CN103886369A - 一种基于模糊神经网络的出水总磷tp预测方法 - Google Patents

一种基于模糊神经网络的出水总磷tp预测方法 Download PDF

Info

Publication number
CN103886369A
CN103886369A CN201410117471.0A CN201410117471A CN103886369A CN 103886369 A CN103886369 A CN 103886369A CN 201410117471 A CN201410117471 A CN 201410117471A CN 103886369 A CN103886369 A CN 103886369A
Authority
CN
China
Prior art keywords
water outlet
total phosphorus
layer
output
outlet total
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.)
Granted
Application number
CN201410117471.0A
Other languages
English (en)
Other versions
CN103886369B (zh
Inventor
韩红桂
乔俊飞
伍小龙
张一弛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201410117471.0A priority Critical patent/CN103886369B/zh
Publication of CN103886369A publication Critical patent/CN103886369A/zh
Application granted granted Critical
Publication of CN103886369B publication Critical patent/CN103886369B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Feedback Control In General (AREA)

Abstract

针对当前污水处理过程出水总磷TP测量过程繁琐、仪器设备造价高、维护安装困难、测量结果可靠性和精确性低等问题，本发明提出了一种污水处理过程出水总磷TP智能预测方法，建立了基于模糊神经网络出水总磷TP预测方法，并且利用实时数据对预测模型进行校正，实现了对污水处理过程出水总磷TP的预测，解决了出水总磷TP难以测量的问题；实验结果表明该出水总磷TP预测方法能够快速、准确地预测污水处理出水总磷TP浓度，对环境差异具有很好的适应能力，保障了污水处理过程高效稳定运行。

Description

一种基于模糊神经网络的出水总磷TP预测方法
技术领域
本发明涉及污水处理过程中出水关键水质指标总磷TP的智能预测方法；智能预测方法是通过提取复杂系统的特征，建立系统的预测模型，对系统的未来趋势进行预测；出水总磷TP的预测对污水处理过程监控和控制具有重要意义，对出水水质有着重要影响；将智能预测方法应用于污水处理系统，既可节约投资和运行成本，又能及时监测出水总磷TP浓度，促使污水处理厂高效稳定运行，是先进制造技术领域的重要分支，既属于水处理领域，又属于控制领域。
背景技术
建立城市污水处理厂，最大限度地保护水环境，实现淡水资源持续利用和良性循环，已经成为我国政府水资源综合利用的战略举措；城市污水处理厂的有效运行对于削减污染物排放量、改善水环境、促进水资源有效利用发挥了重要作用，是缓解水资源匮乏的重要举措；污水生化处理过程的实质是利用人工培养的微生物群体来吸附、分解、氧化污水中可生物降解的有机物，通过生物化学反应，将这些有机物从污水中分离出来，使污水得到净化。
随着水体富营养化问题的日渐突出，污水综合排放标准日趋严格，由于磷是引起水体富营养化的主要因素，污水处理排放指标中出水总磷TP的要求越来越高，既要求排放总量要达标，而且实时排放也要达标；对污水处理出水总磷TP进行实时检测，是实现出水水质达标的重要手段，也是指导污水处理企业实施控制、保证污水处理过程安全运行的有效途径。因此，快速准确地获取出水总磷TP的测量值，确保污水处理质量达标是当前污水处理过程亟待解决的问题。
作为衡量污水处理效果的重要指标，出水总磷TP目前的测量方法主要为人工化学测量法和专用在线检测仪表法；然而人工化学测量法耗时多，且大多数参数要靠人工化验来确定，滞后于污水处理过程，无法满足实时检测出水总磷TP的要求；同时，人工操作的偶然性和随机性难以保证测量的准确性。专用在线检测仪表法则价格昂贵且使用维护困难，并且，由于水体中有机磷化合物不能直接测定，必须使之转化成无机磷酸盐才能进行测定；目前的专用在线检测仪表也无法实现出水总磷TP的实时检测。因此，研究新的测量方法解决出水总磷TP的实时测量问题，已成为污水控制工程领域研究的重要课题，并且具有重要的现实意义。
本发明设计了一种基于模糊神经网络的污水处理出水总磷TP预测模型，主要通过分析污水处理过程特点，重点利用在线数据和离线数据，充分挖掘数据隐藏的丰富信息，确定出水总磷TP的相关性变量，将相关性变量的数据进行预处理，基于模糊神经网络建立污水处理出水总磷TP的预测模型，并利用在线数据对预测模型参数进行校正，实现对污水处理过程中出水总磷TP的预测。
发明内容
本发明获得了一种基于模糊神经网络出水总磷TP的预测模型，该预测模型以出水总磷TP为预测变量，以污泥回流量、泥龄、出水悬浮物浓度SS等与其相关变量为辅助变量，通过预测变量和辅助变量历史数据对模型参数进行校正，最后实现通过辅助变量预测出水总磷TP浓度的目的；解决了污水出水总磷TP难以测量的问题，有效的提高了总磷TP测量的精度，能够避免出水总磷TP测量过程繁琐、仪器设备造价高、维护安装困难、测量结果可靠性和精确性低等问题。
一种基于模糊神经网络的出水总磷TP预测方法设计包括以下步骤：
(1)确定预测变量和辅助变量；以活性污泥法污水处理过程为研究对象，以出水总磷TP为预测变量，在众多过程变量中选择污泥回流量、泥龄、出水悬浮物浓度SS、出水生物需氧量BOD5、酸碱度pH、进水氨氮NH4-N、污泥沉降体积指数SVI、氧化还原电位ORP和进水氯Cl为辅助变量；
(2)数据归一化处理，具体方法为最大最小法，计算公式为
z1＝(D1-D1,min)/(D1,max-D1,min)；   (1)
式中，z1为归一化后污泥回流量的实测数据数组；D1为归一化前污泥回流量的实测数据数组；D1,min为数组D1中的最小值，D1,max为数组D1中的最大值；泥龄、出水悬浮物浓度SS、出水生物需氧量BOD5、酸碱度pH、进水氨氮NH4-N、污泥沉降体积指数SVI、氧化还原电位ORP和进水氯Cl为辅助变量和总磷TP的实测数据数组分别为D2，D3，D4，D5，D6，D7，D8，D9，和D10，各数组选出内部的最大值和最小值，根据(1)式相同的处理方式得归一化数组分别为：z2，z3，z4，z5，z6，z7，z8，z9和z10；取z1，z2，...，z10每组数据的前L个组成训练数据数组分别为：x1，x2，x3，x4，x5，x6，x7，x8，x9和y；剩余
Figure BDA0000482750150000031
个数据组成预测数据数组分别为：x1′，x2′，x3′，x4′x5，x6′，x7′，x8′，x9′x9′和y′；L和L′均为选取数据的个数；
(3)出水总磷TP预测模型建立：利用模糊神经网络设计污水处理过程出水总磷TP预测模型，如图1所示，出水总磷TP预测模型的拓扑结构分为四层：输入层、RBF层、归一化层、输出层；确定拓扑结构为9-m-m-1的连接方式，其中输入层神经元个数为9，RBF层神经元个数为m个，归一化层神经元个数为m个，输出层神经元个数为1个；输入层与RBF层以及RBF与归一化层之间的权值都赋值为1，归一化层与输出层之间的权值进行随机赋值，赋值区间为[-1,1]；给定每组训练数据x1，x2，…，x9的第t个数据作为出水总磷TP预测模型输入，t=1,2,…,L，出水总磷TP预测模型计算方式依次为：
①输入层：该层由9个神经元组成
X(t)＝[x1(t);x2(t);x3(t);x4(t);x5(t);x6(t);x7(t);x8(t);x9(t)]T；   (2)
其中，X(t)表示输入层的输入和输出，T为矩阵转置；x1(t)，x2(t)，…，x9(t)分别为x1，x2，…，x9的第t个数据，t=1,2,…,L；
②RBF层：RBF层神经元输出向量为H(t)=[h1(t)，h2(t)，…，hm(t)]T，H(t)为径向基向量，向量元素hj(t)为j个RBF神经元的输出，j=1,2,…,m，计算表达式为
h j ( t ) = e ( - | | X ( t ) - c j ( t ) | | 2 / 2 b j 2 ( t ) ) , j = 1,2 , . . . m ; - - - ( 3 )
式中cj(t)=[cj1(t)，cj2(t)，…，cj9(t)]为RBF层第j个神经元的中心向量；cji(t)为第i个输入对应第j个神经元的中心值，cji(t)∈[-2,2]，i=1,2,…,9，bj(t)为第j个神经元的高斯宽度，bj∈[0.01,2]；
③归一化层：归一化层输出的计算方式为
Figure BDA0000482750150000041
其中
Figure BDA0000482750150000042
为归一化层第j个神经元输出，hj(t)为RBF层第j个神经元的输出，
Figure BDA0000482750150000043
为RBF层神经元输出值之和；
④输出层：输出层输出为
y ^ ( t ) = Σ j = 1 m w j ( t ) h j ( t ) , j 1,2 , . . . , m ; - - - ( 5 )
wj(t)表示归一化层第j个神经元与输出层神经元的连接权值，
Figure BDA0000482750150000049
为输出层神经元的输出；
定义出水总磷TP预测模型输出
Figure BDA00004827501500000410
与期望输出y(t)之间的误差函数e(t)为：
e ( t ) = y ( t ) - y ^ ( t ) ; - - - ( 6 )
y(t)为数组y的第t个数据；
(4)出水总磷TP预测模型校正，具体为：
①给定出水总磷TP预测模型RBF层与归一化层神经元个数m，m为自然数，m∈[10,20]，出水总磷TP预测模型输入为X(1)，X(2)，…，X(t)，…，X(L)，对应的期望输出为y(1)，y(2)，…，y(t)，…，y(L)，期望误差值设为Ed，Ed一般小于0.01；
②设置学习步数l=1，根据公式(2)、(3)、(4)、(5)计算出水总磷TP预测模型输出
Figure BDA00004827501500000411
；运用梯度下降法计算中心值cji，宽度bj以及权值wj的增量；
Figure BDA0000482750150000048
其中i=1,2,…,9；j=1,2,…,m；Δcji、Δbj和Δwj分别为出水总磷TP预测模型中心值、宽度和权值的增量；λ∈(0,0.1)表示学习率；
③调整出水总磷TP预测模型的参数；
c′ji(t)＝cji(t)+Δcji(t)；   (10)
b′j(t)＝bj(t)+Δbj(t)；   (11)
w′j(t)＝wj(t)+Δwj(t)；   (12)
其中,cji(t)、bj(t)和wj(t)分别为出水总磷TP预测模型调整前的中心值、宽度和以及权值，cji′(t)、bj′(t)和wj′(t)分别为出水总磷TP预测模型调整后的中心值、宽度和以及权值；
④学习步数l增加1，如果步数l<L，则转向步骤②进行继续训练，如果l=L，则转向步骤⑤；
⑤计算出水总磷TP预测模型的性能：
E = &Sigma; l = 1 L ( y ^ ( l ) - y ( l ) 2 ) / L ; - - - ( 14 )
⑥如果E小于或等于期望误差Ed时停止计算；否则转向步骤②继续训练；
(5)出水总磷TP预测；
将测试样本数据x1′，x2′，…x9′作为出水总磷TP预测模型输入，出水总磷TP预测模型的输出即为出水总磷的预测值。
本发明的创造性主要体现在：
(1)本发明针对当前污水处理厂测量出水总磷TP的过程繁琐，仪器设备使用造价高，维护安装困难，测量结果可靠性和精确性低等问题，本发明提出了一种污水处理过程出水总磷TP智能预测方法，根据实际污水处理厂工作报表提取了与出水总磷TP相关的9个相关变量：污泥回流量、泥龄、出水悬浮物浓度SS、出水生物需氧量BOD5、酸碱度pH、进水氨氮NH4-N、污泥沉降体积指数SVI、氧化还原电位ORP和进水氯Cl，建立污水出水总磷TP的预测模型，解决了出水总磷TP难以测量的问题。
(2)本发明根据当前污水处理过程是一个复杂的、动态时变的过程，出水总磷与相关变量间的关系不仅具有非线性、强耦合等特点，而且难以用精确数学模型描述，因此采用了模糊神经网络可以逼近非线性函数的优点，运用实际污水处理厂实测数据对出水总磷预测模型参数进行校正，实现了出水总磷TP预测模型对出水总磷TP浓度的预测，具有预测精度高，对环境差异具有很好的适应能力等特点。建立了基于模糊神经网络出水总磷TP预测模型，
特别要注意：本发明采用与出水总磷TP相关的9个相关变量建立其预测模型，只要采用了本发明的相关变量进行出水总磷TP预测都应该属于本发明的范围。
附图说明
图1是本发明的出水总磷TP预测模型结构图；
图2是本发明的出水总磷TP预测模型训练结果图；
图3是本发明的出水总磷TP预测模型训练误差图；
图4是本发明的出水总磷TP预测模型预测结果图；
图5是本发明的出水总磷TP预测模型预测误差图。
具体实施方式
本发明获得了一种基于模糊神经网络出水总磷TP的预测方法，该智能预测方法以出水总磷TP为预测变量，以污泥回流量、泥龄、出水悬浮物浓度SS等与其相关变量为辅助变量，通过预测变量和辅助变量历史数据对模型参数进行校正，最后实现通过辅助变量预测出水总磷TP的目的。
实验数据来自某污水处理厂水质分析日报表；分别取污泥回流量、泥龄、出水悬浮物浓度SS、出水生物需氧量BOD5、酸碱度pH、进水氨氮NH4-N、污泥沉降体积指数SVI、氧化还原电位ORP、进水氯Cl和出水总磷的实际检测数据为实验样本，取同一时刻检测的10组变量对应数据共256组。
本发明采用了如下的技术方案及实现步骤：
1.一种基于模糊神经网络的出水总磷TP预测方法设计包括以下步骤：
(1)确定预测变量和辅助变量；本发明主要以活性污泥法污水处理过程为研究对象，以出水总磷TP浓度为预测变量，在众多过程变量中选择污泥回流量、泥龄、出水悬浮物浓度SS、出水生物需氧量BOD5、酸碱度pH、进水氨氮NH4-N、污泥沉降体积指数SVI、氧化还原电位ORP和进水氯Cl为辅助变量；
(2)数据的归一化处理，具体的方法为最大最小法，计算公式为
z1＝(D1-D1,min)/(D1,max-D1,min)；   (1)
式中，z1为归一化后污泥回流量的实测数据数组；D1为归一化前污泥回流量的实测数据数组；D1,min为数组D1中的最小值，D1,max为数组D1中的最大值；泥龄、出水悬浮物浓度SS、出水生物需氧量BOD5、酸碱度pH、进水氨氮NH4-N、污泥沉降体积指数SVI、氧化还原电位ORP和进水氯Cl为辅助变量和总磷TP的实测数据数组分别为D2，D3，D4，D5，D6，D7，D8，D9，和D10，各数组选出内部的最大值和最小值，根据(1)式相同的处理方式得归一化数组分别为：z2，z3，z4，z5，z6，z7，z8，z9和z10；取z1，z2，...，z10每组数据的前123个组成训练数据数组分别为：x1，x2，x3，x4，x5，x6，x7，x8，x9和y；剩余122个数据组成预测数据数组分别为：x1′，x2′，x3′，x4′，x5′，x6′，x7′，x8′，x9′，和y′；
(3)出水总磷TP预测模型建立：利用模糊神经网络设计污水处理过程出水总磷TP预测模型，出水总磷TP预测模型的拓扑结构分为四层：输入层、RBF层、归一化层、输出层；确定拓扑结构为9-12-12-1的连接方式，其中输入层神经元个数为9，RBF层神经元个数为12个，归一化层神经元个数为12个，输出层神经元个数为1个；输入层与RBF层以及RBF与归一化层之间的权值都赋值为1，归一化层与输出层之间的权值进行随机赋值，赋值区间为[-1,1]；给定每组训练数据x1，x2，…，x9的第t个数据作为出水总磷TP预测模型输入，t=1,2,…,123，出水总磷TP预测模型计算方式依次为：
①输入层：该层由9个神经元组成
X(t)＝[x1(t);x2(t);x3(t);x4(t);x5(t);x6(t);x7(t);x8(t);x9(t)]T；   (2)
其中，X(t)表示输入层的输入和输出，T为矩阵转置；x1(t)，x2(t)，…，x9(t)分别为x1，x2，…，x9的第t个数据，t=1,2,…,123；
②RBF层：RBF层神经元输出向量为H(t)=[h1(t)，h2(t)，…，h12(t)]T，H(t)为径向基向量，向量元素hj(t)为j个RBF神经元的输出，j=1,2,…,12，计算表达式为
h j ( t ) = e ( - | | X ( t ) - c j ( t ) | | 2 / 2 b j 2 ( t ) ) , j = 1,2 , . . . m ; - - - ( 3 )
式中cj(t)=[cj1(t)，cj2(t)，…，cj9(t)]为RBF层第j个神经元的中心向量；cji(t)为第i个输入对应第j个神经元的中心值，cji(t)∈[-2,2]，i=1,2,…,9，bj(t)为第j个神经元的高斯宽度，bj∈[0.01,2]；
③归一化层：归一化层输出的计算方式为
Figure BDA0000482750150000082
其中
Figure BDA0000482750150000083
为归一化层第j个神经元输出，hj(t)为RBF层第j个神经元的输出，
Figure BDA0000482750150000084
为RBF层神经元输出值之和；
④输出层：输出层输出为
y ^ ( t ) = &Sigma; j = 1 12 w j ( t ) h j ( t ) , j 1,2 , . . . , 12 ; - - - ( 5 )
wj(t)表示归一化层第j个神经元与输出层神经元的连接权值，
Figure BDA0000482750150000088
为输出层神经元的输出；
定义出水总磷TP预测模型输出与期望输出y(t)之间的误差函数e(t)为：
e ( t ) = y ( t ) - y ^ ( t ) ; - - - ( 6 )
y(t)为数组y的第t个数据；
(4)出水总磷TP预测模型校正，具体为：
①确定出水总磷TP预测模型初始化参数：归一化层神经元与输出层神经元之间权值进行赋值为w1=0.23，w2=0.31，w3=0.11，w4=0.16，w5=0.43，w6=0.21，w7=0.14，w8=0.25，w9=0.22；RBF层神经元的中心值c1=c2=c3=c4=c5=c6=c7=c8=c9=c10=c11=c12=[-0.43，-0.77，-0.81，0.16，0.56，-0.12，0.36，0.57，-0.12]；宽度b1=b2=b3=b3=b4=b5=b6=b7=b8=b9=b10=b11=b12=0.18，出水总磷TP预测模型输入为X(1)，X(2)，…，X(t)，…，X(123)，对应的期望输出为y(1)，y(2)，…，y(t)，…，y(123)，期望误差值设为Ed，Ed=0.001；
②运用梯度下降法计算由第t组训练样本产生的出水总磷TP预测模型中心值cji，宽度bj以及权值wj的增量公式；
Figure BDA0000482750150000091
Figure BDA0000482750150000092
Figure BDA0000482750150000093
其中i=1,2,…,9；j=1,2,…,12；Δcji、Δbj和Δwj分别为出水总磷TP预测模型中心值、宽度和权值的增量；λ神经网络学习率，取0.05；
③调整出水总磷TP预测模型的参数；
c′ji(t)＝cji(t)+Δcji(t)；   (10)
b′j(t)＝bj(t)+Δbj(t)；   (11)
w′j(t)＝wj(t)+Δwj(t)；   (12)
其中，cji(t)、bj(t)和wj(t)分别为出水总磷TP预测模型调整前的中心值、宽度和以及权值，cji′(t)、bj′(t)和wj′(t)分别为出水总磷TP预测模型调整后的中心值、宽度和以及权值；
④学习步数t增加1，如果步数t<123，则转向步骤②进行继续训练，如果t=123，则转向步骤⑤；
⑤完成第1次迭代共123组样本的训练；根据公式(2)、(3)、(4)、(5)计算输出
Figure BDA0000482750150000094
为出水总磷TP预测模型1,2,…,t,…,123组输入对应的实际输出，计算出水总磷TP预测模型的性能函数：
E = &Sigma; l = 1 123 ( y ^ ( l ) - y ( l ) 2 ) / 123 ; - - - ( 14 )
⑥如果E小于或等于期望误差Ed时停止计算；否则转向步骤②继续训练；
出水总磷预测模型训练结果如图2所示，X轴：样本数，单位是个/样本，Y轴：出水总磷TP浓度，单位是毫克/升，实线为期望TP浓度值，虚线是实际TP输出浓度值；实际输出TP浓度与期望TP浓度的误差如图4，X轴：样本数，单位是个/样本，Y轴：出水总磷TP浓度，单位是毫克/升；
(5)出水总磷TP预测，具体为：
将测试样本数据x1′，x2′，…，x9′作为出水总磷TP预测模型输入，出水总磷TP预测模型的输出即为出水总磷的预测值；预测结果如图4所示，X轴：样本数，单位是个/样本，Y轴：出水总磷TP浓度，单位是毫克/升，实线为期望TP浓度值，虚线是预测TP输出浓度值；实际输出TP浓度与期望TP浓度的误差如图4，X轴：样本数，单位是个/样本，Y轴：出水总磷TP浓度，单位是毫克/升。实验结果表明基于模糊神经网络出水总磷TP预测方法的有效性。
实际数据
表1.辅助变量污泥回流量的输入值(mg/L)
65.70 103.10 85.99 80.57 64.59 69.32 62.54 69.30 65.36 70.13
72.58 87.25 79.21 67.39 67.93 84.33 72.04 74.22 67.30 75.07
67.33 78.47 74.33 73.65 71.68 77.02 63.96 62.99 65.42 68.21
63.91 62.51 57.89 76.38 78.37 92.08 100.20 101.44 102.34 86.18
95.68 102.63 91.69 92.12 99.52 93.40 102.47 101.50 103.27 121.41
109.34 96.73 93.56 98.65 88.27 101.93 93.89 101.95 91.31 101.82
121.57 94.66 96.48 111.70 121.91 93.46 100.97 108.88 108.22 95.82
71.67 65.02 74.22 62.96 74.63 76.66 83.60 76.94 81.75 81.16
83.80 79.38 77.94 80.25 86.16 93.39 84.39 83.10 72.81 76.70
76.23 79.49 78.32 78.03 83.10 73.41 66.08 82.49 80.88 81.05
79.54 81.82 77.57 77.25 64.00 70.60 85.44 88.42 89.49 84.30
96.06 74.49 77.70 91.74 80.16 81.11 77.27 72.77 82.61 86.99
87.34 75.03 80.34 84.28 78.73 68.81 82.96 79.10 78.75 81.70
75.91 78.53 80.00 75.24 78.76 82.74 76.68 76.84 61.15 62.14
80.58 100.88 99.51 102.17 103.54 104.31 101.68 106.60 57.61 80.89
80.96 80.78 78.93 69.23 76.70 80.42 80.98 79.25 81.49 78.49
80.69 79.32 81.07 79.17 91.17 73.84 80.58 79.93 81.64 75.87
82.93 79.34 81.21 77.95 78.96 80.69 77.34 81.26 79.36 80.81
77.22 80.51 80.41 81.20 57.06 68.97 68.96 70.38 69.90 70.68
74.26 65.94 67.61 62.04 62.23 66.47 70.77 69.69 107.93 70.99
66.65 73.65 69.38 75.60 69.25 69.88 68.98 70.32 68.95 71.25
69.27 70.28 67.30 72.40 69.92 70.34 68.96 70.65 69.17 67.75
70.57 70.27 69.79 70.12 69.21 71.30 67.72 69.89 68.71 72.59
70.37 70.14 67.14 73.87 69.99 69.95 66.79 70.67 73.06 72.39
71.74 71.97 73.86 70.07 68.55
表2.辅助变量进水生化需氧量BOD5(mg/L)
5.4 6.3 5 6.3 10.2 5.8 10.6 7 6.3 5.6 11.2 12 7.2
10.2 9.8 5.8 4.8 10.1 6.9 7.2 7.8 8 7.6 11.4 8 9.2
10.6 8.4 10.6 6.8 6.6 7 5.6 9.2 6.8 12.9 11.8 12 11.8
11.3 13.8 12.2 13.8 14.2 16.2 15.5 14.3 17.8 15.2 14.3 12.9 11.6
16.1 15.9 12.1 12.8 11.4 11.6 11.9 12.2 10.3 11.5 13.3 13.5 14.2
11.8 10.1 9.6 10.3 8.9 10.5 7.6 7.5 8 7.3 9.2 8.3 7.8
8.9 7.5 6.3 5.7 10.3 8.5 7.1 7.1 5.3 5.9 7.8 7.5 5.1
5.9 5.3 6.2 6.5 7.3 7.6 6.7 6.5 7.2 6 5.8 5.7 5.2
5.8 4.1 4.5 5.2 4.3 5.7 5.4 5.9 4.1 3.9 3.5 4.8 5.6
8.3 8.6 5.4 5 4.6 5.2 5.4 3.4 3.8 4 6 4.5 4.2
4.4 4 4.7 4.6 4.9 4.7 4.4 5 3.8 4.8 5.6 6.2 6
4.6 4.2 4.3 4.8 4.9 4.9 4.5 4.3 4.6 5.2 4.8 5.1 6.3
7.2 4.8 5.3 5.6 5.5 5 5 4.2 4.9 7.2 6.9 8.1 8.6
10.5 7.2 8.1 6.4 6.2 4.8 3.6 3.8 5.6 4.8 3.2 3.6 6.2
5.2 3.9 6.2 6.4 5.3 5.8 5 6.2 4.2 5 5.4 4.7 4.5
4.2 5.6 4.9 4.2 4 5.1 3.9 4.3 4.2 3.8 4.2 4 4.9
5.3 4.1 5.1 4.4 3.9 4.8 4.1 4.8 4.5 5.1 4.4 3.9 4.1
4.7 5 3.9 5.2 5.5 4.3 5.3 4.9 4.5 4.1 5.1 6.3 4
5.9 5.2 4.5 5.4 5.5 4.3 4.9 6.1 5.7 4 4.6
表3.辅助变量泥龄的输入值(h)
9.7 13.2 11.1 15.2 13.6 16.4 13.3 14.6 13.7 14.9 14.2
13.9 16.7 12.4 12.6 11.3 15.4 12.8 11.7 12.6 10.5 9.9
11.4 10.9 10.9 10.7 13.6 9.1 9.1 10.2 9.1 9.6 9.3
10.1 7.8 17.1 14.9 15.9 17.0 14.2 15.1 13.0 11.4 8.6
10.2 9.9 10.3 14.1 14.6 16.5 17.9 15.7 16.0 14.4 15.5
14.7 15.9 14.4 17.2 14.5 14.0 14.9 13.8 14.0 13.0 13.1
12.5 14.5 13.0 12.7 14.0 10.9 11.1 10.7 11.2 13.3 11.4
13.3 12.2 12.3 12.1 11.8 11.9 13.1 14.4 9.9 11.7 13.1
12.9 11.4 12.9 13.4 12.2 12.9 13.0 12.1 11.7 10.8 13.4
12.5 11.4 8.6 9.0 8.8 20.0 10.4 14.0 14.4 11.0 10.1
11.0 9.7 13.2 14.5 13.0 13.8 13.9 13.2 10.2 10.7 10.0
8.5 8.9 9.4 17.7 14.7 16.6 30.0 15.1 25.6 27.4 22.6
15.3 16.2 16.7 15.4 17.7 16.6 15.6 13.0 11.9 12.4 11.4
11.4 10.4 12.5 12.2 11.3 10.9 11.9 14.9 15.2 15.2 16.2
16.2 16.3 16.3 13.6 11.3 11.3 12.2 12.1 12.0 11.5 12.8
12.2 14.3 14.5 13.2 13.6 13.0 15.3 14.4 15.2 14.0 14.5
13.0 13.8 13.8 11.4 14.0 14.2 16.2 13.6 12.7 12.2 12.8
13.7 15.2 12.6 12.5 11.1 10.5 9.6 12.5 11.6 14.1 12.6
11.1 13.3 13.1 13.2 12.2 12.9 11.7 12.0 12.8 13.4 13.1
12.4 15.6 12.2 14.1 13.2 14.2 12.5 12.6 16.2 11.0 13.3
12.8 16.4 10.6 13.2 11.9 12.3 13.3 12.2 11.2 11.3 11.5
11.7 11.6 12.3 12.7 13.2 12.3 12.5 11.7 12.8 12.7 12.3
12.3 12.0 11.4
表4.辅助变量出水悬浮物SS的输入值(mg/L)
3.0 9.0 5.0 3.0 3.0 3.0 4.0 3.0 5.0 4.0 3.0 6.0 4.0 4.0 4.0 4.0 5.0 3.0 3.0
3.0 3.0 4.0 4.0 3.0 3.0 3.0 5.0 7.0 7.0 5.0 3.0 3.0 3.0 4.0 3.0 3.0 6.0 6.0
7.0 7.0 6.0 6.0 6.0 6.0 6.0 7.0 7.0 6.0 6.0 4.0 5.0 5.0 4.0 3.0 4.0 4.0 3.0
3.0 4.0 4.0 4.0 5.0 3.0 4.0 4.0 3.0 5.0 4.0 4.0 4.0 4.0 4.0 5.0 5.0 4.0 5.0
4.0 4.0 3.0 3.0 8.0 3.0 3.0 4.0 4.0 4.0 3.0 4.0 6.0 5.0 3.0 3.0 3.0 4.0 3.0
4.0 4.0 4.0 3.0 4.0 3.0 4.0 4.0 4.0 4.0 3.0 3.0 5.0 3.0 4.0 3.0 3.0 4.0 4.0
3.0 3.0 3.0 5.0 3.0 3.0 3.0 3.0 3.0 3.0 3.0 3.0 4.0 3.0 4.0 3.0 3.0 3.0 3.0
3.0 3.0 3.0 3.0 3.0 3.0 3.0 3.0 3.0 4.0 3.0 3.0 3.0 3.0 3.0 3.0 3.0 6.0 3.0
3.0 3.0 3.0 3.0 3.0 3.0 3.0 3.0 3.0 3.0 3.0 3.0 3.0 3.0 3.0 6.0 5.0 4.0 3.0
4.0 9.0 3.0 3.0 4.0 3.0 5.0 4.0 3.0 3.0 3.0 3.0 3.0 2.0 6.0 3.0 3.0 4.0 3.0
2.0 4.0 4.0 5.0 6.0 3.0 3.0 3.0 5.0 3.0 3.0 3.0 3.0 3.0 3.0 4.0 4.0 4.0 3.0
3.0 4.0 3.0 3.0 3.0 3.0 7.0 3.0 3.0 4.0 4.0 3.0 3.0 4.0 3.0 3.0 3.0 4.0 5.0
4.0 3.0 7.0 4.0 3.0 3.0 7.0 7.0 4.0 3.0 3.0 3.0 4.0 4.0 4.0 5.0 4.0
表5.辅助变量酸碱度pH的输入值
7.86 7.89 7.88 7.78 7.79 7.82 7.76 7.80 7.60 7.92 8.03
7.95 7.65 7.69 7.76 7.74 7.71 7.78 7.75 7.46 7.65 7.63
7.67 7.47 7.68 7.70 7.54 7.63 7.77 7.80 7.73 7.61 7.82
7.80 7.75 7.73 7.61 7.51 7.68 7.71 7.71 7.58 7.71 7.60
7.64 7.64 7.71 7.71 7.69 7.60 7.85 7.84 7.86 7.78 7.89
7.69 7.62 7.64 7.55 7.71 7.84 7.74 7.79 7.66 7.72 7.77
7.82 7.82 7.73 7.75 7.82 7.71 7.75 7.94 7.65 7.81 7.76
7.68 7.60 7.78 7.86 7.77 7.78 7.74 7.57 7.68 7.66 7.58
7.89 7.77 7.71 7.63 7.68 7.71 7.68 7.28 7.41 7.70 7.60
7.61 7.69 7.74 7.67 7.72 7.63 7.44 7.57 7.60 7.60 7.72
7.62 7.63 7.58 7.71 7.67 7.90 8.02 7.89 7.92 7.77 7.82
7.87 7.87 7.94 7.76 7.70 7.71 7.69 7.85 7.78 7.82 7.45
7.59 7.70 7.72 7.68 7.89 7.70 7.76 7.72 7.59 7.62 7.67
7.51 7.43 7.22 7.37 7.56 7.53 7.58 7.62 7.60 7.64 7.59
7.76 7.65 7.61 7.19 7.60 7.63 7.66 7.66 7.67 7.49 7.50
7.77 7.81 7.80 7.73 7.58 7.62 7.75 7.77 7.70 7.65 7.75
7.77 7.82 7.71 7.83 7.78 7.64 7.56 7.54 7.70 7.79 7.71
7.73 7.65 7.54 7.63 7.65 7.78 7.72 7.68 7.71 7.72 7.75
7.67 7.68 7.71 7.68 7.7 7.61 7.68 7.62 7.63 7.7 7.75
7.81 7.83 7.78 7.88 7.82 7.86 7.85 7.78 7.63 7.74 7.89
7.86 7.87 7.85 7.83 7.76 7.83 7.77 7.78 7.89 7.86 7.91
7.77 7.8 7.79 7.71 7.75 7.7 7.78 7.7 7.77 7.73 7.77
7.76 7.81 7.71
表6.辅助变量进水氨氮NH4-N的输入值(mg/L)
54.8 59.1 63.7 65.1 61.3 72.0 62.8 61.4 71.3 61.2 58.7
55.7 67.7 58.5 61.5 73.2 73.5 70.2 69.2 78.2 69.8 71.4
73.4 78.1 80.6 84.6 84.0 69.3 81.0 60.6 73.6 88.8 76.1
78.3 81.6 74.1 63.9 62.1 69.9 104.0 88.8 62.1 91.6 84.0
71.0 57.9 115.0 102.0 94.5 85.3 92.0 67.0 77.2 93.8 98.5
66.1 91.9 83.6 72.8 62.5 65.6 134.0 102.0 115.0 107.0 91.5
87.9 85.7 66.9 85.0 78.1 84.1 83.9 81.5 96.2 92.8 94.8
82.9 64.1 87.0 90.8 96.9 119.0 85.0 85.2 78.6 55.3 54.6
53.3 51.3 56.2 66.8 65.1 74.1 86.0 66.4 58.7 52.4 58.7
85.5 77.1 61.6 63.0 55.1 52.6 39.4 70.8 71.9 91.5 72.7
95.4 46.7 56.2 72.8 51.5 61.4 72.4 70.5 73.6 76.7 70.6
64.6 63.8 75.9 70.8 75.2 43.2 43.0 42.4 52.3 67.6 60.2
58.6 51.3 53.9 65.6 57.9 51.3 74.3 56.4 47.5 48.7 50.8
48.6 46.5 43.2 40.8 51.0 48.6 56.9 64.2 58.9 50.3 61.3
63.7 68.6 54.0 40.8 53.4 60.2 66.4 60.9 63.4 40.7 69.0
66.3 63.2 62.3 52.7 60.5 57.0 62.1 68.2 64.0 67.2 61.5
66.0 64.5 62.1 51.4 51.0 55.5 55.5 58.5 72.9 70.3 58.6
59.6 70.4 53.6 60.2 63.0 66.6 79.8 69.3 68.1 65.0 62.8
67.1 70.7 67.7 68.9 68.3 72.6 71.3 65.5 62.2 59.2 68.5
50.8 59.4 49.5 66.4 62.7 69.2 64.1 66.7 69.6 47.1 47.9
64.7 63.2 67.1 67.3 71.7 68.5 68.3 71.9 69.6 65.4 68.9
65.5 73.5 68.4 68.9 72.5 75.6 74.6 71.9 63.2 62.4 66.9
67.9 68.3 79.8
表7.辅助变量污泥指数SVI的输入值(mL/g)
222.8 248.8 253.3 300.6 325.6 315.0 343.6 356.5 324.8 340.6 364.1
373.3 342.3 334.4 362.1 372.3 383.8 369.3 333.0 363.4 341.6 332.7
368.2 341.1 361.6 364.0 352.6 332.0 332.6 327.0 333.5 327.2 355.0
338.5 358.1 224.3 217.6 207.3 210.1 213.9 182.5 178.2 189.6 194.0
137.4 124.5 120.4 102.4 90.6 103.8 104.9 108.4 99.6 102.7 108.1
111.4 114.0 107.2 117.4 98.2 129.8 98.6 78.5 92.7 91.9 103.4
112.1 98.3 96.1 102.0 96.2 92.1 101.9 82.6 85.9 93.2 96.1
92.5 100.0 93.0 112.5 107.9 125.6 143.4 131.3 158.5 155.0 114.9
151.6 158.9 147.7 140.8 130.7 133.7 116.2 131.8 124.8 86.3 126.4
116.8 138.1 132.6 141.2 116.4 124.3 93.6 132.3 117.7 114.9 130.7
126.8 133.0 120.1 104.8 99.8 92.3 91.7 103.2 93.7 97.8 94.4
103.0 100.4 100.4 55.1 57.6 61.2 61.7 62.7 62.0 68.0 65.9
66.1 64.2 65.1 62.3 64.5 65.8 58.6 55.3 50.9 57.5 61.8
54.9 54.8 54.0 59.5 51.7 56.6 59.2 60.2 55.1 62.9 63.8
59.8 56.8 57.0 62.4 66.1 57.5 54.5 58.9 59.1 60.4 54.2
47.1 53.2 58.0 57.2 56.4 55.6 58.2 60.5 57.4 57.6 64.3
58.5 64.1 58.2 67.4 64.1 75.0 66.7 69.8 85.9 75.8 82.5
80.1 79.5 71.6 70.4 76.1 82.6 74.5 76.6 80.9 77.1 75.8
78.4 76.1 82.0 82.0 77.5 78.4 81.9 75.5 79.4 72.1 77.3
79.5 76.4 77.5 77.7 80.3 77.1 84.4 79.6 78.2 76.6 83.4
87.8 83.1 98.4 93.1 94.6 85.9 87.8 88.3 101.5 99.2 92.8
96.1 105.4 88.3 102.1 91.6 106.3 102.2 104.0 107.9 107.5 108.8
123.7 106.6 124.4
表8.辅助变量氧化还原电位ORP的输入值(mv)
-457 -420 -254 -437 -445 -448 -431 -443 -446 -446 -445 -449 -452 -454 -459
-451 -462 -465 -465 -464 -469 -466 -473 -468 -468 -467 -470 -471 -470 -472
-482 -468 -447 -474 -481 -398 -395 -398 -409 -404 -401 -405 -398 -425 -408
-402 -409 -306 -334 -344 -350 -372 -388 -390 -404 -401 -399 -433 -403 -404
-421 -423 -453 -421 -431 -427 -434 -431 -425 -428 -434 -438 -434 -438 -444
-314 -326 -352 -374 -408 -421 -425 -439 -443 -440 -430 -443 -454 -451 -440
-436 -459 -439 -437 -450 -454 -449 -431 -443 -450 -447 -445 -276 -296 -316
-257 -230 -355 -376 -394 -393 -404 -303 -372 -387 -396 -394 -394 -384 -382
-392 -403 -396 -394 -394 -338 -393 -326 -393 -364 -361 -378 -390 -322 -336
-336 -370 -253 -294 -249 -225 -278 -283 -274 -245 -311 -251 -256 -239 -239
-240 -222 -221 -287 -205 -326 -272 -250 -307 -345 -269 -328 -301 -317 -250
-310 -326 -342 -333 -258 -253 -242 -231 -249 -288 -256 -253 -321 -333 -343
-349 -333 -348 -304 -381 -401 -380 -370 -360 -364 -359 -351 -379 -308 -356
-379 -394 -385 -376 -330 -362 -363 -386 -357 -369 -372 -324 -369 -397 -300
-360 -352 -360 -394 -387 -380 -362 -288 -396 -396 -382 -356 -356 -352 -369
-347 -367 -405 -408 -414 -405 -391 -401 -402 -411 -409 -389 -406 -409 -298
-409 -406 -399 -388 -401
表9.辅助变量进水Cl的输入值(mg/L)
346 363 242 202 194 198 197 202 187 176 181184 195 207 197
212 195 197 221 209 198 202 222 214 210 234240 230 261 258
262 223 252 245 260 175 156 149 170 220 177139 216 207 170
153 223 197 177 170 184 148 168 190 200 155193 197 124 138
167 291 232 239 217 180 187 186 135 176 207184 178 171 178
197 182 182 147 194 177 199 183 185 201 184133 126 60.6 121
132 129 123 147 175 76 58 111 160 180 168163 171 135 142
96 152 166 184 178 226 128 126 176 104 148195 117 152 187
165 183 153 162 128 133 178 143 137 138 162140 151 130 141
138 146 142 40.1 111 135 140 136 138 153 155164 148 113 160
153 158 164 147 126 173 178 222 153 160 154159 166 164 166
161 162 164 166 165 154 162 170 199 170 152184 168 190 168
164 182 173 167 219 220 211 215 220 240 272262 249 265 226
236 225 252 238 230 241 224 235 240 224 218225 227 255 290
283 252 230 226 229 242 251 214 223 246 250267 223 228 205
189 224 202 221 250 252 236 221 256 232 212231 225 249 233
253 242 235 231 230
表10.辅助变量进水总磷TP的输入值(mg/L)
0.39 0.33 0.46 0.37 0.26 0.21 0.20 0.20 0.19 0.20 0.19 0.45
0.20 0.18 0.15 0.15 0.15 0.14 0.11 0.13 0.13 0.17 0.14 0.12
0.12 0.14 0.15 0.16 0.15 0.16 0.13 0.12 0.13 0.13 0.11 0.26
0.21 0.21 0.38 0.25 0.23 0.24 0.26 0.28 0.29 0.50 0.38 0.46
0.43 0.28 0.25 0.26 0.25 0.48 0.37 0.33 0.21 0.20 0.24 0.20
0.16 0.19 0.18 0.18 0.18 0.17 0.16 0.16 0.16 0.17 0.18 0.20
0.22 0.22 0.20 0.24 0.21 0.20 0.20 0.22 0.19 0.21 0.21 0.22
0.18 0.17 0.15 0.17 0.28 0.23 0.13 0.14 0.14 0.19 0.14 0.15
0.30 0.12 0.10 0.11 0.10 0.17 0.09 0.11 0.10 0.08 0.14 0.16
0.090.20 0.100.19 0.130.25 0.090.13 0.090.46 0.100.26 0.110.18 0.120.21 0.100.15 0.120.17 0.090.18 0.180.16
0.13 0.15 0.13 0.13 0.23 0.28 0.22 0.28 0.49 0.33 0.24 0.26
0.23 0.16 0.20 0.16 0.20 0.28 0.28 0.25 0.24 0.18 0.16 0.18
0.18 0.20 0.23 0.17 0.18 0.17 0.19 0.17 0.42 0.40 0.24 0.25
0.22 0.19 0.28 0.39 0.40 0.27 0.28 0.29 0.36 0.23 0.23 0.26
0.23 0.24 0.28 0.31 0.49 0.22 0.21 0.20 0.28 0.48 0.28 0.24
0.23 0.65 0.39 0.26 0.23 0.30 0.23 0.23 0.21 0.19 0.20 0.30
0.22 0.21 0.29 0.17 0.18 0.20 0.18 0.15 0.17 0.17 0.14 0.18
0.17 0.22 0.20 0.19 0.18 0.19 0.19 0.21 0.19 0.29 0.22 0.21
0.18 0.18 0.20 0.22 0.21 0.20 0.20 0.19 0.17 0.19 0.19 0.17
0.19 0.26 0.24 0.21 0.16

Claims (1)

1.一种基于模糊神经网络的出水总磷TP预测方法，其特征在于，包括以下步骤：
(1)确定预测变量和辅助变量；以活性污泥法污水处理过程为研究对象，以出水总磷TP为预测变量，在众多过程变量中选择污泥回流量、泥龄、出水悬浮物浓度SS、出水生物需氧量BOD5、酸碱度pH、进水氨氮NH4-N、污泥沉降体积指数SVI、氧化还原电位ORP和进水氯Cl为辅助变量；
(2)数据的归一化处理，具体的方法为最大最小法，计算公式为
z1＝(D1-D1,min)/(D1,max-D1,min)；   (1)
式中，z1为归一化后污泥回流量的实测数据数组；D1为归一化前污泥回流量的实测数据数组；D1,min为数组D1中的最小值，D1,max为数组D1中的最大值；泥龄、出水悬浮物浓度SS、出水生物需氧量BOD5、酸碱度pH、进水氨氮NH4-N、污泥沉降体积指数SVI、氧化还原电位ORP和进水氯Cl为辅助变量和总磷TP的实测数据数组分别为D2，D3，D4，D5，D6，D7，D8，D9，和D10，各数组选出内部的最大值和最小值，根据(1)式相同的处理方式得归一化数组分别为：z2，z3，z4，z5，z6，z7，z8，z9和z10；取z1，z2，...，z10每组数据的前L个组成训练数据数组分别为：x1，x2，x3，x4，x5，x6，x7，x8，x9和y；剩余
Figure FDA0000482750140000011
个数据组成预测数据数组分别为：x1′，x2′，x3′，x4′，x5′，x6′，x7′，x8′，x9′和y′；L和L′均为选取数据的个数；
(3)出水总磷TP预测模型建立：利用模糊神经网络设计污水处理过程出水总磷TP预测模型，出水总磷TP预测模型的拓扑结构分为四层：输入层、RBF层、归一化层、输出层；确定拓扑结构为9-m-m-1的连接方式，其中输入层神经元个数为9，RBF层神经元个数为m个，归一化层神经元个数为m个，输出层神经元个数为1个；输入层与RBF层以及RBF与归一化层之间的权值都赋值为1，归一化层与输出层之间的权值进行随机赋值，赋值区间为[-1,1]；给定每组训练数据x1，x2，…，x9的第t个数据作为出水总磷TP预测模型输入，t=1,2,…,L，出水总磷TP预测模型计算方式依次为：
①输入层：该层由9个神经元组成
X(t)＝[x1(t);x2(t);x3(t);x4(t);x5(t);x6(t);x7(t);x8(t);x9(t)]T；   (2)
其中，X(t)表示输入层的输入和输出，T为矩阵转置；x1(t)，x2(t)，…，x9(t)分别为x1，x2，…，x9的第t个数据，t=1,2,…,L；
②RBF层：RBF层神经元输出向量为H(t)=[h1(t)，h2(t)，…，hm(t)]T，H(t)为径向基向量，向量元素hj(t)为j个RBF神经元的输出，j=1,2,…,m，计算表达式为
h j ( t ) = e ( - | | X ( t ) - c j ( t ) | | 2 / 2 b j 2 ( t ) ) , j = 1,2 , . . . m ; - - - ( 3 )
式中cj(t)=[cj1(t)，cj2(t)，…，cj9(t)]为RBF层第j个神经元的中心向量；cji(t)为第i个输入对应第j个神经元的中心值，cji(t)∈[-2,2]，i=1,2,…,9，bj(t)为第j个神经元的高斯宽度，bj∈[0.01,2]；
③归一化层：归一化层输出的计算方式为
Figure FDA0000482750140000022
其中
Figure FDA0000482750140000023
为归一化层第j个神经元输出，hj(t)为RBF层第j个神经元的输出，
Figure FDA0000482750140000024
为RBF层神经元输出值之和；
④输出层：输出层输出为
y ^ ( t ) = &Sigma; j = 1 m w j ( t ) h j ( t ) , j 1,2 , . . . , m ; - - - ( 5 )
wj(t)表示归一化层第j个神经元与输出层神经元的连接权值，为输出层神经元的输出；
定义出水总磷TP预测模型输出
Figure FDA0000482750140000029
(t)与期望输出y(t)之间的误差函数e(t)为：
e ( t ) = y ( t ) - y ^ ( t ) ; - - - ( 6 )
y(t)为数组y的第t个数据；
(4)出水总磷TP预测模型校正，具体为：
①给定出水总磷TP预测模型RBF层与归一化层神经元个数m，m为自然数，m∈[10,20]，出水总磷TP预测模型输入为X(1)，X(2)，…，X(t)，…，X(L)，对应的期望输出为y(1)，y(2)，…，y(t)，…，y(L)，期望误差值设为Ed，Ed小于0.01；
②设置学习步数l=1，根据公式(2)、(3)、(4)、(5)计算出水总磷TP预测模型输出
Figure FDA0000482750140000028
运用梯度下降法计算中心值cji，宽度bj以及权值wj的增量；
Figure FDA0000482750140000031
Figure FDA0000482750140000032
Figure FDA0000482750140000033
其中i=1,2,…,9；j=1,2,…,m；Δcji、Δbj和Δwj分别为出水总磷TP预测模型中心值、宽度和权值的增量；λ∈(0,0.1)表示学习率；
③调整出水总磷TP预测模型的参数；
c′ji(t)＝cji(t)+Δcji(t)；   (10)
b′j(t)＝bj(t)+Δbj(t)；   (11)
w′j(t)＝wj(t)+Δwj(t)；   (12)
其中，cji(t)、bj(t)和w′(t)分别为出水总磷TP预测模型调整前的中心值、宽度和以及权值，cji′(t)、bj′(t)和wj′(t)分别为出水总磷TP预测模型调整后的中心值、宽度和以及权值；
④学习步数l增加1，如果步数l<L，则转向步骤②进行继续训练，如果l=L，则转向步骤⑤；
⑤计算出水总磷TP预测模型的性能：
E = &Sigma; l = 1 L ( y ^ ( l ) - y ( l ) 2 ) / L ; - - - ( 14 )
⑥如果E小于或等于期望误差Ed时停止计算；否则转向步骤②继续训练；
(5)出水总磷TP预测；
将测试样本数据x1′，x2′，…，x9′作为出水总磷TP预测模型输入，出水总磷TP预测模型的输出即为出水总磷的预测值。
CN201410117471.0A 2014-03-27 2014-03-27 一种基于模糊神经网络的出水总磷tp预测方法 Active CN103886369B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410117471.0A CN103886369B (zh) 2014-03-27 2014-03-27 一种基于模糊神经网络的出水总磷tp预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410117471.0A CN103886369B (zh) 2014-03-27 2014-03-27 一种基于模糊神经网络的出水总磷tp预测方法

Publications (2)

Publication Number Publication Date
CN103886369A true CN103886369A (zh) 2014-06-25
CN103886369B CN103886369B (zh) 2016-10-26

Family

ID=50955252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410117471.0A Active CN103886369B (zh) 2014-03-27 2014-03-27 一种基于模糊神经网络的出水总磷tp预测方法

Country Status (1)

Country Link
CN (1) CN103886369B (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104182794A (zh) * 2014-09-05 2014-12-03 北京工业大学 一种基于神经网络的污水处理过程出水总磷tp软测量方法
CN104360035A (zh) * 2014-11-02 2015-02-18 北京工业大学 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
CN104376380A (zh) * 2014-11-17 2015-02-25 北京工业大学 一种基于递归自组织神经网络的氨氮浓度预测方法
CN104965971A (zh) * 2015-05-24 2015-10-07 北京工业大学 一种基于模糊神经网络的氨氮浓度软测量方法
CN105160422A (zh) * 2015-08-10 2015-12-16 北京工业大学 基于自组织级联神经网络的污水处理出水总磷预测方法
CN105426920A (zh) * 2015-12-02 2016-03-23 江西理工大学 云模型人工蜂群优化的稀土矿区溪水pH值预测方法
CN105510546A (zh) * 2015-12-27 2016-04-20 北京工业大学 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法
CN106198909A (zh) * 2016-06-30 2016-12-07 中南大学 一种基于深度学习的水产养殖水质预测方法
CN106405030A (zh) * 2016-07-27 2017-02-15 北京北排科技有限公司 一种基于rbf神经网络的出水总磷检测装置及检测方法
CN106682316A (zh) * 2016-12-29 2017-05-17 北京工业大学 一种基于尖峰径向基神经网络的出水总磷实时监测系统
CN107025338A (zh) * 2017-03-27 2017-08-08 北京工业大学 一种基于递归rbf神经网络的污泥膨胀故障辨识方法
CN107665363A (zh) * 2016-07-30 2018-02-06 复凌科技（上海）有限公司 一种总磷的水质软测量预测方法
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
CN109978024A (zh) * 2019-03-11 2019-07-05 北京工业大学 一种基于互联模块化神经网络的出水bod预测方法
CN111174824A (zh) * 2019-12-27 2020-05-19 北京首钢自动化信息技术有限公司 一种酸雾排放的管控平台
CN111553468A (zh) * 2020-05-15 2020-08-18 南京大学 一种准确预测污水处理厂出水水质的方法
CN112183719A (zh) * 2020-09-15 2021-01-05 北京工业大学 一种基于多目标优化-模糊神经网络的出水总氮智能检测方法
CN112288309A (zh) * 2020-11-11 2021-01-29 杭州城市大数据运营有限公司 一种水质调控系统、方法、装置、计算机设备和存储介质
CN112967761A (zh) * 2021-03-09 2021-06-15 北京北排水环境发展有限公司 基于自组织模糊神经网络的污水除磷加药计算方法及介质
CN113311035A (zh) * 2021-05-17 2021-08-27 北京工业大学 一种基于宽度学习网络的出水总磷预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000099130A (ja) * 1998-09-24 2000-04-07 Ffc:Kk プラント状態総合診断装置
CN101833314A (zh) * 2010-03-30 2010-09-15 深圳达实智能股份有限公司 污水处理控制系统及污水处理控制方法
US20140052422A1 (en) * 2011-02-14 2014-02-20 Jinquan Wan Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network
CN103606006A (zh) * 2013-11-12 2014-02-26 北京工业大学 基于自组织t-s模糊神经网络的污泥沉降指数软测量方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000099130A (ja) * 1998-09-24 2000-04-07 Ffc:Kk プラント状態総合診断装置
CN101833314A (zh) * 2010-03-30 2010-09-15 深圳达实智能股份有限公司 污水处理控制系统及污水处理控制方法
US20140052422A1 (en) * 2011-02-14 2014-02-20 Jinquan Wan Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network
CN103606006A (zh) * 2013-11-12 2014-02-26 北京工业大学 基于自组织t-s模糊神经网络的污泥沉降指数软测量方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李伟奖等: "基于模糊神经网络的造纸废水处理预测研究", 《造纸科学与技术》 *
马邕文等: "模糊神经模型对废水处理过程COD的预测及控制", 《中国造纸学报》 *

Cited By (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104182794A (zh) * 2014-09-05 2014-12-03 北京工业大学 一种基于神经网络的污水处理过程出水总磷tp软测量方法
CN104182794B (zh) * 2014-09-05 2017-04-12 北京工业大学 一种基于神经网络的污水处理过程出水总磷tp软测量方法
CN104360035A (zh) * 2014-11-02 2015-02-18 北京工业大学 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
CN104360035B (zh) * 2014-11-02 2016-03-30 北京工业大学 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
CN104376380A (zh) * 2014-11-17 2015-02-25 北京工业大学 一种基于递归自组织神经网络的氨氮浓度预测方法
CN104376380B (zh) * 2014-11-17 2017-07-21 北京工业大学 一种基于递归自组织神经网络的氨氮浓度预测方法
CN104965971A (zh) * 2015-05-24 2015-10-07 北京工业大学 一种基于模糊神经网络的氨氮浓度软测量方法
CN104965971B (zh) * 2015-05-24 2017-09-01 北京工业大学 一种基于模糊神经网络的氨氮浓度软测量方法
CN105160422A (zh) * 2015-08-10 2015-12-16 北京工业大学 基于自组织级联神经网络的污水处理出水总磷预测方法
CN105160422B (zh) * 2015-08-10 2019-03-05 北京工业大学 基于自组织级联神经网络的污水处理出水总磷预测方法
CN105426920A (zh) * 2015-12-02 2016-03-23 江西理工大学 云模型人工蜂群优化的稀土矿区溪水pH值预测方法
CN105426920B (zh) * 2015-12-02 2018-08-14 江西理工大学 云模型人工蜂群优化的稀土矿区溪水pH值预测方法
CN105510546B (zh) * 2015-12-27 2017-06-16 北京工业大学 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法
US11346831B2 (en) 2015-12-27 2022-05-31 Beijing University Of Technology Intelligent detection method for biochemical oxygen demand based on a self-organizing recurrent RBF neural network
CN105510546A (zh) * 2015-12-27 2016-04-20 北京工业大学 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法
CN106198909B (zh) * 2016-06-30 2019-05-10 中南大学 一种基于深度学习的水产养殖水质预测方法
CN106198909A (zh) * 2016-06-30 2016-12-07 中南大学 一种基于深度学习的水产养殖水质预测方法
CN106405030B (zh) * 2016-07-27 2018-07-24 北京北排科技有限公司 一种基于rbf神经网络的出水总磷检测装置及检测方法
CN106405030A (zh) * 2016-07-27 2017-02-15 北京北排科技有限公司 一种基于rbf神经网络的出水总磷检测装置及检测方法
CN107665363A (zh) * 2016-07-30 2018-02-06 复凌科技（上海）有限公司 一种总磷的水质软测量预测方法
CN106682316A (zh) * 2016-12-29 2017-05-17 北京工业大学 一种基于尖峰径向基神经网络的出水总磷实时监测系统
CN107025338A (zh) * 2017-03-27 2017-08-08 北京工业大学 一种基于递归rbf神经网络的污泥膨胀故障辨识方法
CN107025338B (zh) * 2017-03-27 2020-04-03 北京工业大学 一种基于递归rbf神经网络的污泥膨胀故障辨识方法
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
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
CN109978024B (zh) * 2019-03-11 2020-10-27 北京工业大学 一种基于互联模块化神经网络的出水bod预测方法
CN109978024A (zh) * 2019-03-11 2019-07-05 北京工业大学 一种基于互联模块化神经网络的出水bod预测方法
CN111174824A (zh) * 2019-12-27 2020-05-19 北京首钢自动化信息技术有限公司 一种酸雾排放的管控平台
CN111553468A (zh) * 2020-05-15 2020-08-18 南京大学 一种准确预测污水处理厂出水水质的方法
CN112183719A (zh) * 2020-09-15 2021-01-05 北京工业大学 一种基于多目标优化-模糊神经网络的出水总氮智能检测方法
CN112183719B (zh) * 2020-09-15 2024-02-02 北京工业大学 一种基于多目标优化-模糊神经网络的出水总氮智能检测方法
CN112288309A (zh) * 2020-11-11 2021-01-29 杭州城市大数据运营有限公司 一种水质调控系统、方法、装置、计算机设备和存储介质
CN112967761A (zh) * 2021-03-09 2021-06-15 北京北排水环境发展有限公司 基于自组织模糊神经网络的污水除磷加药计算方法及介质
CN112967761B (zh) * 2021-03-09 2023-10-27 北京北排水环境发展有限公司 基于自组织模糊神经网络的污水除磷加药计算方法及介质
CN113311035A (zh) * 2021-05-17 2021-08-27 北京工业大学 一种基于宽度学习网络的出水总磷预测方法
CN113311035B (zh) * 2021-05-17 2022-05-03 北京工业大学 一种基于宽度学习网络的出水总磷预测方法

Also Published As

Publication number Publication date
CN103886369B (zh) 2016-10-26

Similar Documents

Publication Publication Date Title
CN103886369A (zh) 一种基于模糊神经网络的出水总磷tp预测方法
Wang et al. A machine learning framework to improve effluent quality control in wastewater treatment plants
CN104965971B (zh) 一种基于模糊神经网络的氨氮浓度软测量方法
Yetilmezsoy et al. Development of ann-based models to predict biogas and methane productions in anaerobic treatment of molasses wastewater
Zhang et al. Optimizing municipal wastewater treatment plants using an improved multi-objective optimization method
García-Diéguez et al. Reducing the Anaerobic Digestion Model No. 1 for its application to an industrial wastewater treatment plant treating winery effluent wastewater
CN106295800A (zh) 一种基于递归自组织rbf神经网络的出水总氮tn智能检测方法
CN102854296A (zh) 一种基于集成神经网络的污水处理软测量方法
CN105574326A (zh) 一种基于自组织模糊神经网络的出水氨氮浓度软测量方法
CN103632032A (zh) 一种城市污水处理过程出水指标在线软测量预测方法
CN104182794A (zh) 一种基于神经网络的污水处理过程出水总磷tp软测量方法
Hong et al. ANFIS based Modelling of dewatering performance and polymer dose optimization in a wastewater treatment plant
Serdarevic et al. Wastewater process modeling
CN102778548B (zh) 一种污水处理过程污泥膨胀指数预测方法
Lotfi et al. A novel stochastic wastewater quality modeling based on fuzzy techniques
Han et al. A sludge volume index (SVI) model based on the multivariate local quadratic polynomial regression method
Saini et al. Availability optimization of biological and chemical processing unit using genetic algorithm and particle swarm optimization
Yetilmezsoy et al. Black-, gray-, and white-box modeling of biogas production rate from a real-scale anaerobic sludge digestion system in a biological and advanced biological treatment plant
Baek et al. Machine learning approach for predicting anaerobic digestion performance and stability in direct interspecies electron transfer-stimulated environments
Mihály et al. Improvement of air flowrate distribution in the nitrification reactor of the waste water treatment plant by effluent quality, energy and greenhouse gas emissions optimization via artificial neural networks models
Han et al. Dynamic–static​ model for monitoring wastewater treatment processes
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
CN106769748B (zh) 膜生物反应器-mbr出水透水率的智能检测系统
Barampouti et al. Dynamic modeling of the ratio volatile fatty acids/bicarbonate alkalinity in a UASB reactor for potato processing wastewater treatment
Huang et al. A Novel Model with GA Evolving FWNN for Effluent Quality and Biogas Production Forecast in a Full‐Scale Anaerobic Wastewater Treatment Process

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant