基于数据驱动的水质预测方法研究及监测系统开发

gghd

基于数据驱动的水质预测方法研究及监测系统开发梁庆大连理工大学
水资源与地球上的一切生命息息相关,现代工业、农业缺乏水资源都无法继续发展。如今随着经济的发展,水污染已经成为一个全球共性问题,如何防治水污染是关键。水质时序数据是水质监测结果的一般存储形式,其中既包含了水环境系统的历史信息,又包含推动水体系统动态演化的关系信息。因此,学习和分析水质时序数据,有助于掌握其演化规律,进而准确预测水质参数的变化,对于水环境污染的治理和防治具有重要的意义。本文针对具有诸多非确定时变特征和大数据量的多元水质时序数据以及不同的应用场景,对水质时序数据预测算法展开了研究,提高预测精度和效率,提升模型的泛化能力和实际应用价值。针对传统水质模型参数多、过程复杂、不易推广的问题,本文采用回声状态网络设计预测模型应用于水质时序数据预测。为解决回声状态网络泛化能力差,无法根据不同的水质时序数据有效选择储备池参数的问题,提出基于改进蝗虫优化算法和回声状态网络的预测模型。为了更好地平衡全局搜索和局部搜索,蝗虫优化算法的递减系数c能够以新的随机策略自适应调整;将柯西变异算子与差分进化算子相结合,对种群位置进行变异更新,增强了算法的寻优性能。通过以上改进,增强了基于回声状态网络的预测模型的预测精度和泛化能力。针对离线预测模型算法复杂度较高,实时性较差,不能够满足在线预测需求的问题,本系统利用核递归最小二乘法来提取水质参数之间的非线性特征进行水质预测。同时为了解决该方法在应对大规模多元水质数据的预测任务时出现的数据挤压所导致的占用内存较大,时空复杂度增加等问题,提出一种动态搜索稀疏化核递归最小二乘算法,算法采用近似线性依赖判定准则和固定预算策略双重稀疏化策略对核矩阵进行有效的约束,从而改善核递归最小二乘法所存在的一些问题。同时针对稀疏化策略中阈值参数不确定的问题,利用群智能优化算法广泛搜索参数解空间,寻找最适合当前预测任务的参数组合,极大提高了预测精度和泛化能力。针对水源水库等环境监测点条件复杂多变,环境恶劣,无法人工实时采集水质数据,本文设计了一套水质监测系统,能够在复杂工况环境下保持稳定运行,同时作为预测模型的应用平台,实现了水源地水质信息在线监测和预测,有利于研究人员进行水质管理与决策,具有极高的应用价值。