CN112967761B - 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 PDFInfo
- Publication number
- CN112967761B CN112967761B CN202110255012.9A CN202110255012A CN112967761B CN 112967761 B CN112967761 B CN 112967761B CN 202110255012 A CN202110255012 A CN 202110255012A CN 112967761 B CN112967761 B CN 112967761B
- Authority
- CN
- China
- Prior art keywords
- layer
- moment
- neuron
- time
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 47
- 239000010865 sewage Substances 0.000 title claims abstract description 28
- 238000004364 calculation method Methods 0.000 title claims abstract description 15
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims abstract description 49
- 229910052698 phosphorus Inorganic materials 0.000 claims abstract description 49
- 239000011574 phosphorus Substances 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 20
- 230000008859 change Effects 0.000 claims abstract description 8
- 239000003814 drug Substances 0.000 claims abstract description 5
- 210000002569 neuron Anatomy 0.000 claims description 107
- 230000006870 function Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 7
- 230000017105 transposition Effects 0.000 claims description 3
- 229940079593 drug Drugs 0.000 claims 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000010802 sludge Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- BHEPBYXIRTUNPN-UHFFFAOYSA-N hydridophosphorus(.) (triplet) Chemical compound [PH] BHEPBYXIRTUNPN-UHFFFAOYSA-N 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 239000002351 wastewater Substances 0.000 description 2
- 230000002087 whitening effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Mathematical Analysis (AREA)
- Fuzzy Systems (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (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
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：
其中，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：
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：
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：
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，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：
其中，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：
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：
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：
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)
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：
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：
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，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 (7)
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；
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；
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；
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：
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，η为学习率，初始值设定在(0,1)之间，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。
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，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：
其中，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：
其中，为第t时刻径向基层第j个神经元的输出值，j＝1,2,…,R；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：
其中，u(t)为第t时刻控制器的加药量，vj(t)为第t时刻规则层第j个神经元的输出值，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。
7.一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1-6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。
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 CN112967761A (zh) | 2021-06-15 |
| CN112967761B true 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) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102122134A (zh) * | 2011-02-14 | 2011-07-13 | 华南理工大学 | 基于模糊神经网络的溶解氧控制的废水处理方法及系统 |
| US10539546B2 (en) * | 2014-11-02 | 2020-01-21 | Zhengbiao OUYANG | Measuring phosphorus in wastewater using a self-organizing RBF neural network |
-
2021
- 2021-03-09 CN CN202110255012.9A patent/CN112967761B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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)
| Title |
|---|
| Han Honggui等.A fuzzy neural network approach for online fault detection in waste water treatment process.《Computers & Electrical Engineering》.2014,第40卷(第7期),第2216-2226页. * |
| 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》.2017,第34卷(第2期),第224-232页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112967761A (zh) | 2021-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Yang et al. | Prediction of effluent quality in a wastewater treatment plant by dynamic neural network modeling | |
| Han et al. | Adaptive dissolved oxygen control based on dynamic structure neural network | |
| 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 | |
| CN109711070A (zh) | 一种基于活性污泥水处理的溶解氧浓度优化方法 | |
| 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 | |
| CN113189881A (zh) | 一种污水处理多目标优化控制方法及系统 | |
| CN112967761B (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 | |
| CN110716432B (zh) | 一种基于自适应选择策略的城市污水处理过程多目标优化控制方法 | |
| CN111367181B (zh) | 一种用于污水处理系统的混合驱动智能评判控制方法 | |
| CN112967763A (zh) | 基于模糊神经网络的出水总磷预测方法、电子设备及介质 | |
| CN115329661B (zh) | 一种智能投药模型建模、智能投药体系创建、投药方法 | |
| CN114380378B (zh) | 智能控磷药品投加方法、装置及存储介质 | |
| Yetilmezsoy | Applications of soft computing methods in environmental engineering | |
| Han et al. | Robust optimal control for anaerobic-anoxic-oxic reactors | |
| CN114488822A (zh) | 基于高维多目标进化算法的智能污水处理过程优化方法 | |
| CN113608444A (zh) | 基于自适应预测控制的污水处理控制方法 | |
| Civelekoglu et al. | Modeling Carbon and Nitrogen Removal in an Industrial Wastewater Treatment Plant Using an Adaptive Network‐Based Fuzzy Inference System | |
| Rustum | Modelling activated sludge wastewater treatment plants using artificial intelligence techniques (fuzzy logic and neural networks) | |
| CN116679026A (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 | |
| CN113111576A (zh) | 一种基于混合编码粒子群-长短期记忆神经网络出水氨氮软测量方法 | |
| Hoang et al. | Dissolved oxygen control of the activated sludge wastewater treatment process using Hedge Algebraic control | |
| CN112147885B (zh) | 一种基于执行-评判结构的溶解氧浓度智能优化控制方法 | |
| CN115356930A (zh) | 一种污水处理过程中的多目标优化控制系统及方法 |
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 |
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 |
|
| TR01 | Transfer of patent right |