一种污水排放耗电量预测方法和装置以及设备与流程

1.本发明涉及污水排放耗电量预测技术领域，尤其涉及一种污水排放耗电量预测方法和装置以及设备。


背景技术：

2.污水处理需耗费大量的电能、药量等，能源耗费量极高。这一点在电能的消耗上体现的尤为明显，电能消耗几乎占据了总体能耗的百分之六十五以上，因此，降低电能的消耗是今后节能降耗工作的重点。
3.然而，污水水质变化因受诸多因素影响，往往会造成显著的时空变异性，使得污水处理过程的电耗数据既有时延性、结构关联性、不确定性、非线性等特征又表现出一定的趋势性，导致现有的多元回归预测电量方案，无法精准预测单位时间内的耗电量。


技术实现要素：

4.有鉴于此，本发明的目的在于提出一种污水排放耗电量预测方法和装置以及设备，能够实现通过多元回归模型来预测单位时间内的耗电量。
5.根据本发明的一个方面，提供一种污水排放耗电量预测方法，包括：获取污水处理过程中进出水口单位时间的历史指标数据以及单位时间的历史耗电量；对历史指标数据进行主成分分析获取主成分指标数据，该主成分指标数据分为药量策略指标数据以及水量策略指标数据；基于主成分指标数据构建双指标的多元回归模型并利用单位时间的历史耗电量以及主成分指标数据训练该多元回归模型；根据训练好的多元回归模型对单位时间的耗电量进行预测。
6.在上述技术方案中，污水厂的能耗主要包括粗格栅、污水提升泵、细格栅、曝气沉砂池、生化池好氧区曝气系统、混合液回流泵、污泥脱水系统、d型滤池、紫外线消毒系统、碳源投加系统、除磷剂投加系统等，换言之引起整个污水处理系统电量消耗的主要原因包括：药量消耗以及水量消耗两个部分，即药剂和水量任一变化都会影响耗电量。但这两部分高度相关，进而引起药量消耗以及水量消耗之间的多重共线性，两部分混合构建多元回归模型时，影响指标对耗电量的边际效应，最终导致模型误差增大而现有的方案多采用逐步回归法等方案从大量可供选择的指标中选取最重要的指标，但这种方案往往忽略了指标间的关系属性，导致最终拟合的模型效果不好。因此在本案中将主成分指标数据分为药量策略指标数据以及水量策略指标数据，并基于两种数据建立双指标的多元回归模型，即将药量策略以及水量策略相互剥离进而提升模型的预测效果，而不采取利用算法筛除指标的方案。
7.在一些实施例中，所述历史指标数据包括：实时流量、总流量、酸碱度、温度、氨氮、浊度、化学需氮量、总磷、总氮。
8.在上述技术方案中，采用多种历史指标数据有助于提高模型预测的准确性。
9.在一些实施例中，所述历史指标数据包括：总磷削减量、总氮削减量、总氨氮削减
量；其中总磷削减量＝进水口总磷削减量-出水口总磷削减量，总氮削减量＝进水口总氮削减量-出水口总氮削减量，总氨氮削减量＝进水口总氨氮削减量-出水口总氨氮削减量。
10.在上述技术方案中，历史指标数据进一步包括总磷削减量、总氮削减量、总氨氮削减量。削减量数据有助于提高模型预测的准确性。
11.在一些实施例中，对历史指标数据进行主成分分析获取主成分指标数据，该主成分指标数据分为药量策略指标数据以及水量策略指标数据，具体包括：
12.建立历史指标数据的相关矩阵x；
13.对相关矩阵x进行标准化处理，并计算相关系数，得到关系矩阵；
14.计算协方差矩阵的特征向量和特征值并计算出每个成分的贡献率和累计贡献率。
15.在上述技术方案中，利用pca法可以筛选出于耗电量高度相关的指标参数，有助于提高模型预测的准确性。
16.在一些实施例中，建立历史指标数据的相关矩阵x，之前还包括：
17.异常数据剔除；
18.异常值识别区间范围为
19.在上述技术方案中，污水处理系统大多采用的阶段计费方式，即分为峰时(9：00—11：30、14：00—16：30、19：00—21：00)、谷时(23：00—次日7：00)以及平时(7：00—9：00、11：30—14：00、16：30—19：00、21：00—23：00)，三个阶段的的收费方式不同，部分厂商会在谷时加大水量和药量对污水进行处理。同时污水昼夜的水质差异较大，一般的2:00-6:00水质很淡，11:30-19:00，浓度较高。因此污水处理厂往往会根据不同的时间段用不同的水量、药量适应性处理污水，导致不同时段测得的指标数据的波动比较大。主成分分析在异常数据剔除时，若采用传统的3σ准则计算得到的剔除区间会对波动较大的数据进行误判，因此本案经过多次试算，发现异常值识别区间范围为时，可以最大程度地将波动较大的数据包含在内，不会将正常数据剔除。
20.在一些实施例中，基于主成分指标数据构建双指标的多元回归模型并利用单位时间的历史耗电量以及主成分指标数据训练该多元回归模型，具体的：
21.构建双指标的多元回归模型，根据单位时间的历史耗电量的m个训练样本，n个特征工程，定义平方损失函数，并采用梯度下降对多元回归模型进行训练。
22.在上述技术方案中，将主成分指标数据分为药量策略指标数据以及水量策略指标数据，并基于两种数据建立双指标的多元回归模型，即将药量策略以及水量策略相互剥离进而提升模型的预测效果，而不采取指标筛除的方案。
23.在一些实施例中，所述构建双指标的多元回归模型，具体地：
24.根据污水处理过程中获取到所有相关的历史数据建立污水处理电耗多元回归模型如下：
25.y＝yi+c26.其中，y为总耗电变化量，yi为药量策略指标多元回归模型计算得到的耗电变化量，yc水量策略指标多元回归模型计算得到的耗电变化量。
27.在上述技术方案中，通过分离的方案将水量与药量两种高度相关的数据切分可以使得处理后的药量对耗电量变化的影响不再与水量相关。如此一来，可以从药量调整和水
量调整两个方面来对耗电量进行预测。如在某个时段只改变了药量指标，那么则可以通过分别通过水量和药量的模型计算出分别的耗电变化量，再结合起来预测耗电量，同理可得只改变水量情况下的耗电量，相比于传统的水量和药量混合构建多元回归模型来说，这种分离的技术方案能够更加精准地预测耗电量。
28.根据本发明的另一个方面，提供一种污水排放耗电量预测装置，包括：
29.获取模块、主成分分析模块、构建模块和预测模块；
30.所述获取模块，用于获取污水处理过程中进出水口单位时间的历史指标数据以及单位时间的历史耗电量；
31.所述主成分分析模块，用于对历史指标数据进行主成分分析获取主成分指标数据，该主成分指标数据分为药量策略指标数据以及水量策略指标数据；
32.所述构建模块，用于基于主成分指标数据构建双指标的多元回归模型并利用单位时间的历史耗电量以及主成分指标数据训练该多元回归模型；
33.所述预测模块，用于根据训练好的多元回归模型对单位时间的耗电量进行预测。
34.根据本发明的又一个方面，提供一种污水排放耗电量预测设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一项所述的污水排放耗电量预测方法。
35.根据本发明的再一个方面，提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的污水排放耗电量预测方法。
附图说明
36.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
37.图1是本发明污水排放耗电量预测方法一实施例的流程示意图。
具体实施方式
38.下面结合附图和实施例，对本发明作进一步的详细描述。特别指出的是，以下实施例仅用于说明本发明，但不对本发明的范围进行限定。同样的，以下实施例仅为本发明的部分实施例而非全部实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
39.本发明提供一种污水排放耗电量预测方法，能够实现通过人体的语音来预测该人体的年龄。
40.请参见图1，图1是本发明污水排放耗电量预测方法一实施例的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括如下步骤：
41.s101、获取污水处理过程中进出水口单位时间的历史指标数据以及单位时间的历史耗电量；
42.在本实施例中，所述历史指标数据包括：实时流量、总流量、酸碱度、温度、氨氮、浊度、化学需氮量、总磷、总氮。
43.在本实施例中，所述历史指标数据包括：总磷削减量、总氮削减量、总氨氮削减量；其中总磷削减量＝进水口总磷削减量-出水口总磷削减量，总氮削减量＝进水口总氮削减量-出水口总氮削减量，总氨氮削减量＝进水口总氨氮削减量-出水口总氨氮削减量。
44.在本实施例中，采用多种历史指标数据有助于提高模型预测的准确性。
45.在本实施例中，单位时间的历史耗电量为实时获取每个小时污水处理的总电量，根据每个时的总电量，计算出每小时的电量消耗，每小时的电量消耗＝当时总电量-上一小时电量。
46.在本实施例中，污水厂的能耗主要包括粗格栅、污水提升泵、细格栅、曝气沉砂池、生化池好氧区曝气系统、混合液回流泵、污泥脱水系统、d型滤池、紫外线消毒系统、碳源投加系统、除磷剂投加系统等，换言之引起整个污水处理系统电量消耗的主要原因包括：药量消耗以及水量消耗两个部分。但这两部分高度相关，进而引起药量消耗以及水量消耗之间的多重共线性，两部分混合构建多元回归模型时，影响指标对耗电量的边际效应，最终导致模型误差增大。这是因为因此污水处理厂往往会根据不同的时间段用不同的水量调整方案或药量调整方案或者两者结合适应性处理污水。而现有的方案多采用逐步回归法等方案来解决多重共线性的问题，即从大量可供选择的指标中筛选出最重要的指标，但这种方案往往忽略了指标间的关系属性，导致最终拟合的模型效果不好。因此在本案中将主成分指标数据分为药量策略指标数据以及水量策略指标数据，并基于两种数据建立双指标的多元回归模型，即将药量策略以及水量策略相互剥离进而提升模型的预测效果，而不采取指标筛除的方案。
47.在本实施例中，药量策略指标数据以及水量策略指标数据属于对指标的分组，不同的污水处理系统具体的指标可能有所不同，如药量策略的指标有酸碱度、氨氮、化学需氮量、总磷、总氮。而水量策略有进水量、出水量等。在本实施例中可以采用多重共线性检验检测出不同指标的两两相关性，在提取出与进水量、出水量多重共线性的指标，则剩余的不存在共线性的指标则默认为药量相关的指标，如此可以将众多的指标分类成两组。而多重共线性检验检方法为现有技术方案，因此本案在此处不再赘述。需要说明的是，指标两两之间的相关性分析方法有很多种，本实施例仅仅多重共线性检验检进行举例说明，其他方法不再一一展开说明。
48.s102、对历史指标数据进行主成分分析获取主成分指标数据，该主成分指标数据分为药量策略指标数据以及水量策略指标数据；
49.在本实施例中，具体包括如下步骤：
50.s1021、建立历史指标数据的相关矩阵x；
51.s1022、对相关矩阵x进行标准化处理，并计算相关系数，得到关系矩阵；
52.s1023、计算协方差矩阵的特征向量和特征值并计算出每个成分的贡献率和累计贡献率。
53.在本实施例中，s1021之前还包括异常数据剔除；
54.异常值识别区间范围为污水处理系统大多采用的阶段计费方式，即分为峰时(9：00—11：30、14：00—16：30、19：00—21：00)、谷时(23：00—次
日7：00)以及平时(7：00—9：00、11：30—14：00、16：30—19：00、21：00—23：00)，三个阶段的的收费方式不同，部分厂商会在谷时加大水量和药量对污水进行处理。同时污水昼夜的水质差异较大，一般的2:00-6:00水质很淡，11:30-19:00，浓度较高。因此污水处理厂往往会根据不同的时间段用不同的水量调整方案或药量调整方案或者两者结合适应性处理污水，导致不同时段测得的水量指标数据以及药量指标数据的波动比较大。主成分分析在异常数据剔除时，若采用传统的3σ准则计算得到的剔除区间会对波动较大的数据进行误判，因此本案经过多次试算，发现异常值识别区间范围为时，可以最大程度地将波动较大的数据包含在内，不会将正常数据剔除。
55.主成分分析具体步骤如下：
56.根据污水处理过程中获取到的所有相关历史数据进行主成分分析步骤如下：
57.根据历史相关数据x,其中有m个观测值x1,2,.....m，共n个样本，列出相关矩阵如下：
[0058][0059]
计算每一列的平均值
[0060][0061]
计算每一列的方差
[0062][0063]
对数据进行标准化处理，得到矩阵z
[0064][0065]
计算相关系数，得到关系矩阵r
[0066][0067]
即x矩阵的第i列的样本序列和第j列的样本序列之间的相关关系，其值为-1到1之间，即r矩阵应该为对称矩阵。相关系数r的绝对值越高相关性程度越强。
[0068]
协方差矩阵∑是实对称阵，知其特征值为非负，设其特征值λ1≥λ2≥
[0069]
.......≥λ
p
≥0，它们正交化后的单位特征向量如下：
[0070]
[0071]
若原先x的各个列代表的指标变量，合成向量，记为v
ar
＝[v
a1
,v
a2
,......v
ap
]
t
,则有x的第i个主成分为
[0072]fi
＝(ai)
tvar
＝a
1i
*v
ar1
+a
2i
*v
ar2
+......+a
pi
*v
arp
[0073]
最后计算出每个成分的贡献率b和累计贡献率a。
[0074][0075]
最后保留的主成分使得方差贡献率达到85％以上以及主成分的方差(特征值)大于1相关指标参数参与至污水处理电耗多元回归中。
[0076]
s103、基于主成分指标数据构建双指标的多元回归模型并利用单位时间的历史耗电量以及主成分指标数据训练该多元回归模型；
[0077]
在本实施例中，以某污水处理厂的主成分分析得出相关因素指标分别为总磷削减量，总氮削减量，进水量，出水量进行说明，具体包括：构建双指标的多元回归模型，根据单位时间的历史耗电量的m个训练样本，n个特征工程，定义平方损失函数，并采用梯度下降对多元回归模型进行训练。将主成分指标数据分为药量策略指标数据以及水量策略指标数据，并基于两种数据建立双指标的多元回归模型，即将药量策略以及水量策略相互剥离进而提升模型的预测效果，而不采取指标筛除的方案。
[0078]
具体的，
[0079]
根据污水处理过程中获取到所有相关的历史数据建立污水处理电耗多元回归模型如下：
[0080]
y＝yi+c[0081]
其中，y为总耗电变化量，yi为药量策略指标(总磷削减量，总氮削减量)数据引起的变化量，yc水量策略指标(进水量，出水量)数据引起的变化量。
[0082]
其中，药量策略指标yi通过多元回归模型的建立方式得到，具体如下：
[0083][0084]
其中yi为药量策略指标(总磷削减量，总氮削减量)数据引起的变化量，相关指标表示为特征输入x，ε为随机误差或者称为偏置量，a为模型回归系数。
[0085]
采用平方损失函数衡量模型准确性，损失函数是度量模型一次预测的好坏，即真实值(y)与预测值的误差，误差值越小，则表示模型准确性越高。
[0086]
根据历史电耗数据的m个训练样本，4个特征工程，则定义出平方损失函数如下：
[0087][0088]
采用梯度下降对其模型进行训练，通过损失函数最小即所有真实值与预测值的误差总和最小，得到相关的模式的参数a，梯度下降训练如下：
[0089][0090]
其中h为规定步长，按其进行迭代训练，计算每个参数ai,直至收敛预定的值为止。
[0091]
而水量yc的数据则可以在原始监测数据中减去药量策略指标(总磷削减量，总氮削减量)数据引起的变化量yi即可获得，即
[0092]
yc＝-yi[0093]
原数据由于水量指标与药量指标相互关联，自身是存在趋势性的，而且分离出水量对耗电变化量的影响之后的数据，药量策略指标多元回归模型计算得到的耗电变化量更趋于随机，相反趋势性明显减弱。通过自相关系数来评价分离水量对耗电变化量的影响后数据的平稳性，在做差之后发现药量策略指标多元回归模型计算得到的耗电变化量的自相关系数显著下降，数据平稳性显著增加。进一步的，再通过做差计算得到的水量yc的数据与水量策略指标数据建立相应的多元回归模型。
[0094]
在本实施例中，通过水、药分离的方案将两种高度相关的数据切分可以使得处理后的药量对耗电量变化的影响不再与水量相关。如此一来，可以从药量调整和水量调整两个方面来对耗电量进行预测。如在某个时段只改变了药量指标，那么则可以通过分别通过水量和药量的模型预测出分别的耗电变化量，再结合起来预测耗电量，同理可得只改变水量情况下的耗电量。需要说明的是，也可以通过先获得水量多元回归模型在获得药量多元回归模型的方法，本实施例不加以限定。需要理解的在污水排放过程中，水量对耗电量引起的影响大与药量，因此在本实施例中采用先剥离药量的技术方案进行说明。
[0095]
相比于传统的水量和药量混合构建多元回归模型来说，这种分离的技术方案能够更加精准地预测耗电量。电量消耗包括药量消耗以及水量消耗两个部分。但这两部分高度相关，进而引起药量消耗以及水量消耗之间的多重共线性，两部分混合构建多元回归模型时，影响指标对耗电量的边际效应，最终导致多元回归模型训练时误差增大。而现有的方案多采用逐步回归法等方案从大量可供选择的指标中选取最重要的指标而剔除剩余的指标，但这种方案往往忽略了指标间的关系属性，导致最终拟合的模型效果不好。因此在本案中将主成分指标数据分为药量策略指标数据以及水量策略指标数据，并基于两种数据建立双指标的多元回归模型，即将药量策略以及水量策略相互剥离进而再构建多元回归模型，而不采取指标筛除的方案。
[0096]
s104、根据训练好的多元回归模型对单位时间的耗电量进行预测。
[0097]
根据本发明的另一个方面，提供一种污水排放耗电量预测装置，包括：
[0098]
获取模块、主成分分析模块、构建模块和预测模块；
[0099]
所述获取模块，用于获取污水处理过程中进出水口单位时间的历史指标数据以及单位时间的历史耗电量；
[0100]
所述主成分分析模块，用于对历史指标数据进行主成分分析获取主成分指标数据，该主成分指标数据分为药量策略指标数据以及水量策略指标数据；
[0101]
所述构建模块，用于基于主成分指标数据构建双指标的多元回归模型并利用单位时间的历史耗电量以及主成分指标数据训练该多元回归模型；
[0102]
所述预测模块，用于根据训练好的多元回归模型对单位时间的耗电量进行预测。
[0103]
根据本发明的又一个方面，提供一种污水排放耗电量预测设备，包括：至少一个处
理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一项所述的污水排放耗电量预测方法。
[0104]
根据本发明的再一个方面，提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的污水排放耗电量预测方法。
[0105]
以上所述仅为本发明的部分实施例，并非因此限制本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效装置或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种污水排放耗电量预测方法，其特征在于，包括：获取污水处理过程中进出水口单位时间的历史指标数据以及单位时间的历史耗电量；对历史指标数据进行主成分分析获取主成分指标数据，该主成分指标数据分为药量策略指标数据以及水量策略指标数据；基于主成分指标数据构建双指标的多元回归模型并利用单位时间的历史耗电量以及主成分指标数据训练该多元回归模型；根据训练好的多元回归模型对单位时间的耗电量进行预测。2.如权利要求1所述的一种污水排放耗电量预测方法，其特征在于，所述历史指标数据包括：实时流量、总流量、酸碱度、温度、氨氮、浊度、化学需氮量、总磷、总氮。3.如权利要求1或2所述的一种污水排放耗电量预测方法，其特征在于，所述历史指标数据包括：总磷削减量、总氮削减量、总氨氮削减量；其中总磷削减量＝进水口总磷削减量-出水口总磷削减量，总氮削减量＝进水口总氮削减量-出水口总氮削减量，总氨氮削减量＝进水口总氨氮削减量-出水口总氨氮削减量。4.如权利要求1所述的一种污水排放耗电量预测方法，其特征在于，对历史指标数据进行主成分分析获取主成分指标数据，该主成分指标数据分为药量策略指标数据以及水量策略指标数据，具体包括：建立历史指标数据的相关矩阵x；对相关矩阵x进行标准化处理，并计算相关系数，得到关系矩阵；计算协方差矩阵的特征向量和特征值并计算出每个成分的贡献率和累计贡献率。5.如权利要求4所述的一种污水排放耗电量预测方法，其特征在于，建立历史指标数据的相关矩阵x，之前还包括：异常数据剔除；异常值识别区间范围为6.如权利要求1所述的一种污水排放耗电量预测方法，其特征在于，基于主成分指标数据构建双指标的多元回归模型并利用单位时间的历史耗电量以及主成分指标数据训练该多元回归模型，具体的：构建双指标的多元回归模型，根据单位时间的历史耗电量的数据，定义平方损失函数，并采用梯度下降对多元回归模型进行训练。7.如权利要求6所述的一种污水排放耗电量预测方法，其特征在于，所述构建双指标的多元回归模型，具体地：根据污水处理过程中获取到所有相关的历史数据建立污水处理电耗多元回归模型如下：y＝y
i
+
c
其中，y为总耗电变化量，y
i
为药量策略指标多元回归模型计算得到的耗电变化量，y
c
水量策略指标多元回归模型计算得到的耗电变化量。8.一种污水排放耗电量预测装置，其特征在于，包括：依次电相连的获取模块、主成分分析模块、构建模块和预测模块；
所述获取模块，用于获取污水处理过程中进出水口单位时间的历史指标数据以及单位时间的历史耗电量；所述主成分分析模块，用于对历史指标数据进行主成分分析获取主成分指标数据，该主成分指标数据分为药量策略指标数据以及水量策略指标数据；所述构建模块，用于基于主成分指标数据构建双指标的多元回归模型并利用单位时间的历史耗电量以及主成分指标数据训练该多元回归模型；所述预测模块，用于根据训练好的多元回归模型对单位时间的耗电量进行预测。9.一种污水排放耗电量预测设备，其特征在于，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的污水排放耗电量预测方法。10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的污水排放耗电量预测方法。

技术总结
本发明公开了一种污水排放耗电量预测方法和装置以及设备。其中，所述方法包括：获取污水处理过程中进出水口单位时间的历史指标数据以及单位时间的历史耗电量；对历史指标数据进行主成分分析获取主成分指标数据，该主成分指标数据分为药量策略指标数据以及水量策略指标数据；基于主成分指标数据构建双指标的多元回归模型并利用单位时间的历史耗电量以及主成分指标数据训练该多元回归模型；根据训练好的多元回归模型对单位时间的耗电量进行预测。本发明中将主成分指标数据分为药量策略指标数据以及水量策略指标数据，并基于两种数据建立双指标的多元回归模型，即将药量策略以及水量策略相互剥离进而提升模型的预测效果。水量策略相互剥离进而提升模型的预测效果。水量策略相互剥离进而提升模型的预测效果。


技术研发人员：王成琴 袁鸿 王碧文 李冈生 林剑艺 林志伟 王振宇
受保护的技术使用者：厦门是能环保科技有限公司
技术研发日：2023.04.28
技术公布日：2023/8/1