1. 一种基于卷积自编器极限学习机的污水处理系统监测预警方法,其特征在于,该方法包括:

(1)对污水处理系统收集到数据,进行数据预处理;

(2)经过预处理后的数据输入卷积自编器极限学习机进行学习;

(3)利用卷积自编器极限学习机预测出污水处理系统出水水质;

(4)根据出口水质的预测值,确定警级状态,及时反馈,并给出是否需要进行前一阶段的工艺改进,参数调剂,药品用量的增减等相应处理决策;

所述污水处理系统收集到的数据包括:进水生物需氧量(BOD),化学需氧量(COD),氨氮(NH3-N),总氮(TN), 总磷(TP),悬浮物(SS)以及出水COD;数据预处理包括降噪、剔除异常值、平滑以及标准化处理;

所述卷积自编器极限学习机进行学习的具体步骤如下:

a、对输入样本数据做卷积计算,得到相应的卷积矩阵;

b、将得到卷积矩阵,利用卷积自编器,自动编码输出,得到卷积自动编码器第一层输出;

c、将第一层的输出作为第二层的输入,重复步骤a和b,得到第二层的输出;

d、重复步骤c,将上一层的输出作为下一层的输入进行学习,直到最后一层,得到第n层的输出,最终得到n个卷积自动编码器堆栈;

e、将n层的输出作为极限学习机的输入,极限学习机的输出作为学习的结果。

2.  根据权利要求1所述的方法,其特征在于:利用卷机自编器极限学习机得出出水水质预测结果的具体方法为:

将新收集到污水处理厂水质因子数据输入卷积自编器极限学习机,卷积自编器极限学习机的输出即为预测结果。

3. 根据权利要求1所述的方法,其特征在于:经过卷积自编器极限学习机得到出水质预测结果,根据预测结果进行预警决策,其方法包括:

(1)预警状态水平确定模块;

(2)污水处理系统检验模块。

4. 根据权利要求1所述的方法,其特征在于:经卷积自编器n层的输出作为极限学习机的输入,本发明选择增量型极限学习机,学习过程方法如下:

(1)设最大隐层节点个数为M,隐层节点个数L从1开始增加,当L<M且误差大于期望误差时:L=L+1;

(2)随机获取当前隐层神经元的权值和阈值;

(3)计算当前神经元激励函数的输x;

(4)计算当前隐层输出;

(5)然后计算该隐层神经元的输出权值。

5. 根据权利要求3所述的方法,其特征在于:预警状态水平确定模块,具体方法为:

(1)若出水COD(预测或监测)低于60mg/L,此时的预警状态为正常,及确定当前不需要进行水质预警;

(2)若出水COD(预测或监测)介于于60-80mg/L,此时的预警状态为一般;

(3)若出水COD(预测或监测)介于80-100mg/L,此时的预警状态为不正常;

(4)若出水COD(预测或监测)大于100mg/L,此时的预警状态为极不正常。

6. 根据权利要求3所述的方法,其特征在于:对于预测状态为不正常或是极不正常,将对污水处理系统进行以下检验具体为:

(1)检验进水水质是否发生变化; (2)检验水温是否发生变化; (3)检验污泥状态,并做镜检做下观察; (4)检验是否排泥过多; (5)检验曝气量是否发生变化。