一种基于神经网络模型预测pH变化实现SBR短程硝化的方法技术

一种基于神经网络模型预测pH变化实现SBR短程硝化的方法，属于废水处理方法领域。在SBR系统中，利用实时控制策略控制曝气时间，以长期运行稳定的SBR数据为基础数据，建立3层BP神经网络预测模型，提前预测pH变化曲线，根据预测的pH变化点，提前设定停止曝气时间，防止NO

A method for predicting short cut nitrification of SBR based on neural network model to predict pH change

The invention relates to a method for realizing short cut nitrification of SBR based on a neural network model to predict pH variation, belonging to the field of wastewater treatment methods. In the SBR system, the control of aeration time by real-time control strategy, to long-term stable operation of the SBR data as the basic data, establish the prediction model of 3 layer BP neural network, forecast the change curve of pH, according to the pH change point prediction, set in advance to stop aeration time, prevent NO

【技术实现步骤摘要】
一种基于神经网络模型预测pH变化实现SBR短程硝化的方法
本专利技术涉及一种污水处理技术，尤其是能够通过神经网络模型预测SBR氨氧化过程pH变化点，提前设定停止曝气时间，从而使SBR系统逐步实现短程硝化，适用于城市生活污水的脱氮处理，属于废水处理方法领域。
技术介绍
传统生物脱氮技术主要包括硝化反硝化两个阶段，硝化反应包括两个步骤，第一步为氨氧化过程，由氨氧化菌(AOB)将氨氮转化为亚硝酸氮，第二步为硝化过程，由亚硝酸盐氧化菌(NOB)将亚硝酸氮进一步转化为硝酸氮。反硝化反应是在缺氧和有机碳源存在的条件下，将亚硝酸盐或者硝酸盐转化为N2或N2O的过程。传统生物脱氮技术中，硝化菌群生长较慢，反应器内难以维持较高的生物浓度，造成系统水力停留时间长，容积负荷率低，基建投资大，反硝化外加有机碳源造成能源浪费。短程硝化是将硝化过程控制在NO2--N阶段，随后进行反硝化。实现短程硝化的关键在于将氨氧化控制在NO2--N阶段，阻止NO2--N的进一步氧化，再直接进行反硝化。目前实现短程硝化常用的控制策略是根据在线传感器观察pH变化点，在氨氧化过程完成之时关闭曝气，但是由于缺氧环境下仍会有部分亚硝酸氮转化为硝酸氮，由于NOB必须在AOB产生亚硝酸盐后方可生长，因此，如果能够在氨氧化过程完成之前及时关闭曝气，便可以降低NOB的生长，长期下去可以达到淘洗系统NOB的目的。城市生活污水氨氧化过程具有非线性、时变性和不确定性，这对于建立准确的数学模型造成一定困难，即使建立，结构也十分复杂，难以有效控制。基于研究发现模糊控制缺乏自学习能力，适应性比较差，控制精度不高，实际应用比较困难，而基于神经网络的预测控制是把神经网络和预测控制结合起来，将预测控制的滚动思想和神经网络精确描述非线性和不确定性动态过程的特性有机结合，可很好的对非线性系统进行预测控制。因此，利用神经网络模型预测pH变化点实现SBR短程硝化是一种精确有效的方法。
技术实现思路
本专利技术的目的是建立一种基于神经网络模型控制SBR法实现短程硝化的方法，通过神经网络模型预测pH变化点，提前设定停止曝气时间，达到快速实现短程深度脱氮的效果。本专利技术的技术方案是：在SBR系统中，利用实时控制策略控制曝气时间，以长期运行稳定的SBR数据为基础数据，建立3层BP神经网络预测模型(图1)，提前预测pH变化曲线，根据预测的pH变化点，提前设定停止曝气时间，防止NO2--N进一步氧化，更好的实现短程硝化。模型建立过程(图2)主要依据数据采集、数据处理以及模型建立。利用BP神经网络模型，将数据进行训练、校正和测试。达到精度要求后，再将神经网络预测pH模型应用于SBR系统中。具体操作方法如下:(1)数据采集：通过在线仪表将数据采集进行下一步处理；(2)数据选择处理：将第一步采集到的数据进行选则预处理，从中选择连续稳定的足够的样本，将pH作为变量参数；(3)模型建立：将选择的数据进行建模，选择BP神经网络模型，进行训练、校正和测试(通过在线监测和预测相结合)，达到精度要求后，进行过程传感器监测pH和在线预测pH。为预测氨氧化过程的pH变化曲线，本专利技术建立的BP神经网络的输入层包括在线监测的pH值，输出层为预测的下一刻(时间间隔1min)pH值。具体方法如下:1)利用Matlab编写神经网络函数如下net＝newff(X,Y,[3,1],{'tansig''purelin'},'traingdx','learngdm')；net.trainParam.epochs＝2000；net.trainParam.goal＝0.0001；net.trainParam.show＝10；net.trainParam.lr＝0.05；net.trainParam.min_grad＝0.00000001；net.trainParam.max_fail＝1500；net＝train(net,X,Y)；激活函数：激活函数不管对于识别率或收敛速度都有显著的影响。在逼近高次曲线时,S形函数精度比线性函数要高得多,本专利技术采用的隐含层的激活函数采取S函数:f(x)＝1/(1+exp(-x))。2)BP神经网络的设计：典型的BP神经网络为3层结构：输入错、隐含层和输出层；输入层接受算法的输入，在本模型中输入层为x。输入层节点的个数应当和x的维数对应，本模型中，输入x为标量，因此输入层节点个数为1；隐含层节点个数可以自行设定，本模型设定为3个；输出层节点个数应当和输出y的维数对应，本模型中，输出y为标量，因此输出层结点个数为1；3)算法的基本思路在SBR系统内，建立一个3层的BP神经网络模型，利用输出后的误差来估计输出层的直接前导层的误差，再用这个直接前导层的误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计。神经网络在外界输入样本的刺激下不断改变网络的连接权值,以使网络的输出不断地接近期望的输出，权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度或进行到预先设定的学习次数为止。给定组样本:即稳定运行的一批pH值，对模型进行训练，具体过程如下：确定神经网络结构为1-3-1型，选0.1作为最大容许误差，并给出隐层到输出层的权矩阵，将其初始化为某一小的随机权矩阵。①.依次输入样本，计算网络的实际输出②计算误差③.计算各层权值的变化量④.调节权值⑤.若误差在容许范围内(如小于0.1)，则转②，否则转⑥⑥.若达到训练时间，结束，否则转②进入下一轮的计算，若直到规定的次数(如2000次)时还没有使输出层达到期望的输出，则强行退出，终止程序。4)采用稳定运行的pH数据训练神经网络模型，通过滚动预测的方法预测下一刻pH变化。具体如下：1一个SBR好氧反应周期中，前50个点只进行数据采集，不进行预测；2从第51个pH值开始预测，用第1-50个pH值预测第51个pH值，将预测出的第51个当作已知pH值；3用第2-52个pH值预测第52个pH值，将预测的第52个作为已知pH值；4用第3-52个pH值预测第53个pH值，以此类推，滚动预测；5用前50个实际在线监测的pH预测后20个pH值。在第51个点时可以显示预测的51-70个pH值，以此类推，预测下一时刻的pH值；5)将神经网络预测模型应用于SBR系统：在SBR系统曝气阶段，通过在线检测pH数据，利用神经网络模型预测pH值，根据预测的pH变化曲线出现的变化点，预测氨氧化结束时间，提前设定停止曝气时间，避免过度曝气导致亚硝酸盐进一步转化为硝酸盐，保证AOB充分增殖，淘汰NOB。本专利技术一种基于神经网络模型预测pH实现SBR短程硝化的方法同现有处理城市生活污水的技术相比，具有下列优点：1)节能降耗效果好：污水处理厂的大部分费用用于电耗及药耗，然而短程硝化只需将氨氮氧化成亚硝酸氮，节省了25％的曝气能耗，节约了能源消耗；在缺氧反硝化阶段节省了40％的外加碳源，降低了运行费用。2)稳定短程硝化：精确的神经网络预测pH变化点，可以使氨氮彻底氧化，保证了出水水质，同时还可以避免过度曝气导致短程破坏，是稳定短程硝化的有效方法。3)控制策略简化：选取pH值作为神经网络预测的控制参数既可以节省数据存储的空间,同时可以减少控制器的运算次数,使本文档来自技高网...

【技术保护点】
一种基于神经网络模型预测pH变化实现SBR短程硝化的方法，其特征在于，在SBR系统中，利用实时控制策略控制曝气时间，以长期运行稳定的SBR数据为基础数据，建立3层BP神经网络预测模型，提前预测pH变化曲线，根据预测的pH变化点，提前设定停止曝气时间，防止NO

【技术特征摘要】
1.一种基于神经网络模型预测pH变化实现SBR短程硝化的方法，其特征在于，在SBR系统中，利用实时控制策略控制曝气时间，以长期运行稳定的SBR数据为基础数据，建立3层BP神经网络预测模型，提前预测pH变化曲线，根据预测的pH变化点，提前设定停止曝气时间，防止NO2--N进一步氧化，具体如下：(1)数据采集：通过在线仪表将数据采集进行下一步；(2)数据选择处理：将第一步采集到的数据进行选则预处理，从中选择连续稳定的足够的样本，将pH作为变量参数；(3)模型建立：将选择的数据进行建模，选择BP神经网络模型，进行训练、校正和测试，达到精度要求后，进行过程传感器监测pH和在线预测pH。2.按照权利要求1的一种基于神经网络模型预测pH变化实现SBR短程硝化的方法，其特征在于，建立的BP神经网络的输入层包括在线监测的pH值，输出层为预测的下一刻pH值，具体方法如下:1)利用Matlab编写神经网络函数如下：采用的隐含层的激活函数采取S函数:f(x)＝1/(1+exp(-x))；2)BP神经网络的设计：典型的BP神经网络为3层结构：输入错、隐含层和输出层；输入层接受算法的输入，在本模型中输入层为x，输入层节点的个数和x的维数对应，本模型中，输入x为标量，输入层节点个数为1；隐含层节点个数为3个；输出层节点个数和输出y的维数对应，本模型中，输出y为标量，因此输出层结点个数为1；3)训练的基本思路在SBR系统内，建立一个3层的BP神经网络模型，利用输出后的误差来估计输出层的直接前导层的误差，再用这个直接前导层的误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计；神经网络在外界输入样本的刺激下不断改变网络的连接权值,以使网络的输出不断地接近期...

【专利技术属性】
技术研发人员：杨庆，杨玉兵，刘秀红，冯红利，李健敏，李健伟，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11