高密池中水处理加药量的预测方法技术

本发明专利技术公开了一种高密池中水处理加药量的预测方法，方法中，采集高密池的进水流量、进水浊度、进水pH、进水温度、原水电导率、原水溶解氧、原水COD(化学需氧量)，原水氨氮、前混凝投加流量并记录，对数据进行分析预处理以分析特征与目标数据的相关性测试和相似度测试，经由PCA_LSTM_ELM残差进行预测，并与真实值对比计算其误差范围，对极限学习机ELM残差值使用长短记忆神经网络LSTM预测，使用ELM残差值的前50％作为测试集，使用ELM残差值的后50％作为验证集，计算确定得出最终的预测值，将最终预测值与该时间区间内真实值做比较。预测值与该时间区间内真实值做比较。预测值与该时间区间内真实值做比较。

【技术实现步骤摘要】
高密池中水处理加药量的预测方法


[0001]本专利技术属于水处理系统加药量
，特别是一种高密池中水处理加药量的预测方法。

技术介绍

[0002]传统水处理中高密度澄清池加药主要由操作人员肉眼观察絮凝区矾花特性、清水区出水颜色并结合进水温度、进水浊度、进水流量进行手动调节混凝剂加药泵和助凝剂加药泵频率，完全凭借的是运行人员的经验判断，随意性大且存在滞后性，不能精准调控，易产生加药过少或多的现象，加药过少会致使出水浊度等水质不合格，给后续水处理设备造成较大处理压力，加药过多则药剂会跟随出水进入后续水处理设备，造成污染，也会增加后续水处理设备处理压力，提高经济成本。同时由于出水浊度计为保证精度，量程范围通常不够大，当出水浊度超量程时，无法准确反应真实出水浊度，运行人员无法准确判断需如何调节加药泵频率。
[0003]加药系统是一个复杂的非线性系统，具有迟滞性大，时变性强，不确定因素多的特点，而且水处理系统中各种自动化设备和仪表的采样响应和抗干扰能力不一，因此，根据常规手段实现精准加药量控制具有很大的难度。
[0004]在
技术介绍
部分中公开的上述信息仅仅用于增强对本专利技术背景的理解，因此可能包含不构成本领域普通技术人员公知的现有技术的信息。

技术实现思路

[0005]针对现有技术中存在的问题，本专利技术提出一种高密池中水处理加药量的预测方法。根据流量、浊度、水温和pH值参数联合判断，计算混凝剂的准确投加量，加药系统可以根据模型计算结果，输出信号给计量泵的变频器，从而改变混凝剂的加量；该方法可以实现加药量的精准控制，达到降低加药成本，提高出水水质的目的。
[0006]本专利技术的目的是通过以下技术方案予以实现，一种高密池中水处理加药量的预测方法包括：
[0007]步骤1：数据采集，采集高密池的进水流量、进水浊度、进水pH、进水温度、原水电导率、原水溶解氧、原水COD，原水氨氮、前混凝投加流量并记录，其中，前混凝投加流量作为目标值，进水流量、进水浊度、进水pH、进水温度、原水电导率、原水溶解氧、原水COD和原水氨氮作为特征值；
[0008]步骤2：分析数据，对数据进行分析预处理以分析特征与目标数据的相关性测试和相似度测试，其中，
[0009]步骤2.1，采集的数据经过无量纲化处理均转换为无量纲化指标测评值，其中，前混凝投加流量转换为无量纲化指标测评值的目标数据，进水流量、进水浊度、进水pH、进水温度、原水电导率、原水溶解氧、原水COD和原水氨氮转换为无量纲化指标测评值的特征数据；
[0010]步骤2.2，对特征数据和目标数据进行相关度测试，以及分析出目标结果图，其中，
[0011]步骤2.2.1：进行每个特征数据和目标数据的相似度分析，得出与目标数据相似性最好的几组特征数据；
[0012]步骤2.2.2：经由探索性数据分析绘制特征数据的散点图，得出特征数据和目标数据之间的线性关系；
[0013]步骤2.2.3：通过特征数据和目标数据之间的相关系数矩阵表示变量的相关性；
[0014]步骤3：经由PCA_LSTM_ELM残差进行预测，并与真实值对比计算其误差范围，其中，
[0015]步骤3.1：根据热力图可知进水流量、进水浊度、进水pH以及进水温度四个特征与加药量的相关度较高，并且四个特征数据是高密池中直接测量，其他特征数据属于原水数据(即高密池之前水处理流程的特征数据)，故由主成分分析对数据集中的进水流量、进水浊度、进水pH以及进水温度四个特征数据进行降维；
[0016]步骤3.2：使用ELM对降维后的数据进行预测得到预测值，将数据分为测试集和预测集，使用测试集训练ELM模型，对训练的模型，使用预测集中的特征数据来预测当前时间段的目标数据值，其中，需要多预测提前一倍的时间区间；
[0017]步骤3.3：使用真实值减预测值，获得ELM残差值；
[0018]步骤3.4：对ELM残差值使用LSTM预测，使用ELM残差值的前50％作为测试集，使用ELM残差值的后50％作为验证集；
[0019]步骤.3.5：计算确定得出最终的预测值，计算方法为:ELM后50％的预测值减去当前时间区间的残差值，再加上预测出来的当前时间的残差值，得到最终预测值；
[0020]步骤3.6：将最终预测值与该时间区间内真实值做比较，计算两者平均绝对误差MAE、均方误差MSE和均方根误差RMSE，三者均用于检测预测值和真实值之间的误差，其中值越小，表明预测的精度越高。
[0021]所述的高密池中水处理加药量的预测方法中，步骤1还包括，
[0022]步骤1.1，每分钟采集高密池的进水流量、进水浊度、进水pH、进水温度、原水电导率、原水溶解氧、原水COD，原水氨氮、前混凝投加流量并记录；
[0023]步骤1.2：采集的数据按时间形成数据集，选取数据集中一定的时间段进行预测分析。
[0024]所述的高密池中水处理加药量的预测方法中，数据集为excel文件。
[0025]所述的高密池中水处理加药量的预测方法中，步骤2.1还包括，
[0026]步骤2.1.1：对采集的数据进行数据清洗操作，检测数据中的重复项以及缺失项，将重复冗余和不完整的数据从数据集中剔除；
[0027]步骤2.1.2：归一化处理，把采集的数据转换为(0，1)区间的小数。
[0028]所述的高密池中水处理加药量的预测方法中，相似度分析包括欧氏距离、曼哈顿距离、高斯距离、余弦相似度或皮尔逊系数。
[0029]所述的高密池中水处理加药量的预测方法中，相关系数矩阵包括衡量两个特征之间的线性关系的皮尔逊相关系数，皮尔逊相关系数的取值在[
‑
1，1]范围内，如果r＝1，表示两个变量呈正相关，r＝0表示两个变量没有关系，r＝
‑
1表示两个变量呈负相关。
[0030]所述的高密池中水处理加药量的预测方法中，相关系数矩阵为标准化的协方差矩阵。
[0031]所述的高密池中水处理加药量的预测方法中，使用ELM对数据进行预测得到预测值中；
[0032]输入给定训练样本集隐层输出函数G(a,b,x)和隐层节点个数L，随机生成隐层节点参数(a
i
,b
i
),i＝1,
……
,L，计算隐层输出满秩矩阵H，输出网络最优权β:β＝H
+
T，
[0033]其中，(x
i
,t
i
)是任意样本，N表示样本数目，R表示任意实数，n表示样本维度，m表示类别，a和b为隐藏节点参数，x为任一样本，L为隐藏节点个数，H为隐藏节点的输出，β为输出权重，T为期望输出，H
+
是矩阵H的Moore
‑
Penrose广义逆。
[0034]所述的高密池中水处理加药量的预测方法中，LSTM预测中：
[0035]输入门：
[0036]i
t
＝σ(W本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高密池中水处理加药量的预测方法，其特征在于，其包括以下步骤，步骤1：数据采集，采集高密池的进水流量、进水浊度、进水pH、进水温度、原水电导率、原水溶解氧、原水COD，原水氨氮、前混凝投加流量并记录，其中，前混凝投加流量作为目标值，进水流量、进水浊度、进水pH、进水温度、原水电导率、原水溶解氧、原水COD和原水氨氮作为特征值；步骤2：分析数据，对数据进行分析预处理以分析特征与目标数据的相关性测试和相似度测试，其中，步骤2.1，采集的数据经过无量纲化处理均转换为无量纲化指标测评值，其中，前混凝投加流量转换为无量纲化指标测评值的目标数据，进水流量、进水浊度、进水pH、进水温度、原水电导率、原水溶解氧、原水COD和原水氨氮转换为无量纲化指标测评值的特征数据；步骤2.2，对特征数据和目标数据进行相关度测试，以及分析出目标结果图，其中，步骤2.2.1：进行每个特征数据和目标数据的相似度分析，得出与目标数据相似性最好的几组特征数据；步骤2.2.2：经由探索性数据分析绘制特征数据的散点图，得出特征数据和目标数据之间的线性关系；步骤2.2.3：通过特征数据和目标数据之间的相关系数矩阵表示变量的相关性；步骤3：经由PCA_LSTM_ELM残差进行预测，并与真实值对比计算其误差范围，其中，步骤3.1：由主成分分析PCA对数据集中的进水流量、进水浊度、进水pH以及进水温度四个特征数据进行降维；步骤3.2：使用ELM对降维后的数据进行预测得到预测值，将数据分为测试集和预测集，使用测试集训练ELM模型，对训练的模型，使用预测集中的特征数据来预测当前时间段的目标数据值，其中，需要多预测提前一倍的时间区间；步骤3.3：使用真实值减预测值，获得ELM残差值；步骤3.4：对ELM残差值使用LSTM预测，使用ELM残差值的前50％作为测试集，使用ELM残差值的后50％作为验证集；步骤.3.5：计算确定得出最终的预测值，计算方法为:ELM后50％的预测值减去当前时间区间的残差值，再加上预测出来的当前时间的残差值，得到最终预测值；步骤3.6：将最终预测值与该时间区间内真实值做比较，计算两者平均绝对误差MAE、均方误差MSE和均方根误差RMSE，三者均用于检测预测值和真实值之间的误差，其中值越小，表明预测的精度越高。2.根据权利要求1所述的高密池中水处理加药量的预测方法，其中，优选的，步骤1还包括，步骤1.1，每分钟采集高密池的进水流量、进水浊度、进水pH、进水温度、原水电导率、原水溶解氧、原水COD，原水氨氮、前混凝投加流量并记录；步骤1.2：采集的数据按时间形成数据集，选取数据集中一定的时间段进行预测分析。3.根据权利要求2所述的高密池中水处理加药量的预测方法，其中，数据集为excel文件。4.根据权利要求2所述的高密池中水处理加药量的预测方法，其中，步骤2.1还包括，步骤2.1.1：对采集的数据进行数据清洗操作，检测数据中的重复项以及缺失项，将重
复冗余和不完整的数据从数据集中剔除；步骤2.1.2：归一化处理，把采集的数据转换为(0，1)区间的小数。5.根据权利要求1所述的高密池中水处理加药量的预测方法，其中，相似度分析包括欧氏距离、曼哈顿距离、高斯距离、余弦相似度或皮尔逊系数。6.根据权利要求1所述的高密池中水处理加药量的预测方法，其中，相关系数矩阵包括衡量两个特征之间的线性关系的皮尔逊相关系数，皮尔逊相关系数的取值在[
‑
1，1]范围内，如果r＝1，表示两个变量呈正相关，r＝0表示两个变量没有关系，r＝
‑
1表示两个变量呈负相关。7.根据权利要求1所述的高密池中水处理加...

【专利技术属性】
技术研发人员：孔宪光，王晨，卢津，陈改革，孙巍，
申请(专利权)人：西安启工数据科技有限公司，
类型：发明
国别省市：