本發(fā)明涉及一種基于數(shù)據(jù)分解和深度學(xué)習(xí)的污水處理廠進(jìn)水預(yù)測(cè)方法，屬于污水處理領(lǐng)域。

背景技術(shù)：

1、

2、隨著數(shù)據(jù)科學(xué)和人工智能技術(shù)的發(fā)展，現(xiàn)有的污水處理廠進(jìn)水預(yù)測(cè)方法主要依賴于深度學(xué)習(xí)，該方法在處理大規(guī)模復(fù)雜數(shù)據(jù)、提取數(shù)據(jù)特征和建模預(yù)測(cè)方面展現(xiàn)出了巨大的潛力。但是單一的深度學(xué)習(xí)模型在處理復(fù)雜的非線性和時(shí)變數(shù)據(jù)時(shí)，往往表現(xiàn)出預(yù)測(cè)精度不足和適應(yīng)性差的缺點(diǎn)。

技術(shù)實(shí)現(xiàn)思路

1、為了提升污水處理廠進(jìn)水水質(zhì)預(yù)測(cè)精度，實(shí)現(xiàn)污水處理的高效運(yùn)行，在確保出水穩(wěn)定達(dá)標(biāo)排放的基礎(chǔ)上實(shí)現(xiàn)污水處理廠的智能化，降低運(yùn)行成本，減少污水處理碳排放，本發(fā)明提供了一種基于局部加權(quán)回歸的季節(jié)項(xiàng)-趨勢(shì)分解數(shù)據(jù)分解方法(stl)、注意力機(jī)制(attention)和用于時(shí)間序列分析的現(xiàn)代時(shí)間卷積結(jié)構(gòu)(moderntcn)深度學(xué)習(xí)模型，簡(jiǎn)稱多維特征強(qiáng)化提取的混合模型(stl-amtcn)，利用stl-amtcn來(lái)進(jìn)行未來(lái)進(jìn)水預(yù)測(cè)，以提高的污水處理廠進(jìn)水水質(zhì)預(yù)測(cè)的準(zhǔn)確性，所述技術(shù)方案如下：

2、本發(fā)明的一種污水處理廠進(jìn)水預(yù)測(cè)方法，包括：

3、步驟1：獲取污水處理廠進(jìn)水指標(biāo)的歷史時(shí)間序列數(shù)據(jù)，并進(jìn)行預(yù)處理；

4、步驟2：利用stl時(shí)間序列分解方法將待預(yù)測(cè)指標(biāo)的歷史時(shí)間序列數(shù)據(jù)分解為趨勢(shì)分量、季節(jié)分量和殘差分量；

5、步驟3：對(duì)所述待預(yù)測(cè)指標(biāo)的趨勢(shì)分量、季節(jié)分量、殘差分量和輔助變量進(jìn)行特征提取，分別得到更新后的趨勢(shì)分量、季節(jié)分量和殘差分量，所述輔助變量為：除所述待預(yù)測(cè)指標(biāo)之外的進(jìn)水指標(biāo)的歷史時(shí)間序列數(shù)據(jù)；

6、步驟4：對(duì)所述步驟3提取的時(shí)間變化特征進(jìn)行強(qiáng)化；

7、步驟5：對(duì)步驟4得到的強(qiáng)化后的時(shí)間變化特征進(jìn)行解碼，獲得所述待預(yù)測(cè)指標(biāo)的預(yù)測(cè)值。

8、可選的，所述步驟3利用特征提取模塊對(duì)所述待預(yù)測(cè)指標(biāo)的趨勢(shì)分量、季節(jié)分量、殘差分量和輔助變量進(jìn)行特征提取，所述特征提取模塊包括：特征嵌入層和現(xiàn)代時(shí)間卷積層；

9、所述特征嵌入層采用卷積對(duì)數(shù)據(jù)特征進(jìn)行升維；

10、所述現(xiàn)代時(shí)間卷積層的結(jié)構(gòu)依次包括：逐深度卷積、批標(biāo)準(zhǔn)化層、逐點(diǎn)卷積層；所述逐點(diǎn)卷積層包含兩層，每一層均包括如下結(jié)構(gòu)：第一層逐點(diǎn)卷積、dropout層、gelu激活函數(shù)層、第二層逐點(diǎn)卷積、dropout層；每一層現(xiàn)代時(shí)間卷積層所得輸出均與輸入進(jìn)行加和，從而使模型只學(xué)習(xí)其殘差信息，避免模型過(guò)擬合。

11、可選的，所述步驟4利用注意力機(jī)制層對(duì)步驟3更新后的趨勢(shì)分量、更新后的季節(jié)分量和更新后的殘差分量進(jìn)行加和形成待處理的時(shí)間信息序列h，所述時(shí)間信息序列h通過(guò)線性變換層后與原序列進(jìn)行矩陣乘法，并通過(guò)softmax激活函數(shù)對(duì)時(shí)間序列的每一時(shí)刻進(jìn)行打分，生成權(quán)重矩陣a，將所述權(quán)重矩陣a與所述時(shí)間信息序列h相乘得到增強(qiáng)后的時(shí)間信息序列特征h’。

12、可選的，所述步驟5利用全連接層對(duì)所述強(qiáng)化后的特征進(jìn)行處理，所述全連接層的結(jié)構(gòu)依次包括：第一層線性變換層、tanh激活函數(shù)層、第二層線性變換層。

13、本發(fā)明的一種污水處理廠進(jìn)水預(yù)測(cè)系統(tǒng)包括：

14、數(shù)據(jù)獲取模塊，被配置為獲取污水處理廠進(jìn)水水質(zhì)指標(biāo)的歷史時(shí)間序列數(shù)據(jù)；

15、數(shù)據(jù)預(yù)處理模塊，被配置為對(duì)所述歷史時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)處理；

16、數(shù)據(jù)分解模塊，被配置為利用stl時(shí)間序列分解方法將待預(yù)測(cè)指標(biāo)的歷史時(shí)間序列數(shù)據(jù)分解為趨勢(shì)分量、季節(jié)分量和殘差分量；

17、特征提取模塊，被配置為對(duì)所述待預(yù)測(cè)指標(biāo)的趨勢(shì)分量、季節(jié)分量、殘差分量和輔助變量進(jìn)行特征提取，分別得到更新后的趨勢(shì)分量、季節(jié)分量和殘差分量，所述輔助變量為：除所述待預(yù)測(cè)指標(biāo)之外的進(jìn)水指標(biāo)的歷史時(shí)間序列數(shù)據(jù)；

18、時(shí)間特征增強(qiáng)模塊，被配置為對(duì)提取的時(shí)間變化特征進(jìn)行強(qiáng)化提取；

19、解碼與預(yù)測(cè)模塊，被配置為對(duì)所述時(shí)間特征增強(qiáng)模塊得到的強(qiáng)化后的時(shí)間變化特征進(jìn)行解碼，獲得所述待預(yù)測(cè)指標(biāo)的預(yù)測(cè)值。

20、可選的，所述特征提取模塊包括：特征嵌入層和現(xiàn)代時(shí)間卷積層；

21、所述特征嵌入層采用卷積對(duì)數(shù)據(jù)特征進(jìn)行升維；

22、所述現(xiàn)代時(shí)間卷積層的結(jié)構(gòu)依次包括：逐深度卷積、批標(biāo)準(zhǔn)化層、逐點(diǎn)卷積層；所述逐點(diǎn)卷積層包含兩層，每一層均包括如下結(jié)構(gòu)：第一層逐點(diǎn)卷積、dropout層、gelu激活函數(shù)層、第二層逐點(diǎn)卷積、dropout層；每一層現(xiàn)代時(shí)間卷積層所得輸出均與輸入進(jìn)行加和，從而使模型只學(xué)習(xí)其殘差信息，避免模型過(guò)擬合。

23、可選的，所述時(shí)間特征增強(qiáng)模塊為注意力機(jī)制層，對(duì)所述特征提取模塊提取的更新后的趨勢(shì)分量、季節(jié)分量和殘差分量進(jìn)行加和形成待處理的時(shí)間信息序列h，所述時(shí)間信息序列h通過(guò)線性變換層后與原序列進(jìn)行矩陣乘法，并通過(guò)softmax激活函數(shù)對(duì)時(shí)間序列的每一時(shí)刻進(jìn)行打分，生成權(quán)重矩陣a，將所述權(quán)重矩陣a與所述時(shí)間信息序列h相乘得到增強(qiáng)后的時(shí)間信息序列特征h’。

24、可選的，所述解碼與預(yù)測(cè)模塊利用全連接層對(duì)所述時(shí)間特征增強(qiáng)模塊輸出的特征進(jìn)行處理，所述全連接層的結(jié)構(gòu)依次包括：第一層線性變換層、tanh激活函數(shù)層、第二層線性變換層。

25、本發(fā)明提供一種電子設(shè)備，包括存儲(chǔ)器和處理器；

26、所述存儲(chǔ)器，用于存儲(chǔ)計(jì)算機(jī)程序；

27、所述處理器，用于當(dāng)執(zhí)行所述計(jì)算機(jī)程序時(shí)，實(shí)現(xiàn)如上所述的方法。

28、本發(fā)明提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，當(dāng)所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)如上所述的方法。

29、本發(fā)明有益效果是：

30、本發(fā)明構(gòu)建了多維特征強(qiáng)化提取的混合模型(stl-amtcn)，利用stl-amtcn來(lái)進(jìn)行未來(lái)進(jìn)水預(yù)測(cè)，針對(duì)污水處理廠復(fù)雜的水質(zhì)水量變化，本發(fā)明的進(jìn)水預(yù)測(cè)方法能夠更好地處理數(shù)據(jù)中的非線性特征和噪聲，實(shí)驗(yàn)結(jié)果證明，本發(fā)明可以提高進(jìn)水預(yù)測(cè)的準(zhǔn)確性、可靠性和時(shí)效性。

31、本發(fā)明構(gòu)建的stl-amtcn進(jìn)水預(yù)測(cè)混合模型，適用于更頻繁的、有異常值的時(shí)間序列數(shù)據(jù)；在預(yù)測(cè)模塊中使用的深度學(xué)習(xí)模型為moderntcn，該模型兼顧效率和性能，有助于實(shí)現(xiàn)污水處理的高效運(yùn)行，在確保出水穩(wěn)定達(dá)標(biāo)排放的基礎(chǔ)上實(shí)現(xiàn)污水處理廠的智能化，降低運(yùn)行成本，減少污水處理碳排放。

技術(shù)特征：

1.一種污水處理廠進(jìn)水指標(biāo)預(yù)測(cè)方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟3利用特征提取模塊對(duì)所述待預(yù)測(cè)指標(biāo)的趨勢(shì)分量、季節(jié)分量、殘差分量和輔助變量進(jìn)行特征提取，所述特征提取模塊包括：特征嵌入層和現(xiàn)代時(shí)間卷積層；

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟4利用注意力機(jī)制層對(duì)步驟3更新后的趨勢(shì)分量、更新后的季節(jié)分量和更新后的殘差分量進(jìn)行加和形成待處理的時(shí)間信息序列h，所述時(shí)間信息序列h通過(guò)線性變換層后與原序列進(jìn)行矩陣乘法，并通過(guò)softmax激活函數(shù)對(duì)時(shí)間序列的每一時(shí)刻進(jìn)行打分，生成權(quán)重矩陣a，將所述權(quán)重矩陣a與所述時(shí)間信息序列h相乘得到增強(qiáng)后的時(shí)間信息序列特征h’。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟5利用全連接層對(duì)所述強(qiáng)化后的特征進(jìn)行處理，所述全連接層的結(jié)構(gòu)依次包括：第一層線性變換層、tanh激活函數(shù)層、第二層線性變換層。

5.一種污水處理廠進(jìn)水預(yù)測(cè)系統(tǒng)，其特征在于，所述系統(tǒng)包括：

6.根據(jù)權(quán)利要求5所述的系統(tǒng)，其特征在于，所述特征提取模塊包括：特征嵌入層和現(xiàn)代時(shí)間卷積層；

7.根據(jù)權(quán)利要求5所述的系統(tǒng)，其特征在于，所述時(shí)間特征增強(qiáng)模塊為注意力機(jī)制層，對(duì)所述特征提取模塊提取的更新后的趨勢(shì)分量、季節(jié)分量和殘差分量進(jìn)行加和形成待處理的時(shí)間信息序列h，所述時(shí)間信息序列h通過(guò)線性變換層后與原序列進(jìn)行矩陣乘法，并通過(guò)softmax激活函數(shù)對(duì)時(shí)間序列的每一時(shí)刻進(jìn)行打分，生成權(quán)重矩陣a，將所述權(quán)重矩陣a與所述時(shí)間信息序列h相乘得到增強(qiáng)后的時(shí)間信息序列特征h’。

8.根據(jù)權(quán)利要求5所述的系統(tǒng)，其特征在于，所述解碼與預(yù)測(cè)模塊利用全連接層對(duì)所述時(shí)間特征增強(qiáng)模塊輸出的特征進(jìn)行處理，所述全連接層的結(jié)構(gòu)依次包括：第一層線性變換層、tanh激活函數(shù)層、第二層線性變換層。

9.一種電子設(shè)備，其特征在于，包括存儲(chǔ)器和處理器；

10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，當(dāng)所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)如權(quán)利要求1至4任一項(xiàng)所述的方法。

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種基于數(shù)據(jù)分解和深度學(xué)習(xí)的污水處理廠進(jìn)水預(yù)測(cè)方法，涉及污水處理領(lǐng)域。所述方法構(gòu)建了一種水質(zhì)預(yù)測(cè)混合模型，通過(guò)水質(zhì)預(yù)測(cè)混合模型得到水質(zhì)指標(biāo)的預(yù)測(cè)數(shù)據(jù)；數(shù)據(jù)分解模塊利用STL時(shí)間序列分解方法將所述歷史時(shí)間序列數(shù)據(jù)分解為趨勢(shì)分量、季節(jié)分量和殘差分量；特征提取模塊用于提取各時(shí)間窗口中數(shù)據(jù)的時(shí)間變化規(guī)律與變量間關(guān)系；時(shí)間特征增強(qiáng)模塊用于對(duì)提取的時(shí)間變化特征進(jìn)行強(qiáng)化提取；解碼與預(yù)測(cè)模塊生成水質(zhì)指標(biāo)預(yù)測(cè)值。針對(duì)污水處理廠復(fù)雜的水質(zhì)水量變化，本發(fā)明的水質(zhì)預(yù)測(cè)方法能夠更好地處理數(shù)據(jù)中的非線性特征和噪聲，實(shí)驗(yàn)結(jié)果證明，本發(fā)明可以提高預(yù)測(cè)的準(zhǔn)確性、可靠性和時(shí)效性。

技術(shù)研發(fā)人員：沈知章,李澳,干霖,曾志偉,徐晨濤
受保護(hù)的技術(shù)使用者：江南大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/5