[发明专利]一种污水生化处理中溶解氧的预测方法

说明书

本发明提供一种污水生化处理中溶解氧的预测方法，所述预测方法包括：步骤S1、收集污水生化处理中的水质数据并预处理，得到数据集；对影响水质的因素进行变分模态分解，得到分解分量；步骤S2、根据步骤S1所述数据集，判断所述分解分量与溶解氧的关系，进行聚类分析，将所述分解分量分成紧密组和松散组；步骤S3、根据步骤S1所述数据集，对所述紧密组进行多任务学习训练，对所述松散组进行多视图学习训练，建立所述预测模型，并进行溶解氧预测和辅任务预测。所述预测方法将溶解氧预测以及与其相关因素的辅任务预测相结合，显著提高了对未来溶解氧预测的准确性。

技术领域

本发明涉及污水生化处理技术领域，尤其涉及一种污水生化处理中溶解氧的预测方法。

背景技术

在污水处理中，生化池溶解氧的稳定控制是生物脱氮的关键，目前污水处理厂对于溶解氧的控制是采用根据在线溶解氧仪的数据，人工调节，根据溶解氧仪来调控溶解氧往往存在滞后，不利于保证出水的稳定达标。

为了提升对生化池中溶解氧的预测效果，已有一些研究采用相关预测方法提前对生化池中溶解氧进行预测。

CN113033861A公开了一种基于时间序列模型的水质预测方法及系统，结合遗传算法对水质时间序列数据进行时间片段进行优化，然后将优化后的时间片段数据作为单条数据送入模型训练；结合注意力机制在模型的编解码阶段，对水质数据实现多层注意力机制，并引入外部信息实现联合建模，实现最终的水质数据预测，但该预测方法需要大规模的水质特征序列，而在实际中很多水质特征数据缺少或者无法找到足够多与溶解氧预测的特征数据。

CN111898673A公开了一种基于EMD与LSTM的溶解氧含量预测方法，包括获取水质数据并进行数据清洗，采用KNN算法对水质数据中的缺失数据进行补全，采用EMD算法对水质数据中的原始溶解氧监测数据时间序列进行分解，获得包括残差和有限个本征模函数在内的多个分量，对多个子LSTM网络进行训练以及验证，利用验证通过的多个子LSTM网络，获得多个分量对应的下一个单位时间的溶解氧预测数值，将所有分量对应的预测数值进行累加，获得下一个单位时间的溶解氧预测结果，但该预测方法采用EMD算法存在模态混叠的缺点，而且在整合最新信号处理技术的成功和多任务、多视图学习模式方面的工作存在不足。

CN109147875A公开了一种基于模糊聚类的支持向量回归算法的污水溶解氧浓度预测方法，对污水中溶解氧的含量进行预测，针对污水处理过程中溶解氧实时测量难的问题，本方法首先通过模糊聚类把整个样本分成多个子样本，再在每个子样本上建立支持向量回归模型，然后进行集成，对污水中溶解氧的含量进行在线预测，但该预测方法中模糊聚类需要预先知道分类数，需要大量先验知识；其次模糊聚类运算量，当数据量大的时候，模糊聚类将无法实现聚类的目的；而且SVM要取得较好的效果需要很多先验特征因素及其数据。

CN106802563A公开了一种基于果蝇优化和LSSVM的污水过程优化控制方法，通过采集污水过程数据，建立包含污水过程溶解氧和硝态氮系统模型，准确描述系统实时状态，采用果蝇算法进行滚动优化，将控制目标及各种约束体现在优化性能指标中，并根据实时数据在线更新模型，但该预测方法中LSSVM在迭代优化时稀疏性不好，费时费力；而且果蝇优化的效果很大程度在于参数的选择，而参数选择需要丰富的先验经验和知识，对最终结果的准确性影响较大。

因此，需要开发一种新的污水生化处理中溶解氧的预测方法，解决现有预测方法中相关数据获取困难的问题。

发明内容

鉴于现有技术中存在的问题，本发明提供一种污水生化处理中溶解氧的预测方法，所述预测方法基于增强型时间序列模型对污水生化池溶解氧进行预测，能够前瞻性获取未来一段时间的溶解氧序列，协助运行控制合理的曝气量，有助于稳定生物脱氮，能够有利于出水稳定，同时能够对曝气进行精确控制，节约成本。

为达此目的，本发明采用以下技术方案：

本发明提供一种污水生化处理中溶解氧的预测方法，所述预测方法包括：