一种预测A2O污水处理过程中出水COD浓度的方法技术

本发明专利技术涉及污水处理领域，是基于BP神经网络建模实现的，通过确立神经网络的输出层变量出水COD浓度，选取神经网络的输入层变量、隐含层的传递函数和输出层的传递函数，建立BP神经网络模型；选择神经网络输入层变量和输出层变量样本数据，对样本数据进行异常数据处理，采用所述BP神经网络模型训练预测，得出出水COD浓度。该方法可以快速精准地预测出A2O污水处理过程中出水COD浓度，为A2O污水处理提供了可靠的控制条件。

【技术实现步骤摘要】

本专利技术涉及污水处理领域，尤其涉及一种预测A2O污水处理过程中出水COD浓度的方法。
技术介绍
A2O法又称AAO法，是英文Anaerobic-Anoxic-Oxic第一个字母的简称(厌氧-缺氧-好氧法)，是一种常用的二级污水处理工艺，可用于二级污水处理或三级污水处理，具有良好的脱氮除磷效果。但是，A2O污水处理过程是个大滞后的复杂的非线性系统，其出水水质受化学需氧量COD(Chemical Oxygen Demand)及其相关的污水的PH、进水污染物浓度、污泥浓度、溶解氧浓度等多种因素的影响，生化反应过程具有滞后特性。其中，化学需氧量COD是表示水中有机物的一个综合性指标，是一个重要的而且能较快测定的有机物污染参数，常以符号COD表示，也是水资源是否受工业废水污染的重要判断条件。因此，能够在A2O污水处理过程中出水COD浓度显得十分必要而且具有十分重要的意义。
技术实现思路
本专利技术的目的在于提供一种预测A2O污水处理过程中出水COD浓度的方法,旨在快速精确地预测出A2O污水处理过程中出水COD浓度，为A2O污水处理提供控制条件。为了解决上述技术问题，本专利技术提供了一种预测A2O污水处理过程中出水COD浓度的方法，所述方法基于BP神经网络建模实现，包括以下步骤：选择出水COD浓度为BP神经网络的输出层变量，选取BP神经网络的输入层变量、隐含层的传递函数和输出层的传递函数，建立BP神经网络模型；选择神经网络输入层变量和输出层变量的样本数据，对样本数据进行异常数据处理；以及采用BP神经网络模型训练预测，得出出水COD浓度。优选地，所述方法还包括：在对样本数据进行异常数据处理后，将样本数据分为学习样本数据和预测样本数据。进一步地，所述BP神经网络模型为：建立三层神经网络，所述三层分别为输入层、隐含层和输出层，设输入层有n个节点，隐含层有q个节点，输出层有m个节点，输入层与隐含层之间的权值为vki，隐含层与输出层之间的权值为wjk，其中，n,m和q均为正整数，i，j和k为自然数；选取隐含层的传递函数为Sigmoid型双曲正函数，Sigmoid型双曲正函数具体为Logsig函数；输出层的传递函数为线性函数，线性函数具体为Purelin函数；则隐含层节点的输出为：zk＝f1(Sk),k＝1,2,...,q (1)其中，Logsig函数并记f1(Sk)为复合函数；输出层节点输出为：yj＝f2(Sj)，j＝1,2,...m (2)其中，Purelin函数f2(Sj)＝Sj，并记f2(Sj)为复合函数；所述BP神经网络模型还包括通过动量因子对输入层与隐含层之间的权值为vki以及隐含层与输出层之间的权值为wjk进行调整，具体为： w j k u + 1 = w j k u + ( 1 - m c ) Δw j k u + 1 + mcΔw j k u - - - ( 3 ) ]]> v k i u + 1 = v k i u + ( 1 - m c ) Δv k i u + 1 + mcΔv k i u - - - ( 4 ) ]]>在3和4式中，为的下一次调整后的值，为的下一次调整后的值；mc为动量因子，u为总计算迭代次数的第u次，u为正整数，其中，Δwjk、Δvjk分别为输出层各神经元和隐含层各神经元的权值调整公式，输出层各神经元的权值调整公式Δwjk为： Δw j k u = Σ r = 1 P Σ j = 1 m η ( t j r - y j r ) f 2 , ( S j ) z k - - - ( 5 ) ]]>隐含层各神经元的权值调整公式Δvjk为： Δv k i u = Σ r = 1 P Σ j = 1 m η ( t j r - y j r ) f 2 , ( S j ) w j k f 1 , 本文档来自技高网...

【技术保护点】
一种预测A2O污水处理过程中出水COD浓度的方法，其特征在于，所述方法基于BP神经网络建模实现，包括以下步骤：选择出水COD浓度为BP神经网络的输出层变量，选取BP神经网络的输入层变量、隐含层的传递函数和输出层的传递函数，建立BP神经网络模型；选择神经网络输入层变量和输出层变量的样本数据，对样本数据进行异常数据处理；以及采用BP神经网络模型训练预测，得出出水COD浓度。

【技术特征摘要】
1.一种预测A2O污水处理过程中出水COD浓度的方法，其特征在于，所述方法基于BP神经网络建模实现，包括以下步骤：选择出水COD浓度为BP神经网络的输出层变量，选取BP神经网络的输入层变量、隐含层的传递函数和输出层的传递函数，建立BP神经网络模型；选择神经网络输入层变量和输出层变量的样本数据，对样本数据进行异常数据处理；以及采用BP神经网络模型训练预测，得出出水COD浓度。2.根据权利要求1所述的预测A2O污水处理过程中出水COD浓度的方法，其特征在于，所述方法还包括：在对样本数据进行异常数据处理后，将样本数据分为学习样本数据和预测样本数据。3.根据权利要求2所述的预测A2O污水处理过程中出水COD浓度的方法，其特征在于，所述BP神经网络模型为：建立三层神经网络，所述三层分别为输入层、隐含层和输出层，设输入层有n个节点，隐含层有q个节点，输出层有m个节点，输入层与隐含层之间的权值为vki，隐含层与输出层之间的权值为wjk，其中，n,m和q均为正整数，i，j和k为自然数；选取隐含层的传递函数为Sigmoid型双曲正函数，Sigmoid型双曲正函数具体为Logsig函数；输出层的传递函数为线性函数，线性函数具体为Purelin函数；则隐含层节点的输出为：zk＝f1(Sk),k＝1,2,...,q (1)其中，Logsig函数并记f1(Sk)为复合函数；输出层节点输出为：yj＝f2(Sj)，j＝1,2,...m (2)其中，Purelin函数f2(Sj)＝Sj，并记f2(Sj)为复合函数；所述BP神经网络模型还包括通过动量因子对输入层与隐含层之间的权值为vki以及隐含层与输出层之间的权值为wjk进行调整，具体为： w j k u + 1 = w j k u + ( 1 - m c ) Δw j k u + 1 + mcΔw j k u - - - ( 3 ) ]]> v k i u + 1 = v k i u + ( 1 - m c ) Δv k i u + 1 + mcΔv k i u - - - ( 4 ) ]]>在3和4式中，为的下一次调整后的值，为的下一次调整后的值；mc为动量因子，u为总计算迭代次数的第u次，u为正整数，其中，Δwjk、Δvjk分别为输出层各神经元和隐含层各神经元的权值调整公式，输出层各神经元的权值调整公式Δwjk为： Δw j k u = Σ r = 1 P Σ j = 1 m η ( t j r - y j r ) f 2 , ( S j ) z k - - - ( 5 ) ]]>隐含层各神经元的权值调整公式Δvjk为： Δv k i ...

【专利技术属性】
技术研发人员：唐思明，武延坤，
申请(专利权)人：深圳市开天源自动化工程有限公司，
类型：发明
国别省市：广东;44