论文详情
2024年第5期
• 工业水处理 •
基于CNN-LSTM 的工业出水水质预测模型
作者：杨潞霞，王梦冉，林兴亮，付一政，王智瑜
作者单位：太原师范学院计算机科学与技术学院；中北大学材料科学与工程学院；山西省煤矿矿井水处理技术创新中心
引用本文：杨潞霞, 王梦冉, 林兴亮, 等.基于CNN-LSTM 的工业出水水质预测模型[J].净水技术, 2024, 43(5):143-149.
摘要：工业废水含有多种污染物,提前预测工业废水水质从而快速对其进行相应处理具有重要意义。 为此,研究提出了一种新的卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long short-term memory,LSTM)融合的工业废水水质污染物指标预测模型(CNN-LSTM)。 为了更好地捕捉工业废水数据的时序性和动态性,模型设置了多个滑动窗口。 使用CNN 算法将时间序列数据进行高维特征提取,利用LSTM 模型学习时间序列数据的时序特征,建立CNN-LSTM 工业废水预测模型,并对废水水质中的化学需氧量(COD<sub>Cr</sub>)、氨氮、总磷(TP)3 项指标进行预测分析。 结果表明,与CNN 和LSTM 两个基准模型相比,CNN-LSTM 预测模型的平均绝对值误差率(MAE)和均方误差率(MSE)均较小,预测效果较优。 该模型能较好地实现对工业废水出水水质的准确预测,可为工业废水水质的在线监测和精准控制提供有效的、可行的技术支持和决策依据。
关键词：卷积神经网络(CNN)，长短期记忆网络(LSTM)，工业出水水质预测，滑动窗口方法，预处理，归一化
基金资助：山西省重点研发计划(202102010101008);山西省研究生教育改革研究课题(2023JG163)
