CN103809436A - 活性污泥法污水处理过程智能建模方法 - Google Patents

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

活性污泥法污水处理过程智能建模方法

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。

本发明采用拉依达准则处理异常数据。设样本数据为(x₁,x₂,…,x_n)，平均值为

，偏差为

，按照贝叶斯公式计算出标准偏差：

$\mathrm{\σ}={[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}_i^2/(n-1)]}^{1/2}$

如果某一样本数据x_i的偏差v_i(1≤i≤n)满足：

$\left|v_i\right|>3\mathrm{\σ}$

则认为x_i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：

$x_{\mathrm{ij}}^{*}=\frac{x_{\mathrm{ij}}-\stackrel{\‾}{x_j}}{s_j},i=\mathrm{1,2},...,n;j=\mathrm{1,2},...,p$

其中

为归一化后的数据，

为向量(x_1j,x_2j,…x_nj)的均值，s_j为向量(x_1j,x_2j,…x_nj)的标准差。

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 … x_p]，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≥…≥λ_p≥0，与其对应的单位正交特征向量组成的矩阵为L=[L₁ L₂ … L_p]。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：

$x=T_1{L}_1^T+T_2{L}_2^T+...+T_p{L}_p^T+E$

求出累计方差贡献率为

$\mathrm{\η}=\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{\mathrm{\λ}}_i/\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\λ}}_j>90\%$

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

$\begin{array}{c}X\left(k\right)=W^{h}X(k-1)+W^{23}{W}^{1}U(k-1)\\ Z\left(k\right)=f\left(W^{34}X\left(k\right)\right)\\ y\left(k\right)=W^0\·Z\left(k\right)\end{array}$

采用BPTT算法对该网络结构中的权值进行修正，W⁰,W³⁴,W^h,W¹修正方法同一用W表示为：

$W(k+1)=W\left(k\right)+\mathrm{\η\ΔW}\left(k\right)$

式中η为学习率，ΔW⁰,ΔW³⁴,ΔW^h,ΔW¹分别为

$\begin{array}{c}{\mathrm{\ΔW}}^0\left(k\right)=-\underset{\mathrm{\τ}=k_0}{\overset{k-1}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{e}_j(\mathrm{\τ}+1)Z{(\mathrm{\τ}+1)}^T\\ {\mathrm{\ΔW}}^{34}\left(k\right)=-\underset{\mathrm{\τ}=k_0}{\overset{k-1}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{e}_j(\mathrm{\τ}+1){\left(W^0\right)}^T{f}^{\′}\left(Z(\mathrm{\τ}+1)\right)X(\mathrm{\τ}+1)\\ {\mathrm{\ΔW}}^h\left(k\right)=-\underset{\mathrm{\τ}=k_0}{\overset{k-1}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{e}_j\left(\mathrm{\τ}\right){\left(W^{34}\right)}^T{\left(W^0\right)}^T{f}^{\′}\left(W^{34}X\left(\mathrm{\τ}\right)\right)+\mathrm{\δ}\left(\mathrm{\τ}\right)X(\mathrm{\τ}-1)\\ {\mathrm{\ΔW}}^1\left(k\right)=-\underset{\mathrm{\τ}=k_0}{\overset{k-1}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{e}_j(\mathrm{\τ}+1){\left(W^0\right)}^T{f}^{\′}\left(Z\left(\mathrm{\τ}\right)\right)U(\mathrm{\τ}+1)\end{array}$

这里， $\mathrm{\&delta;}\left(\mathrm{\&tau;}\right)=\left\{\begin{array}{cc}\mathrm{\&delta;}(\mathrm{\&tau;}+1)w_t^h,& \mathrm{\&tau;}<k-1\\ 0,& \mathrm{\&tau;}=k-1\end{array}\right.$

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

采用拉依达准则处理异常数据。设样本数据为x₁,x₂,…,x_n，平均值为

，偏差为

，按照贝叶斯公式计算出标准偏差：

$\mathrm{\&sigma;}={[\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{v}_i^2/(n-1)]}^{1/2}$

如果某一样本数据x_i的偏差v_i(1≤i≤n)满足：

$\left|v_i\right|>3\mathrm{\&sigma;}$

则认为x_i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：

$x_{\mathrm{ij}}^{*}=\frac{x_{\mathrm{ij}}-\stackrel{\&OverBar;}{x_j}}{s_j},i=\mathrm{1,2},...,n;j=\mathrm{1,2},...,p$

其中

为归一化后的数据，

为向量(x_1j,x_2j,…x_nj)的均值，s_j为向量

的标准差。

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 … x_p]，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≥…≥λ_p≥0，与其对应的单位正交特征向量组成的矩阵为L=[L₁ L₂ … L_p]。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：

$x=T_1{L}_1^T+T_2{L}_2^T+...+T_p{L}_p^T+E$

求出累计方差贡献率为

$\mathrm{\&eta;}=\underset{i=1}{\overset{q}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i/\underset{j=1}{\overset{p}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_j>90\%$

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

$\begin{array}{c}X\left(k\right)=W^{h}X(k-1)+W^{23}{W}^{1}U(k-1)\\ Z\left(k\right)=f\left(W^{34}X\left(k\right)\right)\\ y\left(k\right)=W^0\&CenterDot;Z\left(k\right)\end{array}$

采用BPTT算法对该网络结构中的权值进行修正，W⁰,W³⁴,W^h,W¹修正方法同一用W表示为：

$W(k+1)=W\left(k\right)+\mathrm{\&eta;\&Delta;W}\left(k\right)$

式中η为学习率，ΔW⁰,ΔW³⁴,ΔW^h,ΔW¹分别为

$\begin{array}{c}{\mathrm{\&Delta;W}}^0\left(k\right)=-\underset{\mathrm{\&tau;}=k_0}{\overset{k-1}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_j(\mathrm{\&tau;}+1)Z{(\mathrm{\&tau;}+1)}^T\\ {\mathrm{\&Delta;W}}^{34}\left(k\right)=-\underset{\mathrm{\&tau;}=k_0}{\overset{k-1}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_j(\mathrm{\&tau;}+1){\left(W^0\right)}^T{f}^{\&prime;}\left(Z(\mathrm{\&tau;}+1)\right)X(\mathrm{\&tau;}+1)\\ {\mathrm{\&Delta;W}}^h\left(k\right)=-\underset{\mathrm{\&tau;}=k_0}{\overset{k-1}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_j\left(\mathrm{\&tau;}\right){\left(W^{34}\right)}^T{\left(W^0\right)}^T{f}^{\&prime;}\left(W^{34}X\left(\mathrm{\&tau;}\right)\right)+\mathrm{\&delta;}\left(\mathrm{\&tau;}\right)X(\mathrm{\&tau;}-1)\\ {\mathrm{\&Delta;W}}^1\left(k\right)=-\underset{\mathrm{\&tau;}=k_0}{\overset{k-1}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_j(\mathrm{\&tau;}+1){\left(W^0\right)}^T{f}^{\&prime;}\left(Z\left(\mathrm{\&tau;}\right)\right)U(\mathrm{\&tau;}+1)\end{array}$

这里， $\mathrm{\&delta;}\left(\mathrm{\&tau;}\right)=\left\{\begin{array}{cc}\mathrm{\&delta;}(\mathrm{\&tau;}+1)w_t^h,& \mathrm{\&tau;}<k-1\\ 0,& \mathrm{\&tau;}=k-1\end{array}\right.$

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。