[发明专利]一种基于改进型长短期记忆LSTM神经网络的污水处理水质预测方法

说明书

本发明公开了一种基于改进型长短期记忆LSTM神经网络的污水处理水质预测方法，包括以下步骤：1)数据处理；2)建立并训练改进型长短期记忆LSTM神经网络预测模型；3)将待预测数据导入整体改进型长短期记忆LSTM神经网络预测模型，输出得到预测水质数值。本发明先对数据源进行有效清洗及梳理，去除干扰因素及噪点并明晰数据间关系，为数据分析做好前期工作。数据分析时，改进型LSTM网络可以很好对大时滞以及强耦合类数据进行分析，可以准确的映射出长时间跨度的数值关系，为污水水质预测提供了极大的便利。

技术领域

本发明属于污水处理领域，具体涉及一种基于改进型长短期记忆LSTM神经网络的污水处理水质预测方法。

背景技术

循环神经网络(Recurrent Neural Network，RNN)是一种用于处理序列数据的神经网络。相比一般的神经网络来说，他能够处理序列变化的数据。比如某个单词的意思会因为上文提到的内容不同而有不同的含义，RNN就能够很好地解决这类问题。它的特性是不仅可以对空间维度进行操作，还能对时序维度进行操作，其自身结构特性是在隐藏层多了一步反馈操作，这种结构可使得RNN的输入内容不仅包含输入层的数据，还包含来自上一时刻隐藏层所反馈出的数据，这也是其有时序特性的主要原因。但是这种结构有一个比较致命的问题，就是伴随着自身梯度异常的问题；因为自反馈回路的应用加速了梯度消失现象的发生，而为了避免此现象，开发了长短期记忆网络(Long Short Term Memory Network,LSTM)。

LSTM网络能有效的解决RNN网络因自身网络缺陷而导致的梯度消失问题，即无法记录长时间内容，而LSTM网络通过增加遗忘门以及改良的输入门、更新门、输出门等结构，实现了可较长时间记录内容的特质。但是即使有这些特性还是无法使其应用在污水处理分析上，因为污水处理过程是一个大型流程工业过程，具有大时变、强耦合、大时滞以及干扰严重等特点；同时，污水处理过程生化反应复杂，运行过程中涉及到变量众多，导致其在分析数据时对大时间跨度的数据有大量记忆需求，而这时LSTM就无法满足应用需求，所以需要对LSTM神经网络进行改良调整以适应污水处理过程中数据分析的需求。

发明内容

针对现有污水处理工艺特性和现有污水处理水质分析方法缺陷，本发明旨在提供一种以神经网络分析为基础的高精度分析方法，即一种基于改进型长短期记忆LSTM神经网络的污水处理水质预测方法。

为了达到上述的目的，本发明所采用的技术方案是：

一种基于改进型长短期记忆LSTM神经网络的污水处理水质预测方法，包括以下步骤：

1)数据处理：

对污水处理上报数据进行预处理，接着对预处理的数据进行PCA降维，得到结果数据，然后利用决策树以及剪枝操作，选出结果数据的主要参量对应关系，建立参量映射关系表；

2)建立并训练改进型长短期记忆LSTM神经网络预测模型：

根据参量映射关系表确定改进型长短期记忆LSTM神经网络的输入与输出参量，建立改进型长短期记忆LSTM神经网络预测模型，并经过训练得到整体改进型长短期记忆LSTM神经网络预测模型；

所述改进型长短期记忆LSTM神经网络包括输入层、前端网络并行层、LSTM 网络层、后端网络串行层和输出层；

3)将待预测数据导入整体改进型长短期记忆LSTM神经网络预测模型，输出得到预测水质数值。

优选的，所述预处理为去除污水处理上报数据中不合理限值外数据，然后对上报数据数据进行3倍标准差处理，去除上报数据的最大值或最小值与均值的差超过3倍标准差的数据，并对整理后的数据进行整体降维操作，去除数据中的冗余信息得到结果数据。

优选的，所述LSTM改进型神经网络模型中输入层为数据参量输入网络的对接接口，根据数据包含时间长度，将数据集合X分为n个部分，即：