检索历史 清除

摘要水质预测是进行水资源管理和水污染防治的有效方法。在污水的处理过程中往往需要进行各种生化反应，这些反应需要一定的时间，导致污水的出水呈现间歇性，难以对出水水质进行实时监测，因此使用智能算法对未来一段时间出水水质进行预测是非常有必要的。本文针对水质参数预测问题进行了深入研究，研究内容如下。<br>　　第一，针对水质参数具有强非线性和较大的波动性的特点，采用互补集成经验模态分解（ComplementaryEnsembleEmpiricalModeDecomposition，CEEMD）将原始数据分解为相对平稳的8个本征模态函数（Intrinsicmodefunction，IMF）和1个残差序列。为了降低建模和运算的复杂性，将样本熵（SampleEntropy，SE）相近的IMF序列合并重构成5个NIMF（NewIntrinsicmodefunction，NIMF）序列。实验表明CEEMD-SE分解重构方法有助于提高模型预测精确度。<br>　　第二，针对水质参数的时序性的特点，采用长短期记忆神经网络（LongShort-TermMemory，LSTM）进行建模，并引入贝叶斯优化（BayesianOptimization，BO）来自动调整LSTM的超参数，使得模型更加适应数据的特点。使用BO-LSTM对分解重构的各序列分别进行预测。最后，将各序列的预测值叠加得到最终的预测结果。实验结果表明，该模型能够很好地预测水质参数的变化趋势。<br>　　第三，针对BO-LSTM的预测结果会产生滞后性的问题，引入马尔可夫链模型修正每个序列的预测结果。为了提高马尔可夫链的性能，引入K-means聚类法对马尔可夫链中状态区间进行划分。实验结果表明，马尔可夫链模型修正后预测结果更加精准，为水质参数预测提供了一种有效的改进策略。<br>　　第四，开发了水质监测预警系统。水质监测预警系统主要分为两个部分：水质数据采集端，负责采集所需监测的水质数据；上位机数据处理端，利用部署在上位机的水质预测模型进行水质参数预测，并在高于或低于设定预警值时发出报警信息。