[发明专利]用于水质参数预测的联合神经网络模型及其训练方法

说明书

本发明公开一种用于水质参数预测的基于RNN的联合神经网络模型，包括：若干RNN类神经网络，分别部署在各污水测量点；两端的RNN类神经网络的中间层输入只与相邻一个RNN的中间层输出相连；两端之间任一RNN类神经网络的中间层输入同时与相邻两个RNN中间层输出相连；两端的RNN类神经网络的一侧各设一个高斯函数模块和一个乘法模块；两端间任一RNN类神经网络的两侧都设一个高斯函数模块和一个乘法模块；各高斯函数模块的输入与对应RNN的输入相连，输出与对应乘法模块一个输入相连；乘法模块另一输入与对应RNN的中间层输出相连，输出与相邻RNN的中间层输入相接。该联合神经网络能同时充分地提取多个测量点历史信息进行参数估计，提高全流程参数估计的预测精确度。

技术领域

本发明涉及水质参数预测领域，尤其涉及一种用于水质参数预测的联合神经网络模型 及其训练方法。

背景技术

经过多年的发展，国内污水处理技术已经获得了巨大的进步。然而在实际流程控制过 程中，污水处理行业依然还要面临很多的挑战，比如在污水处理过程中有众多的参量需要 测量，其中一些参量能够通过传感器实时测量，还有一些则需要经过人工化验才能进行测 量，某些需要化验的参数甚至需要数天时间才能完成，这大大的降低了数据的时效性。因 此，为了更好的采集水质参数，可以利用软测量技术通过众多可以实时测量的参数估计某 些需要人工化验的水质参数，这样既可以提高数据的时效性又可以降低水厂的运营成本。 软测量技术是一种利用计算机实现的数据映射算法，算法的输入是某些可以实时测量的参 数，算法的输出是某些需要人工化验的参数。在众多的软测量技术中，人工神经网络算法 具有非常杰出的表现。

近年来，人工神经网络作为一种智能的数据映射方法在很多拟合问题中得到了广泛的 应用。因其拥有诠释大时变、强耦合及大时滞等非线性关系的映射能力，并能够通过此项 能力建立精确的数学模型，实现快速的参数映射，人工神经网络在污水处理过程水质参数 软测量技术中得到广泛应用。如中国专利ZL201610405933.8公开的一种基于递归RBF神经 网络的MBR膜透水率的智能检测方法中，利用递归RBF神经网络对污水处理过程中的MBR膜 透水率进行估计；另一件中国专利201810323080.2公开的一种基于多层循环神经网络和 D-S证据理论的水质参数预测方法中，利用多个循环神经网络输出多个预测结果并用D-S证 据理论将多个预测结果进行融合以生成更高精度的水质预测。

目前在工程行业中应用最为广泛的是BP(Back Propagation)神经网络，但BP神经网 络无法实现带有时序逻辑特性参量的映射关系，它对同一时刻的多维数据可以实现正常的 参量映射，但无法对具有序列变化关系以及强耦合性的数据实现参量映射。RNN(Recurrent Neural Network)循环神经网络可以解决BP神经网络所存在的问题，RNN循环神经网络是 一种可以在时间维度上对输入输出参量进行映射的网络，它在隐藏层中添加了一个反馈操 作，这个反馈操作将之前时刻的信息反馈到当前时刻，这种结构可以使RNN循环神经网络 的输出结果不仅与当前的输入数据相关，还与历史输入的数据相关，这就是其具有时序特 性的主要原因。虽然现有的RNN循环神经神经网络在很多领域中发挥了巨大作用，但是其 一般只能在时间维度上对输入、输出参量进行映射，而难以同时在时间维度和空间维度上 进行充分地映射。在类似于污水处理这样具有复杂生化反应的过程，往往需要同时监控很 多测量点的水质参数，且不同测量点之间还会相互影响，某测量点的水质参数不仅仅与本 测量点的历史数据相关，还会与其它测量点的历史数据相关，在真实的污水处理过程中， 数据映射关系为一个既包含时间序列又包含空间序列信息的复杂的数学模型。而即便是在 每一个测量点都设置一个RNN循环神经网络，也仅是在每一个测量点都建立了一个独立的 时间序列映射关系，无法反映出不同测量点的空间映射关系，并不能提高水质参数的预测 精度。

发明内容