(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111587920.4 (22)申请日 2021.12.23 (71)申请人 四创科技有限公司 地址 350000 福建省福州市晋安区新店镇 秀山路245号 4号楼6层6 08单元 (72)发明人 黄怡婷　庄佳宝　廖承伟　农惠　 单森华　苏洁莲　 (74)专利代理 机构 福州市博深专利事务所(普 通合伙) 35214 代理人 林振杰 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 113/08(2020.01) (54)发明名称 一种供水系统中氨氮含量的综合评估方法 与终端 (57)摘要 本发明公开了一种供水系统中氨氮含量的 综合评估 方法与终端； 本发明获取历史人工采集 的水质数据、 环境因子以及生物处理后且在人工 投入药剂前实测的氨氮含量， 并生成训练集； 使 用卷积神经网络和双向长短期记忆网络算法建 立氨氮含量预测模型， 并使用所述训练集对所述 氨氮含量预测模 型进行训练， 得到训练后的氨氮 含量预测模 型； 获取当前的所述水质数据以及所 述环境因子， 并将所述水质数据和所述环境因子 输入所述氨氮含量预测模型， 得到生物处理后且 在人工投入 药剂前的预测氨氮含量； 本发明的技 术方案在不需要购买氨氮监测设备的情况下即 实现了氨氮浓度的自动检测， 极大地降低了氨氮 浓度的检测成本， 同时在保证出水安全的情况 下， 减少了药剂投加量。 权利要求书4页 说明书8页 附图2页 CN 114239417 A 2022.03.25 CN 114239417 A 1.一种供 水系统中氨 氮含量的综合评估方法， 其特 征在于， 包括 步骤： S1、 获取历史人工采集的水质数据、 环境因子以及生物处理后且在人工投入药剂前实 测的氨氮含量， 并生成训练集， 其中所述水质数据和所述环 境因子为输入数据， 所述氨氮含 量为输出数据， 所述水质数据包括水温、 PH值、 溶解氧、 浊度、 降雨量， 所述环境因子包括气 温、 水量、 检测日期以及水力停留时间； S2、 使用卷积神经网络和双 向长短期记忆网络算法建立氨氮含量预测模型， 并使用所 述训练集对所述氨 氮含量预测模型进行训练， 得到训练后的氨 氮含量预测模型； S3、 获取当前的所述水质数据以及所述环境因子， 并将所述水质数据和所述环境因子 输入所述氨 氮含量预测模型， 得到生物处 理后且在人工投入药剂前的预测氨 氮含量。 2.根据权利要求1所述的一种供水系统中氨氮含量的综合评估方法， 其特征在于， 所述 使用卷积神经网络和双向长短期记 忆网络算法进行氨 氮含量预测模型的建模具体包括： 建立卷积神经网络模型、 建立双 向长短期记忆网络模型并建立扁平化处理步骤， 由所 述卷积神经网络模型、 所述双向长 短期记忆网络模型和扁平化处理步骤组成所述氨氮含量 预测模型， 所述扁平 化处理步骤用于对卷积神经网络模型输出的数据进 行扁平化处理后输 入所述双向长短期记 忆网络模型。 3.根据权利要求2所述的一种供水系统中氨氮含量的综合评估方法， 其特征在于， 建立 所述卷积神经网络模型 具体包括 步骤： S21、 构建矩阵神经元层k1， 所述矩阵神经元层由按照时间顺序排列的水质数据以及环 境因子形成， S22、 构建卷积层k2， k2＝z*n， 其中z为卷积层神经元与前一次神经元的连接个数， n为 矩阵列数， z<n， 样品输入为[samples,timesteps]， 其中samples为样品信息， samples＝k1 (n)*k2(n)， timesteps为输入数据的时间范围。 4.根据权利要求2所述的一种供水系统中氨氮含量的综合评估方法， 其特征在于， 建立 双向长短期记 忆网络模型 具体包括 步骤： S23、 构建长短期记忆网络模型模型， 包括遗忘门函数ft＝σ(Wfxt+Ufht‑1+bf)、 输入门函 数it＝σ(Wixt+Uiht‑1+bi)、 输出门函数ot＝σ(Woxt+Uoht‑1+bo)和状态函数， 所述状态函数包括 输入状态函数 和内部状态函数 S24、 基于所述长短期记忆网络模型构建所述双向长短期记忆网络模型模型， 实现正向 和反向传播的双向循环结构； S25、 配置 长短期记 忆网络激活函数： 和卷积神经网络 激活函数：权　利　要　求　书 1/4 页 2 CN 114239417 A 2其中， σ 表示卷积神经网络激活函数S(x)， Wf、 Uf和bf表示遗忘门参数， xt表示t时刻的输 入值， ht‑1表示t‑1时刻的输出， Wi、 Ui和bi表示输入门参数， 表示t时刻输入状态， tanh表示 长短期记忆网络激活函数， Wc、 Uc和bc表示输入状态参数， Wo、 Uo和bo表示输出门参数， 表 示t时刻正向LSTM内部状态， 表示t‑1时刻正向LSTM 网络的内部状态， 表示t时刻反 向LSTM网络的内部状态， 表示t‑1时刻反向LSTM网络的内部状态， LSTM表示LSTM网络 函数。 5.根据权利要求1所述的一种供水系统中氨氮含量的综合评估方法， 其特征在于， 所述 步骤S1具体包括 步骤： S11、 获取历史人工采集的历史数据， 所述历史数据包括水质数据、 环境因子以及生物 处理后且在人工投入药剂前实测的氨氮含量， 并对所述历史数据进行离群点检测， 得到第 一缺失值以及异常值； S12抛弃所述异常值， 得到第二缺失值， 使用拉格朗日插值法对所述第 一缺失值以及所 述第二缺失值进行填补； S13、 将所述历史数据随机拆分为训练集和测试集， 所述训练集的数据量为所述历史数 据的80％， 所述测试集的数据量 为所述历史数据的20％。 6.一种供水系统中氨氮含量的综合评估终端， 包括处理器、 存储器以及存储在所述存 储器中并可在所述处理器上运行 的计算机程序， 其特征在于， 所述处理器执行所述计算机 程序时实现以下步骤： S1、 获取历史人工采集的水质数据、 环境因子以及生物处理后且在人工投入药剂前实 测的氨氮含量， 并生成训练集， 其中所述水质数据和所述环 境因子为输入数据， 所述氨氮含 量为输出数据， 所述水质数据包括水温、 PH值、 溶解氧、 浊度、 降雨量， 所述环境因子包括气 温、 水量、 检测日期以及水力停留时间； S2、 使用卷积神经网络和双 向长短期记忆网络算法建立氨氮含量预测模型， 并使用所 述训练集对所述氨 氮含量预测模型进行训练， 得到训练后的氨 氮含量预测模型； S3、 获取当前的所述水质数据以及所述环境因子， 并将所述水质数据和所述环境因子 输入所述氨 氮含量预测模型， 得到生物处 理后且在人工投入药剂前的预测氨 氮含量。 7.根据权利要求6所述的一种供水系统中氨氮含量的综合评估终端， 其特征在于， 所述 使用卷积神经网络和双向长短期记 忆网络算法进行氨 氮含量预测模型的建模具体包括： 建立卷积神经网络模型、 建立双 向长短期记忆网络模型并建立扁平化处理步骤， 由所 述卷积神经网络模型、 所述双向长 短期记忆网络模型和扁平化处理步骤组成所述氨氮含量 预测模型， 所述扁平 化处理步骤用于对卷积神经网络模型输出的数据进 行扁平化处理后输 入所述双向长短期记 忆网络模型。 8.根据权利要求7所述的一种供水系统中氨氮含量的综合评估终端， 其特征在于， 建立 所述卷积神经网络模型 具体包括 步骤： S21、 构建矩阵神经元层k1， 所述矩阵神经元层由按照时间顺序排列的水质数据以及环权　利　要　求　书 2/4 页 3 CN 114239417 A 3