CN101566612A - 一种污水化学需氧量软测量方法 - Google Patents

Abstract

本发明涉及一种污水化学需氧量软测量方法，该方法包括以下步骤：(1)获取训练样本水质参数；(2)对训练样本进行分类；(3)对应步骤(2)划分的各类训练样本，选择神经网络，建立神经网络模型；(4)用步骤(2)划分的各类训练样本训练支持向量机；(5)用步骤(2)划分的各类训练样本训练神经网络模型；(6)估算污水化学需氧量。本发明利用支持向量机对自动分类有较好效果的特点，采用支持向量机先对训练样本进行分类，再分别通过对应的神经网络对污水的化学需氧量进行估测，本发明与现有的COD测量方法相比，具有适用范围广泛、估算精度高的有益效果。

Description

一种污水化学需氧量软测量方法

技术领域

本发明涉及污水处理领域，具体来说是涉及一种污水化学需氧量软测量方法。

背景技术

随着污水处理工艺技术发展的日趋成熟，污水处理研究的重点已经转移到提高污水处理工艺过程的自动控制水平，改善出水水质，加强运行监控等方面。这些研究都是建立在污水处理过程和出水水质参数的实时准确快速测量基础上。这些参数主要有：BOD₅(5日生化需氧量)、COD(化学耗氧量)、T-N(总氮)、T-P(总磷)等。

化学需氧量(Chemical Oxygen Demand，COD)是在一定严格的条件下，水中各种有机物与外加的强氧化剂作用时所消耗的氧化剂量(结果以氧的mg/L来表示)。它是用来表示水中有机物总量的一个常用指标。天然水体中COD浓度是国家关于地表水环境质量分类、分级的重要指标之一，也是水体是否受到生活污水和工业废水污染的判断依据。

目前，世界各国的COD测定方法主要为重铬酸钾回流法。重铬酸钾回流法是在水样中加入一定量的重铬酸钾和催化剂硫酸银，在强酸性介质浓硫酸加入的条件下加热回流一定时间，部分重铬酸钾被水样中可氧化物质还原，用硫酸亚铁铵滴定剩余的重铬酸钾，根据消耗重铬酸钾的量计算COD的值。

重铬酸钾回流法测量COD准确可靠，但缺点也很明显：

(1)回流设备占用空间，操作比较繁琐，批量测定有困难；

(2)反应测量大时延，难以实时地得到所需控制参数；

(3)银盐耗量大，分析费用高，而且测试过程中添加的硫酸银和硫酸汞形成的酸性废液需要妥善处理，否则造成严重的二次污染。

有鉴于此，找到一种可以实时、经济、环保的测量模型是非常有意义的。

软测量技术(Soft Measurement)是利用现有可测过程参数来估计无法采用现有传感器获取系统运行必需的过程参数，以此设计和改善控制系统的一种新兴技术。软测量一般都建立在某种机理或数学模型基础上。采用软测量技术，利用可测易测的水质参数估计COD值，成本低、速度快，而且无污染。目前污水COD软测量的主要方法是神经网络软测量方法。

神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。它具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果。

在实际污水处理过程中，输入水质不同，有可能造成在相同的pH、溶解氧、氧化还原电位参数下COD数值的相同，这些数据在神经网络训练中是要避免的，但又是实际处理中经常遇到的；单独采用任何一个神经网络，都有它自己的局限性，局部最小、样本数量少等。这些问题常常造成网络训练的不收敛、参数估计的不准备。因此现有的污水COD神经网络软测量方法的主要问题为：应用条件要求苛刻，容易出现矛盾数据造成神经网络的不确定性，且适用性较差。

发明内容

本发明的目的是提供一种污水化学需氧量软测量方法，该方法适用范围广、估计精度高。

本发明的目的是这样实现的：

一种污水化学需氧量软测量方法，该方法包括以下步骤：

(1)获取训练样本水质参数；

(2)对训练样本进行分类；

(3)对应步骤(2)划分的各类训练样本，选择神经网络，建立神经网络模型；

(4)用步骤(2)划分的各类训练样本训练支持向量机；

(5)用步骤(2)划分的各类训练样本训练神经网络模型；

(6)估算污水化学需氧量。

其中，所述水质参数为pH、溶解氧或氧化还原电位。

本发明中，步骤(2)可以依据训练样本的污水厌氧、好氧状态对该训练样本进行分类。

优选地，步骤(2)可以依据溶解氧数值判断该训练样本的污水厌氧、好氧状态，对训练样本进行分类。污水是处于厌氧状态还是好氧状态，可通过溶解氧数值区分，该溶解氧数值位于0.5mg/L到1mg/L之间。一般情况下，溶解氧数值小于0.5mg/L时，污水处于厌氧状态；溶解氧数值大于0.5mg/L时，污水处于好氧状态。

步骤(2)也可以依据污水化学需氧量数值对训练样本进行分类，优选依据污水化学需氧量数值的均值对训练样本进行分类。

根据上述方法将训练样本分类后，各部分分别训练支持向量机，得到支持向量机网络。支持向量机(Support Vector Machine，SVM)算法属于一般化线性分离器，它的目的在于寻找一个超平面，该超平面可以将训练集中的数据分开，且与类域边界的沿垂直于该超平面方向的距离最大。

本发明所采用的支持向量机为现有的技术，其对污水的水质参数进行分类的具体方法为：对污水数据进行组合形成数据集(x_i，y_i)，i＝1…n，x∈R^d，x为特征向量，n为样本数量，y∈{-1，+1)；

(a)D维空间中线性判别函数为g(x)＝w·x+b，w为支持向量机的决策超平面法向量，b为与之对应的常数。寻找最优分类面问题转化为解二次规划问题：

$\min \mathrm{\Φ}\left(w\right)=(w\·w)/2+C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i---\left(1\right)$

s.t.y_i[(w·x_i)+b]-1+ξ_i≥0 i＝1，…，n    (2)

C为常数，用于协调式(1)右侧两项(第一项为控制容量，第二项为间隔误差)作用的大小，可以等于1/n。ξ_i≥0，i＝1，…，m为松弛变量。

利用Lagrange乘子方法解决这个约束的最优问题，α_i为拉格朗日乘子，b为分类阈值，得到最优决策函数：

f(x)＝sgn(∑α_iy_i(X_i·x)+b)     (3)

(b)对于非线性问题，通过非线性变换转化成另一个空间的线性问题，然后再构造最优分类面，相应最优决策函数为：

$f\left(x\right)=\mathrm{sgn}(\mathrm{\Σ}{\mathrm{\α}}_i^{*}{y}_{i}K(x_i\·x)+b^{*})---\left(4\right)$

其中，α_i ^*为拉格朗日乘子，b^*为对应α_i ^*的分类阈值，K(x_i，x)为满足Mercer定理的内核函数；选择不同的内核函数可以构造不同的SVM分类器，常用的内核函数有线性核、多项式核、径向基核和Sigmoid核，本发明优选径向基核函数：

$K(x,x_i)=e^{-{\left|\right|x-x^{\′}\left|\right|}^2/2{\mathrm{\σ}}^2}---\left(5\right)$

根据分类后各部分训练样本的特点，选择对应的神经网络，所述神经网络为BP神经网络、RBF神经网络、Elman神经网络、Hopfield神经网络或自组织神经网络，各部分数据所选的神经网络可以相同也可以不相同。在本发明中，优选是BP神经网络和Elman神经网络。

本发明利用支持向量机对自动分类有较好效果的特点，采用支持向量机先对训练样本进行分类，再分别通过对应的神经网络对污水的化学需氧量进行估测，使本发明与现有的COD测量方法相比，具有适用范围广泛、估算精度高的有益效果。

附图说明

图1为本发明污水化学需氧量软测量的流程图；

图2为本发明实施例1的步骤流程图；

图3为本发明实施例中用于估测污水COD数值的BP神经网络的网络结构图；

图4为本发明实施例中用于估测污水COD数值的Elman神经网络的网络结构图；

图5为本发明实施例1与现有技术的估测结果图；

图6为本发明实施例1、实施例2与现有技术的预测误差对比图。

具体实施方式

以下通过实施例更进一步地描述本发明，但不限于此。

如图1所示，本发明一种污水化学需氧量软测量方法的步骤是先将已知的训练样本通过支持向量机分类，根据分类后各组训练样本的特点选择适合的神经网络，建立神经网络模型，各组训练样本分别对相应神经网络进行训练，优化神经网络模型，将训练好的神经网络模型用于污水软测量，估测出污水化学需氧量(COD)。

本发明实施例选取序批式活性污泥法(sequencing batch reactor，SBR)作为污水处理方法，通过仿真验证发明的性能和可行性，并将估测结果与直接采用神经网络模型估测结果进行比较。

在SBR污水处理系统中安装两套传感器，每套均配备pH、DO和ORP传感器；8个工况，每个工况具体条件各不同；对污水进行pH、DO、ORP在线测量和COD定时采样分析，得到16组测量数据。任意选取其中13组数据作为训练样本，另外3组作为实验数据以验证网络训练效果。每个样本的输入为3对pH、DO、ORP值，输出为COD值。3对数据是为了用时间窗的方法提高数据的相关性、避免数据矛盾。因为样本数据不复杂，故采用SVM算法将数据样本分为两类即可。

实施例1以训练样本COD的均值为分类依据，分类界限为58mg/L。样本1为COD值大于58mg/L的训练数据样本，样本2为COD小于等于58mg/L的训练数据样本。

样本1，COD值较大，下降速度快，在时间上相关性不高，故样本1选取BP神经网络进行训练。用在线测得的pH、DO、ORP作为输入层节点，COD作为输出层节点，并选取五个隐层节点以建立BP网络模型(如图3)。

样本2，COD值较小，处理过程的反应时间长，时间上的相关性高，故样本2选择Elman神经网络进行训练。同样，将在线所得pH、DO、ORP作为输入层节点，COD作为输出层节点，选取八个隐层节点和八个承接层节点，建立Elman网络模型(如图4)。

如图2所示，先用所有训练样本训练支持向量机的分类网络，再用分类好的训练样本分别训练BP、Elman网络。训练好后，整个系统用于估测污水的COD值。

实施例2以厌氧好氧状态为分类依据，本实施例通过溶解氧(DO)的数值来判断污水厌氧、好氧状态，分类界限为DO＝0.7mg/L。样本1为DO值小于0.7mg/L的训练数据样本，样本2为DO值大于0.7mg/L的熟练数据样本。

样本1选取BP神经网络进行训练，与实施例1相同，用在线测得的pH、DO、ORP作为输入层节点，COD作为输出层节点，并选取五个隐层节点以建立BP网络模型(如图3)。

样本2选择Elman神经网络进行训练，同样，将在线所得pH、DO、ORP作为输入层节点，COD作为输出层节点，选取八个隐层节点和八个承接层节点，建立Elman网络模型(如图4)。

先用所有训练样本训练支持向量机的分类网络，再用分类好的训练样本分别训练BP、Elman网络。训练好后，整个系统用于估测污水的COD值。

将3组剩余数据作为测试数据，得到如下表1测量结果。选取平均绝对百分比误差(MAPE)作为性能评价标准，y_i为实验数据，y_i ^p为网络预测值。计算公式为：

$E_{\mathrm{MAPE}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|\frac{y_i^p-y_i}{y_i}\right|\×100\%$

表1基于SVM分类的神经网络污水COD软测量结果

为了说明采用本发明方法的有益效果，选取单独使用BP神经网络进行COD预测的模型进行对比。BP神经网络同样选取pH、DO、ORP作为输入层，COD为输出层，隐含层有5个神经元。训练样本为相同的13组测量数据，3组作为测试数据，得到如下表2测量结果。

表2BP神经网络的污水COD软测量结果

表1和表2为分别使用本发明方法进行估测和直接使用BP神经网络进行估测的数据和误差的数据。从平均百分比绝对误差看，采用本发明方法，以COD均值为分类依据估测的污水COD值的MAPE为5.13％，COD小于60mg/L的MAPE为5.37％，COD大于60mg/L的MAPE为4.46％。以厌氧好氧为分类依据估测的污水COD值的MAPE为6.99％，COD小于60mg/L的MAPE为5.69％，COD大于60mg/L的MAPE为10.56％。直接采用BP神经网络的污水COD软测量估计值的MAPE为12.05％，COD小于60mg/L的MAPE为13.1％，COD大于60mg/L的MAPE为9.18％。可以看出，采用支持向量机分类的COD软测量有更好的估计精度。

采用实施例1对污水COD进行估测与直接采用BP神经网络对污水COD进行估测的结果如图5所示。从图5中可以看到，在第2个小时和第5个小时由于有新污水流入，COD值有一定的跳跃。两种模型都可以及时地反映出水质变化趋势，较为准确地预测了污水处理系统中的COD值。但从如图6所示的采用实施例1、实施例2对污水COD进行估测与直接采用BP神经网络对污水COD进行估测的估测结果误差对比图中可以直观的看出本发明方法有更好的预测效果。

Claims (7)

1、一种污水化学需氧量软测量方法，其特征在于该污水化学需氧量软测量方法包括以下步骤：

(1)获取训练样本水质参数；

(2)对训练样本进行分类；

(3)对应步骤(2)划分的各类训练样本，选择神经网络，建立神经网络模型；

(4)用步骤(2)划分的各类训练样本训练支持向量机；

(5)用步骤(2)划分的各类训练样本训练神经网络模型；

(6)估算污水化学需氧量。

2、如权利要求1所述的方法，其特征在于：所述水质参数为pH、溶解氧或氧化还原电位。

3、如权利要求1所述的方法，其特征在于：所述步骤(2)是依据污水厌氧、好氧状态对训练样本进行分类。

4、如权利要求1或3所述的方法，其特征在于：所述步骤(2)是依据溶解氧数值判断污水厌氧、好氧状态，对训练样本进行分类。

5、如权利要求1所述的方法，其特征在于：所述步骤(2)是依据污水化学需氧量数值对训练样本进行分类。

6、如权利要求1或5所述的方法，其特征在于：所述步骤(2)是依据污水化学需氧量数值的均值对训练样本进行分类。

7、如权利要求1所述的方法，其特征在于：所述神经网络为BP神经网络、RBF神经网络、Elman神经网络、Hopfield神经网络或自组织神经网络。

Images