技术摘要：
本发明公开了一种准确预测污水处理厂出水水质的方法，具体包括构建污水处理厂在线监控系统，处理在线监控系统记录的历史数据，利用处理后的数据构建并优化出水水质预测模型，再利用在线监控系统得到的实时数据和出水水质预测模型，准确预测一段时间后污水处理厂的出水  全部
背景技术：
目前，我国城市都存在不同程度的水体污染状况，若这些污水不能得到及  时、有 效的处理，将会滋生细菌病毒，影响人们身体健康，同时也会对大气、  土壤和地下水造成污 染，严重影响人们生活质量。因而，污水处理厂出水水质  预测成为环境治理领域的一个研 究热点。 针对污水处理厂出水水质预测模型主要包括机理模型和数据驱动模型。其 中，以 ASM系列模型，BSM系列模型等为代表的机理模型对污水处理过程机  制的理解和污水处理 工艺的设计具有重要的指导意义，但这些模型也存在结构 复杂、未知参数过多以及不能动 态反应操作参数和出水目标之间的关系等问题，  使其实际应用受限。同时，污水处理涉及 物理、化学、生物多个领域，其过程  影响因素众多、动力学特征复杂、各因素之间还存在相 互作用，表现出不确定  性、时变性、非线性以及多变量强耦合等特征，这些因素进一步增加 了机理模  型的实际应用的难度。数据驱动黑箱模型包括多元统计方法以及人工神经网络  (ANN)等。其中ANN因其具有很强的学习、适应以及非线性函数逼近能力，在  污水处理过程 中关键变量预测中备受关注。它是通过预先提供的一批相互对应 的输入和输出数据，然后 分析掌握两者之间潜在的规律，最终根据这些规律，  用新的输入数据来推算输出结果的一 种方法。近年来，一些ANN模型如径向  基函数(RBF)、多层感知器(MLP)和支持向量机(SVM) 等在污水处理建模中得到  了应用，并在特定的条件下表现出良好的效果，同时适用条件更 广、精度更高、 准确度更优的新型ANN模型仍需进一步开发。 为此，本发明从污水处理的工艺原理和机器模型运行原理出发，开发出一  种新型 准确预测污水处理厂出水水质的方法。主要思路如下：在污水处理过程  中，每一时刻的进 水会与反应器中原有污水进行混合，而每一时刻的出水水质，  也是取决于该时刻之前的一 系列处理过程的复合作用，即所有的污水处理工艺  都是时间上的耦合过程。因此，若要对 污水处理工艺进行建模拟合，该模型的  输入应当是一段连续时间内的进水水质和水厂运 行参数组成的数据块。以参数  编号为横轴，时间顺序为纵轴，可以将模型的输入排列成矩 阵形式。若是将矩  阵中每一个元素视为一个像素点，则整个样本输入具有图像的某种特 征，而卷  积神经网络(CNN)因其局部连接和权值共享等特性，使得其对平移、扭曲和缩  放 等操作具有一定程度的不变性且有较高的容错能力，成为了图像处理中性能  最优的神经 网络结构。因此，卷积神经网络在出水水质预测建模中极有可能有 良好的表现。
技术实现要素：
为了达到以上目的，本发明提供了一种准确预测污水处理厂出水水质的方  法，具 体的技术方案如下： 5 CN 111553468 A 说　明　书 2/8 页 一种准确预测污水处理厂出水水质的方法，具体包括构建污水处理厂在线  监控 系统，处理在线监控系统记录的历史数据，利用处理后的数据构建并优化  出水水质预测模 型，再利用在线监控系统得到的实时数据和出水水质预测模型，  准确预测一段时间后污水 处理厂的出水水质参数。 具体的，所述一种准确预测污水处理厂出水水质的方法包括以下步骤： S1、构建污水处理厂在线监控系统，具体包括确定监控指标，设置监控仪  表，搭建 数据库平台； S2、数据处理：对数据库中的数据进行处理，具体包括数据表的连接，空  值填充， 异常数据剔除，数据标准化处理，输入输出数据序列的连接与对应等 过程； S3、构建和训练卷积神经网络(CNN)出水水质预测模型，具体包括确定模  型结构， 选取模型损失函数，模型超参数配置，模型训练，模型评估过程，最 终得到适用于该污水处 理厂的出水水质预测模型； S4、出水水质预测效果评估：得到CNN出水水质预测模型后，假定污水  处理厂污水 在池中停留时间为nT，在t-mT时刻需要预测mT(mT