一种基于物联网以及深度学习的污水治理方法及系统

本发明涉及污水治理智能管控，特别涉及一种基于物联网以及深度学习的污水治理方法及系统。

背景技术：

1、污水按照来源分类，分为生产污水处理与生活污水处理。污水如果未经处理直接排放,容易污染现有水源、降低水资源循环利用率、威胁动植物生存环境、影响生态平衡。污水处理是指为使污水达到排放标准或再次使用的水质要求对其进行净化的过程。良好的污水处理有利于提高水资源利用率，实现保护环境以及降低睡污染概率的目的。但是污水处理需要经过很多过程工艺复杂，污水水质变化剧烈，现有的技术难以保证每个污水处理环节都精准性、稳定性的完成器对应的处理，易导致最终排放的污水中某种物质或者多种物质不达标的清理，因此本发明提出一种基于物联网以及深度学习的污水治理方法及系统。

技术实现思路

1、本发明提供一种基于物联网以及深度学习的污水治理方法及系统，用以解决上述问题，实现污水治理过程中各个污水处理环节的工序参数的精准控制，确保排放污水的水质达标，有利于提高资源利用率，实现保护生态环节目的。

2、本发明提供一种基于物联网以及深度学习的污水治理方法，包括：

3、步骤1：基于物联网采集各个污水处理环节对应的工序参数以及动态水质数据，生成污水处理动态列表，并上传至云平台；

4、步骤2：基于污水处理预测模型，结合污水处理动态列表，预测各个工序对应的水质处理结果；

5、步骤3：基于水质处理结果，分别对各个污水处理环节进行工序参数调控。

6、优选的，在一种基于物联网以及深度学习的污水治理方法中，步骤1，具体包括：

7、基于当前污水处理厂的每个污水处理环节设置的数据感知节点，构建无线多跳网络；

8、获取每个污水处理环节的多个无线传感器的水质感知数据，对多个水质感知数据进行对应的预处理后，生成其对应的污水处理环节的动态水质数据，并同步获取各个污水处理动环节对应的工序参数；

9、基于无线多跳网络，将所述动态水质数据及其对应的工序参数发送至当前污水处理厂的监测端的污水处理动态列表中进行数据更新显示；

10、将最新污水处理动态列表同步上传至云平台。

11、优选的，在一种基于物联网以及深度学习的污水治理方法中，获取每个污水处理环节的多个无线传感器的水质感知数据，对多个水质感知数据进行对应的预处理后，生成其对应的污水处理环节的动态水质数据，包括：

12、获取污水处理环节对应的污水处理场景特征以及设备设置特征，并确定每个无线传感器在其对应的污水处理环节对应的污水处理场景中的分布特征；

13、基于所述分布特征以及设备设置特征，确定每个无线传感器与对应的污水处理设备的相对位置特征；

14、基于相对位置特征，结合污水处理场景特征，预测各个无线传感器相对检测差；

15、基于相对检测差，对各个无线传感器之间的杂质检测数据大小进行排序获得数据排序关系；

16、基于数据排序关系以及相对检测差，获得相邻排序无线传感器之间的数据误差；

17、以最差水质数据对应的无线传感器的水质感知数据为基础，基于无线传感器之间的数据误差，按照数据排序关系进行水质感知数据进行补偿，获得水质感知补偿数据；

18、对水质感知补偿数据进行加权平均，获得对应的污水处理环节的动态水质数据。

19、优选的，在一种基于物联网以及深度学习的污水治理方法中，步骤2，包括：

20、污水处理预测模型的训练，包括：

21、基于历史原始污水数据，构建模型训练集，基于模型训练集，确定dbn网络的最优结构参数，得到dbn最优网络结构；

22、基于模型训练集，并采用吉布斯采用原理，对dbn最优网络进行训练；

23、在每轮训练完成后，基于bp算法对dbn模型的工序参数与水质处理结果的相关度进行调整；

24、基于调整后的dbn最优网络结构继续进行网络结构训练直到完成预设轮次的训练后，得到污水处理预测模型。

25、优选的，在一种基于物联网以及深度学习的污水治理方法中，步骤3，具体包括：

26、将各个污水处理环节对应的水质处理结果与其对应的标准排出水质进行对比，判断二者是否一致；

27、若一致，则保持所述污水处理环节的工序参数不变继续进行污水处理；

28、否则，将所述污水处理环节作为待调污水处理环节，基于水质处理结果，结合历史水质处理数据和实际水质变化情况，对各个待调污水处理环节进行工序参数调控。

29、优选的，在一种基于物联网以及深度学习的污水治理方法中，基于水质处理结果，结合历史水质处理数据和实际水质变化情况，对各个待调污水处理环节进行工序参数调控，包括：

30、对待调控污水处理环节的类型进行确认；

31、当待调污水处理环节为过滤提升环节时，获取待调控污水处理环节对应的历史工序参数、历史输入水质数据以及历史输出水质误差；

32、分别对历史输入水质数据进行水质特征提取获得输入污水特征，基于输入污水特征建立历史输入水质数据关联关系；

33、基于工序相关污染物质的物质属性，对历史输入水质数据进行多维度分类，获得多个关联物质集，并基于历史输出水质误差，确定每个关联物质集中各个关联水质子数据对应的输出子误差；

34、基于关联物质集，建立多个工序参数对比序列，确定不同工序参数对不同含量的同一工序相关污染物质的处理影响程度；

35、对水质处理预测误差进行解析，获得多种水质污染物对应的预测子误差，将最大预测子误差对应的工序相关污染物质作为调控参考物质；

36、基于调控参考物质对应的处理影响程度，结合调控参考物质的初始含量，确定所述待调污水处理环节的调控参数。

37、优选的，在一种基于物联网以及深度学习的污水治理方法中，基于水质处理结果，结合历史水质处理数据和实际水质变化情况，对各个待调污水处理环节进行工序参数调控，还包括：

38、当待调污水处理环节为循环处理环节时，基于各个待调污水处理环节的动态水质数据生成水质变化动态图，根据水质变化动态图，确定在同一工序参数下的各种工序相关污染物质的改变率；

39、基于各种工序相关污染物质的改变率及其对应的初始含量，确定最难处理污染物质；

40、根据所述待调污水处理环节对应的相邻上位污水处理环节对应的污水处理速度以及所述待调污水处理环节对应的最大污水容纳量，确定所述待调污水处理环节的最大允许处理时间；

41、基于最难处理污染物质的改变率及其对应的初始含量，结合最难处理污染物质的工序标准输出量，预测当前工序参数对应的处理需求时间，并判断所述处理需求时间是否大于最大允许处理时间；

42、若不是，则获取需求实际与当前工序参数对应的设置时间之间的时间误差，基于时间误差，结合水质处理预测误差中最难处理污染物质对应的预测子误差以及当前改变率，获得最难处理污染物质的最佳改变率；

43、基于最难处理污染物质的最佳改变率以及初始含量，结合预设的循环设备物质处理速度参考表，确定所述待调污水处理环节的调控参数；

44、若是，则将所述待调污水处理环节的时间参数调节至最大允许处理时间，并基于最大允许处理时间与处理需求时间的时间误差，执行处理需求时间小于等于最大允许处理时间的参数确定步骤，得到所述待调污水处理环节的调控参数。

45、优选的，在一种基于物联网以及深度学习的污水治理方法中，对各个待调污水处理环节进行工序参数调控，包括：

46、当待调污水处理环节为沉降静置环节时，基于待调污水处理环节对应的主要沉降物质的初始含量，基于所述初始含量，确定最佳沉降时间；

47、基于沉降静置环节对应的全部沉降静置区域以及各个区域的最大沉降量，结合最佳沉降时间，确定沉降静置环节的污水接纳速度；

48、基于污水接纳速度以及待调污水处理环节对应的各个上位污水处理环节的污水处理时间，确定初始污水输入流量对应的调控参数。

49、优选的，在一种基于物联网以及深度学习的污水治理方法中，对各个待调污水处理环节进行工序参数调控，包括：

50、将所述待调污水处理环节对应的调控参数发送污水处理厂的监测端生成对应的控制指令；

51、通过无线多跳网络将控制指令发送至对应的数据感知节点，控制对应的污水处理环节进行工序参数调节。

52、本发明提供一种基于物联网以及深度学习的污水治理系统，包括：

53、物联网数据采集模块，用于基于物联网采集各个污水处理环节对应的工序参数以及动态水质数据，生成污水处理动态列表；

54、深度学习模型预测模块，用于基于污水处理预测模型，结合污水处理动态列表，预测各个工序对应的水质处理结果；

55、污水处理精准调控模块，用于基于水质处理结果，分别对各个污水处理环节进行工序参数调控。

56、与现有技术相比本发明至少存在以下有益效果：

57、本发明基于物联网采集各个污水处理环节对应的工序参数以及动态水质数据，生成污水处理动态列表，并上传至云平台精准感知与监测污水治理过程中每个环节的设备参数(即工序参数)及污水水质的实时数据；利用云计算技术，存储得到的污水处理数据；然后，基于污水处理预测模型，结合污水处理动态列表，预测各个工序对应的水质处理结果，为污水治理的智慧调控提供基础，最后基于水质处理结果，分别对各个污水处理环节进行工序参数调控，实现污水治理过程中各个污水处理环节的工序参数的精准控制，提高污水处理稳定性、精确性，确保排放污水的水质达标，有利于提高资源利用率，实现保护生态环节目的。

58、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在本技术文件中所特别指出的结构来实现和获得。

59、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。