一种基于集成神经网络的污水处理软测量方法技术

一种基于集成神经网络的污水处理软测量方法属于污水处理领域。污水处理过程是一个高度非线性、时变性及复杂性的过程，关键水质指标的测量对控制水污染有着至关重要的作用，本发明专利技术针对污水处理软测量过程中多个关键水质参数同时软测量精度的问题，提出了一种集成神经网络模型对出水COD、出水BOD、出水TN进行测量，模型中充分利用三个出水关键水质参数之间的耦合关系，建立了包含三个子前馈神经网络的集成神经网络模型，同时运用粒子群算法对各个子神经网络进行训练，得到各个子神经网络的最佳结构。最后用已训练好的神经网络对出水COD、出水BOD、出水TN进行预测，预测结果精确。

【技术实现步骤摘要】

软测量是检测技术及仪表研究的主要发展趋势之一，是先进制造
的重要分支，本专利技术涉及污水处理过程中出水水质指标的软测量方法，属于污水处理领域。
技术介绍
随着我国国民经济的迅猛发展，城市规模不断扩大，人口数目增长迅速，随之而来的是城市污水的水量不断加大，水质也越来越复杂，并且有继续恶化的趋势。我国大部分城 市95%的污水未经处理排放入水体，仅仅依靠稀释及水体自浄作用已经无法使污水满足达标排放的要求，并且会对下游水体产生较大的污染和影响。在这种情况下，就不得不采取措施加大对城市污水的处理カ度，以改善不断恶化的水环境污染趋势。污水处理过程中关键水质參数的及时准确測量反应了污水处理效果，因此，本专利技术的研究成果具有广阔的应用前景。污水排放标准中，衡量污水是否达标的參数指标有出水化学需氧量C0D、出水生化需氧量BOD、悬浮物、氨氮、磷等。其中出水COD、出水BOD、出水TN的准确测量对控制水体污染具有重要的意义。由于软测量的方法仅需检测ー些易测变量，其它工作则只要通过软件即可实现，无需多少投资和时间，并且，软测量的方法具有响应迅速，易于保养和维护等优点，所以采用软测量方法对污水处理关键水质參数进行测量是当今污水处理领域应用最广的ー种方法。软测量技术的核心就是建立数学模型。由于污水处理过程是ー个强耦合的多输入、多输出的动态系统，具有时变、高度非线性、不确定性、滞后等特点。传统的数学建模的方法受到了挑战。智能建模是当前エ业领域中倍受关注的研究热点，它可根据对象的输入输出数据直接进行建摸。智能建模中，基于人工神经网络的软测量建模方法是近年来研究较多、发展很快和应用范围广泛的一种软测量建模方法。通过神经网络的学习来解决不可测变量的软测量问题，使得模型的在线校正能力强，井能应用于高度非线性和严重不确定性系统。近年来，多种神经网络模型应用于污水处理软测量中，就神经网络的输出个数而言，可分为多输入单输出的神经网络，多输入多输出的神经网络，由于污水处理过程需要测量多个关键水质參数，多输入多输出神经网络是目前的研究趋势，但是此种网络也存在很大的问题，比如神经网络学习算法选择的问题，输出精度的问题等等，针对这些问题，本专利技术提出了一种基于集成神经网络的污水处理关键水质參数的软测量方法，是ー种精度更高的多输入多输出神经网络模型。
技术实现思路
本专利技术获得了一种基于集成神经网络的污水处理关键水质參数的软测量方法。该方法通过分析出水C0D、出水B0D、出水TN之间的耦合关系，建立ー种包含三个子前馈神经网络的集成神经网络模型，同时运用粒子群算法对各个子神经网络进行训练，继而完成了三个关键出水水质參数的软测量。本专利技术采用了如下的技术方案及实现步骤，其特征在于能够利用各个子网络之间的耦合关系建立集成神经网络，使測量结果更加精确，包括以下步骤(I).输入输出变量的选择；本专利技术的目的是预测出水COD、出水BOD、出水TN，所以集成神经网络的输出为出水C0D、出水B0D、出水TN。在污水处理过程中，流量Q、进水浊度、进水固体悬浮物浓度SS、曝气池溶解氧D0、水温T、污水酸碱度PH、氧化还原电位0RP、混合液悬浮固体浓度MLSS以及出水固体悬浮物浓度SS等參数对关键水质參数出水C0D、出水BOD影响较大。流量Q、进水浊度、进水SS及NH4+-N、曝气池溶解氧D0、T、PH、0RP、MLSS、N(V以及出水SS、NH4+_N对出水TN影响较大。由于以上的參量过多，若都作为神经网络的输入辅助变量，会造成神经网络结构过于复杂，为了使网络结构简单精确化，需要精简输入变量与输出变量，具体的步骤包括变量数据的归一化处理、对变量异常数据的剔除、变量的主元分析，具体如下①.变量数据的归一化处理在对数据进行主元分析之前，首先要对样本数据进行归ー化处理，归ー化的公式如下权利要求1.，其特征在于包括以下步骤 (1).输入输出变量的选择； 在污水处理过程中，流量Q、进水浊度、进水固体悬浮物浓度SS、曝气池溶解氧DO、水温T、污水酸碱度pH、氧化还原电位0RP、混合液悬浮固体浓度MLSS以及出水固体悬浮物浓度SS对关键水质參数出水COD、出水BOD影响较大；流量Q、进水浊度、进水SS及NH4+_N、曝气池溶解氧D0、T、pH、0RP、MLSS、N(V以及出水SS、NH4+_N对出水TN影响较大；将以上的參量精简输入变量与输出变量，具体的步骤包括变量数据的归一化处理、变量的主元分析，具体如下 ①.变量数据的归一化处理在对数据进行主元分析之前，首先要对样本数据进行归一化处理，归ー化的公式如下全文摘要属于污水处理领域。污水处理过程是一个高度非线性、时变性及复杂性的过程，关键水质指标的测量对控制水污染有着至关重要的作用，本专利技术针对污水处理软测量过程中多个关键水质参数同时软测量精度的问题，提出了一种集成神经网络模型对出水COD、出水BOD、出水TN进行测量，模型中充分利用三个出水关键水质参数之间的耦合关系，建立了包含三个子前馈神经网络的集成神经网络模型，同时运用粒子群算法对各个子神经网络进行训练，得到各个子神经网络的最佳结构。最后用已训练好的神经网络对出水COD、出水BOD、出水TN进行预测，预测结果精确。文档编号G01N33/18GK102854296SQ20121034301公开日2013年1月2日 申请日期2012年8月30日 优先权日2012年8月30日专利技术者乔俊飞, 任东红, 韩红桂 申请人:北京工业大学本文档来自技高网...

【技术保护点】
一种基于集成神经网络的污水处理软测量方法，其特征在于包括以下步骤：(1).输入输出变量的选择；在污水处理过程中，流量Q、进水浊度、进水固体悬浮物浓度SS、曝气池溶解氧DO、水温T、污水酸碱度pH、氧化还原电位ORP、混合液悬浮固体浓度MLSS以及出水固体悬浮物浓度SS对关键水质参数出水COD、出水BOD影响较大；流量Q、进水浊度、进水SS及NH4+？N、曝气池溶解氧DO、T、pH、ORP、MLSS、NO3？以及出水SS、NH4+？N对出水TN影响较大；将以上的参量精简输入变量与输出变量，具体的步骤包括变量数据的归一化处理、变量的主元分析，具体如下：①.变量数据的归一化处理：在对数据进行主元分析之前，首先要对样本数据进行归一化处理，归一化的公式如下：Dij*=Dij-Dj‾σj---(1)其中表示归一化后的样本数据，其中i为样本数，j为样本分量，Dij表示第i个样本的第j个分量，为第j个样本分量的均值，σj为变量Dj的标准差，其中表示为：Dj‾=1mΣi=1mDij---(2)式中m表示第j个样本分量的样本数，σj表示第j个样本分量的偏差，表示为：σj=1m-1Σi=1m(Dij-Dj‾)2---(3)通过以上的归一化处理，样本数据被归一化到[？1,+1]之间；②.变量的主元分析：下面对经过归一化后的样本数据进行主元分析，通过主元分析法，将子神经网络的输入样本个数减少，得到的最终输入变量的结果是：测量出水COD的输入辅助变量是进水流量Q、进水SS、曝气池DO、MLSS；测量出水BOD的输入辅助变量是进 水流量Q、曝气池DO、MLSS、pH；测量出水TN的输入辅助变量是进水流量DO、NH4？N、NO3？、进水浊度；(2).建立各个子神经网络模型；此集成神经网络包含三个子神经网络，每个子神经网络为一个三层的前馈神经网络，三个子神经网络的输出分别为出水COD、出水BOD、出水TN；建立三个三层前馈神经网络模型，三个子神经网络的结构为l？k？1结构，根据实际情况，三个子神经网络中l，k取不同的值；首先要对网络进行初始化，若网络选择l？k？1结构，则表示网络输入层有l个神经元，隐含层有k个神经元，输出层有1个神经元，x1,x2，...，xl表示网络的输入，则对于输入层第p个神经元而言，其输出为：YpI=XpI---(5)其中，表示网络输入层的输入，表示网络输入层的输出；隐含层共有k个神经元，隐含层第q个神经元的输入为：XqH=Σq=1wpqYpI---(6)其中，表示网络隐含层的输入，wpq表示输入层与隐含层之间的连接权值；隐含层第q个神经元的输出为：YqH=fqH(XqH)---(7)其中，表示隐含层的输出，表示隐含层神经元的转换函数，在此选为sigmoid函数，其形式为：fqH(XqH)=11+e-XqH---(8)输出层神经元的净输入为：XO=Σq=1wqYqH---(9)其中，XO表示输出层的输入，wq为第q个神经元与输出层神经元之间的连接权值；输出层神经元的输出，即网络的实际输出为：yO=fO(XO)？？？？？？？？？？？？？？？？(10)其中，yO表示网络输出层的输出，fO(XO)为输出层神经元的线性作用函数，在此yO表示为：yO=Σq=1wqYqH---(11)定义误差函数为：E=1MΣt=1M(yO(t)-y(t))T(yO(t)-y(t))---(12)其中，式中yO(t)表示第t个样本的实际输出，y(t)为第t个样本的期望输出，M表示神经网络的样本数，T表示转置，训练神经网络的目的是使得式(12)定义的误差函数达到最小；(3).子神经网络结构的确定及子网络的集成；①.出水COD子神经网络软测量模型；在集成神经网络中，对于出水COD的软测量采用一个三层的前馈神经网络，网络的输入辅助变量为进水流量Q、进水SS、曝气池DO、MLSS，网络的隐含层神经元个数选为10，输出神经元个数为1，输出为出水COD；②.出水BOD子神经网络的软测量模型；在污水处理过程中，出水BOD与出水COD之间存在着大的耦合关系，在多输入多输出神经网络对出水BOD的软测量中，充分利用这一耦合关系，即在测量出水BOD时其输入辅助变量在原先的输入变量基础上加入出水COD，这样测量的出水BOD比输入变量中单纯的只有流量Q、曝气池DO、MLSS、pH更加精确，同时隐含层神经元个数取12，输出层神经元个数为1，输出为出...

【技术特征摘要】

【专利技术属性】
技术研发人员：乔俊飞，任东红，韩红桂，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：