一种基于SSA-LSTM-AM的污水水质预测方法技术

本发明专利技术公开了一种基于SSA

【技术实现步骤摘要】
一种基于SSA
‑
LSTM
‑
AM的污水水质预测方法


[0001]本专利技术涉及水质监测、深度学习
，具体涉及一种基于SSA
‑
LSTM
‑
AM的污水水质预测方法。

技术介绍

[0002]污水处理厂是城市水循环的重要组成部分，但是由于我国的污水处理技术研究起步较晚，随着污水处理单元和规模的不断增加，出水要求的不断提高，也逐渐暴露出了设备落后、智能化程度低、出水水质超标问题频发等诸多问题，导致突发性水污染事件时而发生，严重波及周边生态环境和人体健康。水质监测是防治水污染事件的重要手段，针对水质污染问题，现阶段水质监测主要是依靠理化监测方法。理化检测的方法能够对各种水质指标做出定量的评定，具有较强的针对性，但这种方法具有一定的滞后性，难以及时获取水质的预警信息。因此，建立水质预测模型成为实现水质预警的可行性策略。
[0003]基于数据驱动的水质预测方法大多以因子的单个时间节点的历史数据作为训练样本进行曲线拟合。由于水质参数直接、间接的影响因素较多，具有高度的非线性、时滞性、时序性与差异性等复杂特性，单时间节点的方法往往无法对水质数据的时序性、差异性等复杂特性进行较好的描述，难以实现精确、高效的水质指标的多步预测。因此，亟需一种新型的污水水质预测方法来解决上述问题。
[0004]对此，本申请提出一种基于SSA
‑
LSTM
‑
AM的污水水质预测方法，对污水处理厂未来一段时间内出水水质参数进行预测，用以克服或者改善现有技术方法的不足，可以对水质的变化进行及时的预警，弥补常规理化监测的时间滞后性大等不足，保证污水处理厂出水水质的稳定，提高污水处理厂的处理效率。

技术实现思路

[0005]本专利技术的目的是提出一种基于SSA
‑
LSTM
‑
AM的污水水质预测方法。
[0006]一种基于SSA
‑
LSTM
‑
AM的污水水质预测方法，其特征在于，包括以下步骤：
[0007]步骤1：在污水处理厂内由多个传感器采集历史水质监测数据。
[0008]步骤2：对采集的数据进行数据预处理。
[0009]步骤3：对经步骤2归一化处理后的数据进行数据重构，得到训练样本，满足LSTM模型输入格式的要求。
[0010]步骤4：以LSTM为预测模型，加入注意力机制(AM)，建立基于LSTM
‑
AM的预测模型。
[0011]步骤5：引入SSA麻雀搜索算法，优化LSTM的学习率和隐藏层神经元数，构建基于SSA
‑
LSTM
‑
AM的污水水质预测模型。
[0012]步骤6：将步骤3经过数据重构之后所得到的训练样本，输入至步骤5所建立的基于SSA
‑
LSTM
‑
AM的预测模型中进行训练，得到训练之后的污水水质预测模型。
[0013]步骤7：采集实时数据进行水质预测。
[0014]进一步的，步骤2具体过程如下：
[0015]步骤2.1：识别并删除历史历史水质监测数据中表示监测异常值和极大异常值和非数值类型的数据。
[0016]步骤2.2：通过重心拉格朗日插值法对监测产生的缺失值和删除异常值后产生的缺失值进行补全。
[0017]步骤2.3：对经过步骤2.1和2.2处理后的历史水质监测数据进行归一化处理。所述步骤2.3中归一化处理公式如下：
[0018][0019]其中，x
i
为第i个输入数据；x
min
为输入数据中的最小值；x
max
为输入数据中的最大值；n为数据的总个数；f(x
i
)为归一化后数据。
[0020]进一步的，步骤3具体的过程如下：
[0021]步骤3.1：以污水处理厂进水口的历史n个水质监测数据预测污水处理厂出水口t+1,t+2,...,t+s时刻出水指标的值。重构之后样本结构如下：
[0022]输入P：
[0023]输出T：
[0024]其中，P为模型的输入；T为模型的输出；t＝n,n+1,...,N
‑
n
‑
s+2；t为时刻；N为水质监测数据总数；n为时间步长；s为预测步数；F为输入特征，下标m＝1,2,..；O为输出特征，下标k＝1,2,...。
[0025]进一步的，步骤4建立过程具体如下：
[0026]步骤4.1：将LSTM隐藏层的输出h
t
输入至注意力模型中，所述注意力模型对h
t
非线性转化得到u
t
：
[0027]u
t
＝tanh(w
i
*h
t
+b)
[0028]其中b为偏置向量，w
i
为：
[0029][0030]其中，count(l
i
)为计算第i个时刻的出水水质的指标值；β为比例系数，并且β>0。
[0031]注意力模型对u
t
进行训练，并采用softmax函数对训练后的u
t
进行归一化操作得到注意力权重矩阵a
t
：
[0032][0033]其中T为转置矩阵。
[0034]基于注意力权重矩阵a
t
得到注意力模型的输出v
t
：
[0035]v
t
＝∑a
t
h
t
[0036]最后把注意力模型的输出v
t
连接softmax函数，从而得到LSTM
‑
AM模型，所述LSTM
‑
AM模型的输出为：
[0037]y＝softmax(w
i
v
t
+b)。
[0038]进一步的，步骤5建立过程具体如下：
[0039]步骤5.1：初始化麻雀种群；
[0040]步骤5.2：根据LSTM
‑
AM预测模型输出的预测值与实际值的均方根误差作为适应度函数，计算初始适应度值。步骤5.1中所述的适应度函数为：
[0041][0042]其中Yi是实际值；是预测值；n为样本数量；
[0043]步骤5.3：依据麻雀个体的适应度值，将麻雀种群划分为发现者和跟随者，并同时选出预警者；
[0044]步骤5.4：对所述发现者、跟随者以及预警者的位置进行迭代更新；
[0045]通过以下公式，更新发现者的位置：
[0046][0047]其中，a为目前的迭代次数；i为第i只麻雀；j是第j维优化变量，j＝1，2，...，d；为迭代至第a次时麻雀的位置信息；αiter
max
为一个正常数，代表的是在最终优化完毕的最大迭本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SSA
‑
LSTM
‑
AM的污水水质预测方法，其特征在于，包括以下步骤：步骤1：在污水处理厂内由多个传感器采集历史水质监测数据；步骤2：对采集的数据进行数据预处理；步骤3：对经步骤2归一化处理后的数据进行数据重构，得到训练样本，满足LSTM模型输入格式的要求；步骤4：以LSTM为预测模型，加入注意力机制AM，建立基于LSTM
‑
AM的预测模型；步骤5：引入SSA麻雀搜索算法，优化LSTM的学习率和隐藏层神经元数，构建基于SSA
‑
LSTM
‑
AM的污水水质预测模型；步骤6：将步骤3经过数据重构之后所得到的训练样本，输入至步骤5所建立的基于SSA
‑
LSTM
‑
AM的预测模型中进行训练，得到训练之后的污水水质预测模型；步骤7：采集实时数据进行水质预测。2.根据权利要求1所述的一种基于SSA
‑
LSTM
‑
AM的污水水质预测方法，其特征在于，所述步骤2具体过程如下：步骤2.1：识别并删除历史水质监测数据中表示监测异常值、极大异常值和非数值类型的数据；步骤2.2：通过重心拉格朗日插值法对监测产生的缺失值和删除异常值后产生的缺失值进行补全；步骤2.3：对经过步骤2.1和步骤2.2处理后的历史水质监测数据进行归一化处理，所述步骤2.3中归一化处理公式如下：其中，x
i
为第i个输入数据；x
min
为输入数据中的最小值；x
max
为输入数据中的最大值；n为数据的总个数；f(x
i
)为归一化后数据。3.根据权利要求1所述的一种基于SSA
‑
LSTM
‑
AM的污水水质预测方法，其特征在于，所述步骤3具体过程如下：步骤3.1：以污水处理厂进水口的历史n个水质监测数据预测污水处理厂出水口t+1,t+2,...,t+s时刻出水指标的值；重构之后样本结构如下：输入P：输出T：其中，P为模型的输入；T为模型的输出；t＝n,n+1,...,N
‑
n
‑
s+2；t为时刻；N为水质监测数据总数；n为时间步长；s为预测步数；F为输入特征，下标m＝1,2,..；O为输出特征，下标k＝1,2,...。4.根据权利要求1所述的一种基于SSA
‑
LSTM
‑
AM的污水水质预测方法，其特征在于，所述步骤4具体过程如下：
步骤4.1：将LSTM隐藏层的输出h
t
输入至注意力模型中，所述注意力模型对h
t
非线性转化得到u
t
：u
t
＝tanh(w
i
*h
t
+b)其中b为偏置向量，w
i
为：其中，cont(l
i
)为计算第i个时刻的出水水质的指标值；β...

【专利技术属性】
技术研发人员：叶永伟，石雨涛，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：