CN108549740A - 一种基于混合智能算法的厌氧系统出水氨氮软测量方法 - Google Patents
一种基于混合智能算法的厌氧系统出水氨氮软测量方法 Download PDFInfo
- Publication number
- CN108549740A CN108549740A CN201810182380.3A CN201810182380A CN108549740A CN 108549740 A CN108549740 A CN 108549740A CN 201810182380 A CN201810182380 A CN 201810182380A CN 108549740 A CN108549740 A CN 108549740A
- Authority
- CN
- China
- Prior art keywords
- ammonia nitrogen
- sample
- data
- variable
- water outlet
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)
Abstract
本发明涉及了一种厌氧废水处理系统出水氨氮的软测量预测方法,目的在于解决厌氧废水处理系统中出水氨氮浓度测量中存在的测量时间滞后长、价格昂贵、维护困难等问题。该方法基于厌氧废水处理生化特性,通过主成分分析和最小二乘法支持向量机混合智能算法,成功实现厌氧废水处理中出水氨氮的实时检测。实验证明,该软测量方法出水氨氮预测值与实际测量真实值相关系数为0.9970,说明该软测量模型能够快速、准确地预测出水氨氮的浓度,不仅可以提高了厌氧废水处理系统中出水氨氮质量监控水平,更可进一步解决现有测定仪器价格昂贵、维护困难和测量滞后等问题,具有十分重要的应用价值。
Description
技术领域
本发明涉及厌氧废水处理技术领域,更具体地,涉及一种基于主成分分析和最小二乘支持向量机混合智能算法的厌氧过程出水氨氮的软测量方法。
背景技术
近年来随着现代科学技术的快速发展,各类生产处理过程包括化工、轻工和废水处理等已经发生了显著的变化。以前简单的、局部的、常规的控制方法已经不能满足现代生产工艺的要求。为了保证生产过程的正常进行和获取最大的经济效益,先进控制和优化控制纷纷被应用于现代生产过程中。在应用过程中常常遇到的难题就是许多产品质量变量的在线测量和一些与产品质量密切相关的重要过程参数,如化学反应器中反应物浓度和产品分布、生物发酵罐中的生物量参数、精馏塔的塔顶和塔底产品的组分浓度等等。由于受工艺和技术的限制而难以或无法通过硬件传感器在线检测,只能通过离线实验室分析得到分析值。但是,离线实验室分析往往存在长时间滞后的问题,无法满足在线实时控制和优化操作的要求。近年来,为解决这类变量的估计和控制问题,软测量技术取得了重大发展。软测量技术的基本点在于根据某种最优准则,选择一组与主导变量有密切联系又容易测量的二次变量,通过构造某种数学关系,用计算机软件实现对主导变量的估计。在以软测量传感器的估计值为反馈信号的控制系统中,控制器与估计器是分离的,因而给控制器和软传感器的设计都带来极大的方便。
同时,随着我国水污染问题依然严重,对氮污染物的排放标准也日益严格,氨氮是污水中氮污染控制中的一项主要指标。多年来以厌氧为主体的污水处理工艺已经在各种类型废水处理中得到成功应用,取得了显著的经济和环境效益。近年来厌氧脱氮技术也的得到了快速发展,此为代表的厌氧氨养化脱氮污水处理工艺是涉及化学、物理、生物等多门学科的综合性技术。处理过程中进水流量、基质成分和浓度都在不断地变化,同时受制于微生物活性易受环境条件和系统本身变化的特性,在污水处理系统中,对出水条件等重要参数的即时监控是十分重要的。另一方面,由于现有的大多数检测传感器和仪表普遍存在的测量时间滞后长、价格昂贵、维护困难等问题。在实际污水处理过程中仍是靠人工进行化验操作,导致了出水水质质量波动大,耗时长以及高费用等问题。
发明内容
本发明的目的是提供一种厌氧废水处理系统出水氨氮的软测量方法,旨在解决厌氧废水处理过程不能实时测量出水氨氮浓度而导致系统不能及时调控而造成的出水水质下降,同时可以大大的降低测量成本,为污水处理厂提供了一种快速高效的测量手段。该方法在基于最小二乘法支持向量机算法建立起的厌氧废水处理系统出水氨氮预测模型基础上,引入主成分分析算法分析各个变量的相关性实现输入高维辅助变量的降维处理,在去除冗余信息的同时减少了模型计算量,进一步提高模型的准确度和运算速度。
为解决上述技术问题,本发明的技术方案如下。
一种基于混合智能算法的厌氧系统出水氨氮软测量方法,其包括如下步骤:
(1)辅助变量的确定:选取能直接测量并且与厌氧过程密切相关的水质变量;
(2)搭建厌氧废水处理系统,建立训练样本数据库:采集不同进水条件下厌氧反应器的进水水质和出水水质,构建模型输入输出向量对的集合;进水水质包括进水亚硝酸盐氮、进水COD、进水pH、产气量的参数;出水水质包括出水氨氮浓度、出水pH、产气量;
(3)对(2)中采集到的模型输入输出向量进行异常值的剔除和归一化处理,建立辅助变量数据样本集和关键状态变量即预测变量数据集;
(4)利用主成分分析算法分析辅助变量数据集:借助一个正交变换,将原始相关的随机变量变换成不相关的新变量,从代数的角度来看是将原变量的协方差阵转换成对角阵;
(5)建立基于最小二乘法支持向量机的出水氨氮软测量预测模型,利用(3)的辅助变量数据样本集和预测变量数据集组成数据集,将数据集分为训练样本数据和测试样本数据,利用训练样本数据对模型进行训练,直到满足训练条件训练停止;
(6)利用(5)训练好的基于最小二乘法支持向量机的出水氨氮软测量预测模型,将测试样本数据作为训练后模型的输入,模型输出即为出水氨氮的预测值。
进一步地,步骤(1)所述辅助变量的选取包括厌氧系统过程中的进水亚硝酸盐氮、进水COD、进水pH、出水pH以及产气量。
进一步地,步骤(2)以进水亚硝酸盐氮、进水COD、进水pH、出水pH以及产气量五个指标参数作为输入变量,出水氨氮浓度作为输出变量。
进一步地,步骤(4)具体包括:
①首先通过公式(1)计算辅助变量数据样本矩阵Xm×n的均值和方差,然后利用公式(2)对Xm×n进行零均值标准化处理得到标准化矩阵Zm×n:
其中,矩阵Xm×n为由进水亚硝酸盐氮、进水COD、进水pH、出水pH以及产气量五个指标参数构成的样本矩阵,m为辅助变量参数个数,n为数据样本个数,为样本矩阵Xm×n第J列数据平均值,Sj代表标准差,xij代表第i个样本的第j个分量,zij代表标准化矩阵Zm×n的第i个样本的第j个分量;
②利用公式(3)和(4)求标准化矩阵Zm×n的协方差矩阵Rn×n,以下将Zm×n简写为Z:
③根据公式(5)解出R的n个特征值λJ,j=1,2,…,n,并按从大到小的顺序排列,根据公式(6)求解相应特征值的单位特征向量bj,bj=(b1j,b2j,┅,bnj):
|R-λJE|=0 (5)
Rb=λJb (6);
④按公式(7)计算累计方差贡献率,确定主成分个数k,累计方差贡献率≥85%的前k个主成分包含了绝大部分信息,后面的其他成分能被舍弃:
⑤最后利用公式(8)将标准化矩阵Z在k维上投影,k由④确定,组成k个主元的新的数据样本矩阵U,U1称为第一主成分,U2称为第二主成分,U3称为第k主成分,这样原始数据样本实现了从n维降到k维:
为矩阵Z的第i个样本的转置矩阵。
进一步地,步骤(4)利用主成分分析算法分析辅助变量数据集,处理后将新的数据样本分为训练样本和测试样本。
进一步的,所述步骤(1)辅助变量的确定考虑在于选取不同厌氧过程中出水氨氮浓度相关性强的水质变量,以近年来热门的厌氧氨氧化脱氮工艺选择考虑在于:亚硝酸盐氮是厌氧氨氧化反应中的电子受体,其是影响厌氧氨氧化工艺稳定性的因素之一。它可以与有毒的不带电的分子HNO2互相平衡。高浓度的亚硝酸盐氮会抑制微生物活性,且其抑制阈值低于氨氮。换句话说,厌氧氨氧化更易受亚硝酸盐氮的抑制。作为废水中常见的物质有机物,它对厌氧氨氧化的抑制机理有两种。一种是反硝化过程与厌氧氨氧化共同竞争作为电子受体的亚硝酸盐氮,因为在高浓度有机物浓度存在时,异养菌生长速率更快,降低了厌氧氨氧化的脱氮能力。另一种机理则是在高浓度有机物存在的情况下,厌氧氨氧化菌虽然是优势种群,却进行着不同的代谢途径,如将有机物作为底物而不是氨氮和亚硝酸盐氮。pH对厌氧氨氧化的影响主要来自两个方面。一是直接作用,即超出厌氧氨氧化菌的耐受限度。郑平等研究发现,当pH值从6.0升至7.5时,厌氧氨氧化速率升高;但当pH值继续升至9.5时,厌氧氨氧化速率则不断下降,最适值在附近7.5-8.0附近。二是间接作用,即影响基质的有效性。氨和亚硝酸盐是厌氧氨氧化菌的基质,而其有效成分为游离氨和游离亚硝酸盐,pH会影响游离氨和游离亚硝酸盐在水相中的比例。同时,出水pH和产气量作为厌氧氨氧化过程中重要的指标参数,对出水氨氮有着重要的参考意义,因此也被选为辅助变量。
所述步骤(1)中辅助变量的选取并不仅仅局限于进水亚硝酸盐氮、进水COD、进水pH、出水pH以及产气量五个指标参数,其他涉及厌氧氨氧化系统中的其他参数影响如温度和出水硝酸盐氮等变量均可作为辅助变量选取的考量,可根据工艺实际情况进行调整,相同的,此选取标准同样适用于其他厌氧过程。
所述步骤三中模型输入输出向量对异常值的剔除采用拉依达准则法消除过失误差,采用公式(1)对处理后的输入输出向量对进行归一化处理。
其中,S(i)为数据集中的一组数据,max(S)为数据集中最大的一组数据,min(S)为数据集中最小的一组数据。
进一步的,所述步骤(5)中基于最小二乘法支持向量机出水氨氮预测模型的建立以及模型核函数、核参数和正则化参数的选择均在Windows 10工作环境下,使用Matlab2015b中基于最小二乘法支持向量机工具箱编写程序,选取径向基函数作为基于最小二乘法支持向量机模型的核函数,采用网格搜索法确定核参数和正则化参数的最优范围,然后用10倍交叉验证法最终选出模型最优参数。训练样本对模型的训练过程步骤如下:
对于给定样本集U{(xi,yi),i=1,2,…l},其中xi∈Rn为n维输入向量,yi∈R为目标输出,l代表样本个数,基于最小二乘法支持向量机模型可描述为如下优化问题:
其中,ξi为误差向量,ξ为第i个样本点的训练误差,为经验风险,用以衡量机器学习的复杂性,γ>0为惩罚因子又称正则化参数,用以在训练中平衡机器学习的复杂性和经验风险,b为偏置常数,公式(10)满足约束条件:
yi=ωTφ(xi)+b+ξi,i=1,2,…,l (11)
其中,φ(xi)为xi的映射关系。
为求解优化函数引入拉格朗日函数,得到:
式中,α为拉格朗日乘子。
根据KKT条件,对式(12)求偏导可得:
消除ω,ξ,优化的问题就可以转化为式(14)求解问题:
其中,K(xi,xj)为径向基核函数建立起的核函数,其函数形式见式(15),
σ2代表核宽度,利用最小二乘法求解上述线性方程组,最后所得软测量模型为(16)
其中,a,b系数由求解确定。
所述步骤(6)中所用测试样本数据为步骤四经主成分分析后的测试数据集,根据最新输入变量,获得关键状态变量出水氨氮值的预测。
与现有技术相比,本发明具有如下优点和技术效果:
本发明基于主成分分析和最小二乘法支持向量机混合智能算法建立的针对厌氧废水处理系统出水氨氮理论预测模型,完全满足实际中测量精度和准度的要求,同时具备快速及时的优点。模型一旦建立完毕后,既可通过C语言编程单片机实现智能控制器的显示,也可直接嵌入至现场工控机组态软件中实现厌氧废水处理工艺出水氨氮的在线监控,避免了仪器购买的费用和人工测试的耗时,节省维护费用,具有很好的社会效益和经济效益。
特别需要注意的是:本发明采用厌氧废水处理系统中与出水氨氮浓度相关的5个辅助变量,基于主成分分析算法和最小二乘法支持向量机设计的软测量模型,只要采用了本发明的相关变量和方法进行出水氨氮浓度预测都应该属于本发明的范围之内。
附图说明
图1为本发明所用的上流式厌氧污泥床实验装置;
图2为基于混合智能算法的厌氧氨氧化过程出水氨氮的软测量模型程序流程图;
图3为主成分分析荷载图;
图4为主成分分析主成分累计方差贡献率图;
图5为训练数据和测试数据真实值与预测值的对比图;
图6为训练过程与测试过程中的真实值与预测值的误差值;
图7为训练过程与测试过程中的真实值与预测值的相对误差值;
图8为测试过程中真实值与预测值的相关系数图。
具体实施方式
以下结合具体的实施实例对本发明的实施做出进一步的阐述。需要指出的是,实例仅仅是对本发明的一个说明而不是对本发明的限制。
本实例的厌氧氨氧化废水处理系统采用上流式厌氧污泥床实验装置,其材料由玻璃制成,由2个阀门(5)控制进水和进行排泥工作。有效容积为25.12L,其中反应区容积为18.12L,沉淀区容积为7L。反应器外裹黑布防止光氧化菌的影响。通过恒温水浴系统控制反应区温度为(35±1)℃,进水pH用NaHCO3调节。模拟废水从进水储罐(6)由蠕动泵(2)经反应器底部的布水系统进入反应器,气、泥、水混合液通过设在反应器顶部的三相分离器(1)分离,出水由溢流堰排出,所产生气由气体收集装置收集(7)。
水质参数在线监测系统由液体流量计仪表(3)和湿式气体流量计(4,LML-1型)组成。其他实验分析方法均参照APHA标准水和废水监测分析方法,实验所用接种污泥为广州某污水厂厌氧段污泥,反应器经六个月成功启动并达到稳定状态。
实验采用人工自配废水,主要成分为(mg/L):KH2PO4 10,CaCl2·2H2O 5.6,MgSO4·7H2O 300,NaHCO3 1250,微量元素浓缩液各1.25mL,微量元素Ⅰ(g/L):EDTA5.000,FeSO45.000;微量元素Ⅱ(g/L):MnCl2·4H2O 0.990,CuSO4·5H2O 0.250,EDTA 15.000,H3BO40.014,ZnSO4·7H2O 0.430,NiCl2·6H2O 0.190,NaMoO4·2H2O 0.220,NaSeO4·10H2O0.210;底物NH4 +-N及NO2 --N用NH4Cl和NaNO2提供,COD用葡萄糖提供,浓度按需配制。
厌氧氨氧化系统成功启动后开始数据采集工作,通过改变进水条件,反应器连续运行工作200天。对采集后的数据剔除明显异常值后利用拉依达准则剔除离群值,共得到有效原始数据180组。
原始数据采集完成后,采用公式(17)将样本数据进行归一化处理,以处理后的进水亚硝酸盐氮、进水COD、进水pH、出水pH以及产气量五项指标建立辅助变量数据样本集和以处理后的出水氨氮作为关键状态变量(输出变量)数据集。
其中,S(i)为数据集中的一组数据,max(S)为数据集中最大的一组数据,min(S)为数据集中最小的一组数据。
样本矩阵Xm×n由归一化处理后的辅助变量数据样本集组成,即此处m为5(进水亚硝酸盐氮、进水COD、进水pH、出水pH、产气量),n为180(180组数据),基于主成分分析算法的对辅助变量数据样本集的降维步骤如下。
首先通过公式(18)计算变量数据样本矩阵Xm×n的均值和方差,然后利用公式(19)对Xm×n进行零均值标准化处理得到标准化矩阵Zm×n:
利用公式(20)和(21)求标准化矩阵Zm×n的协方差矩阵Rn×n:
根据公式(22)解出R的n个特征值λj(j=1,2,…,n),并按从大到小的顺序排列,根据公式(23)求解相应特征值的单位特征向量bj(j=1,2,…,n),bj=(b1j,b2j,┅,bnj):
|R-λJE|=0 (22)
Rb=λJb (23)
按公式(24)计算累计方差贡献率,确定主成分个数k,累计方差贡献率≥85%
的前k个主成分包含了绝大部分信息,后面的其他成分可以舍弃:
利用公式(24)将标准化矩阵Z在k维上投影,组成k个主元的新的数据样本矩阵U,U1称为第一主成分,U2称为第二主成分,U3称为第k主成分,这样原始数据样本实现了从n维降到k维:
经主成分分析后辅助变量数据之间的关系和主成分贡献率如图2和图3所示。图2所示的双标图显示了辅助变量与样本点之间的多元关系。图中连接原点和各变量的直线称为“向量”,向量在某一主成分上的投影表明该变量对该主成分的重要程度,同时也体现了该主成分对该变量的解释程度。两变量向量间夹角近似表明了两个变量的相关关系,夹角小于90°表示正相关,大于90°表示负相关,接近90°表示不相关.图中的点代表原始数据在第一主成分和第二主成分的量化观测值。从图中辅助变量的夹角来看,产气量与进出水pH、进水亚硝酸盐氮都呈显著正相关,而与进水COD呈负相关关系;从变量的矢量长度来看,进水亚硝酸盐氮、进水COD、出水pH、产气量都是十分重要的变量,相对来说,进水pH的影响较小。图3进一步显示了主成分的方差贡献率和累计方差贡献率,从图中可以看出,第一主成分的方差贡献率为50.78%,第二主成分的方差贡献率为22.40%,第三主成分的方差贡献率16.52%,前两个主成分的方差累计贡献率为73.18%,前三个主成分的方差累计贡献率为89.70%,也表明了图2中的双标图可以很好的表现数据中的规律,同时根据主成分的一般选则标准,累计方差贡献率≥85%的前k个主成分能够包含绝大部分信息,后面的其他成分则可以舍弃,这里原来的5项指标可即可由这3个主成分代替。
从上述由3个主成分代替分析后的辅助变量数据样本集选取前150组数据集作为建立基于最小二乘法支持向量机的出水氨氮软测量预测模型的训练样本,选取后30组数据集作为测试样本进行出水氨氮预测。为验证模型的预测性能,采用如下3种评价指标对模型的预测性能进行分析:
(1)误差值(Error,简称E),E=yp,i-yi,i=1,2,…m(17)E表示测量值与被测量值的真实值之差。
(2)相对误差(Relative Error,简称RE)RE表示绝对误差值与被测量值的真实值之比,相对误差更能反映预测的可靠程度。
(3)相关系数(correlation coefficient,简称R2),
式中为实际值均值,为预测值均值,m为样本数目,R2反映了预测值与实际值线性关系的强弱,R2越接近于1,则预测值与实际值越接近。
使用Matlab2015b中基于最小二乘法支持向量机工具箱编写程序,初始化基于最小二乘法支持向量机参数的选择,其中正则化参数γ和核参数σ2的取值范围为:γ∈(0,1000),σ∈(0,100)。模型参数确定之后,输入训练样本和测试样本,计算训练样本的训练误差值。具体训练公式如上所述这里不再重复。训练过程若满足以下终止条件之一:(1)迭代次数达到最大进化代数;(2)训练误差小于误差设定值。则算法搜索结束,将寻到的全局最优位置作为基于最小二乘法支持向量机出水氨氮预测模型的参数,训练模型并用于出水氨氮的预测。
训练结果如图4~图7所示,训练结果最终选出模型最优核参数σ2=0.4611923,γ=111.0846。从图4中可以看出训练过程中预测值能较好的符合真实值情况,进一步对比图5与图6中训练过程的预测误差与相对误差,我们可以看出,其中真实值与预测值的误差范围保持在25mg/L范围以内,其中在第152样本预测处出现了较大的相对误差,分析其原因在于出水氨氮浓度为0.39mg/L,接近于0mg/L的情况,这里的预测值在-4.88mg/L时会出现非常大的相对误差,但考虑到实际情况在5mg/L以内的误差,我们是仍可接受的。图8显示了预测部分真实值与预测值的相关系数高大0.9970。由上评价指标可以看出基于最小二乘法支持向量机的出水氨氮预测模型模型对厌氧氨氧化系统条件下的出水氨氮具有很好的仿真预测能力。
表1为所用测试集原始数据和预测数据。
表1.测试集原始数据和预测结果
上述实施例为本发明成功实施方式之一,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围内。
Claims (7)
1.一种基于混合智能算法的厌氧系统出水氨氮软测量方法,其特征在于,包括如下步骤:
(1)辅助变量的确定:选取能直接测量并且与厌氧过程密切相关的水质变量;
(2)搭建厌氧废水处理系统,建立训练样本数据库:采集不同进水条件下厌氧反应器的进水水质和出水水质,构建模型输入输出向量对的集合;进水水质包括进水亚硝酸盐氮、进水COD、进水pH、产气量的参数;出水水质包括出水氨氮浓度、出水pH、产气量;
(3)对(2)中采集到的模型输入输出向量进行异常值的剔除和归一化处理,建立辅助变量数据样本集和关键状态变量即预测变量数据集;
(4)利用主成分分析算法分析辅助变量数据集:借助一个正交变换,将原始相关的随机变量变换成不相关的新变量,从代数的角度来看是将原变量的协方差阵转换成对角阵;
(5)建立基于最小二乘法支持向量机的出水氨氮软测量预测模型,利用(3)的辅助变量数据样本集和预测变量数据集组成数据集,将数据集分为训练样本数据和测试样本数据,利用训练样本数据对模型进行训练,直到满足训练条件训练停止;
(6)利用(5)训练好的基于最小二乘法支持向量机的出水氨氮软测量预测模型,将测试样本数据作为训练后模型的输入,模型输出即为出水氨氮的预测值。
2.根据权利要求1所述的一种基于混合智能算法的厌氧系统出水氨氮软测量方法,其特征在于,步骤(1)所述辅助变量的选取包括厌氧系统过程中的进水亚硝酸盐氮、进水COD、进水pH、出水pH以及产气量。
3.根据权利要求1所述的一种基于混合智能算法的厌氧系统出水氨氮软测量方法,其特征在于,步骤(2)以进水亚硝酸盐氮、进水COD、进水pH、出水pH以及产气量五个指标参数作为输入变量,出水氨氮浓度作为输出变量。
4.根据权利要求1所述的一种基于混合智能算法的厌氧系统出水氨氮软测量方法,其特征在于,步骤(4)具体包括:
①首先通过公式(1)计算辅助变量数据样本矩阵Xm×n的均值和方差,然后利用公式(2)对Xm×n进行零均值标准化处理得到标准化矩阵Zm×n:
其中,矩阵Xm×n为由进水亚硝酸盐氮、进水COD、进水pH、出水pH以及产气量五个指标参数构成的样本矩阵,m为辅助变量参数个数,n为数据样本个数,为样本矩阵Xm×n第J列数据平均值,Sj代表标准差,xij代表第i个样本的第j个分量,zij代表标准化矩阵Zm×n的第i个样本的第j个分量;
②利用公式(3)和(4)求标准化矩阵Zm×n的协方差矩阵Rn×n,以下将Zm×n简写为Z:
③根据公式(5)解出R的n个特征值λJ,j=1,2,…,n,并按从大到小的顺序排列,根据公式(6)求解相应特征值的单位特征向量bj,bj=(b1j,b2j,┅,bnj):
|R-λJE|=0 (5)
Rb=λJb (6);
④按公式(7)计算累计方差贡献率,确定主成分个数k,累计方差贡献率≥85%的前k个主成分包含了绝大部分信息,后面的其他成分能被舍弃:
⑤最后利用公式(8)将标准化矩阵Z在k维上投影,k由④确定,组成k个主元的新的数据样本矩阵U,U1称为第一主成分,U2称为第二主成分,U3称为第k主成分,这样原始数据样本实现了从n维降到k维:
为矩阵Z的第i个样本的转置矩阵。
5.根据权利要求4所述的一种基于混合智能算法的厌氧系统出水氨氮软测量方法,其特征在于,步骤(4)利用主成分分析算法分析辅助变量数据集,处理后将新的数据样本分为训练样本和测试样本。
6.根据权利要求1所述的一种基于混合智能算法的厌氧系统出水氨氮软测量方法,其特征在于,步骤(5)中基于最小二乘法支持向量机出水氨氮预测模型的建立以及模型核函数、核参数和正则化参数的选择均在Windows 10工作环境下,使用Matlab2015b中基于最小二乘法支持向量机工具箱编写程序,选取径向基函数作为基于最小二乘法支持向量机模型的核函数,采用网格搜索法确定核参数和正则化参数的最优范围,然后用10倍交叉验证法最终选出模型最优参数;训练样本对模型的训练过程步骤如下:
对于给定样本集U{(xi,yi),i=1,2,…l},其中xi∈Rn为n维输入向量,yi∈R为目标输出,l代表样本个数,基于最小二乘法支持向量机模型能描述为如下优化问题:
其中,ξi为误差向量,ξ为第i个样本点的训练误差,为经验风险,用以衡量机器学习的复杂性,γ>0为惩罚因子又称正则化参数,用以在训练中平衡机器学习的复杂性和经验风险,b为偏置常数,公式(10)满足约束条件:
yi=ωTφ(xi)+b+ξi,i=1,2,…,l (11)
其中,φ(xi)为xi的映射关系;
为求解优化函数引入拉格朗日函数,得到:
式中,α为拉格朗日乘子。
根据KKT条件,对式(12)求偏导可得:
消除ω,ξ,优化的问题就可以转化为式(14)求解问题:
其中,K(xi,xj)为径向基核函数建立起的核函数,其函数形式见式(15),
σ2代表核宽度,利用最小二乘法求解上述线性方程组,最后所得软测量模型为(16)
其中,a,b系数由求解确定。
7.根据权利要求4所述的一种基于混合智能算法的厌氧系统出水氨氮软测量方法,其特征在于,所述步骤(6)中所用测试样本数据为步骤(4)经主成分分析后的测试数据集,根据最新输入变量,获得关键状态变量出水氨氮值的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810182380.3A CN108549740A (zh) | 2018-03-06 | 2018-03-06 | 一种基于混合智能算法的厌氧系统出水氨氮软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810182380.3A CN108549740A (zh) | 2018-03-06 | 2018-03-06 | 一种基于混合智能算法的厌氧系统出水氨氮软测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108549740A true CN108549740A (zh) | 2018-09-18 |
Family
ID=63516285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810182380.3A Pending CN108549740A (zh) | 2018-03-06 | 2018-03-06 | 一种基于混合智能算法的厌氧系统出水氨氮软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108549740A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255200A (zh) * | 2018-10-23 | 2019-01-22 | 中国农业大学 | 一种养殖水体氨氮的软测量方法及装置 |
CN110751987A (zh) * | 2019-10-17 | 2020-02-04 | 北京化工大学 | 一种石脑油裂解制乙烯监测变量的软测量模型的建立方法 |
CN112784476A (zh) * | 2020-12-30 | 2021-05-11 | 浙江大学 | 不同工艺类型农污处理设施出水氨氮软测量方法及装置 |
CN115952728A (zh) * | 2022-11-29 | 2023-04-11 | 淮阴工学院 | 一种亚硝态氮浓度软测量预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886218A (zh) * | 2014-04-08 | 2014-06-25 | 北京工商大学 | 基于多元非平稳时间序列分析与神经网络及支持向量机补偿的湖库藻类水华预测方法 |
CN105045951A (zh) * | 2015-05-27 | 2015-11-11 | 华南理工大学 | 一种厌氧废水处理系统出水挥发性脂肪酸的软测量方法 |
WO2017136561A1 (en) * | 2016-02-02 | 2017-08-10 | Microvi Biotech Inc. | Aerobic nitritation of ammonia and integrated anammox processes |
CN107132325A (zh) * | 2017-04-14 | 2017-09-05 | 华南理工大学 | 一种基于粒子群算法和支持向量机的废水厌氧处理系统出水挥发性脂肪酸的软测量方法 |
-
2018
- 2018-03-06 CN CN201810182380.3A patent/CN108549740A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886218A (zh) * | 2014-04-08 | 2014-06-25 | 北京工商大学 | 基于多元非平稳时间序列分析与神经网络及支持向量机补偿的湖库藻类水华预测方法 |
CN105045951A (zh) * | 2015-05-27 | 2015-11-11 | 华南理工大学 | 一种厌氧废水处理系统出水挥发性脂肪酸的软测量方法 |
WO2017136561A1 (en) * | 2016-02-02 | 2017-08-10 | Microvi Biotech Inc. | Aerobic nitritation of ammonia and integrated anammox processes |
CN107132325A (zh) * | 2017-04-14 | 2017-09-05 | 华南理工大学 | 一种基于粒子群算法和支持向量机的废水厌氧处理系统出水挥发性脂肪酸的软测量方法 |
Non-Patent Citations (4)
Title |
---|
BIN XIE .ETC: "An Accuracy Model for On-Line Prediction of Effluent Ammonia Nitrogen in Anammox Treatment System Based on PCA-BP Algorithm", 《INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND APPLICATION》 * |
刘博等: "基于PCA-LSSVM的厌氧废水处理系统出水VFA在线预测模型", 《环境科学学报》 * |
王元月等: "厌氧氨氧化技术处理高浓度氨氮工业废水的可行性", 《环境科学学报》 * |
胡康等: "基于模糊神经网络的A2/O工艺出水氨氮在线预测模型", 《中国环境科学》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255200A (zh) * | 2018-10-23 | 2019-01-22 | 中国农业大学 | 一种养殖水体氨氮的软测量方法及装置 |
CN110751987A (zh) * | 2019-10-17 | 2020-02-04 | 北京化工大学 | 一种石脑油裂解制乙烯监测变量的软测量模型的建立方法 |
CN112784476A (zh) * | 2020-12-30 | 2021-05-11 | 浙江大学 | 不同工艺类型农污处理设施出水氨氮软测量方法及装置 |
CN112784476B (zh) * | 2020-12-30 | 2022-07-19 | 浙江大学 | 不同工艺类型农污处理设施出水氨氮软测量方法及装置 |
CN115952728A (zh) * | 2022-11-29 | 2023-04-11 | 淮阴工学院 | 一种亚硝态氮浓度软测量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10570024B2 (en) | Method for effluent total nitrogen-based on a recurrent self-organizing RBF neural network | |
US11346831B2 (en) | Intelligent detection method for biochemical oxygen demand based on a self-organizing recurrent RBF neural network | |
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 | |
CN102854296B (zh) | 一种基于集成神经网络的污水处理软测量方法 | |
Han et al. | Hierarchical neural network modeling approach to predict sludge volume index of wastewater treatment process | |
CN108469507B (zh) | 一种基于自组织rbf神经网络的出水bod软测量方法 | |
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 | |
Mehrani et al. | Application of a hybrid mechanistic/machine learning model for prediction of nitrous oxide (N2O) production in a nitrifying sequencing batch reactor | |
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 | |
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 | |
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 | |
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 | |
CN110981021B (zh) | 一种基于模糊bp神经网络的废水高级氧化处理智能加药系统及方法 | |
CN113077039B (zh) | 基于任务驱动rbf神经网络的出水总氮tn软测量方法 | |
CN107247888B (zh) | 基于储备池网络的污水处理出水总磷tp软测量方法 | |
Han et al. | Prediction of sludge bulking using the knowledge-leverage-based fuzzy neural network | |
Chen et al. | Optimal design activated sludge process by means of multi-objective optimization: case study in benchmark simulation model 1 (BSM1) | |
CN103809436A (zh) | 活性污泥法污水处理过程智能建模方法 | |
Xu et al. | Prediction and evaluation of indirect carbon emission from electrical consumption in multiple full-scale wastewater treatment plants via automated machine learning-based analysis | |
CN112989704A (zh) | 一种基于de算法的irfm-cmnn出水bod浓度预测方法 | |
CN102778548B (zh) | 一种污水处理过程污泥膨胀指数预测方法 | |
CN107665288A (zh) | 一种化学需氧量的水质软测量预测方法 | |
CN103605882B (zh) | 一种丝状菌污泥膨胀指数svi特征模型的构建方法 | |
Szeląg et al. | An algorithm for selecting a machine learning method for predicting nitrous oxide emissions in municipal wastewater treatment plants | |
Baeza et al. | In-line fast OUR (oxygen uptake rate) measurements for monitoring and control of WWTP |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180918 |