CN111177971A - 一种污泥体积指数分布式软测量方法 - Google Patents

一种污泥体积指数分布式软测量方法 Download PDF

Info

Publication number
CN111177971A
CN111177971A CN201911283714.7A CN201911283714A CN111177971A CN 111177971 A CN111177971 A CN 111177971A CN 201911283714 A CN201911283714 A CN 201911283714A CN 111177971 A CN111177971 A CN 111177971A
Authority
CN
China
Prior art keywords
model
distributed
data
svi
output
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
CN201911283714.7A
Other languages
English (en)
Other versions
CN111177971B (zh
Inventor
赵立杰
邹世达
黄明忠
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.)
Shenyang University of Chemical Technology
Original Assignee
Shenyang University of Chemical 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 Shenyang University of Chemical Technology filed Critical Shenyang University of Chemical Technology
Priority to CN201911283714.7A priority Critical patent/CN111177971B/zh
Publication of CN111177971A publication Critical patent/CN111177971A/zh
Application granted granted Critical
Publication of CN111177971B publication Critical patent/CN111177971B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W10/00—Technologies for wastewater treatment
    • Y02W10/10—Biological treatment of water, waste water, or sewage

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Activated Sludge Processes (AREA)

Abstract

一种污泥体积指数分布式软测量方法，涉及一种污泥处理的测量控制该方法，包括收集数据、数据整理和清洗、构建基模型、SVI模型分布式训练构建、SVI模型部署运行。其中，数据取自各水线监控工作站历史测量数据。数据整理和清洗包括将收集的数据转换为以天为单位的数据样本、剔除异常值、填补缺失值、变量标准化。分布式架构下的基模型使用了随机配置网络模型，分布式优化算法使用了交替方向乘子法（The Alternating Direction Method of Multipliers,ADMM）。构建得到的SVI软测量模型可分别部署到各个水线工作站，用于SVI的计算。本发明得到SVI测量模型与单水线训练的SVI测量模型相比，增强了泛化性能和鲁棒性。

Description

一种污泥体积指数分布式软测量方法
技术领域
本发明涉及一种污泥处理测量控制方法，特别是涉及一种污泥体积指数分布式软测量方法。
背景技术
活性污泥生化污水处理过程的主体是活性污泥絮体和微生物。活性污泥的凝聚和沉降性能直接影响污水处理的质量和运行效率。活性污泥受水质酸碱性，溶解氧含量，温度等多种因素的影响，容易发生污泥膨胀、上浮、发泡等异常现象，导致污水处理效率和处理质量下降，甚至会造成整个污水处理过程瘫痪。
污泥体积指数（SVI）是衡量活性污泥的凝聚和沉降性能的重要指标。目前SVI指标主要依赖实验室人工化验方式获取，存在周期长，成本高，难以实时在线检测问题，导致难以实现活性污泥体积指数的闭环控制和操作优化。
由于污水生化反应水质成分复杂、动力学参数多、非线性强等综合复杂性，难以建立准确的机理模型。韩红桂等人（CN102494979A）基于数据建模方法出发，提出自组织径向基函数神经网络在线预测SVI数值的方法。Bartosz等（Springer, 2017）中使用了支持向量机（SVM），增强树（BT），随机森林（RF）和多元自适应回归样条（MARS）的方法。这些方法均基于单条水线建模，模型仅适用特定建模水线，且随着水线运行，模型的泛化性能会逐渐退化。城市大型污水处理厂会存在地域分散的多条不同运行状况的水线，这些水线均配有完整的自动化系统，其监控工作站上已有各种水线运行监测数据。利用这些水线监控站及数据，本发明提出了一种污泥体积指数分布式软测量方法，这种方法综合了水线的运行状况的多样性，所建模型适合各条水线运行状况，且模型的鲁棒性优于单条水线的模型的方法。
发明内容
本发明的目的在于提供一种污泥体积指数分布式软测量方法，该方法提出了一种分布式框架下的污泥体积指数建模方法，以实现地域分散多条活性污泥处理水线活性污泥体积指数分布式建模和测量，增强活性污泥SVI测量模型的泛化能力和鲁棒性。
该分布式网络模型的构建方案步骤如下：
S1、活性污泥水线上的历史测量数据存储于该水线监控工作站中，通过收集整理多条水线上数据并形成样本。这些数据包括进水PH、进水NH4-N、生化池进水COD、生化池进水SS、生化池进水流量、平均曝气气量、平均曝气氧量、曝气池MLSS、曝气池PH参数，以及对应的水线的实验室化验SVI记录值。
S2、分别在各水线监控工作站上对收集的历史数据进行整理和清洗，形成分布式建模所需训练样本和测试样本。该过程包括剔除异常值、填补缺失值、变量标准化。
S3、选择一条水线监控工作站及其部分训练和测试样本构建分布式基模型。分布式基模型采用了随机配置网络（SCN），该方法是一种增量式构建单隐含层神经网络模型的方法，输入层到隐含层的模型参数在一定范围内和监督条件下随机赋值；带有L个隐含层节点的随机配置网络可以表示为
Figure 64253DEST_PATH_IMAGE001
（1）
其中
Figure 331286DEST_PATH_IMAGE002
是模型的隐含层输出，
Figure 590840DEST_PATH_IMAGE003
表示模型的隐含层到输出层的参数,
Figure 259719DEST_PATH_IMAGE004
是样本数，
Figure 100002_DEST_PATH_IMAGE005
表示隐含层节点个数，
Figure 580979DEST_PATH_IMAGE006
表示模型的输出维度。输出权重使用带有L2正则化项的最小二乘优化方法确定
Figure 882778DEST_PATH_IMAGE007
(2)
这里
Figure 885369DEST_PATH_IMAGE008
是正则化系数。
Figure 471071DEST_PATH_IMAGE009
正则项用来防止过拟合。
S4、将构建好后的分布式SCN基模型分发到各条水线监控工作站上。
S5、分别使用各个计算节点的数据，在交替方向乘子法（The AlternatingDirection Method of Multipliers, ADMM）框架下迭代调整不同节点SCN模型的输出权重，使之得到统一解。该训练过程包括如下技术要点：
(1).分布式训练过程拟解决的问题可以描述为
Figure 635336DEST_PATH_IMAGE010
其中
Figure 188546DEST_PATH_IMAGE011
是弹性网正则化项，
Figure 729249DEST_PATH_IMAGE012
表示第k个网络拓扑节点上的分布式SCN基模型的隐含层输出，
Figure 169458DEST_PATH_IMAGE013
是k个网络拓扑节点的真实输出，
Figure 770203DEST_PATH_IMAGE014
表示收敛后的输出权重数值。
(2)．训练预先指定两个残差阈值
Figure 46595DEST_PATH_IMAGE015
和
Figure 390989DEST_PATH_IMAGE016
作为迭代停止条件，对应初始残差
Figure 951283DEST_PATH_IMAGE017
和对偶残差
Figure 457351DEST_PATH_IMAGE018
如下方式更新，
Figure 988082DEST_PATH_IMAGE019
(3)
Figure 870588DEST_PATH_IMAGE020
(4)
(3). 使用如下ADMM的迭代表达式来计算
Figure 285389DEST_PATH_IMAGE021
。
Figure 962358DEST_PATH_IMAGE022
(4).两个残差阈值
Figure 213342DEST_PATH_IMAGE023
和
Figure 899538DEST_PATH_IMAGE024
通过下式更新，
Figure 106528DEST_PATH_IMAGE025
具体的分布式训练步骤如下：
S51、各计算节点并行初始化各自模型的隐含层到输出层的输出权重参数
Figure 282295DEST_PATH_IMAGE026
以及
Figure 207525DEST_PATH_IMAGE027
；
S52、按照公式5和公式3,更新
Figure 743418DEST_PATH_IMAGE028
；
S53、计算平均值
Figure 70494DEST_PATH_IMAGE029
，采用分布式共识算法在6个节点上计算得出；
S54、按照公式6，计算
Figure 417162DEST_PATH_IMAGE030
，按照公式4，计算
Figure 564109DEST_PATH_IMAGE031
；
S55、按照公式7，
Figure 405157DEST_PATH_IMAGE032
,
Figure 586740DEST_PATH_IMAGE033
；
S56、根据公式8和9计算容忍误差
Figure 104309DEST_PATH_IMAGE034
和
Figure 4132DEST_PATH_IMAGE035
，判断是否到达停止条件
Figure 884757DEST_PATH_IMAGE036
，若未达到停止条件，则跳到第S52；否则训练停止，得到统一的分布式SVI测量模型。
S6、在各条水线监控工作站上获取当前在线运行测量数据，并将其作为SVI测量模型的输入，计算该模型来得到输出SVI值。
从上述计算方案可以看出，本发明具有以下有益效果：
1、本发明用到的输入辅助变量为各水线自动化系统的在线测量数据，不涉及实验室化验数据，使该模型可以实现在线测量SVI值。
2、使用这种分布式的训练方法可以综合不同水线的运行状况，使得该模型增强了泛化性能和鲁棒性。
3、本发明所述污泥体积指数分布式软测量方法基于k折交叉验证进行超参数寻优，减少了人工调参的大量繁琐重复工作，也提高了模型构建的效率。
4、本发明提供的这种算法实现了SVI的预测，有助于污水厂工作人员及时掌握污水处理工艺运行状况，以保障污水处理工艺稳定运行。
附图说明
图1是该分布式框架下的污泥体积指数软测量建模的流程图；
图2是分布式模型在ADMM框架下进行分布式训练过程。
具体实施方式
下面结合附图来说明本发明方案中所涉及的技术问题。应说明的是，该描述的实施例仅为了更好理解对本发明，而不起任何限定作用。、
从图1分布式ADMM-SCN建模的流程图可以看出，整体过程包括下述步骤；
步骤一，选取了国内某污水处理厂6条具有自动化系统的活性污泥水线数据，分别在其污水处理线监控工作站的历史数据库中获取230天的历史数据，包括的变量有进水PH、进水NH4-N、生化池进水COD、生化池进水SS、生化池进水流量、平均曝气气量、平均曝气氧量、曝气池MLSS、曝气池PH参数，以及对应的水线的实验室化验SVI记录值。
步骤二，在每个工作站上，将每个变量的数据按如下方法处理：将数据以天为单位按照统计特征（中心极限定理）去除异常值，将每天的数据取平均值分别作为每天的该变量的值。按此方法在各工作站上形成了以天为单位的样本。按上述方法在每个监控工作站得到230个样本，每个样本包含9个特征和一个SVI值。将这些样本的特征做标准化处理，得到后续训练所需数据样本。
步骤三，随机选取某条水线构建基模型，随机选取该水线中4/5的样本（184条）使用带有L2正则项的SCN模型构建基模型。其中SCN模型隐含层节点上限15、SCN训练停止条件误差容忍度0.01、网络隐含层的激活函数选择SIGMOD函数。
步骤四，将建立好后的SCN基模型通过网络分发到各条水线监控工作站上，以便进行下一步的训练。
步骤五，6条计算节点彼此间可以直接网络互通，具体训练步骤如下：
1.各计算节点并行初始化各自模型的隐含层到输出层的输出权重参数
Figure 920846DEST_PATH_IMAGE037
以及
Figure 609316DEST_PATH_IMAGE038
；
2.按照公式5和公式3,更新
Figure 730856DEST_PATH_IMAGE039
；
3.计算平均值
Figure 913707DEST_PATH_IMAGE040
，采用分布式共识算法在6个节点上计算得出；
4.按照公式6，计算
Figure 69881DEST_PATH_IMAGE041
，按照公式4，计算
Figure 240837DEST_PATH_IMAGE042
；
5.按照公式7，
Figure 849673DEST_PATH_IMAGE043
；
6. 根据公式8和9计算容忍误差
Figure 757586DEST_PATH_IMAGE044
和
Figure 830585DEST_PATH_IMAGE045
，判断是否到达停止条件，若达到，则退出，否则跳到第2步进入循环
分布式训练过程中通过网格搜索的方式来获取最优模型参数，设置了如下的模型初始参数ADMM迭代上限为500、拉格朗日的増广项系数
Figure 798541DEST_PATH_IMAGE046
、初始残差阈值
Figure 707722DEST_PATH_IMAGE047
、共识停止阈值0.01、参数共识迭代上限100。
步骤六，在各条水线监控工作站上做如下处理：对于新采集在线测量数据，将每个变量的数据以统计特征（中心极限定理）去除异常值，将剩余数据取平均值分别作为每个变量的值；将获得样本的特征按步骤一所得标准化参数做标准化处理，并将其作为SVI测量模型的输入，计算该模型来得到水线当前SVI值。
图2具体给出了分布式模型的训练过程描述。首先通过构建好的分布式SCN基模型。该模型为单隐含层的全连接网络，表示为
Figure 419326DEST_PATH_IMAGE048
其中
Figure 612410DEST_PATH_IMAGE049
是模型的隐含层输出，
Figure 751267DEST_PATH_IMAGE050
表示模型的输出权重,
Figure 383630DEST_PATH_IMAGE051
是样本数，
Figure 898925DEST_PATH_IMAGE052
表示隐含层节点个数，
Figure 946516DEST_PATH_IMAGE053
表示模型的输出维度。
该分布式SCN基模型被分配到不同的网络节点上，随后进行ADMM分布式训练，训练过程中分布式SCN基模型的输出权重在ADMM框架进行迭代计算，以通过不同网络拓扑设备的数据训练出统一的模型。分布式训练过程拟解决的问题可以描述为
Figure 256274DEST_PATH_IMAGE054
其中
Figure 874469DEST_PATH_IMAGE055
是弹性网正则化项，
Figure 927875DEST_PATH_IMAGE056
表示第k个网络拓扑节点上的分布式SCN基模型的隐含层输出，
Figure 829972DEST_PATH_IMAGE057
是k个网络拓扑节点的真实输出，
Figure 310632DEST_PATH_IMAGE058
表示收敛后的输出权重数值。使用如下ADMM的迭代表达式来计算
Figure 180237DEST_PATH_IMAGE058
。
Figure 771755DEST_PATH_IMAGE059
具体实施时第k个节点上网络模型的输出权重
Figure 793938DEST_PATH_IMAGE060
在当前网络计算节点上进行推理计算。
当误差容忍度低于0.01，迭代算法停止。
训练好后的模型包括15个隐含层节点。在当前6条水线测试数据的均方根误差（Root Mean Squard Error，RMSE）为20.693。

Claims (4)

1.一种污泥体积指数分布式软测量方法，其特征在于，所述方法包括如下步骤：
步骤一，在多条水线上的监控工作站中收集整理数据并形成样本；
步骤二，分别在各水线监控工作站上对收集的历史数据进行整理和清洗，形成分布式建模所需训练样本和测试样本；
该过程包括剔除异常值、填补缺失值、变量标准化；
步骤三，在一条水线监控工作站及其部分训练和测试样本构建分布式建模基模型；
步骤四，将构建好后的分布式建模基模型分发到各条水线监控工作站上；
步骤五，分别使用多条水线上的监控工作站作为分布式建模训练的计算节点，使用多条水线数据在交替方向乘子法（The Alternating Direction Method of Multipliers,ADMM）框架下迭代调整不同节点基模型的输出权重，使之得到统一解，从而得到统一的活性污泥体积指数测量模型；
步骤六，在各条水线监控工作站上获取当前在线运行测量数据，并将其作为SVI测量模型的输入，计算该模型来得到输出SVI值。
2.根据权利要求1所述的污泥体积指数分布式软测量方法，其特征在于，上述步骤一收集的数据变量包括进水PH、进水NH4-N、生化池进水COD、生化池进水SS、生化池进水流量、平均曝气气量、平均曝气氧量、曝气池MLSS、曝气池PH参数，以及对应的水线的实验室化验SVI记录值。
3.根据权利要求1所述的污泥体积指数分布式软测量方法，其特征在于，上述步骤三采用了随机配置网络（SCN），该方法是一种增量式构建单隐含层神经网络模型的方法，输入层到隐含层的模型参数在一定范围内和监督条件下随机赋值；带有L个隐含层节点的随机配置网络可以表示为
Figure DEST_PATH_IMAGE001
其中
Figure 940754DEST_PATH_IMAGE002
是模型的隐含层输出，
Figure DEST_PATH_IMAGE003
表示模型的隐含层到输出层的参数输出权重,
Figure 658174DEST_PATH_IMAGE004
是样本数，
Figure DEST_PATH_IMAGE005
表示隐含层节点个数，
Figure 991066DEST_PATH_IMAGE006
表示模型的输出维度，输出权重使用带有L2正则化项的最小二乘优化方法确定
Figure DEST_PATH_IMAGE007
这里
Figure 743122DEST_PATH_IMAGE008
是正则化系数；
Figure DEST_PATH_IMAGE009
正则项用来防止过拟合。
4.根据权利要求1所述的污泥体积指数分布式软测量方法，其特征在于，上述步骤五分别使用各个计算节点的数据，在交替方向乘子法（The Alternating Direction Method ofMultipliers, ADMM）框架下迭代调整不同节点SCN模型的输出权重，使之得到统一解；该训练过程包括如下技术要点：
(1).分布式训练过程拟解决的问题可以描述为
Figure 4732DEST_PATH_IMAGE010
其中
Figure DEST_PATH_IMAGE011
是弹性网正则化项，
Figure 209448DEST_PATH_IMAGE012
表示第k个网络拓扑节点上的分布式SCN基模型的隐含层输出，
Figure DEST_PATH_IMAGE013
是k个网络拓扑节点的真实输出，
Figure 346032DEST_PATH_IMAGE014
表示收敛后的输出权重数值;
(2)．训练预先指定两个残差阈值
Figure DEST_PATH_IMAGE015
和
Figure 952594DEST_PATH_IMAGE016
作为迭代停止条件，对应初始残差
Figure DEST_PATH_IMAGE017
和对偶残差
Figure 382176DEST_PATH_IMAGE018
如下方式更新，
Figure DEST_PATH_IMAGE019
使用如下ADMM的迭代表达式来计算
Figure 136505DEST_PATH_IMAGE020
；
Figure DEST_PATH_IMAGE021
(4).两个残差阈值
Figure 76779DEST_PATH_IMAGE022
和
Figure DEST_PATH_IMAGE023
通过下式更新，
Figure 537847DEST_PATH_IMAGE024
。
CN201911283714.7A 2019-12-13 2019-12-13 一种污泥体积指数分布式软测量方法 Active CN111177971B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911283714.7A CN111177971B (zh) 2019-12-13 2019-12-13 一种污泥体积指数分布式软测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911283714.7A CN111177971B (zh) 2019-12-13 2019-12-13 一种污泥体积指数分布式软测量方法

Publications (2)

Publication Number Publication Date
CN111177971A true CN111177971A (zh) 2020-05-19
CN111177971B CN111177971B (zh) 2023-08-22

Family

ID=70652026

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911283714.7A Active CN111177971B (zh) 2019-12-13 2019-12-13 一种污泥体积指数分布式软测量方法

Country Status (1)

Country Link
CN (1) CN111177971B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112634347A (zh) * 2021-01-07 2021-04-09 沈阳化工大学 一种活性污泥形态学和污泥体积指数svi软测量方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102494979A (zh) * 2011-10-19 2012-06-13 北京工业大学 一种污泥沉降体积指数svi的软测量方法
CN102778548A (zh) * 2012-06-21 2012-11-14 北京工业大学 一种污水处理过程污泥膨胀指数预测方法
CN103942600A (zh) * 2014-04-12 2014-07-23 北京工业大学 基于尖峰自组织径向基神经网络的污泥膨胀预测方法
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102494979A (zh) * 2011-10-19 2012-06-13 北京工业大学 一种污泥沉降体积指数svi的软测量方法
CN102778548A (zh) * 2012-06-21 2012-11-14 北京工业大学 一种污水处理过程污泥膨胀指数预测方法
CN103942600A (zh) * 2014-04-12 2014-07-23 北京工业大学 基于尖峰自组织径向基神经网络的污泥膨胀预测方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
G TAYLOR等: "Training Neural NetworksWithout Gradients: A Scalable ADMM Approach", ARXIV.ORG *
邹世达: "生物污水处理过程活性污泥体积指数预报方法研究", 中国优秀硕士学位论文数据库 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112634347A (zh) * 2021-01-07 2021-04-09 沈阳化工大学 一种活性污泥形态学和污泥体积指数svi软测量方法
CN112634347B (zh) * 2021-01-07 2023-09-15 沈阳化工大学 一种活性污泥形态学和污泥体积指数svi软测量方法

Also Published As

Publication number Publication date
CN111177971B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
Bagheri et al. Modeling and optimization of activated sludge bulking for a real wastewater treatment plant using hybrid artificial neural networks-genetic algorithm approach
US10570024B2 (en) Method for effluent total nitrogen-based on a recurrent self-organizing RBF neural network
Han et al. Dynamic MOPSO-based optimal control for wastewater treatment process
CN102411308B (zh) 基于递归神经网络模型的溶解氧的自适应控制方法
CN109558893B (zh) 基于重采样池的快速集成污水处理故障诊断方法
CN106802563B (zh) 一种基于果蝇优化和lssvm的污水过程优化控制方法
Yuzgec et al. Dynamic neural-network-based model-predictive control of an industrial baker's yeast drying process
CN109473182B (zh) 一种基于深度信念网络的mbr膜透水率智能检测方法
CN109657790B (zh) 一种基于pso的递归rbf神经网络出水bod预测方法
CN109934422A (zh) 一种基于时间序列数据分析的神经网络风速预测方法
CN112149905A (zh) 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法
CN115660165A (zh) 一种基于双层pso的模块化神经网络出水氨氮浓度多步预测方法
CN109408896B (zh) 一种污水厌氧处理产气量多元智能实时监控方法
CN114298134A (zh) 风电功率预测方法及装置、电子设备
CN111177971A (zh) 一种污泥体积指数分布式软测量方法
Shang et al. Research on intelligent pest prediction of based on improved artificial neural network
CN105389614B (zh) 一种神经网络自更新过程的实现方法
CN110705752A (zh) 基于anfis与机理模型的污水bod实时预测方法
CN105372995A (zh) 污水处理系统测控方法
CN112418504A (zh) 一种基于混合变量选择优化深度信念网络风速预测方法
Gao et al. The study of GRNN for wind speed forecasting based on Markov Chain
CN109359671B (zh) 一种水电站水库调度规则的分类智能提取方法
CN115356930A (zh) 一种污水处理过程中的多目标优化控制系统及方法
CN114149076B (zh) 一种厌氧氨氧化污水处理系统的智能调试系统
CN109559028A (zh) 基于灰色理论与距离评价的配电网规划年可靠性评估方法

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