[发明专利]一种基于极端梯度提升算法的污水处理过程软测量方法

说明书

本发明提供了一种基于极端梯度提升算法的污水处理过程软测量方法，属于工业污水处理过程软测量建模和应用领域。首先，针对工业过程采集数据存在缺失值的问题，采取邻近算法模型进行缺失值填充；其次，使用极端梯度提升算法进行软测量建模；最后，使用网格搜索方法调整模型的7个参数，从而得到更精准的软测量模型。本发明可提高污水处理过程出水氨氮浓度的预测精度。

技术领域

本发明属于工业污水处理过程软测量建模和应用领域，具体涉及一种基于极端梯度提升算法的污水处理过程出水水质参数浓度的软测量方法。

背景技术

随着社会经济的进步和发展，人类对水环境的污染日益加剧，污水的高效处理对于可持续发展有着越来越重要的意义。水质参数中氨氮的浓度是衡量水质是否达到国家排放标准的重要指标，然而目前针对水质中氨氮浓度的测定方法操作繁琐，实时性不高，而相关的仪器仪表售价昂贵且维护成本较高，因此通常需要研究出水氨氮浓度的软测量方法以满足工业过程控制需要。

针对上述问题，采用基于数据驱动的智能化软测量方法，选择可以实时测量的水质参数作为辅助变量，建立出水氨氮浓度的软测量模型，可以实现对出水氨氮浓度进行在线预测，有效避免传统方法的时滞性的缺点。

极端梯度提升算法具有模型可解释性好，输入数据不变性强和更易于调整参数等优点，将其用于对污水处理过程中出水氨氮浓度的软测量能够快速得到准确、鲁棒和解释性强的模型。

发明内容

针对污水处理过程中出重要指标：水氨氮浓度，难以在线测量的问题，本发明提供了一种基于极端梯度提升算法的污水处理过程软测量方法。首先，针对工业过程采集数据存在缺失值的问题，采取邻近算法模型进行缺失值填充；其次，使用极端梯度提升算法进行软测量建模；最后，使用网格搜索方法调整模型的7个参数，从而得到更精准的软测量模型。

本发明所采用的技术方案是：

(1)采集一批污水处理过程中的生产数据，建立用于缺失数据填充的邻近算法模型；

(2)通过数据库收集污水处理过程中能在线测量的变量值，作为软测量建模样本的输入量，离线测量所得的出水氨氮浓度值，作为软测量建模样本的输出量，组成软测量建模样本集X＝[x₁,x₂,…,x_i,…,x_n]^T，X∈R^n×m，x_i是1×m维的行向量，表示第i个样本，i＝1,2,…n，n为样本总数，m为过程变量总数，R为实数集；

(3)使用步骤(1)得到的邻近算法模型对软测量建模样本集X进行缺失值的预测和填充，将处理后的软测量建模样本集分为两个数据集，为软测量建模的训练数据集，N₁为训练数据集的组数，A_k是1×d维的行向量，为软测量建模样本的一组输入量，是A_k对应的训练样本数据的真实值，k＝1,2,…,N₁，d为每组输入量的维数；为软测量建模的测试数据集，N₂为测试数据集的组数，B_k是1×d维的行向量，为软测量建模样本的一组输入量，y_k是B_k对应的测试数据的真实值，k＝1,2,…,N₂；d+1＝m，N₁+N₂＝n；

(4)使用网格搜索法寻找极端梯度提升算法中各参数的最优值；

(5)获得最优参数后，建立软测量模型；采集新的数据集N₃为新数据集的组数，C_k是1×d维的行向量，k＝1,2,…,N₃，将输入基于极端梯度提升算法的污水处理过程出水氨氮浓度的软测量模型中，得到实时的出水氨氮浓度值是对应C_k的软测量模型输出值；