1.一种基于集成深度学习的污水处理过程软测量建模方法，其特征在于，包括以下步骤：S1.获取污水数据并进行数据预处理；

S2.使用KPCA将处理好的数据进行特征选择，选取合适的辅助变量，从而构造软测量数据样本集；

S3.将S2中处理好的污水数据集作为Stacking集成框架中的第一层基学习器的原始输入，其中第一层的基学习器包括双向长短期记忆网络BiLSTM、极限梯度提升XGBoost和最小二乘支持向量机LSSVM，第一层基学习器的预测结果是通过对每个基学习器进行5折交叉验证获得的；

S4.第二层采用ELM作为元学习器，将从第一层基学习器获得的结果用作第二层元学习器的训练集，以完成第二层元学习器的训练；

S5.采用改进的爬行动物搜索算法对基学习器的模型参数进行优化，所述改进的爬行动物搜索算法包括：采用拉丁超立方初始化，在迭代过程中，采用非线性方法改进进化意义ES值，利用黄金正弦和翻筋斗策略改进个体寻优方式，利用优化后的模型进行软测量，得到生化需氧量的预测结果；

S6采用ELM对初始预测结果进行误差校正，得到最终预测结果。

2.根据权利要求1所述的一种基于集成深度学习的污水处理过程软测量建模方法，其特征在于，所述步骤S1中所述污水数据，包括悬浮物浓度SS、总氮TN、氨氮NH3‑N、总磷TP、化学需氧量COD和历史时刻的生化需氧量BOD。

3.根据权利要求1所述的一种基于集成深度学习的污水处理过程软测量建模方法，其特征在于，所述步骤S2中使用KPCA对数据进行特征提取，具体步骤为：S3.1设训练集样本数据为X＝(x1,x2,...,xm)，通过映射函数φ(x)将xi映射到高维特征空间；

S3.2计算特征空间的协方差矩阵C：

S3.3计算协方差矩阵的特征方程：

λiξi＝Cξi (3)

其中，λi是协方差矩阵C的特征值，ξi是对应于特征值λi的特征向量；

S3.4定义核矩阵K：

T

K＝φ(xi)·φ(xi) (4)

S3.5计算核矩阵K的特征方程：

其中， 是核矩阵K的特征向量，αi是对应于特征值 的特征向量；

S3.6将协方差矩阵C和核矩阵K代入到核矩阵K的特征方程中，则协方差矩阵C的特征向量ξi可以用非线性函数φ(xi)表示如下：其中， 是ξi对应的第i个系数；

S3.7计算核矩阵K的特征值 特征值按照降序排列为S3.8依次计算这些特征值的贡献率ηi和和累计贡献率P如下：S3.9选取累计贡献率P≥85％的特征作为污水软测量模型输入的主要辅助变量。

4.根据权利要求1所述的一种基于集成深度学习的污水处理过程软测量建模方法，其特征在于，所述步骤S3中，建立双向长短期记忆网络预测模型的步骤如下：S4.1将确定好的辅助变量作为网络的输入向量x；

S4.2设前向隐含层状态为 反向隐藏层状态为 w为不同的权重矩阵，则BiLSTM的输出y计算过程为：S4.3将yt作为模型的预测结果。

5.根据权利要求1所述的一种基于集成深度学习的污水处理过程软测量建模方法，其特征在于，所述步骤S3中，建立极限梯度提升预测模型的步骤如下：S5.1设训练数据集为T＝{(x1,y1),(x2,y2),...,(xn,yn)}，损失函数为 正则化项为Ω(fk)，则整体目标函数可记为：其中，L(φ)是线性空间上的表示，i是第i个样本，k是第k棵树， 是第i个样本xi的预测值；

S5.2利用每一棵树的预测结果去拟合上一颗树预测结果的残差：……

S5.3上一步得到第t棵树的预测结果，在数值上等于前面t‑1棵树的预测结果，加上第t棵树的表现，对于第t棵树，目标函数为：S5.4把式(14)用泰勒展开来近似原来的目标，定义则式(14)可化为：

S5.5求得目标函数的最优解为：

其中 Ij＝{i|q(xi)＝j}表示某个样本映射到节点集合；

S5.6算出增益值Gain，更新最大增益Gain_max，更新分隔点，最终得到最优的分隔点；

S5.7重复上述过程递归建树直到终止条件。

6.根据权利要求1所述的一种基于集成深度学习的污水处理过程软测量建模方法，其特征在于，所述步骤S3中，建立最小二乘支持向量机预测模型的步骤如下：S6.1优化目标，定义损失函数为：

具有约束条件：

其中，ω是权重，ξi是误差变量，b是偏差，c＞0是惩罚系数；

S6.2引入拉格朗日乘子，式(18)可以转化为：其中，拉格朗日乘子ai＞0(i＝1,2,...,N)；

S6.3求解最优条件

S6.4综合上述公式得到最优回归函数如下：

其中，K(xi,yj)是核函数，xi是核函数的中心，x是训练样本的输入，yi是训练样本的输出。

7.根据权利要求1所述的一种基于集成深度学习的污水处理过程软测量建模方法，其特征在于，所述步骤S4中元学习器预测模型计算公式如下：其中，L是隐层单元的数量，N是训练样本的数量，β是第i个隐藏层和输出层之间的权重向量，w是输入和输出之间的权重向量，g是激活函数，b是偏置向量，x是输入向量。

8.根据权利要求1所述的一种基于集成深度学习的污水处理过程软测量建模方法，其特征在于，所述步骤S5中改进的爬行动物搜索算法的步骤如下：S5.1使用拉丁超立方抽样初始化代替RSA算法的随机初始化，设置IRSA的搜索上下界、种群大小和迭代次数；

S5.2包围阶段，鳄鱼个体开始包围猎物，其数学模型如下：ηij＝Bj(t)×Pij (24)

其中，Bj(t)代表最优解的位置；Si,j(t+1)表示下一更新位置；t是当前迭代次数；Tmax是最大迭代次数；ηij代表狩猎算子；Rij是缩减函数，用来缩小搜索空间；α和β是敏感参数，控制搜索精度；r1，r2都是[1,N]内的随机数；r3是[‑1,1]中的随机整数；ES(t)为进化意义；Pij表示最佳解位置与当前解位置之间的百分比差；M(si)表示第i个解的平均位置；

S5.3对公式(26)的进化意义参数进行改进，改进后的进化意义表达式如下：S5.4狩猎阶段，鳄鱼个体开始捕猎，其数学模型如下：S5.5对位置更新公式(30)引入黄金正弦和翻筋斗策略，改进后的公式如下：其中，γ1，γ2分别是[0,2π]和[0,π]内的随机数；γ3，γ4是[0,1]内的随机数；F＝2是空翻系数，定义了与猎物相对的位置；x1，x2是黄金正弦系数，x1和x2的计算公式如下：x1＝a*(1‑γ)+b*σ (32)

x2＝a*γ+b*(1‑σ) (33)

其中，a和b为黄金分割比率搜索初始值， 为黄金分割比率。

9.根据权利要求8所述的一种基于集成深度学习的污水处理过程软测量建模方法，其特征在于，所述步骤S5中，使用改进的爬行动物搜索算法优化模型的参数包括：双向长短期记忆网络BiLSTM的学习率和隐藏层节点数、极限梯度提升XGBoost的权重和学习率，最小二乘支持向量机LSSVM的最优惩罚系数和核函数宽度值。

10.根据权利要求1至9任一所述的一种基于集成深度学习的污水处理过程软测量建模方法，其特征在于，所述步骤S6中，使用ELM进行误差修正步骤如下：S6.1将集成模型得到的初始预测值与原始观测值进行相减，构造误差序列；

S6.2利用ELM网络预测误差序列；

S6.3将初始预测序列和误差预测序列线性相加，得到最终预测结果。