[发明专利]基于混合优化算法的污水处理溶解氧浓度预测方法

权利要求书

1.一种基于混合优化算法的污水处理溶解氧浓度预测方法，其特征在于，包括以下步骤：

步骤1：利用传感器采集污水厂的实际污水处理数据，并对所述实际污水处理数据依次进行数据补全、数据相关性分析、数据去噪以及数据归一化处理，得到处理后的数据，再将处理后的数据划分为训练集和测试集；

步骤2：构建多指标输入、单指标输出的长短期记忆神经网络预测模型，其中输入的多指标为鼓风机出力、进水PH值、电导率以及水温，输出的单指标为未来一个时间点的溶解氧浓度；

步骤3：采用基于粒子群算法和遗传算法相结合的混合优化算法寻找长短期记忆神经网络的最优解，输出最优的超参数集合，并保存生成的最优预测模型；

步骤4：将所述训练集输入到所述最优预测模型中进行训练，训练后得到预测结果；

步骤5：将所述测试集输入到所述最优预测模型中进行验证，验证后得到预测结果，验证时采用的评估指标包括拟合优度、均方误差以及平均绝对误差。

2.根据权利要求1所述的一种基于混合优化算法的污水处理溶解氧浓度预测方法，其特征在于，采用基于粒子群算法和遗传算法相结合的混合优化算法寻找长短期记忆神经网络的最优解，输出最优的超参数集合的过程包括以下步骤：

步骤3.1：进行参数初始化以及定义目标函数与适应度函数，需要进行初始化的参数有：种群的粒子个数，算法的最大迭代次数，粒子群优化算法中的初始速度和位置，最大速度，惯性权重，学习因子，遗传算法中的交叉概率和变异概率；

步骤3.2：初始化粒子种群后，使用粒子群算法进行寻优，并且所述粒子群算法采用非线性变化的惯性权重策略和异步变化的学习因子策略进行寻优，满足终止条件后，输出局部最优解；

步骤3.3：在所述粒子群算法的基础上引入遗传算法，所述遗传算法采用自适应的交叉概率和变异概率策略对粒子进行选择、交叉、变异操作，满足终止条件后，输出全局最优解，即为最优的超参数集合。

3.根据权利要求2所述的一种基于混合优化算法的污水处理溶解氧浓度预测方法，其特征在于，在步骤1中，采用均值法进行数据补全，采用皮尔逊相关系数法进行数据相关性分析，采用SG滤波方法进行数据去噪。

4.根据权利要求2所述的一种基于混合优化算法的污水处理溶解氧浓度预测方法，其特征在于，最优的超参数集合包括学习率、隐含神经元个数、迭代次数以及时间步长。