(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 202111285291.X (22)申请日 2021.11.01 (71)申请人 上海威派格智慧水务股份有限公司 地址 201800 上海市嘉定区恒定路1号 (72)发明人 乔继梅　李泊静　胡雅洁　吴宗霖　 杨小华　樊志强　张振华　袁丹　 (74)专利代理 机构 上海申新 律师事务所 31272 代理人 吴轶淳 (51)Int.Cl. G06F 16/215(2019.01) G06F 16/2458(2019.01) G06K 9/62(2022.01) G06Q 50/06(2012.01) G06N 20/00(2019.01) (54)发明名称 一种智能投加模型的生成系统及方法 (57)摘要 本发明提供一种智能投加模型的生成系统 及方法， 包括： 由获取的水厂的多种历史水质数 据及对应的混凝剂的真实投加量中提取得到多 种关键水质数据； 获取并处理到的多个机器学习 模型中两两之间的误差差异度的相关系数， 以筛 选得到相关系数小于一阈值对应的各机器学习 模型作为基学习器； 将各种关键水质数据及对应 的真实投加量划分为多个数据集， 针对每个基学 习器， 采用交叉验证方式训练各基学习器， 并根 据训练完成的基学习器和各数据集处理得到新 测试集和新训练集； 根据新测试集和新训练集对 元学习器进行训练， 并根据训练完成的各基学习 器和元学习器生成智能投加模型。 有益效果是能 够为水厂提供精准可靠的混凝剂的预测投加量。 权利要求书2页 说明书7页 附图1页 CN 114064623 A 2022.02.18 CN 114064623 A 1.一种智能投加模型的生成系统， 其特征在于， 所述智能投加模型用于预测一水厂的 混凝剂的预测投加量； 所述 生成系统包括： 数据预处理模块， 用于获取所述水厂的多种历史水质数据及对应的所述混凝剂的真实 投加量， 并由各种所述历史水质数据中提取 得到多种关键水质数据； 模型筛选模块， 用于获取多个机器学习模型， 并处理得到各所述机器学习模型中两两 之间的误差差异度的相关系数， 以筛选得到所述相关系数小于一阈值对应的各所述机器学 习模型作为基学习器； 第一训练模块， 分别连接所述数据预处理模块和所述模型筛选模块， 用于将各种所述 关键水质数据及对应的所述真实投加 量划分为多个数据集， 针对每个所述基学习器， 将其 中一个所述数据集作为原测试集， 其他所述数据集作为原训练集， 采用交叉验证方式训练 各所述基学习器， 并根据训练完成的所述基学习器和各所述数据集处理得到新测试集和新 训练集； 第二训练模块， 连接所述第一训练模块， 用于根据所述新测试集和所述新训练集对预 设的一元学习器进行训练， 并根据训练完成的各所述基学习器和所述元学习器生成以所述 关键水质数据为输入， 以所述预测投加量 为输出的一智能投加模型。 2.根据权利要求1所述的智能投加模型的生成系统， 其特征在于， 所述水厂设有多个水 质数据采集装置， 连接所述数据预处理模块， 各所述水质数据采集装置采用预设的一采样 间隔采集所述水厂的所述历史水质数据并输出； 则所述数据预处 理模块包括： 数据获取单元， 用于获取各所述水质数据采集装置采集得到的各所述历史水质数据， 并对各所述历史水质数据进行 数据清洗得到清洗后水质数据； 数据提取单元， 连接所述数据获取单元， 用于由所述清洗后水质数据中提取得到多种 所述关键水质数据。 3.根据权利要求2所述的智能投加模型的生成系统， 其特征在于， 所述数据获取单元 中， 所述数据清洗的方式包括去除缺失值， 和/或剔除异常值， 和/或保留突变值。 4.根据权利要求2所述的智能投加模型的生成系统， 其特征在于， 所述数据提取单元 中， 采用Pearso n相关分析法由所述清洗后水质数据中提取 得到多种所述关键水质数据。 5.根据权利要求1或2或4所述的智能投加模型的生成系统， 其特征在于， 所述关键水质 数据包括化学需氧量、 氨氮、 pH值、 浊度、 原水溶解氧、 沉淀池水流量、 沉淀池三分之一处浊 度、 沉淀池出 水浊度。 6.根据权利要求1所述的智能投加模型的生成系统， 其特征在于， 所述模型筛选模块包 括： 预测单元， 用于针对每个所述机器学习模块， 将各所述关键水质数据分别输入所述机 器学习模型中得到相应的一单模型预测投加量， 并计算所述单模型预测投加量对应的所述 真实投加量之间的差异度得到一差异度集 合； 筛选单元， 连接所述预测单元， 用于根据每个所述机器学习模型对应的所述差异度集 合处理得到各所述机器学习模型中两两之 间的误差差异度的所述相关系数， 以筛选得到所 述相关系数小于所述阈值对应的各 所述机器学习模型作为所述基学习器。 7.根据权利要求1所述的智能投加模型的生成系统， 其特征在于， 所述基学习器包括权　利　要　求　书 1/2 页 2 CN 114064623 A 2LASSO模型、 KN N模型、 MLP模型、 XGBo ost模型、 SVR模型。 8.根据权利要求1所述的智能投加模型的生成系统， 其特征在于， 所述元学习器采用其 中一个所述基学习器， 或采用线性回归 模型。 9.根据权利要求1所述的智能投加模型的生成系统， 其特征在于， 各所述基学习器的训 练过程中， 采用网格搜索的方式对各 所述基学习器的模型参数进行调整。 10.一种智能投加模型的生成方法， 其特征在于， 应用于如权利要求1 ‑9中任意一项所 述的智能投加模型的生成系统， 所述 生成方法包括： 步骤S1， 所述生成系统获取所述水厂的多种历史水质数据及对应的所述混凝剂的真实 投加量， 并由各种所述历史水质数据中提取 得到多种关键水质数据； 步骤S2， 所述生成系统获取多个机器学习模型， 并处理得到各所述机器学习模型中两 两之间的误差差异度的相关系数， 以筛选得到所述相关系数小于一阈值对应的各所述机器 学习模型作为基学习器； 步骤S3， 所述生成系统将各种所述关键水质数据及对应的所述真实投加量划分为多个 数据集， 针对每个所述基学习器， 将其中一个所述数据集作为原测试集， 其他所述数据集作 为原训练集， 采用交叉验证方式训练各所述基学习器， 并根据训练完成的所述基学习器和 各所述数据集处 理得到新测试集和新训练集； 步骤S4， 所述生成系统根据 所述新测试集和所述新训练集对预设的一元学习器进行训 练， 并根据训练完成的各所述基学习器和所述元学习器生成以所述关键水质数据为输入， 以所述预测投加量 为输出的一智能投加模型。权　利　要　求　书 2/2 页 3 CN 114064623 A 3