本发明专利技术涉及基于退火算法优化SVM模型预测及优化冷凝液处理系统出水总氮的方法，包括：获取对污泥干化冷凝液处理流程出水总氮产生影响的主要影响因子，并确定最显著元素；基于核函数构建SVM模型；将最显著元素作为SVM模型的输入，得出预测和优化结果；在输出结果不满足预设条件时，使用模拟退火算法来优化SVM模型的主要参数，重复输出直至输出结果满足预设条件。本发明专利技术的有益效果是：本发明专利技术实现了废水处理全流程出水总氮时时精准预测和全流程参数优化，并且有广阔的应用前景。并且有广阔的应用前景。并且有广阔的应用前景。
【技术实现步骤摘要】
基于退火算法优化SVM模型预测及优化冷凝液处理系统出水总氮的方法
[0001]本专利技术涉及智能控制及水处理领域，更确切地说，它涉及基于退火算法优化SVM模型预测及优化冷凝液处理系统出水总氮的方法。
技术介绍
[0002]工业废水和城镇生活污水处理过程中会产生大量污泥，该类污泥含有丰富的氮、磷、钾、有机质等营养元素。为了减轻处理负担，会对污泥进行加热干化以去除多余水分，干化过程中产生的尾气遇冷凝结后形成污泥干化冷凝液。该类废水具有高总氮和高油份两大特点，总氮往往可以达到500mg/L左右，石油类和动植物油总量也可达400mg/L，COD甚至超过3000mg/L，该类废水往往需要经过多重工艺联合处理后方能达标排放。总氮是出水指标里最为重要的一项，总氮主要包括氨氮、硝态亚硝态氮和有机氮，若氨氮在自然界中富集，会对人类和动植物的健康带来巨大威胁，其余氮素也都或多或少会给自然界带来负面影响，因此监控出水总氮对水处理过程的优化运行和生态环境的保护都是至关重要的。
[0003]传统的总氮测定方法为碱性过硫酸钾紫外分光光度法，即先通过过硫酸钾产生的硫酸氢钾和原子态氧在加热的条件下将含氮化合物的氮元素转化为硝酸盐，再采用紫外分光光度法配合标准曲线测得数值，该方法不仅耗时大流程复杂，而且对药剂质量要求高。以上测试过程适用于实验室内检测，虽然已有在线总氮分析仪产品，但仍普遍存在仪表误差大、测试结果延迟和易受外部环境干扰等问题，难以满足城市污水处理过程精细控制的需要，在实际污水处理过程中的应用受到限制。近年来以统计学习理论为基础的出水指标预测模型，不仅具有良好的非线性性能，而且具有强大的小样本学习能力、较好的学习推广性能以及较好的高维数据处理能力等特性，在污水处理领域具有非常广阔的应用前景。
[0004]由于污泥干化冷凝液处理系统是一个典型的多变量、非线性、强耦合和多扰动的复杂系统，采用机理方法建立出水总氮预测模型十分困难，传统的神经网络模型在水处理研究中存在容易陷入局部极小值、参数难以确定的不足。
技术实现思路
[0005]本专利技术的目的是克服现有技术的不足，提供了基于退火算法优化SVM模型预测及优化冷凝液处理系统出水总氮的方法。
[0006]第一方面，提供了基于退火算法优化SVM模型预测及优化冷凝液处理系统出水总氮的方法，包括：
[0007]步骤1、获取对污泥干化冷凝液处理流程出水总氮产生影响的主要影响因子，并采用主成分分析法在所述主要影响因子中确定最显著元素；
[0008]步骤2、基于核函数构建SVM模型；
[0009]步骤3、将所述最显著元素作为SVM模型的输入，进行模拟训练得出预测和优化结果；
[0010]步骤4、在步骤3的输出结果不满足预设条件时，使用模拟退火算法(SA)来优化SVM模型的主要参数，重复步骤3，直至输出结果满足预设条件。
[0011]作为优选，步骤1包括：
[0012]步骤1.1、对主要影响因子用初始矩阵表示，归一化处理所述初始矩阵中的数据，获取分解矩阵，并求得所述分解矩阵对应的协方差矩阵和主成分矩阵T；
[0013]步骤1.2、由协方差矩阵得到的特征根λ和主成分矩阵T，计算累积方差；
[0014]步骤1.3、在主要影响因子中确定多个最显著元素。
[0015]作为优选，步骤2中，所述核函数为径向基函数，所述径向基函数的判别函数为：
[0016][0017]其中，sgn为符号函数，a
i
表示中心点，n为中心点的数量，K
r
为径向基函数，x
i
为中心点的特征向量；r、b均为预估参数且属于随机常数；
[0018]所述径向基函数表示为：
[0019][0020]作为优选，在步骤4中，定义函数：
[0021][0022]其中，y
i
为第j个样本实例，为第j个模拟样本实例，n为模拟样本的数量；s.t为约束条件(subject to)；并通过迭代选择适度的C,g,ε参数，使函数取得最小值，具体步骤包括：
[0023]步骤4.1、确定模拟退火算法的初始参数，初始温度T0，终止温度T
e
，初始状态E
o
，以及温度冷却系数ε，0＜ε＜1；
[0024]步骤4.2、在约束条件下，通过降温函数T
n
＝T
o
*ρ，0＜ρ＜1，进行退火寻优，选择邻域内的一组随机参数(C，g，ε)，作为支持向量机模型的原始参数，得到的临时状态E
i
；
[0025]步骤4.3、判断该临时状态是否满足E
n
＜E
o
，且显著性差异合理，即，且显著性差异合理，即为决定是否接受临时状态为当前状态的随机数；
[0026]步骤4.4、如果E
n
＞E
o
，则重复步骤3.2和步骤3.3，继续寻优；若E
n
＜E
o
，则接受此状态为新的临时状态，直到T
n
＜T
e
，停止算法，将优化后的参数作为SVM模型的最优参数。
[0027]第二方面，提供了基于SA
‑
SVM算法的污泥干化冷凝液出水总氮预测及优化装置，用于执行第一方面任一所述基于SA
‑
SVM算法预测及优化冷凝液处理系统出水总氮的方法，包括：
[0028]获取模块，用于获取对污泥干化冷凝液处理流程出水总氮产生影响的主要影响因子，并采用主成分分析法在所述主要影响因子中确定最显著元素；
[0029]构建模块，用于基于核函数构建SVM模型；
[0030]模拟训练模块，用于将所述最显著元素作为SVM模型的输入，进行模拟训练得出预测和优化结果；
[0031]优化模块，用于在步骤3的输出结果不满足预设条件时，使用模拟退火算法(SA)来优化SVM模型的主要参数，重复步骤3，直至输出结果满足预设条件。
[0032]第三方面，提供了一种计算机存储介质，所述计算机存储介质内存储有计算机程序；所述计算机程序在计算机上运行时，使得计算机执行第一方面任一所述基于退火算法优化SVM模型预测及优化冷凝液处理系统出水总氮的方法。
[0033]第四方面，提供了一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得计算机执行第一方面任一所述基于退火算法优化SVM模型预测及优化冷凝液处理系统出水总氮的方法
[0034]本专利技术的有益效果是：
[0035](1)本专利技术针对全行业废水处理流程出水总氮难以在线测量的问题，提出一种基于退火模拟
‑
支持向量机算法获得污泥干化冷凝液处理流程出水总氮智能预测方法，实现了该类废水处理全流程出水总氮时时精准预测和全流程参数优化，并且有广阔的应用前景。
[0036](2)本专利技术相较原有的神经网络模型，SA
‑
SVM在解决非线性小样本数据和高维本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于退火算法优化SVM模型预测及优化冷凝液处理系统出水总氮的方法，其特征在于，包括：步骤1、获取对污泥干化冷凝液处理流程出水总氮产生影响的主要影响因子，并采用主成分分析法在所述主要影响因子中确定最显著元素；步骤2、基于核函数构建SVM模型；步骤3、将所述最显著元素作为SVM模型的输入，进行模拟训练得出预测和优化结果；步骤4、在步骤3的输出结果不满足预设条件时，使用模拟退火算法来优化SVM模型的主要参数，重复步骤3，直至输出结果满足预设条件。2.根据权利要求1所述的基于退火算法优化SVM模型预测及优化冷凝液处理系统出水总氮的方法，其特征在于，步骤1包括：步骤1.1、对主要影响因子用初始矩阵表示，归一化处理所述初始矩阵中的数据，获取归一化矩阵，并求得所述归一化矩阵对应的协方差矩阵和主成分矩阵T；步骤1.2、由协方差矩阵得到的特征根λ和主成分矩阵T，计算累积方差；步骤1.3、在主要影响因子中确定多个最显著元素。3.根据权利要求2所述的基于退火算法优化SVM模型预测及优化冷凝液处理系统出水总氮的方法，其特征在于，步骤2中，所述核函数为径向基函数，所述径向基函数的判别函数为：其中，sgn为符号函数，a
i
表示中心点，n为中心点的数量，K
r
为径向基函数，x
i
为中心点的特征向量，r、b均为预估参数且属于随机常数；采用的核函数为高斯函数，表示为：4.根据权利要求3所述的基于退火算法优化SVM模型预测及优化冷凝液处理系统出水总氮的方法，其特征在于，在步骤4中，定义模拟退火算法优化函数：其中，y
i
为第j个样本实例，为第j个模拟样本实例，n为模拟样本的数量，s.t为约束条件；并通过迭代选择适度的C,g,ε参数，使函数取得最小值，具体步骤包括：步骤4.1、确定模拟退火算法的初始参数，初始温度T0，终止温度T
e
,初始状态E
o
，以及温度冷却系数ε，0<ε<1；步骤4.2、在约束条件下，通过降温函数T
...
【专利技术属性】
技术研发人员：张驰，娄宝辉，张雨婷，冯向东，张贺，赵文滔，吴贤豪，陈雨帆，黄斐鹏，叶壮，鲁卫哲，童小忠，
申请(专利权)人：浙江浙能技术研究院有限公司，
类型：发明
国别省市：
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。