一种基于外围数据的污水处理厂进水量预测方法与流程

1.本发明涉及污水处理技术领域，具体涉及一种基于外围数据的污水处理厂进水量预测方法。


背景技术：

2.随着经济的快速发展，城市污水生产量是规划污水系统的布局、配套管网和截污系统的建设、城市污水处理厂的规模、污水处理工艺的决定因素。污水处理厂的设计过程中，设计进水的水质和水量往往决定着城市污水处理厂的规模、工艺流程的选择和工程的投资、运行费用。现已建成的大部分城市污水处理厂实际进水的水质和水量与设计值存在较大出入，严重影响了城市污水处理的稳定、高效运行。
3.因此，需要对污水处理厂的进水量进行预测，为污水处理厂的运营、决策提供依据。例如，公开号为cn106200381a的中国专利公开了《一种根据处理水量分阶段控制水厂运行的方法》，其包括：采集污水处理厂的实时进水流量数据，并计算当前进水化学需氧量，将采集到的实时进水流量、进水化学需氧量数据以及对应的时间点存入数据库；对采集到的数据以实时进水流量和进水化学需氧量数据为纵坐标，实时进水流量数据对应的时间点为横坐标建立数据曲线，对所述数据曲线进行平滑削噪；将进行平滑削噪后的数据，采用神经网络技术建立数据预测模型；对选定时刻的数据进行预测，获取预测值；按照获取的预测值对污水处理厂的运行进行控制。
4.上述现有方案中分阶段控制水厂运行的方法能够获取当前进水量，并能够基于当前水量对下一时间段的进水量进行预测，因此其也是一种污水处理厂进水量预测方法。申请人发现，污水处理厂的进水量除了与当前数据相关之外，还与污水处理厂所处位置的“外围数据”相关，例如降雨量、人口数量、企业数量等外围数据均会影响污水处理厂的进水量。然而，现有污水处理厂进水量预测方法仅通过实时进水流量和进水化学需氧量来预测进水量，即其仅考虑了当前数据而未考虑外围数据，使得对于进水量的预测并不准确，导致污水处理厂的污水管理效果不好。因此，如何提供一种能够准确且有效的预测污水处理厂进水量的污水处理厂进水量预测方法是急需解决的技术问题。


技术实现要素：

5.针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种能够准确且有效的预测污水处理厂进水量的污水处理厂进水量预测方法，从而能够辅助提升污水处理厂的污水管理效果。
6.为了解决上述技术问题，本发明采用了如下的技术方案：
7.一种基于外围数据的污水处理厂进水量预测方法，包括以下步骤：
8.s01：获取外围数据；所述外围数据包括环境气象数据、人口数据和企业数据；
9.s02：将外围数据输入经过预先训练的进水量预测模型；所述预先训练的进水量预测模型表征了所述外围数据与进水量预测结果之间的预测换算关系；
10.s03：输出对应的进水量预测结果。
11.优选的，所述环境气象数据包括未来一定时间段内的降雨量、温度和相对湿度中的任意一项或多项。
12.优选的，所述人口数据包括常住城市人口数量、常住城镇人口数量、常住农村人口数量和流动人口数量中的任意一项或多项。
13.优选的，所述企业数据包括各类企业的数量及其对应的污水产生量。
14.优选的，获取到外围数据后：分别基于环境气象数据、人口数据和企业数据生成对应的环境气象数据库、人口数据库和企业数据库；然后基于环境气象数据库、人口数据库和企业数据库生成对应的外围数据库；最后将外围数据库输入进水量预测模型中以输出对应的进水量预测结果。
15.优选的，环境气象数据库通过如下公式表示：
16.a1＝a1w1 a2w2 a3w3；式中：a1表示环境污水产生量；w1、w2、w3分别表示降雨量、温度和相对湿度；a1、a2、a3分别表示设定的降雨量、温度和相对湿度对应的系数；
17.人口数据库通过如下公式表示：
18.a2＝(225
×
p1 225
×
p2 89
×
p3 157
×
m)
×
80％；式中：a2表示生活污水产生量；p1、p2、p3、m分别表示常住城市人口数量、常住城镇人口数量、常住农村人口数量和流动人口数量；
19.企业数据库通过如下公式表示：
20.a3＝b1e1 b2e2 b3e3.... b
nen
；式中：a3表示工业污水产生量；e
x
表示第x类企业的数量；b
x
表示第x类企业对应的污水产生量；x＝1,2,...n。
21.优选的，所述进水量预测模型为灰色关联分析-门控单元神经网络模型，并且通过如下步骤训练灰色关联分析-门控单元神经网络模型：
22.s11：分别建立灰色关联分析模型和门控单元神经网络模型；
23.s12：将灰色关联分析模型的输出与门控单元神经网络模型的输入连接，以形成灰色关联分析-门控单元神经网络模型；
24.s13：通过设置的外围数据训练集对灰色关联分析-门控单元神经网络模型进行训练和优化，以得到训练后的灰色关联分析-门控单元神经网络模型。
25.优选的，步骤s11中，建立灰色关联分析模型时包括以下步骤：
26.s21：通过如下公式并利用外围数据训练集生成数据矩阵：
[0027][0028]
式中：表示第i类外围数据，i＝1,2，
…
,α，α表示外围数据的类别数；
[0029]
其中，式中：表示第i类外围数据中第k种外围数据；γ表示每类外围数据中的数据种数；
[0030]
s22：通过如下公式并利用外围数据训练集生成数据矩阵：
[0031][0032]
式中：表示第i类外围数据，i＝1,2，
…
,α，α表示外围数据的类别数；
[0033]
其中，式中：表示第i类外围数据中第k种外围数据；γ表示每类外围数据中的数据种数；
[0034]
s23：通过如下公式并利用外围数据训练集确定参考数据序列：
[0035]
式中：表示第i类参考数据，i＝1,2，
…
,α；表示第i类参考数据中第k种参考数据；
[0036]
s24：通过如下公式对数据矩阵进行转换，并构建无量纲数据矩阵：
[0037][0038]
s24：通过如下公式计算相关系数：
[0039][0040]
式中：δ
α
(k)表示外围数据与对应的参考数据的相关系数；ε为判别系数，ε∈(0,1)，将相关系数小于0.7的数据过滤掉。
[0041]
优选的，步骤s11中，建立的门控单元神经网络模型通过如下公式表示：
[0042]
zt＝σ(wz·
[x
t
,h
t-1
])；
[0043]
rt＝σ(wr·
[x
t
,h
t-1
])；
[0044][0045][0046]
式中：z
t
表示更新门；r
t
表示重置门；x
t
表示当前输入；h
t-1
表示t-1时刻的隐藏层输出；表示输入和过去隐层状态的汇总；h
t
表示t时刻的隐藏层输出；wz、wr、均表示可训练参数矩阵；[]表示两个向量相连；*表示矩阵乘积。
[0047]
本发明中的污水处理厂进水量预测方法与现有技术相比，具有如下有益效果：
[0048]
本发明中，基于外围数据预测污水处理厂的进水量，即充分考虑了污水处理厂所处位置的环境气象数据、人口数据和企业数据等外围数据，使得能够准确且有效的预测污水处理厂进水量，从而能够辅助提升污水处理厂的污水管理效果。同时，本发明的外围数据包括环境气象数据、人口数据和企业数据，而这些数据均是与污水处理厂的进水量最相关的外围数据，因此基于这些外围数据能够进一步提升污水处理厂进水量的预测准确性。
附图说明
[0049]
为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一
步的详细描述，其中：
[0050]
图1为实施例中污水处理厂进水量预测方法的逻辑框图；
[0051]
图2为实施例中进水量预测模型工作时的流程示意图；
[0052]
图3和图4均为实施例中历史数据库的界面示意图；
[0053]
图5为实施例中模型训练和测试时的界面示意图；
[0054]
图6为实施例中进水量预测时的参数界面示意图；
[0055]
图7为实施例中进水量预测时的界面示意图；
[0056]
图8为实施例中预测值和历史实际值对比分析时的界面示意图。
具体实施方式
[0057]
下面通过具体实施方式进一步详细的说明：
[0058]
实施例：
[0059]
本实施例中公开了一种基于外围数据的污水处理厂进水量预测方法。
[0060]
如图1所示，一种基于外围数据的污水处理厂进水量预测方法，包括以下步骤：
[0061]
s01：获取外围数据。外围数据包括环境气象数据、人口数据和企业数据。具体的，环境气象数据包括未来一定时间段内的降雨量、温度和相对湿度。人口数据包括常住城市人口数量、常住城镇人口数量、常住农村人口数量和流动人口数量中。企业数据包括各类企业的数量及其对应的污水产生量。
[0062]
s02：将外围数据输入经过预先训练的进水量预测模型，所述预先训练的进水量预测模型表征了所述外围数据与进水量预测结果之间的预测换算关系。
[0063]
s03：输出对应的进水量预测结果。
[0064]
具体的，申请人在设计本发明的技术方案时还做了以下研究：
[0065]
降雨量对污水处理厂的进水量有直接影响，当降雨增加时，城市总排水量增加，由于雨污分流不彻底、污水管道泄漏等原因，雨水会混入污水管道，导致污水处理厂的进水量增加。温度对进水量的影响体现在对活性污泥内的微生物活性的影响，污水处理中大部分微生物适宜生长在15℃-35℃，在适宜温度范围内，温度越高，微生物的活性越强，处理效果也越好，反之温度越低，生物活性越差；超过范围抑制微生物生长。相对湿度(气候特征)对进水量也有重要影响，相对湿度直接决定了某个季节或时段降雨量情况，进而影响进水量。本实施例通过某地区气象局网站或中国天气网获取污水处理厂所处位置的实时及未来40天的降雨量、温度和相对湿度。
[0066]
人口数量会对污水处理厂的进水量产生影响，因为人口数量决定了生活污水产生量，进而影响了进水量。据2019年度《中国水资源公报》，我国人均综合用水量为431m3，城镇人均生活用水量(含公共用水)225l/d,农村居民人均生活用水量89l/d；生活污水产生总量一般是用水量的80％左右，因此，可通过人口数量来预测进水量。本实施例可通过某地区统计信息网可查阅该地区常住城市人口数量、常住城镇人口数量和常住农村人口数量，再通过某地区政府官网，统计每年重大节假日接待游客的数量作为流动人口数量。
[0067]
企业数量会对污水处理厂的进水量产生影响，因为企业数量直接影响了工业用水量，进而影响污水处理厂进水量，因此可通过各类企业数量来预测对应的进水量。本实施例通过地区统计信息网和水利局查阅规模以上不同类别企业数量和相应的用水量；然后根据
《产排污系数手册》查阅相关企业排放污水系数(污水排放量与用水量之比)，以线性分析的方法确定各类企业对应的污水产生量。
[0068]
本发明中，基于外围数据预测污水处理厂的进水量，即充分考虑了污水处理厂所处位置的环境气象数据、人口数据和企业数据等外围数据，使得能够准确且有效的预测污水处理厂进水量，从而能够辅助提升污水处理厂的污水管理效果。同时，本发明的外围数据包括环境气象数据、人口数据和企业数据，而这些数据均是与污水处理厂的进水量最相关的外围数据，因此基于这些外围数据能够进一步提升污水处理厂进水量的预测准确性。
[0069]
具体实施过程中，获取到外围数据后：分别基于环境气象数据、人口数据和企业数据生成对应的环境气象数据库、人口数据库和企业数据库；然后基于环境气象数据库、人口数据库和企业数据库生成对应的外围数据库；最后将外围数据库输入进水量预测模型中以输出对应的进水量预测结果。
[0070]
具体的，环境气象数据库通过如下公式表示：
[0071]
a1＝a1w1 a2w2 a3w3；式中：a1表示环境污水产生量；w1、w2、w3分别表示降雨量、温度和相对湿度；a1、a2、a3分别表示设定的降雨量、温度和相对湿度对应的系数；
[0072]
人口数据库通过如下公式表示：
[0073]
a2＝(225
×
p1 225
×
p2 89
×
p3 157
×
m)
×
80％；式中：a2表示生活污水产生量；p1、p2、p3、m分别表示常住城市人口数量、常住城镇人口数量、常住农村人口数量和流动人口数量；
[0074]
企业数据库通过如下公式表示：
[0075]
a3＝b1e1 b2e2 b3e3.... b
nen
；式中：a3表示工业污水产生量；e
x
表示第x类企业的数量；b
x
表示第x类企业对应的污水产生量；x＝1,2,...n。
[0076]
本发明中，通过对应生成数据库的方式对环境气象数据、人口数据和企业数据进行整理和归类，使得各类外围数据之间不会相互影响，这有利于辅助提升污水处理厂进水量的预测准确性。
[0077]
具体实施过程中，结合图2所示，进水量预测模型为灰色关联分析-门控单元神经网络模型(gra-gru模型)，并且通过如下步骤训练灰色关联分析-门控单元神经网络模型：
[0078]
s11：分别建立灰色关联分析模型和门控单元神经网络模型；
[0079]
s12：将灰色关联分析模型的输出与门控单元神经网络模型的输入连接，以形成灰色关联分析-门控单元神经网络模型；
[0080]
s13：通过设置的外围数据训练集对灰色关联分析-门控单元神经网络模型进行训练和优化，以得到训练后的灰色关联分析-门控单元神经网络模型。
[0081]
具体的，建立灰色关联分析模型时包括以下步骤：
[0082]
s21：通过如下公式并利用外围数据训练集生成数据矩阵：
[0083][0084]
式中：表示第i类外围数据，i＝1,2，
…
,α，α表示外围数据的类别数；
[0085]
其中，式中：表示第i类外围数据中第k种外围数据；γ表示每类外围数据中的数据种数；
[0086]
s22：通过如下公式并利用外围数据训练集生成数据矩阵：
[0087][0088]
式中：表示第i类外围数据，i＝1,2，
…
,α，α表示外围数据的类别数；
[0089]
其中，式中：表示第i类外围数据中第k种外围数据；γ表示每类外围数据中的数据种数；
[0090]
s23：通过如下公式并利用外围数据训练集确定参考数据序列：
[0091]
式中：表示第i类参考数据，i＝1,2，
…
,α；表示第i类参考数据中第k种参考数据；
[0092]
s24：通过如下公式对数据矩阵进行转换，并构建无量纲数据矩阵：
[0093][0094]
s24：通过如下公式计算相关系数：
[0095][0096]
式中：δ
α
(k)表示外围数据与对应的参考数据的相关系数；ε为判别系数，ε∈(0,1)，将相关系数小于0.7的数据过滤掉。
[0097]
具体的，建立的门控单元神经网络模型通过如下公式表示：
[0098]zt
＝σ(wz·
[x
t
,h
t-1
])；
[0099]rt
＝σ(wr·
[x
t
,h
t-1
])；
[0100][0101][0102]
式中：z
t
表示更新门；r
t
表示重置门；x
t
表示当前输入；h
t-1
表示t-1时刻的隐藏层输出；表示输入和过去隐层状态的汇总；h
t
表示t时刻的隐藏层输出；wz、wr、均表示可训练参数矩阵；[]表示两个向量相连；*表示矩阵乘积。
[0103]
本发明中，基于灰色关联分析-门控单元神经网络模型(gra-gru模型)能够准确且有效的预测污水处理厂进水量，有利于辅助提升污水处理厂的污水管理效果。同时，通过上述方式建立并训练模型，能够得到准确性极高的灰色关联分析-门控单元神经网络模型，同样能够提升污水处理厂进水量的预测准确性。
[0104]
为了验证本发明污水处理厂进水量预测方法可行性，本实施例以某市某污水处理厂为例做了如下试验：
[0105]
对该市该污水处理厂覆盖范围的企业、人口、气象以及污水处理厂历史数据进行收集，其中，污水处理厂历史数据包含处理量、耗电合计、耗电量平均电耗等。
[0106]
建立历史数据库作为外围数据训练集，历史数据如图3和图4所示。
[0107]
汇总建立的数据库并进行关联性分析。
[0108]
将数据导入灰色关联分析-门控单元神经网络模型(gra-gru模型)，进行模型训练和优化(测试)，训练界面和结果如图5所示。
[0109]
根据收集的环境气象数据库、人口数据库和企业数据库，将企业、人口和气象等数据输入灰色关联分析-门控单元神经网络模型进行进水量预测，预测参数界面如图6所示，进水量预测界面如图7所示。
[0110]
将进水量预测值与历史实际值进行对比分析，对比分析界面如图8所示。
[0111]
本发明的进水量预测准确率达到了95.52％，预测结果符合标准，因此本发明的污水处理厂进水量预测方法是可行的。
[0112]
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本技术给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本技术的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本技术要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。