[发明专利]基于支持向量分类与GRU神经网络联合的处理污水水质预测方法

权利要求书

1.一种基于支持向量分类与GRU神经网络联合的处理污水水质预测方法，其特征在于：步骤如下：

①、污水处理关键水质参数预测模型主导变量以及辅助变量的选择

以出水COD和出水氨氮为主导变量，初步选定辅助变量，然后对采集到的污水历史数据进行缺失值处理、异常值剔除和数据标准化，同时消除数据量纲以及数量级不同带来的影响；进一步采用PCA主元分析法对数据降维，最终确定以出水COD与出水氨氮为主导变量时，所选取的辅助变量将作为污水水质预测模型的输入变量；

②、基于GRU神经网络的水质预测模型的建立以及对污水处理水质的预测

采用适合处理时序数据的GRU神经网络建立了污水出水关键预测模型，并对模型效果进行验证；在GRU模型的构建过程中，经过了数据预处理、数据集的构建、时间序列长度的选择、模型结构的确定、选择Adam优化算法后，设置了模型的初始学习率与迭代次数，对实验数据进行训练，并使用交叉验证法对模型预测效果进行了验证；

③、基于SVM与GRU神经网络联合的水质预测模型的建立以及对污水处理水质的预测

首先引入支持向量机模型对污水水质数据进行分类，再让分类后的数据分别通过一个步骤②所述的GRU神经网络算法分别建模预测出水水质。

2.如权利要求1所述的处理污水水质预测方法，其特征在于：步骤①中污水处理关键水质参数预测模型主导变量以及辅助变量的选择具体步骤为：

选用出水COD和出水氨氮作为主导变量，初步选定污水水质预测模型的辅助变量；

对数据进行预处理，包括缺失值处理，异常数据剔除以及数据归一化；

利用PCA主元分析法以降维的方式消除数据噪声冗余，简化原始数据的复杂度，得到最终确定的辅助变量参数。

3.如权利要求2所述的处理污水水质预测方法，其特征在于：缺失值处理步骤为：

通过对数据周期和时序特征的分析，针对污水时间序列数据缺失的情况，采用加权均值法对其进行填充；

获取当前时刻之前的n个时刻的污水特性的平均值：

获取前m天当前时刻的污水特性的平均值：

对缺失值填充为：

f^k(t)＝αf₁(t)+(1-α)f₂(t) (2-3)

式(2-3)中，f^k(t)表示第k天t时刻的污水特征数据，α是加权系数，通常取0.5-1之间的数。

4.如权利要求3所述的处理污水水质预测方法，其特征在于：异常值剔除步骤为：

采用3σ准则剔除从污水处理厂采集到的冗余及错误的原始数据；

主要是先处理随机误差，在预处理过程中，对随机误差进行处理，然后根据公式(2-4)得出标准偏差，然后通过概率得到一个变化的区间，把超出此区间的数据定为粗大误差，最后将其误差的数据进行删除；

设有n个样本数据为x₁，x₂，…，x_n，其平均值为偏差为标准差计算公式如式2-4所示：

样本数据x_i的偏差v_i(1≤i≤n)能通过式(2-5)来表达，即：

|v_i|＞3σ (2-5)

如果满足上式，就把x_i当作是包含较大误差的异常数据，并将其剔除。

5.如权利要求4所述的处理污水水质预测方法，其特征在于：数据标准化步骤为：

将从污水处理厂采集的数据进行标准化处理，如式2-6所示：

式中，x^*，x_min，x_max分别表示每一维输入数据x_i归一化后的值、最大值和最小值；数据经过标准化处理之后，这样就把范围全部缩小在[0,1]区间内；在进行训练得到结果之后，将数据进行还原，即反归一化操作，公式如下：

x′＝x_min+x^*(x_max-x_min) (2-7)

x′即为预测模型的预测输出值。