CN112967761A - 基于自组织模糊神经网络的污水除磷加药计算方法及介质 - Google Patents

基于自组织模糊神经网络的污水除磷加药计算方法及介质 Download PDF

Info

Publication number
CN112967761A
CN112967761A CN202110255012.9A CN202110255012A CN112967761A CN 112967761 A CN112967761 A CN 112967761A CN 202110255012 A CN202110255012 A CN 202110255012A CN 112967761 A CN112967761 A CN 112967761A
Authority
CN
China
Prior art keywords
moment
layer
self
neuron
neural network
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
CN202110255012.9A
Other languages
English (en)
Other versions
CN112967761B (zh
Inventor
郑江
顾剑
何政
韩红桂
赵楠
付世佳
韩华云
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.)
Beijing Beipai Water Environment Development Co ltd
Beijing University of Technology
Beijing Drainage Group Co Ltd
Original Assignee
Beijing Beipai Water Environment Development Co ltd
Beijing University of 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 Beijing Beipai Water Environment Development Co ltd, Beijing University of Technology filed Critical Beijing Beipai Water Environment Development Co ltd
Priority to CN202110255012.9A priority Critical patent/CN112967761B/zh
Publication of CN112967761A publication Critical patent/CN112967761A/zh
Application granted granted Critical
Publication of CN112967761B publication Critical patent/CN112967761B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Automation & Control Theory (AREA)
  • Computational Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Feedback Control In General (AREA)

Abstract

本申请公开了一种基于自组织模糊神经网络的污水除磷加药计算方法及介质。该方法包括：确定以第t时刻的出水总磷浓度设定值与实际值的误差以及误差的变化率为输入数据，以第t时刻加药量增量为输出数据；基于自组织模糊神经网络，建立与时刻t相关的网络模型结构，确定第t时刻的结构参数；随时刻步进，针对网络模型结构进行模糊神经网络自组织调整；根据第t时刻的结构参数计算第t+1时刻的结构参数，获得第t+1时刻的输出数据；将第t+1时刻的输出数据加上第t时刻的加药量，获得第t+1时刻的加药量。本发明采用自组织模糊神经网络控制器根据出水总磷的检测值计算加药量，使出水总磷浓度稳定在设定值附近，最大程度节省药剂投加量。

Description

基于自组织模糊神经网络的污水除磷加药计算方法及介质
技术领域
本发明涉及水研究领域，更具体地，涉及一种基于自组织模糊神经网络的污水除磷加药计算方法及介质。
背景技术
近年来，城市和工业的飞速发展，导致大量氮磷营养物质的排放，使自然和城市水体水质严重恶化。国家及各地政府相继颁布污水排放标准文件，对磷的排放严格控制。
目前化学除磷剂投加方式有人工投加和智能投加两种方式。在现今环保政策压力之下，为保证出水达标，人工加药大多是采用粗放式投加方式，将出水总磷值控制在远低于出水标准的水平。这种方式不仅会造成资源的巨大浪费，除此之外还可能会造成污泥产率增加，出水色度增加等一系列问题。一部分自动化程度较高的污水厂会采用智能投加的方式，根据进水流量实时调整加药量，但国内污水厂进水水质波动较大，仅根据流量调节依然存在超标风险。少部分污水厂采用依据总磷负荷实时调整加药量的方式，但化学除磷剂主要是与正总磷进行反应，国内污水组分波动较大，基于总磷的除磷剂投加系数较难确定。
因此，有必要开发一种基于自组织模糊神经网络的污水除磷加药计算方法及介质，基于自组织模糊神经网络的精确除磷加药控制方法实现污水处理过程中出水总磷的控制，通过调节除磷剂确保出水总磷满足排放要求。
公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提出了一种基于自组织模糊神经网络的污水除磷加药计算方法及介质，其采用自组织模糊神经网络控制器根据出水总磷的检测值计算聚合氯化铝加药量，使出水总磷浓度稳定在设定值附近，最大程度节省药剂投加量。
第一方面，本公开实施例提供了一种基于自组织模糊神经网络的污水除磷加药计算方法，包括：
确定以第t时刻的出水总磷浓度设定值与实际值的误差以及误差的变化率为输入数据，以第t时刻加药量增量为输出数据；
基于自组织模糊神经网络，建立与时刻t相关的网络模型结构，确定第t时刻的结构参数；
随时刻步进，针对所述网络模型结构进行模糊神经网络自组织调整；
根据第t时刻的结构参数计算第t+1时刻的结构参数，获得第t+1时刻的输出数据；
将第t+1时刻的输出数据加上第t时刻的加药量，获得第t+1时刻的加药量。
优选地，所述网络模型结构包括输入层、径向基层、规则层、输出层。
优选地，所述输入层为：
x(t)＝[x1(t),x2(t)]T (1)
其中，x(t)表示网络模型结构的输入，x1(t)＝r(t)-y(t)为第t时刻出水总磷浓度设定值与实际值y(t)的误差，r(t)为第t时刻出水总磷浓度设定值，y(t)为第t时刻出水总磷浓度实际值，x2(t)＝x1(t)-x1(t-1)为第t时刻出水总磷浓度设定值与实际值误差的变化率，x1(t-1)为第t-1时刻出水总磷浓度设定值与实际值的误差，T为矩阵的转置。
优选地，所述径向基层为：
Figure BDA0002967812750000031
其中，
Figure BDA0002967812750000032
为第t时刻径向基层第j个神经元的输出值，j＝1,2,…,R；xi(t)为第t时刻径向基层第i个神经元的输入；cij(t)为第t时刻径向基层第j个神经元第i个隶属度函数的中心；σij(t)为第t时刻径向基层第j个神经元第i个隶属度函数的宽度。
优选地，所述规则层为：
Figure BDA0002967812750000033
其中，vj(t)为第t时刻规则层第j个神经元的输出值。
优选地，所述输出层为：
Figure BDA0002967812750000034
其中，u(t)为第t时刻控制器的加药量，Δu(t)为第t时刻加药量增量，wj(t)为第t时刻规则层第j个神经元与输出层之间的权值。
优选地，随时刻步进，针对所述网络模型结构进行模糊神经网络自组织调整包括：
给定初始径向基层和规则层神经元个数为R；
计算规则层神经元的独立贡献度；
计算径向基层神经元的活跃度；
根据所述独立贡献度与所述活跃度调整径向基层与规则层神经元的数量，调整所述网络模型的结构。
优选地，计算径向基层神经元的活跃度，调整所述网络模型的结构包括：
计算径向基层第l个神经元的活跃度Sl(t)以及规则层第l个神经元的独立贡献度Ψl(t)，当Sl(t)和Ψl(t)满足
Figure BDA0002967812750000041
时，增加一个径向基层和规则层神经元，并更新径向基层神经元和规则层神经元数为M1＝R+1；否则，不调整自组织模糊神经网络结构，M1＝R；
当径向基层第i个神经元的活跃度Si(t)和规则层第i个神经元的独立贡献度Ψi(t)满足
Figure BDA0002967812750000042
时，则删除径向基层第i个神经元和规则层第i个神经元，并更新径向基层和规则层神经元数，M2＝M1-1；否则，不调整自组织模糊神经网络结构，M2＝M1，
其中，S(t)＝[S1(t),…,SR(t)]为第t时刻径向基层神经元的活跃度向量，Ψ(t)＝[Ψ1(t),…,ΨR(t)]为第t时刻规则层神经元的独立贡献度。
优选地，根据第t时刻的结构参数计算第t+1时刻的结构参数为：
Figure BDA0002967812750000043
Figure BDA0002967812750000044
Figure BDA0002967812750000045
其中，σij(t+1)为第t+1时刻径向基层第j个神经元第i个隶属度函数的宽度，cij(t+1)为第t+1时刻径向基层第j个神经元第i个隶属度函数的中心，wj(t+1)为第t+1时刻规则层第j个神经元的与输出层之间的权值，Jc(t)为目标函数，
Figure BDA0002967812750000046
η为学习率，初始值设定在(0,1)之间。
第二方面，本公开实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现所述的基于自组织模糊神经网络的污水除磷加药计算方法。
本发明的方法和装置具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施例中，相同的参考标号通常代表相同部件。
图1示出了根据本发明的一个实施例的网络模型结构拓扑的示意图。
图2示出了根据本发明的一个实施例的基于自组织模糊神经网络的污水除磷加药计算方法的步骤的流程图。
图3示出了根据本发明的一个实施例的出水总磷浓度控制效果的示意图。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。
生物除磷是通过活性污泥处理工艺实现污水生物除磷，化学除磷是通过投加适量金属盐或矿物将污水中的总磷转为沉淀去除，生化除磷是在生物除磷的基础上通过投加化学除磷剂，以化学沉淀强化除磷并改善生物处理系统稳定性，不仅可以能够发挥生物除磷和化学除磷各自的优势，两者之间还能相互协同，相互促进，城市污水处理厂通常通过生化除磷方式在活性污泥反应池中添加聚合氯化铝提高除磷效率，本方法根据出水总磷浓度的监测值来调整聚合氯化铝的投加量，使出水总磷浓度稳定在控制值附近。
本发明提供一种基于自组织模糊神经网络的污水除磷加药计算方法，包括：
确定以第t时刻的出水总磷浓度设定值与实际值的误差以及误差的变化率为输入数据，以第t时刻加药量增量为输出数据。
基于自组织模糊神经网络，建立与时刻t相关的网络模型结构，确定第t时刻的结构参数；在一个示例中，网络模型结构包括输入层、径向基层、规则层、输出层。
在一个示例中，输入层为：
x(t)＝[x1(t),x2(t)]T (1)
其中，x(t)表示网络模型结构的输入，x1(t)＝r(t)-y(t)为第t时刻出水总磷浓度设定值与实际值y(t)的误差，r(t)为第t时刻出水总磷浓度设定值，y(t)为第t时刻出水总磷浓度实际值，x2(t)＝x1(t)-x1(t-1)为第t时刻出水总磷浓度设定值与实际值误差的变化率，x1(t-1)为第t-1时刻出水总磷浓度设定值与实际值的误差，T为矩阵的转置。
在一个示例中，径向基层为：
Figure BDA0002967812750000061
其中，
Figure BDA0002967812750000062
为第t时刻径向基层第j个神经元的输出值，j＝1,2,…,R；xi(t)为第t时刻径向基层第i个神经元的输入；cij(t)为第t时刻径向基层第j个神经元第i个隶属度函数的中心；σij(t)为第t时刻径向基层第j个神经元第i个隶属度函数的宽度。
在一个示例中，规则层为：
Figure BDA0002967812750000071
其中，vj(t)为第t时刻规则层第j个神经元的输出值。
在一个示例中，输出层为：
Figure BDA0002967812750000072
其中，u(t)为第t时刻控制器的加药量，Δu(t)为第t时刻加药量增量，wj(t)为第t时刻规则层第j个神经元与输出层之间的权值。
图1示出了根据本发明的一个实施例的网络模型结构拓扑的示意图。
具体地，网络模型结构包括输入层、径向基层、规则层和输出层，如图1所示，具体为：
输入层：该层由2个神经元组成，表示为公式(1)；
径向基层：该层由R个神经元组成，R为大于1的正整数，输入层的输出是径向基层的输入，径向基层输出可以表示为公式(2)；
规则层：该层由R个神经元组成，每个神经元的输出为公式(3)；
输出层：采用加权因子法，该层输出表示为公式(4)。
随时刻步进，针对网络模型结构进行模糊神经网络自组织调整；在一个示例中，随时刻步进，针对网络模型结构进行模糊神经网络自组织调整包括：
给定初始径向基层和规则层神经元个数为R；
计算规则层神经元的独立贡献度；
计算径向基层神经元的活跃度；
根据独立贡献度与活跃度调整径向基层与规则层神经元的数量，调整所述网络模型的结构。
在一个示例中，计算径向基层神经元的活跃度，调整网络模型的结构包括：
计算径向基层第l个神经元的活跃度Sl(t)以及规则层第l个神经元的独立贡献度Ψl(t)，当Sl(t)和Ψl(t)满足
Figure BDA0002967812750000081
时，增加一个径向基层和规则层神经元，并更新径向基层神经元和规则层神经元数为M1＝R+1；否则，不调整自组织模糊神经网络结构，M1＝R；
当径向基层第i个神经元的活跃度Si(t)和规则层第i个神经元的独立贡献度Ψi(t)满足
Figure BDA0002967812750000082
时，则删除径向基层第i个神经元和规则层第i个神经元，并更新径向基层和规则层神经元数，M2＝M1-1；否则，不调整自组织模糊神经网络结构，M2＝M1，
其中，S(t)＝[S1(t),…,SR(t)]为第t时刻径向基层神经元的活跃度向量，Ψ(t)＝[Ψ1(t),…,ΨR(t)]为第t时刻规则层神经元的独立贡献度。
具体地，给定初始径向基层和规则层神经元个数为R，计算规则层神经元的独立贡献度：
Figure BDA0002967812750000083
其中，Ψj(t)为第t时刻规则层第j个神经元的独立贡献度，j＝1,2,...,R，qj(t-1)为第t-1时刻规则层第j个神经元的独立贡献输出，qj(t)为第t时刻规则层第j个神经元的独立贡献输出，Q(t)＝[q1(t),…,qR(t)]T为第t时刻规则层神经元的独立贡献输出矩阵：
Q(t)＝Φ(t)Ω(t) (9)
Ω(t)＝D-1(t)Φ(t)B(t)z(t) (10)
Figure BDA0002967812750000091
其中，Φ(t)＝[v(t-1),v(t)]为第t时刻规则层输出矩阵，v(t-1)＝[v1(t-1),...,vR(t-1)]T为第t-1时刻规则层输出向量，v(t)＝[v1(t),...,vR(t)]T第t时刻规则层输出向量，Ω(t)为第t时刻独立性系数矩阵，D(t)为第t时刻Φ(t)的协方差矩阵，B(t)＝Λ-1/2(t)UT(t)为第t时刻y(t)的白化矩阵，z(t)＝Λ-1/2(t)UT(t)y(t)为第t时刻y(t)的白化转换矩阵，U(t)为第t时刻y(t)的特征值矩阵，Λ(t)为第t时刻y(t)的特征值对角矩阵，v(t-1)＝(v1(t-1)+v2(t-1)+...+vR(t-1))/R为第t-1时刻规则层输出向量元素的均值，v(t)＝(v1(t)+v2(t)+...+vR(t))/R为第t时刻规则层输出向量元素的均值，y(t)是第t时刻自组织模糊神经网络的输出矩阵：
y(t)＝Φ(t)δ(t) (12)
其中，δ(t)是第t时刻规则层到输出层的连接权值矩阵：
δ(t)＝[w(t-1),w(t)] (13)
其中，w(t-1)＝[w1(t-1),…,wR(t-1)]T为第t-1时刻规则层到输出层的连接权值向量，w(t)＝[w1(t),…,wR(t)]T为第t时刻规则层到输出层的连接权值向量；
计算径向基层神经元的活跃度：
Figure BDA0002967812750000092
其中，xj(t)＝[x1(t),x2(t)]为第t时刻径向基层第j个神经元的输入向量，cj(t)为第t时刻径向基层第j个神经元的中心向量。
计算径向基层第l个神经元的活跃度Sl(t)以及规则层第l个神经元的独立贡献度Ψl(t)，当Sl(t)和Ψl(t)满足
Figure BDA0002967812750000093
时，增加一个径向基层和规则层神经元，并更新径向基层神经元和规则层神经元数为M1＝R+1；否则，不调整自组织模糊神经网络结构，M1＝R；
当径向基层第i个神经元的活跃度Si(t)和规则层第i个神经元的独立贡献度Ψi(t)满足
Figure BDA0002967812750000101
时，则删除径向基层第i个神经元和规则层第i个神经元，并更新径向基层和规则层神经元数，M2＝M1-1；否则，不调整自组织模糊神经网络结构，M2＝M1。
自组织调整网络模型的结构，能够使网络结构更加紧凑，更快获得最优解，提高控制精度。
根据第t时刻的结构参数计算第t+1时刻的结构参数，获得第t+1时刻的输出数据；在一个示例中，根据第t时刻的结构参数计算第t+1时刻的结构参数为：
Figure BDA0002967812750000102
Figure BDA0002967812750000103
Figure BDA0002967812750000104
其中，σij(t+1)为第t+1时刻径向基层第j个神经元第i个隶属度函数的宽度，cij(t+1)为第t+1时刻径向基层第j个神经元第i个隶属度函数的中心，wj(t+1)为第t+1时刻规则层第j个神经元的与输出层之间的权值，Jc(t)为目标函数，
Figure BDA0002967812750000105
η为学习率，初始值设定在(0,1)之间。
将第t+1时刻的输出数据加上第t时刻的加药量，获得第t+1时刻的加药量。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述的基于自组织模糊神经网络的污水除磷加药计算方法。
为便于理解本发明实施例的方案及其效果，以下给出两个具体应用示例。本领域技术人员应理解，该示例仅为了便于理解本发明，其任何具体细节并非意在以任何方式限制本发明。
实施例1
图2示出了根据本发明的一个实施例的基于自组织模糊神经网络的污水除磷加药计算方法的步骤的流程图。
如图2所示，该基于自组织模糊神经网络的污水除磷加药计算方法包括：步骤101，确定以第t时刻的出水总磷浓度设定值与实际值的误差以及误差的变化率为输入数据，以第t时刻加药量增量为输出数据；步骤102，基于自组织模糊神经网络，建立与时刻t相关的网络模型结构，确定第t时刻的结构参数；步骤103，随时刻步进，针对网络模型结构进行模糊神经网络自组织调整；步骤104，根据第t时刻的结构参数计算第t+1时刻的结构参数，获得第t+1时刻的输出数据；步骤105，将第t+1时刻的输出数据加上第t时刻的加药量，获得第t+1时刻的加药量。
图3示出了根据本发明的一个实施例的出水总磷浓度控制效果的示意图，表明所提出的一种基于自组织模糊神经网络的污水除磷加药计算方法能够有效的控制出水总磷浓度，使其始终保持在达标范围0.3mg/L内。
实施例2
本公开实施例提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现所述的基于自组织模糊神经网络的污水除磷加药计算方法。
根据本公开实施例的计算机可读存储介质，其上存储有非暂时性计算机可读指令。当该非暂时性计算机可读指令由处理器运行时，执行前述的本公开各实施例方法的全部或部分步骤。
上述计算机可读存储介质包括但不限于：光存储介质(例如：CD－ROM和DVD)、磁光存储介质(例如：MO)、磁存储介质(例如：磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如：存储卡)和具有内置ROM的媒体(例如：ROM盒)。
本领域技术人员应理解，上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果，并不意在将本发明的实施例限制于所给出的任何示例。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。

Claims (10)

1.一种基于自组织模糊神经网络的污水除磷加药计算方法，其特征在于，包括：
确定以第t时刻的出水总磷浓度设定值与实际值的误差以及误差的变化率为输入数据，以第t时刻加药量增量为输出数据；
基于自组织模糊神经网络，建立与时刻t相关的网络模型结构，确定第t时刻的结构参数；
随时刻步进，针对所述网络模型结构进行模糊神经网络自组织调整；
根据第t时刻的结构参数计算第t+1时刻的结构参数，获得第t+1时刻的输出数据；
将第t+1时刻的输出数据加上第t时刻的加药量，获得第t+1时刻的加药量。
2.根据权利要求1所述的基于自组织模糊神经网络的污水除磷加药计算方法，其中，所述网络模型结构包括输入层、径向基层、规则层、输出层。
3.根据权利要求2所述的基于自组织模糊神经网络的污水除磷加药计算方法，其中，所述输入层为：
x(t)＝[x1(t),x2(t)]T (1)
其中，x(t)表示网络模型结构的输入，x1(t)＝r(t)-y(t)为第t时刻出水总磷浓度设定值与实际值y(t)的误差，r(t)为第t时刻出水总磷浓度设定值，y(t)为第t时刻出水总磷浓度实际值，x2(t)＝x1(t)-x1(t-1)为第t时刻出水总磷浓度设定值与实际值误差的变化率，x1(t-1)为第t-1时刻出水总磷浓度设定值与实际值的误差，T为矩阵的转置。
4.根据权利要求2所述的基于自组织模糊神经网络的污水除磷加药计算方法，其中，所述径向基层为：
Figure FDA0002967812740000021
其中，
Figure FDA0002967812740000022
为第t时刻径向基层第j个神经元的输出值，j＝1,2,…,R；xi(t)为第t时刻径向基层第i个神经元的输入；cij(t)为第t时刻径向基层第j个神经元第i个隶属度函数的中心；σij(t)为第t时刻径向基层第j个神经元第i个隶属度函数的宽度。
5.根据权利要求2所述的基于自组织模糊神经网络的污水除磷加药计算方法，其中，所述规则层为：
Figure FDA0002967812740000023
其中，vj(t)为第t时刻规则层第j个神经元的输出值。
6.根据权利要求2所述的基于自组织模糊神经网络的污水除磷加药计算方法，其中，所述输出层为：
Figure FDA0002967812740000024
其中，u(t)为第t时刻控制器的加药量，Δu(t)为第t时刻加药量增量，wj(t)为第t时刻规则层第j个神经元与输出层之间的权值。
7.根据权利要求1所述的基于自组织模糊神经网络的污水除磷加药计算方法，其中，随时刻步进，针对所述网络模型结构进行模糊神经网络自组织调整包括：
给定初始径向基层和规则层神经元个数为R；
计算规则层神经元的独立贡献度；
计算径向基层神经元的活跃度；
根据所述独立贡献度与所述活跃度调整径向基层与规则层神经元的数量，调整所述网络模型的结构。
8.根据权利要求7所述的基于自组织模糊神经网络的污水除磷加药计算方法，其中，计算径向基层神经元的活跃度，调整所述网络模型的结构包括：
计算径向基层第l个神经元的活跃度Sl(t)以及规则层第l个神经元的独立贡献度Ψl(t)，当Sl(t)和Ψl(t)满足
Figure FDA0002967812740000031
时，增加一个径向基层和规则层神经元，并更新径向基层神经元和规则层神经元数为M1＝R+1；否则，不调整自组织模糊神经网络结构，M1＝R；
当径向基层第i个神经元的活跃度Si(t)和规则层第i个神经元的独立贡献度Ψi(t)满足
Figure FDA0002967812740000032
时，则删除径向基层第i个神经元和规则层第i个神经元，并更新径向基层和规则层神经元数，M2＝M1-1；否则，不调整自组织模糊神经网络结构，M2＝M1，
其中，S(t)＝[S1(t),…,SR(t)]为第t时刻径向基层神经元的活跃度向量，Ψ(t)＝[Ψ1(t),…,ΨR(t)]为第t时刻规则层神经元的独立贡献度。
9.根据权利要求1所述的基于自组织模糊神经网络的污水除磷加药计算方法，其中，根据第t时刻的结构参数计算第t+1时刻的结构参数为：
Figure FDA0002967812740000033
Figure FDA0002967812740000041
Figure FDA0002967812740000042
其中，σij(t+1)为第t+1时刻径向基层第j个神经元第i个隶属度函数的宽度，cij(t+1)为第t+1时刻径向基层第j个神经元第i个隶属度函数的中心，wj(t+1)为第t+1时刻规则层第j个神经元的与输出层之间的权值，Jc(t)为目标函数，
Figure FDA0002967812740000043
η为学习率，初始值设定在(0,1)之间。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现权利要求1-9中任一项所述的基于自组织模糊神经网络的污水除磷加药计算方法。
CN202110255012.9A 2021-03-09 2021-03-09 基于自组织模糊神经网络的污水除磷加药计算方法及介质 Active CN112967761B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110255012.9A CN112967761B (zh) 2021-03-09 2021-03-09 基于自组织模糊神经网络的污水除磷加药计算方法及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110255012.9A CN112967761B (zh) 2021-03-09 2021-03-09 基于自组织模糊神经网络的污水除磷加药计算方法及介质

Publications (2)

Publication Number Publication Date
CN112967761A true CN112967761A (zh) 2021-06-15
CN112967761B CN112967761B (zh) 2023-10-27

Family

ID=76277601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110255012.9A Active CN112967761B (zh) 2021-03-09 2021-03-09 基于自组织模糊神经网络的污水除磷加药计算方法及介质

Country Status (1)

Country Link
CN (1) CN112967761B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114380378A (zh) * 2022-03-23 2022-04-22 济安永蓝(北京)工程技术开发有限公司 智能控磷药品投加方法、装置及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140052422A1 (en) * 2011-02-14 2014-02-20 Jinquan Wan Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network
CN103601342A (zh) * 2013-11-25 2014-02-26 清华大学 一种化学除磷工艺优化控制装置
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
CN105510546A (zh) * 2015-12-27 2016-04-20 北京工业大学 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
US20180164272A1 (en) * 2014-11-02 2018-06-14 Beijing University Of Technology Measuring Phosphorus in Wastewater Using a Self-Organizing RBF Neural Network
CN111354423A (zh) * 2020-02-29 2020-06-30 北京工业大学 一种基于多元时间序列分析的自组织递归模糊神经网络的出水氨氮浓度预测方法
CN111498974A (zh) * 2019-12-20 2020-08-07 中国市政工程中南设计研究总院有限公司 基于bp神经网络的智慧加药控制系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140052422A1 (en) * 2011-02-14 2014-02-20 Jinquan Wan Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network
CN103601342A (zh) * 2013-11-25 2014-02-26 清华大学 一种化学除磷工艺优化控制装置
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
US20180164272A1 (en) * 2014-11-02 2018-06-14 Beijing University Of Technology Measuring Phosphorus in Wastewater Using a Self-Organizing RBF Neural Network
CN105510546A (zh) * 2015-12-27 2016-04-20 北京工业大学 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
US20170185892A1 (en) * 2015-12-27 2017-06-29 Beijing University Of Technology Intelligent detection method for Biochemical Oxygen Demand based on a Self-organizing Recurrent RBF Neural Network
CN111498974A (zh) * 2019-12-20 2020-08-07 中国市政工程中南设计研究总院有限公司 基于bp神经网络的智慧加药控制系统
CN111354423A (zh) * 2020-02-29 2020-06-30 北京工业大学 一种基于多元时间序列分析的自组织递归模糊神经网络的出水氨氮浓度预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HAN HONGGUI等: "A fuzzy neural network approach for online fault detection in waste water treatment process", 《COMPUTERS & ELECTRICAL ENGINEERING》, vol. 40, no. 7, pages 2216 - 2226 *
乔俊飞 ，周红标: "基基于于自自组组织织模模糊糊神神经经网网络络的的出出水水总总磷磷预预测测", 《控制理论与应用》, vol. 34, no. 2, pages 224 - 232 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114380378A (zh) * 2022-03-23 2022-04-22 济安永蓝(北京)工程技术开发有限公司 智能控磷药品投加方法、装置及存储介质
CN114380378B (zh) * 2022-03-23 2022-06-28 济安永蓝(北京)工程技术开发有限公司 智能控磷药品投加方法、装置及存储介质

Also Published As

Publication number Publication date
CN112967761B (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
CN105404151B (zh) 污水处理过程动态多目标优化控制方法
CN106873379B (zh) 一种基于迭代adp算法的污水处理最优控制方法
Han et al. Model predictive control of dissolved oxygen concentration based on a self-organizing RBF neural network
CN110647037B (zh) 一种基于二型模糊神经网络的污水处理过程协同控制方法
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
CN109669352B (zh) 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
CN108469507A (zh) 一种基于自组织rbf神经网络的出水bod软测量方法
CN113189881A (zh) 一种污水处理多目标优化控制方法及系统
CN112363391B (zh) 一种基于自适应分段滑模控制的污泥膨胀抑制方法
CN112099354A (zh) 一种面向污水处理过程的智能多目标优化控制方法
Yetilmezsoy Applications of soft computing methods in environmental engineering
CN108536106A (zh) 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法
Santín et al. Control and decision strategies in wastewater treatment plants for operation improvement
CN112967761A (zh) 基于自组织模糊神经网络的污水除磷加药计算方法及介质
CN113608444A (zh) 基于自适应预测控制的污水处理控制方法
Hilgert et al. Nonparametric identification and adaptive control of an anaerobic fluidized bed digester
CN118483903A (zh) 基于知识迁移型约束moea/d的污水处理过程协同优化控制方法
Zhao et al. Self-organizing modeling and control of activated sludge process based on fuzzy neural network
CN112465185B (zh) 一种城市污水处理过程自适应评估多目标优化控制方法
CN116679026B (zh) 自适应无偏有限脉冲响应滤波的污水溶解氧浓度估计方法
CN116822346A (zh) 一种基于q学习的污水处理硝态氮浓度控制方法
Hoang et al. Dissolved oxygen control of the activated sludge wastewater treatment process using Hedge Algebraic control
CN115097886A (zh) 污水处理中溶解氧浓度的控制方法及系统、设备及介质
CN118519463B (zh) 一种水质监测系统中调节阀门稳定流速方法及系统
Ateunkeng et al. Enhancement of energy and cost efficiency in wastewater treatment plants using hybrid bio-inspired machine learning control techniques

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231110

Address after: No. B 37, Beili, Chegongzhuang street, Xicheng District, Beijing, 100044

Patentee after: BEIJING DRAINAGE GROUP Co.,Ltd.

Patentee after: BEIJING BEIPAI WATER ENVIRONMENT DEVELOPMENT Co.,Ltd.

Patentee after: Beijing University of Technology

Address before: No. B 37, Beili, Chegongzhuang street, Xicheng District, Beijing, 100044

Patentee before: BEIJING BEIPAI WATER ENVIRONMENT DEVELOPMENT Co.,Ltd.

Patentee before: Beijing University of Technology