【技术实现步骤摘要】
本专利技术属于污水处理和人工智能，涉及污水处理溶解氧浓度预测，特别涉及一种基于cnn-bigru模型的污水处理溶解氧浓度预测方法。
技术介绍
1、在城市污水处理领域，溶解氧(do)是一个至关重要的参数，它直接影响污水处理的效果和出水水质。溶解氧含量不足会抑制硝化作用，从而影响氮的去除效果；而过高的溶解氧则可能导致污泥松散，增加能耗。因此，合理控制溶解氧含量对于污水处理过程至关重要。
2、然而，由于城市污水处理过程具有高度的非线性特征，最优溶解氧含量的预测和控制变得尤为困难。传统的预测方法往往基于经验公式或简单的统计模型，这些方法在处理复杂、多变的水质数据时显得力不从心，预测精度难以满足实际工程要求。
3、近年来，随着机器学习技术的快速发展，研究人员开始尝试将其应用于污水处理溶解氧的预测中。然而，现有的机器学习模型在污水处理溶解氧预测方面仍存在诸多挑战，例如，计算效率低下、特征提取能力不足、缺乏对环境变化的适应能力和过拟合风险高等问题，这些问题都限制了机器学习模型在污水处理溶解氧预测中的实际应用效果。
技术实现思路
1、针对现有技术存在的上述不足，本专利技术的目的就在于提供一种基于cnn-bigru模型的污水处理溶解氧浓度预测方法，本专利技术能有效提高计算效率和特征提取能力，提高鲁棒性，从而提高污水处理溶解氧浓度预测精度。
2、本专利技术的技术方案是这样实现的：
3、一种基于cnn-bigru模型的污水处理溶解氧浓度预测方法，包括以下步
4、步骤1：获取污水处理厂的水质数据和水质数据对应的时间数据，构成水质数据和时间数据一一对应的水质数据集；
5、步骤2：基于水质数据集，运用iforest识别异常数据并进行剔除；
6、步骤3：基于水质数据集原本空缺和剔除后空缺的数据，运用blsa对空缺数据进行预测填补；
7、步骤4：基于填补后的水质数据集，进行归一化处理，并将处理后的水质数据集划分为训练集和测试集；
8、步骤5：基于步骤4得到的训练集构建cnn模型，提取训练集中的有效序列特征；
9、步骤6：基于步骤5提取的有效序列特征作为输入变量传递给bigru模型，以构建得到cnn-bigru污水溶解氧预测模型；
10、步骤7：运用步骤4得到的测试集对cnn-bigru污水溶解氧预测模型进行测试，将测试集中除溶解氧以外的特征作为输入变量导入cnn-bigru污水溶解氧预测模型，得到溶解氧预测值；并计算平均绝对误差、平均绝对百分比误差、均方根误差和决定系数，验证cnn-bigru污水溶解氧预测模型的精度。
11、进一步地，所述水质数据包括进出水cod、进出水bod、进出水ss、进出水tn、进出水an、出水tp、氧化还原电位、好氧池do、mlss、sv30。
12、进一步地，步骤2中，运用iforest识别异常数据并进行剔除具体包括以下步骤：
13、步骤2.1：运用pca将水质数据集中的数据降至二维；
14、步骤2.2：基于二维数据构建多棵孤立树；
15、步骤2.3：对于水质数据集中每一个样本，计算其在每棵孤立树中的路径长度；
16、步骤2.4：根据每个样本在所有孤立树中的平均路径长度，计算异常得分；
17、步骤2.5：将异常得分超过设定阈值的样本识别为异常数据，然后将其从水质数据集中剔除。
18、进一步地，步骤3中，运用blsa对空缺数据进行预测填补具体包括以下步骤：
19、步骤3.1：构建blsa模型；
20、步骤3.2：选择一个包含空缺数据的变量作为目标变量，其余变量作为预测变量；
21、步骤3.3：以滑动窗口的方式构造输入向量；
22、步骤3.4：使用输入向量对blsa模型训练，利用训练好的blsa模型来预测并填补空缺数据。
23、进一步地，步骤6中，构建cnn-bigru污水溶解氧预测模型的具体步骤包括：
24、步骤6.1：基于bigru编码器对提取的有效序列特征进行建模，并将其转化为特征向量；
25、步骤6.2：将时间注意力机制引入bigru网络中，对在同一时间步下的不同特征变量赋予不同的权重，以得到不同时间步不同特征变量之间的依赖关系，实现时间序列的内在联系的提取；
26、步骤6.3：将经过加权处理的特征向量输入到bigru解码器进行计算；
27、步骤6.4：通过bigru解码器中的bigru网络，对特征向量进行序列解码，将bigru网络的输出经过输出激活层后，在不定长的预测时间步上生成连续的预测结果，以得到污水运行数据预测值。
28、与现有技术相比，本专利技术具有如下有益效果：
29、1、本专利技术在数据预处理阶段采用iforest模型对异常数据进行识别并剔除，能有效减少异常数据对模型训练的影响，提高数据的可靠性和准确性。同时，针对缺失数据，本专利技术运用blsa模型进行预测填补，能有效避免因数据缺失而导致的预测误差，并且blsa模型通过滑动窗口构造成输入向量，并结合bi-lstm层和self-attention层等结构，能够充分利用上下文信息对缺失值进行准确预测，从而保证了数据的完整性和一致性。
30、2、本专利技术采用cnn与bigru神经网络融合的方法对溶解氧含量进行预测，cnn的局部特征提取能力能够有效捕捉水质参数的空间关联性和局部特征，而bigru的时间序列预测优势则能够充分利用历史数据中的时间依赖性，两者结合能够更全面地捕捉水质参数随时间变化的规律，从而提高预测的准确性和鲁棒性。
31、3、采用本专利技术的污水处理溶解氧浓度预测方法可以实时监测和预测溶解氧浓度，从而能帮助污水处理厂优化运行参数、提高处理效率、降低能耗和成本。
本文档来自技高网...【技术保护点】
1.一种基于CNN-BiGRU模型的污水处理溶解氧浓度预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于CNN-BiGRU模型的污水处理溶解氧浓度预测方法，其特征在于，所述水质数据包括进出水COD、进出水BOD、进出水SS、进出水TN、进出水AN、出水TP、氧化还原电位、好氧池DO、MLSS、SV30。
3.根据权利要求1所述的一种基于CNN-BiGRU模型的污水处理溶解氧浓度预测方法，其特征在于，步骤2中，运用iForest识别异常数据并进行剔除具体包括以下步骤：
4.根据权利要求1或3所述的一种基于CNN-BiGRU模型的污水处理溶解氧浓度预测方法，其特征在于，步骤3中，运用BLSA对空缺数据进行预测填补具体包括以下步骤：
5.根据权利要求1所述的一种基于CNN-BiGRU模型的污水处理溶解氧浓度预测方法，其特征在于，步骤6中，构建CNN-BiGRU污水溶解氧预测模型的具体步骤包括：
【技术特征摘要】
1.一种基于cnn-bigru模型的污水处理溶解氧浓度预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于cnn-bigru模型的污水处理溶解氧浓度预测方法，其特征在于，所述水质数据包括进出水cod、进出水bod、进出水ss、进出水tn、进出水an、出水tp、氧化还原电位、好氧池do、mlss、sv30。
3.根据权利要求1所述的一种基于cnn-bigru模型的污水处理溶解氧浓度预测方法，...
【专利技术属性】
技术研发人员：陈猷鹏，郭彦伽，秦银秋，傅慧敏，晏鹏，申渝，李慧敏，
申请(专利权)人：重庆大学，
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。