一种污水处理过程的关键指标预测方法及装置制造方法及图纸

本发明专利技术涉及污水处理技术领域，更具体的说，涉及一种污水处理过程的关键指标预测方法及装置。本方法包括以下步骤：步骤S1、选取污水处理过程的辅助变量和所需预测的关键指标，在训练集上选择共同数据集和校正数据集，构建多个基于局部加权偏最小二乘法的自适应子模型；步骤S2、把当前数据样本添加到具有最小估计误差的自适应子模型的子训练集中，更新自适应子模型；步骤S3、通过决策融合方法综合各个自适应子模型在测试集上的预测结果，获得关键指标的最终预测输出值。本发明专利技术确实有效地提高了模型在非线性、突变和时变过程下的预测精度，具有良好的适应性，同时也弥补了过程数据中缺失的重要质量信息。的重要质量信息。的重要质量信息。

【技术实现步骤摘要】
一种污水处理过程的关键指标预测方法及装置


[0001]本专利技术涉及污水处理
，更具体的说，涉及一种污水处理过程的关键指标预测方法及装置。

技术介绍

[0002]随着集散控制系统(DCS)在污水处理工业系统中的普遍使用，大量的生产数据得以被采集并保存下来，但是由于污水处理工艺的复杂程度不同，有些过程变量较为容易获得，而有些与质量相关的变量却因测量成本较高或者需要经过实验分析而不易获得，比如反映出水中有机物污染程度的生化需氧量(Biochemical Oxygen Demand,BOD)需要以水样在5日内的耗氧量作为检测指标，这些质量变量的获得往往具有一定的时延性，导致无法及时获取有效的评价信息，从而整个运行状态评价及非优原因追溯的过程都会受到影响。
[0003]近年来出现的许多方法如神经网络、高斯过程回归和深度学习都被用于污水处理关键指标的软测量预估中，但传统的多元统计分析方法仍然在污水处理工业应用中十分流行，其中，PLS(偏最小二乘法)因具有能很好地处理输入输出之间的共线性的能力被广泛应用于质量预测和过程监测领域。但受制于其线性结构，PLS无法很好地处理数据间的非线性关系，特别地，这种非线性关系常常存在于很多复杂化工过程的过程变量之间。
[0004]除了非线性的问题，软测量模型在实际应用时还容易受到其他污水处理过程特性的影响，比如时变性和突变情况。模型一旦被长时间使用就更加容易受到由于外部复杂环境的干扰导致的原料改变和控制器失灵等状况，造成预测性能的下降。
[0005]虽然很多新的自适应方法被用来缓解模型失配的问题，但大量的方法都只针对模型特征的某些方面，因而在实际应用环境中常常难以适应复杂的污水处理过程特性。

技术实现思路

[0006]本专利技术的目的是提供一种污水处理过程的关键指标预测方法及装置，解决现有技术污水处理过程的软测量模型的预测精度的问题。
[0007]为了实现上述目的，本专利技术提供了一种污水处理过程的关键指标预测方法，包括以下步骤：
[0008]步骤S1、选取污水处理过程的辅助变量和所需预测的关键指标，将原始数据集划分成训练集、评价集和测试集，在训练集上选择共同数据集和校正数据集，构建多个基于局部加权偏最小二乘法的自适应子模型；
[0009]步骤S2、依次从校正数据集中挑选数据样本，对每个自适应子模型进行交叉验证，并把当前数据样本添加到具有最小估计误差的自适应子模型的子训练集中，更新自适应子模型；
[0010]步骤S3、将评价集中的数据样本应用到每个自适应子模型，计算每个自适应子模型的估计误差，计算权重系数，通过决策融合方法综合各个自适应子模型在测试集上的预测结果，从而获得关键指标的最终预测输出值。
[0011]在一实施例中，所述步骤S1中：
[0012]所述辅助变量，进一步包括进水悬浮固体浓度、进水流速、第一个反应池的硝酸盐和亚硝酸盐浓度、第一个反应池的浓度、第三个反应池的溶解氧浓度、第三个反应池的硝酸盐和亚硝酸盐浓度、第三个反应池的浓度、第五个反应池的溶解氧浓度、第五个反应池的硝酸盐和亚硝酸盐浓度、第五个反应池的浓度、第五个反应池可溶性生物可降解有机氮、第五个反应池悬浮固体浓度、出水悬浮固体浓度、进水化学需氧量、出水流速、内回流流速；
[0013]所述关键指标，进一步包括五日生化需氧量。
[0014]在一实施例中，所述基于局部加权偏最小二乘法的自适应子模型，进一步包括基于局部加权偏最小二乘法的移动窗口模型，通过以下步骤建模：
[0015]步骤S111、将窗口大小为H的训练数据矩阵{X1,Y1}设为初始窗口，对窗后多个采样点的输出建立局部加权偏最小二乘法回归模型，其中，X1表示选择的总体数据集中的初始H个样本，Y1表示选择的总体数据集中的初始H个样本；
[0016]步骤S112、让窗口按步长D向前移动，使{X
w
,Y
w
}在窗口中来重新训练局部加权偏最小二乘法回归模型，其中，X
w
代表在总体数据集中进行w个D步长后的H个输入变量，Y
w
代表在总体数据集中进行w个D步长后的H个输出变量。
[0017]在一实施例中，所述基于局部加权偏最小二乘法的自适应子模型，进一步包括基于局部加权偏最小二乘法的时间差分模型，通过以下步骤建模：
[0018]步骤S121、计算相邻采样点的输入变量间的一阶差分量Δx(t0和输出变量间的一阶差分量Δy(t)；
[0019]步骤S122、构建Δx(t和Δy(t)之间的局部加权偏最小二乘法回归模型；
[0020]步骤S123、计算查询样本的一阶差分量Δx
q
(t)；
[0021]步骤S124、将查询样本的一阶差分量Δx
q
(t)输入步骤S122建立的局部加权偏最小二乘法回归模型，预测输出变量的差分量Δy
p
(t)；
[0022]步骤S125、基于相邻采样数据点y
p
(t
‑
1)和差分量Δy
p
(t)，计算输出变量的预测值y
p
(t)，表达式如下，
[0023]y
p
(t)＝Δy
p
(t)+y
p
(t
‑
1)。
[0024]在一实施例中，所述基于局部加权偏最小二乘法的自适应子模型，进一步包括基于局部加权偏最小二乘法的即时学习模型，通过以下步骤建模：
[0025]步骤S131、假设由n个样本点(x
i
,y
i
)
i＝1～n
组成的数据集，其中和分别代表输入和输出训练数据，当一个查询样本到来时，计算x
q
和x
i
之间的相似度，计算不同样本的距离。
[0026]步骤S132、选择距离最小的N个样本，建立局部加权偏最小二乘法回归模型，所述局部加权偏最小二乘法回归模型表示为y
i
＝f(x
i
)，通过局部加权偏最小二乘法回归局部模型，得到查询样本x
q
对应的输出变量的预测值y
p
＝f(x
q
)。
[0027]在一实施例中，所述基于局部加权偏最小二乘法的自适应子模型采用局部加权偏最小二乘法回归模型构建，对应的局部加权偏最小二乘法回归模型通过以下步骤建模：
[0028]步骤S141、计算查询样本与每一个训练样本之间的相似度；
[0029]步骤S142、计算获取相似度权重w
i
，并赋予给每个训练样本，得到相应的相似度矩阵；
[0030]步骤S143、设置隐变量个数K和调节参数θ；
[0031]步骤S144、计算
[0032][0033][0034][0035][0036][0037]步骤S145、将设置为
[0038]步骤S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种污水处理过程的关键指标预测方法，其特征在于，包括以下步骤：步骤S1、选取污水处理过程的辅助变量和所需预测的关键指标，将原始数据集划分成训练集、评价集和测试集，在训练集上选择共同数据集和校正数据集，构建多个基于局部加权偏最小二乘法的自适应子模型；步骤S2、依次从校正数据集中挑选数据样本，对每个自适应子模型进行交叉验证，并把当前数据样本添加到具有最小估计误差的自适应子模型的子训练集中，更新自适应子模型；步骤S3、将评价集中的数据样本应用到每个自适应子模型，计算每个自适应子模型的估计误差，计算权重系数，通过决策融合方法综合各个自适应子模型在测试集上的预测结果，从而获得关键指标的最终预测输出值。2.根据权利要求1所述的污水处理过程的关键指标预测方法，其特征在于，所述步骤S1中：所述辅助变量，进一步包括进水悬浮固体浓度、进水流速、第一个反应池的硝酸盐和亚硝酸盐浓度、第一个反应池的浓度、第三个反应池的溶解氧浓度、第三个反应池的硝酸盐和亚硝酸盐浓度、第三个反应池的浓度、第五个反应池的溶解氧浓度、第五个反应池的硝酸盐和亚硝酸盐浓度、第五个反应池的浓度、第五个反应池可溶性生物可降解有机氮、第五个反应池悬浮固体浓度、出水悬浮固体浓度、进水化学需氧量、出水流速、内回流流速；所述关键指标，进一步包括五日生化需氧量。3.根据权利要求1所述的污水处理过程的关键指标预测方法，其特征在于，所述基于局部加权偏最小二乘法的自适应子模型，进一步包括基于局部加权偏最小二乘法的移动窗口模型，通过以下步骤建模：步骤S111、将窗口大小为H的训练数据矩阵{X1,Y1}设为初始窗口，对窗后多个采样点的输出建立局部加权偏最小二乘法回归模型，其中，X1表示选择的总体数据集中的初始H个样本，Y1表示选择的总体数据集中的初始H个样本；步骤S112、让窗口按步长D向前移动，使{X
w
,Y
w
}在窗口中来重新训练局部加权偏最小二乘法回归模型，其中，X
w
代表在总体数据集中进行w个D步长后的H个输入变量，Y
w
代表在总体数据集中进行w个D步长后的H个输出变量。4.根据权利要求1所述的污水处理过程的关键指标预测方法，其特征在于，所述基于局部加权偏最小二乘法的自适应子模型，进一步包括基于局部加权偏最小二乘法的时间差分模型，通过以下步骤建模：步骤S121、计算相邻采样点的输入变量间的一阶差分量Δx(t)和输出变量间的一阶差分量Δy(t)；步骤S122、构建Δx(t和Δy(t)之间的局部加权偏最小二乘法回归模型；步骤S123、计算查询样本的一阶差分量Δx
q
(t)；步骤S124、将查询样本的一阶差分量Δx
q
(t)输入步骤S122建立的局部加权偏最小二乘法回归模型，预测输出变量的差分量Δy
p
(t)；步骤S125、基于相邻采样点的输出变量y
p
(t
‑
1)和差分量Δy
p
(t)，计算输出变量的预测
值y
p
(t)，表达式如下，y
p
(t)＝Δy
p
(t)+y
p
(t
‑
1)。5.根据权利要求1所述的污水处理过程的关键指标预测方法，其特征在于，所述基于局部加权偏最小二乘法的自适应子模型，进一步包括基于局部加权偏最小二乘法的即时学习模型，通过以下步骤建模：步骤S131、假设由n个样本点(x
i
,y
i
)
i＝1～n
组成的数据集，其中和分别代表输入和输出训练数据，当一个查询样本到来时，计算x
q
和x
...

【专利技术属性】
技术研发人员：钟伟民，堵威，杜文莉，彭鑫，钱锋，李智，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：