CN106802983A - 一种基于优化的bp神经网络的沼气产量建模计算方法及装置 - Google Patents
一种基于优化的bp神经网络的沼气产量建模计算方法及装置 Download PDFInfo
- Publication number
- CN106802983A CN106802983A CN201611270744.0A CN201611270744A CN106802983A CN 106802983 A CN106802983 A CN 106802983A CN 201611270744 A CN201611270744 A CN 201611270744A CN 106802983 A CN106802983 A CN 106802983A
- Authority
- CN
- China
- Prior art keywords
- output
- biogas
- neural network
- biogas output
- data
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种基于优化的BP神经网络的沼气产量建模计算方法及装置,该装置是一个复杂建模算法构建的一个软件模块,被采用到EWATERSYS智能水务信息系统中,通过该系统结合沼气产量建模可以很好的为用户提供沼气产量的预测,其构成如下:系统前置智能采集网关,用于采集传送数据;EWATERSYS智能水务信息系统中的数据分析引擎,用于关键数据提取;EWATERSYS智能水务信息系统中的算法模块装置,用于建模学习;通过本发明创造可以给出一种能够更为贴近工程实际的且更为准确的沼气产量计算模型,同时也可以推广到其他工程实践中使用该模型。
Description
技术领域
本发明涉及沼气产量计算领域,尤其涉及一种基于优化的BP神经网络的沼气产量建模计算方法及装置。
背景技术
目前升压式厌氧污泥反应器污水处理是指废水通过布水装置依次进入底部的污泥层和中上部污泥悬浮区,与其中的厌氧微生物进行反应生成沼气,气、液、固混合液通过上部三相分离器进行分离,污泥回落到污泥悬浮区,分离后废水排出系统,同时回收产生沼气的厌氧反应器(简称UASB反应器)。升压式厌氧污泥反应器污水处理中一个重要的产物就是沼气,沼气经过净化处理后进入低压湿式储气柜、低压干式储气柜和高压储气柜等储气装置中。储存的沼气可以用于民用炊事、锅炉及发电中。因此沼气产量值在此类型污水处理工艺及计算过程中的精确度极为重要。具体的工艺流程图如图1所示。
现有的计算建模方法只要有以下两种方式:
1、依据现有经验建模方法:
沼气产量计算:UASB反应器的沼气产率为0.45Nm3/kg CODcr~0.50Nm3/kg CODcr(经验值),沼气产量可按照如下公式进行计算:
其中:
Qa——沼气产量,Nm3/d
Q——设计流量,Nm3/d
η——沼气产率,m3/kgCODcr
S0——进水有机物浓度,mgCODcr/L
Se——出水有机物浓度,mgCODcr/L;
该方法缺点在于:UASB中沼气产量的建模计算由于公式采用了经验值,导致沼气产量的建模输出值存在偏差,不能够反应实际工程中更为精确的沼气产量。这样也为后续沼气应用工艺流程造成了很多不确定因素。
2、采用神经网络等人工智能建模手段,人工神经网络(Artificial NeuralNetwork,简记作ANN),是对人类大脑系统的一阶特性的一种描述。简单地讲,它是一个数学模型,可以用电子线路来实现,也可以用计算机程序来模拟,是人工智能研究的一种方法。ANN算法众多,因本专利涉及BP ANN算法,因此,此处采用BP ANN算法。BP ANN预测方法如下:
BP神经网络是一种基于误差反向传播的算法,由非线性变换单元组成的前馈网络。它的信息流只能从输入单元到它的上层单元。变换神经元的输入与输出关系满足非线性单调上升的函数。网络的学习过程由正向传播和反向传播两部分组成。在正向传播过程中,每一层神经元的状态只能影响下一层神经元。如果输出层不能得到期望输出,即实际输出与期望输出有误差,那么转入反向传播过程,将误差信号沿原来的链接方向返回,修改各层神经元的权值,逐次向输入层传播计算。再经过正向传播过程,这两个过程交替反复运用,直到误差信号很小或者满足迭代次数,此时网络学习结束。其网络连接权值就可以近似地表示输入与输出的非线性关系。因为网络具有非线性传递函数,BP神经网络有一定的容错范围,相对于学习样本有较好的泛化能力。
BP ANN网络结构如图2(二级网络结构)所示,在工程实践中,对沼气生成反应工艺进行BP ANN建模,在该模型前期设计时,需要对污水流量、进水有机物浓度,出水有机物浓度及沼气产量依据实际情况进行一组样本测定(Q×(S0-Se)作为输入向量X,沼气产量作为输出向量Y),即获取一组输入、输出样本,然后对该BP ANN进行训练,使得误差控制在一定范围内,即获得一个稳定可用的BP ANN网络,此网络可被用于该沼气生成反应工艺建模中,用来后续根据设计流量、进水有机物浓度、出水有机物浓度计算出沼气产量值,该值可以为沼气后续应用提供指导意见。关于BP ANN的算法主要内容介绍如下:
对于BP ANN如其网络结构图所示,每个神经元的值为net=x1ω1+x2ω2+…+xnωn,其中,x1,x2,…,xn为神经元所接受的数据,ω1,ω2,…ωn分别是他们对应的链接权。由此可以看出只要给定了测出的输入样本X,再确定BP ANN的权值W(为更层次ω组成的数组)就可以计算出预估的沼气产量Y′(即为计算后的各神经元值net组成的向量)。因此如何计算连接权值W就是BP网络的训练任务。
对于BP ANN每个神经元采用的激励函数为Sigmoid函数,其形式如下:
其导数为:
f′(x)=αf(x)[1-f(x)]
从而可以看出f(x)的值域范围在(0,1)。这里的x为每个神经元的值,即x=net,f(x)为每个神经元的输出。
从BP ANN结构图中可以看出每个神经元的输出是有阈值设定的,阈值为θ,当通过输入值X计算出的神经元值Y′(采用神经元值计算公式),与实际测得的Y代入上面激活函数中计算的输出值进行比对,满足|f(Y)-f(Y′)|<θ时则完成最后一层训练。同时BP ANN作为基于误差反向传播的神经网络,会将后一层计算出的误差反向向上一层传递,上一层依据上述原理同样计算误差。直到整个BP ANN所有神经元的输出均满足所有阈值要求,则训练结束,即整个BP ANN收敛。
BP ANN具体算法推倒细节可参看BP ANN相关原理。
从上述主要BP ANN原理叙述中可以看出,学习效率α的选取十分重要,如果α取值过小则收敛速度过慢,甚至不收敛,如果α取值过大则导致网络学习不准确,影响精度。
发明内容
本发明的目的是提供一种基于优化的BP神经网络的沼气产量建模计算方法及装置,解决现有技术中存在的缺点。
具体技术方案如下所示:
一种基于优化的BP神经网络的沼气产量建模计算方法,包括如下步骤:1)选取五百组包括沼气产量Qa、污水流量Q、进水有机物浓度S0,出水有机物浓度Se的关键数据,设定Q×(S0-Se)作为输入向量X,沼气产量Qa作为输出向量Y;计算出五百组输入、输出向量组(X,Y),并通过公式计算出沼气产率η,并计算沼气产率平均值
2)将沼气产率平均值作为BP神经网络的学习率,将每个神经网络神经元的激励函数变为并将上述计算得出的五百组输入、输出向量组(X,Y)代入上述公式,其中的x值对应X,f(x)值对应Y;
3)将所述BP神经网络的每个神经元的输出误差阈值θ设置为0.00001;各个神经元初始连接权值随机产生;
4)对BP神经网络训练,将通过输入值X计算出的神经元值Y′,与实际测得的Y进行比对,差值绝对值小于输出误差阈值θ则完成最后一层训练。
一种基于优化的BP神经网络的沼气产量建模计算装置,该装置包括三个部分:
数据采集网关,用于采集并传送数据;
数据分析引擎,用于对数据采集网关传送的数据进行关键数据提取;
算法模块,采用基于优化的BP神经网络的沼气产量建模计算方法,用于对数据分析引擎提取的关键数据进行建模学习,并最终生成沼气产量建模模型。
进一步的,所述关键数据包括沼气产量、污水流量、进水有机物浓度,出水有机物浓度。
本发明的有益效果在于:该装置结合沼气产量建模可以很好的为用户提供沼气产量的预测,通过本发明创造可以给出一种能够更为贴近工程实际的且更为准确的沼气产量计算模型,同时也可以推广到其他工程实践中使用该模型。
附图说明
结合附图对本发明作进一步详细说明:
图1为现有技术中沼气产量值计算工艺流程图;
图2为现有技术中BP ANN网络结构示意图;
图3为本申请系统结构框架图;
图4为本申请的算法流程图;
具体实施方式
以下将根据附图所示的优选实施例,对本发明进行详细解释,然而本发明不限于该实施例。
如图4所示,一种基于优化的BP神经网络的沼气产量建模计算方法,包括如下步骤:
1)选取五百组包括沼气产量Qa、污水流量Q、进水有机物浓度S0,出水有机物浓度Se的关键数据,设定Q×(S0-Se)作为输入向量X,沼气产量Qa作为输出向量Y;计算出五百组输入、输出向量组(X,Y),并通过公式计算出沼气产率η,并计算沼气产率平均值
2)将沼气产率平均值作为BP神经网络的学习率,将每个神经网络神经元的激励函数变为并将上述计算得出的五百组输入、输出向量组(X,Y)代入上述公式,其中的x值对应X,f(x)值对应Y;
3)将所述BP神经网络的每个神经元的输出误差阈值θ设置为0.00001;各个神经元初始连接权值随机产生;
4)对BP神经网络训练,将通过输入值X计算出的神经元值Y′,与实际测得的Y进行比对,差值绝对值小于输出误差阈值θ则完成最后一层训练。
如图3所示,一种基于优化的BP神经网络的沼气产量建模计算装置,该装置包括三个部分:
数据采集网关,用于采集并传送数据;
数据分析引擎,用于对数据采集网关传送的数据进行关键数据提取;
算法模块,采用基于优化的BP神经网络的沼气产量建模计算方法,用于对数据分析引擎提取的关键数据进行建模学习,并最终生成沼气产量建模模型。
进一步的,所述关键数据包括沼气产量、污水流量、进水有机物浓度,出水有机物浓度。
我们从BP神经网络的训练收敛过程可以看出,如果学习效率α对整个学习收敛是有重要影响的,那么如果我们选取的α与BP神经网络的输入,输出具有相关性,那么会对整个网络的训练收敛以及准确度上起到正向影响;因此我们考虑先用实际测试得到的一组沼气产量,污水输入流量,进水有机物浓度,出水有机物浓度值样本计算出沼气产率η的平均值然后用作为BP神经网络学习效率的值,即因为这样选定的α是经过大量实践所得到的公式计算出来的,因此可以认为与BP神经网络的输入、输出都有相关性,因此代入到BP神经网络中,即可快速准确的得到适用于实际工程的且稳定的基于优化的BP神经网络网络沼气产量建模模型,并可以推广到其他类似的工程项目中(同时BP神经网络用的输入及输出样本与测算所用的输出及输出样本一致)。通过本发明创造可以给出一种能够更为贴近工程实际的且更为准确的沼气产量计算模型,同时也可以推广到其他工程实践中使用该模型。当次模型准确有效时,可以为实际的污水处理生成沼气的产量进行准确的建模计算,进而指导后续的生产工艺中。
以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照实例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (3)
1.一种基于优化的BP神经网络的沼气产量建模计算方法,其特征在于包括如下步骤:
1)选取五百组包括沼气产量Qa、污水流量Q、进水有机物浓度S0,出水有机物浓度Se的关键数据,设定Q×(S0-Se)作为输入向量X,沼气产量Qa作为输出向量Y;计算出五百组输入、输出向量组(X,Y),并通过公式计算出沼气产率η,并计算沼气产率平均值
2)将沼气产率平均值作为BP神经网络的学习率,将每个神经网络神经元的激励函数变为并将上述计算得出的五百组输入、输出向量组(X,Y)代入上述公式,其中的x值对应X,f(x)值对应Y;
3)将所述BP神经网络的每个神经元的输出误差阈值θ设置为0.00001;各个神经元初始连接权值随机产生;
4)对BP神经网络训练,将通过输入值X计算出的神经元值Y′,与实际测得的Y进行比对,差值绝对值小于输出误差阈值θ则完成最后一层训练。
2.一种基于优化的BP神经网络的沼气产量建模计算装置,其特征在于:该装置包括三个部分:
数据采集网关,用于采集并传送数据;
数据分析引擎,用于对数据采集网关传送的数据进行关键数据提取;
算法模块,采用权利要求1所述的基于优化的BP神经网络的沼气产量建模计算方法,用于对数据分析引擎提取的关键数据进行建模学习,并最终生成沼气产量建模模型。
3.根据权利要求2所述的一种基于优化的BP神经网络的沼气产量建模计算装置,其特征在于:所述关键数据包括沼气产量、污水流量、进水有机物浓度,出水有机物浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611270744.0A CN106802983B (zh) | 2016-12-30 | 2016-12-30 | 一种基于优化的bp神经网络的沼气产量建模计算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611270744.0A CN106802983B (zh) | 2016-12-30 | 2016-12-30 | 一种基于优化的bp神经网络的沼气产量建模计算方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106802983A true CN106802983A (zh) | 2017-06-06 |
CN106802983B CN106802983B (zh) | 2020-02-18 |
Family
ID=58985295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611270744.0A Active CN106802983B (zh) | 2016-12-30 | 2016-12-30 | 一种基于优化的bp神经网络的沼气产量建模计算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106802983B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109215743A (zh) * | 2018-09-04 | 2019-01-15 | 南京工业大学 | 一种基于新型bp神经网络建模的沼气生产过程的预测方法 |
CN111798134A (zh) * | 2020-07-06 | 2020-10-20 | 青岛洪锦智慧能源技术有限公司 | 一种基于数据驱动模型的提高污水处理厂甲烷产量方法 |
CN113609754A (zh) * | 2021-07-05 | 2021-11-05 | 上海华高汇元工程服务有限公司 | 一种用于污水曝气的气量分配控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7574410B2 (en) * | 2006-08-22 | 2009-08-11 | Kjt Enterprises, Inc. | Fast 3D inversion of electromagnetic survey data using a trained neural network in the forward modeling branch |
CN103500280A (zh) * | 2013-09-30 | 2014-01-08 | 沈阳化工大学 | 谷氨酸发酵过程菌体浓度在线软测量方法 |
-
2016
- 2016-12-30 CN CN201611270744.0A patent/CN106802983B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7574410B2 (en) * | 2006-08-22 | 2009-08-11 | Kjt Enterprises, Inc. | Fast 3D inversion of electromagnetic survey data using a trained neural network in the forward modeling branch |
CN103500280A (zh) * | 2013-09-30 | 2014-01-08 | 沈阳化工大学 | 谷氨酸发酵过程菌体浓度在线软测量方法 |
Non-Patent Citations (1)
Title |
---|
花亚梅 等: "基于改进BP神经网络的厌氧发酵产气量预测模型", 《环境工程学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109215743A (zh) * | 2018-09-04 | 2019-01-15 | 南京工业大学 | 一种基于新型bp神经网络建模的沼气生产过程的预测方法 |
CN111798134A (zh) * | 2020-07-06 | 2020-10-20 | 青岛洪锦智慧能源技术有限公司 | 一种基于数据驱动模型的提高污水处理厂甲烷产量方法 |
CN111798134B (zh) * | 2020-07-06 | 2022-04-05 | 青岛洪锦智慧能源技术有限公司 | 一种基于数据驱动模型的提高污水处理厂甲烷产量方法 |
CN113609754A (zh) * | 2021-07-05 | 2021-11-05 | 上海华高汇元工程服务有限公司 | 一种用于污水曝气的气量分配控制方法 |
CN113609754B (zh) * | 2021-07-05 | 2023-08-25 | 上海华高汇元工程服务有限公司 | 一种用于污水曝气的气量分配控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106802983B (zh) | 2020-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jain et al. | Application of ANN for reservoir inflow prediction and operation | |
Senent-Aparicio et al. | Coupling machine-learning techniques with SWAT model for instantaneous peak flow prediction | |
Shiri et al. | Predicting groundwater level fluctuations with meteorological effect implications—A comparative study among soft computing techniques | |
Ellis et al. | Stress-strain modeling of sands using artificial neural networks | |
Solaimani | Rainfall-runoff prediction based on artificial neural network (a case study: Jarahi watershed) | |
Stojanovic et al. | A self-tuning system for dam behavior modeling based on evolving artificial neural networks | |
CN102269972B (zh) | 基于遗传神经网络的管道压力缺失数据补偿方法及装置 | |
CN102495919B (zh) | 一种生态系统碳交换影响因素提取方法及系统 | |
Tayyab et al. | Discharge forecasting by applying artificial neural networks at the Jinsha River Basin, China | |
CN104007243B (zh) | 应用反向传播神经网络模型评价游泳池水质的方法 | |
CN103606006A (zh) | 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 | |
CN106802983A (zh) | 一种基于优化的bp神经网络的沼气产量建模计算方法及装置 | |
Li et al. | Sensitivity analysis of groundwater level in Jinci Spring Basin (China) based on artificial neural network modeling | |
CN109858798B (zh) | 关联改造措施与电压指标的电网投资决策建模方法及装置 | |
CN113836783B (zh) | 斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法 | |
Li et al. | Enhanced combination modeling method for combustion efficiency in coal-fired boilers | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN102279852B (zh) | 一种基于遗传算法的油藏自动历史拟合系统及其拟合方法 | |
Zhang et al. | Effluent Quality Prediction of Wastewater Treatment System Based on Small-world ANN. | |
Wang et al. | Rainfall-runoff simulation using simulated annealing wavelet bp neural networks | |
CN115310348A (zh) | 基于Stacking的灌浆量集成代理预测模型及预测方法 | |
Kamp et al. | Hydrological model coupling with ANNs | |
Oyebode et al. | Comparison of two data-driven modelling techniques for long-term streamflow prediction using limited datasets | |
Chen et al. | Deformation prediction of landslide based on genetic-simulated annealing algorithm and BP neural network | |
CN110414146A (zh) | 一种基于深度学习的水环境治理项目设计参数优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |