[发明专利]一种基于简单循环单元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简单循环单元神经网络的污水处理水质预测方法。该方法包括：采集出水口的水质信息并进行预处理，获得多个时间点的水质相关信息；将所述多个时间点的水质相关信息输入到经训练的神经网络模型，输出预测的下一时间点的出水水质信息，进而获得时间序列预测值，其中该神经网络模型的隐层包含多个级联的简单循环单元。本发明利用简单循环单元神经网络预测水质，可以有效提高计算的并行性和序列的建模能力，更适合应用于水厂这种工业系统。

技术领域

本发明涉及计算机技术领域，更具体地，涉及一种基于简单循环单元神经网络的污水处理水质预测方法。

背景技术

在工业现代化、城市化进程不断推进过程中，大量工业生产和生活废水超标排放，对生态环境造成很大威胁。城市污水处理逐渐成为改善城镇工业和生活用水质量的重要措施，城镇污水处理厂的数量逐年增多。由于污水处理中的水质元素复杂多变，实时监控相当困难，并且水质元素与时间、环境等很难构成线性关系，导致污水处理工艺过程(污泥处理、物理降解、化学分解等)极其繁复。所以在污水处理日常生产中，能够对日报数据中的水质异常指标进行及时准确的诊断，从而监测某一污水处理单元的运行情况，是保障污水处理厂长期稳定运行的关键。

传统污水处理的水质判断主要依靠厂内经验丰富的技术专家进行人工分析。随着人工智能技术的普及，机器学习技术被引入水质预测领域。一般而言，基于机器学习的污水水质预测方法主要是将采集到的数据作为输入，送入神经网络模型中进行训练，通过加载训练出的模型预测水质结果，根据结果来判断污水处理是否需要进行加药和曝气工作，以及加药和曝气量的多少。但现有方案仍存在预测效率较低、模型冗余较大、实时性较差等问题。

例如，宜春学院提出一种基于神经网络和人工蜂群算法的污水处理水质预测模型，通过构造BP神经网络模型，并利用人工蜂群算法提高模型收敛速度，从而预测水质的生化需氧量(BOD5)和化学需氧量(COD)这两个水质参数。北京工业大学根据水厂入水和出水数据，采用径向基函数神经网络建立污水处理过程模型，该模型能够根据水厂入水数据同时给出多个出水水质变量的置信区间，这些区间能表征出水变量的存在范围，从而实现水质变量的可靠估计，进而评估出水水质或水厂性能。这些技术方案采用的是传统的BP神经网络和径向基函数神经网络，传统神经网络相对于深度学习技术还存在很多不足，效果也远没有深度学习方法的效果优秀。

又如，专利申请CN111369078A提出了一种基于长短期记忆神经网络的供水水质预测方法，通过对水质数据进行平滑处理后，利用长短期记忆网络结构(LSTM)优化循环神经网络(RNN)的结构以及连接权重和隐藏层的阈值，最终得到水质参数预测模型。专利申请CN111027776A提出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。专利申请CN111062476A提出一种基于门控循环单元网络集成的水质预测方法，采用GRU网络替代LSTM网络进行预测。这些技术方案均采用了深度学习技术，使用循环神经网络中的LSTM网络，或LSTM网络的变种GRU网络，并在其基础上做了一些改进，相对于传统神经网络，LSTM有着更深的网络层数，并且可以接收到时序的信息，但是它们也有自己的缺陷和不足，作为工业实时系统，RNN和LSTM网络是串行结构，当前层的计算必须等到上一层执行完毕后才可以开始，严重限制了模型的适用性和训练速度。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种基于简单循环单元神经网络的污水处理水质预测方法。

本发明的技术方案是提供一种基于简单循环单元神经网络的污水处理水质预测方法。该方法包括以下步骤：

采集出水口的水质信息并进行预处理，获得多个时间点的水质相关信息；

将所述多个时间点的水质相关信息输入到经训练的神经网络模型，输出预测的下一时间点的出水水质信息，进而获得时间序列预测值，其中该神经网络模型的隐层包含多个级联的简单循环单元，并自主控制从前一层的输入中选择多少信息量不经过任何非线性变换，直接输入到下一层。