[发明专利]一种水体溶解氧预测方法及装置

说明书

技术领域

本发明涉及水处理技术领域，更具体地，涉及一种水体溶解氧预测方法及装置。

背景技术

溶解氧作为水质的一项重要参数，在工厂化水产养殖、日光温室水培种养中扮演着重要的角色，它很大程度上决定了鱼类的生长状态，所以预测溶解氧的变化趋势可以为养殖人员的决策提供重要参考，减小养种植风险。

水体溶解氧受到很多因素影响，包括：物理、化学、生物和人为因素。而一些复杂的水循环系统，例如，鱼菜共生系统，包括水产养殖、水处理和水培三部分，是一种鱼、菜和生物菌三者共生的复合种养系统，该系统不仅对溶解氧的要求很高，而且还极易受到气象环境、水质参数和生物量的综合影响。因此，溶解氧的预测极为困难，十分迫切的需要可以应对复杂多变的循环水系统水体溶解氧预测的解决方案。

现有的水体溶解氧预测方法包括：步骤1、获取并存储一个时间段内的鱼菜共生系统的环境数据及溶解氧数据；步骤2、用归一化方法对所述环境数据进行数据标准化预处理，获得模糊神经网络溶解氧预测控制模型的训练数据集；步骤3、根据训练数据集，获取模糊神经网络溶解氧预测控制模型；步骤4、将当前溶解氧含量的实时数据输入模糊神经网络溶解氧预测控制模型，得到水中的溶解氧含量的预测结果。

但是现有的水体溶解氧预测方法存在预测收敛速度慢、预测精度低以及效率低等问题，而且无法精准快速的处理因环境等外界因素所带来的数据波动大等问题。

发明内容

针对上述的技术问题，本发明提供一种水体溶解氧预测方法及装置。

第一方面，本发明提供一种水体溶解氧预测方法，包括：将预测样本输入通过训练基于K-means聚类法分类识别的训练样本建立的预测模型，获得未来第一预设时间段内的溶解氧预测值。

其中，所述方法进一步包括：S1，获取水质数据、气象数据及生物量数据各自与溶解氧数据的相关系数，并根据所述相关系数选取模板样本；S2，通过K-means聚类法按照所述第一预设时间段对所述模板样本进行分类，在所述分类的模板样本中识别出与所述预测样本相似的模板样本作为训练样本；S3，对所述训练样本进行训练，以建立预测模型。

其中，在所述S1之前还包括S0，采集并存储第二预设时间段内的溶解氧数据、水质数据、气象数据以及生物量数据。

其中，在所述S0之后、所述S1之前包括：采用线性插值法对所述水质数据进行处理，采用均值平滑法对所述生物量数据进行处理，以及采用小波变化法对所述气象数据进行处理。

其中，在所述S0之后、所述S1之前还包括：对处理后的所述水质数据、所述气象数据以及所述生物量数据分别进行归一化处理。

其中，所述S1进一步包括：根据皮尔森相关系数法获取所述水质数据、所述气象数据及所述生物量数据各自与所述溶解氧数据的相关系数。

其中，所述S2中在所述分类的模板样本中识别出与所述预测样本相似的模板样本作为训练样本进一步包括：根据基于欧式距离和夹角余弦原理获取的相似度，在所述分类的模板样本中识别出与所述预测样本相似的模板样本作为训练样本。

其中，所述S3中对所述训练样本进行训练进一步包括：采用模糊神经网络对所述训练样本进行训练。

第二方面，本发明提供一种水体溶解氧预测装置，包括：预测模块，用于将预测样本输入通过训练基于K-means聚类法分类识别的训练样本建立的预测模型，获得未来第一预设时间段内的溶解氧预测值。

其中，所述装置还包括：获取模块，用于获取水质数据、气象数据以及生物量数据各自与溶解氧数据的相关系数，并根据所述相关系数选取模板样本；处理模块，用于通过K-means聚类法按照所述第一预设时间段对所述模板样本进行分类，在所述分类的模板样本中识别出与所述预测样本相似的模板样本作为训练样本；模型建立模块，用于对所述训练样本进行训练，以建立预测模型。

本发明提供的一种水体溶解氧预测方法及装置，采用相关系数选取模板样本，然后采用K-means聚类法按照第一预设时间段对模板样本进行分类，并在分类的模板样本中识别出与预测样本相似的模板样本作为训练样本，再对训练样本进行训练和预测，以建立预测模型，最后将预测样本输入预测模型，以获得预测时刻后一段时间内的溶解氧预测值。该预测方法具有较高的预测精度及较强的适应度，并且在预测稳定性和精度上，有较好的鲁棒性和复杂线性映射能力，特别适合于易受环境等外界因素影响的鱼菜共生系统的水体溶解氧预测。

附图说明