一种基于数据分解和深度学习的污水处理厂进水预测方法

本发明涉及一种基于数据分解和深度学习的污水处理厂进水预测方法，属于污水处理领域。

背景技术：

1、

2、随着数据科学和人工智能技术的发展，现有的污水处理厂进水预测方法主要依赖于深度学习，该方法在处理大规模复杂数据、提取数据特征和建模预测方面展现出了巨大的潜力。但是单一的深度学习模型在处理复杂的非线性和时变数据时，往往表现出预测精度不足和适应性差的缺点。

技术实现思路

1、为了提升污水处理厂进水水质预测精度，实现污水处理的高效运行，在确保出水稳定达标排放的基础上实现污水处理厂的智能化，降低运行成本，减少污水处理碳排放，本发明提供了一种基于局部加权回归的季节项-趋势分解数据分解方法(stl)、注意力机制(attention)和用于时间序列分析的现代时间卷积结构(moderntcn)深度学习模型，简称多维特征强化提取的混合模型(stl-amtcn)，利用stl-amtcn来进行未来进水预测，以提高的污水处理厂进水水质预测的准确性，所述技术方案如下：

2、本发明的一种污水处理厂进水预测方法，包括：

3、步骤1：获取污水处理厂进水指标的历史时间序列数据，并进行预处理；

4、步骤2：利用stl时间序列分解方法将待预测指标的历史时间序列数据分解为趋势分量、季节分量和残差分量；

5、步骤3：对所述待预测指标的趋势分量、季节分量、残差分量和辅助变量进行特征提取，分别得到更新后的趋势分量、季节分量和残差分量，所述辅助变量为：除所述待预测指标之外的进水指标的历史时间序列数据；

6、步骤4：对所述步骤3提取的时间变化特征进行强化；

7、步骤5：对步骤4得到的强化后的时间变化特征进行解码，获得所述待预测指标的预测值。

8、可选的，所述步骤3利用特征提取模块对所述待预测指标的趋势分量、季节分量、残差分量和辅助变量进行特征提取，所述特征提取模块包括：特征嵌入层和现代时间卷积层；

9、所述特征嵌入层采用卷积对数据特征进行升维；

10、所述现代时间卷积层的结构依次包括：逐深度卷积、批标准化层、逐点卷积层；所述逐点卷积层包含两层，每一层均包括如下结构：第一层逐点卷积、dropout层、gelu激活函数层、第二层逐点卷积、dropout层；每一层现代时间卷积层所得输出均与输入进行加和，从而使模型只学习其残差信息，避免模型过拟合。

11、可选的，所述步骤4利用注意力机制层对步骤3更新后的趋势分量、更新后的季节分量和更新后的残差分量进行加和形成待处理的时间信息序列h，所述时间信息序列h通过线性变换层后与原序列进行矩阵乘法，并通过softmax激活函数对时间序列的每一时刻进行打分，生成权重矩阵a，将所述权重矩阵a与所述时间信息序列h相乘得到增强后的时间信息序列特征h’。

12、可选的，所述步骤5利用全连接层对所述强化后的特征进行处理，所述全连接层的结构依次包括：第一层线性变换层、tanh激活函数层、第二层线性变换层。

13、本发明的一种污水处理厂进水预测系统包括：

14、数据获取模块，被配置为获取污水处理厂进水水质指标的历史时间序列数据；

15、数据预处理模块，被配置为对所述历史时间序列数据进行预处理；

16、数据分解模块，被配置为利用stl时间序列分解方法将待预测指标的历史时间序列数据分解为趋势分量、季节分量和残差分量；

17、特征提取模块，被配置为对所述待预测指标的趋势分量、季节分量、残差分量和辅助变量进行特征提取，分别得到更新后的趋势分量、季节分量和残差分量，所述辅助变量为：除所述待预测指标之外的进水指标的历史时间序列数据；

18、时间特征增强模块，被配置为对提取的时间变化特征进行强化提取；

19、解码与预测模块，被配置为对所述时间特征增强模块得到的强化后的时间变化特征进行解码，获得所述待预测指标的预测值。

20、可选的，所述特征提取模块包括：特征嵌入层和现代时间卷积层；

21、所述特征嵌入层采用卷积对数据特征进行升维；

22、所述现代时间卷积层的结构依次包括：逐深度卷积、批标准化层、逐点卷积层；所述逐点卷积层包含两层，每一层均包括如下结构：第一层逐点卷积、dropout层、gelu激活函数层、第二层逐点卷积、dropout层；每一层现代时间卷积层所得输出均与输入进行加和，从而使模型只学习其残差信息，避免模型过拟合。

23、可选的，所述时间特征增强模块为注意力机制层，对所述特征提取模块提取的更新后的趋势分量、季节分量和残差分量进行加和形成待处理的时间信息序列h，所述时间信息序列h通过线性变换层后与原序列进行矩阵乘法，并通过softmax激活函数对时间序列的每一时刻进行打分，生成权重矩阵a，将所述权重矩阵a与所述时间信息序列h相乘得到增强后的时间信息序列特征h’。

24、可选的，所述解码与预测模块利用全连接层对所述时间特征增强模块输出的特征进行处理，所述全连接层的结构依次包括：第一层线性变换层、tanh激活函数层、第二层线性变换层。

25、本发明提供一种电子设备，包括存储器和处理器；

26、所述存储器，用于存储计算机程序；

27、所述处理器，用于当执行所述计算机程序时，实现如上所述的方法。

28、本发明提供一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的方法。

29、本发明有益效果是：

30、本发明构建了多维特征强化提取的混合模型(stl-amtcn)，利用stl-amtcn来进行未来进水预测，针对污水处理厂复杂的水质水量变化，本发明的进水预测方法能够更好地处理数据中的非线性特征和噪声，实验结果证明，本发明可以提高进水预测的准确性、可靠性和时效性。

31、本发明构建的stl-amtcn进水预测混合模型，适用于更频繁的、有异常值的时间序列数据；在预测模块中使用的深度学习模型为moderntcn，该模型兼顾效率和性能，有助于实现污水处理的高效运行，在确保出水稳定达标排放的基础上实现污水处理厂的智能化，降低运行成本，减少污水处理碳排放。

技术特征：

1.一种污水处理厂进水指标预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述步骤3利用特征提取模块对所述待预测指标的趋势分量、季节分量、残差分量和辅助变量进行特征提取，所述特征提取模块包括：特征嵌入层和现代时间卷积层；

3.根据权利要求1所述的方法，其特征在于，所述步骤4利用注意力机制层对步骤3更新后的趋势分量、更新后的季节分量和更新后的残差分量进行加和形成待处理的时间信息序列h，所述时间信息序列h通过线性变换层后与原序列进行矩阵乘法，并通过softmax激活函数对时间序列的每一时刻进行打分，生成权重矩阵a，将所述权重矩阵a与所述时间信息序列h相乘得到增强后的时间信息序列特征h’。

4.根据权利要求1所述的方法，其特征在于，所述步骤5利用全连接层对所述强化后的特征进行处理，所述全连接层的结构依次包括：第一层线性变换层、tanh激活函数层、第二层线性变换层。

5.一种污水处理厂进水预测系统，其特征在于，所述系统包括：

6.根据权利要求5所述的系统，其特征在于，所述特征提取模块包括：特征嵌入层和现代时间卷积层；

7.根据权利要求5所述的系统，其特征在于，所述时间特征增强模块为注意力机制层，对所述特征提取模块提取的更新后的趋势分量、季节分量和残差分量进行加和形成待处理的时间信息序列h，所述时间信息序列h通过线性变换层后与原序列进行矩阵乘法，并通过softmax激活函数对时间序列的每一时刻进行打分，生成权重矩阵a，将所述权重矩阵a与所述时间信息序列h相乘得到增强后的时间信息序列特征h’。

8.根据权利要求5所述的系统，其特征在于，所述解码与预测模块利用全连接层对所述时间特征增强模块输出的特征进行处理，所述全连接层的结构依次包括：第一层线性变换层、tanh激活函数层、第二层线性变换层。

9.一种电子设备，其特征在于，包括存储器和处理器；

10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1至4任一项所述的方法。

技术总结
本发明公开了一种基于数据分解和深度学习的污水处理厂进水预测方法，涉及污水处理领域。所述方法构建了一种水质预测混合模型，通过水质预测混合模型得到水质指标的预测数据；数据分解模块利用STL时间序列分解方法将所述历史时间序列数据分解为趋势分量、季节分量和残差分量；特征提取模块用于提取各时间窗口中数据的时间变化规律与变量间关系；时间特征增强模块用于对提取的时间变化特征进行强化提取；解码与预测模块生成水质指标预测值。针对污水处理厂复杂的水质水量变化，本发明的水质预测方法能够更好地处理数据中的非线性特征和噪声，实验结果证明，本发明可以提高预测的准确性、可靠性和时效性。

技术研发人员：沈知章,李澳,干霖,曾志伟,徐晨涛
受保护的技术使用者：江南大学
技术研发日：
技术公布日：2024/12/5