[发明专利]一种基于ARIMA模型的工业污水进水量预测的方法

说明书

本发明公开了一种基于ARIMA模型的工业污水进水量预测的方法，包括下述步骤：对初始的时序数据进行分析以满足ARIMA模型建立的要求；对异常数据的剔除和填补等预处理；采用滑动平均滤波去除数据噪音；利用单位根检验方法ADF检验时序的平稳性；通过自相关系数分析验证非随机性；进行ARIMA(p,d,q)模型自回归和移动平均阶次的初步判定，然后结合AIC信息准则对模型定阶；利用最小二乘法优化模型参数；最后进行残差检验和模拟结果的评价，确定最终预测模型。采集的污水进水量数据已确定,利用得到的预测模型进行测试数据的预测，模型的输出则是污水进水量的预测结果。本发明的方法，模型简洁，预测模型拟合效果很好，精度高。

技术领域

本发明涉及污水处理厂的污水进水量预测的技术领域，特别涉及一种基于ARIMA模型的工业污水进水量预测的方法。

背景技术

随着工业化程度的不断提高以及人口的增加，工业污水排放量迅速增长，由此对环境造成非常巨大的影响,世界各国都投入大量的资金到工业污水处理技术的研究,开发出了许多新技术和新工艺,对改善水环境状况起到了巨大的作用。目前,各国都在大力兴建的污水处理厂是公认的解决水污染现状的一条有效途径。其要求对新建厂区的水质水量有很好的调查和预测，才能根据具体的情况和地理性质，选取合适的污水处理工艺，进行水厂的合理设计。

但是，近年来国家节能减排标准和污水排放标准的不断提高，目前一些工业污水处理系统面临着较大的节能降排压力。特别是其污水的处理工艺相对较复杂，污水的处理方式主要是先进入到“厌氧—缺氧—好氧”的环节作生化处理，然后通过二沉池沉淀污泥以达到废水排放，其在第一环节会消耗大量能量，一方面源于“厌氧—缺氧—好氧”环节需要培养大量的生化菌，且曝气池包含大量动力设备，另一方面，考虑到工业废水来源大，且水量的变化比较大，其与城镇污水相比，工业污水的周期性更差，并且其进水成分更复杂，在对污水进行处理时需要随时调整，因此设计者在设计的初始阶段会对污水的处理留有很大的裕量，这就进一步造成能量的大量损失。

另外，与城镇污水相比，工业污水的周期性更差，并且其进水成分更复杂，在对污水进行处理时需要随时调整，由此可见，对工业污水的进水水量进行预测，并建立相应的控制方法，是解决上述问题的有效途径之一。研究表明，工业污水的负荷与进水量成高度相关关系，因此，对污水负荷进行预测，首先要解决进水量预测的问题。而对进水量进行预测，不仅是污水处理工艺优化的研究基础，同时也关系到污水系统的合理布局、建设规模、配套管理网和截污系统等关键问题。因此，有必要展开对工业污水进水量预测的相关研究。

针对这种现象,通过对处理工艺的深入研究,找出制约因素并提出相应的改造方案,节能的空间是非常大的,这是我国污水处理行业急需攻克的技术难题。有效降低污水处理系统的能耗、合理分配能源成为决定污水厂正常运行的关键因素。因此,研究和探索污水处理工艺的节能技术和途径具有非常重要的现实意义。

对污水处理厂而言，进水流量及污染物浓度的变化是控制系统所要应对的扰动的主要来源。不同于其他工业生产过程，污水处理厂进水负荷一般不可调控，其突变性强，波动范围大，尤其在降雨的影响下，对生化处理系统具有较强的冲击性。

发明内容

本发明的目的在于克服现有技术中的缺点与不足，提供一种基于ARIMA模型的污水进水量预测的方法，该方法主要考虑污水进水的水量这一关联变量，基于ARIMA模型，能够有效预测工厂污水进水量。

为实现以上目的，本发明采取如下技术方案：

一种基于ARIMA模型的工业污水进水量预测的方法，包括下述步骤：

S1、获取污水进水量原始时间序列数据，并进行数据质量分析，检查其原始时间序列数据中是否存在脏数据以及无法进行直接分析的数据；

S2、对步骤S1分析的时间序列数据进行数据预处理，所述数据预处理包括数据清洗和数据滤波，从而得到滤波时序；