一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法技术

一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法既属于控制领域，又属于水处理领域。针对当前污水处理过程出水氨氮浓度测量过程繁琐、仪器设备造价高、测量结果可靠性和精确性低等问题，本发明专利技术基于城市污水处理生化反应特性，利用一种自适应递归模糊神经网路实现对关键水质参数氨氮浓度的预测，解决了出水氨氮浓度难以测量的问题；结果表明该递归模糊神经网络能够快速。准确地预测污水处理出水氨氮的浓度，有利于提升污水处理过程出水氨氮的浓度质量监控水平和加强城市污水处理厂精细化管理。

【技术实现步骤摘要】
一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法
本专利技术根据污水处理生化反应特性，利用一种基于自适应递归模糊神经网络实现对污水处理过程关键水质参数氨氮浓度的预测，氨氮浓度是表征水体污染和污水处理程度的重要参量，对人体健康有着重要影响，实现氨氮浓度的在线预测是实现脱氮控制的基础环节，是先进制造
的重要分支，既属于控制领域，又属于水处理领域。
技术介绍
氨氮是水环境污染和水体富营养化问题的主要因素，控制水环境污染和水体富营养化的一项重要举措就是严格限制污水处理出水中氨氮的排放；氨氮浓度智能检测技术能够提高氨氮去除效率，改善目前出水氨氮超标的现象；有利于提升实时水质质量监控水平和加强城市污水处理厂精细化管理，不但具有较好的经济效益，而且具有显著的环境和社会效益。因此，本专利技术的研究成果具有广阔的应用前景。我国发布的《城镇污水处理厂污染物排放标准》(GB18918-2002)，对城镇污水处理厂的各个常规污染物排放的标准值进行明确规定和分级，其中，在一级A标准中，规定氨氮的最高排放标准为5Mg/L；因此，实现氨氮浓度的快速预测，控制污水处理厂出水氨氮达标排放，是保证污水处理厂出水水质合格的必要环节；目前氨氮浓度的测量方法主要有分光光度法、电化学分析法和机理模型等，而分光光度法的测定原理是将水中游离态氨或铵离子与氯化汞和碘化钾的碱性溶液发生反应生成淡红棕色胶态络合物，通过测量络合物的吸光度可得出氨氮的含量；然而，这种方法测量误差较大，干扰因素多，操作繁琐，存在废弃物安全处理等问题；电极法不需要对水样进行预处理，色度与浊度对测定结果影响较小，不易受到干扰，操作快捷简单，但电极的寿命和稳定性较差，同时，电极法测量精度较低；同时，污水处理过程影响硝化反应参数众多，动力学特性复杂，进而影响氨氮浓度的参数众多，各因素间相互作用，呈现非线性和偶尔性等特点，很难建立出水氨氮的机理模型；因此，现有的氨氮浓度检测方法很难满足污水处理厂实时检测的需求，必须寻求新的检测方法；近年来，随着软测量技术的发展，软测量方法能够实现一定精度范围内的非线性系统预测，为氨氮浓度预测提供了理论基础，为氨氮浓度的高精度预测提供一种可行方法。本专利技术设计了一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法，实现出水氨氮浓度的在线预测。
技术实现思路
本专利技术获得了一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法，通过设计递归模糊神经网络，根据污水处理过程的实时采集的数据实现递归模糊神经网络的在线校正，实现了出水氨氮浓度的实时测量，解决了污水处理过程出水氨氮浓度难以实时测量的问题，提高了城市污水处理厂水质质量实时监控水平，保障污水处理过程正常运行；本专利技术采用了如下的技术方案及实现步骤：一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法包括以下步骤：1.一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法，其特征在于，包括以下步骤：(1)确定辅助变量：采用PCA算法对采集到的污水处理厂实际水质参数数据进行相关性分析，并计算出每一个主成分的单独贡献率，得出与出水氨氮浓度相关性强的辅助变量为：出水总氮TN、硝态氮NO3-N、亚硝态氮NO2-N、有机氮、总磷TP、混合液悬浮固体浓度MLSS以及曝气池污泥沉降比SV；(2)设计用于出水氨氮浓度预测的递归模糊神经网络拓扑结构，递归模糊神经网络分为六层：输入层、隶属函数层、规则层、递归层、后件层和输出层；各层的计算功能如下：①输入层：该层共有n个神经元，n为辅助变量的个数，每个节点代表一个输入变量xi(t)，该层的目的是将输入值直接传送到下一层，t代表时间序数；xi(t),i＝1,2,...,n(1)②隶属函数层：该层共有m个神经元，m为12，每个节点代表一个隶属度函数uij(t)，本设计采用高斯型隶属度函数；其中，cij(t)与σij(t)分别为隶属度函数的中心和宽度；③规则层：该层每个节点代表一个模糊逻辑规则wj(t),采用模糊算子为连乘算子；④递归层：该层在规则层后建立自反馈连接，其节点数与规则层的节点数相同，采用小波变换和马尔科夫链法对规则层的历史数据进行分析，以此预测出当前时刻规则层的变化量，将变化量代入到Sigmoid函数中作为递归值，选用线性加和函数将其引入到当前规则计算中；将前k时刻至当前时刻的模糊规则wj(z),z＝t-k,t-k+1,...,t-1,t记为序列Wj(T)，k为样本总数的3％～10％；Wj(T)＝[wj(t-k),wj(t-k+1),...,wj(t-1),wj(t)](4)首先对原始时间序列Wj(T)进行多尺度一维离散小波变换，之后对其进行单支重构得到1个近似部分序列Aj(T)与r个细节部分序列D1j(T),D2j(T),...,Drj(T)，r为3；Wj(T)＝Aj(T)+D1j(T)+D2j(T)+...+Drj(T)(5)近似部分序列Aj(T)的各项记为aj(z),z＝t-k,t-k+1,...,t-1,t，根据Aj(T)的值域，将其各划分为h个模糊状态，即Asj(T),s＝1,2,...,h，h为k的20％～25％，采用三角形隶属函数定义序列Aj(T)各项对应的模糊状态的隶属函数为μs(aj(z)),s＝1,2,...,h,z＝t-k,t-k+1,...,t-1,t，其隶属函数的计算方法如下：其中min(Asj(T))、average(Asj(T))、max(Asj(T))分别为模糊状态Asj(T),s＝1,2,...,h的最小值、平均值和最大值；构建状态转移矩阵，定义序列Aj(T)中从t-k时刻至t-1时刻的序列aj(z),z＝t-k,t-k+1,...,t-1落入状态Asj(T)中的“个数”为则有：定义序列Aj(T)从模糊状态转移到模糊状态的“个数”为则有：其中，μs1(aj(z)),μs2(aj(z+1)),z＝t-k,t-k+1,...,t-1为模糊状态As1j(T)与模糊状态As2j(T)的隶属函数；由公式(7)-(8)，定义序列Aj(T)从模糊状态到的转移概率为即：因此，由公式(9)定义序列Aj(T)的一阶马尔可夫状态转移概率矩阵为其中为模糊状态A1j(T)到A1j(T)的状态转移概率，为模糊状态A1j(T)到A2j(T)的状态转移概率，……，为模糊状态Ahj(T)到Ahj(T)的状态转移概率时刻t时的序列点为aj(t)，由公式(6)可以计算出该时刻点对于各状态的隶属度分别为μs(aj(t)),s＝1,2,...,h，将其表示为向量则：则时间序列在t+1时刻的状态向量为：其中可记为μs(aj(t+1)),s＝1,2,...,h；采用权重均值法，对得到的模糊状态向量进行去模糊化，进而得到预测值其中，为模糊状态Asj(T)对应的特征值，即该序列中具有最大隶属度的值；同理，可得到细节部分序列(D1j、D2j、...、Drj)的预测值(d1*j(t+1)、d2*j(t+1)、...、dr*j(t+1))；重构序列后，得到模糊规则wj第t+1时刻的预测值计算模糊规则的下一时刻预测值与当前网络的变化量为δj(t+1)：将变化量代入到代入到Sigmoid函数中作为递归量λj(t+1)：⑤后件层：该层的每个节点执行T-S型模糊算子同对应的递归变量求和，得到后件本文档来自技高网...

【技术保护点】
1.一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法，其特征在于，包括以下步骤：(1)确定辅助变量：采用PCA算法对采集到的污水处理厂实际水质参数数据进行相关性分析，并计算出每一个主成分的单独贡献率，得出与出水氨氮浓度相关性强的辅助变量为：出水总氮TN、硝态氮NO3‑N、亚硝态氮NO2‑N、有机氮、总磷TP、混合液悬浮固体浓度MLSS以及曝气池污泥沉降比SV；(2)设计用于出水氨氮浓度预测的递归模糊神经网络拓扑结构，递归模糊神经网络分为六层：输入层、隶属函数层、规则层、递归层、后件层和输出层；各层的计算功能如下：①输入层：该层共有n个神经元，n为辅助变量的个数，每个节点代表一个输入变量xi(t)，该层的目的是将输入值直接传送到下一层，t代表时间序数；xi(t),i＝1,2,...,n  (1)②隶属函数层：该层共有m个神经元，m为12，每个节点代表一个隶属度函数uij(t)，本设计采用高斯型隶属度函数；

【技术特征摘要】
1.一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法，其特征在于，包括以下步骤：(1)确定辅助变量：采用PCA算法对采集到的污水处理厂实际水质参数数据进行相关性分析，并计算出每一个主成分的单独贡献率，得出与出水氨氮浓度相关性强的辅助变量为：出水总氮TN、硝态氮NO3-N、亚硝态氮NO2-N、有机氮、总磷TP、混合液悬浮固体浓度MLSS以及曝气池污泥沉降比SV；(2)设计用于出水氨氮浓度预测的递归模糊神经网络拓扑结构，递归模糊神经网络分为六层：输入层、隶属函数层、规则层、递归层、后件层和输出层；各层的计算功能如下：①输入层：该层共有n个神经元，n为辅助变量的个数，每个节点代表一个输入变量xi(t)，该层的目的是将输入值直接传送到下一层，t代表时间序数；xi(t),i＝1,2,...,n(1)②隶属函数层：该层共有m个神经元，m为12，每个节点代表一个隶属度函数uij(t)，本设计采用高斯型隶属度函数；其中，cij(t)与σij(t)分别为隶属度函数的中心和宽度；③规则层：该层每个节点代表一个模糊逻辑规则wj(t),采用模糊算子为连乘算子；④递归层：该层在规则层后建立自反馈连接，其节点数与规则层的节点数相同，采用小波变换和马尔科夫链法对规则层的历史数据进行分析，以此预测出当前时刻规则层的变化量，将变化量代入到Sigmoid函数中作为递归值，选用线性加和函数将其引入到当前规则计算中；将前k时刻至当前时刻的模糊规则wj(z),z＝t-k,t-k+1,...,t-1,t记为序列Wj(T)，k为样本总数的3％～10％；Wj(T)＝[wj(t-k),wj(t-k+1),...,wj(t-1),wj(t)](4)首先对原始时间序列Wj(T)进行多尺度一维离散小波变换，之后对其进行单支重构得到1个近似部分序列Aj(T)与r个细节部分序列D1j(T),D2j(T),...,Drj(T)，r为3；Wj(T)＝Aj(T)+D1j(T)+D2j(T)+...+Drj(T)(5)近似部分序列Aj(T)的各项记为aj(z),z＝t-k,t-k+1,...,t-1,t，根据Aj(T)的值域，将其各划分为h个模糊状态，即Asj(T),s＝1,2,...,h，h为k的20％～25％，采用三角形隶属函数定义序列Aj(T)各项对应的模糊状态的隶属函数为μs(aj(z)),s＝1,2,...,h,z＝t-k,t-k+1,...,t-1,t，其隶属函数的计算方法如下：其中min(Asj(T))、average(Asj(T))、max(Asj(T))分别为模糊状态Asj(T),s＝1,2,...,h的最小值、平均值和最大值；构建状态转移矩阵，定义序列Aj(T)中从t-k时刻至t-1时刻的序列aj(z),z...

【专利技术属性】
技术研发人员：乔俊飞，丁海旭，李文静，武利，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11