CN104360035B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN104360035B CN104360035B CN201410602859.XA CN201410602859A CN104360035B CN 104360035 B CN104360035 B CN 104360035B CN 201410602859 A CN201410602859 A CN 201410602859A CN 104360035 B CN104360035 B CN 104360035B
- Authority
- CN
- China
- Prior art keywords
- total phosphorus
- water outlet
- particle
- self
- radial base
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Medicinal Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Food Science & Technology (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- 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、测量结果可靠性和精确性低等问题,本发明设计了一种基于自组织粒子群-径向基神经网络的污水处理过程出水总磷TP软测量方法,并利用实时数据对出水总磷TP软测量方法进行校正,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;结果表明该出水总磷TP软测量方法能够快速、准确地预测污水处理出水总磷TP的浓度,有利于加强城市污水处理厂精细化管理和提升实时水质质量监控水平。
Description
技术领域
本发明基于污水处理生化反应特性,利用一种自组织粒子群-径向基神经网络设计了污水处理过程出水总磷TP的软测量方法,同时根据污水处理过程的实时采集的数据实现出水总磷TP软测量方法的在线校正,实现了出水总磷TP浓度的实时测量;是先进制造技术领域的重要分支,既属于控制领域,又属于水处理领域。
背景技术
磷是引起水体富营养化、导致藻类大量繁殖的主要因子,是水环境污染和水体富营养化问题的主要因素,控制水体富营养化的一项重要举措就是将富含磷的污水进行处理,并且严格限制污水处理出水中总磷TP的排放;总磷TP智能检测技术有利于加强城市污水处理厂精细化管理和提升实时水质质量监控水平,缓解我国当前水污染严重和水体富营养化的现状,不但具有较好的经济效益,而且具有显著的环境和社会效益。因此,本发明的研究成果具有广阔的应用前景。
出水总磷TP浓度是城市污水处理厂出水排放标准中的核心指标,出水总磷TP排放不达标会直接导致受纳水体富营养化,保证出水总磷TP浓度实时达到排放至关重要。目前测量出水总磷TP的方法主要有分光光度法、气相色谱法、液相色谱法、电极法、机理方法等。而分光光度法对总磷含量进行测量操作步骤繁琐,试剂需现用现配,需绘制校准曲线,工作量大,而且水样中浊度将直接影响测量的吸光度值,干扰因素较多,需做补偿校正。气相色谱法、液相色谱法和电极法等方法虽然避免了分光光度法出水总磷TP检测的测量周期长、手工操作复杂、且容易产生偶然误差的缺点,但是,气相色谱法、液相色谱法和电极法等方法需要选择合适的磷酸根离子选择性电极或色谱与磷酸盐发生作用。污水处理总磷的机理方法可以为污水处理厂的工艺设计提供依据,但是,由于污水处理过程中进水流量、进水成份、污染物浓度、天气变化等参量都是随时间变化,同时城市污水处理过程的负荷波动非常大,污水处理过程经常工作在非平稳状态,机理方法的误差较大,精度较低,很难满足实时检测的需求。整体看来,以上总磷检测仪器都需要一定的测量时间,无法实现总磷的实时检测,并且设备需要进口、试剂更换频繁、设备维护成本高。而基于机理方法的仪器虽然能够实现总磷的实时预测,但是误差较大,精度较低,尚未在污水处理厂推广应用。因此,现有的总磷检测技术和仪器很难满足污水处理厂实时检测的需求,必须寻求新的检测方法。
本发明设计了一种基于自组织粒子群-径向基神经网络的出水总磷TP软测量方法,主要通过软测量的方法实现出水总磷TP的在线检测。
发明内容
本发明获得了一种基于自组织粒子群-径向基神经网络的出水总磷TP软测量方法,通过设计出水总磷TP的软测量方法,根据污水处理过程的实时采集的数据实现出水总磷TP软测量方法的在线校正,实现了出水总磷TP的实时测量,解决了污水处理过程出水总磷TP难以实时测量的问题,提高了城市污水处理厂精细化管理和水质质量实时监控的水平,保障污水处理过程正常运行;
本发明采用了如下的技术方案及实现步骤:
一种基于自组织粒子群-径向基神经网络的出水总磷TP软测量方法,其特征在于,包括以下步骤:
(1)确定软测量方法的辅助变量:采集污水处理厂实际水质参数数据,选取与出水总磷TP相关性强的水质变量:进水总磷TP、温度T、厌氧末端氧化还原电位ORP、好氧前段溶解氧DO、好氧末端总固体悬浮物TSS以及出水pH作为出水总磷TP测量的辅助变量;
(2)设计用于出水总磷TP的自组织粒子群-径向基神经网络拓扑结构,自组织粒子群-径向基神经网络分为三层:输入层、隐含层、输出层;初始化自组织粒子群-径向基神经网络:确定神经网络6-K-1的连接方式,即输入层神经元为6个,隐含层神经元为K个,K为正整数,输出层神经元为1个;对神经网络的参数进行赋值;设共有T个训练样本,第t时刻神经网络输入为x(t)=[x1(t),x2(t),x3(t),x4(t),x5(t),x6(t)],神经网络的期望输出表示为yd(t),实际输出表示为y(t);自组织粒子群-径向基神经网络的计算功能是:
wk(t)表示隐含层第k个神经元和输出层的连接权值,k=1,2,…,K;φk(x(t))是隐含层第k个神经元的输出,其计算公式为:
μk表示隐含层第k个神经元中心值,σk表示隐含层第k个神经元的中心宽度;
(3)训练神经网络,具体为:
①初始化粒子群加速常数c1和c2,c1∈(0,1),c2∈(0,1);设定粒子群平衡权值α∈[0,1],将径向基神经网络的参数表示为粒子群中的粒子:
其中,ai表示第i个粒子的位置,i=1,2,…,s;s表示粒子总个数,s为正整数,μi,k,σi,k和wi,k分别表示第i个粒子中第k个隐含层神经元的中心值,中心宽度和连接权值;Ki表示第i个粒子表示的径向基神经网络隐含层神经元数;μi,k,σi,k和wi,k的初始值取(0,1)的任意数,Ki的初始值为任意正整数;同时,初始化粒子的速度:
其中,vi表示第i个粒子的速度,Di表示第i个粒子的维数,Di=3Ki;
②对于神经网络的输入x(t),确定每个粒子的维数Di(t)=3Ki(t),计算每个粒子的适应度值:
f(ai(t))=Ei(t)+αKi(t);(5)
其中,Ei(t)为
i=1,2,…,s;T表示神经网络输入的训练样本数;
③计算每个粒子的惯性权重:
ωi(t)=γ(t)Ai(t);(7)
其中,
γ(t)=(C-S(t)/1000)-t;
S(t)=fmin(a(t))/fmax(a(t));
Ai(t)=f(g(t))/f(ai(t));(8)
C是常量,C∈[1,5],最小适应度值fmin(a(t)),最大适应度值fmax(a(t)),粒子全局最优位置g(t)分别表示为:
其中,粒子的最好先前位置pi(t)表示为:
④更新每个粒子的位置和速度:
vi(t+1)=ωi(t)vi(t)+c1r1(pi(t)-ai(t))+c2r2(g(t)-ai(t));
ai(t)=ai(t-1)+vi(t);(11)
其中,r1和r2分别表示最好先前位置系数和全局最优位置系数,r1和r2取[0,1]的任意数;
⑤根据全局最优位置g(t)找出最佳神经网络结构,此时的最佳神经网络隐含层神经元数为Kbest,更新每个粒子对应的神经网络隐含层神经元数:
⑥输入训练样本数据x(t+1),重复步骤②-⑤,所有训练样本训练结束后停止计算;
(4)将测试样本数据作为训练后的自组织粒子群-径向基神经网络的输入,自组织粒子群-径向基神经网络的输出即为出水总磷TP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,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软测量方法,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6个相关变量:进水总磷TP、温度T、厌氧末端氧化还原电位ORP、好氧前段溶解氧DO、好氧末端总固体悬浮物TSS以及出水pH,实现了出水总磷TP的预测,解决了出水总磷TP难以实时测量的问题。
(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方法描述,因此采用了自组织粒子群-径向基神经网络建立了出水总磷TP的软测量方法,实现了对出水总磷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;
特别要注意:本发明采用与出水总磷TP相关的6个相关变量,基于自组织粒子群-径向基神经网络设计其软测量方法,只要采用了本发明的相关变量和方法进行出水总磷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软测量方法结构图;
图2是本发明的出水总磷TP软测量方法训练结果图;
图3是本发明的出水总磷TP软测量方法训练误差图;
图4是本发明的出水总磷TP软测量方法预测结果图;
图5是本发明的出水总磷TP软测量方法预测误差图;
表1-16是本发明实验数据,表1-7为训练样本:进水总磷TP、温度T、厌氧末端氧化还原电位ORP、好氧前段溶解氧DO、好氧末端总固体悬浮物TSS、出水pH和实测出水总磷TP,表8为训练过程中自组织粒子群-径向基神经网络的输出,表9-15为测试样本:进水总磷TP、温度T、厌氧末端氧化还原电位ORP、好氧前段溶解氧DO、好氧末端总固体悬浮物TSS、出水pH和实测出水总磷TP,表16为本发明进水总磷TP预测值。
具体实施方式
本发明获得了一种基于自组织粒子群-径向基神经网络的出水总磷TP软测量方法,通过设计出水总磷TP的软测量方法,根据污水处理过程的实时采集的数据实现出水总磷TP软测量方法的在线校正,实现了出水总磷TP的实时测量,解决了污水处理过程出水总磷TP难以实时测量的问题,提高了城市污水处理厂精细化管理和水质质量实时监控的水平,保障污水处理过程正常运行;
实验数据来自某污水处理厂2014年全年水质分析日报表;分别取进水总磷TP、温度T、厌氧末端氧化还原电位ORP、好氧前段溶解氧DO、好氧末端总固体悬浮物TSS、出水pH和出水总磷TP的实际检测数据为实验样本数据,剔除异常实验样本后剩余245组可用数据,将全部的245组数据样本分为两部分:其中165组数据作为训练样本,其余80组数据作为测试样本;
本发明采用了如下的技术方案及实现步骤:
1.一种基于自组织粒子群-径向基神经网络的出水总磷TP软测量方法,其特征在于,包括以下步骤:
(1)确定软测量方法的辅助变量:采集污水处理厂实际水质参数数据,选取与出水总磷TP相关性强的水质变量:进水总磷TP、温度T、厌氧末端氧化还原电位ORP、好氧前段溶解氧DO、好氧末端总固体悬浮物TSS以及出水pH作为出水总磷TP测量的辅助变量;
(2)设计用于出水总磷TP的自组织粒子群-径向基神经网络拓扑结构,自组织粒子群-径向基神经网络分为三层:输入层、隐含层、输出层;初始化自组织粒子群-径向基神经网络:确定神经网络6-3-1的连接方式,即输入层神经元为6个,输出层神经元为1个,如图1;对神经网络的参数进行赋值;设共有T个训练样本,第t时刻神经网络输入为x(t)=[x1(t),x2(t),x3(t),x4(t),x5(t),x6(t)],神经网络的期望输出表示为yd(t),实际输出表示为y(t);自组织粒子群-径向基神经网络的计算功能是:
wk(t)表示隐含层第k个神经元和输出层的连接权值,k=1,2,3;φk(x(t))是隐含层第k个神经元的输出,其计算公式为:
μk表示隐含层第k个神经元中心值,σk表示隐含层第k个神经元的中心宽度;
(3)训练神经网络,具体为:
①初始化粒子群加速常数c1和c2,c1=0.4,c2=0.6;设定粒子群平衡权值α=0.1,将径向基神经网络的参数表示为粒子群中的粒子:
其中,ai表示第i个粒子的位置,i=1,2,…,s;s=3,μi,k,σi,k和wi,k表示第i个粒子中第k个隐含层神经元的中心值,中心宽度和连接权值;Ki表示第i个粒子表示的径向基神经网络隐含层神经元数;μi,k,σi,k和wi,k的初始值可以取(0,1)的任意数,K1=2,K2=3,K3=4;同时,初始化粒子的速度:
其中,vi表示第i个粒子的速度,Di表示第i个粒子的维数,Di=3Ki;
②对于神经网络的输入x(t),确定每个粒子的维数Di(t)=3Ki(t),计算每个粒子的适应度值:
f(ai(t))=Ei(t)+αKi(t);(17)
其中,Ei(t)为
i=1,2,…,s;T表示神经网络输入的训练样本数;
③计算每个粒子的惯性权重:
ωi(t)=γ(t)Ai(t);(19)
其中,
γ(t)=(C-S(t)/1000)-t;
S(t)=fmin(a(t))/fmax(a(t));
Ai(t)=f(g(t))/f(ai(t));(20)
C是常量,C=2,最小适应度值fmin(a(t)),最大适应度值fmax(a(t)),粒子全局最优位置g(t)分别表示为:
其中,粒子的最好先前位置pi(t)表示为:
④更新每个粒子的位置和速度:
vi(t)=ωi(t)vi(t-1)+c1r1(pi(t)-ai(t))+c2r2(g(t)-ai(t));
ai(t)=ai(t-1)+vi(t);(23)
其中,r1和r2分别表示最好先前位置系数和全局最优位置系数,r1=0.75,和r2=0.90;
⑤根据全局最优位置g(t)找出最佳神经网络结构,此时的最佳神经网络隐含层神经元数为Kbest,更新每个粒子对应的神经网络隐含层神经元数:
⑥输入训练样本数据x(t+1),重复步骤②-⑤,所有训练样本训练结束后停止计算;
出水总磷TP软测量方法训练结果如图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,实线为总磷TP浓度实际输出值,虚线是总磷TP浓度训练输出值;总磷TP浓度实际输出与训练输出的误差如图3,X轴:样本数,单位是个/样本,Y轴:出水总磷TP浓度训练误差,单位是毫克/升;
(4)将测试样本数据作为训练后的自组织粒子群-径向基神经网络的输入,自组织粒子群-径向基神经网络的输出即为出水总磷TP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,实线为总磷TP浓度实际输出值,虚线是总磷TP浓度预测输出值;总磷TP浓度实际输出与预测输出的误差如图5,X轴:样本数,单位是个/样本,Y轴:出水总磷TP浓度预测误差,单位是毫克/升;结果表明基于自组织粒子群-径向基神经网络的出水总磷TP软测量方法的有效性。
表1.辅助变量进水总磷TP(mg/L)
3.9021 | 3.8943 | 4.3182 | 4.2219 | 4.6025 | 4.3496 | 4.5057 | 4.5057 | 4.5057 | 4.5057 |
3.8848 | 3.8155 | 3.9287 | 4.0154 | 4.1802 | 4.1465 | 4.1465 | 4.1465 | 4.1465 | 4.1465 |
4.1465 | 4.1465 | 4.2845 | 3.8326 | 3.7941 | 4.4504 | 4.3140 | 4.4706 | 4.2410 | 4.5929 |
4.4944 | 3.8420 | 3.8664 | 4.0551 | 4.2081 | 4.1305 | 4.2712 | 3.5370 | 2.8337 | 4.1774 |
3.7040 | 3.6206 | 4.1277 | 4.0534 | 4.3345 | 4.1899 | 4.3530 | 4.2267 | 4.1365 | 4.0805 |
4.0221 | 3.9322 | 3.8749 | 4.0820 | 4.0727 | 4.1665 | 4.2180 | 4.1436 | 4.3808 | 4.4049 |
4.2351 | 4.2345 | 4.1325 | 3.9768 | 3.9608 | 3.7857 | 3.8670 | 3.8294 | 3.9176 | 4.0762 |
4.0099 | 4.1032 | 4.0226 | 4.0941 | 4.1105 | 4.1284 | 4.0332 | 4.0053 | 3.9005 | 3.8975 |
3.7953 | 3.8648 | 3.8835 | 3.9725 | 4.2412 | 4.4562 | 4.2018 | 4.1647 | 4.5131 | 4.1541 |
4.0418 | 4.0789 | 3.9439 | 3.7140 | 3.9232 | 4.0274 | 3.9716 | 4.0438 | 4.2394 | 4.2394 |
4.2394 | 4.2394 | 4.2394 | 4.2394 | 4.2394 | 4.2394 | 4.2394 | 4.2392 | 4.2392 | 4.2392 |
4.2392 | 4.2392 | 4.2392 | 4.2392 | 3.6244 | 4.2873 | 4.0612 | 3.9821 | 4.0342 | 4.0920 |
4.0371 | 4.0575 | 4.1273 | 4.1907 | 4.2153 | 4.2907 | 4.1859 | 4.1446 | 4.0744 | 4.3648 |
3.8792 | 3.7862 | 3.8169 | 3.7380 | 3.8215 | 4.0155 | 4.0076 | 3.9549 | 4.0678 | 4.0160 |
3.9320 | 4.0386 | 3.9331 | 3.8880 | 3.7802 | 3.6751 | 3.6112 | 3.6098 | 3.6671 | 3.6269 |
3.7581 | 3.8980 | 4.0578 | 3.9783 | 3.9331 | 3.9794 | 4.0795 | 4.1422 | 4.7669 | 4.3334 |
4.4615 | 4.1052 | 4.0354 | 4.0672 | 4.2935 |
表2.辅助变量温度(℃)
27.2087 | 27.2933 | 27.3170 | 27.3022 | 27.2354 | 27.1584 | 27.0976 | 26.9526 | 26.8788 | 26.6723 |
26.8153 | 26.9290 | 27.1494 | 27.2028 | 27.2147 | 27.1909 | 27.1732 | 27.1331 | 27.1094 | 27.0000 |
26.9556 | 26.8655 | 26.8153 | 26.7652 | 26.8138 | 26.5134 | 26.3578 | 26.1585 | 26.0751 | 26.0444 |
26.0429 | 25.9539 | 26.0210 | 26.0064 | 25.9363 | 25.9086 | 25.8211 | 25.6522 | 25.5824 | 25.3617 |
24.9826 | 24.9667 | 24.7476 | 25.0649 | 25.2646 | 25.0490 | 24.9292 | 24.8931 | 24.8657 | 24.8729 |
24.9177 | 24.9566 | 24.9725 | 24.9595 | 24.9307 | 24.9047 | 24.8859 | 24.8686 | 24.8225 | 24.7908 |
24.7231 | 24.7015 | 24.6439 | 24.6353 | 24.6655 | 24.9018 | 24.9768 | 25.1488 | 25.1560 | 25.1589 |
25.1488 | 25.1097 | 25.0852 | 25.0331 | 24.9840 | 24.9119 | 24.8614 | 24.7649 | 24.7130 | 24.5476 |
24.4801 | 24.4600 | 24.4384 | 24.4198 | 24.3337 | 24.2878 | 24.2191 | 24.1833 | 24.0703 | 24.0088 |
23.8717 | 23.8018 | 23.6935 | 23.7533 | 23.9902 | 24.1218 | 24.2721 | 24.2950 | 24.3194 | 24.3022 |
24.2620 | 24.2291 | 24.1546 | 24.0245 | 23.8745 | 23.7790 | 23.7006 | 24.1907 | 24.1592 | 23.9890 |
23.9090 | 23.7450 | 23.6837 | 23.6367 | 23.6253 | 23.6295 | 23.6239 | 23.6310 | 23.6253 | 23.6082 |
23.5968 | 23.5470 | 23.5114 | 23.4318 | 23.3835 | 23.2770 | 23.2146 | 23.0870 | 23.0403 | 22.9625 |
22.9851 | 23.0559 | 23.0743 | 23.1877 | 23.2032 | 23.1834 | 23.1707 | 23.1409 | 23.0956 | 23.0630 |
23.0134 | 22.9115 | 22.8593 | 22.7420 | 22.7448 | 22.8084 | 22.9144 | 23.1381 | 23.2841 | 23.5598 |
23.6338 | 23.6751 | 23.7307 | 23.7535 | 23.7378 | 23.6295 | 23.5570 | 23.4958 | 23.4048 | 23.4006 |
23.4048 | 23.4190 | 23.8191 | 23.8477 | 23.8905 |
表3辅助变量厌氧末端氧化还原电位ORP
-540.2970 | -546.8350 | -554.3970 | -556.1280 | -553.4360 | -551.0650 | -549.9110 | -554.5260 | -556.3200 | -561.1910 |
-555.0380 | -548.5010 | -550.9370 | -563.9470 | -564.7160 | -565.5500 | -565.2290 | -565.1010 | -563.7550 | -564.7160 |
-564.7800 | -565.6140 | -565.6140 | -564.6520 | -563.8830 | -566.1260 | -565.5500 | -565.2290 | -564.8440 | -470.6930 |
-480.6910 | -414.3560 | -539.2080 | -555.3590 | -557.9870 | -558.8200 | -558.9480 | -526.9660 | -470.4370 | -567.4720 |
-565.1650 | -563.8190 | -578.6880 | -581.2520 | -581.2520 | -582.1490 | -581.8290 | -581.7650 | -581.7650 | -581.2520 |
-580.9960 | -580.4830 | -579.8420 | -579.7140 | -579.7780 | -580.4190 | -580.7390 | -580.5470 | -580.7390 | -580.4830 |
-580.0980 | -580.0340 | -579.0730 | -578.6240 | -578.2400 | -578.3040 | -576.9580 | -577.4070 | -577.9830 | -578.2400 |
-578.1760 | -577.8550 | -577.7270 | -577.4710 | -577.2780 | -577.0860 | -576.8940 | -576.8940 | -577.4070 | -575.0350 |
-572.9840 | -573.7530 | -574.9070 | -574.7790 | -575.0990 | -575.2270 | -573.8170 | -572.2150 | -572.6640 | -573.0480 |
-572.4070 | -572.0230 | -571.4460 | -573.9460 | -573.8170 | -573.9460 | -574.2660 | -574.9070 | -575.7400 | -575.7400 |
-575.0990 | -575.0350 | -574.5860 | -574.1380 | -573.9460 | -573.6890 | -573.3050 | -575.0350 | -574.8430 | -574.1380 |
-574.0100 | -573.6890 | -573.7530 | -572.0230 | -570.9970 | -570.1000 | -569.9720 | -570.7410 | -571.7020 | -572.1510 |
-572.1510 | -572.6640 | -573.2410 | -573.3690 | -573.1760 | -573.1120 | -573.0480 | -573.0480 | -573.1120 | -573.1760 |
-574.5860 | -578.3680 | -578.7530 | -577.2780 | -573.2410 | -570.4210 | -570.9330 | -572.0870 | -572.1510 | -570.2920 |
-570.0360 | -568.7540 | -567.0240 | -568.4340 | -569.0100 | -568.8820 | -568.9460 | -569.2670 | -569.4590 | -569.5230 |
-570.1000 | -571.5100 | -572.4070 | -572.8560 | -572.1510 | -570.6770 | -570.3560 | -569.9720 | -569.6510 | -569.5870 |
-569.7150 | -570.1640 | -570.8690 | -570.9330 | -571.5740 |
表4.辅助变量好氧前段溶解氧DO(mg/L)
0.0518 | 0.0394 | 0.0379 | 0.0356 | 0.0370 | 0.0361 | 0.0467 | 0.0417 | 0.0510 | 0.0382 |
0.0411 | 0.0363 | 0.0472 | 0.0581 | 0.0514 | 0.0561 | 0.0673 | 0.0585 | 0.0507 | 0.0486 |
0.0484 | 0.0492 | 0.1343 | 0.0793 | 0.0561 | 0.0696 | 0.0427 | 0.0441 | 0.0480 | 0.0571 |
0.0464 | 0.0425 | 0.0540 | 0.0711 | 0.0715 | 0.0535 | 0.0792 | 0.0603 | 0.0522 | 0.0375 |
0.0391 | 0.0382 | 0.0318 | 0.0339 | 0.0312 | 0.0831 | 0.0403 | 0.0353 | 0.0411 | 0.0355 |
0.0501 | 0.0384 | 0.0371 | 0.0962 | 0.0497 | 0.0666 | 0.0398 | 0.0427 | 0.0663 | 0.0416 |
0.0640 | 0.0555 | 0.0796 | 0.0768 | 0.0615 | 0.0592 | 0.0946 | 0.0530 | 0.0769 | 0.0450 |
0.0823 | 0.0397 | 0.0567 | 0.0390 | 0.0396 | 0.0716 | 0.0423 | 0.0637 | 0.0448 | 0.3747 |
0.3764 | 0.4340 | 0.4833 | 0.4329 | 0.4512 | 0.4455 | 0.5192 | 0.4821 | 0.4478 | 0.4694 |
0.4844 | 0.5815 | 0.5309 | 0.9670 | 0.8274 | 0.7756 | 0.4701 | 0.4711 | 0.4316 | 0.4357 |
0.4621 | 0.4867 | 0.5287 | 0.5043 | 0.5440 | 0.5487 | 0.5110 | 0.4867 | 0.4889 | 0.5043 |
0.5378 | 0.5487 | 0.5400 | 1.5057 | 1.0497 | 0.9117 | 0.9334 | 0.8063 | 0.4684 | 0.4649 |
0.4508 | 0.3812 | 0.3495 | 0.3594 | 0.3574 | 0.3821 | 0.3640 | 0.3554 | 0.3703 | 1.0503 |
0.7617 | 0.5861 | 0.5539 | 0.4448 | 0.2693 | 0.2558 | 0.2740 | 0.3096 | 0.2734 | 0.2962 |
0.2997 | 0.3444 | 0.3165 | 0.2646 | 0.2404 | 0.3987 | 0.3624 | 0.3024 | 0.3268 | 0.2476 |
0.2465 | 0.2079 | 0.2103 | 0.2380 | 0.2519 | 0.2651 | 0.2470 | 0.2557 | 0.2890 | 0.2659 |
0.9111 | 0.7375 | 0.2701 | 0.2665 | 0.2489 |
表5.辅助变量好氧末端总固体悬浮物TSS(mg/L)
2.8251 | 2.7176 | 2.7700 | 2.8094 | 2.7666 | 2.7748 | 2.7823 | 2.7998 | 2.8015 | 2.7686 |
2.7556 | 2.7975 | 2.8011 | 2.8182 | 2.8985 | 2.8089 | 2.7813 | 2.8060 | 3.1727 | 2.9242 |
2.8536 | 2.8202 | 2.8179 | 2.9067 | 2.7963 | 2.8271 | 2.8168 | 2.8262 | 2.8678 | 2.8074 |
2.8428 | 2.8260 | 2.8615 | 2.7277 | 2.7863 | 2.8132 | 2.7385 | 2.8738 | 2.8651 | 2.9005 |
2.9324 | 2.8942 | 2.8223 | 2.8512 | 2.7712 | 2.6251 | 2.5540 | 2.4976 | 2.6220 | 2.6049 |
2.5314 | 2.5817 | 2.5765 | 2.5590 | 2.5611 | 2.5664 | 2.5177 | 2.4709 | 2.4971 | 2.4192 |
2.4831 | 2.5234 | 2.4654 | 2.4501 | 2.4564 | 2.4367 | 2.4777 | 2.4562 | 2.4776 | 2.4068 |
2.4583 | 2.4031 | 2.4443 | 2.5130 | 2.4505 | 2.4376 | 2.3933 | 2.4439 | 2.4637 | 2.4573 |
2.4982 | 2.5214 | 2.4515 | 2.3733 | 2.4492 | 2.4602 | 2.4725 | 2.4949 | 2.4815 | 2.5655 |
2.5286 | 2.4330 | 2.4429 | 2.4573 | 2.4820 | 2.6305 | 2.5025 | 2.4821 | 2.4912 | 2.4121 |
2.4265 | 2.4700 | 2.4481 | 2.4801 | 2.5045 | 2.4743 | 2.4331 | 2.4700 | 2.3919 | 2.4801 |
2.4472 | 2.4743 | 2.4740 | 2.5777 | 2.4818 | 2.5754 | 2.5450 | 2.5624 | 2.5353 | 2.4304 |
2.3899 | 2.3654 | 2.4347 | 2.3155 | 2.3089 | 2.2740 | 2.3947 | 2.2430 | 2.3166 | 2.2692 |
2.2754 | 2.3157 | 2.2768 | 2.1761 | 2.2200 | 2.1312 | 2.3333 | 2.4261 | 2.4155 | 2.3439 |
2.3083 | 2.3119 | 2.2717 | 2.2823 | 2.4388 | 2.4274 | 2.5251 | 2.4161 | 2.4789 | 2.3514 |
2.3938 | 2.2736 | 2.3829 | 2.3818 | 2.4428 | 2.4255 | 2.3938 | 2.4187 | 2.5133 | 2.4147 |
2.5321 | 2.4440 | 2.3300 | 2.2835 | 2.4055 |
表6.辅助变量出水pH
7.9266 | 7.9298 | 7.9266 | 7.9176 | 7.8907 | 7.8718 | 7.8641 | 7.8520 | 7.8465 | 7.8448 |
7.8536 | 7.8579 | 7.8643 | 7.8643 | 7.8655 | 7.8645 | 7.8623 | 7.8568 | 7.8581 | 7.8595 |
7.8619 | 7.8632 | 7.8690 | 7.8713 | 7.8801 | 7.9154 | 7.9079 | 7.9038 | 7.9029 | 7.9466 |
7.9524 | 7.8931 | 7.9049 | 7.9176 | 7.9166 | 7.9110 | 7.8953 | 7.8901 | 7.8949 | 8.0150 |
8.0054 | 8.0039 | 7.9967 | 8.0228 | 7.9988 | 7.9917 | 7.9863 | 7.9852 | 7.9898 | 7.9908 |
7.9962 | 7.9949 | 7.9981 | 8.0005 | 7.9996 | 8.0042 | 8.0112 | 8.0102 | 8.0000 | 7.9967 |
7.9946 | 7.9947 | 7.9856 | 7.9844 | 7.9933 | 7.9970 | 7.9909 | 8.0009 | 8.0056 | 8.0036 |
8.0003 | 7.9993 | 8.0028 | 8.0065 | 8.0043 | 8.0035 | 8.0025 | 8.0028 | 8.0041 | 8.0044 |
8.0137 | 8.0184 | 8.0276 | 8.0242 | 8.0302 | 8.0337 | 8.0225 | 7.9939 | 8.0150 | 8.0210 |
8.0272 | 8.0274 | 8.0278 | 8.0275 | 8.0334 | 8.0398 | 8.0430 | 8.0443 | 8.0403 | 8.0348 |
8.0261 | 8.0217 | 8.0151 | 8.0088 | 8.0128 | 8.0119 | 7.9982 | 8.0217 | 8.0184 | 8.0088 |
8.0091 | 8.0119 | 8.0132 | 7.9865 | 7.9966 | 8.0214 | 8.0305 | 8.0523 | 8.0649 | 8.0616 |
8.0617 | 8.0597 | 8.0542 | 8.0328 | 8.0260 | 8.0137 | 8.0140 | 8.0108 | 8.0097 | 8.0142 |
8.0106 | 8.0296 | 8.0339 | 8.0221 | 8.0095 | 8.0303 | 8.0385 | 8.0399 | 8.0412 | 8.0335 |
8.0279 | 8.0111 | 7.9768 | 8.0001 | 8.0139 | 8.0204 | 8.0164 | 8.0153 | 8.0182 | 8.0221 |
8.0277 | 8.0347 | 8.0314 | 8.0202 | 8.0157 | 8.0092 | 8.0107 | 8.0097 | 8.0146 | 8.0159 |
8.0146 | 8.0166 | 8.0448 | 8.0585 | 8.0826 |
表7.实测出水总磷TP(mg/L)
2.1840 | 2.5480 | 2.7260 | 3.0020 | 2.8280 | 3.1680 | 2.6980 | 3.1300 | 3.3240 | 2.8240 |
2.3180 | 2.6040 | 2.5300 | 2.7300 | 2.5420 | 2.6960 | 2.6480 | 2.6680 | 2.8320 | 2.9860 |
2.8300 | 2.7300 | 3.0540 | 2.7600 | 2.3800 | 2.7520 | 3.0320 | 3.0800 | 2.9740 | 2.8620 |
2.9040 | 2.6060 | 2.4160 | 2.5280 | 2.7260 | 2.7100 | 2.7320 | 2.5980 | 2.8060 | 2.3240 |
1.8160 | 1.7320 | 1.5180 | 1.4300 | 1.4420 | 0.2620 | 0.2300 | 0.2380 | 0.2430 | 0.2240 |
0.2040 | 0.1860 | 0.1860 | 0.1820 | 0.1960 | 0.1900 | 0.1820 | 0.1800 | 0.1780 | 0.1760 |
0.1760 | 0.1800 | 0.1920 | 0.2200 | 0.4940 | 0.6720 | 0.6720 | 0.1980 | 0.1700 | 0.1740 |
0.1800 | 0.1700 | 0.1740 | 0.1780 | 0.1800 | 0.1820 | 0.1940 | 0.1940 | 0.1880 | 0.1880 |
0.1860 | 0.1840 | 0.1780 | 0.1620 | 0.1660 | 0.1760 | 0.1820 | 0.2560 | 0.2440 | 0.2420 |
0.2340 | 0.2220 | 0.2180 | 0.1780 | 0.1660 | 0.1660 | 0.1520 | 0.1600 | 0.1500 | 0.1500 |
0.1460 | 0.1520 | 0.1500 | 0.1540 | 0.1520 | 0.1680 | 0.3660 | 0.1520 | 0.1520 | 0.1540 |
0.1700 | 0.1680 | 0.1720 | 0.4540 | 0.5620 | 0.2900 | 0.2200 | 0.1960 | 0.1900 | 0.1720 |
0.1740 | 0.1740 | 0.1600 | 0.1660 | 0.1980 | 0.2100 | 0.1900 | 0.2160 | 0.2300 | 0.2140 |
0.2520 | 0.2680 | 0.2760 | 0.2620 | 0.2800 | 0.2620 | 0.2600 | 0.2760 | 0.1840 | 0.1620 |
0.1520 | 0.1760 | 0.2800 | 0.2340 | 0.2180 | 0.1920 | 0.1800 | 0.1540 | 0.1720 | 0.1600 |
0.1360 | 0.1520 | 0.1500 | 0.1480 | 0.1460 | 0.1600 | 0.1820 | 0.1940 | 0.1800 | 0.1860 |
0.1960 | 0.2040 | 0.1820 | 0.1740 | 0.1800 |
表8.自组织粒子群-径向基神经网络训练输出
2.5924 | 2.5774 | 2.7139 | 2.7420 | 2.9675 | 3.0239 | 3.0842 | 3.1230 | 3.1272 | 3.0868 |
2.8836 | 2.8667 | 2.9053 | 2.9197 | 2.9894 | 2.9650 | 2.9599 | 2.9976 | 3.0031 | 2.9737 |
2.9440 | 2.9089 | 2.8114 | 2.7042 | 2.6578 | 2.5369 | 2.5271 | 2.5353 | 2.4798 | 2.4630 |
2.4328 | 2.6281 | 2.4591 | 2.2709 | 2.3057 | 2.3456 | 2.4002 | 2.3915 | 2.1686 | 1.6237 |
1.5660 | 1.5352 | 1.0574 | 1.1513 | 1.1869 | 0.4959 | 0.4875 | 0.2764 | 0.4341 | 0.4046 |
0.2318 | 0.4215 | 0.4584 | 0.2871 | 0.3424 | 0.2995 | 0.2495 | 0.1397 | 0.3020 | 0.3084 |
0.1314 | 0.1960 | 0.0802 | 0.0858 | 0.1052 | 0.3151 | 0.3704 | 0.4992 | 0.4119 | 0.3990 |
0.3661 | 0.4018 | 0.3592 | 0.4316 | 0.3456 | 0.2509 | 0.2479 | 0.1714 | 0.1937 | -0.0293 |
0.1276 | 0.1028 | 0.0249 | -0.0646 | 0.0254 | 0.2454 | 0.0718 | 0.1151 | 0.3470 | 0.1318 |
0.0875 | 0.1117 | 0.0899 | 0.5474 | 0.4004 | 0.5218 | 0.0957 | 0.0653 | 0.0755 | -0.0135 |
-0.0145 | 0.0152 | 0.0313 | 0.0330 | 0.1000 | 0.0859 | 0.0574 | 0.0078 | -0.0304 | 0.0303 |
0.0398 | 0.0876 | 0.0816 | 0.9142 | 0.6993 | 0.6934 | 0.6150 | 0.5287 | 0.3245 | 0.2225 |
0.2019 | 0.1623 | 0.1238 | 0.0499 | 0.0627 | 0.1651 | 0.0441 | 0.1827 | 0.0997 | 0.7784 |
0.3950 | 0.1172 | 0.1048 | 0.2090 | 0.2065 | 0.4447 | 0.1835 | 0.1413 | 0.1717 | 0.2090 |
0.2422 | 0.2963 | 0.5218 | 0.4374 | 0.4020 | 0.3907 | 0.4526 | 0.3484 | 0.2882 | 0.2850 |
0.1551 | 0.1446 | -0.0076 | -0.0848 | -0.0420 | 0.0092 | 0.0390 | 0.0860 | 0.8249 | 0.2451 |
0.7696 | 0.3708 | 0.1170 | 0.2570 | 0.5104 |
表9.辅助变量进水总磷TP(mg/L)
3.9522 | 4.1867 | 4.5942 | 4.5057 | 4.5057 | 4.0066 | 3.7529 | 4.1116 | 4.1465 | 4.1465 |
4.1465 | 4.0993 | 4.2017 | 4.5199 | 4.1266 | 4.2198 | 3.4877 | 4.7860 | 3.9951 | 4.3522 |
4.4541 | 4.1859 | 4.2168 | 3.9868 | 3.9029 | 4.0702 | 4.1378 | 4.3289 | 4.3061 | 4.0605 |
4.1268 | 3.9708 | 3.9485 | 4.0112 | 4.1164 | 4.3104 | 4.0388 | 3.8027 | 3.7678 | 4.0382 |
4.2339 | 4.2524 | 4.1057 | 3.9310 | 3.9415 | 3.8455 | 4.3598 | 4.2394 | 4.2394 | 4.2394 |
4.2394 | 4.2392 | 4.2392 | 4.2392 | 4.2889 | 3.9926 | 4.1127 | 4.0208 | 4.1534 | 4.2663 |
4.2058 | 4.0359 | 3.8457 | 3.7628 | 3.9413 | 4.0122 | 3.9671 | 3.9380 | 3.9573 | 3.7158 |
3.6388 | 3.6132 | 3.8164 | 3.9993 | 3.9670 | 4.0034 | 4.1387 | 4.1678 | 3.9797 | 4.2248 |
表10.辅助变量温度T(℃)
27.3334 | 27.2888 | 27.1983 | 27.0192 | 26.7961 | 26.7136 | 27.0384 | 27.2132 | 27.1539 | 27.0562 |
26.9083 | 26.7740 | 26.6502 | 26.0400 | 25.9641 | 25.8663 | 25.6143 | 25.6740 | 25.0187 | 25.2400 |
25.2516 | 25.2849 | 24.9667 | 24.8960 | 24.9797 | 24.9436 | 24.9018 | 24.8513 | 24.7577 | 24.6598 |
24.6368 | 24.8153 | 25.1604 | 25.1300 | 25.0664 | 24.9523 | 24.8095 | 24.5131 | 24.4355 | 24.3796 |
24.2463 | 24.1375 | 23.9473 | 23.7390 | 23.8631 | 24.2047 | 24.3165 | 24.2836 | 24.1933 | 23.9531 |
23.7277 | 24.1163 | 23.8377 | 23.6623 | 23.6295 | 23.6253 | 23.6224 | 23.5769 | 23.4745 | 23.3310 |
23.1451 | 23.0007 | 23.0191 | 23.1409 | 23.1565 | 23.1551 | 23.1027 | 22.9738 | 22.8098 | 22.7504 |
23.0191 | 23.4446 | 23.6680 | 23.7393 | 23.7193 | 23.6096 | 23.4489 | 23.3949 | 23.4915 | 23.8662 |
表11.辅助变量厌氧末端氧化还原电位ORP
-552.1540 | -556.8970 | -551.9620 | -552.6030 | -558.6280 | -561.4480 | -543.7580 | -565.7420 | -565.0370 | -564.2680 |
-565.2930 | -564.3960 | -565.9980 | -489.0880 | -558.1790 | -558.8200 | -487.6130 | -568.9460 | -565.5500 | -580.4190 |
-581.5730 | -581.7010 | -582.0850 | -581.1880 | -580.0980 | -579.7780 | -580.6110 | -580.7390 | -580.1630 | -579.8420 |
-578.1120 | -579.3930 | -578.2400 | -578.1760 | -577.5990 | -577.0860 | -576.7020 | -573.6890 | -574.7150 | -574.7790 |
-575.0350 | -572.1510 | -572.8560 | -571.6380 | -573.7530 | -574.0100 | -575.3560 | -575.2920 | -574.8430 | -574.0100 |
-573.7530 | -574.5860 | -573.9460 | -573.3050 | -570.4210 | -570.0360 | -572.0230 | -572.2150 | -573.4970 | -572.9840 |
-572.9840 | -573.3050 | -577.3420 | -578.5600 | -570.6130 | -571.5740 | -570.9970 | -569.9080 | -567.6650 | -569.0100 |
-569.3310 | -569.4590 | -570.6130 | -572.8560 | -571.4460 | -570.6130 | -569.8440 | -569.3950 | -570.2920 | -571.1900 |
表12.辅助变量好氧前段溶解氧DO(mg/L)
0.0383 | 0.0428 | 0.0361 | 0.0378 | 0.0395 | 0.0602 | 0.0706 | 0.0453 | 0.0743 | 0.0735 |
0.0567 | 0.1172 | 0.0582 | 0.0398 | 0.0609 | 0.0811 | 0.0686 | 0.0398 | 0.0474 | 0.0317 |
0.0298 | 0.1265 | 0.0659 | 0.0971 | 0.0345 | 0.0355 | 0.0457 | 0.0488 | 0.0412 | 0.0545 |
0.0765 | 0.0364 | 0.0406 | 0.0843 | 0.0464 | 0.0346 | 0.1481 | 0.4026 | 0.3942 | 0.4193 |
0.4073 | 0.4379 | 0.5426 | 0.5498 | 0.8550 | 0.4882 | 0.4207 | 0.4564 | 0.4889 | 0.5378 |
0.5400 | 0.5287 | 0.5440 | 0.5110 | 0.8817 | 0.8742 | 0.4291 | 0.4537 | 0.3765 | 0.3696 |
0.3782 | 0.3274 | 0.7197 | 0.5351 | 0.2611 | 0.3343 | 0.3412 | 0.3301 | 0.2746 | 0.2365 |
0.3272 | 0.2974 | 0.2066 | 0.1995 | 0.2546 | 0.2459 | 0.2654 | 0.2566 | 0.2232 | 0.2282 |
表13.辅助变量好氧末端总固体悬浮物TSS(mg/L)
2.8343 | 2.8151 | 2.7787 | 2.7807 | 2.7539 | 2.7827 | 2.8063 | 2.8055 | 2.9044 | 2.8029 |
2.7963 | 2.8936 | 2.8786 | 2.8337 | 2.7973 | 2.7974 | 2.8266 | 2.8632 | 2.9151 | 2.7774 |
2.8432 | 2.7067 | 2.6005 | 2.6635 | 2.5869 | 2.5829 | 2.5363 | 2.5279 | 2.4897 | 2.4674 |
2.4916 | 2.5265 | 2.5397 | 2.4082 | 2.4903 | 2.3932 | 2.4240 | 2.4906 | 2.5340 | 2.3839 |
2.4320 | 2.3993 | 2.5394 | 2.5140 | 2.4693 | 2.4245 | 2.4605 | 2.4649 | 2.3919 | 2.4472 |
2.4740 | 2.4481 | 2.5045 | 2.4331 | 2.4866 | 2.5113 | 2.4309 | 2.3655 | 2.3883 | 2.2805 |
2.3078 | 2.2824 | 2.2668 | 2.2297 | 2.2105 | 2.4196 | 2.2935 | 2.3671 | 2.3100 | 2.3821 |
2.4491 | 2.5777 | 2.4440 | 2.4318 | 2.4089 | 2.4784 | 2.4254 | 2.4256 | 2.3243 | 2.3120 |
表14.辅助变量出水pH
7.9298 | 7.9087 | 7.8818 | 7.8586 | 7.8445 | 7.8517 | 7.8622 | 7.8667 | 7.8590 | 7.8593 |
7.8643 | 7.8702 | 7.9216 | 7.9536 | 7.9188 | 7.9032 | 7.8936 | 8.0238 | 8.0090 | 7.9940 |
8.0011 | 8.0101 | 7.9908 | 7.9930 | 7.9959 | 7.9983 | 8.0112 | 8.0045 | 7.9968 | 7.9936 |
7.9866 | 8.0030 | 8.0069 | 7.9992 | 8.0040 | 8.0033 | 8.0015 | 8.0090 | 8.0264 | 8.0254 |
8.0373 | 8.0021 | 8.0281 | 8.0288 | 8.0305 | 8.0431 | 8.0480 | 8.0316 | 8.0184 | 8.0091 |
8.0132 | 8.0151 | 8.0128 | 7.9982 | 8.0055 | 8.0419 | 8.0627 | 8.0595 | 8.0498 | 8.0158 |
8.0107 | 8.0120 | 8.0195 | 8.0314 | 8.0187 | 8.0398 | 8.0368 | 8.0281 | 7.9850 | 8.0196 |
8.0101 | 8.0212 | 8.0334 | 8.0235 | 8.0123 | 8.0105 | 8.0145 | 8.0124 | 8.0209 | 8.0745 |
表15.实测出水总磷TP(mg/L)
2.2080 | 2.8100 | 2.9440 | 3.2380 | 3.4340 | 2.3920 | 2.2340 | 2.5820 | 2.7780 | 2.7180 |
2.9820 | 2.9960 | 2.9660 | 2.6900 | 2.6280 | 2.8020 | 2.8760 | 2.7600 | 1.9180 | 1.5360 |
1.2100 | 0.2880 | 0.2480 | 0.2060 | 0.1880 | 0.1700 | 0.1920 | 0.1700 | 0.1820 | 0.1840 |
0.2320 | 0.6300 | 0.1660 | 0.1760 | 0.1740 | 0.1920 | 0.1780 | 0.1940 | 0.1760 | 0.1620 |
0.1580 | 0.2400 | 0.2280 | 0.2240 | 0.1640 | 0.1660 | 0.1520 | 0.1580 | 0.1520 | 0.1700 |
0.1720 | 0.1500 | 0.1520 | 0.3660 | 0.3720 | 0.2340 | 0.1880 | 0.1700 | 0.1740 | 0.1860 |
0.2120 | 0.2240 | 0.2700 | 0.2700 | 0.2800 | 0.2740 | 0.1540 | 0.1520 | 0.2520 | 0.1920 |
0.1480 | 0.1460 | 0.1520 | 0.1480 | 0.1540 | 0.1700 | 0.1740 | 0.1960 | 0.1820 | 0.1860 |
表16.自组织粒子群-径向基神经网络预测值
2.612147 | 2.771787 | 3.0175 | 3.10408 | 3.1241 | 2.890512 | 2.788423 | 2.955665 | 2.977487 | 2.949753 |
2.901283 | 2.76904 | 2.511406 | 2.43037 | 2.295532 | 2.373796 | 2.392996 | 1.882943 | 1.530693 | 1.236367 |
1.424638 | 0.793371 | 0.424218 | 0.474996 | 0.475561 | 0.424892 | 0.245951 | 0.327077 | 0.249549 | 0.036324 |
0.150432 | 0.238796 | 0.530201 | 0.325941 | 0.418546 | 0.437621 | 0.079248 | 0.103571 | 0.135899 | -0.08638 |
0.006305 | 0.051586 | 0.150304 | 0.15725 | 0.415903 | 0.082866 | 0.211118 | 0.025616 | -0.02448 | 0.041199 |
0.077956 | 0.025702 | 0.100086 | 0.061381 | 0.616359 | 0.54136 | 0.226834 | 0.187348 | 0.092187 | 0.127787 |
0.120912 | 0.13303 | 0.292555 | 0.14985 | 0.289318 | 0.147976 | 0.211324 | 0.226368 | 0.456698 | 0.421796 |
0.361888 | 0.416812 | 0.151583 | -0.04443 | -0.03413 | 0.05616 | 0.09968 | 0.145411 | 0.098177 | 0.435992 |
Claims (1)
1.一种基于自组织粒子群-径向基神经网络的出水总磷TP软测量方法,其特征在于,包括以下步骤:
(1)确定软测量模型的辅助变量:采集污水处理厂实际水质参数数据,选取与出水总磷TP相关性强的水质变量:进水总磷TP、温度T、厌氧末端氧化还原电位ORP、好氧前段溶解氧DO、好氧末端总固体悬浮物TSS以及出水pH作为出水总磷TP测量的辅助变量;
(2)设计用于出水总磷TP的自组织粒子群-径向基神经网络拓扑结构,自组织粒子群-径向基神经网络分为三层:输入层、隐含层、输出层;初始化自组织粒子群-径向基神经网络:确定神经网络6-K-1的连接方式,即输入层神经元为6个,隐含层神经元为K个,K为正整数,输出层神经元为1个;对神经网络的参数进行赋值;设共有T个训练样本,第t时刻神经网络输入为x(t)=[x1(t),x2(t),x3(t),x4(t),x5(t),x6(t)],神经网络的期望输出表示为yd(t),实际输出表示为y(t);自组织粒子群-径向基神经网络的计算功能是:
wk(t)表示隐含层第k个神经元和输出层的连接权值,k=1,2,…,K;φk(x(t))是隐含层第k个神经元的输出,其计算公式为:
μk表示隐含层第k个神经元中心值,σk表示隐含层第k个神经元的中心宽度;
(3)训练神经网络,具体为:
①初始化粒子群加速常数c1和c2,c1∈(0,1),c2∈(0,1);设定粒子群平衡权值α∈[0,1],将径向基神经网络的参数表示为粒子群中的粒子:
其中,ai表示第i个粒子的位置,i=1,2,…,s;s表示粒子总个数,s为正整数,和分别表示第i个粒子中第k个隐含层神经元的中心值,中心宽度和连接权值;Ki表示第i个粒子表示的径向基神经网络隐含层神经元数;和的初始值取(0,1)的任意数,Ki的初始值为任意正整数;同时,初始化粒子的速度:
vi=[vi,1,vi,2,…vi,Di];(4)
其中,vi表示第i个粒子的速度,Di表示第i个粒子的维数,Di=3Ki;
②对于神经网络的输入x(t),确定每个粒子的维数Di(t)=3Ki(t),计算每个粒子的适应度值:
f(ai(t))=Ei(t)+αKi(t);(5)
其中,Ei(t)为
i=1,2,…,s;T表示神经网络输入的训练样本数;
③计算每个粒子的惯性权重:
ωi(t)=γ(t)Ai(t);(7)
其中,
γ(t)=(C-S(t)/1000)-t;
S(t)=fmin(a(t))/fmax(a(t));
Ai(t)=f(g(t))/f(ai(t));(8)
C是常量,C∈[1,5],最小适应度值fmin(a(t)),最大适应度值fmax(a(t)),粒子全局最优位置g(t)分别表示为:
其中,粒子的最好先前位置pi(t)表示为:
④更新每个粒子的位置和速度:
vi(t+1)=ωi(t)vi(t)+c1r1(pi(t)-ai(t))+c2r2(g(t)-ai(t));
ai(t)=ai(t-1)+vi(t);(11)
其中,r1和r2分别表示最好先前位置系数和全局最优位置系数,r1和r2取[0,1]的任意数;
⑤根据全局最优位置g(t)找出最佳神经网络结构,此时的最佳神经网络隐含层神经元数为Kbest,更新每个粒子对应的神经网络隐含层神经元数:
⑥输入训练样本数据x(t+1),重复步骤②-⑤,所有训练样本训练结束后停止计算;
(4)将测试样本数据作为训练后的自组织粒子群-径向基神经网络的输入,自组织粒子群-径向基神经网络的输出即为出水总磷TP的预测值。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410602859.XA CN104360035B (zh) | 2014-11-02 | 2014-11-02 | 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 |
US14/620,088 US20160123949A1 (en) | 2014-11-02 | 2015-02-11 | Measuring Phosphorus in Wastewater Using a Self-Organizing RBF Neural Network |
US15/891,175 US10539546B2 (en) | 2014-11-02 | 2018-02-07 | Measuring phosphorus in wastewater using a self-organizing RBF neural network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410602859.XA CN104360035B (zh) | 2014-11-02 | 2014-11-02 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104360035A CN104360035A (zh) | 2015-02-18 |
CN104360035B true CN104360035B (zh) | 2016-03-30 |
Family
ID=52527316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410602859.XA Active CN104360035B (zh) | 2014-11-02 | 2014-11-02 | 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 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20160123949A1 (zh) |
CN (1) | CN104360035B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295800A (zh) * | 2016-07-28 | 2017-01-04 | 北京工业大学 | 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 |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN106821355A (zh) * | 2017-04-01 | 2017-06-13 | 泰康保险集团股份有限公司 | 血压预测的方法及装置 |
CN107728479A (zh) * | 2017-09-29 | 2018-02-23 | 北京城市排水集团有限责任公司 | 一种基于rbf神经网络的生物除磷精确控制方法 |
CN109669352B (zh) * | 2017-10-17 | 2022-04-05 | 中国石油化工股份有限公司 | 基于自适应多目标粒子群的含油污水处理过程优化控制方法 |
JP7272750B2 (ja) * | 2018-02-16 | 2023-05-12 | 株式会社明電舎 | 下水処理システムの運転状態判別装置及び運転状態判別方法 |
CN108762082B (zh) * | 2018-06-07 | 2022-07-22 | 北京工业大学 | 一种污水处理过程协同优化控制系统 |
CN109534486B (zh) * | 2018-12-21 | 2023-07-25 | 哈尔滨工程大学 | 一种基于随机递归小波神经网络的船舶污水处理控制预测系统及预测方法 |
CN109858755B (zh) * | 2018-12-28 | 2021-06-29 | 温州医科大学 | 一种评价水体质量的方法 |
CN110032755B (zh) * | 2019-02-27 | 2022-11-01 | 石家庄铁道大学 | 多工况下城市污水处理过程多目标优化方法 |
CN110015754B (zh) * | 2019-03-01 | 2021-10-08 | 江苏中车环保设备有限公司 | 一种分散式污水出水水质超标预警的在线监测系统和方法 |
CN110070220A (zh) * | 2019-04-16 | 2019-07-30 | 上海交通大学 | 一种基于神经网络算法的氨氮指标软测量方法 |
CN110197704B (zh) * | 2019-04-18 | 2021-06-04 | 北京工业大学 | 一种基于受限玻尔兹曼机的自组织bp神经网络出水总磷预测方法 |
CN112250161B (zh) * | 2020-08-29 | 2023-05-30 | 盐城工学院 | 一种用于偶氮废水处理的微生物电解电池的自适应电位控制器及其控制方法 |
CN114660248A (zh) * | 2020-12-22 | 2022-06-24 | 中国石油化工股份有限公司 | 基于多步预测策略的cod预警方法和装置 |
CN112599205B (zh) * | 2020-12-28 | 2023-07-07 | 清华大学 | 事件驱动的污水处理过程出水总磷软测量模型设计方法 |
CN112967763A (zh) * | 2021-03-08 | 2021-06-15 | 北京北排水环境发展有限公司 | 基于模糊神经网络的出水总磷预测方法、电子设备及介质 |
CN113222324B (zh) * | 2021-03-13 | 2023-04-07 | 宁波大学科学技术学院 | 一种基于pls-pso-rbf神经网络模型的污水质量监测方法 |
CN113608443A (zh) * | 2021-08-06 | 2021-11-05 | 东北大学 | 基于增强pi控制的污水处理控制方法 |
CN114271927B (zh) * | 2021-12-19 | 2023-10-17 | 复旦大学 | 可实时预测心律失常射频消融损伤深度的方法及射频消融仪 |
CN114509556B (zh) * | 2022-01-10 | 2022-11-04 | 北京科技大学 | 一种预测场地重金属污染物浓度的方法 |
CN117035005A (zh) * | 2023-07-31 | 2023-11-10 | 北京工业大学 | 城市固废焚烧过程智能操作优化方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102072922A (zh) * | 2009-11-25 | 2011-05-25 | 东北林业大学 | 基于粒子群优化神经网络模型的木材含水率检测方法 |
CN102854296A (zh) * | 2012-08-30 | 2013-01-02 | 北京工业大学 | 一种基于集成神经网络的污水处理软测量方法 |
CN103258234A (zh) * | 2013-05-02 | 2013-08-21 | 江苏大学 | 基于粒子群优化bp神经网络的惯容器力学性能预测方法 |
CN103544526A (zh) * | 2013-11-05 | 2014-01-29 | 辽宁大学 | 一种改进粒子群算法及其应用 |
CN103729695A (zh) * | 2014-01-06 | 2014-04-16 | 国家电网公司 | 基于粒子群和bp神经网络的短期电力负荷预测方法 |
CN103886369A (zh) * | 2014-03-27 | 2014-06-25 | 北京工业大学 | 一种基于模糊神经网络的出水总磷tp预测方法 |
CN203772781U (zh) * | 2014-01-20 | 2014-08-13 | 北京工业大学 | 一种基于特征变量的污水总磷测量装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8252182B1 (en) * | 2008-09-11 | 2012-08-28 | University Of Central Florida Research Foundation, Inc. | Subsurface upflow wetland system for nutrient and pathogen removal in wastewater treatment systems |
US8216517B2 (en) * | 2009-03-30 | 2012-07-10 | General Electric Company | System and method for monitoring an integrated system |
US20150053612A1 (en) * | 2012-04-27 | 2015-02-26 | Biological Petroleum Cleaning Ltd. | Method and system for treating waste material |
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 |
-
2014
- 2014-11-02 CN CN201410602859.XA patent/CN104360035B/zh active Active
-
2015
- 2015-02-11 US US14/620,088 patent/US20160123949A1/en not_active Abandoned
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102072922A (zh) * | 2009-11-25 | 2011-05-25 | 东北林业大学 | 基于粒子群优化神经网络模型的木材含水率检测方法 |
CN102854296A (zh) * | 2012-08-30 | 2013-01-02 | 北京工业大学 | 一种基于集成神经网络的污水处理软测量方法 |
CN103258234A (zh) * | 2013-05-02 | 2013-08-21 | 江苏大学 | 基于粒子群优化bp神经网络的惯容器力学性能预测方法 |
CN103544526A (zh) * | 2013-11-05 | 2014-01-29 | 辽宁大学 | 一种改进粒子群算法及其应用 |
CN103729695A (zh) * | 2014-01-06 | 2014-04-16 | 国家电网公司 | 基于粒子群和bp神经网络的短期电力负荷预测方法 |
CN203772781U (zh) * | 2014-01-20 | 2014-08-13 | 北京工业大学 | 一种基于特征变量的污水总磷测量装置 |
CN103886369A (zh) * | 2014-03-27 | 2014-06-25 | 北京工业大学 | 一种基于模糊神经网络的出水总磷tp预测方法 |
Non-Patent Citations (7)
Title |
---|
An efficient self-organizing RBF neural network for water quality prediction;Hong-Gui Han等;《Neural Networks》;20110425;第24卷(第7期);第717-725页 * |
Hong-Gui Han等.Model predictive control of dissolved oxygen concentration based onaself-organizing RBF neural network.《Control EngineeringPractice》.2012,第20卷(第4期),第465-476页. * |
乔俊飞等.基于改进粒子群算法的污水处理过程神经网络优化控制.《智能系统学报》.2012,第7卷(第5期),第429-436页. * |
任东红.基于集成神经网络的污水处理出水水质软测量模型.《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》.2014,(第3期),第B027-508页. * |
徐兰.基于粒子群BP神经网络的质量预测模型.《工业工程》.2012,第15卷(第4期),第17-20、27页. * |
操建华等.基于粒子群优化径向基神经网络的水质指标预测.《煤炭技术》.2010,第29卷(第2期),第201-204页. * |
金中华等.高浓度总磷测定方法的改进.《干旱环境监测》.2005,第19卷(第2期),第127-128页. * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295800A (zh) * | 2016-07-28 | 2017-01-04 | 北京工业大学 | 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 |
CN106295800B (zh) * | 2016-07-28 | 2019-03-05 | 北京工业大学 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN104360035A (zh) | 2015-02-18 |
US20160123949A1 (en) | 2016-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN104376380B (zh) | 一种基于递归自组织神经网络的氨氮浓度预测方法 | |
US10570024B2 (en) | Method for effluent total nitrogen-based on a recurrent self-organizing RBF neural network | |
CN107358021B (zh) | 一种基于优化bp神经网络的do预测模型建立方法 | |
CN105510546B (zh) | 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 | |
CN104965971B (zh) | 一种基于模糊神经网络的氨氮浓度软测量方法 | |
CN103886369B (zh) | 一种基于模糊神经网络的出水总磷tp预测方法 | |
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 | |
CN107688701B (zh) | 基于wasp模型的水质软测量及水体富营养化评价方法 | |
CN102662040B (zh) | 一种动态模块化神经网络的氨氮在线软测量方法 | |
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 | |
CN110378533A (zh) | 一种基于大数据分析的智能曝气管理方法 | |
CN102854296A (zh) | 一种基于集成神经网络的污水处理软测量方法 | |
CN108088974B (zh) | 一种厌氧同时反硝化产甲烷过程出水硝氮的软测量方法 | |
CN103728431A (zh) | 基于极限学习机的工业污水cod在线软测量方法 | |
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 | |
CN102262147A (zh) | 一种废水处理系统出水cod的软测量方法和系统 | |
CN107402586A (zh) | 基于深度神经网络的溶解氧浓度控制方法及系统 | |
CN110320335B (zh) | 一种关于污水处理出水水质指标的多元鲁棒软测量方法 | |
CN109657790B (zh) | 一种基于pso的递归rbf神经网络出水bod预测方法 | |
CN104090488A (zh) | 污水厂自动实时控制溶解氧、污泥负荷和污泥龄的方法 | |
CN103809436A (zh) | 活性污泥法污水处理过程智能建模方法 | |
CN112782975A (zh) | 一种基于深度学习的污水处理曝气智能控制方法及系统 | |
CN111125907B (zh) | 一种基于混合智能模型的污水处理氨氮软测量方法 | |
CN106706491B (zh) | 膜生物反应器-mbr出水透水率的智能检测方法 |
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 |