申请日2017.04.11
公开(公告)日2017.08.04
IPC分类号G01N33/18; G01D21/02; G06N3/04
摘要
本发明提供一种污水处理水质预测方法及服务器，该污水处理水质预测方法应用于污水处理系统，污水处理系统包括服务器、排放装置、多个处理装置和多个采集传感器。所述方法包括：所述服务器根据历史的处理水质数据、环境数据和排放水质数据构造深信度网络模型。多个采集传感器获取多个处理装置内的处理水质数据和环境数据。服务器归一化处理水质数据和环境数据，将归一化处理水质数据和归一化环境数据输入深信度网络模型进行预测，得到归一化预测排放水质数据。服务器去归一化该归一化预测排放水质数据，得到预测排放水质数据。该污水处理水质预测方法及服务器，提高了排放水质预测的准确度，且操作简单及易于实现。
权利要求书
1.一种污水处理水质预测方法，其特征在于，应用于污水处理系统，所述污水处理系统包括服务器、排放装置、多个处理装置和多个采集传感器，所述多个处理装置依次连接后与所述排放装置连接，所述多个采集传感器分别设置于所述排放装置和多个处理装置内，所述服务器预存有多个历史的处理水质数据、环境数据和排放水质数据，所述方法包括：
所述服务器根据历史的处理水质数据、环境数据和排放水质数据构造深信度网络模型;
所述多个采集传感器获取所述多个处理装置内的处理水质数据和环境数据;
所述服务器归一化所述处理水质数据和环境数据，得到归一化处理水质数据和归一化环境数据;
所述服务器将所述归一化处理水质数据和归一化环境数据输入所述深信度网络模型进行预测，得到归一化预测排放水质数据;
所述服务器去归一化所述归一化预测排放水质数据，得到预测排放水质数据;
其中，所述处理水质数据包括：第一化学需氧量、第一总氮量、第一总磷量、第一氨氮量和第一浊度，所述环境数据包括温度、溶解氧浓度、PH值和混合液污泥浓度，所述排放水质数据包括：第二化学需氧量、第二总氮量、第二总磷量、第二氨氮量和第二浊度。
2.根据权利要求1所述的污水处理水质预测方法，其特征在于，所述根据历史的处理水质数据、环境数据和排放水质数据构造深信度网络模型的步骤包括由所述服务器执行的以下步骤：
归一化所述历史的处理水质数据、环境数据和排放水质数据;
将所述归一化的历史的处理水质数据和环境数据作为输入数据，使用对比散度算法求解网络参数，采用无监督逐层贪婪训练方法，逐层训练三层RBM，构建初始深信度网络模型;
根据归一化的历史的排放水质数据，采用BP算法对所述初始深信度网络模型进行微调，优化所述初始深信度网络模型的网络参数，构建所述深信度网络模型。
3.根据权利要求2所述的污水处理水质预测方法，其特征在于，所述将所述归一化的历史的处理水质数据和环境数据作为输入数据，使用对比散度算法求解网络参数，采用无监督逐层贪婪训练方法，逐层训练三层RBM，构建初始深信度网络模型的步骤包括由所述服务器执行的以下步骤：
初始化网络参数;
将归一化的历史的处理水质数据和环境数据作为输入数据输入到第一层RBM的可视层，通过对比散度算法训练第一层RBM，直到能量函数收敛;
固定第一层RBM的网络参数，将第一层RBM的隐含层作为第二层RBM的可视层，通过对比散度算法训练第二层RBM，直到能量函数收敛;
固定第二层RBM的网络参数，将第二层RBM的隐含层作为第三层RBM的可视层，通过对比散度算法训练第三层RBM，直到能量函数收敛。
4.根据权利要求3所述的污水处理水质预测方法，其特征在于，所述初始化网络参数的步骤包括由所述服务器执行的以下步骤：
设置RBM层数为3，设置各层RBM节点数;
学习速率为0.01，迭代周期200;
将偏置量ai和偏置量bj初始化为0;
层间连接权重wij设定为服从均值为0，标准差为1的正态分布。
5.根据权利要求4所述的污水处理水质预测方法，其特征在于，所述设置RBM层数为3，设置各层RBM节点数的步骤包括由所述服务器执行的以下步骤：
所述第一层RBM的可视层的节点数与输入的归一化的历史的处理水质数据和环境数据的个数相等;
第二层RBM的可视层和的第三层RBM的可视层的节点数相等且大于等于第一层RBM的可视层的节点数;
第三层RBM的隐含层的节点数为5。
6.根据权利要求2所述的污水处理水质预测方法，其特征在于，所述根据归一化的历史的排放水质数据，采用BP算法对所述初始深信度网络模型进行微调，优化所述初始深信度网络模型的网络参数，构建所述深信度网络模型的步骤包括由所述服务器执行的以下步骤：
根据归一化的历史的排放水质数据与所述初始深信度网络模型输出的预测排放水质数据，构建损失函数;
采用BP算法对整个网络参数进行多次微调，直至所述损失函数值小于阈值，将微调后的网络参数作为所述深信度网络模型的网络参数。
7.根据权利要求6所述的污水处理水质预测方法，其特征在于，所述损失函数为交叉熵损失函数。
8.根据权利要求1-7任意一项所述的污水处理水质预测方法，其特征在于，所述服务器预存有排放标准，所述方法还包括：
在所述预测排放水质数据达不到所述排放标准时，所述服务器控制相应的处理装置调整处理参数，以改变所述相应的处理装置的环境数据和处理水质数据。
9.一种服务器，其特征在于，包括处理器和存储器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
根据历史的处理水质数据、环境数据和排放水质数据构造深信度网络模型;
归一化多个处理装置内的水质数据和环境数据，得到归一化处理水质数据和归一化环境数据;
将所述归一化处理水质数据和归一化环境数据输入所述深信度网络模型进行预测，得到归一化预测排放水质数据;
去归一化所述归一化预测排放水质数据，得到预测排放水质数据;
其中，所述处理水质数据包括：第一化学需氧量、第一总氮量、第一总磷量、第一氨氮量和第一浊度，所述环境数据包括温度、溶解氧浓度、PH值和混合液污泥浓度，所述排放水质数据包括：第二化学需氧量、第二总氮量、第二总磷量、第二氨氮量和第二浊度。
10.一种计算机可读储存介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-8任意一项所述的污水处理水质预测方法。
说明书
污水处理水质预测方法及服务器
技术领域
本发明涉及污水处理技术领域，具体而言，涉及一种污水处理水质预测方法及服务器。
背景技术
污水处理是为使污水达到排入某一水体或再次使用的水质要求对其进行净化的过程。污水处理被广泛应用于建筑、农业，交通、能源、石化、环保、城市景观、医疗、餐饮等各个领域，也越来越多地走进寻常百姓的日常生活。污水处理是一个缓慢的过程，则根据污水进水水质及处理装置的处理参数，预测排放水质尤为重要。而现有技术中，传统污水处理水质预测方法主要包括：马尔可夫法、回归预测法、时间序列法及水质模型预测法，具有预测效率低且精度不高的问题。随着计算智能与仿生技术的发展，新型的污水处理水质预测方法主要包括灰色理论、人工神经网络、支持向量回归及组合预测法。而新型的污水处理水质预测方法具有操作复杂、不易实现，甚至不能适用于非线性问题。
发明内容
有鉴于此，本发明的目的在于提供一种污水处理水质预测方法及服务器，以解决上述问题。
为实现上述目的，本发明提供如下技术方案：
一种污水处理水质预测方法，应用于污水处理系统，所述污水处理系统包括服务器、排放装置、多个处理装置和多个采集传感器，所述多个处理装置依次连接后与所述排放装置连接，所述多个采集传感器分别设置于所述排放装置和多个处理装置内，所述服务器预存有多个历史的处理水质数据、环境数据和排放水质数据，所述方法包括：
所述服务器根据历史的处理水质数据、环境数据和排放水质数据构造深信度网络模型;
所述多个采集传感器获取所述多个处理装置内的处理水质数据和环境数据;
所述服务器归一化所述处理水质数据和环境数据，得到归一化处理水质数据和归一化环境数据;
所述服务器将所述归一化处理水质数据和归一化环境数据输入所述深信度网络模型进行预测，得到归一化预测排放水质数据;
所述服务器去归一化所述归一化预测排放水质数据，得到预测排放水质数据;
其中，所述处理水质数据包括：第一化学需氧量、第一总氮量、第一总磷量、第一氨氮量和第一浊度，所述环境数据包括温度、溶解氧浓度、PH值和混合液污泥浓度，所述排放水质数据包括：第二化学需氧量、第二总氮量、第二总磷量、第二氨氮量和第二浊度。
进一步地，所述根据历史的处理水质数据、环境数据和排放水质数据构造深信度网络模型的步骤包括由所述服务器执行的以下步骤：
归一化所述历史的处理水质数据、环境数据和排放水质数据;
将所述归一化的历史的处理水质数据和环境数据作为输入数据，使用对比散度算法求解网络参数，采用无监督逐层贪婪训练方法，逐层训练三层RBM，构建初始深信度网络模型;
根据归一化的历史的排放水质数据，采用BP算法对所述初始深信度网络模型进行微调，优化所述初始深信度网络模型的网络参数，构建所述深信度网络模型。
进一步地，所述将所述归一化的历史的处理水质数据和环境数据作为输入数据，使用对比散度算法求解网络参数，采用无监督逐层贪婪训练方法，逐层训练三层RBM，构建初始深信度网络模型的步骤包括由所述服务器执行的以下步骤：
初始化网络参数;
将归一化的历史的处理水质数据和环境数据作为输入数据输入到第一层RBM的可视层，通过对比散度算法训练第一层RBM，直到能量函数收敛;
固定第一层RBM的网络参数，将第一层RBM的隐含层作为第二层RBM的可视层，通过对比散度算法训练第二层RBM，直到能量函数收敛;
固定第二层RBM的网络参数，将第二层RBM的隐含层作为第三层RBM的可视层，通过对比散度算法训练第三层RBM，直到能量函数收敛。
进一步地，所述初始化网络参数的步骤包括由所述服务器执行的以下步骤：
设置RBM层数为3，设置各层RBM节点数;
学习速率为0.01，迭代周期200;
将偏置量ai和偏置量bj初始化为0;
层间连接权重wij设定为服从均值为0，标准差为1的正态分布。
进一步地，所述设置RBM层数为3，设置各层RBM节点数的步骤包括由所述服务器执行的以下步骤：
所述第一层RBM的可视层的节点数与输入的归一化的历史的处理水质数据和环境数据的个数相等;
第二层RBM的可视层和的第三层RBM的可视层的节点数相等且大于等于第一层RBM的可视层的节点数;
第三层RBM的隐含层的节点数为5。
进一步地，所述根据归一化的历史的排放水质数据，采用BP算法对所述初始深信度网络模型进行微调，优化所述初始深信度网络模型的网络参数，构建所述深信度网络模型的步骤包括由所述服务器执行的以下步骤：
根据归一化的历史的排放水质数据与所述初始深信度网络模型输出的预测排放水质数据，构建损失函数;
采用BP算法对整个网络参数进行多次微调，直至所述损失函数值小于阈值，将微调后的网络参数作为所述深信度网络模型的网络参数。
进一步地，所述损失函数为交叉熵损失函数。
进一步地，所述服务器预存有排放标准，所述方法还包括：
在所述预测排放水质数据达不到所述排放标准时，所述服务器控制相应的处理装置调整处理参数，以改变所述相应的处理装置的环境数据和处理水质数据。
一种服务器，包括处理器和存储器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
根据历史的处理水质数据、环境数据和排放水质数据构造深信度网络模型;
归一化多个处理装置内的水质数据和环境数据，得到归一化处理水质数据和归一化环境数据;
将所述归一化处理水质数据和归一化环境数据输入所述深信度网络模型进行预测，得到归一化预测排放水质数据;
去归一化所述归一化预测排放水质数据，得到预测排放水质数据;
其中，所述处理水质数据包括：第一化学需氧量、第一总氮量、第一总磷量、第一氨氮量和第一浊度，所述环境数据包括温度、溶解氧浓度、PH值和混合液污泥浓度，所述排放水质数据包括：第二化学需氧量、第二总氮量、第二总磷量、第二氨氮量和第二浊度。
一种计算机可读储存介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的污水处理水质预测方法。
本发明提供的污水处理水质预测方法及服务器，基于深信度网络模型，根据历史的处理水质数据、环境数据和排放水质数据学习数据本质特征，建立排放水质数据与处理水质数据及环境数据的关联，提高了排放水质预测的准确度，且操作简单及易于实现。