【技术实现步骤摘要】
本专利技术涉及污水处理，尤其涉及一种基于集成学习的原水2-mib浓度预测模型的预测方法。
技术介绍
1、2-mib即2-甲基异崁醇，原水中主要来源为藻细胞释放，在浓度较高时可引起嗅味，带来不好的感官体验。《生活饮用水卫生标准》(gb5749-2022)中将2-mib列为正文指标，并规定其限值为0.00001mg/l(即10ng/l)。
2、水厂常规工艺对2-mib的去除效果一般，平均去除率仅为30％左右，在原水中嗅味物质较高的夏季、秋季和冬季，往往容易出现出厂水嗅味物质超过新国标限值要求的情况，因此，需要采用其他手段进一步去除嗅味物质。
3、经实践证明，臭氧-生物活性炭深度处理工艺可以有效去除2-mib等大多数的嗅味物质。但受限于实际条件，国内大部分水厂未实现深度处理工艺。同时粉末活性炭对2-mib具有较好的吸附效果，因此部分水厂采用投加粉末活性炭的方式短期提高水厂处理2-mib能力，但粉末活性炭成本较高(约8000元/吨)，常态恒量投加难以应对原水中2-mib浓度的波动，投量偏低则无法保障出水水质，投量偏高则造成浪费并影响水厂回收水的使用。理想的情况是根据原水中2-mib浓度水平的波动，及时调整粉末活性炭投加量及水厂其他工艺。
4、采用常规闻嗅的无法得到准确的2-mib浓度水平，同时对人员气味敏感度要求较高并较大程度依赖人员的专业水平。而2-mib检测方法复杂，需应用大型仪器，目前大部分水厂不具备检测能力，只能通过闻嗅的方式判断原水2-mib水平以指导生产，同时定期由更高一级检测单位进行专业
技术实现思路
1、针对以上技术问题，本专利技术公开了一种基于集成学习的原水2-mib浓度预测模型的预测方法，可以对2-mib浓度的趋势进行预测。
2、对此，本专利技术采用的技术方案为：
3、一种基于原水2-mib浓度预测模型的预测方法，包括如下步骤：
4、步骤s1，获取目标原水历史2-mib的人工检测结果、同期在线水质数据、气象监测数据、水文监测数据；
5、步骤s2，对步骤s1获取的数据进行清洗和异常值剔除；
6、步骤s3，进行特征衍生，得到特征数据，作为预测模型的输入；
7、步骤s4，对步骤s3得到的数据分别构建xgboost、lightgbm和catboost训练模型，并分别进行参数优化，采用boosting模型进行结果集成；采用使用prophet统计方法对时序数据进行建模；将boosting模型的结果与统计时序模型的结果进行结果集成，得到2-mib浓度预测模型；
8、步骤s5，采用2-mib浓度预测模型对时间-特征数据进行预测，得到原水2-mib浓度数据。
9、由于原水中2-mib主要来源于藻细胞释放，相关研究表明藻细胞生命活动受水质、气象、水文影响，故可以通过水质、气象、水文中易于实现在线监测及预测的指标进行原水2-mib的预测。此技术方案基于集成学习的原水2-mib预测方法，通过原水中藻类、温度等水质指标、气温、风力等气象指标、水位等水文指标的变化预测未来15天原水2-mib的逐日浓度，可以使水厂可以更好地根据原水2-mib浓度水平波动情况调整工艺。
10、作为本专利技术的进一步改进，步骤s1中，所述在线水质数据包括蓝绿藻浓度、水温、ph、cod、叶绿素、总锰、浑浊度、溶解氧、电导率、toc指标的数据；所述气象监测数据包括降雨量、温度、风速、湿度指标的数据；所述水文监测数据包括水位、进出水量指标的数据。
11、作为本专利技术的进一步改进，步骤s2包括如下子步骤：
12、步骤s21，剔除异常值；
13、步骤s22，对缺失数据进行填充；
14、步骤s23，对数据进行量纲与幅度归一化预处理。
15、进一步的，步骤s21包括：基于数据的箱型图，计算上四分位数q3和下四分位数q1，并采用iqr＝q3-q1计算四分位差；然后计算上限值＝q3+1.5*1qr，计算下限值＝q1-1.5*iqr；把大于上限值或者小于下限值的样本视作异常值，进行剔除。
16、进一步的，步骤s22包括：对数据集按时间排序，并检查其中的缺失值，记录其索引；
17、计算缺失值索引前后2n个已知数据点的值；
18、使用如下公式，根据前后已知数据点的值和索引，计算出缺失值的预测值；
19、y＝y1+(x-x1)*(y2-y1)/(x2-x1)
20、其中，x1、y1分别为缺失值索引前一个点的索引和值，x2、y2分别为缺失值索引后一个点的索引和值，x为缺失值的索引；
21、采用计算得到的缺失值的预测值填充原数据集中的缺失值。
22、进一步的，步骤s23包括：计算特征数据中每个特征的最大值max和最小值min；
23、对于特征向量中的每个数据样本，对其中每个特征采用如下公式执行归一化运算；
24、x'＝(x-min)/(max-min)，
25、其中，x是原始特征值，x'是归一化后的特征值；
26、将每个特征数据中的特征值替换为归一化后的值，得到归一化后的样本特征向量；
27、保存最小值、最大值，用于对新数据也采用同样的缩放范围。
28、作为本专利技术的进一步改进，步骤s3中，针对每个指标数据在补齐的数据基础上基于步骤s1中获取的数据记录，使用线性回归和二阶回归，分别获取拟合斜率和二次项系数作为趋势速度和趋势加速度特征。
29、作为本专利技术的进一步改进，步骤s3包括缺失值补齐和趋势特征构建，所述缺失值补齐包括：
30、对于第i个时间点的2-mib值mib_i，使用线性内插方法如下公式基于前后2次2-mib数据进行缺失补齐，补齐的第t个时间点的2-mib值为mib_t_interp；
31、mib_t_interp＝mib_{t-1}+(t-(t-1))*(mib_{t+1}-mib_{t-1})/((t+1)-(t-1))。
32、所述趋势特征构建包括：
33、选择最近n条2-mib浓度值记录作为回归分析的数据，其中n≥3；构建独立变量向量x，元素为1和每个记录的时间点ti；构建因变量向量y，元素为每个记录的2-mib值yi；进行线性回归，求得的斜率系数b1为趋势速度特征；
34、将时间点ti的平方项t1^2、t2^2等追加到x向量，进行二次回归，求得二次项系数b2为趋势加速度特征。
35、作为本专利技术的进一步改进，步骤s4包括：
36、步骤s41，将数据分为训练集和测试集，进行多轮数据建模，构建xgboost、lightgbm和catboost训练模型，并采用贝叶斯调参方法对学习率、树的深度、最少叶子结点样本数、最小分裂增益、样本采样率、特征采样率、正则化参数进行超参数调优选择；
本文档来自技高网...【技术保护点】
1.一种基于集成学习的原水2-MIB浓度预测模型的预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于集成学习的原水2-MIB浓度预测模型的预测方法，其特征在于：步骤S1中，所述在线水质数据包括蓝绿藻浓度、水温、pH、COD、叶绿素、总锰、浑浊度、溶解氧、电导率、TOC指标的数据；所述气象监测数据包括降雨量、温度、风速、湿度指标的数据；所述水文监测数据包括水位、进出水量指标的数据。
3.根据权利要求2所述的基于集成学习的原水2-MIB浓度预测模型的预测方法，其特征在于，步骤S2包括如下子步骤：
4.根据权利要求3所述的基于集成学习的原水2-MIB浓度预测模型的预测方法，其特征在于，步骤S3中，针对每个指标数据在补齐的数据基础上基于步骤S1中获取的数据记录，使用线性回归和二阶回归，分别获取拟合斜率和二次项系数作为趋势速度和趋势加速度特征。
5.根据权利要求4所述的基于集成学习的原水2-MIB浓度预测模型的预测方法，其特征在于，步骤S3包括缺失值补齐和趋势特征构建，所述缺失值补齐包括：对于第i个时间点的2-MIB值MIB_
6.根据权利要求5所述的基于集成学习的原水2-MIB浓度预测模型的预测方法，其特征在于，步骤S4包括：
7.根据权利要求6所述的基于集成学习的原水2-MIB浓度预测模型的预测方法，其特征在于：步骤S41中，XGBoost、LightGBM和CatBoost训练模型采用的损失函数采用如下步骤构建：
8.根据权利要求7所述的基于集成学习的原水2-MIB浓度预测模型的预测方法，其特征在于：步骤S41中所述贝叶斯调参方法的步骤包括：
9.根据权利要求6所述的基于集成学习的原水2-MIB浓度预测模型的预测方法，其特征在于：
10.如权利要求1～9任意一项所述的基于集成学习的原水2-MIB浓度预测模型的预测方法的应用，其特征在于：根据常规工艺水厂及深度处理工艺水厂处理能力，设置报警值；将水质、水文、气象在线监测及预报数据实时接入所述2-MIB浓度预测模型，每日早上自动进行未来15日原水2-MIB浓度预测，并根据预测结果进行预警。
...【技术特征摘要】
1.一种基于集成学习的原水2-mib浓度预测模型的预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于集成学习的原水2-mib浓度预测模型的预测方法，其特征在于：步骤s1中，所述在线水质数据包括蓝绿藻浓度、水温、ph、cod、叶绿素、总锰、浑浊度、溶解氧、电导率、toc指标的数据；所述气象监测数据包括降雨量、温度、风速、湿度指标的数据；所述水文监测数据包括水位、进出水量指标的数据。
3.根据权利要求2所述的基于集成学习的原水2-mib浓度预测模型的预测方法，其特征在于，步骤s2包括如下子步骤：
4.根据权利要求3所述的基于集成学习的原水2-mib浓度预测模型的预测方法，其特征在于，步骤s3中，针对每个指标数据在补齐的数据基础上基于步骤s1中获取的数据记录，使用线性回归和二阶回归，分别获取拟合斜率和二次项系数作为趋势速度和趋势加速度特征。
5.根据权利要求4所述的基于集成学习的原水2-mib浓度预测模型的预测方法，其特征在于，步骤s3包括缺失值补齐和趋势特征构建，所述缺失值补齐包括：对于第i个时间点的2-mib值mib_i，使用线性...
【专利技术属性】
技术研发人员：梁思宸，张金松，伍驰中，郭颂明，安娜，肖维贵，林峰，
申请(专利权)人：深圳市水务集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。