CN103809436A - 活性污泥法污水处理过程智能建模方法 - Google Patents
活性污泥法污水处理过程智能建模方法 Download PDFInfo
- Publication number
- CN103809436A CN103809436A CN201210438501.9A CN201210438501A CN103809436A CN 103809436 A CN103809436 A CN 103809436A CN 201210438501 A CN201210438501 A CN 201210438501A CN 103809436 A CN103809436 A CN 103809436A
- Authority
- CN
- China
- Prior art keywords
- sewage disposal
- disposal process
- water outlet
- bod
- tau
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Processing Of Solid Wastes (AREA)
Abstract
本发明公开了一种活性污泥法污水处理过程智能建模方法,用于对污水处理过程中出水的生物分解需氧量(BOD)量进行准确预测,对污水处理过程进行有效控制。本发明首先采用拉依达准则剔除污水调节池进水水质指标向量中的异常数据,并采用均方差法对非异常数据进行归一化处理;其次,采用主成分分析法简化影响影响出水BOD的指标;最后,以这些指标为输入变量,以污水处理过程中出水BOD为输出变量,采用递归神经网络模型对污水处理过程中出水BOD进行预测和控制。
Description
技术领域
本发明属于污水处理过程的建模方法,尤其涉及一种活性污泥法污水处理过程智能建模方法。
背景技术
活性污泥法是利用自然界微生物的生命活动来清除污水中有机物和脱氮除磷的一种有效方法。活性污泥法污水处理过程是个复杂的高度非线性系统,其进水流量、进水成分、污染物浓度、天气变化等参量都是被动接受,微生物生命活动受溶解氧浓度、微生物种群、污水的PH值等多种因素影响,生化反应过程具有滞后特性,精确表述控制变量与控制目标之间的关系十分困难。目前的一些污水处理模型结构复杂,待整定参数过多,可辨识性差,不能动态地反映出操作变量与控制目标之间蕴含的关系,无法用于在线控制。同时,污水处理过程是一个复杂的生化反应过程,现场试验不仅时间长且成本很高。因此,寻求较好的建模方法,解决污水处理过程中的建模问题是一个很迫切的需求,也是国际控制领域的挑战性问题。
由于活性污泥法污水处理过程具有高度的复杂性和非线性的特点,神经网络作为非线性的动力学系统,特别适合于一些高度非线性的动力学过程的建模与控制,使神经网络可以在建模过程中发挥巨大的作用。由于神经网络能够根据对象输入/输出的数据直接建立模型,不需要对象的先验知识及复杂的数学公式推导,并且采用适当的训练算法就可以达到网络学习精度目标。因此,采用神经网络模型实现系统建模是非常有效和相对容易。
发明内容
本发明主要预测污水处理过程中出水的生物分解需氧量(BOD)的值,分析污水处理过程中与出水BOD与其他变量之间的关系,出水BOD依赖于数小时前的入水的化学需氧量(COD)、固体悬浮物浓度(SS)、温度(T)、PH值、进水量(Q)、初沉池出水SS和COD、曝气池溶解氧浓度(DO)、混合液污泥浓度(MLSS)以及出水COD和SS等过程变量。
本发明将递阶多层神经网络与各反应器子系统相结合,提出一种活性污泥法污水处理过程智能建模方法。结合递阶神经网络模型,活性污泥法污水处理过程智能建模方法的具体过程如下。
步骤1:数据预处理。
本发明选择输入向量为污水调节池进水水质指标,分别为数小时前的入水的化学需氧量(COD)、固体悬浮物浓度(SS)、温度(T)、PH值、进水量(Q)、初沉池出水SS和COD、曝气池溶解氧浓度(DO)、混合液污泥浓度(MLSS)以及出水COD和SS。
由于从工业现场采集的数据难免会含有随机误差甚至过失误差,而任意数据的错误都可能导致神经网络模型整体性能下降,甚至完全失败,因此必须对测量数据进行预处理,方可作为神经网络模型的输入。因此,需要对数据进行预处理,主要包括剔除异常数据和归一化处理。
1)剔除异常数据。
在实际测量中,由于测量和记录的严重失误,或由于仪器仪表的突然波动,都会造成异常的观察结果,这类数据为异常数据。异常数据容易导致整个系统建模的失败,因此异常数据的侦破剔除和校正是必须的。
如果某一样本数据xi的偏差vi(1≤i≤n)满足:
则认为xi是异常数据,应予剔除。
2)数据归一化处理
由于污水处理过程中所测量的数据有不同的工程单位,各变量的大小在数值上差异很大,直接使用原始测量数据进行计算可能丢失信息和引起数值计算的不稳定,因此对各参数作标准化处理,其数学表达式为:
经过数据的归一化处理后,可使得各变量的均值为1,标准差为0,进而消除由于不同特征因子量纲不同和数量级不同所带来的影响。
步骤2:采用主成分分析法确定辅助变量
污水处理过程复杂,参数较多,在现场测量到的多个变量及多组数据中,变量间存在较大的线性相关性。将归一化后的过程变量按列组成原始数据矩阵x=[x1 x2 … xp],得到矩阵x的协方差矩阵S。矩阵S的特征根依次排列为λ1≥λ2≥λ3≥…≥λp≥0,与其对应的单位正交特征向量组成的矩阵为L=[L1 L2 … Lp]。将矩阵x分解成主成分得分矩阵T,负荷矩阵L的外积加上残差项E,即:
求出累计方差贡献率为
所需的最小主元个数q的值,在T中选出相应的q个主元。
步骤3:建立递归神经网络模型。
将经步骤2得到的影响污水处理过程中出水BOD的主要影响因素作为输入变量,将污水处理过程中出水BOD为输出变量,采用递归神经网络模型进行预测。其中,递归神经网络的状态方程为
采用BPTT算法对该网络结构中的权值进行修正,W0,W34,Wh,W1修正方法同一用W表示为:
式中η为学习率,ΔW0,ΔW34,ΔWh,ΔW1分别为
这里,
将递归神经网络应用在污水处理过程中,对递归神经网络自身的发展起到了一定的推动作用,同时,实现对污水处理过程的闭环控制,对城市污水处理厂实施节能优化控制的经济效益巨大,也为污水处理过程建模、控制提供了一种有效方法。
附图说明
图1是本发明的流程图。
具体实施方式
参照图1,本发明的具体实现步骤如下。
步骤1:数据预处理
在实际测量中,由于测量和记录的严重失误,或由于仪器仪表的突然波动,都会造成异常的观察结果,这类数据为异常数据。异常数据容易导致整个系统建模的失败,因此异常数据的侦破剔除和校正是必须的。因此,数据预处理过程包括剔除异常数据和对数据进行归一化处理这两部分。
1)剔除异常数据
如果某一样本数据xi的偏差vi(1≤i≤n)满足:
则认为xi是异常数据,应予剔除。
2)数据归一化处理
数据归一化数学表达式为:
步骤2:采用主成分分析法确定辅助变量
污水处理过程复杂,参数较多,在现场测量到的多个变量及多组数据中,变量间存在较大的线性相关性。将归一化后的过程变量按列组成原始数据矩阵x=[x1 x2 … xp],得到矩阵x的协方差矩阵S。矩阵S的特征根依次排列为λ1≥λ2≥λ3≥…≥λp≥0,与其对应的单位正交特征向量组成的矩阵为L=[L1 L2 … Lp]。将矩阵x分解成主成分得分矩阵T,负荷矩阵L的外积加上残差项E,即:
求出累计方差贡献率为
所需的最小主元个数q的值,在T中选出相应的q个主元。
步骤3:建立递归神经网络模型。
将经步骤2得到的影响污水处理过程中出水BOD的主要影响因素作为输入变量,将污水处理过程中出水BOD为输出变量,采用递归神经网络模型进行预测。其中,递归神经网络的状态方程为
采用BPTT算法对该网络结构中的权值进行修正,W0,W34,Wh,W1修正方法同一用W表示为:
式中η为学习率,ΔW0,ΔW34,ΔWh,ΔW1分别为
这里,
步骤4:检验
本发明采用某污水处理厂现场测量数据作为实验数据,经过预处理后得到100组样本数据,100组测试数据。经过主成分分析法处理后,得到的输出变量为进水COD、SS、PH值、曝气池DO、MLSS,输出参数为BOD的实际数值。显然,递归神经网络输入神经元为5,输出神经元为1,隐含神经元数根据经验选为5,建立递归神经网络模型,检验结果见表1。
表1 实验结果检测
参量 | 结构 | 训练步数 | 训练均方误差 | 测试均方误差 |
4-5-5-51 | 20000 | 0.3043 | 1.2177 |
显然,从表1可以看出,经递归神经网络模型逼近污水处理过程是科学的,有效的。
Claims (1)
1.活性污泥法污水处理过程智能建模方法的基本步骤如下:1)收集影响污水处理过程中出水的生物分解需氧量(BOD)的主要因素的相关数据,包括:数小时前的入水的化学需氧量(COD)、固体悬浮物浓度(SS)、温度(T)、PH值、进水量(Q)、初沉池出水SS和COD、曝气池溶解氧浓度(DO)、混合液污泥浓度(MLSS)以及出水COD和SS,并采用拉依达准则剔除这些值中的异常数据;2)采用主成分分析法确定影响污水处理过程中出水BOD主成分因素;3)将影响污水处理过程中出水BOD的主成分因素作为输入变量,将污水处理过程中出水BOD为输出变量,采用递归神经网络模型对污水处理过程中出水BOD进行预测和控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210438501.9A CN103809436A (zh) | 2012-11-06 | 2012-11-06 | 活性污泥法污水处理过程智能建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210438501.9A CN103809436A (zh) | 2012-11-06 | 2012-11-06 | 活性污泥法污水处理过程智能建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103809436A true CN103809436A (zh) | 2014-05-21 |
Family
ID=50706388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210438501.9A Pending CN103809436A (zh) | 2012-11-06 | 2012-11-06 | 活性污泥法污水处理过程智能建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103809436A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104111618A (zh) * | 2014-05-28 | 2014-10-22 | 河北科技大学 | 一种活性污泥污水处理曝气环节的建模、滑模控制器及其控制方法 |
CN106021884A (zh) * | 2016-05-12 | 2016-10-12 | 武汉理工大学 | 一种基于神经网络原理的潜流湿地出水浓度的预测方法 |
CN106200381A (zh) * | 2016-07-27 | 2016-12-07 | 华电水务工程有限公司 | 一种根据处理水量分阶段控制水厂运行的方法 |
CN107531528A (zh) * | 2015-04-03 | 2018-01-02 | 住友化学株式会社 | 预测规则生成系统、预测系统、预测规则生成方法和预测方法 |
CN107908111A (zh) * | 2017-11-27 | 2018-04-13 | 北华大学 | 一种基于bp神经网络的污泥脱水系统的计算机控制方法 |
CN108074011A (zh) * | 2017-11-02 | 2018-05-25 | 广州工程技术职业学院 | 一种污泥排放量的监控方法及系统 |
CN108536106A (zh) * | 2018-04-25 | 2018-09-14 | 重庆工商大学 | 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法 |
CN109508811A (zh) * | 2018-09-30 | 2019-03-22 | 中冶华天工程技术有限公司 | 基于主成分分析和长短期记忆网络的污水处理出水参数预测方法 |
-
2012
- 2012-11-06 CN CN201210438501.9A patent/CN103809436A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104111618A (zh) * | 2014-05-28 | 2014-10-22 | 河北科技大学 | 一种活性污泥污水处理曝气环节的建模、滑模控制器及其控制方法 |
CN107531528A (zh) * | 2015-04-03 | 2018-01-02 | 住友化学株式会社 | 预测规则生成系统、预测系统、预测规则生成方法和预测方法 |
US11225680B2 (en) | 2015-04-03 | 2022-01-18 | Sumitomo Chemical Company, Limited | Prediction-rule generating system, prediction system, prediction-rule generating method, and prediction method |
CN106021884A (zh) * | 2016-05-12 | 2016-10-12 | 武汉理工大学 | 一种基于神经网络原理的潜流湿地出水浓度的预测方法 |
CN106200381A (zh) * | 2016-07-27 | 2016-12-07 | 华电水务工程有限公司 | 一种根据处理水量分阶段控制水厂运行的方法 |
CN106200381B (zh) * | 2016-07-27 | 2019-09-20 | 华电水务科技股份有限公司 | 一种根据处理水量分阶段控制水厂运行的方法 |
CN108074011A (zh) * | 2017-11-02 | 2018-05-25 | 广州工程技术职业学院 | 一种污泥排放量的监控方法及系统 |
CN107908111A (zh) * | 2017-11-27 | 2018-04-13 | 北华大学 | 一种基于bp神经网络的污泥脱水系统的计算机控制方法 |
CN107908111B (zh) * | 2017-11-27 | 2021-04-16 | 北华大学 | 一种基于bp神经网络的污泥脱水系统的计算机控制方法 |
CN108536106A (zh) * | 2018-04-25 | 2018-09-14 | 重庆工商大学 | 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法 |
CN108536106B (zh) * | 2018-04-25 | 2021-07-30 | 重庆工商大学 | 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法 |
CN109508811A (zh) * | 2018-09-30 | 2019-03-22 | 中冶华天工程技术有限公司 | 基于主成分分析和长短期记忆网络的污水处理出水参数预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103809436A (zh) | 活性污泥法污水处理过程智能建模方法 | |
CN104360035B (zh) | 一种基于自组织粒子群-径向基神经网络的污水总磷tp软测量方法 | |
CN103197544B (zh) | 基于非线性模型预测的污水处理过程多目标控制方法 | |
CN102854296B (zh) | 一种基于集成神经网络的污水处理软测量方法 | |
CN104376380B (zh) | 一种基于递归自组织神经网络的氨氮浓度预测方法 | |
CN111291937A (zh) | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 | |
CN109492265B (zh) | 基于动态非线性pls软测量方法的废水出水指标预测方法 | |
CN103728431A (zh) | 基于极限学习机的工业污水cod在线软测量方法 | |
CN114275912B (zh) | 一种基于自适应神经网络模型的曝气系统溶解氧控制方法 | |
CN109473182B (zh) | 一种基于深度信念网络的mbr膜透水率智能检测方法 | |
CN111125907B (zh) | 一种基于混合智能模型的污水处理氨氮软测量方法 | |
CN111762958A (zh) | 基于asm2d模型的污水处理厂深井曝气工艺优化方法及装置 | |
CN112417765A (zh) | 一种基于改进师生网络模型的污水处理过程故障检测方法 | |
CN108549740A (zh) | 一种基于混合智能算法的厌氧系统出水氨氮软测量方法 | |
CN103605882A (zh) | 一种丝状菌污泥膨胀指数svi特征模型的构建方法 | |
CN201330211Y (zh) | 污水处理厂运行参数自寻优模拟系统 | |
CN113627506A (zh) | 一种基于信息融合-区间二型模糊神经网络的出水总磷智能检测方法 | |
CN105160422A (zh) | 基于自组织级联神经网络的污水处理出水总磷预测方法 | |
CN116679026A (zh) | 自适应无偏有限脉冲响应滤波的污水溶解氧浓度估计方法 | |
Lim et al. | A systematic model calibration methodology based on multiple errors minimization method for the optimal parameter estimation of ASM1 | |
CN103942600B (zh) | 基于尖峰自组织径向基神经网络的污泥膨胀预测方法 | |
Qiao et al. | Recurrent neural network-based control for wastewater treatment process | |
CN114861543A (zh) | 一种数据驱动的石化污水可生化性智能评价方法 | |
Han et al. | Intelligent modeling approach to predict effluent quality of wastewater treatment process | |
Raut et al. | Determination of wastewater quality index of municipal wastewater treatment plant using fuzzy rule base |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140521 |