CN110981021A - 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 - Google Patents

Abstract

本发明公开了一种基于模糊BP神经网络的废水高级氧化处理智能加药系统，包括PS高级氧化处理系统、BP神经网络预测模型和模糊控制器，PS高级氧化处理系统以进水流量、进水COD和加药量作为输入向量，以实际出水COD作为输出向量，BP神经网络预测模型以进水流量、进水COD、实际出水COD、加药量作为输入向量，以出水COD预测值为输出向量，模糊控制器以出水COD设定值与出水COD预测值之间的偏差e和偏差变化率e_c作为输入变量，以加药修正量作为输出变量，通过修正后的加药量作为BP神经网络预测模型下一循环的输入向量，并根据其他加药量与该加药量之间的关系完成对各加药量的控制，实现整个系统加药量的智能调整。

Description

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

技术领域

本发明涉及一种水中有机污染物的高级氧化处理领域，特别是涉及一种基于模糊BP神经网络的废水高级氧化处理智能加药系统及方法。

背景技术

近年来，我国工业废水的排放量日益增大，且工业废水成分复杂，环境毒害性较大。目前废水处理的常规方法是一级(物化)处理、二级(生化)处理，但常规处理方法难以处理水中难降解有机污染物。同时随着工业废水排放标准的提高，该传统方法已经无法确保工业废水的达标排放，而对工业废水二级出水进行深度处理，可将水中的难降解有机污染物彻底氧化分解，进一步降低出水COD，提高出水水质。

水中有机污染物的高级氧化法由于药剂成本低，处理周期短，适用范围广，降解效率高且稳定等特点，在受到广泛重视与研究的同时，已实现部分工业化应用。但控制复杂，人工操作误差大等。

在将计算机与自动化技术应用于废水处理的过程控制中，传统控制方法受制于废水处理过程所存在的非线性、不确定性、时滞性、变量多等问题与特点，难以实现对其高效稳定的控制。而基于神经网络与模糊控制，专家控制的智能控制方法可针对废水处理过程各参数的时变性，准确控制该过程各项工艺参数，达到最好的处理效果，同时实现节约资源，降低处理成本的目的。

发明内容

本发明的目的在于克服现有技术中的上述缺陷，提供一种能够智能加药，节省药剂浪费，加药量控制稳定，水质处理效果极佳和稳定的基于模糊BP神经网络的废水高级氧化处理智能加药系统及方法。

为实现上述目的，本发明提供了一种基于模糊BP神经网络的废水高级氧化处理智能加药系统，包括PS高级氧化处理系统，BP神经网络预测模型和模糊控制器，PS高级氧化处理系统以进水流量(m³/h)、进水COD(mg/l)和加药量(L/h)作为输入向量，以实际出水COD(mg/l)作为输出向量，BP神经网络预测模型以进水流量(m³/h)、进水COD(mg/l)、实际出水COD(mg/l)、加药量(L/h)作为输入向量，以出水COD预测值(mg/l)作为输出向量，模糊控制器以出水COD设定值与BP神经网络预测模型中的出水COD预测值(mg/l)之间的偏差e，以及它们间的偏差变化率e_c作为输入变量，以加药修正量△u(t)作为输出变量，通过修正后的加药量(L/h)作为BP神经网络预测模型下一循环的输入向量之一。

优选的，所述加药量(L/h)为过硫酸盐加药量(L/h)。

优选的，所述BP神经网络预测模型的结构共有4层，分别为输入层，两个隐藏层以及输出层，结构为3-8-5-1，输入层节点数为3，输入向量为X＝[X₁，X₂，X₃]，分别代表进水流量、进水COD以及加药量，第一隐含层神经元节点数为8个，第二隐含层神经元个数为5个，输出层节点数为1个，输出向量为Y,代表出水COD预测值(mg/l)。

优选的，所述模糊控制器模型采用结构为2-14-49-49-1，第一层节点数为2，代表偏差e和偏差变化率e_c；第二层为14个节点，代表14个隶属度函数，完成隶属度函数值的求取；第三层为49个节点，代表49条模糊规则，完成模糊规则的前件计算；第四层为49个节点，代表49个隶属度的适用度；第五层为1个节点，代表t时刻加药量的修正量。

本发明提供了一种基于模糊BP神经网络的废水高级氧化处理智能加药方法，包括下列步骤：

S1、初始辅助变量的确定：选取能直接检测并且与出水COD密切相关的水质变量与加药量；

S2、搭建PS高级氧化处理系统，建立训练样本数据库；根据该系统实际运行的每日进出水水质数据与加药量，构建模型输入输出向量的集合，以步骤S1中所述的初始辅助变量作为输入向量，以实际出水COD(mg/l)作为输出向量；

S3、对步骤S2中采集到的模型中输入向量和输出向量进行异常值剔除以及归一化处理等预处理，建立辅助变量数据样本集和预测变量数据集；

S4、利用主成分分析法算法分析辅助变量数据样本集，借助正交变换将原始相关的随机变量变换成不相关的新变量，确定最终辅助变量，并重新整理简化步骤S3所述的辅助变量数据样本集和预测变量数据集；

S5、建立BP神经网络预测模型，利用步骤S4中所述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，测试样本数据，数据集中以最终辅助变量、实际出水COD(mg/l)作为输入向量，利用训练样本数据对模型进行训练，直到满足训练条件后停止，并以出水COD预测值(mg/l)作为输出向量输出；

S6、建立模糊控制器，通过t+△t时刻出水COD设定值y_d(t+△t)和步骤S5中所述的出水COD预测值y(t+△t)，算出出水COD预测值(mg/l)与出水COD设定值之间的偏差e，以及它们间的偏差变化率e_c，，以偏差e和偏差变化率e_c，作为输入变量，以加药修正量△u(t)作为输出变量，进而改变加药量。

S7、将步骤S6中修正后的加药量作为PS高级氧化处理系统下一循环的输入向量之一，并根据其他加药量与该加药量之间的关系完成对各加药量的控制。

优选的，步骤S1中所述的初始辅助变量为进水流量、进水COD、进水pH、过硫酸盐用量、亚铁盐用量，其中步骤S1中所述的加药量为过硫酸盐加药量。

优选的，步骤S4中所述的最终辅助变量为进水流量、进水COD、过硫酸盐用量。

优选的，所述步骤S4确定最终辅助变量的方法具体为：

S41、由公式(1)得到初始辅助变量数据样本矩阵X_m×n的均值和方差，然后通过公式(2)对样本矩阵X_m×n进行零均值标准化处理，从而计算得到标准化矩阵Z_m×n；

其中，矩阵X_m×n是由进水流量、进水COD、过硫酸盐用量等三个指标参数构成样本矩阵；m为辅助变量个数，n为样本个数，x_ij代表第i个样本的第j个分量，z_ij代表第i个样本的第j个分量，X_j为第i个样本分量的均值，S_j代表标准差；

S42、利用公式(3)和公式(4)求标准化矩阵Z_m×n的协方差矩阵R_n×n，以下将矩阵Z_m×n简写为Z：

S43、根据公式(5)求解出R的不同特征值λ_i(j＝1，2，…，n)，将R的n个特征值按照从大到小的顺序排列，由公式(6)计算得到相应特征值对应的单位特征向量b_i(j＝1，2，…，n)，b_j＝(b_1j，b_2j，┅，b_nj)；

|R-λ_JE|＝0 (5)

Rb＝λ_Jb (6)

S44、根据公式(7)计算主成分的累计方差贡献率，通过累计方差贡献率≥85％确定主成分个数k，其中前k个主成分包含了数据样本的绝大部分信息，后面的其他成分则可以舍弃：

S45、通过公式(8)将标准化矩阵Z_m×n投影在k维坐标上，组成新的数据样本矩阵U，其包括k个主元，U₁为第一主成分，U₂为第二主成分，U_k为第k主成分，通过以上变换，原始数据样本就实现了从n维降到k维的操作，其中Z_i ^T为矩阵Z的第i个样本的转置矩阵，确定最终辅助变量。

优选的，所述步骤S5的方法具体为：

S51、确定BP神经网络预测模型的结构，其共有4层，分别为输入层，两个隐藏层以及输出层，结构为3-8-5-1，输入层节点数为3，输入向量为X＝[X₁,X₂,X₃],分别代表进水流量、进水COD以及过硫酸盐加药量，第一隐含层神经元节点数为8个，第二隐含层神经元个数为5个，输出层节点数为1个，输出向量为Y，代表出水COD预测值；

S52、BP神经网络各参数设置：各层之间的传输函数TF1＝tansig，TF2＝logsig；训练函数选取trainlm函数；训练算法选取Levenberg-Marquardt算法，用来调整BP神经网络拓扑模型中各神经元的权值；最大训练次数为10000次；训练目标为le-6；学习率设为0.01；

优选的，所述步骤S6的方法具体为：

S61、在Matlab上确定模糊控制器的输入输出的等级划分，控制算法将出水COD的预测值与期望值之间的偏差e,偏差变化率e_c以及过硫酸盐加药量的修正量△u(t)分别设为7个、7个、5个等级；

S62、进行模糊规则编译；

S63、确定模糊论域与比例因子；

S64、确定各输入输出变量在不同模糊等级下的隶属度函数；

S65，反模糊化，直接利用Matlab的Fuzzy的工具箱，将输入变量与输出变量的特性、规则、隶属函数等导入到Fuzzy工具箱中，进行编译，即可得到不同输入量对应的输出量的集合；

S66、在Matlab中利用Simulink建立该智能加药系统的仿真模型。

与现有技术相比，本发明的有益效果在于：

在现有的PS高级氧化处理系统上设置了BP神经网络预测模型和模糊控制器，与传统PLC控制以及人工控制相比，一方面，该智能加药系统能根据进水水质的波动变化，及时地做出加药量的调节，以保证出水水质的合格达标；另一方面，在保证出水水质合格的前提下，该智能加药系统能节省大量的人工成本以及避免药剂浪费，提高经济效益。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明本发明实施例一提供的一种基于模糊BP神经网络的废水高级氧化处理智能加药系统图；

图2是本发明实施例二提供的一种基于模糊BP神经网络的废水高级氧化处理智能加药方法流程图；

图3是本发明实施例二提供的Matlab中BP神经网络预测模型的废水高级氧化处理智能加药系统Simulink仿真控制框图；

图4是本发明实施例二提供的主成分(最终辅助变量)的分析荷载图；

图5是本发明实施例二提供的主成分(最终辅助变量)分析主成分累计方差贡献率图；

图6是本发明实施例二提供的BP神经网络预测模型模型训练与预测结果图；

图7是本发明实施例二提供的测试过程中实际值与预测值误差图；

图8是本发明实施例二提供的测试过程中均方根误差图；

图9是本发明实施例二提供的BP神经网络预测模型预测值与真实值的相关系数图；

图10是本发明实施例二提供的模糊控制器规则观察器的示意图；

图11是本发明实施例二提供的模糊控制器输入/输出曲面的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

如图1所示，本发明提供了一种基于模糊BP神经网络的废水高级氧化处理智能加药系统，包括PS高级氧化处理系统，BP神经网络预测模型和模糊控制器，PS高级氧化处理系统以进水流量(m³/h)、进水COD(mg/l)和加药量(L/h)作为输入向量，以实际出水COD(mg/l)作为输出向量，BP神经网络预测模型以进水流量(m³/h)、进水COD(mg/l)、实际出水COD(mg/l)、加药量(L/h)作为输入向量，以出水COD预测值(mg/l)作为输出向量，模糊控制器以出水COD设定值与BP神经网络预测模型中的出水COD预测值(mg/l)之间的偏差e，以及它们间的偏差变化率e_c作为输入变量，以加药修正量△u(t)作为输出变量，通过修正后的加药量(L/h)作为BP神经网络预测模型下一循环的输入向量之一，其中所述加药量(L/h)为过硫酸盐加药量(L/h)。

作为优选的，所述BP神经网络预测模型的结构共有4层，分别为输入层，两个隐藏层以及输出层，结构为3-8-5-1，隐含层的设置对于BP神经网络来说十分重要，当隐藏层神经元选取过少时，会导致连接权组合数不够，进而导致神经网络的性能较差。当隐藏层神经元数选取过多时，会导致系统容易出现过度拟合的现象，其中输入层节点数为3，输入向量为X＝[X₁，X₂，X₃]，分别代表进水流量、进水COD以及加药量，第一隐含层神经元节点数为8个，第二隐含层神经元个数为5个，输出层节点数为1个，输出向量为Y,代表出水COD预测值(mg/l)。

作为优选的，所述模糊控制器模型采用结构为2-14-49-49-1，第一层节点数为2，代表偏差e和偏差变化率e_c；第二层为14个节点，代表14个隶属度函数，完成隶属度函数值的求取；第三层为49个节点，代表49条模糊规则，完成模糊规则的前件计算；第四层为49个节点，代表49个隶属度的适用度；第五层为1个节点，代表t时刻加药量的修正量。

实施例二

如图2-图11所示，本发明还提供了一种基于模糊BP神经网络的废水高级氧化处理智能加药方法：

本实施例二中的PS高级氧化系统以江门某造纸厂实际废水处理系统为例，所有数据均采集于该处理装置日常运行过程中，其中进水流量、过硫酸盐用量，亚铁盐用量，碱液用量，絮凝剂用量均从加药管道所安装的流量计中获得，进水COD为水质化验员实际检测数据，检测仪器为连华COD氨氮双参数测定仪LH-3C。

该处理装置调试启动运行后即开始数据采集工作，该处理装置连续运行200天后，同时完成数据采集工作。对采集到的数据剔除明显异常值后，共得到有效原始数据120组，实际建模采用数据为64组。

表1所用的测试集的部分原始数据。

原始数据采集完成后，采用公式(8)将数据进行归一化处理，以进水流量、进水COD、过硫酸盐用量、亚铁盐加药量、氢氧化钠加药量五项指标建立初始辅助变量数据样本集以及以出水COD作为输出变量样本集。

由公式(1)得到初始辅助变量数据样本矩阵X_m×n的均值和方差，然后通过公式(2)对样本矩阵X_m×n进行零均值标准化处理，从而计算得到标准化矩阵Z_m×n；

其中，矩阵X_m×n是由进水流量、进水COD、过硫酸盐用量等三个指标参数构成样本矩阵；m为辅助变量个数，n为样本个数，x_ij代表第i个样本的第j个分量，z_ij代表第i个样本的第j个分量，

为第i个样本分量的均值，S_j代表标准差；

S42、利用公式(3)和公式(4)求标准化矩阵Z_m×n的协方差矩阵R_n×n，以下将矩阵Z_m×n简写为Z：

S43、根据公式(5)求解出R的不同特征值λ_i(j＝1，2，…，n)，将R的n个特征值按照从大到小的顺序排列，由公式(6)计算得到相应特征值对应的单位特征向量b_i(j＝1，2，…，n)，b_j＝(b_1j，b_2j，┅，b_nj)；

|R-λ_JE|＝0 (5)

Rb＝λ_Jb (6)

S44、根据公式(7)计算主成分的累计方差贡献率，通过累计方差贡献率≥85％确定主成分个数k，其中前k个主成分包含了数据样本的绝大部分信息，后面的其他成分则可以舍弃：

S45、通过公式(8)将标准化矩阵Z_m×n投影在k维坐标上，组成新的数据样本矩阵U，其包括k个主元，U₁为第一主成分，U₂为第二主成分，U_k为第k主成分，通过以上变换，原始数据样本就实现了从n维降到k维的操作，得出其中Z_i ^T为矩阵Z的第i个样本的转置矩阵，确定最终辅助变量。

经主成分分析后初始辅助变量数据之间的关系和主成分贡献率如图4和图5所示，图4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；由图4可知，过硫酸盐用量(3)与亚铁盐(4)用量呈明显的正相关关系，碱液用量(5)与其他四个变量负相关，而根据废水实际特征，进水流量(1)与进水COD(2)虽然呈正相关，但实际两者之间并无明显关联，且都能对输出变量起较大决策作用。

根据图5各主成分的方差贡献率，前三个主成分方差贡献率分别为：31.48、31.82、20.57。总方差贡献率为83.87％，接近85％，因此原来的五项指标可由该三个主成分代替，即进水流量、进水COD、过硫酸盐的用量作为最终辅助变量。

在Matlab2016a上建立BP神经网络预测模型，通过试凑法确定该预测模型结构，最终确定该模型结构共4层，分别为输入层，两个隐藏层以及输出层，结构为3-8-5-1。输入层节点数为3，输入向量为X＝[X₁,X₂,X₃],分别代表进水流量、进水COD以及过硫酸盐加药量。输出层节点数为一个，输出向量为Y,代表出水COD预测值。

BP神经网络预测模型各参数设置：各层之间的传输函数TF1＝tansig，TF2＝logsig；训练函数选取trainlm函数；训练算法选取Levenberg-Marquardt算法，用来调整BP神经网络拓扑模型中各神经元的权值；最大训练次数为10000次；训练目标为le-6；学习率设为0.01。

从原始数据集中选取64组数据对该BP神经网络预测模型进行训练与验证，其中48组作为训练数据，8组作为测试数据，8组作为验证数据。模型预测与验证结果见图6-图9。由图可知，该预测模型出水COD预测值与测量真实值之间相关性为0.9809，预测效果较好。

在Matlab2016a上建立模糊控制器，模糊控制器模型采用结构为2-14-49-49-1，第一层节点数为2，代表偏差e和偏差变化率e_c；第二层为14个节点，代表14个隶属度函数，完成隶属度函数值的求取；第三层为49个节点，代表49条模糊规则，完成模糊规则的前件计算；第四层为49个节点，代表49个隶属度的适用度；第五层为1个节点，代表t时刻加药量的修正量。

该模糊控制器的控制方法包括以下：

第一，确定模糊控制器的输入输出的等级划分，控制算法将出水COD的预测值与期望值之间的偏差e,偏差变化率ec以及过硫酸盐加药量的修正量△u(t)分别设为7个、7个、5个等级。

第二，进行模糊规则编译，为了在进水水质出现波动的情况下，通过对加药量的调节，实现出水COD的稳定控制，特设置如表2所示的模糊控制规则表。

表2模糊控制规则

第三，确定模糊论域与比例因子，根据废水处理系统的要求，偏差e与偏差变化率e_c以及加药量△u(t)基本论域设定[-30,+30],[-10,+10]和[0,100],对应的模糊论域分别设为[-3,+3],[-3,+3],[0,4]；各比例因子为Ke＝3/30＝0.10,Ke_c＝3/10＝0.3,Ku＝100/4＝25；

第四，确定各输入输出变量在不同模糊等级下的隶属度函数。

表3模糊控制器各变量的隶属度函数

第五，反模糊化，直接利用Matlab的Fuzzy的工具箱，将输入变量与输出变量的特性、规则、隶属函数等导入到Fuzzy工具箱中，进行编译，即可得到不同输入量对应的输出量的集合，其中图10是模糊控制器规则观察器的示意图，图11是模糊控制器输入/输出曲面的示意图。

第六、在Matlab2016a中利用Simulink建立该智能加药系统完整的仿真模型，如图3所示。

最后将修正后的过硫酸盐加药量作为PS高级氧化处理系统下一循环的输入向量之一，并根据其他加药量与该加药量之间的关系完成对各加药量的控制。

综上所述，在现有的PS高级氧化处理系统上设置了BP神经网络预测模型和模糊控制器，与传统PLC控制以及人工控制相比，一方面，该智能加药系统能根据进水水质的波动变化，及时地做出加药量的调节，以保证出水水质的合格达标；另一方面，在保证出水水质合格的前提下，该智能加药系统能节省大量的人工成本以及避免药剂浪费，提高经济效益。

上述实施例为本发明较佳的实施方式，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之内。

Claims (10)

1.一种基于模糊BP神经网络的废水高级氧化处理智能加药系统，包括PS高级氧化处理系统，其特征在于，还包括BP神经网络预测模型和模糊控制器，PS高级氧化处理系统以进水流量(m³/h)、进水COD(mg/l)和加药量(L/h)作为输入向量，以实际出水COD(mg/l)作为输出向量，BP神经网络预测模型以进水流量(m³/h)、进水COD(mg/l)、实际出水COD(mg/l)、加药量(L/h)作为输入向量，以出水COD预测值(mg/l)作为输出向量，模糊控制器以出水COD设定值与BP神经网络预测模型中的出水COD预测值(mg/l)之间的偏差e，以及它们间的偏差变化率e_c作为输入变量，以加药修正量△u(t)作为输出变量，通过修正后的加药量(L/h)作为BP神经网络预测模型下一循环的输入向量之一。

2.根据权利要求1所述的一种基于模糊BP神经网络的废水高级氧化处理智能加药系统，其特征在于，所述加药量(L/h)为过硫酸盐加药量(L/h)。

3.根据权利要求1所述的一种基于模糊BP神经网络的废水高级氧化处理智能加药系统，其特征在于，所述BP神经网络预测模型的结构共有4层，分别为输入层，两个隐藏层以及输出层，结构为3-8-5-1，输入层节点数为3，输入向量为X＝[X₁，X₂，X₃]，分别代表进水流量、进水COD以及加药量，第一隐含层神经元节点数为8个，第二隐含层神经元个数为5个，输出层节点数为1个，输出向量为Y,代表出水COD预测值(mg/l)。

4.根据权利要求1所述的一种基于模糊BP神经网络的废水高级氧化处理智能加药系统，其特征在于，所述模糊控制器模型采用结构为2-14-49-49-1，第一层节点数为2，代表偏差e和偏差变化率e_c；第二层为14个节点，代表14个隶属度函数，完成隶属度函数值的求取；第三层为49个节点，代表49条模糊规则，完成模糊规则的前件计算；第四层为49个节点，代表49个隶属度的适用度；第五层为1个节点，代表t时刻加药量的修正量。

5.一种基于模糊BP神经网络的废水高级氧化处理智能加药方法，其特征在于，包括下列步骤：

S1、初始辅助变量的确定：选取能直接检测并且与出水COD密切相关的水质变量与加药量；

S2、搭建PS高级氧化处理系统，建立训练样本数据库；根据该系统实际运行的每日进出水水质数据与加药量，构建模型输入输出向量的集合，以步骤S1中所述的初始辅助变量作为输入向量，以实际出水COD(mg/l)作为输出向量；

S3、对步骤S2中采集到的模型中输入向量和输出向量进行异常值剔除以及归一化处理等预处理，建立辅助变量数据样本集和预测变量数据集；

S4、利用主成分分析法算法分析辅助变量数据样本集，借助正交变换将原始相关的随机变量变换成不相关的新变量，确定最终辅助变量，并重新整理简化步骤S3所述的辅助变量数据样本集和预测变量数据集；

S5、建立BP神经网络预测模型，利用步骤S4中所述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，测试样本数据，数据集中以最终辅助变量、实际出水COD(mg/l)作为输入向量，利用训练样本数据对模型进行训练，直到满足训练条件后停止，并以出水COD预测值(mg/l)作为输出向量输出；

S6、建立模糊控制器，通过t+△t时刻出水COD设定值y_d(t+△t)和步骤S5中所述的出水COD预测值y(t+△t)，算出出水COD预测值(mg/l)与出水COD设定值之间的偏差e，以及它们间的偏差变化率e_c，，以偏差e和偏差变化率e_c，作为输入变量，以加药修正量△u(t)作为输出变量，进而改变加药量。

S7、将步骤S6中修正后的加药量作为PS高级氧化处理系统下一循环的输入向量之一，并根据其他加药量与该加药量之间的关系完成对各加药量的控制。

6.根据权利要求5所述的一种基于模糊BP神经网络的废水高级氧化处理智能加药方法，其特征在于，步骤S1中所述的初始辅助变量为进水流量、进水COD、进水pH、过硫酸盐用量、亚铁盐用量，其中步骤S1中所述的加药量为过硫酸盐加药量。

7.根据权利要求6所述的一种基于模糊BP神经网络的废水高级氧化处理智能加药方法，其特征在于，步骤S4中所述的最终辅助变量为进水流量、进水COD、过硫酸盐用量。

8.根据权利要求7所述的一种基于模糊BP神经网络的废水高级氧化处理智能加药方法，其特征在于，所述步骤S4确定最终辅助变量的方法具体为：

S41、由公式(1)得到初始辅助变量数据样本矩阵X_m×n的均值和方差，然后通过公式(2)对样本矩阵X_m×n进行零均值标准化处理，从而计算得到标准化矩阵Z_m×n；

其中，矩阵X_m×n是由进水流量、进水COD、过硫酸盐用量等三个指标参数构成样本矩阵；m为辅助变量个数，n为样本个数，x_ij代表第i个样本的第j个分量，z_ij代表第i个样本的第j个分量，

为第i个样本分量的均值，S_j代表标准差；

S42、利用公式(3)和公式(4)求标准化矩阵Z_m×n的协方差矩阵R_n×n，以下将矩阵Z_m×n简写为Z：

S43、根据公式(5)求解出R的不同特征值λ_j(j＝1，2，…，n)，将R的n个特征值按照从大到小的顺序排列，由公式(6)计算得到相应特征值对应的单位特征向量b_j(j＝1，2，…，n)，b_j＝(b_1j，b_2j，┅，b_nj)；

|R-λ_jE|＝0 (5)

Rb＝λ_jb (6)

S44、根据公式(7)计算主成分的累计方差贡献率，通过累计方差贡献率≥85％确定主成分个数k，其中前k个主成分包含了数据样本的绝大部分信息，后面的其他成分则可以舍弃：

S45、通过公式(8)将标准化矩阵Z_m×n投影在k维坐标上，组成新的数据样本矩阵U，其包括k个主元，U₁为第一主成分，U₂为第二主成分，U_k为第k主成分，通过以上变换，原始数据样本就实现了从n维降到k维的操作，其中Z_i ^T为矩阵Z的第i个样本的转置矩阵，确定最终辅助变量。

9.根据权利要求7所述的一种基于模糊BP神经网络的废水高级氧化处理智能加药方法，其特征在于，所述步骤S5的方法具体为：

S51、确定BP神经网络预测模型的结构，其共有4层，分别为输入层，两个隐藏层以及输出层，结构为3-8-5-1，输入层节点数为3，输入向量为X＝[X₁,X₂,X₃],分别代表进水流量、进水COD以及过硫酸盐加药量，第一隐含层神经元节点数为8个，第二隐含层神经元个数为5个，输出层节点数为1个，输出向量为Y，代表出水COD预测值；

S52、BP神经网络各参数设置：各层之间的传输函数TF1＝tansig，TF2＝logsig；训练函数选取trainlm函数；训练算法选取Levenberg-Marquardt算法，用来调整BP神经网络拓扑模型中各神经元的权值；最大训练次数为10000次；训练目标为le-6；学习率设为0.01。

10.根据权利要求7所述的一种基于模糊BP神经网络的废水高级氧化处理智能加药方法，其特征在于，所述步骤S6的方法具体为：

S61、在Matlab上确定模糊控制器的输入输出的等级划分，控制算法将出水COD的预测值与期望值之间的偏差e,偏差变化率e_c以及过硫酸盐加药量的修正量△u(t)分别设为7个、7个、5个等级；

S62、进行模糊规则编译；

S63、确定模糊论域与比例因子；

S64、确定各输入输出变量在不同模糊等级下的隶属度函数；

S65，反模糊化，直接利用Matlab的Fuzzy的工具箱，将输入变量与输出变量的特性、规则、隶属函数等导入到Fuzzy工具箱中，进行编译，即可得到不同输入量对应的输出量的集合；

S66、在Matlab中利用Simulink建立该智能加药系统的仿真模型。

Images