一种填埋场渗滤液产量的预测方法及系统与流程

1.本发明属于环境污染控制及人工智能应用交叉技术领域，具体而言属于一种填埋场渗滤液产量的预测方法及系统。


背景技术：

2.随着国内经济的高速发展及城市化率的持续上升，城市生活垃圾的处理初值已经成为一个不可忽视的重要课题。目前，国内主流的城市生活垃圾处理初值方式仍是填埋法，而如何对填埋场产生渗滤液进行无害化、资源化处理一直是近年来环境保护方向的研究重点。
3.垃圾填埋场渗滤液是由固体废弃物填埋场中垃圾腐败分解、降雨下渗，以及其他液体穿过填埋场垃圾产生的。渗滤液中含有各种污染物，包括重金属、有机化合物和病原体，其中有二十余种被确认是致癌物、促癌物和辅癌物。因此，如果对填埋渗滤液管理不当，可能会污染地表径流及地下水系统，进而造成土壤、空气及水生态的破坏，最终对人类健康和环境造成重大威胁。因此，准确预测填埋场将产生的渗滤液量非常重要，以便采取适当的管理策略。
4.然而，预测填埋场渗滤液量可能是一项具有挑战性的任务。目前，我国正在运行的填埋场普遍存在着实际渗滤液产量高于设计值的问题，造成渗滤液无法进行全量达标处置。其主要原因是现行的渗滤液产量计算方法存在较大计算偏差的问题。目前常用的垃圾渗滤液产量计算方法主要有水量平衡法、浸出系数法、help水文计算模型法等。此类计算模型法的基本原理是根据经验估计蒸发减量系数及径流系数，将堆体自身含水率以及持水率的影响忽略，并未考虑水在堆体中的渗流过程，是一种比较粗略的计算方法。此外，模型法大量依赖于经验，无法将填埋场内部机理及环境因子有机结合进行渗滤液产量的预测。究其根本，是因为影响渗滤液的产量的因素很多，包括垃圾的组成，气候和天气条件，以及填埋场自身的设计和操作。而这些因素之间的复杂和非线性交互使得使用传统统计方法开发准确的预测模型变得困难。
5.近几年，随着计算机科学的快速发展，基于时间序列算法的人工智能模型已经在天气预报，能源需求预测和财务预测这类课题上取得了突破性的进展。时间序列算法并不是一个新词，早在20世纪上半叶，就有学者根据布朗运动提出了随机漫步模型，用于预测金融领域的股票价格，此后的时间序列算法层出不穷。但是碍于设备的限制，当时的算法也仅停留于数学领域。21世纪后，计算机更新迭代后展现出的强大算力为数学算法进入工程应用提供了可能性。从非线性机器学习模型支持向量机，到如今的循环神经网络(rnn)和长短期记忆网络(lstm)和informer等深度学习模型，人工智能的发展已经为处理非线性和非平稳时间序列数据提供了充分的条件。但是上述时间序列算法模型都无法高效拟合并预测长时间序列问题。
6.总的来说，填埋场自身设计、内部机理及环境因素非线性交互，导致对填埋场渗滤液产量的准确预测非常困难，这给填埋场的工程设计及环境保护带来了极大挑战。
7.有鉴于此，特提出本发明。


技术实现要素：

8.有鉴于此，本发明公开了一种填埋场渗滤液产量的预测方法及系统，鉴于现有的填埋场渗滤液产生量预测模型存在可预测时间序列短、对填埋场内部生化降解分析复杂、预测精度低等问题，本发明利用线性长时间序列模型对填埋场渗滤液各项参数指标及环境因子进行相关性分析，进而基于ltsf-linear设计长时间序列模型对填埋场渗滤液产量进行预测。
9.具体地，本发明通过以下技术方案实现：
10.第一方面，本发明公开了一种填埋场渗滤液产量的预测方法，具体包括如下步骤：
11.s1、获取填埋场环境气象参数和渗滤液污染程度参数并进行预处理；
12.s2、对所述预处理后的数据集进行统一编码；
13.s3、搭建ltsf-linear预测模型，基于统一编码数据集，采用深度学习梯度下降算法对ltsf-linear预测模型进行训练；
14.s4、对实时获取的外部环境气象数据进行预处理，之后输入训练好的ltsf-linear预测模型，进行填埋场渗滤液产量预测。
15.根据填埋场的地理位置及气候特征收集获取最终填埋场渗滤液产生液相关的环境气象，并且在填埋场渗滤液进入反硝化污染处理工艺前，检测其污染程度参数，将环境气象参数和渗滤液污染程度参数作为模型输入量，可以更加准确的推断填埋场渗滤液的最终产量。
16.进一步地，所述s1步骤中，所述预处理包括对所述环境气象参数和所述渗滤液污染程度参数的异常数据进行清洗，对渗滤液产量值出现异常的时间点对应的各参数进行删除。
17.在填埋场内防渗膜破损、渗滤液管道堵塞等常见填埋场工况问题会导致渗滤液产量数值异常，使得产量数据出现明显的离群值，因此，对渗滤液产量值出现明显异常的日期中的各参数进行删除，避免影响后续预测准确性。
18.进一步地，所述预处理还包括对所述删除的数据及缺失的数据进行补全。具体地，整体补全数据量占总数据量的5％。
19.进一步地，所述s3步骤中，所述ltsf-linear模型由输入层、线性模块和输出层三部分组成；
20.其中，所述线性模块包括单层线性模块、分解线性模块和归一化模块。
21.进一步地，所述统一编码的方法包括根据填埋场的规模确定输入所述ltsf-linear预测模型的数据集的按批次输入长度；
22.其中，所述按批次输入长度包括日长度、周长度、月长度和季节长度。
23.进一步地，所述数据集的输入公式为：
[0024][0025]
其中，l表示按批次输入长度，表示t
th
时间点处的i
th
变量。
[0026]
根据填埋场设计和周边环境的实际情况，对输入模型的数据集的按批次输入长度
进行调整。
[0027]
对于中大型填埋场，由于其内部填埋垃圾容量大，填埋层数深，使得周边气象环境的变化对填埋场内部的生化反应和降解过程影响缓慢，最终需要较长的时间才能反应到渗滤液的产量上，因此选用较大的按批次输入长度可以帮助模型获得更好地拟合效果，进而达到更高的渗滤液产量预测精度；
[0028]
对于小型填埋场，周边气象环境的变化对填埋场内部的生化反应和降解过程影响迅速，可以很快地反应到渗滤液的产量上，因此需要选择较小的按批次输入长度。
[0029]
进一步地，所述训练方法包括：根据所述单层线性模块对多变量时间序列进行独立预测；
[0030]
计算方法为：
[0031][0032]
其中，是沿时间轴的线性图层，而和xi分别表示每个i
th
变量的预测值和输入值；
[0033]
具体地，单层线性模块中的不同变量之间享受权重，并且不对空间相关性进行建模。因此，ltsf-linear模型在预测多变量时间序列时，不会考虑不同变量之间的相关性。它只是简单地对每个变量进行独立预测，而不考虑它们之间的相互影响。
[0034]
根据所述分散线性模块对两个特征相加进行预测；
[0035]
其中，平均移动核计算方法为：
[0036][0037]
其中，ma
t
为t时刻的移动平均值，n为平均计算窗口大小；
[0038]
具体地，分解线性模块首先使用移动平均核将原始数据输入分解为趋势分量和余数(季节性)分量。然后，两个单层线性层分别应用于每个分量，最后将两个特征相加以获取最终预测。
[0039]
根据所述归一化模块对输入序列进行归一化处理；
[0040]
计算公式为：
[0041]
x’＝(x-μ)/σ
[0042]
其中x’为归一化后的值，x为原始值，μ为数据集的均值，σ为数据集的标准差。
[0043]
具体地，归一化模块旨在提高ltsf-linear模型在数据集分布发生变化时的性能。它首先通过减去按批次输入长度的最后一个值来对输入进行预处理。然后，输入通过一个线性层，最后在做出最终预测之前将减去的部分加回来。这种减法和加法是对输入序列进行归一化的过程。
[0044]
进一步地，所述s1步骤中，所述环境气象参数包括平均气温、湿度、气压、日降水量和地标辐射。
[0045]
由于填埋场内部的生物降解过程收到内部径流、环境温度、气压等条件的影响；与此同时，降雨量也会一定程度上影响填埋场的渗滤液产量，因此本发明主要选取平均气温、湿度、气压、日降水量、地表辐射等气象数据作为预测填埋场渗滤液产量的环境参数。
[0046]
进一步地，所述渗滤液污染程度参数包括渗滤液的化学需氧量、生化需氧量、氨氮
含量、总氮含量和渗滤液产量。
[0047]
在填埋场渗滤液进入反硝化污染处理工艺前，检测其污染物参数，包括渗滤液的化学需氧量、生化需氧量、氨氮含量和总氮含量等污染物参数可以反应填埋场内部组分的生化降解过程，将该参数作为ltsf-linear模型，可以更加准确的推断填埋场渗滤液最终产量。
[0048]
第二方面，本发明公开了一种填埋场渗滤液产量的预测系统，包括：
[0049]
数据获取模块：获取填埋场环境气象参数和渗滤液污染程度参数并进行预处理；
[0050]
统一编码模块：对所述预处理后的数据集进行统一编码；
[0051]
模型搭建与训练模块：搭建ltsf-linear预测模型，基于统一编码数据集，采用深度学习梯度下降算法对ltsf-linear预测模型进行训练；
[0052]
产量预测模块：对实时获取的外部环境气象数据进行预处理，之后输入训练好的ltsf-linear预测模型，进行填埋场渗滤液产量预测。
[0053]
与现有技术相比，本发明的有益效果在于：本发明的填埋场渗滤液产量的预测方法，实现了基于线性ltsf-linear预测模型，通过单层线性模块、分解线性模块和归一化模块的机制，对填埋场历年渗滤液产量、污染程度参数和环境气象参数进行综合分析，建立历年数据中各个时间点之间的内在联系，从而获得长时序、高精度的填埋场渗滤液产量演变规律；同时，本发明去除了传统时间序列模型中的rnn模块及informer模型中的注意力模块，在不降低预测精度的前提下，对输入数据高效降维，提高了整体模型的训练集预测效率。
附图说明
[0054]
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0055]
图1为本发明实施例提供的一种填埋场渗滤液产量的预测方法流程示意图；
[0056]
图2为本发明实施例提供的填埋场渗滤液产量的预测方法基本流程示意图；
[0057]
图3为本发明实施例提供的ltsf-linear模型的模块结构图；
[0058]
图4为本发明实施例提供的一种填埋场渗滤液产量的预测系统的架构示意图。
具体实施方式
[0059]
下面将结合附图和具体实施方式对本发明的技术方案进行清楚、完整地描述，但是本领域技术人员将会理解，下列所描述的实施例是本发明一部分实施例，而不是全部的实施例，仅用于说明本发明，而不应视为限制本发明的范围。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0060]
为了更加清晰的对本发明中的技术方案进行阐述，下面以具体实施例的形式进行说明。
[0061]
实施例
[0062]
参照图1所示，本发明公开了一种填埋场渗滤液产量的预测方法，包括如下步骤：
[0063]
s1、获取填埋场环境气象参数和渗滤液污染程度参数并进行预处理；
[0064]
s2、对所述预处理后的数据集进行统一编码；
[0065]
s3、搭建ltsf-linear预测模型，基于统一编码数据集，采用深度学习梯度下降算法对ltsf-linear预测模型进行训练；
[0066]
s4、对实时获取的外部环境气象数据进行预处理，之后输入训练好的ltsf-linear预测模型，进行填埋场渗滤液产量预测。
[0067]
参阅图2所示，本发明实施例具体通过如下步骤实现：
[0068]
首先，根据填埋场的地理位置及气候特征，收集与填埋场渗滤液最终产量相关的环境气象参数。由于填埋场内部的生物降解过程受到内部径流、环境温度、气压等条件的影响；与此同时，降雨量也会一定程度上影响填埋场的渗滤液产量。所以，本发明主要选取了平均温度、湿度、气压、日降水量、地标辐射的气象数据作为预测填埋场渗滤液产量的环境参数；在填埋场渗滤液进入反硝化污染处理工艺前，检测其污染程度参数，包括渗滤液的化学需氧量、生化需氧量、氨氮含量和总氮含量等污染物参数，直观反应填埋场内部组分的生化降解过程，将上述参数作为模型输入量，可以更加准确的推断填埋场渗滤液的最终产量。
[0069]
获取填埋场环境气象参数和渗滤液污染程度参数后，对上述数据进行预处理，之后进行统一编码；
[0070]
具体地，数据预处理包括将渗滤液产量数据的异常值进行清洗，对渗滤液产量值出现异常的时间点对应的各参数进行删除，并对删除的数据及缺失的数据进行补全。在填埋场内防渗膜破损、渗滤液管道堵塞等常见填埋场工况问题导致渗滤液产量数值异常，使得产量数据出现明显的离群值，因此，对渗滤液产量值出现明显异常的日期中的各参数进行删除，避免影响后续预测准确性，并且通过本发明的预处理方法，能够使整体补全数据量占总数据量的5％。
[0071]
将预处理后的数据集进行统一编码，包括根据填埋场的规模确定输入ltsf-linear预测模型的数据集的按批次输入长度；其中，按批次输入长度包括日长度、周长度、月长度和季节长度；具体地，数据集的输入公式为：
[0072][0073]
其中，l表示按批次输入长度，表示t
th
时间点处的i
th
变量。
[0074]
具体地，取平均气温、湿度、气压、日降水量、地表辐射、化学需氧量、生化需氧量、氨氮含量、总氮含量和渗滤液产量这10个环境气象参数和渗滤液污染程度参数作为模型输入量，则i
th
变量个数为10，即为渗滤液产量。而模型会根据这10个输入变量进行独立线性计算，进而拟合出未来t个时间点下的渗滤液产量。
[0075]
对于中大型填埋场，由于其内部填埋垃圾容量大，填埋层数深，使得周边气象环境的变化对填埋场内部的生化反应和降解过程影响缓慢，最终需要较长的时间才能反应到渗滤液的产量上，因此选用较大的按批次输入长度可以帮助模型获得更好地拟合效果，进而达到更高的渗滤液产量预测精度；
[0076]
对于小型填埋场，周边气象环境的变化对填埋场内部的生化反应和降解过程影响迅速，可以很快地反应到渗滤液的产量上，因此需要选择较小的按批次输入长度。
[0077]
参见图3所示，搭建ltsf-linear预测模型，其中，ltsf-linear模型由输入层、线性
模块和输出层三部分组成；具体地，线性模块包括单层线性模块、分解线性模块和归一化模块。基于统一编码数据集，采用深度学习梯度下降算法对ltsf-linear预测模型进行训练。
[0078]
本发明采用ltsf-linear预测模型进行填埋场渗滤液产量预测，对于填埋场渗滤液产量的环境气象参数和渗滤液污染程度参数进行单层线性分析、分解线性分析和归一分析，能够对各参数对应的时间点进行精确分析，能够实现对每一天的数据进行分析，并且通过输入详细的日数据，提高预测精准度；而传统的rnn模型和informer模型不能对数据进行单层线性和分解线性分析，对于数据不能精确处理，因此其预测精度不高。
[0079]
具体地，本发明首先通过单层线性模块对多变量时间序列进行独立预测，之后通过分解线性模块对两个特征相加进行预测，最后通过归一化模块对输入序列进行归一化处理，得到最终的训练后的ltsf-linear模型。
[0080]
其中，单层线性模块(vanilla linear layer)中的不同变量之间享受权重，并且不对空间相关性进行建模。这意味着，ltsf-linear模型在预测多变量时间序列时，不会考虑不同变量之间的相关性。它只是简单地对每个变量进行独立预测，而不考虑它们之间的相互影响。
[0081]
计算公式为：
[0082][0083]
其中，是沿时间轴的线性图层，而和xi分别表示每个i
th
变量的预测值和输入值。基于此，本模型可以对i
th
变量分别进行独立预测。本方法的预测对象是渗滤液产量，如果选择平均气温、湿度、气压、日降水量、地表辐射、化学需氧量(cod)、生化需氧量(bod)、氨氮(nh4+-n)、总氮(tn)，和渗滤液产量这10个气象数据及渗滤液污染物参数作为模型输入量，则此处的i
th
变量个数为10，即为渗滤液产量。而模型会根据这10个输入变量进行独立线性计算，进而拟合出未来t个时间点下的渗滤液产量。
[0084]
分解线性模块(decomposition linear layer)首先使用移动平均核(moving average)将原始数据输入分解为趋势分量和余数(季节性)分量。然后，两个单层线性层(即vanilla linear layer)分别应用于每个分量，最后将两个特征相加以获得最终预测。平均移动核计算公式如下：
[0085][0086]
其中，ma
t
为t时刻的移动平均值，n为平均计算窗口大小。仍以输入序列为一个月(即30天)为例，若目前处于t＝15天，而平均计算窗口大小为n＝7天，则公式对第9到15天中各变量去平均值后，输入模型进行线性拟合，进而预测渗滤液产量。
[0087]
归一化模块(normalization linear layer)旨在提高ltsf-linear模型在数据集分布发生变化时的性能。它首先通过减去按批次输入长度的最后一个值来对输入进行预处理。然后，输入通过一个线性层，最后在做出最终预测之前将减去的部分加回来。这种减法和加法是对输入序列进行简单归一化的过程。其作用于下述公式类似：
[0088]
x’＝(x-μ)/σ
[0089]
其中x’为归一化后的值，x为原始值，μ为数据集的均值，σ为数据集的标准差。
[0090]
本发明的填埋场渗滤液产量的预测方法实现了基于线性模块的ltsf-linear模型通过单层线性模块(vanilla linear layer)、分解线性模块(decomposition linear layer)，和归一化模块(normalization linear layer)的机制，对填埋场历年渗滤液产量、污染物参数、气象数据进行综合分析，建立了历年数据中各个时间点之间的内在联系，从而获得长时序，高精度的填埋场渗滤液产量演变规律。此外，本发明去除了传统时间序列模型中的rnn模块及informer模型中的注意力模块，在不降低预测精度的前提下，对输入数据高效降维，大大提高了整体模型的训练及预测效率。
[0091]
另外，本发明还提供了一种填埋场渗滤液产量的预测方法，如图4所示，具体包括：
[0092]
数据获取模块：获取填埋场环境气象参数和渗滤液污染程度参数并进行预处理；
[0093]
统一编码模块：对所述预处理后的数据集进行统一编码；
[0094]
模型搭建与训练模块：搭建ltsf-linear预测模型，基于统一编码数据集，采用深度学习梯度下降算法对ltsf-linear预测模型进行训练；
[0095]
产量预测模块：对实时获取的外部环境气象数据进行预处理，之后输入训练好的ltsf-linear预测模型，进行填埋场渗滤液产量预测。
[0096]
该系统主要由上述四个模块构成，通过该系统的搭建很好的实现同时挂载同一个文件系统可实现并行操作的目的。
[0097]
具体实施时，以上各个模块可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
[0098]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

技术特征：
1.一种填埋场渗滤液产量的预测方法，其特征在于，包括如下步骤：s1、获取填埋场环境气象参数和渗滤液污染程度参数并进行预处理；s2、对所述预处理后的数据集进行统一编码；s3、搭建ltsf-linear预测模型，基于统一编码数据集，采用深度学习梯度下降算法对ltsf-linear预测模型进行训练；s4、对实时获取的外部环境气象数据进行预处理，之后输入训练好的ltsf-linear预测模型，进行填埋场渗滤液产量预测。2.根据权利要求1所述的填埋场渗滤液产量的预测方法，其特征在于，所述s1步骤中，所述预处理包括对所述环境气象参数和所述渗滤液污染程度参数的异常数据进行清洗，对渗滤液产量值出现异常的时间点对应的各参数进行删除。3.根据权利要求2所述的填埋场渗滤液产量的预测方法，其特征在于，所述预处理还包括对所述删除的数据及缺失的数据进行补全。4.根据权利要求1所述的填埋场渗滤液产量的预测方法，其特征在于，所述s3步骤中，所述ltsf-linear模型由输入层、线性模块和输出层三部分组成；其中，所述线性模块包括单层线性模块、分解线性模块和归一化模块。5.根据权利要求4所述的填埋场渗滤液产量的预测方法，其特征在于，所述统一编码的方法包括根据填埋场的规模确定输入所述ltsf-linear预测模型的数据集的按批次输入长度；其中，所述按批次输入长度包括日长度、周长度、月长度和季节长度。6.根据权利要去5所述的填埋场渗滤液产量的预测方法，其特征在于，所述数据集的输入公式为：其中，l表示按批次输入长度，表示t
th
时间点处的i
th
变量。7.根据权利要求4所述的填埋场渗滤液产量的预测方法，其特征在于，所述训练方法包括：根据所述单层线性模块对多变量时间序列进行独立预测；计算方法为：其中，是沿时间轴的线性图层，而和x
i
分别表示每个i
th
变量的预测值和输入值；根据所述分散线性模块对两个特征相加进行预测；其中平均移动核计算方法为：其中，ma
t
为t时刻的移动平均值，n为平均计算窗口大小；根据所述归一化模块对输入序列进行归一化处理；计算公式为：x’＝(x-μ)/σ
其中x’为归一化后的值，x为原始值，μ为数据集的均值，σ为数据集的标准差。8.根据权利要求1所述的填埋场渗滤液产量的预测方法，其特征在于，所述s1步骤中，所述环境气象参数包括平均气温、湿度、气压、日降水量和地标辐射。9.根据权利要求1所述的填埋场渗滤液产量的预测方法，其特征在于，所述渗滤液污染程度参数包括渗滤液的化学需氧量、生化需氧量、氨氮含量、总氮含量和渗滤液产量。10.一种填埋场渗滤液产量的预测系统，使用如权利要求1-9所述的填埋场渗滤液产量的预测方法，其特征在于，包括：数据获取模块：获取填埋场环境气象参数和渗滤液污染程度参数并进行预处理；统一编码模块：对所述预处理后的数据集进行统一编码；模型搭建与训练模块：搭建ltsf-linear预测模型，基于统一编码数据集，采用深度学习梯度下降算法对ltsf-linear预测模型进行训练；产量预测模块：对实时获取的外部环境气象数据进行预处理，之后输入训练好的ltsf-linear预测模型，进行填埋场渗滤液产量预测。

技术总结
本发明提供了一种填埋场渗滤液产量的预测方法及系统，所述方法包括如下步骤：S1、获取填埋场环境气象参数和渗滤液污染程度参数并进行预处理；S2、对所述预处理后的数据集进行统一编码；S3、搭建LTSF-Linear预测模型，基于统一编码数据集，采用深度学习梯度下降算法对LTSF-Linear预测模型进行训练；S4、对实时获取的外部环境气象数据进行预处理，之后输入训练好的LTSF-Linear预测模型，进行填埋场渗滤液产量预测。本发明的填埋场渗滤液产量的预测方法对填埋场渗滤液产量、污染程度参数、气象数据进行综合分析，建立数据中各个时间点之间的内在联系，从而获得长时序、高精度的填埋场渗滤液产量演变规律。滤液产量演变规律。滤液产量演变规律。


技术研发人员：黄健 陈丰 周涛 赵由才 成梦凡
受保护的技术使用者：上海环境工程技术有限公司
技术研发日：2023.04.13
技术公布日：2023/7/12