基于加权概率慢特征模型的污水处理过程软测量方法技术

本发明专利技术涉及一种基于加权概率慢特征模型的污水处理过程软测量方法，首先对污水处理过程进行在线采样获得训练样本集和下一时刻的查询样本，建立加权概率慢特征分析模型提取训练样本的慢特征，采用EM算法估计模型参数，随后建立输出变量与慢特征之间的局部加权回归模型；对于当前查询样本，提取慢特征并对查询样本的输出进行预测，然后将其加入训练样本集中，等待下一个污水处理过程的在线采样样本，重复上述步骤对其输出进行预测，从而得出污水处理过程出水水质的在线预测结果。本发明专利技术提高了针对污水处理过程的非线性动态建模能力以及出水水质的预测效果，基于此的污水处理过程监测和控制也更有效。监测和控制也更有效。监测和控制也更有效。

Soft sensing method of sewage treatment process based on weighted probability slow characteristic model

【技术实现步骤摘要】
基于加权概率慢特征模型的污水处理过程软测量方法


[0001]本专利技术属于污水处理
，涉及一种用于污水处理过程的软测量方法，具体地说是涉及一种基于加权概率慢特征模型的污水处理过程软测量方法。

技术介绍

[0002]随着现代工业的飞速发展和人们生活水平的不断提高，污水排放量日益增加，水资源污染已经成为世界目前主要的环境问题。我国的城市污水大多采用活性污泥法处理，通过微生物的作用，在好氧、厌氧、缺氧等条件下，利用生化反应将污水中有毒的杂志等转变成无害的物质。但是污水处理过程中的一些关键性质量指标难以通过仪器直接在线测量，现有的检测设备成本高并且故障频繁，而传统的实验室分析方法整个过程要花上2～4小时，时滞性太长，无法对污水处理过程进行实时的监测和控制。数据驱动的软测量技术利用污水处理过程数据之间的内在信息，建立关键变量和辅助变量之间的数学模型，对污水处理过程的出水水质进行精确的预测。
[0003]目前，大多数针对污水处理过程的软测量方法都依赖于静态假设，假定过程运行于稳态工况。然而，由于受生物处理系统复杂易变、多反应过程相互耦合、进水水质水量的波动及实际的运行控制手段等诸多现实因素的影响，活性污泥法污水处理过程是一个强耦合的多输入多输出动态系统，具有时变、高维度、非线性、不确定性等特点，导致许多现有的软测量方法在实际污水处理应用中精度低下、难以长期使用。因此，需要提出一种针对污水处理过程动态特性的数据建模与软测量方法，设计的软测量方法需要同时考虑到强耦合性、高维度、非线性等复杂的数据特性。
专利技术内容
[0004]为了克服现有技术的缺点和不足，本专利技术提供了一种基于加权概率慢特征模型的污水处理过程软测量方法，对污水处理过程的出水水质进行精确的预测，从而有效提高污水处理过程监测的精准度，优化污水处理效果。
[0005]为实现上述目的，本专利技术所采取的技术方案为：
[0006]一种基于加权概率慢特征模型的污水处理过程软测量方法，包括下述步骤：
[0007](1)对污水处理过程进行在线采样，采集前M个时刻的样本组成建模用的训练样本集，获取第M+1个时刻的采集样本作为查询样本；
[0008](2)对训练样本集和查询样本进行预处理，利用欧氏距离和权重计算公式获取训练样本的权重向量；
[0009](3)建立加权概率慢特征分析模型，结合当前模型参数的初始值，利用期望最大化(EM)算法估计得到模型参数的更新值；
[0010](4)当所有模型参数的更新值满足收敛要求时，得到模型参数的最终值，进而得到加权概率慢特征分析模型，进入步骤(5)；否则，将模型参数的更新值作为模型参数的初始值，返回步骤(3)；
[0011](5)利用加权概率慢特征分析模型获取训练样本的慢特征以后，建立输出变量与慢特征之间的局部加权回归模型；
[0012](6)提取当前查询样本的慢特征，并对其输出变量进行预测，然后将其加入训练样本集中，等待下一个污水处理过程的在线采样样本，并重复上述步骤对其输出进行预测，得出污水处理过程出水水质的在线预测结果。
[0013]作为优选，步骤(1)中，对污水处理过程进行在线采样，采集前M个时刻的样本记为X＝{x1,x2，
…
,x
M
}，对应的输出值记为y＝{y1,y2,
…
,y
M
}，组成建模用的训练样本集，其中x
M
表示第M个时刻的过程向量样本，X表示前M个时刻采集的过程向量样本集合，y
M
表示第M个时刻的输出变量样本，y表示前M个时刻的输出变量样本集合；获取第(M+1)个时刻的过程向量x
M+1
作为查询样本x
q
。
[0014]作为优选，步骤(2)中，所述预处理主要包括归一化处理，计算每个训练样本和查询样本间的欧式距离和角度：
[0015][0016]其中，t为变量，表示第t个时刻，取值从1到M；而M为定值，表示确定的第M个时刻。x
t
为变量，表示第t个时刻的过程向量样本，取值从x1到x
M
；而x
M
为定值，表示确定的第M个时刻的过程向量样本；上标T表示向量转置；
[0017]计算每个训练样本的权重：
[0018]ω
t
＝αexp[
‑
d(x
q
,x
t
)]+(1
‑
α)cos[θ(x
q
,x
t
)]ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0019]其中，α为控制权重随距离变化速度的参数，且α∈[0,1]；将获取的权重向量记为w＝{ω1,ω2,
…
ω
M
}。
[0020]作为优选，步骤(3)中，获取数据序列X和权重向量w后，即可建立加权概率慢特征分析模型并采用期望最大化算法优化模型参数Θ；模型的基本形式如下：
[0021][0022]其中s(t)表示第t时刻的慢特征，x(t)表示第t时刻的观测变量，F为状态转移矩阵且F＝diag{λ1,
…
,λ
q
}，λ
j
控制着不同时间点第j维慢特征之间的关联强度；H∈R
m
×
q
为状态发散矩阵；Λ和∑分别为隐状态和观测变量的噪声方差矩阵；假设慢特征和观测变量均被独立同分布的高斯噪声所破坏，则Λ和∑为对角矩阵且其中为第j维慢特征的方差；由于s(t)为平稳随机过程，故假设初始态分布为标准高斯分布p(s(1))＝N(0,I
q
)；将模型参数记为Θ＝{λ
j
,1≤j≤q,H,∑}，加权概率慢特征分析模型在训练集上的完整数据对数似然函数为：
[0023][0024]对模型参数Θ＝{λ
j
,1≤j≤q,H,∑}随机进行初始化；在模型参数估计的最大化步骤(M步)，根据当前的模型参数，获取模型潜隐变量估计的更新值，具体公式为：
[0025][0026]其中，E[]表示期望，s(t)和s(t
‑
1)分别表示第t时刻和第(t
‑
1)时刻的慢特征，上标T表示向量转置，和分别表示卡尔曼估计值μ(t)和μ(t
‑
1)的后向估计，J(t
‑
1)表示与卡尔曼估计误差协方差相关的中间变量，表示卡尔曼估计误差协方差矩阵V(t)的后向估计；表达式(5)中各项分别由卡尔曼滤波(前向算法)和卡尔曼平滑(后向算法)计算可得：
[0027]前向算法的递归式为：
[0028][0029]其中，P(t
‑
1)表示第(t
‑
1)时刻估计误差协方差，上标T表示向量转置，V(t
‑
1)和V(t)分别表示第(t
‑
1)时刻和第t时刻的卡尔曼估计误差协方差矩阵，K(t本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于加权概率慢特征模型的污水处理过程软测量方法，其特征在于，包括下述步骤：(1)对污水处理过程进行在线采样，采集前M个时刻的样本组成建模用的训练样本集，获取第M+1个时刻的采集样本作为查询样本；(2)对训练样本集和查询样本进行预处理，利用欧氏距离和权重计算公式获取训练样本的权重向量；(3)建立加权概率慢特征分析模型，结合当前模型参数的初始值，利用期望最大化算法估计得到模型参数的更新值；(4)当所有模型参数的更新值满足收敛要求时，得到模型参数的最终值，进而得到加权概率慢特征分析模型，进入步骤(5)；否则，将模型参数的更新值作为模型参数的初始值，返回步骤(3)；(5)利用加权概率慢特征分析模型获取训练样本的慢特征以后，建立输出变量与慢特征之间的局部加权回归模型；(6)提取当前查询样本的慢特征，并对其输出变量进行预测，然后将其加入训练样本集中，等待下一个污水处理过程的在线采样样本，并重复上述步骤对其输出进行预测，得出污水处理过程出水水质的在线预测结果。2.根据权利要求1所述的基于加权概率慢特征模型的污水处理过程软测量方法，其特征在于，步骤(1)中，对污水处理过程进行在线采样，采集前M个时刻的样本记为X＝{x1,x2，
…
,x
M
}，对应的输出值记为y＝{y1,y2,
…
,y
M
}，组成建模用的训练样本集，其中x
M
表示第M个时刻的过程向量样本，X表示前M个时刻采集的过程向量样本集合，y
M
表示第M个时刻的输出变量样本，y表示前M个时刻的输出变量样本集合；获取第M+1个时刻的过程向量x
M+1
作为查询样本x
q
。3.根据权利要求2所述的基于加权概率慢特征模型的污水处理过程软测量方法，其特征在于，步骤(2)中，所述预处理主要包括归一化处理，计算每个训练样本和查询样本间的欧式距离和角度：其中，t为变量，表示第t个时刻，取值从1到M；x
t
为变量，表示第t个时刻的过程向量样本，取值从x1到x
M
；上标T表示向量转置；计算每个训练样本的权重：ω
t
＝αexp[
‑
d(x
q
,x
t
)]+(1
‑
α)cos[θ(x
q
,x
t
)]
ꢀꢀꢀ
(2)其中，α为控制权重随距离变化速度的参数，且α∈[0,1]；将获取的权重向量记为w＝{ω1,ω2,
…
ω
M
}。4.根据权利要求3所述的基于加权概率慢特征模型的污水处理过程软测量方法，其特征在于，步骤(3)中，获取数据序列X和权重向量w后，即可建立加权概率慢特征分析模型并采用期望最大化算法优化模型参数Θ；模型的基本形式如下：
其中s(t)表示第t时刻的慢特征，x(t)表示第t时刻的观测变量，F为状态转移矩阵且F＝diag{λ1,
…
,λ
q
}，λ
j
控制着不同时间点第j维慢特征之间的关联强度；H∈R
m
×
q
为状态发散矩阵；Λ和∑分别为隐状态和观测变量的噪声方差矩阵；假设慢特征和观测变量均被独立同分布的高斯噪声所破坏，则Λ和∑为对角矩阵且其中为第j维慢特征的方差；由于s(t)为平稳随机过程，故假设初始态分布为标准高斯...

【专利技术属性】
技术研发人员：张淼，周乐，郑慧，介婧，吕玉婷，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：