[发明专利]多模式多特征聚合回归的污水处理目标参数预测方法

说明书

本发明公开一种多模式多特征聚合回归的污水处理目标参数预测方法。至少包括：1)把预处理后的污水样本数据划分为训练集{S1}、{S2}和测试集{T}。2)构建M个不同模式的M个学习器f_m(x)；3)为每个学习器进行多特征选择；4)把训练集{S1}内的样本，分别保留K_m个特征后得到M组输入序列x_m，用x_m去训练f_m(x)；5)把训练集{S2}内的样本，分别保留K_m个特征后得到M组输入序列x_m，经过相应的f_m(x)后输出为z_m；6)把{S1}和{S2}的并集作为训练集，把{T}作为测试集，最终得到模型在测试集上的输出。本方法把污水处理工艺和机器学习模型结合起来，用专家知识去选择多套特征，并与多套学习器一一对应，再对多个学习器的输出进行线性回归，得到最终输出。

技术领域

本发明涉及基于生物法工艺的污水处理厂对污水处理过程中目标参数预测的一种新方法。

背景技术

污水处理的方法按作用原理来分，主要有利用物理作用分离污水中污染物质的物理法，利用化学反应分离或回收污水中污染物质的化学法，利用微生物的代谢把污水中呈溶解和胶体状态的有机污染物转化为稳定无害物质的生物法。常用的生物法，有活性污泥法(包括SBR、A/O、A/A/O、氧化沟等)、生物膜法(包括生物滤池、生物转盘、生物接触氧化池等)、厌氧生物处理法(包括厌氧消化、水解酸化池、UASB等)、自然条件下的生物处理法(稳定塘、生态系统塘、土地处理法)等。

污水处理的生产过程中，经常需要对一些指标进行重点监测，比如出水的水质是否达标，工艺的关键控制参数是否匹配当前进水和环境的变化。由于这些指标的采集化验存在时间上的迟滞，因此把指标参数作为目标进行预测是污水处理过程中普遍的需求。而污水处理过程本身就是一个多时变、高耦合、大时滞的非线性系统，给目标参数的预测带来了很大的困难，常用的基于概率统计的回归模型、神经网络回归模型、支持向量机回归模型、决策树回归模型等容易出现过拟合而导致泛化性能弱，不能有效解决实际问题。

发明内容

为克服上述缺陷，本发明的目的是为污水处理过程提供一种对目标参数进行预测的方法。

为达到上述目的，本发明的多模式多特征聚合回归的污水处理目标参数预测方法，至少包括建模步骤，所述的建模步骤包括：

1)把预处理后的污水样本数据划分为训练集{S1}、{S2}和测试集{T}。

2)构建M个不同模式的M个学习器f_m(x)，其中，m＝1,2,…,M；M个学习器采用并行连接；

3)为每个学习器进行多特征选择，选出彼此之间不相关或弱相关的K_m个变量，其中，m＝1,2,…,M，作为第m路学习器输入数据的特征。

4)并行分M路进行学习；把训练集{S1}内的样本，分别保留K_m个特征后得到M组输入序列x_m，用x_m去训练f_m(x)；

5)把训练集{S2}内的样本，分别保留K_m个特征后得到M组输入序列x_m，经过相应的f_m(x)后输出为z_m；再把z_m作为输入，样本的目标值为输出，以平方和损失函数最小化为目标进行线性回归，收敛到权值向量w_m，其中，m＝1,2,…,M；

6)把{S1}和{S2}的并集作为训练集，把{T}作为测试集，最终得到模型在测试集上的输出。

其中，所述的M个学习器的算法在决策树回归、随机森林、梯度提升树、自回归移动平均(ARIMA)、支持向量机、神经网络、深度神经网络中进行选择。