一种废水处理进水水质时序变化智能预测方法技术

本发明专利技术公开了一种废水处理进水水质时序变化智能预测方法，包括：(1)通过小波变换对时序序列参数进行分解，重构分解系数得到近似部分序列和细节部分序列；(2)采用模糊理论改进的马尔科夫链法，对历史数据序列水质参数进行模拟状态划分，构建模糊可能性组成的状态转移矩阵；(3)将小波变换得到的各个序列分别按照模糊马尔科夫链法进行建模进行预测；(4)将近似部分序列和细节部分序列在未来时段的预测值输入到采用遗传算法进行优化的神经网络。本发明专利技术所提出的方法能够快速、准确地获得废水处理BOD的浓度，准确掌握进水水质负荷对系统的影响及进水水质时序变化规律，提高废水处理的质量和效率，保证过程安全稳定运行。

【技术实现步骤摘要】
一种废水处理进水水质时序变化智能预测方法
本专利技术涉及废水处理
，尤其涉及一种废水处理进水水质时序变化智能预测方法。
技术介绍
在城市污水处理过程中，不但要对关键水质参数进行及时准确的测量，同时还要保证废水处理系统的可靠性和稳定性。然而，由于城市排水系统是一个复杂的非线性系统，污水厂进水BOD(BiochemicalOxygenDemand，生物化学需氧量)的变化具有较大的随机特征，同时，由于影响进水水质的因素较多，各因素与水质之间的关系复杂多样，在对其进行测量时难以进行在线实时检测或检测时间严重滞后，严重影响了废水处理过程的稳定运行。而基于神经网络的BOD智能检测方法有利于及时准确地掌握其变化规律，极大提高废水处理效果，并降低运行成本。目前废水处理厂多通过使用稀释接种法、微生物传感器快速测定法测定不同类型水中的BOD，上述方法分析测定周期一般为5天，不能及时反映废水处理实际情况，不能实现BOD的实时测量，直接导致废水处理过程难以实现闭环控制。另外，通过研制新型硬件形式的过程测量仪表来测量，虽然可以直接解决各种废水处理过程变量及水质参数的检测问题，但由于废水中有机物非常复杂，研发这些传感器将是一个耗资大、历时长的工程。因此，有必要寻求可靠的数学模型预测方法以便于及时准确地把握进水BOD的变化规律，解决BOD检测中数学建模困难、过程参数时变等问题，已成为废水处理控制工程领域研究的重要课题，并且具有重要的现实意义以及广阔的应用前景。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种废水处理进水水质时序变化智能预测方法。本专利技术以水质历史数据时间序列为基础，通过数学建模及时准确地预测进水BOD的变化规律，实现了BOD的间接短期在线预测，为最终的控制分析提供可靠的进水质量指标结果。本专利技术能够极大地提高废水处理效果，降低运行成本，为废水高效处理及调配提供参考。本专利技术的目的能够通过以下技术方案实现：一种废水处理进水水质时序变化智能预测方法，具体步骤包括：(1)通过小波变换对作为参数的BOD历史数据时间序列进行分解，重构分解系数得到近似部分序列和细节部分序列；(2)采用模糊理论改进的马尔科夫链法，在设定模糊状态划分数目和模糊隶属度函数的条件下，对BOD历史数据序列参数进行模拟状态划分，构建模糊可能性组成的状态转移矩阵；(3)将进行小波变换分解重构后得到的近似部分序列和细节部分序列分别按照模糊马尔科夫链法进行建模，从而进行预测；(4)将近似部分序列和细节部分序列在未来时段的预测值输入到采用遗传算法进行优化的神经网络，神经网络的输出值即为生化需氧量值。小波变换为一种时间和频率的局域变换，通过变换能有效地从信号中提取信息，利用伸缩和平移等运算功能对函数和信号进行多尺度细化分析，解决了其他变换所不能解决的问题。小波变换的实质是将信号分解为不同频带上的自信号，即将函数分解为近似分量和细节分量的过程。近似分量代表的是原始信号变化的基本趋势，即低频部分，细节分量描述的是信号的高频部分。通过小波变换将进水BOD历史数据时间序列分解为一组子序列，得到的子序列比BOD历史数据时间序列具有更好的行为特性。进一步地，所述步骤(1)中，对BOD历史数据时间序列X(t)进行分解，表示为：其中，J表示分解尺度，AJ(t)表示逼近原始风速序列分量(低频分量)，Dr(t)表示第r个分解的细节信号分量(高频分量)，t表示离散时间。风速序列的重构公式表示为：其中，分别表示为X(t)、AJ(t)、Dr(t)在未来的预测值。具体地，在本专利技术中，对于BOD历史数据时间序列参数X0＝(x1,x2,..,xn)，采用小波工具箱对BOD历史数据时间序列X0进行多尺度离散小波变换：首先选用wavedec函数对X0进行n层小波分解，然后采用wroef函数重构X0的近似部分序列(An)与细节部分序列(D1,D2,…,Dn)，根据小波变换的性质，得到X0＝An+D1+D2+...+Dn本专利技术能够采用不同类型的小波变换，分别为Daubechies2(db2)、Daubechies4(db4)、Daubechies5(db5)、Symlets(sym4)、Biorhogonal3(biro3.3)、DiscreteMeyer(dmey)、Coiflets(sym4)等。模糊理论构建马尔科夫链状态转移矩阵，按照系统的发展，时间可离散为n＝0,1,2,3...，对每个系统的状态可用随机变量表示，并且对应一定的概率，称为状态概率。当系统由某一阶段状态转移到另一阶段状态时，在这个转移过程中，存在着转移的概率，称为转移概率。如果转移概率只与目前相邻两状态的变化有关，即下阶段的状态只与现在状态有关，而与过去状态无关。这种离散状态按照离散时间的随机转移系统过程，称为马尔科夫过程。进一步地，在步骤(2)中，利用模糊理论改进马尔科夫链法，对BOD历史数据时间序列水质参数进行模拟状态划分，建立状态转移概率矩阵、构造预测模型、求取预测值等，具体步骤为：(2-1)模糊状态的划分：根据X0值域范围，划分为m个模糊状态E1,E2,...,Em，同时定义这些模糊状态的隶属函数为i＝1,2,...,m。(2-2)构建状态转移矩阵：定义序列点X1,X2,...,Xn-1落入状态Ei中的个数为Oi，则有定义从模糊状态Ei转移到Ej的个数为Oij，则有模糊状态Ei转移到Ej的状态概率为pij，则有因此，一阶马尔科夫状态转移概率矩阵为(2-3)构建预测模型：给定时刻tn的序列点Xn，能够计算出该时刻点对于各状态的隶属度所构成的状态向量则时间序列在tn+1时刻的状态向量为(2-4)求取预测值：采用权重均值法，对得到的模糊状态向量进行去模糊化，从而得到预测值，表示为其中，zi为模糊状态Ei的特征值，即隶属度值最大时对应的值。针对遗传算法存在过早收敛的缺点，以及标准BP算法在检测过程中会产生收敛速度慢，容易陷入局部极小，数值稳定性差的问题。本专利技术采用新的训练神经网络的算法—GABP算法。所述GABP算法采用遗传算法来优化神经网络权值，然后采用自适应学习速率动量梯度下降算法对神经网络进行训练，计算适应度函数，最后用遗传算法优化与最大适应度函数对应的权值，并计算神经网络输出。进一步地，在步骤(4)中，采用GABP算法对神经网络进行优化的具体步骤为：(4-1)初始化种群P，包括交叉规模、突变概率Pm，交叉概率Pc以及对神经网络权值WIHij和WHOij初始化；在编码中，采用实数进行编码，初始种群取50。(4-2)计算每个个体评价函数，并对其排序，按照概率值选择网络个体，计算公式为：其中，fi表示个体i的适配值，具体表示为：f(i)＝1/E(i)其中，i＝1,2,...,N表示染色体数，k＝1,2,3,4表示输出层节点数，p＝1,2,3,4,5表示学习样本数，Tk表示教师信号，Vk表示网络输出。(4-3)以概率Pc对个体Gi和Gi+1进行交叉操作，产生新个体G′i和G′i+1，没有进行交叉操作的个体直接进行复制。(4-4)利用概率Pm以突变产生Gj的新个体G′j。(4-5)将新个体插入到种群P中，同时计算新个体的评价函数。(4-6)计算ANN的误差平方和，若达到预定值εGA，则进行步骤(4-7)；否则返回步本文档来自技高网...

【技术保护点】
1.一种废水处理进水水质时序变化智能预测方法，其特征在于，包括：(1)通过小波变换对作为参数的BOD历史数据时间序列进行分解，重构分解系数得到近似部分序列和细节部分序列；(2)采用模糊理论改进的马尔科夫链法，在设定模糊状态划分数目和模糊隶属度函数的条件下，对BOD历史数据序列参数进行模拟状态划分，构建模糊可能性组成的状态转移矩阵；(3)将进行小波变换分解重构后得到的近似部分序列和细节部分序列分别按照模糊马尔科夫链法进行建模，从而进行预测；(4)将近似部分序列和细节部分序列在未来时段的预测值输入到采用遗传算法进行优化的神经网络，神经网络的输出值即为生化需氧量值。

【技术特征摘要】
1.一种废水处理进水水质时序变化智能预测方法，其特征在于，包括：(1)通过小波变换对作为参数的BOD历史数据时间序列进行分解，重构分解系数得到近似部分序列和细节部分序列；(2)采用模糊理论改进的马尔科夫链法，在设定模糊状态划分数目和模糊隶属度函数的条件下，对BOD历史数据序列参数进行模拟状态划分，构建模糊可能性组成的状态转移矩阵；(3)将进行小波变换分解重构后得到的近似部分序列和细节部分序列分别按照模糊马尔科夫链法进行建模，从而进行预测；(4)将近似部分序列和细节部分序列在未来时段的预测值输入到采用遗传算法进行优化的神经网络，神经网络的输出值即为生化需氧量值。2.根据权利要求1所述的一种废水处理进水水质时序变化智能预测方法，其特征在于，所述步骤(1)中，对BOD历史数据时间序列X(t)进行分解，表示方式为：其中，J表示分解尺度，AJ(t)表示逼近原始风速序列分量(低频分量)，Dr(t)表示第r个分解的细节信号分量(高频分量)，t表示离散时间；风速序列的重构公式表示为：其中，分别表示为X(t)、AJ(t)、Dr(t)在未来的预测值。3.根据权利要求2所述的一种废水处理进水水质时序变化智能预测方法，其特征在于，在本发明中，对于BOD历史数据时间序列参数X0＝(x1,x2,..,xn)，采用小波工具箱对BOD历史数据时间序列X0进行多尺度离散小波变换：首先选用wavedec函数对X0进行n层小波分解，然后采用wroef函数重构X0的近似部分序列(An)与细节部分序列(D1,D2,...,Dn)，根据小波变换的性质，得到X0＝An+D1+D2+...+Dn。4.根据权利要求1所述的一种废水处理进水水质时序变化智能预测方法，其特征在于，在步骤(2)中，利用模糊理论改进马尔科夫链法，对BOD历史数据时间序列水质参数进行模拟状态划分，建立状态转移概率矩阵、构造预测模型、求取预测值等，具体步骤为：(2-1)模糊状态的划分：根据X0值域范围，划分为m个模...

【专利技术属性】
技术研发人员：黄明智，易晓辉，阮菊俊，王晓珊，章涛，孔少飞，应光国，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：广东,44