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

摘要

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。

说明书

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。

与现有技术相比，本发明的优点在于，利用检测设备采集到的数据进行神经网络模型训练，有着更小的模型和更快实时性，提升了水质综合预测性能，对提高智能化污水处理整体水平与质量有着重要的意义；相对于现有的LSTM网络和GRU网络，本发明的简单循环单元网络有着并行计算能力、序列建模能力和更快的训练速度，更适用于污水厂这种实时性较高的工业环境。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

图1是根据本发明一个实施例的基于简单循环单元神经网络的污水处理水质预测方法的流程图；

图2是根据本发明一个实施例的污水处理水质预测的流程图；

图3是根据本发明一个实施例的数据预处理过程示意图；

图4是根据本发明一个实施例的简单循环单元的结构图；

图5是根据本发明一个实施例的训练简单循环单元网络的流程图；

图6是根据本发明一个实施例的简单循环单元预测模型的示意图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

结合图1和图2所示，所提供的基于简单循环单元神经网络的污水处理水质预测方法包括以下步骤。

步骤S110，采集多个时刻的水质信息并进行预处理，以构建训练数据集。

例如，通过部署在前端的测量设备采集连续的多个时间点的水质信息，并对数据进行预处理。其中，污水厂的水质指标包括并不限于测量进水COD、悬浮性固体SS、总氮含量TN、总磷含量TP、PH值、曝气池温度、氧化还原电位ORP等数据。

图3是数据采集与预处理的过程，包括：输入原始水质数据；分割出指定列；小数点处理；缺失值处理；异常范围处理；归一化处理等。

具体地，由于从某些测量设备导出来的数据中是以英文逗号作为小数点，故先将英文逗号转换成了小数点符号。再遍历所有数据集，检查是否有数据缺失。

对于缺失值的处理，可以选择直接丢弃，也可以人工补齐。

对于水质参数的异常处理，可通过设定的参数上下限经验值，遍历数据集找出明显超范围的参数，对于超范围的参数取其前后各12个参数的平均值代替。通过对异常数据进行处理，能够消除异常点，从而保证后续模型训练的精度。

进一步地，由于水质数据波动幅度很大，大部分数值远远超过1，在模型输入之前，需要将数据按min-max归一化进行归一化处理，即所有维度的数值被限制在0到1的范围内，以便在训练期间不会过分偏向于某个维度。数据归一化既可减少训练时间又可以防止网络的激活函数处于过饱和状态，采用归一化的数据进行预测，得到的预测结果为归一化值，而评价预测性能是与实际值进行比较，所以需要将预测结果进行反归一化。min-max归一化处理如公式(1)，反归一化处理图公式(2)：

X

经过数据预处理能够获得多个时刻(或时间点)的水质信息，这些水质信息在时间轴上具有相关性。

步骤S120，利用训练数据集训练简单循环单元神经网络模型。

简单循环单元(Simple Recurrent Units，SRU)网络是一种新型的循环神经网络(RNN)优化网络模型，能够避免状态计算和门控机制的复杂程度，消除门状态对前一步隐状态的依赖性，从而提高门计算单元的可并行性，以加快训练速度。同时引入高度网络(highnetwork)使得模型能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，通过这种方法，在确保加深模型深度的同时，尽量避免梯度消失的问题。

图4是简单循环单元结构图，其核心部分是轻度循环(light recurrence)和高度网络(high network)这两个部分。轻度循环会读取输入数据信号x

f

c

其中W

在同类型的其他RNN模型中，前一期c

SRU第二个重要部分是高度网络，该模块有利于深层网络的梯度算法训练，防止梯度消失的风险。高度网络又被称为跳跃连接，是指在神经网络层中的额外连接，这些额外连接帮助神经网络在处理非线性问题时跳过某些层，因此跳跃连接的引入能够消除深度学习网络的损失函数曲面中固有的奇点来改进深度学习网络的训练，显著改善了神经网络的训练。重置门r

r

h

其中W

简单循环单元网络的训练过程，主要是结合实际情况，确定简单循环单元网络的最佳网络结构(如输入层输入数据个数和隐层SRU模块个数)，选择合适的激活函数和恰当的优化算法；根据误差损失函数，通过随机梯度下降算法，依次迭代更新直到误差损失收敛，获得最优参数。训练流程参见图5所示，包括将样本数据集划分为数据集和测试数据集；利用训练数据集进行模型训练(获得各层权重、偏置等)；利用测试集测试已训练模型的误差等，以根据测试结果决定是否对模型训练进一步优化，从而获得满足污水处理工业系统设计的模型。

步骤S130，将实时采集的水质信息输入经训练的简单循环单元神经网络模型，获得后续时刻的预测水质信息。

在完成模型训练后，即可获得相关的参数矩阵，如W

在具体实施过程中，出水口数据测量设备包括温度计、OD测定仪、PH计、电磁液体流量计、悬浮性固体浓度计、总磷总氮测定仪和Orp检测仪等测量设备，以用于采集出水口处污水的PH值数据、流量数据、COD数据、悬浮物浓度数据、总氮浓度数据、总磷浓度数据和氧化还原电位ORP等。基于采集到的这些数据，在TensorFlow深度学习框架上构建如图6所示的简单循环单元预测模型，从结构上其包括输入层、隐层和输出层；从实施过程看，其包括网络训练过程和预测过程。

训练过程为，将水质指标时序数据的训练数据输入SRU，运用反向传播和梯度下降对n个SRU网络进行训练。

预测过程为：输入层输入经过预处理后满足网络输入要求的测量数据。隐层使用图4所示的简单循环单元级联组成，是整个网络中主要的数据处理层级，简单循环单元的个数取决于输入层输入数据的个数，具体个数可根据现场实际测量设备决定。以上述7类数据为例，每一个简单循环单元负责处理传输过来的一类水质数据并输出结果，输出层接收隐层结果并将这些并行结果进行加权运算最终得到预测结果，加权运算公式如下所示，其中y表示最终预测结果，a

为进一步验证本发明的效果，进行了模拟实验。在服务器上模拟整个系统的运行，实验仿真的水质数据来自于杭州某水厂。实验结果表明，本发明基于简单循环单元的污水处理水质预测方法可以有效提高计算的并行性和序列的建模能力，显著提高了水质预测的精确度和实时性，可以很好地逼近水质数据真实值，更适合污水厂这种工业系统应用，为高精度水质预测提供了新的方向。

需说明的是，在不违背本发明精神和范围的前提下，本领域技术人员可对上述实施例进行适当的改变或变型。例如，深度学习框架可采用TensorFlow或PyTorch等。简单循环单元网络输入数据不仅仅限于PH值数据、流量数据、COD数据等，可根据实际工艺情况进行替换。

本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++、Pychon等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。