氮含量預測模型,將變量數據集劃分為訓練數據集和測試數據集,并利用訓練數據集和測試數據集對廢水的氨氮含量預測模型進行訓練和測試,獲取測試后的廢水的氨氮含量預測模型;
6、s3、獲取廢水的實時監測數據并對其進行預處理,建立實時的變量數據集,并基于測試后的廢水的氨氮含量預測模型,獲取廢水的氨氮含量預測值,以對水質進行智能預測。
7、進一步地,在步驟s1中,廢水的監測數據包括廢水的電導率、溶解氧和氧化還原電位;預處理數據包括廢水的監測數據的變化率和累積值。
8、進一步地,廢水的氨氮含量預測模型包括依次連接的位置編碼層、transformer編碼器和lstm解碼器;
9、位置編碼層用于接收輸入變量集,對輸入變量集進行位置編碼以輸出帶有位置信息的輸入變量集;
10、transformer編碼器用于對帶有位置信息的輸入變量集進行點積運算以輸出特征增強變量集;
11、lstm解碼器用于對輸出的特征增強變量集、上一時間步的輸出和上一時間步的單元狀態進行串行處理,以獲取廢水的氨氮含量預測值。
12、進一步地,在位置編碼層中,對輸入變量集進行位置編碼以輸出帶有位置信息的輸入變量集,包括以下步驟:
13、a1、計算輸入變量集的奇數位置編碼數據,表示為:
14、
15、其中:為在第個時間步長的輸入變量集的奇數位置編碼值,為時間步長,為維度,為正弦函數,為與位置對應的數據編碼;
16、a2、計算輸入變量集的偶數位置編碼數據;
17、
18、其中:為在第個時間步長的輸入變量集的偶數位置編碼值,為余弦函數;
19、a3、根據輸入變量集、輸入變量集的奇數位置編碼數據和輸入變量集的偶數位置編碼數據,輸出帶有位置信息的輸入變量集,表示為:
20、
21、其中:為在第個時間步長的帶有位置信息的輸入變量集,為在第個時間步長的輸入變量集,為在第個時間步長的輸入變量集的位置編碼值。
22、進一步地,transformer編碼器包括依次連接的多頭注意力機制、第一歸一化層、第一線性加法層、前饋層、第二歸一化層和第二線性加法層;第一線性加法層連接transformer編碼器的輸入;前饋層連接第二線性加法層。
23、進一步地,在多頭注意力機制中,對帶有位置信息的輸入變量集進行點積運算,多頭注意力機制輸出的特征增強變量集,包括以下步驟:
24、b1、計算帶有位置信息的輸入變量集的關鍵字向量、值向量和查詢向量,表示為:
25、,
26、,
27、
28、其中:為帶有位置信息的輸入變量集在第個注意力頭的關鍵字向量,為注意力頭的編號,為帶有位置信息的輸入變量集,為第個注意力頭的關鍵字向量的可訓練投影矩陣,為帶有位置信息的輸入變量集在第個注意力頭的值向量,為第個注意力頭的值向量的可訓練投影矩陣,為帶有位置信息的輸入變量集在第個注意力頭的查詢向量,為第個注意力頭的查詢向量的可訓練投影矩陣;
29、b2、對帶有位置信息的輸入變量集的關鍵字向量、值向量和查詢向量進行點積運算,獲取單注意力頭的特征增強變量集,表示為:
30、
31、其中:為第個注意力頭的特征增強變量集,為softmax函數符號,為關鍵字向量的維度,為關鍵字向量的轉置;
32、b3、對單注意力頭的特征增強變量集進行并行計算,獲取多頭注意力機制輸出的特征增強變量集,表示為:
33、
34、其中:為多頭注意力機制輸出的特征增強變量集,為并行計算符號,,為多頭注意力機制中的注意力頭總數,為多頭注意力機制的可訓練投影矩陣。
35、進一步地,前饋層包括兩個relu激活函數連接的線性變換層,線性變換層的計算過程為:
36、
37、其中:為輸出氨氮值,為矩陣的轉置,為輸入變量,為函數的偏置項。
38、進一步地,lstm解碼器包括依次連接的第一線性整流層、長短期記憶網絡操作層、第二線性整流層、第一全連接層和第二全連接層。
39、進一步地,長短期記憶網絡操作層包括輸入門、遺忘門、輸出門和單元狀態門。
40、一種應用上述方法的廢水處理自動控制系統,包括依次連接的sbr反應器、數據收集單元、水質智能預測單元和自動執行廢水處理單元;
41、sbr反應器用于對廢水進行處理,產生廢水處理樣本;
42、數據收集單元用于獲取廢水的監測數據,對廢水的監測數據進行預處理以獲取預處理數據,并根據廢水的監測數據和預處理數據集建立變量數據集;將變量數據集劃分為訓練數據集和測試數據集;對廢水處理樣本進行數據監測,獲取廢水的實時監測數據并對其進行預處理,建立實時的變量數據集;
43、水質智能預測單元用于根據transformer和lstm設計廢水的氨氮含量預測模型,利用訓練數據集和測試數據集對廢水的氨氮含量預測模型進行訓練和測試,獲取測試后的廢水的氨氮含量預測模型;并基于實時的變量數據集和測試后的廢水的氨氮含量預測模型,獲取廢水的氨氮含量預測值;
44、自動執行廢水處理單元,用于根據廢水的氨氮含量預測值,自動執行廢水處理工藝。
45、本發明具有以下有益效果:
46、(1)本發明基于transformer和lstm設計廢水的氨氮含量預測模型,既能使模型專注于并行數據處理,通過編碼器和解碼器,關注特定的數據部分以確保時間序列特征和水質指標數據特征均得以良好保留,提高預測精度,也能處理順序數據,捕捉整體數據趨勢,以確保足夠的特征覆蓋率,并進一步提高預測精度;
47、(2)本發明通過模型集成,利用廢水的電導率、溶解氧、氧化還原電位以及對應數據的變化率和累積值這些不同的信息源及其互補性來緩解過度擬合風險,增強了預測模型的泛化能力,能夠對測定方法復雜且難以連續準確測定的水質指標數據進行更準確的預測,進而通過集成全局和時間序列信息,更穩定準確地獲取預測結果;
48、(3)本發明提供的廢水處理自動控制系統,包括依次連接的sbr反應器、數據收集單元、水質智能預測單元和自動執行廢水處理單元;sbr反應器能對廢水進行處理,產生廢水處理樣本;數據收集單元能獲取廢水的監測數據,對廢水的監測數據進行預處理以獲取預處理數據,并根據廢水的監測數據和預處理數據集建立變量數據集,將變量數據集劃分為訓練數據集和測試數據集,對廢水處理樣本進行數據監測,獲取廢水的實時監測數據并對其進行預處理,建立實時的變量數據集;水質智能預測單元能根據transformer和lstm設計廢水的氨氮含量預測模型,利用訓練數據集和測試數據集對廢水的氨氮含量預測模型進行訓練和測試,獲取測試后的廢水的氨氮含量預測模型,并基于實時的變量數據集和測試后的廢水的氨氮含量預測模型,獲取廢水的氨氮含量預測值;自動執行廢水處理單元能根據廢水的氨氮含量預測值,自動執行廢水處理工藝。