1.一种水质智能监控方法，其特征在于，包括如下步骤：

步骤1：构建养殖水质检测模块，以参数传感器输出值为输入经过预测后得到参数传感器反馈值；

步骤2：构建养殖水质控制器，参数设定值与参数传感器反馈值作为养殖水质控制器的输入，参数设定值与参数传感器反馈值的差经过控制误差再预测与处理后输出优化控制值；

步骤3：构建水质智能监控子系统，包括溶解氧传感器、温度传感器、所述养殖水质控制器、所述养殖水质检测模块、增氧装置、温度装置，所述增氧装置上设置有检测转速的转速传感器，所述温度装置上设置有能够检测电流的电流传感器；溶解氧传感器、温度传感器、转速传感器以及电流传感器均与一个养殖水质检测模块连接；

溶解氧设定值、溶解氧传感器反馈值经过养殖水质控制器后与增氧泵历史转速值经过神经网络模型训练后得到转速目标值；温度设定值、温度传感器反馈值作为对应的养殖水质控制器的输入，经过养殖水质控制器后与温度装置历史电流值经过神经网络模型训练后得到电流目标值；

溶解氧设定值、温度设定值、转速目标值、电流目标值分别与经过其对应养殖水质检测模块得到的传感器反馈值作为对应的养殖水质控制器的输入；

转速目标值、电流目标值与其对应的传感器反馈值经过养殖水质控制器后利用神经网络模型减少转速扰动与电流扰动后输出至增氧装置、温度装置，控制增氧装置、温度装置的转速和电流；

所述养殖水质检测模块包括TCN时间卷积网络模型和BiLSTM神经网络模型，TCN时间卷积网络模型包括TCN时间卷积网络模型1和TCN时间卷积网络模型2，所述BiLSTM神经网络模型包括BiLSTM神经网络模型1和BiLSTM神经网络模型2；参数传感器输出分别作为TCN时间卷积网络模型1、BiLSTM神经网络模型1和BiLSTM神经网络模型2的对应输入，TCN时间卷积网络模型1输出作为BiLSTM神经网络模型1的对应输入，BiLSTM神经网络模型1输出分别作为TCN时间卷积网络模型1、TCN时间卷积网络模型2和BiLSTM神经网络模型2的对应输入，TCN时间卷积网络模型2输出作为BiLSTM神经网络模型2对应输入，BiLSTM神经网络模型2输出作为TCN时间卷积网络模型2的对应输入和养殖水质检测模块输出；

所述养殖水质控制器包括Elman神经网络模型1、BiLSTM神经网络模型3和ANFIS自适应神经模糊推理模型‑PID控制器，所述ANFIS自适应神经模糊推理模型‑PID控制器包括ANFIS自适应神经模糊推理模型‑PID控制器1和ANFIS自适应神经模糊推理模型‑PID控制器2；参数设定值与传感器参数反馈值作为养殖水质控制器的输入，参数设定值与传感器参数反馈值的差与BiLSTM神经网络模型3输出分别作为BiLSTM神经网络模型3的对应输入，BiLSTM神经网络模型3输出和BiLSTM神经网络模型3输出的变化率作为ANFIS自适应神经模糊推理模型‑PID控制器1的对应输入，参数设定值与传感器参数反馈值的差和差的变化率作为ANFIS自适应神经模糊推理模型‑PID控制器2的对应输入，ANFIS自适应神经模糊推理模型‑PID控制器2和ANFIS自适应神经模糊推理模型‑PID控制器1的输出作为Elman神经网络模型1的对应输入，Elman神经网络模型1输出分别作为ANFIS自适应神经模糊推理模型‑PID控制器2和ANFIS自适应神经模糊推理模型‑PID控制器1的对应输入和最终养殖水质控制器输出。

2.根据权利要求1所述的一种水质智能监控方法，其特征在于，水质智能监控子系统还包括Elman神经网络模型、ANFIS自适应神经模糊推理模型‑Elman神经网络模型；

溶解氧设定值与养殖水质检测模块1输出值分别作为养殖水质控制器1的对应输入，温度设定值与养殖水质检测模块4输出分别作为养殖水质控制器2的对应输入，养殖水质控制器1输出与ANFIS自适应神经模糊推理模型‑Elman神经网络模型2输出的溶解氧扰动量的差和差的变化率分别作为ANFIS自适应神经模糊推理模型‑Elman神经网络模型1的对应输入，养殖水质控制器2输出与ANFIS自适应神经模糊推理模型‑Elman神经网络模型2输出的温度扰动量的差和差的变化率分别作为ANFIS自适应神经模糊推理模型‑Elman神经网络模型1的对应输入，ANFIS自适应神经模糊推理模型‑Elman神经网络模型1输出为增氧装置的转速目标值和温度装置的电流目标值，转速目标值、电流目标值、养殖水质检测模块1输出和养殖水质检测模块4输出分别作为ANFIS自适应神经模糊推理模型‑Elman神经网络模型2的对应输入；

转速目标值和养殖水质检测模块2输出值作为养殖水质控制器3的对应输入，电流目标值和养殖水质检测模块3输出值作为养殖水质控制器3的对应输入，养殖水质控制器3输出和ANFIS自适应神经模糊推理模型‑Elman神经网络模型3输出的转速扰动量作为Elman神经网络模型2的对应输入，养殖水质控制器4输出和ANFIS自适应神经模糊推理模型‑Elman神经网络模型3输出的电流扰动量作为Elman神经网络模型3的对应输入，Elman神经网络模型

2输出、Elman神经网络模型3输出、养殖水质检测模块2和养殖水质检测模块3输出作为ANFIS自适应神经模糊推理模型‑Elman神经网络模型3的对应输入，Elman神经网络模型2输出和Elman神经网络模型3输出分别作为增氧装置和温度装置的输入，增氧装置和温度装置对水产养殖水质的溶解氧和温度进行调节；

溶解氧传感器、转速传感器、电流传感器和温度传感器输出分别作为养殖水质检测模块1、养殖水质检测模块2、养殖水质检测模块3和养殖水质检测模块4的输入，溶解氧传感器、转速传感器、电流传感器和温度传感器分别测量水产养殖水质的溶解氧、增氧装置的转速、温度装置的电流和水产养殖水质的温度。

3. 一种水产养殖物联网系统，其特征在于，包括水质监控与投喂端、气象检测端、水产养殖信息汇集端、水产养殖阿里云MQTT 服务器、水产养殖远程监控端和水产养殖客户端，水质监控与投喂端用于监测养殖水质参数和控制养殖设备，气象检测端用于监测水产养殖环境气象参数，水产养殖信息汇集端用于实现水质监控与投喂端、气象检测端和水产养殖阿里云MQTT 服务器之间的双向通信，通过MQTT协议发送水质监控与投喂端和气象检测端的信息到水产养殖阿里云MQTT 服务器并储存到MYSQL数据库中为水产养殖客户端和水产养殖远程监控端提供水产养殖监控服务，水产养殖客户端和水产养殖远程监控端的参数采集与控制信息通过水产养殖阿里云MQTT 服务器和水产养殖信息汇集端发送给水质监控与投喂端和气象检测端，水产养殖客户端和水产养殖远程监控端实现养殖水质监控、历史数据查询、数据分析和数据报警；

所述水质监控与投喂端设置有如权利要求1或2所述的水质智能监控方法。