一种污水处理过程总磷浓度预测方法、电子设备及介质

本发明涉及污水处理领域，尤其涉及一种污水处理过程总磷浓度预测方法、电子设备及介质。

背景技术：

1、污水处理是保护水资源、维护生态平衡和确保公共卫生的关键措施。近年来，污水处理领域采用的主流模型还是根据不同工艺设计量身构造的数学模型，这些模型在污水处理中提供了强大的预测和优化能力。

2、随着深度学习技术的发展，基于神经网络技术的各种方法被用于污水处理过程建模，使得基于数据的预测和控制更加精准和高效。这些模型通过训练，能够自动识别污水处理过程中的复杂非线性模式，即便面对新的或未见过的数据，也能提供较准确的预测。它们特别擅长处理具有高维特征和复杂动态特性的系统问题，能够揭示数据中隐含的模式和变量间的相互作用。神经网络的灵活性和适应性使得它们可以根据不同的污水处理工艺和规模进行调整，以适应各种应用场景。

3、基于深度学习技术的神经网络模型在污水处理领域虽然展现出强大的数据处理和预测能力，但也存在一些技术缺点，如对大量高质量数据的依赖、模型的解释性不足、对动态系统适应性的挑战、技术迭代的快速性等。其中，模型的解释性不足可能导致建立的数据驱动模型中各变量之间的关系不满足基本物理规律，会误导控制策略的制定，从而造成不必要的经济损失。另一方面，由于模型对系统状态的敏感，在不同条件下的模型都需要通过大量高质量的新数据重新训练。综上所述，随着污水处理领域对数字化和智能化需求愈发迫切，神经网络模型具有在线计算高效、结果准确的特点，因此神经网络模型具有巨大的应用潜力。但是由于污水处理过程的复杂性，算法输出结果难以解释，且算法的鲁棒性需要进一步验证，限制了这些方法在一些场景下的推广和使用。对于这类模型，需要通过进一步与物理规律相结合来增强模型的可解释性、可靠性，这样也能更高效地部署在不同条件下的污水处理过程。

技术实现思路

1、为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种基于物理信息技术的污水处理过程总磷浓度预测方法、电子设备及介质。

2、本发明所采用的第一技术方案是：

3、一种污水处理过程总磷浓度预测方法，包括以下步骤：

4、采集多种污水处理过程中多种指标数据，获得数据集；

5、对获得的数据集进行预处理后，对总磷相关的特征变量进行筛选；

6、对铁盐投递过程建立相应的基于物理信息技术的磷酸根浓度预测模型，用于预测磷酸根浓度；

7、将预测获得的磷酸根浓度与筛选出的变量相结合，共同构建总磷预测模型；

8、对总磷预测模型进行训练，并将训练后的总磷预测模型用于预测污水处理过程的总磷浓度。

9、进一步地，所述对获得的数据集进行预处理后，对总磷相关的特征变量进行筛选，包括：

10、对获得的数据集进行数据清洗；

11、对于清洗后的数据集，利用结合聚类的支持向量机递归特征消除方法，对总磷相关的特征变量进行筛选；其中，支持向量机递归特征消除方法的准则如下：

12、

13、式中，rc(i)是第i个特征在当前迭代步下的重要性指标，最小的值对应特征将会在当前步暂时被剔除，直到期望保留的特征数量；w是支持向量机的权重，w(i)表示去除第i个特征后的支持向量权重，‖‖2为支持向量权重的二范数，为一种算子的指代，指的是未去除特征和去除第i个特征后支持向量权重二范数之差；

14、选取期望保留的特征，与磷酸根浓度一起作为总磷预测模型的输入，用于后续的总磷预测模型构造。

15、进一步地，所述对获得的数据集进行数据清洗，包括：

16、对采集到的数据进行标准化处理，采用孤立森林的方法对连续的高维数据进行异常值检测并剔除，利用三次样条插值的方法将剔除的序列位置数据进行补充，以保证数据集的完整性。

17、进一步地，所述对铁盐投递过程建立相应的基于物理信息技术的磷酸根浓度预测模型，包括：

18、确定磷酸根浓度预测模型的物理约束条件，建立模型优化条件，表达式为：

19、

20、式中，procfe指的是水合氧化铁吸附或释放磷酸根能力的一些中间状态量，需要通过预测来获得；qin是入水的流量；和分别是磷酸根的入水浓度和反应池中的浓度；vol是反应池的体积，是磷酸根浓度的变化率；a1、a2均为系数；

21、建立procfe的预测模型，模型输入分别是当前磷酸根浓度和相应状态水合氧化铁的浓度；

22、建立水合氧化铁的预测模型，对于预测水合氧化铁各种状态采用多输入多输出的时序模型来拟合真实的系统；

23、利用全连接层将多个模型进行串接，并确定总损失函数；

24、以最小化总损失函数为优化目标，通过自动微分方法更新物理信息网络参数。

25、进一步地，所述总损失函数的计算公式如下：

26、loss＝losspde+lossxhfo

27、

28、式中，loss是物理信息网络的总损失，losspde是涉及物理约束的损失，lossxhfo是水合氧化铁状态的预测损失，np是用于训练的样本数，是第j个样本磷酸根浓度变化量的预测值，是第j个样本满足的微分方程条件，和分别是第j个样本下的第i个水合氧化铁状态的预测值和真实值。

29、进一步地，所述将预测获得的磷酸根浓度与筛选出的变量相结合，共同构建总磷预测模型，包括：

30、基于长短期记忆时序网络构建总磷预测模型；

31、利用筛选出的特征变量，在排除与磷酸根浓度预测模型相同输入的变量后，将剩余变量与磷酸根浓度作为总磷预测模型的额外输入；设置好长短期记忆时序网络的参数后，利用自动微分方法更新网络的权重；

32、将调试好的长短期记忆时序网络和物理信息网络相结合，利用实际工业数据对网络整体参数进行微调。

33、进一步地，所述污水处理过程总磷浓度预测方法还包括对总磷预测模型进行测试的步骤：

34、使用训练后的总磷预测模型对测试数据集进行预测，得到磷酸根浓度和总磷预测结果向量，预测结果向量包含模型对每个时间节点的预测结果；

35、在完成对测试数据集的预测后，计算平均相对误差mre、决定系数r2和均方根误差rmse，以全面评估模型的整体性能；

36、根据结果分析情况，对总磷预测模型进行改进和优化。

37、进一步地，所述污水处理过程总磷浓度预测方法还包括对总磷预测模型进行自适应更新的步骤：

38、设定模型更新的触发条件，在检测到满足触发条件时，自动调整模型的参数，以实现模型的自适应更新。

39、本发明所采用的第二技术方案是：

40、一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行，以实现如上所述的一种污水处理过程总磷浓度预测方法。

41、本发明所采用的第三技术方案是：

42、一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上所述的一种污水处理过程总磷浓度预测方法。

43、本发明所采用的第四技术方案是：

44、一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述的方法。

45、本发明的有益效果是：本发明创新性地将污水处理领域的部分已知科学规律和经验公式整合到数据驱动的预测模型中，结合了传统模型的理论基础和机器学习模型的自学习能力，提高了模型的预测准确性和可靠性，尤其是在处理小样本数据或面对模型不确定性时。