一种火力发电厂污水处理的生化需氧量在线预测方法技术

本发明专利技术涉及一种火力发电厂污水处理的生化需氧量在线预测方法，包括：确定影响生化需氧量的主要参数作为辅助变量；进行降维处理；采用降维后的辅助变量作为输入变量，采用改进的案例推理方法进行生化需氧量软测量模型的案例匹配，采用最近邻检索策略进行生化需氧量软测量模型的案例调整，建立生化需氧量软测量模型；采集火力发电厂污水处理数据输入生化需氧量软测量模型进行训练学习；将待预测的火力发电厂污水处理数据输入训练后的生化需氧量软测量模型，输出生化需氧量的预测值。本发明专利技术采用RBF神经网络对辅助变量进行降维处理，减小系统计算的时间和空间复杂度；有效提高了生化需氧量的预测精度，具有良好的实时在线预测效果。效果。效果。

【技术实现步骤摘要】
一种火力发电厂污水处理的生化需氧量在线预测方法


[0001]本专利技术涉及火力发电厂污水处理
，尤其是一种火力发电厂污水处理的生化需氧量在线预测方法。

技术介绍

[0002]由于火力发电厂是工业污水的主要来源之一，因此加强火力发电厂污水治理和循环利用对于保护水环境，实现可持续发展具有重要意义。
[0003]活性污泥法在火力发电厂污水化学处理工艺过程中被广泛采用，其实质是对污水进行氧化分解等一系列操作去除其中的有机物。目前火力发电厂污水处理的出水质量指标包括：BOD(生化需氧量)、T
‑
N(总含氮量)、COD(化学需氧量)和T
‑
P(总含磷量)等参数，这些参数主要由化学分析传感器或人工取样检测来确定，但是这种化学分析传感器具有造价高、寿命短、量程小、稳定性差等缺陷，现场仍以人工取样检测为主。此外，由于BOD的化验结果周期较长，大大滞后于污水处理过程，当发现出水水质指标BOD不合格时，大量处理不合格的污水已经被排放到环境中，因此，及时在线检测BOD参数是提高污水处理出水水质的关键。
[0004]现阶段通常采用神经网络和案例推理等方法对污水处理BOD参数进行在线检测，其中，对于用单一神经网络预测BOD需要较大的网络结构，导致网络学习速率下降，造成BOD在线检测结果输出延迟；而基于最近邻策略的常规案例推理方法只适用于解决属性的权重容易确定的简单问题，但是对于污水处理质量指标软测量这类复杂问题，由于各个属性间存在强耦合和非线性关系，很难合理地确定出各个属性的权重，导致常规案例推理方法预测BOD的精度降低。

技术实现思路

[0005]为解决现有火力发电厂污水处理生化需氧量检测成本高、精度低、实时性差的技术问题，本专利技术的目的在于提供一种检测成本低、精度高、实现实时检测的火力发电厂污水处理的生化需氧量在线预测方法。
[0006]为实现上述目的，本专利技术采用了以下技术方案：一种火力发电厂污水处理的生化需氧量在线预测方法，该方法包括下列顺序的步骤：
[0007](1)确定火力发电厂在污水生化处理过程中影响生化需氧量的主要参数，选择这些主要参数作为生化需氧量相关的辅助变量；
[0008](2)利用RBF神经网络对辅助变量中的n个进水泵电机电流进行降维处理，减少辅助变量个数，其余辅助变量保持不变；
[0009](3)采用降维后的辅助变量作为生化需氧量软测量模型的输入变量，采用改进的案例推理方法即使用BP神经网络进行生化需氧量软测量模型的案例匹配，采用最近邻检索策略进行生化需氧量软测量模型的案例调整，建立生化需氧量软测量模型；
[0010](4)初始化生化需氧量软测量模型的参数，采集火力发电厂污水处理数据输入生
化需氧量软测量模型进行训练学习；
[0011](5)将待预测的火力发电厂污水处理数据输入训练后的生化需氧量软测量模型，输出生化需氧量的预测值。
[0012]在步骤(1)中，所述主要参数包括：MLSS活性污泥浓度、温度、pH值、进水COD化学需氧量、DO溶解氧、n个进水泵电机电流、NH4+
‑
N氮源物质、HRT水力停留时间。
[0013]所述步骤(2)具体包括以下步骤：
[0014](2a)RBF神经网络的输入变量选为n个进水泵电机电流，输出变量为总进水量Q；
[0015](2b)取高斯基函数为RBF神经网络的隐含层节点函数，得到RBF神经网络第i个隐含层节点的输出：
[0016][0017]其中：z
i
(x)为第i个隐含层节点的输出，C
i
为RBF神经网络第i个节点的中心向量，V为RBF神经网络输入向量，r
i
为RBF神经网络基宽向量中的第i个值，i＝1,2,
…
,m，m为隐含层节点个数；
[0018]进而得到RBF神经网络的总进水量预测模型为：
[0019][0020]其中：ω
ik
是RBF神经网络隐含层到输出层的连接权值，p为输出层节点数；
[0021](2c)定义目标函数：
[0022]E＝0.5(q
‑
Q)2ꢀꢀ
(3)
[0023]利用进水泵实际总进水量q和RBF神经网络预测的总进水量Q间的差值E不断修正RBF神经网络的连接权值，使得RBF神经网络的输出逐渐逼近对象的实际总进水量q；
[0024]经过降维处理后，得到的辅助变量为MLSS活性污泥浓度、温度、pH值、进水COD化学需氧量、DO溶解氧、总进水量Q、NH4+
‑
N氮源物质、HRT水力停留时间。
[0025]所述步骤(3)具体包括以下步骤：
[0026](3a)生化需氧量软测量模型的案例采用工况变量、求解时间和问题的解三部分表示，其中，工况变量为与出水生化需氧量相关的辅助变量，表示为X＝x1,x2,...x8，问题的解为生化需氧量的预测值，表示为Y；
[0027](3b)进行案例匹配：采用BP神经网络，通过对输入样本即工况变量样本，以及输出样本即问题的解进行训练，达到收敛后，将连接权数据保存，以供案例匹配环节调用，与案例库内样本进行相似度比较，达到提高案例匹配效率和精度的目的；
[0028](3c)进行案例调整：
[0029]设需要调整的n条案例分别为[X1,Y1]、[X2,Y2]、
…
、[X
n
,Y
n
]，则当前工况变量信息的估计值Y0为：
[0030][0031]其中：为基于欧氏距离的最近邻检索策略，表示当前工况变量与案例库中案例的相似度，X0和X
i
分别表示当前工况变量和案例库中第i条案例的工况变量，ω
k
表示工况描述特征的加权系数，案例经过调整后将结果输出并保存本次案例的问题的解、工况变量和求解时间；
[0032](3d)将调整的案例及时存入到案例库之中，如果案例库存在和目标案例相同的案例，那么目标案例将被直接抛弃，否则，把调整后的案例存入案例库之中。
[0033]所述步骤(3b)具体包括以下步骤：
[0034](3b1)将BP神经网络参数初始化；
[0035](3b2)给BP神经网络提供第一组输入输出(X
k
，Y
k
)；
[0036](3b3)分别确定隐含层和输出层的输入、输出，如式(5)至式(8)所示：
[0037][0038]b
j
＝f(s
j
)
ꢀꢀ
(6)
[0039][0040]c＝f(l)
ꢀꢀ
(8)
[0041]其中：w
ij
为输入层到隐含层的连接权值，v
j
为隐含层到输出层的连接权值，a
i
为神经网络的输入，θ
j
、γ分别是隐含层和输出层的阈值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种火力发电厂污水处理的生化需氧量在线预测方法，其特征在于：该方法包括下列顺序的步骤：(1)确定火力发电厂在污水生化处理过程中影响生化需氧量的主要参数，选择这些主要参数作为生化需氧量相关的辅助变量；(2)利用RBF神经网络对辅助变量中的n个进水泵电机电流进行降维处理，减少辅助变量个数，其余辅助变量保持不变；(3)采用降维后的辅助变量作为生化需氧量软测量模型的输入变量，采用改进的案例推理方法即使用BP神经网络进行生化需氧量软测量模型的案例匹配，采用最近邻检索策略进行生化需氧量软测量模型的案例调整，建立生化需氧量软测量模型；(4)初始化生化需氧量软测量模型的参数，采集火力发电厂污水处理数据输入生化需氧量软测量模型进行训练学习；(5)将待预测的火力发电厂污水处理数据输入训练后的生化需氧量软测量模型，输出生化需氧量的预测值。2.根据权利要求1所述的火力发电厂污水处理的生化需氧量在线预测方法，其特征在于：在步骤(1)中，所述主要参数包括：MLSS活性污泥浓度、温度、pH值、进水COD化学需氧量、DO溶解氧、n个进水泵电机电流、NH4+
‑
N氮源物质、HRT水力停留时间。3.根据权利要求1所述的火力发电厂污水处理的生化需氧量在线预测方法，其特征在于：所述步骤(2)具体包括以下步骤：(2a)RBF神经网络的输入变量选为n个进水泵电机电流，输出变量为总进水量Q；(2b)取高斯基函数为RBF神经网络的隐含层节点函数，得到RBF神经网络第i个隐含层节点的输出：其中：z
i
(x)为第i个隐含层节点的输出，C
i
为RBF神经网络第i个节点的中心向量，V为RBF神经网络输入向量，r
i
为RBF神经网络基宽向量中的第i个值，i＝1,2,
…
,m，m为隐含层节点个数；进而得到RBF神经网络的总进水量预测模型为：其中：ω
ik
是RBF神经网络隐含层到输出层的连接权值，p为输出层节点数；(2c)定义目标函数：E＝0.5(q
‑
Q)2ꢀꢀꢀꢀꢀꢀ
(3)利用进水泵实际总进水量q和RBF神经网络预测的总进水量Q间的差值E不断修正RBF神经网络的连接权值，使得RBF神经网络的输出逐渐逼近对象的实际总进水量q；经过降维处理后，得到的辅助变量为MLSS活性污泥浓度、温度、pH值、进水COD化学需氧量、DO溶解氧、总进水量Q、NH4+
‑
N氮源物质、HRT水力停留时间。4.根据权利要求1所述的火力发电厂污水处理的生化需氧量在线预测方法，其特征在于：所述步骤(3)具体包括以下步骤：
(3a)生化需氧量软测量模型的案例采用工况变量、求解时间和问题的解三部分表示，其中，工况变量为与出水生化需氧量相关的辅助变量，表示为X＝x1,x2,...x8，问题的解为生化需氧量的预测值，表示为Y；(3b)进行案例匹配：采用BP神经网络，通过对输入样本即工况变量样本，以及输出样本即问题的解进行训练，达到收敛后，将连接权数据保存，以供案例匹配环节调用，与案例库内样本进行相似度比较，达到提高案例匹配效率和精度的目的；(3c)进行案例调整：设需要调整的n条案例分别为[X1,Y1]、[X2,Y2]、
…
、[X
n
,Y
n
]，则当前工况变量信息的估计值Y0为：其中：为基于欧氏距离的最近邻检索策略，表示当前工况变量与案例库中案例的相似度，X0和X
i
分别表示当前工况变量和案例库中第i条案例的工况变量，ω
k
表示工况描述特征的加权系数，案例经过调整后将结果输出并保存本次案例的问题的解、工况变量和求解时间；(3d)将调整的案例及时存入到案例库之中，如果案例库存在和目标案例相同的案例，那么目标案例将被直接抛弃，否则，把调整后的案例存入案例库之中。5.根...

【专利技术属性】
技术研发人员：王胜，何亚东，苏昌瑞，王姗，武承德，蔡宾宏，何文宇，
申请(专利权)人：中国能源建设集团安徽省电力设计院有限公司，
类型：发明
国别省市：