[发明专利]基于边云协同与双增量的智能混凝算法

权利要求书

1.基于边云协同与双增量的智能混凝算法，其特征在于，通过pac预测与pac调优确定pac最优添加量；基于蒙德里安森林的双增量学习方法实现模型在线更新；利用边云协同，降低延迟，包括以下五个步骤：

1)端的各种传感器设备采集原水的温度(temp)，pH(ph)，浊度(turb)和流量(flow)等信息，发送给边；

2)边缘节点利用部署的pac预测模型进行pac的预测；

3)根据预测的pac以及传感器数据进行出水浊度(oturb)预测，通过出水浊度进行pac迭代直到获得最优pac，将最优pac作为结果返回给端设备进行实际的pac添加；

将预测的pac添加量与传感器数据一起送入蒙德里安森林中进行出水浊度预测，如果出水浊度oturb_iα，则水质达标，α为标准值，否则进行pac的迭代；

基于以上的描述，将絮凝剂添加问题定义为以下优化问题

s.t.pac_i＝f(turb_i,ph_i,temp_i,flow_i)                (2)

oturb_i＝f(turb_i,ph_i,temp_i,flow_i,pac_i)               (3)

e_i＝α-oturb_i                                      (4)

e_i≥0                                              (5)

优化目标(1)是最小化整体的出水浊度误差E，约束条件(2)说明pac添加量由原水的四个特征决定，约束条件(3)说明出水浊度由原水的四个特征以及pac添加量决定，约束(4)和约束(5)确保误差等于出水浊度标准值与预测出水浊度的差值，并且出水浊度标准值大于等于预测出水浊度；

4)将实际出水浊度以及传感器数据存储到数据库中，并发送给云端进行模型在线更新；

通过pac预测与pac调优确定的最优pac作为实际的pac添加量，投放到沉淀池中，一段时间后得到实际的出水浊度，将实际的出水浊度与进水浊度、进水pH、进水温度、流量以及最优pac一起存入边缘节点数据库中，并上传到云端；

5)云端利用到达的数据流采用双增量学习的方法对模型进行在线更新，并将更新后的模型重新部署到边缘节点；

边缘节点上传的数据以流的形式到达云端，在原有模型的基础上对数据进行预测，利用ECDD算法计算概念漂移点确定自适应batch的样本数，在原有模型的基础上进行增量学习，每一个batch对应一个更新后的模型IRF_i，所有IRF的预测值作为新的特征值输入xgboost进行集成学习训练，并利用xgboost的特征选择功能，得到最佳的top_m个模型，将更新后的模型部署到边缘节点。

2.根据权利要求1所述的基于边云协同与双增量的智能混凝算法，其特征在于，步骤1)的具体操作为：当污水进入沉淀池中时，传感器会立刻采集到原水在当前时刻的浊度、pH、温度以及流量数据并发送给边缘设备。

3.根据权利要求1所述的基于边云协同与双增量的智能混凝算法，其特征在于，步骤2)的具体操作为：边缘节点接收到传感器发送的原水的浊度、pH、温度、流量数据，将这些数据作为Breiman随机森林的输入，进行pac的预测。