CN102313796B - 一种污水处理生化需氧量软测量方法 - Google Patents

Abstract

一种污水处理出水生化需氧量软测量方法属于污水处理领域。污水处理过程机理复杂，为使污水处理系统处于良好的运行工况，获得更好的出水水质，需要对污水处理系统中的过程参数及水质参数进行检测。本发明针对生化需氧量不易在线测得的问题，应用一种动态结构自组织神经网络建立软测量模型。根据隐含层神经元的输出对整个网络输出的贡献大小，动态地增长-删减神经元，并能自动地调整节点的增长-修剪训练步数，实现了神经网络网络结构的动态变化，对出水生化需氧量进行预测。根据预测结果，能够对污水处理过程中的相关控制环节及生化反应中的物料进行调节，提高污水处理的出水水质质量，为污水处理过程优化控制和节能运行提供技术保障。

Description

一种污水处理生化需氧量软测量方法

技术领域

本发明涉及一种污水处理出水生化需氧量(BOD)的软测量方法，属于污水处理领域。

背景技术

污水生物处理过程机理复杂，为使污水处理系统处于良好的运行工况，获得更好的出水水质，必须及时取得污水处理系统当中重要的过程参数及水质参数。目前通常采用两种方法对各种参数进行在线检测：一种是采用新型传感器，以硬件的方式实现难测参数的检测。但由于污水中有机物千差万别，若根据每种有机物的特性研发出相对应的传感器，将是一个耗资大、历时长的工程，而且这种传感器具有仪器造价高、寿命短，测量范围窄、稳定性差等缺点；另一种是软测量的方法。现有的软测量方法主要有基于工艺机理分析的软测量方法和基于神经网络的软测量方法。基于工艺机理分析的软测量方法需要对工艺过程机理深刻认识，否则不能准确预测出不易测量的参数值。基于神经网络的软测量方法适用于非线性和不确定性系统，但传统的神经网络软测量方法不能根据所预测参数的复杂程度自动地调整神经网络结构，具有预测精度较低，时间较长的缺点。

发明内容

为了解决污水处理过程中难以实时检测的水质参数在较短的时间内准确测量的问题，本发明提供了一种利用结构自组织神经网络建立软测量模型，对难测数据进行准确预测的技术方法。具体方案如下：

(1).对污水处理过程机理进行分析，根据污水处理流程需经过的沉沙池、初沉池、曝气池、二沉池及接触池，确定出水生化需氧量与污水流经各处理池时所检测到的其他水质参数的变化情况，初步确定与出水生化需氧量相关的辅助变量；

(2).在污水处理工业现场采集k组步骤(1)中确定的辅助变量及生化需氧量的样本数据；

(3).运用主元分析方法对步骤(2)的数据再次进行分析，精选出跟出水生化需氧量相关性高的辅助变量；

将样本数据用零均值标准化方法进行归一化处理，然后计算辅助变量的累积方差贡献率，若累积方差贡献率大于85%，则认为该辅助变量与所需预测的出水生化需氧量相关性高，可将其精选出，进行下一步的工作；其中具体方法步骤参见《软测量技术原理与应用》一书。

(4).用神经网络结构自组织设计方法对污水处理过程现场的进出水数据建立模型，预测输出下一时刻的出水生化需氧量。具体步骤为：

①建立一个神经网络模型，神经网络包括输入层、隐含层及输出层，神经网络模型的输入为步骤(3)中精选出的M个辅助变量，输出为生化需氧量；

神经网络的输入层有M个神经元，隐含层有N个神经元，输出层有1个神经元。输入层的输入为V=[v₁,v₂,...v_M]，对于输入层第i个神经元，其输出为：

$y_i^I=f^I\left(v_i\right),i=\mathrm{1,2},...,M---\left(3\right)$

其中，f^I为输入层的激励函数。

隐含层第j个神经元的输入为

$x_j^H=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}^H{y}_i^I---\left(4\right)$

其中

为输入层第i个神经元与隐含层第j个神经元之间的连接权值；M为输入层神经元个数。

隐含层第j个神经元的输出为

$y_j^H=f^H\left(x_j^H\right)---\left(5\right)$

其中，f^H为隐含层的激励函数，

输出层神经元的输入为：

$x^O=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_j^O{y}_j^H---\left(6\right)$

其中，

为隐含层第j个神经元与输出层神经元之间的连接权值，N为隐含层的神经元数；

输出层神经元的输出，即实际网络的输出为

y^O=f^O(x^O)         (7)

其中，f^O为输出层神经元的激励函数函数

②对神经网络进行μ步训练，每训练一步计算一次神经网络的误差，误差函数定义如下：

$E=\frac{1}{2}\underset{t=1}{\overset{k}{\mathrm{\Σ}}}{(y\left(t\right)-y_d\left(t\right))}^T(y\left(t\right)-y_d\left(t\right))---\left(8\right)$

其中：

y(t)表示将采集到的精选出的辅助变量的第t组样本数据输入到神经网络所产生的实际输出值，

y_d(t)表示神经网络的期望输出，即与精选出的辅助变量的第t组样本数据对应的已经采集到的生化需氧量的样本数据，

k表示采集到的样本数；

将μ步训练结束后的神经网络的误差计为E_0p；

③判断神经网络训练至最后一步时的误差是否满足设定目标值，若满足，跳转至(9)，若不满足，继续向下执行；

④计算隐含层每个神经元的全局显著性指数，全局显著性指数计算公式如下：

${\mathrm{GSI}}_j=\frac{\left|{\mathrm{SI}}_j\right|}{{\mathrm{\Σ}}_{j=1}^K\left|{\mathrm{SI}}_j\right|}---\left(9\right)$

其中，

GSI_j为隐含层第j个神经元的全局显著性指数，

K为隐含层神经元个数，

SI_j为隐含层第j个神经元的显著性指数，计算公式如下；

${\mathrm{SI}}_j={\mathrm{\Σ}}_{i=1}^M\frac{{w_{\mathrm{ij}}}^F}{{w_{\mathrm{ij}}}^F-{w_{\mathrm{ij}}}^I}{{\mathrm{\σ}}_j}^2---\left(10\right)$

其中，

M为输入层神经元个数，

w_ij ^F为神经网络训练终止时输入层第i个神经元与隐含层第j个神经元之间的连接权值，

w_ij ^I为神经网络训练初始时输入层第i个神经元与隐含层第j个神经元之间的连接权值，

σ_j为隐含层第j个神经元输出的方差；

⑤根据隐含层神经元变化条件，对每个隐含层神经元进行增长或删减；

如果隐含层第j个神经元的全局显著性指数满足

GSI_j≥G_th1          (11)

则由原来的一个神经元增长为三个神经元，其中，G_th1为设定的增长阈值；相应的隐含层新增神经元的权值调整为：

$\left\{\begin{array}{c}{w_{\mathrm{ij}}}^m={\mathrm{\α}}_m{w}_{\mathrm{ij}}\\ {w_j}^m={\mathrm{\α}}_m{w}_j\end{array}\right.,m=\mathrm{1,2,3}---\left(12\right)$

∑α_m=1                (13)

其中，

w_ij ^m表示新增隐含层神经元与输入层第i个神经元之间的连接权值，

w_j ^m表示新增隐含层神经元与输出层神经元之间的连接权值，

w_ij表示输入层第i个神经元和隐含层第j个神经元之间的权值。

w_j表示隐含层第j个神经元和输出层神经元之间的权值。

α_m的选择服从均值为0，方差为1的高斯分布；

如果隐含层第j个神经元的全局显著性指数满足

G_th2≤GSI_j<G_th1          (14)

则由原来的一个神经元增长为两个神经元，其中，G_th2为设定的增长阈值；相应的隐含层新增节点的权值调整为：

$\left\{\begin{array}{c}{w_{\mathrm{ij}}}^m={\mathrm{\&alpha;}}_m{w}_{\mathrm{ij}}\\ {w_j}^m={\mathrm{\&alpha;}}_m{w}_j\end{array}\right.,m=\mathrm{1,2}---\left(15\right)$

如果隐含层第j个神经元全局显著性较低，满足

GSI_j≤P_th           (16)

则将其删除；其中，P_th为设定的删减阈值，

⑥对神经网络再次进行ε步训练，每训练一步计算一次神经网络的误差，训练结束后计算平均误差E_mean，

E_i为神经网络训练至第i步时的误差；将第一步训练结束时神经网络的误差计为E_1P；⑦确定自适应训练步长；

当E_mean<△E_max·E_0p时，△E_max=|E_0p-E1P|，训练步长调整为：

$\mathrm{\&epsiv;}=\frac{1}{\mathrm{\&gamma;}}\&CenterDot;\mathrm{\&epsiv;}---\left(17\right)$

当E_mean>△E_max·E_0p时，训练步长调整为

ε=γ·ε           (18)

其中，γ>1；

⑧根据⑦得到的训练步长对神经网络再次进行训练并跳转至(3);

⑨神经网络训练结束。

本发明的优势主要体现在：

本发明针对污水处理生化需氧量难以实时测量的问题，采用了基于结构自组织神经网络建立出水生化需氧量的软测量模型方法，通过神经网络结构自组织设计能够在较短时间内预测出精度较高的生化需氧量值，避免了参数检测的大滞后问题，并且具有操作简单，易于维护等特点。

附图说明

图1.本发明流程图

图2.本实施例采用的三层前馈神经网络建立生化需氧量软测量模型

图3.本实施例预测后的生化需氧量值和实际值拟合曲线图。

具体实施方式

以实际预测生化需氧量(BOD)为例，对本发明进行详细说明。

在污水处理现场对出水BOD进行监测，同时对污水处理过程中流经沉砂池、除尘池、曝气池、二沉池及接触池时各水质参数的变化情况进行记录及分析，初步确定与出水BOD相关的辅助变量为：PH值、流量(Q_in)、化学需氧量(COD)、悬浮物(SS)、总氮(TN)、总磷(TP)、氨氮(NH3-N)、硝态氮(NO3-N)八个变量。在污水处理工业现场采集到上述八个变量的样本数据148组。

将148组数据进行主元分析，经过主元分析之后，精选出与出水BOD相关性较高的辅助变量为进水量Q_in、PH值、化学需氧量(COD)、悬浮物(SS)及总氮(TN)。神经网络采用5-3-1的结构，本实施例采用的三层前馈神经网络建立生化需氧量软测量模型结构图由图2所示。

将采集到的148组数据中的100组作为训练样本，48组作为预测样本，将样本数据代入模型中，利用结构自组织神经网络设计方法对样本数据进行训练。

结构自组织神经网络建立出水BOD软测量模型并对出水BOD进行预测的具体步骤如下：

(1)创建一个初始结构为5-3-1的前馈神经网络，输入层神经元分别代表精选出的5个辅助变量；

(2)将样本数据代入神经网络模型中，对神经网络进行进行初次训练，初始训练步数μ选择500。每训练一步计算一次神经网络的误差；

(3)神经网络训练至500步时，判断神经网络的误差值是否满足设定的目标误差0.01，目标误差可以根据实际情况进行设置。若满足，则神经网络训练结束。当前情况下计算出的神经网络误差值不满足设定的目标值，继续(4)；

(4)计算隐含层每个神经元的全局显著性指数；

(5)根据神经网络隐含层神经元增长及删减条件，对隐含层神经元进行增长及删减操作；其中增长阈值G_th1和G_th2分别可以根据实际情况进行设置，本实施例中分别设为0.01和0.005。

(6)对神经网络再次进行训练，训练步数ε选择为800步；

(7)确定神经网络自适应训练步数；

(8)根据(7)计算出的训练步数，对神经网络进行训练。转(3)。

重复步骤(3)-(8)，直到神经网络的误差函数值达到目标误差，神经网络训练结束。经过3次步骤(3)-(8)的循环跳转，最终获得了结构为5-10-1的神经网络。并利用该神经网络对出水BOD进行预测。

图3是本实施例预测后的生化需氧量值和实际值拟合曲线图。由图中可以看出，基于结构自组织神经网络的软测量方法能够有效、准确的预测出水BOD。

Claims (1)

1.一种污水处理生化需氧量软测量方法，其特征在于，包括以下步骤：

(1).对污水处理过程机理进行分析，初步确定与生化需氧量相关的辅助变量；

(2).在污水处理工业现场采集k组步骤(1)中确定的辅助变量及生化需氧量的样本数据；

(3).运用主元分析方法对步骤(2)的数据再次进行分析，精选出跟出水生化需氧量相关性高的辅助变量；

(4).用神经网络结构自组织设计方法对污水处理过程现场的进出水数据建立模型，预测输出下一时刻的出水生化需氧量，具体包括以下步骤：

1)建立一个神经网络模型，神经网络包括输入层、隐含层及输出层，神经网络模型的输入为步骤（3）中精选出的辅助变量，输出为生化需氧量；

2)对神经网络进行μ步训练，每训练一步计算一次神经网络的误差，误差函数定义如下：

$E=\frac{1}{2}\underset{t=1}{\overset{k}{\mathrm{\&Sigma;}}}{(y\left(t\right)-y_d\left(t\right))}^T(y\left(t\right)-y_d\left(t\right))---\left(1\right)$

其中：

y(t)表示将采集到的精选出的辅助变量的第t组样本数据输入到神经网络所产生的实际输出值，

y_d(t)表示神经网络的期望输出，即与精选出的辅助变量的第t组样本数据对应的已经采集到的生化需氧量的样本数据，

k表示采集到的样本数；

将μ步训练结束后的神经网络的误差计为E_0p；

3)判断神经网络训练至最后一步时的误差是否满足设定目标值，若满足，跳转至9)，若不满足，继续向下执行；

4)计算隐含层每个神经元的全局显著性指数，全局显著性指数计算公式如下：

${\mathrm{GSI}}_j=\frac{\left|{\mathrm{SI}}_j\right|}{{\mathrm{\&Sigma;}}_{j=1}^K\left|{\mathrm{SI}}_j\right|}---\left(3\right)$

其中，

GSI_j为隐含层第j个神经元的全局显著性指数，

K为隐含层神经元个数，

SI_j为隐含层第j个神经元的显著性指数，计算公式如下；

${\mathrm{SI}}_j={\mathrm{\&Sigma;}}_{i=1}^M\frac{{w_{\mathrm{ij}}}^F}{{w_{\mathrm{ij}}}^F-{w_{\mathrm{ij}}}^I}{{\mathrm{\&sigma;}}_j}^2---\left(2\right)$

其中，

M为输入层神经元个数，

w_ij ^F为神经网络训练终止时输入层第i个神经元与隐含层第j个神经元之间的连接权值，

w_ij ^I为神经网络训练初始时输入层第i个神经元与隐含层第j个神经元之间的连接权值，

σ_j为隐含层第j个神经元输出的方差；

5)根据隐含层神经元变化条件，对每个隐含层神经元进行增长或删减；

如果隐含层第j个神经元的全局显著性指数满足

GSI_j≥G_th1   (4)

则由原来的一个神经元增长为三个神经元，其中，G_th1为设定的增长阈值；相应的隐含层新增神经元的权值调整为：

$\left\{\begin{array}{c}{w_{\mathrm{ij}}}^m={\mathrm{\&alpha;}}_m{w}_{\mathrm{ij}}\\ {w_j}^m={\text{\&alpha;}}_m{w}_j\end{array},m=\mathrm{1,2,3}---\left(5\right)\right.$

∑α_m=1   (6)

其中，

w_ij ^m表示新增隐含层神经元与输入层第i个神经元之间的连接权值，

w_j ^m表示新增隐含层神经元与输出层神经元之间的连接权值，

w_ij表示输入层第i个神经元和隐含层第j个神经元之间的权值，

w_j表示隐含层第j个神经元和输出层神经元之间的权值。

α_m的选择服从均值为0，方差为1的高斯分布；

如果隐含层第j个神经元的全局显著性指数满足

G_th2≤GSI_j<G_th1   (7)

则由原来的一个神经元增长为两个神经元，其中，G_th2为设定的增长阈值；相应的隐含层新增节点的权值调整为：

$\left\{\begin{array}{c}{w_{\mathrm{ij}}}^m={\mathrm{\&alpha;}}_m{w}_{\mathrm{ij}}\\ {w_j}^m={\mathrm{\&alpha;}}_m{w}_j\end{array}\right.,m=1,2---\left(8\right)$

如果隐含层第j个神经元全局显著性较低，满足

GSI_j≤P_th   (9)

则将其删除；其中，P_th为设定的删减阈值；

6)对神经网络再次进行ε步训练，每训练一步计算一次神经网络的误差，训练结束后计算平均误差E_mean，

E_i为神经网络训练至第i步时的误差；将第一步训练结束时神经网络的误差计为E_1P；

7)确定自适应训练步长；

当E_mean<△E_max·E_0p时，△E_max=|E_0p-E_1P|，训练步长调整为：

$\mathrm{\&epsiv;}=\frac{1}{\mathrm{\&gamma;}}\&CenterDot;\mathrm{\&epsiv;}---\left(11\right)$

当E_mean>△E_max·E_0p时，训练步长调整为

ε=γ·ε   (12)

其中，γ>1；

8)根据7)得到的训练步长对神经网络再次进行训练并跳转至3);

9)神经网络训练结束，利用训练好的神经网络对出水生化需氧量进行预测。

Images