CN113159395A - 一种基于深度学习的污水处理厂进水流量预测方法及*** - Google Patents

一种基于深度学习的污水处理厂进水流量预测方法及*** Download PDF

Info

Publication number
CN113159395A
CN113159395A CN202110347452.7A CN202110347452A CN113159395A CN 113159395 A CN113159395 A CN 113159395A CN 202110347452 A CN202110347452 A CN 202110347452A CN 113159395 A CN113159395 A CN 113159395A
Authority
CN
China
Prior art keywords
model
normalized
output
lstm
sewage treatment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110347452.7A
Other languages
English (en)
Inventor
黄明智
李小勇
易晓辉
牛国强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China Normal University
Original Assignee
South China Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China Normal University filed Critical South China Normal University
Priority to CN202110347452.7A priority Critical patent/CN113159395A/zh
Publication of CN113159395A publication Critical patent/CN113159395A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Activated Sludge Processes (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于深度学习的污水处理厂进水流量预测方法，包括以下步骤：通过采集装置采集历史数据，所述历史数据包括对应污水处理厂历年的进水流量；将历史数据进行归一化处理，得到归一化模型，再对归一化模型进行训练，得到训练后的归一化模型；将进水自变量作为训练后归一化模型输入，将进水因变量作为实际输出，对训练后归一化模型进行监督学习；对输出因变量进行反归一化处理，得到预测输出，通过比较实际输出和预测输出的差值，反馈***进行优化，进而对进水流量进行预测；本发明旨在解决污水处理厂进水量预测的精度问题。

Description

一种基于深度学习的污水处理厂进水流量预测方法及***
技术领域
本发明涉及进水流量在线预测的研究领域，特别涉及一种基于深度学习的污水处理厂进水流量预测方法及***。
背景技术
在废水处理过程中，进水流量对污水处理厂的处理能力有着直接要求，同时也密切影响着出水指标的控制。
目前污水处理过程中的进水流量都是基于硬件设备的实时监测，并没有预测功能，这对污水处理厂的实时处理能力以及各种污水处理的消耗物品预备，都提出了更高要求。本发明提出了基于长短期记忆网络回归(LSTM)软测量模型对进水流量进行预测。
污水处理厂的进水流量是一种跟时间相关的序列数据，目前对序列数据的预测方法当中，传统的预测方法不具备在线学习功能，当模型建立以后模型参数就固定下来，如需要对新处理数据进行学习就必须重新建立模型。另外，传统的预测方法主要适用于线性***预测。机器学习对复杂网络的非线性***预测具有较好的适用性，但是需要进行依赖经验处理的特征工程。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于深度学习的污水处理厂进水流量预测方法及***，旨在优化污水处理厂的实时处理能力。
深度学习对时间序列的非线性***预测具有较好的适用性，并且具有自动特征工程能力，其中的长短期记忆网络回归具备长序列数据信息提取能力，对短序列的特征也具备抽象能力，同时随着输入序列变长，通过实时更新状态，可以实现在线学习的能力。
本发明的第一目的在于提供一种基于深度学习的污水处理厂进水流量预测方法。
本发明的第二目的在于提供一种基于深度学习的污水处理厂进水流量预测***。
本发明的第一目的通过以下的技术方案实现：
一种基于深度学习的污水处理厂进水流量预测方法，其特征在于，包括以下步骤：
通过采集装置采集历史数据，所述历史数据包括对应污水处理厂历年的进水流量；
将历史数据进行归一化处理，得到归一化模型，再对归一化模型进行训练，得到训练后的归一化模型；
将进水自变量作为训练后归一化模型输入，将进水因变量作为实际输出，对训练后归一化模型进行监督学习；
对输出因变量进行反归一化处理，得到预测输出，通过比较实际输出和预测输出的差值，反馈***进行优化，进而对进水流量进行预测。
进一步地，所述进水自变量为前K个时间单位的进水流量值，进水因变量为当前时间单位的进水流量值。
进一步地，所述将历史数据进行归一化处理，得到归一化模型，再对归一化模型进行训练，得到训练后的归一化模型，具体为：将历史数据划分为三部分：训练集、验证集、测试集；对训练集进行归一化，得到归一化训练集，归一化处理具体如下：
设某一变量序列xi为x1,…,xn，其中记最大值为xmax，最小值为xmin，则归一化后的序列为：
Figure BDA0003001231770000021
其中，归一化后的序列值的范围为0～1，存储xmax和xmin的值；
构建并保留归一化模型，归一化模型包括输入模块、LSTM模块、全连接模块、回归模块、训练结束判断模块；
使用归一化模型对验证集进行归一化，得到归一化验证集；输入归一化训练集和归一化验证集对归一化模型进行训练，得到训练后归一化模型并保存，即保存LSTM模型；使用训练后归一化模型对测试集进行归一化，得到归一化测试集，将归一化测试集输入训练后归一化模型进行准确性指标评价。
进一步地，所述将历史数据划分为三部分：训练集、验证集、测试集，其划分按照8：1：1比例使用均匀随机抽样的方式进行划分，即80％为训练集，10％为验证集，10％为测试集。
进一步地，所述对归一化模型进行训练，得到训练后的归一化模型，具体为：
1)、对模型参数进行初始化；
2)、输入数据经过LSTM层和全连接层的向前传播得到输出值；
3)、计算训练模型的输出值与目标值之间的误差；
4)、当误差大于期望值时，将误差传回模型中，依次求得全连接层和LSTM层的误差，其中各层的误差为对于模型的总误差；当误差等于或小于期望值时，则训练结束；
5)、根据求得的误差对模型进行权值更新。
进一步地，所述将进水自变量作为训练后归一化模型输入，将进水因变量作为实际输出，对训练后归一化模型进行监督学习，具体为：记录实际输出，预测下一次输出，通过实际输出对归一化模型进行在线学习，通过在线学习得到新的模型参数，同时更新模型。
进一步地，所述对输出因变量进行反归一化处理，得到预测输出，通过比较实际输出和预测输出的差值，反馈***进行优化，进而对进水流量进行预测，具体为：对输出因变量进行反归一化处理，得到因变量预测值，通过因变量预测值和因变量实际值获取标准误差和确定相关系数；
标准误差计算如下：
Figure BDA0003001231770000031
其中，RMSE为标准误差，yi为因变量预测值，xi为因变量实际值；
确定相关系数计算如下：
Figure BDA0003001231770000032
其中，R2为确定相关系数，
Figure BDA0003001231770000033
为序列xi的均值。
本发明的第二目的通过以下技术方案实现：
一种基于深度学习的污水处理厂进水流量预测***，包括LSTM模型、反馈***；
所述LSTM模型包括输入模块、LSTM模块、全连接层模块、回归模块、训练结束判断模块、模型评价模块；输入模块用于模型的数据输入，LSTM模块包含M个LSTM层，全连接层模块包括若干个全连接层，LSTM模块包含M个LSTM层对输入的变量进行各种特征组合，全连接层模块包括若干个全连接层LSTM层提取的特征进行隐射，回归层使用损失函数MSE对模型进行损失计算，训练结束判断模块通过设置的迭代次数判断停止模型训练，模型评价模块通过均方根误差和相关系数对模型的性能进行评价。
所叙反馈***包括LSTM的预测输出，真实的测量值，和判断是否重新训练模型；通过比较LSTM的预测输出和真实的测量值的差值，是否超过设计的阈值，判断是否重新训练LSTM模型；
工作过程如下：将归一化历史数据输入到LSTM模型进行模型训练，得到LSTM模型，模型评价模块对LSTM模型进行评价，LSTM模型根据评价进行实时更新状态，通过预测***预测LSTM模型的输出，输出结果反馈给污水处理厂控制***。
进一步地，所述全连接层模块的第一层全连接层包含100-300个连接神经元；由于回归的因变量为当前进水流量的预测值，因此全连接层的输出数为1。
进一步地，所述训练结束判断模块通过初始化设置的最大轮数进行控制。
进一步地，所述输入模块用于模型的输入，即自变量输入；激活层采用的激活函数为Leaky ReLU函数。
进一步地，LSTM模块采用一层包含100个隐藏单元的LSTM层。
进一步地，回归模块采用的损失函数为均方误差(MSE)。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明提出一种污水处理厂进水流量的预测方法的应用，其中的LSTM综合污水厂进水流量序列的特征，使得回归预测具有更好的效果。
2、本发明提出了污水处理厂进水流量预测，对污水处理厂实时处理能力以及各种污水处理的消耗物品预备具有优化的功能。
附图说明
图1是本发明所述一种基于深度学习的污水处理厂进水流量预测方法的流程框图；
图2是本发明所述实施例中进水流量预测方法的具体流程图；
图3是本发明所述实施例中进水流量预测方法的总体框架图；
图4是本发明所述实施例中训练流程整体结构图；
图5是本发明所述实施例中训练结构示意图；
图6是本发明所述实施例中训练流程详细结构示意图；
图7是本发明所述实施例中训练模型预测进水流量结果评价示意图；
图8是本发明所述实施例中污水处理厂进水流量预测***结构图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例：
一种基于深度学习的污水处理厂进水流量预测方法，如图1所示，包括以下步骤：
通过采集装置采集历史数据，所述历史数据包括对应污水处理厂历年的进水流量；
将历史数据进行归一化处理，得到归一化模型，再对归一化模型进行训练，得到训练后的归一化模型；
将进水自变量作为训练后归一化模型输入，将进水因变量作为实际输出，对训练后归一化模型进行监督学习；
对输出因变量进行反归一化处理，得到预测输出，通过比较实际输出和预测输出的差值，反馈***进行优化，进而对进水流量进行预测。
具体过程如图2所示，图3是进水流量预测方法的总体框架图，具体内容如下：
步骤101，划分历史数据，其中的历史数据包括对应污水处理厂历年的进水流量。
其中测量数据为取自广东省广州市的一家污水处理厂，显示1年共4300小时的样本点，采样间隔为2小时。
将4300个样本点按照8:1:1的比例划分为训练集、验证集和测试集，其中训练集、验证集和测试集的样本点数为3440个、430个和430个。
步骤102，归一化，分别对自变量前11步进水流量值，因变量当前进水流量值中的训练集进行归一化。
其中归一化的方法为，假设某一变量序列为x1,…,xn，记其中最大值和最小值分别为：
xmax和xmin,则归一化后的序列为：
Figure BDA0003001231770000061
其中归一化后的序列值的范围为0到1，存储xmax和xmin的值。
步骤103，输入模块，这里的输入为模型的输入，输入数据的格式为1*11*1，即数据宽、高和通道数分别为1、11和1，输入的数据包括归一化的训练集和验证集，其中的训练集用于模型拟合，验证集用于调整模型的超参数和用于对模型的能力进行初步评估。图4为训练流程整体结构图。图5为训练结构示意图；图6为训练流程详细结构示意图；
步骤104，LSTM模块，本发明实施例采用一层包含100个隐藏单元的LSTM层。
步骤105，全连接模块，本发明实施例采用两层全连接层，第一层全连接层包含200个连接神经元，由于回归的因变量为当前进水流量的预测值，因此全连接层的输出数为1。
步骤106，回归模块，本发明实施例采用的损失函数为均方误差(MSE)。
步骤107，训练结束判断模块，通过初始化设置的最大轮数(MaxEpochs)进行控制，本发明实施例设置的最大轮数为200。训练完成保存模型，否则转步骤403。
步骤108，对测试集进行归一化，其中归一化的最大值和最小值为步骤402中保存的xmax和xmin。这里使用训练集归一化模型参数的目的是将测试集通过训练集模型映射，确保超出训练集范围的数据也能够得到较好的恢复，提高模型的泛化能力。
步骤109，保存LSTM模型，这里的模型为训练好的各层的权系数，通过输入归一化的自变量前11步进水流量值，可以得到归一化的因变量即当前进水流量值。
然后对输出的因变量进行反归一化，得到预测的进水流量的数值。
步骤110，模型评价模块，本发明实施例采用标准误差(也称为均方根误差，简称RMSE)和确定相关系数(R2 score)。
其中标准误差的计算公式为：
Figure BDA0003001231770000062
其中确定相关系数的计算公式为：
Figure BDA0003001231770000071
这里的yi,xi分别为预测值和实际值，
Figure BDA0003001231770000072
为序列xi的均值。
通过设置训练参数,得到LSTM模型对测试集的测试结果与实际的值的比较结果如图7所示，其中预测进水流量值都在工厂设定的阈值之下。
更进一步，本发明实施例用于污水处理厂进水流量的预测***可表达为流程图图8，该流程图包括以下步骤：
步骤701，***的输入量，包括前11步的进水流量值。
步骤702，当前***的进水流量实际测量值与预测比较的反馈。
步骤703，***的预测***，预测***的下一次输出量，其中预测***根据步骤701的输入预测***的下一次输出量，同时由步骤702当前的输出量对预测***进行在线学习，同时更新预测***模型。
步骤704，控制***的通过预测***的输出，对污水处理***进行优化。
一种基于深度学习的污水处理厂进水流量预测***，如图8所示，包括LSTM模型、反馈***；
所述LSTM模型包括输入模块、LSTM模块、全连接层模块、回归模块、训练结束判断模块、模型评价模块；输入模块用于模型的数据输入，LSTM模块包含M个LSTM层，全连接层模块包括若干个全连接层，LSTM模块包含M个LSTM层对输入的变量进行各种特征组合，全连接层模块包括若干个全连接层LSTM层提取的特征进行隐射，回归层使用损失函数MSE对模型进行损失计算，训练结束判断模块通过设置的迭代次数判断停止模型训练，模型评价模块通过均方根误差和相关系数对模型的性能进行评价。
工作过程如下：将归一化历史数据输入到LSTM模型进行模型训练，得到LSTM模型，模型评价模块对LSTM模型进行评价，LSTM模型根据评价进行实时更新状态，通过预测***预测LSTM模型的输出，输出结果反馈给污水处理厂控制***。
进一步地，所述全连接层模块的第一层全连接层包含100-300个连接神经元；由于回归的因变量为当前进水流量的预测值，因此全连接层的输出数为1。
进一步地，所述训练结束判断模块通过初始化设置的最大轮数进行控制。
进一步地，所述输入模块用于模型的输入，即自变量输入；激活层采用的激活函数为Leaky ReLU函数。
进一步地，LSTM模块采用一层包含100个隐藏单元的LSTM层。
进一步地，回归模块采用的损失函数为均方误差(MSE)。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种基于深度学习的污水处理厂进水流量预测方法，其特征在于，包括以下步骤：
通过采集装置采集历史数据，所述历史数据包括对应污水处理厂历年的进水流量；
将历史数据进行归一化处理，得到归一化模型，再对归一化模型进行训练，得到训练后的归一化模型；
将进水自变量作为训练后归一化模型输入，将进水因变量作为实际输出，对训练后归一化模型进行监督学习；
对输出因变量进行反归一化处理，得到预测输出，通过比较实际输出和预测输出的差值，反馈***进行优化，进而对进水流量进行预测。
2.根据权利要求1所述的一种基于深度学习的污水处理厂进水流量预测方法，其特征在于，所述进水自变量为前K个时间单位的进水流量值，进水因变量为当前时间单位的进水流量值。
3.根据权利要求1所述的一种基于深度学习的污水处理厂进水流量预测方法，其特征在于，所述将历史数据进行归一化处理，得到归一化模型，再对归一化模型进行训练，得到训练后的归一化模型，具体为：将历史数据划分为三部分：训练集、验证集、测试集；对训练集进行归一化，得到归一化训练集，归一化处理具体如下：
设某一变量序列xi为x1,…,xn，其中记最大值为xmax，最小值为xmin，则归一化后的序列为：
Figure FDA0003001231760000011
其中，归一化后的序列值的范围为0～1，存储xmax和xmin的值；
构建并保留归一化模型，归一化模型包括输入模块、LSTM模块、全连接模块、回归模块、训练结束判断模块；
使用归一化模型对验证集进行归一化，得到归一化验证集；输入归一化训练集和归一化验证集对归一化模型进行训练，得到训练后归一化模型并保存，即保存LSTM模型；使用训练后归一化模型对测试集进行归一化，得到归一化测试集，将归一化测试集输入训练后归一化模型进行准确性指标评价。
4.根据权利要求3所述的一种基于深度学习的污水处理厂进水流量预测方法，其特征在于，所述将历史数据划分为三部分：训练集、验证集、测试集，其划分按照8：1：1比例使用均匀随机抽样的方式进行划分，即80％为训练集，10％为验证集，10％为测试集。
5.根据权利要求3所述的一种基于深度学习的污水处理厂进水流量预测方法，其特征在于，所述对归一化模型进行训练，得到训练后的归一化模型，具体为：
1)、对模型参数进行初始化；
2)、输入数据经过LSTM层和全连接层的向前传播得到输出值；
3)、计算训练模型的输出值与目标值之间的误差；
4)、当误差大于期望值时，将误差传回模型中，依次求得全连接层和LSTM层的误差，其中各层的误差为对于模型的总误差；当误差等于或小于期望值时，则训练结束；
5)、根据求得的误差对模型进行权值更新。
6.根据权利要求1所述的一种基于深度学习的污水处理厂进水流量预测方法，其特征在于，所述将进水自变量作为训练后归一化模型输入，将进水因变量作为实际输出，对训练后归一化模型进行监督学习，具体为：记录实际输出，预测下一次输出，通过实际输出对归一化模型进行在线学习，通过在线学习得到新的模型参数，同时更新模型。
7.根据权利要求1所述的一种基于深度学习的污水处理厂进水流量预测方法，其特征在于，所述对输出因变量进行反归一化处理，得到预测输出，通过比较实际输出和预测输出的差值，反馈***进行优化，进而对进水流量进行预测，具体为：对输出因变量进行反归一化处理，得到因变量预测值，通过因变量预测值和因变量实际值获取标准误差和确定相关系数；
标准误差计算如下：
Figure FDA0003001231760000021
其中，RMSE为标准误差，yi为因变量预测值，xi为因变量实际值；
确定相关系数计算如下：
Figure FDA0003001231760000022
其中，R2为确定相关系数，
Figure FDA0003001231760000023
为序列xi的均值。
8.一种基于深度学习的污水处理厂进水流量预测***，其特征在于，包括LSTM模型、反馈***；
所述LSTM模型包括输入模块、LSTM模块、全连接层模块、回归模块、训练结束判断模块、模型评价模块；输入模块用于模型的数据输入，LSTM模块包含M个LSTM层，全连接层模块包括若干个全连接层；
所叙反馈***包括LSTM的预测输出，真实的测量值，和判断是否重新训练模型；通过比较LSTM的预测输出和真实的测量值的差值，是否超过设计的阈值，判断是否重新训练LSTM模型；
工作过程如下：将归一化历史数据输入到LSTM模型进行模型训练，得到LSTM模型，模型评价模块对LSTM模型进行评价，LSTM模型根据评价进行实时更新状态，通过预测***预测LSTM模型的输出，输出结果反馈给污水处理厂控制***。
9.根据权利要求8所述的一种基于深度学习的污水处理厂进水流量预测***，其特征在于，所述全连接层模块的第一层全连接层包含100-300个连接神经元。
10.根据权利要求8所述的一种基于深度学习的污水处理厂进水流量预测***，其特征在于，所述训练结束判断模块通过初始化设置的最大轮数进行控制。
CN202110347452.7A 2021-03-31 2021-03-31 一种基于深度学习的污水处理厂进水流量预测方法及*** Pending CN113159395A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110347452.7A CN113159395A (zh) 2021-03-31 2021-03-31 一种基于深度学习的污水处理厂进水流量预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110347452.7A CN113159395A (zh) 2021-03-31 2021-03-31 一种基于深度学习的污水处理厂进水流量预测方法及***

Publications (1)

Publication Number Publication Date
CN113159395A true CN113159395A (zh) 2021-07-23

Family

ID=76886120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110347452.7A Pending CN113159395A (zh) 2021-03-31 2021-03-31 一种基于深度学习的污水处理厂进水流量预测方法及***

Country Status (1)

Country Link
CN (1) CN113159395A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837364A (zh) * 2021-09-17 2021-12-24 华南师范大学 基于残差网络和注意力机制的污水处理软测量方法及***
CN114169730A (zh) * 2021-11-30 2022-03-11 温州科技职业学院 一种基于机器学习的城市垃圾分类工作的评估方法及***

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389980A (zh) * 2015-11-09 2016-03-09 上海交通大学 基于长短时记忆递归神经网络的短时交通流预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389980A (zh) * 2015-11-09 2016-03-09 上海交通大学 基于长短时记忆递归神经网络的短时交通流预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郑博一: "人工鱼群神经网络应用于城市污水处理厂进水量预测研究", 《环境科学与管理》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837364A (zh) * 2021-09-17 2021-12-24 华南师范大学 基于残差网络和注意力机制的污水处理软测量方法及***
CN113837364B (zh) * 2021-09-17 2023-07-11 华南师范大学 基于残差网络和注意力机制的污水处理软测量方法及***
CN114169730A (zh) * 2021-11-30 2022-03-11 温州科技职业学院 一种基于机器学习的城市垃圾分类工作的评估方法及***

Similar Documents

Publication Publication Date Title
CN110889085A (zh) 基于复杂网络多元在线回归的废水智能监控方法及***
CN110705743B (zh) 一种基于长短期记忆神经网络的新能源消纳电量预测方法
CN110766212B (zh) 用于历史数据缺失电场的超短期光伏功率预测方法
CN112990556A (zh) 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN109919356B (zh) 一种基于bp神经网络区间需水预测方法
CN111967688B (zh) 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN112733417B (zh) 一种基于模型优化的异常负荷数据检测与修正方法和***
CN110824914B (zh) 一种基于pca-lstm网络的废水处理智能监控方法
CN115374995A (zh) 一种分布式光伏、小风电场站功率预测方法
CN113344288B (zh) 梯级水电站群水位预测方法、装置及计算机可读存储介质
CN110659779A (zh) 一种基于长短期记忆网络的配电***网损预测方法
CN113159395A (zh) 一种基于深度学习的污水处理厂进水流量预测方法及***
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
CN116930609A (zh) 一种基于ResNet-LSTM模型的电能计量误差分析方法
CN115329930A (zh) 一种基于混合深度学习模型的洪水过程概率预报方法
CN115982141A (zh) 一种针对时序数据预测的特征优化方法
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及***
CN112766548A (zh) 基于gasa-bp神经网络的订单完工时间预测方法
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及***
CN116303786B (zh) 一种基于多维数据融合算法的区块链金融大数据管理***
CN111863153A (zh) 一种基于数据挖掘的废水中悬浮固体总量的预测方法
CN114169416B (zh) 一种基于迁移学习的小样本集下短期负荷预测方法
CN115759343A (zh) 一种基于e-lstm的用户电量预测方法和装置
CN113240181B (zh) 一种水库调度运行滚动模拟方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210723

RJ01 Rejection of invention patent application after publication