【技术实现步骤摘要】
事件驱动的污水处理过程出水总磷软测量模型设计方法
本专利技术涉及人工智能驱动的自动化
，特别涉及一种事件驱动的污水处理过程出水总磷软测量模型设计方法及装置。
技术介绍
水资源关系经济社会可持续发展和国计民生，已成为世界各国关注的焦点问题。在城市污水中，磷是引起水体富营养化，导致藻类大量繁殖和影响水质的最主要因素。总磷浓度是反映城市污水处理出水水质的关键指标，为使污水处理系统处于良好的运行工况并获得达标的出水水质，对污水总磷进行及时、准确地检测显得尤为重要。目前，常用的总磷检测方法主要是基于人工智能神经网络的软测量技术。随着国家不断推进智慧城市和生态文明建设，对污水处理厂出水水质的达标要求不断提高，给现有的出水总磷软测量方法带来了新的挑战。主要体现在：(1)现有的人工神经网络软测量模型均采用浅层结构，无法完成对复杂数据进行分层学习和深层特征提取的任务；(2)实际污水处理过程产生的数据含有大量的噪音，即数据效率低下，这导致软测量模型无法实现对出水总磷进行高效、精确的实时检测。
技术实现思路
本专...
【技术保护点】
1.一种事件驱动的污水处理过程出水总磷软测量模型设计方法，其特征在于，包括以下步骤：/nS1，获取污水处理厂的出水总磷原始数据，对所述原始数据进行预处理得到待处理任务的样本集，通过互信息分析和统计方法对所述样本集中的参数变量与出水总磷间的相关性进行度量，根据度量结果选取多个变量作为辅助变量；/nS2，根据所述辅助变量与出水总磷的对应关系，建立基于深度信念网络的出水总磷软测量模型，根据所述出水总磷软测量模型训练过程中反映出的污水处理过程数据特性定义事件，并设计事件驱动的软测量模型参数高效学习策略，利用实际出水总磷数据对所述出水总磷软测量模型进行事件驱动式训练；/nS3，利用训...
【技术特征摘要】
1.一种事件驱动的污水处理过程出水总磷软测量模型设计方法，其特征在于，包括以下步骤：
S1，获取污水处理厂的出水总磷原始数据，对所述原始数据进行预处理得到待处理任务的样本集，通过互信息分析和统计方法对所述样本集中的参数变量与出水总磷间的相关性进行度量，根据度量结果选取多个变量作为辅助变量；
S2，根据所述辅助变量与出水总磷的对应关系，建立基于深度信念网络的出水总磷软测量模型，根据所述出水总磷软测量模型训练过程中反映出的污水处理过程数据特性定义事件，并设计事件驱动的软测量模型参数高效学习策略，利用实际出水总磷数据对所述出水总磷软测量模型进行事件驱动式训练；
S3，利用训练好的出水总磷软测量模型对出水总磷进行预测，并根据预测结果对所述出水总磷软测量模型进行评估。
2.根据权利要求1所述的方法，其特征在于，根据度量结果选取多个变量作为辅助变量，包括：
通过互信息计算公式计算所述样本集中的参数变量与出水总磷间的互信息值，将所述互信息值由大到小进行排列，从最大的互信息值开始，选取预设数量的变量作为所述辅助变量。
3.根据权利要求1所述的方法，其特征在于，所述S2进一步包括：
S21，定义表征误差下降量的指标γδ(i)，δ步误差下降值为：
γδ(i)＝ε(i)-ε(i-δ)
其中，N是训练样本的数量，i＝1,2,…,N，ε(i)是训练过程的均方误差，y为目标输出，为出水总磷软测量模型输出；
S22，定义四种事件：
其中，<γδ(i),κδ(i)>用来表示输出的误差状态，κδ(i)＝|γδ(i)-γδ(i-δ)|是在δ步间隔下连续两次迭代的误差下降量，当在δ步间隔下连续三次迭代的训练误差下降率增大时，认为事件E1发生；当在δ步间隔下连续三次迭代的训练误差增大、训练误差下降率降低或震荡时，认为事件E2、E3或E4发生；
S23，当事件E1发生时，触发参数更新操作；当事件E2、E3或E4发生时，不进行参数更新，保持原来状态，更新策略为：
其中，W(t)为出水总磷软测量模型的权值参数矩阵；
S24，对每一组训练数据，执行步骤S23，如果满足事件E1触发条件，则进行参数更新操作；如果不满足，则不进行参数更新，同时跳到下一组数据，重复执行此策略，直到完成对所有训练数据的一次迭代。
4.根据权利要求1所述的方法，其特征在于，通过评估指标对所述出水总磷软测量模型进行评估，评估指标为：
其中，N是训练样本的数量，y为目标输出，为出水总磷软测量模型实际输出，出水总磷软测量模型平均输出，Pe是平均百分比误差，Se是均方误差，R2是决定系数，R2越接近1说明预测值与目标值拟合的效果越好，R2越接近0说明预测值与目标值拟合效果越差。
5.根据权利要求1所述的方法，其特征在于，还包括：
根据评估结果对所述出水总磷软测量模型参数进行调整，以优化所述出水总磷软测量模型性能。
6.一种事件驱动的污水处理过程出水...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。