基于工况自适应划分的膜渗透性鲁棒预测方法技术

基于工况自适应划分的膜渗透性鲁棒预测方法属于污水处理与资源化利用领域。由于MBR污水处理过程受到不同工况的影响，导致膜污染相关数据中普遍存在不平衡样本，可能会降低预测性能。为了解决这一问题，本发明专利技术提出一种基于工况自适应划分的膜渗透性鲁棒预测方法来预测膜渗透性。首先，提出基于空间隶属度计算的交叉熵指标，该指标通过评估输入信息的数据波动特征对膜污染相关数据集进行自适应划分；其次，利用一种非线性回归模型来预测膜渗透性。结果表明该方法能够有效的预测膜渗透性的值。值。值。

【技术实现步骤摘要】
基于工况自适应划分的膜渗透性鲁棒预测方法


[0001]本专利技术设计了一种基于工况自适应划分的膜渗透性鲁棒预测方法，实现了膜生物反应器(Membrane Bio
‑
Reactor,MBR)污水处理过程中对膜污染的智能预测。由于膜污染的程度可以用膜的渗透性来衡量，因此，预测膜渗透性对了解膜污染程度具有重要意义。污水处理过程中膜渗透性的预测作为预警膜污染的重要环节，是先进制造
的重要分支，属于污水处理与资源化利用领域。

技术介绍

[0002]随着工业化和城镇化的不断发展进步，工业污水和生活污水的废水直接排放已经造成了严重的水污染问题，影响国家经济效益和社会效益。因此，为了全面可持续发展，污水处理技术和资源化技术的发展要求在当今社会尤为迫切，而MBR污水处理工艺的出现提供了一种新型污水处理方法。MBR结合了生物技术和膜污水处理技术，出水质量高，占地面积小，与传统的污水处理工艺相比具有更明显的优势，已经成为一种高效的污水处理技术。但同时膜污染带来的高能耗以及高成本等问题也随之出现，因此，对膜污染进行预测研究有重要的意义，为提高膜污染的预处理能力提供重要支撑。
[0003]本专利技术设计了一种基于工况自适应划分的膜渗透性鲁棒预测方法，主要通过对预测膜渗透性的输入数据集进行自适应划分，设计非线性回归预测模型建立输入和输出变量间的关系，实现对MBR污水处理过程中膜渗透性的预测。

技术实现思路

[0004]本专利技术获得了一种基于工况自适应划分的膜渗透性鲁棒预测方法，该方法通过设计交叉熵指标对与预测膜渗透性相关的输入数据进行连续自适应划分处理，改善由于不同的工况带来的预测动态误差；同时设计非线性回归模型对膜渗透性进行预测，提高膜污染输出的稳定性及预测精度。
[0005]本专利技术采用了如下的技术方案及实现步骤：
[0006]1.一种基于工况自适应划分的膜渗透性鲁棒预测方法，包括以下步骤：
[0007](1)确定预测所需的输入变量和待预测的输出变量：本专利技术主要针对膜生物反应器污水处理过程中膜渗透性进行智能预测，确定产水压力、产水流量、曝气量、缺氧区ORP和好氧区硝酸盐共5个变量为预测膜渗透性的相关变量，以膜渗透性值为输出变量；
[0008](2)设计用于划分预测膜渗透性的输入数据集的工况分类方法，针对数据集中的不平衡样本进行连续划分，具体为
[0009]①
获取产水压力数据为向量x1＝[x
11
,
…
,x
1N
]，产水流量数据为向量x2＝[x
21
,
…
,x
2N
]，曝气量数据为向量x3＝[x
31
,
…
,x
3N
]，缺氧区ORP数据为向量x4＝[x
41
,
…
,x
4N
]，好氧区硝酸盐数据为向量x5＝[x
51
,
…
,x
5N
]，构造训练样本矩阵为X＝[x1,
…
,x
i
,
…
,x
m
]T
，x
i
＝[x
i1
,
…
,x
in
,
…
,x
iN
]，n＝1,
…
,N，i＝1,
…
,m,其中m和N分别为相关变量个数和样本数，T表示矩阵的转置；
[0010]②
径向基函数神经网络用于数据的分类，径向基函数神经网络拓扑结构分为三层，输入层、径向基函数(Radial Basis Function，RBF)层、输出层；确定神经网络m
‑
R
‑
1的连接方式，即输入层神经元为m个，RBF层神经元为R个，输出层神经元为1个；网络中心值、宽度以及权值分别为V(t)＝[v1(t),v2(t),
…
,v
i
(t),
…
,v
m
(t)]T
，B(t)＝[b1(t),b2(t),
…
,b
i
(t),
…
,b
m
(t)]T
和ω(t)＝[ω1(t),ω2(t),
…
,ω
j
(t),
…
,ω
R
(t)]T
，其中j＝1,2,
…
,R，v
i
(t)＝[v
i1
(t),v
i2
(t),
…
,v
ij
(t),
…
,v
iR
(t)]，b
i
(t)＝[b
i1
(t),b
i2
(t),
…
,b
ij
(t),
…
,b
iR
(t)]，c
ij
(t)和b
ij
(t)表示t时刻输入层的第i个输出和RBF层的第j个输入之间的中心值和宽度，ω
j
(t)表示RBF层第j个神经元在t时刻与输出层神经元间的权值，V(t)，B(t)和ω(t)的初始化过程中内部元素均为1，使用聚类方法中定义的激活水平函数作为径向基函数，RBF层中每个节点的输出是相应模糊集的激活水平，即
[0011][0012]其中，Γ
k
(x)表示RBF层中第k个神经元的隶属函数，k＝1,2,
…
,R，x＝[x1,x2,
…
,x
m
]，v
k
是第k个隶属函数的中心，v
j
是第j个隶属函数的中心，q是模糊系数且q≥1，||.||表示矩阵的1
‑
范数，为计算矩阵中各个元素的绝对值之和，∑表示求和符号；
[0013]RBF层每个节点的标准化激活水平计算为
[0014]u
kn
＝Γ
k
(x
n
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0015]其中，u
kn
表示第n组数据属于第k簇的隶属度；
[0016]③
ρ
k
表示RBF层第k个节点和输出层节点之间的权重，表达为一个线性函数，具体计算为
[0017][0018]其中，a
k
表示计算RBF层第k个节点和输出层节点之间的权重参数,a
k
＝[a
k0
,a
k1
,
…
,a
km
]T
，权重参数a
k
的计算公式为
[001本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于工况自适应划分的膜渗透性鲁棒预测方法，其特征在于包括以下步骤：(1)确定预测所需的输入变量和待预测的输出变量：针对膜生物反应器污水处理过程中膜渗透性进行智能预测，确定产水压力、产水流量、曝气量、缺氧区ORP和好氧区硝酸盐共5个变量为预测膜渗透性的相关变量，以膜渗透性值为输出变量；(2)设计用于划分预测膜渗透性的输入数据集的工况分类方法，针对数据集中的不平衡样本进行连续划分，具体为
①
获取产水压力数据为向量x1＝[x
11
,
…
,x
1N
]，产水流量数据为向量x2＝[x
21
,
…
,x
2N
]，曝气量数据为向量x3＝[x
31
,
…
,x
3N
]，缺氧区ORP数据为向量x4＝[x
41
,
…
,x
4N
]，好氧区硝酸盐数据为向量x5＝[x
51
,
…
,x
5N
]，构造训练样本矩阵为X＝[x1,
…
,x
i
,
…
,x
m
]
T
，x
i
＝[x
i1
,
…
,x
in
,
…
,x
iN
]，n＝1,
…
,N，i＝1,
…
,m,其中m和N分别为相关变量个数和样本数，T表示矩阵的转置；
②
径向基函数神经网络用于数据的分类，径向基函数神经网络拓扑结构分为三层，输入层、径向基函数(Radial Basis Function，RBF)层、输出层；确定神经网络m
‑
R
‑
1的连接方式，即输入层神经元为m个，RBF层神经元为R个，输出层神经元为1个；网络中心值、宽度以及权值分别为V(t)＝[v1(t),v2(t),
…
,v
i
(t),
…
,v
m
(t)]
T
，B(t)＝[b1(t),b2(t),
…
,b
i
(t),
…
,b
m
(t)]
T
和ω(t)＝[ω1(t),ω2(t),
…
,ω
j
(t),
…
,ω
R
(t)]
T
，其中j＝1,2,
…
,R，v
i
(t)＝[v
i1
(t),v
i2
(t),
…
,v
ij
(t),
…
,v
iR
(t)]，b
i
(t)＝[b
i1
(t),b
i2
(t),
…
,b
ij
(t),
…
,b
iR
(t)]，c
ij
(t)和b
ij
(t)表示t时刻输入层的第i个输出和RBF层的第j个输入之间的中心值和宽度，ω
j
(t)表示RBF层第j个神经元在t时刻与输出层神经元间的权值，V(t)，B(t)和ω(t)的初始化过程中内部元素均为1，使用聚类方法中定义的激活水平函数作为径向基函数，RBF层中每个节点的输出是相应模糊集的激活水平，即其中，Γ
k
(x)表示RBF层中第k个神经元的隶属函数，k＝1,2,
…
,R，x＝[x1,x2,
…
,x
m
]，v
k
是第k个隶属函数的中心，v
j
是第j个隶属函数的中心，q是模糊系数且q≥1，||.||表示矩阵的1
‑
范数，为计算矩阵中各个元素的绝对值之和，∑表示求和符号；RBF层每个节点的标准化激活水平计算为u
kn
＝Γ
k
(x
n
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，u
kn
表示第n组数据属于第k簇的隶属度；
③
ρ
k
表示RBF层第k个节点和输出层节点之间的权重，表达为一个线性函数，具体计算为其中，a
k
表示计算RBF层第k个节点和输出层节点之间的权重参数,a
k
＝[a
k0
,a
k1
,
…
,a
km
]
T
，权重参数a
k
的计算公式为其中，y＝[y
k
(x1),y
k
(x2),
…
,y
k
...

【专利技术属性】
技术研发人员：伍小龙，赵嘉欣，王威，杨宏燕，韩红桂，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：