CN114037163A - 一种基于动态权重pso优化bp神经网络的污水处理出水质量预警方法 - Google Patents
一种基于动态权重pso优化bp神经网络的污水处理出水质量预警方法 Download PDFInfo
- Publication number
- CN114037163A CN114037163A CN202111329912.XA CN202111329912A CN114037163A CN 114037163 A CN114037163 A CN 114037163A CN 202111329912 A CN202111329912 A CN 202111329912A CN 114037163 A CN114037163 A CN 114037163A
- Authority
- CN
- China
- Prior art keywords
- data
- sewage treatment
- neural network
- inflow
- early warning
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 77
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 58
- 239000010865 sewage Substances 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 116
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 58
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 20
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 15
- 239000001301 oxygen Substances 0.000 claims abstract description 15
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 15
- 230000033116 oxidation-reduction process Effects 0.000 claims abstract description 12
- 238000010219 correlation analysis Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000004065 wastewater treatment Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000013450 outlier detection Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 claims 2
- 238000013461 design Methods 0.000 abstract description 2
- 230000010485 coping Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 241000195493 Cryptophyta Species 0.000 description 2
- 238000005842 biochemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012851 eutrophication Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 231100000739 chronic poisoning Toxicity 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明公开了一种基于动态权重PSO粒子群算法优化BP神经网络的污水处理出水质量预警方法，该方法是基于以下步骤实现的：1)在分析A2O污水处理工艺的基础上，通过相关性分析确定进水流量、进水总氮、进水COD、溶解氧浓度、氧化还原电位ORP、进水PH值等6个关键指标为出水总氮、出水COD预测模型的输入变量，并对数据进行预处理；2)建立一种基于动态权重PSO优化BP神经网络的污水处理出水质量预测模型，并对模型的精确度进行验证；3)利用建立好的模型，输入6个关键指标的数据集，对出水总氮、出水COD进行预测，通过分析预测结果给出相应预警。本发明设计合理，不仅解决了传统BP神经网络在对出水质量预测时的结构复杂冗余、容易陷入局部极值的问题，同时较大程度的提高了出水质量的预测精度，且对污水处理厂出水质量进行了预警，能够达到提前预知、提前应对的效果。
Description
技术领域
本发明基于特性，利用一种基于动态权重PSO优化BP神经网络的污水处理出水质量预警方法，既属于控制领域，又属于水处理领域。
背景技术
随着工业化和城市化的快速推进，城市污水处理厂的数量逐年递增，而这其中排放的污水水质却时有超标情况存在。在A2O污水处理工艺过程中，出水总氮、出水COD浓度是评价水处理效果的重要指标之一。氮是微生物生长的必要元素之一，当水中总氮含量超标，可造成水体富营养化，造成水中藻类大量繁殖。其次，藻类大量过度繁殖，消耗大量氧气，造成溶解氧浓度过低，溶解氧浓度过低又影响出水总氮处理效果，继而形成恶性循环。当水中COD含量超标，说明水体受有机物的污染较严重。有毒的有机物进入水体，不仅危害水体的生物如鱼类，而且还可经过食物链的富集，进入人体，引起慢性中毒。因此加强对出水总氮、出水COD的预测有助于做到提前预知、提前应对，以此来解决污水处理厂出水质量排放不达标问题，有利于防止水体富营养化和有机物污染，对促进水环境保护和环境整治具有重要的现实意义。
现阶段污水处理厂，对于污水出水总氮、出水COD的测量主要是根据微观生物反应过程和物理生化反应过程建立的机理模型，其在预测出水指标工作上长期占据主导地位，但是由于机理模型存在着化学计量参数和动力学参数测定相对复杂、对复杂的生化反应过程模拟程度有限的缺陷。近年来，随着基于数据驱动和机器学习的人工智能技术日益发展，出水总氮、出水COD的软测量技术得以成功应用。BP神经网络是现如今发展最成熟的人工神经网络之一，其凭借着具有较强的非线性自适应能力备受青睐。BP神经网络是一种基于误差反向传播算法训练的多层感知器前馈网络，通过大量已有的样本学习训练，找到最适的输入输出之间的非线性映射关系。而预测污水处理厂出水总氮、出水COD是一种复杂的非线性系统建模，所以应用BP神经网络来解决相关问题显得非常合适。但考虑到传统的BP神经网络结构冗余、在迭代的过程中容易出现局部最优，从而造成神经网络的识别能力不足问题同样不可忽略。
发明内容
本发明的主要目的在于针对现有污水处理水质预警方法的不足，提出了一种基于动态权重PSO优化BP神经网络的污水处理水质预警的方法，以解决现有方法中BP神经网络结构冗余、在迭代的过程中易出现局部最优，收敛速度较慢等问题，从而实现在精准地预测出水水质的基础上，力求达到模型结构更加经历紧凑的目的。
为达上述目的，本发明所采用了以下的技术方案：
一种基于动态权重PSO优化BP神经网络的污水处理出水质量预警方法，所述方法包括以下几个步骤：
1)通过分析A2O污水处理工艺，利用相关性分析将进水流量、进水总氮、进水COD、溶解氧浓度、氧化还原电位ORP、进水PH值等6个关键指标确定为预测模型的输入变量，并对数据进行预处理；
2)建立一种基于动态权重PSO优化BP神经网络的污水处理出水质量预测模型，并对模型的精确度进行验证；
3)利用建立好的模型，输入上述6个关键指标的数据集，对出水总氮、出水COD进行预测，通过分析预测结果给出相应预警等级。
进一步的，步骤1)中进水流量、进水总氮、进水COD、溶解氧浓度、氧化还原电位ORP、进水PH值等预测模型的6个输入变量的确定，其主要选择过程为：
从污水处理厂获取多项水质样本数据，包括：进水流量、进水温度、进水总氮、进水氨氮、进水BOD5、进水COD、进水SS、氧化还原电位ORP、溶解氧浓度、进水PH值、出水BOD5、出水SS、出水TP等13个指标中基于多元回归分析算法，建立多元线性回归分析模型，进行相关性分析，发现相比较其他指标，进水流量、进水总氮、进水COD、溶解氧浓度、氧化还原电位ORP、进水PH值6个指标与出水总氮、出水COD的相关性较高，故确定其为出水总氮、出水COD预测模型的输入变量。
数据预处理具体包括：
从污水处理厂获取水质样本数据：通过从污水处理厂众多历史数据中收集上述污水处理工艺中的6个关键变量，形成初步数据集。对显著偏离数据集中的数据进行基于聚类的离群点检测，聚类过程包括计算距离、聚类法分析和结果有效性分析；对缺失数据填补方法为：单点异常数据缺失采用上一采样时间点数据填充，较长时段数据缺失，采用该时间段的数据均值进行填充；对数据归一化操作：归一化后的数据，变量的取值都在(0，1)的范围内。其公式如下：
最终得到500组数据，随机地选取其中400组数据作为训练数据，剩下的100组作为测试数据，进行出水总氮、出水COD的预测。
进一步的，步骤2)中建立一种基于动态权重PSO优化BP神经网络的污水处理出水质量预测模型，并对模型的精确度进行验证具体为：
本文提出的动态权重PSO算法改进BP神经网络，就是把具有动态权重PSO算法的全局搜索能力和BP神经网络的局部快速搜索能力较好地结合起来，以避免网络陷入局部极小来提高网络的训练速度：
其中，BP神经网络的预测输出为：
式中，Hj为网络隐含层输出，ωjk和bk分别为神经网络隐含层到输出层的权重和阈值
粒子群算法中的粒子仅具有两个属性：速度V和位置X。在第k次迭代中，第i个粒子的速度和位置记为Vi，t和Xi，t，每个粒子在搜索空间中单独的搜寻最优解，记为局部最优解Pi，并将个体极值与整个粒子群里的其他粒子共享，找到最优的那个个体极值作为整个粒子群的当前全局最优解Gi，粒子群中的所有粒子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置，其中粒子的速度和位置更新为公式(3)(4)：
Vi，t+1＝ω·Vi，t+1+c1r1(Pi-Xi，t)+c2r2(Gi-Xi，t) (3)
Xi，t+1＝Xi，t+Vi，t+1。 (4)
其中，ω称为粒子惯性权重，c1，c2为加速度常数，用来调节学习最大步长，r1，r2为[0，1]范围内的随机数。
经过改进后的粒子群算法为：
改进前的ω为恒值不变，此时ω如果过大，算法拥有较好的全局收敛能力，但局部收敛能力很弱，ω如果过小，算法拥有较好的局部收敛能力，但全局收敛能力很弱。因此，本改进算法采用非线性变化的惯性权重ω代替固定不变的惯性权重，经过改进后的惯性权重表达式为：
其中，ωmax是最大惯性权重，ωmin是最小惯性权重，m为当前迭代次数，mmax为当前算法总迭代次数。经过改进后的算法，随着迭代次数的增加，惯性权重ω不断减小，从而使得粒子群算法在初期具有较强的全局收敛能力，后期具有较强的局部收敛能力。
建立一种基于动态权重PSO优化BP神经网络的污水处理模型，具体步骤如下：
初始化网络的各项参数：根据输入变量的需要，神经网络的输入层神经元的个数为6，隐含层和输出层神经元个数分别设为10和1。其中PSO算法需要优化的权重阈值总个数为：N＝(m+1)×n+(n+1)×t，m为输入神经元个数，n为隐层神经元个数，t为输出层神经元个数，c1＝c2＝3，ωmax＝0.8，ωmin＝0.1；最大迭代次数mmax设为1500，对粒子的速度和位置进行随机初始化。
适应度计算：按照公式：
计算网络适应度，其中
为实际输出，Ok为神经网络预测输出。
更新个体极值和群体极值：比较每个粒子的适应度值与个体极值，若适应度值较小，则该适应度值成为新的个体极值，并将新的个体极值与全局最优适应度值进行比较，如果更小，则其可作为当前的群体极值。
根据式(3)(4)(5)更新粒子的位置和速度。
将BP神经网络的初始权重和阈值转化成粒子群算法中的粒子，比较全局最优适应度值是否小于设定误差或者迭代次数达到设定的最大值，若不满足，返回3)；若满足，则输出的全局最优粒子位置即为最优的BP网络的权重阈值。以400组训练数据样本作为输入值代入确定好的模型中进行训练，得到未经测试的预测模型。
对模型的精确度验证如下：
为了比较传统BP神经网络与本发明的预测效果，保证预测结果的精确性和可靠性，以污水处理厂出水总氮的100组测试数据作为测试集，选取平均绝对误差(MAE)和均方根误差(RMSE)作为模型精确度的评价指标，其公式分别为：
其中n为污水处理厂实际出水总氮数据的样本数目。
进一步的，步骤3)中利用建立好的模型，输入6个关键指标的数据集，对出水总氮、出水COD进行预测，通过使用一种数据滤波的死区预警方法对污水处理出水质量进行相应预警：
通过从污水处理厂众多历史数据中收集上述污水处理工艺中的6个关键变量，形成初步数据集。对数据进行预处理，选取100组实时数据作为模型的输入，进行出水总氮、出水COD的预测。
预测所输出的数据可能存在数据短时间内发生高频抖动现象，如果抖动的范围在报警阈值附近，则可能产生重复大量报警。针对此问题，提出一种数据滤波的死区预警方法：
先将预测得到的数据相近的n个样本点进行平均值计算，然后分别取预警指标的上限和下限作为报警初步阈值，然后在该阈值的附近设置一个死区，死区的上下限设置为阈值的±10％。若预测值高于死区的上限，则将产生相应的预警信息，若预测值低于死区的下限，则将消除相应的预警，若预测值在死区范围之内，则保持前一时刻报警状态。
根据水质指标的数值，给出应的预警等级，如表1所示.根据异常等级可及时采取相应措施，保证工况正常且出水水质达标。
表1：出水总氮排放数值预警表
表2：出水COD排放数值预警表
本发明具有的受益效果为：
相对于现有的出水水质预警技术，本发明构建了一种基于动态权重PSO优化BP神经网络的污水处理出水质量预警方法。该方法首先从污水处理厂众多变量的基础上，利用相关性分析法确定预测模型的6个输入变量，后又通过动态权重粒子群算法优化BP神经网络权值来建立污水处理厂出水水质预测模型，并输出出水总氮、出水COD预测结果，最后利用建立好的模型，输入6个关键指标的数据集，对出水总氮、出水COD进行预测，通过分析预测结果给出污水处理出水质量相应预警。该方法不仅解决了传统BP神经网络在对污水处理出水质量预警时的结构复杂冗余、容易陷入局部极值的问题，同时较大程度的提高了预警的精确度。
附图说明
图1为本发明基于动态权重PSO优化BP神经网络的结构图。
图2为A2O污水处理工艺流程图。
图3为出水总氮训练结果图。
图4为出水总氮测试结果图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
参照图1所示为一种基于改进PSO优化BP神经网络的污水处理出水质量预警方法，所述方法包括以下步骤：
步骤1：通过分析A2O污水处理工艺，利用相关性分析将进水流量、进水总氮、进水COD、溶解氧浓度、氧化还原电位ORP、进水PH值等6个关键指标确定为预测模型的输入变量，并对数据进行预处理。
表1待选取模型变量与出水总氮、出水COD相关性
从污水处理厂获取多项水质样本数据，包括：进水流量、进水温度、进水总氮、进水氨氮、进水BOD5、进水COD、进水SS、氧化还原电位ORP、溶解氧浓度、进水PH值、出水BOD5、出水SS、出水TP等13个指标中基于多元回归分析算法，建立多元线性回归分析模型，进行相关性分析，发现相比较其他指标，进水流量、进水总氮、进水COD、溶解氧浓度、氧化还原电位ORP、进水PH值6个指标与出水总氮、出水COD的相关性较高，故确定其为出水总氮、出水COD预测模型的输入变量。
表2部分样本数据示例
所述数据的预处理具体包括：
从污水处理厂获取水质样本数据：通过从污水处理厂众多历史数据中收集上述污水处理工艺中的6个关键变量，形成初步数据集。对显著偏离数据集中的数据进行基于聚类的离群点检测，聚类过程包括计算距离、聚类法分析和结果有效性分析；对缺失数据填补方法为：单点异常数据缺失采用上一采样时间点数据填充，较长时段数据缺失，采用该时间段的数据均值进行填充；对数据归一化操作：归一化后的数据，变量的取值都在(0，1)的范围内。最终得到500组数据，随机地选取其中400组数据作为训练数据，剩下的100组作为测试数据，进行出水总氮、出水COD的预测。
步骤2：建立一种基于动态权重PSO优化BP神经网络的污水处理出水质量预测模型，并对模型的精确度进行验证。
本文提出的动态权重PSO算法改进BP神经网络，就是把具有动态权重PSO算法的全局搜索能力和BP神经网络的局部快速搜索能力较好地结合起来，以避免网络陷入局部极小来提高网络的训练速度。
其中BP神经网络的预测输出为：
式中，Hj为网络隐含层输出，ωjk和bk分别为神经网络隐含层到输出层的权重和阈值。
粒子群算法中的粒子仅具有两个属性：速度V和位置X。在第k次迭代中，第i个粒子的速度和位置记为Vi，t和Xi，t，每个粒子在搜索空间中单独的搜寻最优解，记为局部最优解Pi，并将个体极值与整个粒子群里的其他粒子共享，找到最优的那个个体极值作为整个粒子群的当前全局最优解Gi，粒子群中的所有粒子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置，其中粒子的速度和位置更新为公式(9)(10)：
Vi，t+1＝ω·Vi，t+1+c1r1(Pi-Xi，t)+c2r2(Gi-Xi，t) (9)
Xi，t+1＝Xi，t+Vi，t+1 (10)
其中，ω称为粒子惯性权重，c1，c2为加速度常数，用来调节学习最大步长，r1，r2为[0，1]范围内的随机数。
经过改进后的粒子群算法为：
改进前的ω为恒值不变，此时ω如果过大，算法拥有较好的全局收敛能力，但局部收敛能力很弱，ω如果过小，算法拥有较好的局部收敛能力，但全局收敛能力很弱。因此，本改进算法采用非线性变化的惯性权重ω代替固定不变的惯性权重，经过改进后的惯性权重表达式为：
其中，ωmax是最大惯性权重，ωmin是最小惯性权重，m为当前迭代次数，mmax为当前算法总迭代次数。经过改进后的算法，随着迭代次数的增加，惯性权重ω不断减小，从而使得粒子群算法在初期具有较强的全局收敛能力，后期具有较强的局部收敛能力。
建立一种基于动态权重PSO优化BP神经网络的污水处理模型，具体步骤如下：
初始化网络的各项参数：根据输入变量的需要，神经网络的输入层神经元的个数为6，隐含层和输出层神经元个数分别设为10和1。其中PSO算法需要优化的权重阈值总个数为：N＝(m+1)×n+(n+1)×t，m为输入神经元个数，n为隐层神经元个数，t为输出层神经元个数，c1＝c2＝3，ωmax＝0.8，ωmin＝0.1；最大迭代次数mmax设为1500，对粒子的速度和位置进行随机初始化。
适应度计算：按照公式：
计算网络适应度，其中
为实际输出，Ok为神经网络预测输出。
更新个体极值和群体极值：比较每个粒子的适应度值与个体极值，若适应度值较小，则该适应度值成为新的个体极值，并将新的个体极值与全局最优适应度值进行比较，如果更小，则其可作为当前的群体极值。
根据式(9)(10)(11)更新粒子的位置和速度。
将BP神经网络的初始权重和阈值转化成粒子群算法中的粒子，比较全局最优适应度值是否小于设定误差或者迭代次数达到设定的最大值，若不满足，返回3)；若满足，则输出的全局最优粒子位置即为最优的BP网络的权重阈值。以400组训练数据样本作为输入值代入确定好的模型中进行训练，得到未经测试的预测模型。其中对出水总氮为例，其模型训练结果如图3所示。
对模型的精确度验证如下：
为了比较传统BP神经网络与本发明的预测效果，保证预测结果的精确性和可靠性，以污水处理厂出水总氮的100组测试数据作为测试集，选取平均绝对误差(MAE)和均方根误差(RMSE)作为模型精确度的评价指标，其公式分别为：
其中n为污水处理厂实际出水总氮数据的样本数目，本发明所用的预测模型与传统BP神经网络所预测出水总氮结果误差对比如下表所示：
表3：出水总氮结果误差对比如表：
| 算法 | 均方根误差(RMSE) | 平均绝对误差(MAE) |
| 动态权重PSO优化BP神经网络 | 0.0071 | 0.0052 |
| 传统BP神经网络 | 0.0162 | 0.0296 |
通过对平均绝对误差(MAE)和均方根误差(RMSE)的计算，发现本发明所述的模型误差在合理范围之内，且远远好于传统BP神经网络。其中以出水总氮为例，其测试结果图为4所示。
进一步的，步骤3)中利用建立好的模型，输入6个关键指标的数据集，对出水总氮、出水COD进行预测，通过分析预测结果给出污水处理出水质量相应预警等级具体包括：
通过从污水处理厂众多历史数据中收集上述污水处理工艺中的6个关键变量，形成初步数据集。对数据进行预处理，选取100组实时数据作为模型的输入，进行出水总氮的预测。
预测所输出的数据可能存在数据短时间内发生高频抖动现象，如果抖动的范围在报警阈值附近，则可能产生重复大量报警。针对此问题，提出一种数据滤波的死区预警方法：
先将预测得到的数据相近的n个样本点进行平均值计算，分别取预警指标的上限和下限作为报警初步阈值，然后在该阈值的附近设置一个死区，死区的上下限设置为阈值的±10％。若预测值高于死区的上限，则将产生相应的预警信息；若预测值低于死区的下限，则将消除相应的预警；若预测值在死区范围之内，则保持前一时刻报警状态。
根据水质指标的数值，给出应的预警等级，如表1所示.根据异常等级可及时采取相应措施，保证工况正常且出水水质达标。
表4：出水总氮排放数值预警表
表5：出水COD排放数值预警表
将所建立好的模型布置在工业操作系统中，通过给定上述模型200组已经预处理好的输入关键变量的实时数据，对出水总氮、出水COD进行预测。
根据预测结果，综合出水总氮、出水COD排放数值预警表，发现出水总氮、出水COD的预测结果均在正常范围内，故不需要给出相应预警。
本发明设计合理，不但可以解决传统BP神经网络在污水处理过程中对污水水质预警精度不够高、结构冗余、易过拟合的问题，而且实现了收敛速度较快的提升。
尽管上面对本发明说明性的具体方式，以便于本技术领域的技术人员能够理解本发明，但是本发明不仅限于具体实施方式的范围，对本技术领域的普通技术人员而言，只要各种变化包含在所附的权利要求限定和确定的本发明精神和范围内，一切利用本发明构思的发明创造均在保护之列。
Claims (4)
1.一种基于动态权重PSO优化BP神经网络的污水处理出水质量预警方法，其特征在于，包含以下步骤：
1)通过分析A2O污水处理工艺，利用相关性分析确定进水流量、进水总氮、进水COD、溶解氧浓度、氧化还原电位ORP、进水PH值等6个关键指标为预测模型的输入变量，并对数据进行预处理；
2)建立一种基于动态权重PSO优化BP神经网络的污水处理出水质量预测模型，并对模型的精确度进行验证；
3)利用建立好的模型，输入6个关键指标的数据集，对出水总氮、出水COD进行预测，通过分析预测结果给出污水处理出水质量相应预警等级。
2.如权利要求1所述的污水处理出水质量预警方法，其特征在于：步骤1)中6个关键指标确定，其主要选择过程为：从污水处理厂获取多项水质样本数据，包括：进水流量、进水温度、进水总氮、进水氨氮、进水BOD5、进水COD、进水SS、氧化还原电位ORP、溶解氧浓度、进水PH值、出水BOD5、出水SS、出水TP等13个指标中基于多元回归分析算法，建立多元线性回归分析模型，进行相关性分析，发现相比较其他指标，进水流量、进水总氮、进水COD、溶解氧浓度、氧化还原电位ORP、进水PH值6个指标与出水总氮、出水COD的相关性较高，故确定其为出水总氮、出水COD预测模型的输入变量。
数据预处理具体包括：
从污水处理厂获取水质样本数据：通过从污水处理厂众多历史数据中收集上述污水处理工艺中的6个关键变量，形成初步数据集。对显著偏离数据集中的数据进行基于聚类的离群点检测，聚类过程包括计算距离、聚类法分析和结果有效性分析；对缺失数据填补方法为：单点异常数据缺失采用上一采样时间点数据填充，较长时段数据缺失，采用该时间段的数据均值进行填充；对数据归一化操作：归一化后的数据，变量的取值都在(0，1)的范围内。最终得到500组数据，随机地选取其中400组数据作为训练数据，剩下的100组作为测试数据，进行出水总氮、出水COD的预测。
3.如权利要求2所述的污水处理出水质量预警方法，其特征在于：步骤2)中建立一种基于动态权重PSO优化BP神经网络的污水处理出水质量预测模型，并对模型的精确度进行验证：
本文提出的动态权重PSO算法改进BP神经网络，就是把具有动态权重的PSO算法的全局搜索能力和BP神经网络的局部快速搜索能力较好地结合起来，以避免网络陷入局部极小来提高网络的训练速度。
其中，BP神经网络的预测输出为：
式中，Hj为网络隐含层输出，ωjk和bk分别为神经网络隐含层到输出层的权重和阈值。
粒子群算法中的粒子仅具有两个属性：速度V和位置X。在第k次迭代中，第i个粒子的速度和位置记为Vi，t和Xi，t，每个粒子在搜索空间中单独的搜寻最优解，记为局部最优解Pi，并将个体极值与整个粒子群里的其他粒子共享，找到最优的那个个体极值作为整个粒子群的当前全局最优解Gi，粒子群中的所有粒子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置，其中粒子的速度和位置更新为公式(2)(3)：
Vi，t+1＝ω·Vi，t+1+c1r1(Pi-Xi，t)+c2r2(Gi-Xi，t) (2)
Xi，t+1＝Xi，t+Vi，t+1 (3)
其中，ω称为粒子惯性权重，c1，c2为加速度常数，用来调节学习最大步长，r1，r2为[0，1]范围内的随机数。
经过改进后的粒子群算法为：
改进前的ω为恒值不变，此时ω如果过大，算法拥有较好的全局收敛能力，但局部收敛能力很弱，ω如果过小，算法拥有较好的局部收敛能力，但全局收敛能力很弱。因此，本改进算法采用非线性变化的惯性权重ω代替固定不变的惯性权重，经过改进后的惯性权重表达式为：
其中，ωmax是最大惯性权重，ωmin是最小惯性权重，m为当前迭代次数，mmax为当前算法总迭代次数。经过改进后的算法，随着迭代次数的增加，惯性权重ω不断减小，从而使得粒子群算法在初期具有较强的全局收敛能力，后期具有较强的局部收敛能力。
建立一种基于动态权重PSO优化BP神经网络的污水处理模型，具体步骤如下：
1)初始化网络的各项参数：根据输入变量的需要，神经网络的输入层神经元的个数为6，隐含层和输出层神经元个数分别设为10和1。其中PSO算法需要优化的权重阈值总个数为：：N＝(m+1)×n+(n+1)×t，m为输入神经元个数，n为隐层神经元个数，t为输出层神经元个数，c1＝c2＝3，ωmax＝0.8，ωmin＝0.1；最大迭代次数mmax设为1500，对粒子的速度和位置进行随机初始化。
2)适应度计算：按照公式：
计算网络适应度，其中
为实际输出，Ok为神经网络预测输出。
3)更新个体极值和群体极值：比较每个粒子的适应度值与个体极值，若适应度值较小，则该适应度值成为新的个体极值，并将新的个体极值与全局最优适应度值进行比较，如果更小，则其可作为当前的群体极值。
4)根据式(2)(3)(4)更新粒子的位置和速度。
5)将BP神经网络的初始权重和阈值转化成粒子群算法中的粒子，比较全局最优适应度值是否小于设定误差或者迭代次数达到设定的最大值，若不满足，返回3)；若满足，则输出的全局最优粒子位置即为最优的BP网络的权重阈值。以400组训练数据样本作为输入值代入确定好的模型中进行训练，得到未经测试的预测模型。
对模型的精确度验证如下：
为了比较传统BP神经网络与本发明的预测效果，保证预测结果的精确性和可靠性，以污水处理厂出水总氮的100组测试数据作为测试集，选取平均绝对误差(MAE)和均方根误差(RMSE)作为模型精确度的评价指标，其公式分别为：
其中n为污水处理厂实际出水总氮数据的样本数目。
4.如权利要求3所述的污水处理出水质量预警方法，其特征在于：步骤3)中利用建立好的模型，输入6个关键指标的数据集，对出水总氮、出水COD进行预测，通过使用一种数据滤波的死区预警方法对污水处理出水质量进行相应预警：
通过从污水处理厂众多历史数据中收集上述污水处理工艺中的6个关键变量，形成初步数据集。对数据进行预处理，选取100组实时数据作为模型的输入，进行出水总氮、出水COD的预测。
预测所输出的数据可能存在数据短时间内发生高频抖动现象，如果抖动的范围在报警阈值附近，则可能产生重复大量报警。针对此问题，提出一种数据滤波的死区预警方法：先将预测得到的数据相近的n个样本点进行平均值计算，然后分别取预警指标的上限和下限作为报警初步阈值，然后在该阈值的附近设置一个死区，死区的上下限设置为阈值的±10％。若预测值高于死区的上限，则将产生相应的预警信息，若预测值低于死区的下限，则将消除相应的预警，若预测值在死区范围之内，则保持前一时刻报警状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111329912.XA CN114037163A (zh) | 2021-11-10 | 2021-11-10 | 一种基于动态权重pso优化bp神经网络的污水处理出水质量预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111329912.XA CN114037163A (zh) | 2021-11-10 | 2021-11-10 | 一种基于动态权重pso优化bp神经网络的污水处理出水质量预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114037163A true CN114037163A (zh) | 2022-02-11 |
Family
ID=80137407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111329912.XA Pending CN114037163A (zh) | 2021-11-10 | 2021-11-10 | 一种基于动态权重pso优化bp神经网络的污水处理出水质量预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114037163A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114202065A (zh) * | 2022-02-17 | 2022-03-18 | 之江实验室 | 一种基于增量式演化lstm的流数据预测方法及装置 |
| CN115240060A (zh) * | 2022-09-22 | 2022-10-25 | 海南浙江大学研究院 | 一种海星灾害预警方法及系统 |
| CN115759437A (zh) * | 2022-11-24 | 2023-03-07 | 天津市水利工程有限公司 | 基于hgs的bp神经网络污水指标预测方法 |
| CN117114144A (zh) * | 2023-10-24 | 2023-11-24 | 青岛农业大学 | 基于人工智能的水稻耐盐碱性能预测方法及系统 |
| CN117174198A (zh) * | 2023-11-02 | 2023-12-05 | 山东鸿远新材料科技股份有限公司 | 一种基于氧氯化锆生产的自动检测清洁方法及系统 |
-
2021
- 2021-11-10 CN CN202111329912.XA patent/CN114037163A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114202065A (zh) * | 2022-02-17 | 2022-03-18 | 之江实验室 | 一种基于增量式演化lstm的流数据预测方法及装置 |
| CN115240060A (zh) * | 2022-09-22 | 2022-10-25 | 海南浙江大学研究院 | 一种海星灾害预警方法及系统 |
| CN115759437A (zh) * | 2022-11-24 | 2023-03-07 | 天津市水利工程有限公司 | 基于hgs的bp神经网络污水指标预测方法 |
| CN115759437B (zh) * | 2022-11-24 | 2024-03-01 | 天津市水利工程集团有限公司 | 基于hgs的bp神经网络污水指标预测方法 |
| CN117114144A (zh) * | 2023-10-24 | 2023-11-24 | 青岛农业大学 | 基于人工智能的水稻耐盐碱性能预测方法及系统 |
| CN117114144B (zh) * | 2023-10-24 | 2024-01-26 | 青岛农业大学 | 基于人工智能的水稻耐盐碱性能预测方法及系统 |
| CN117174198A (zh) * | 2023-11-02 | 2023-12-05 | 山东鸿远新材料科技股份有限公司 | 一种基于氧氯化锆生产的自动检测清洁方法及系统 |
| CN117174198B (zh) * | 2023-11-02 | 2024-01-26 | 山东鸿远新材料科技股份有限公司 | 一种基于氧氯化锆生产的自动检测清洁方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114037163A (zh) | 一种基于动态权重pso优化bp神经网络的污水处理出水质量预警方法 | |
| CN107358021B (zh) | 一种基于优化bp神经网络的do预测模型建立方法 | |
| CN108469507B (zh) | 一种基于自组织rbf神经网络的出水bod软测量方法 | |
| US20180029900A1 (en) | A Method for Effluent Total Nitrogen-based on a Recurrent Self-organizing RBF Neural Network | |
| 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 | |
| CN102313796B (zh) | 一种污水处理生化需氧量软测量方法 | |
| CN108562709A (zh) | 一种基于卷积自编码器极限学习机的污水处理系统水质监测预警方法 | |
| CN109657790B (zh) | 一种基于pso的递归rbf神经网络出水bod预测方法 | |
| Qiao et al. | Modeling of energy consumption and effluent quality using density peaks-based adaptive fuzzy neural network | |
| CN107402586A (zh) | 基于深度神经网络的溶解氧浓度控制方法及系统 | |
| CN104680015A (zh) | 一种基于快速相关向量机的污水处理在线软测量方法 | |
| CN104182794A (zh) | 一种基于神经网络的污水处理过程出水总磷tp软测量方法 | |
| CN112765902B (zh) | 一种基于TentFWA-GD的RBF神经网络的农村生活污水处理过程中COD浓度的软测量建模方法 | |
| CN114781538A (zh) | 一种ga-bp神经网络耦合决策树的空气质量预测方法和系统 | |
| CN111693667A (zh) | 一种基于门控递归阵列水质检测系统及方法 | |
| CN105701280A (zh) | 南美白对虾围塘养殖水质预测方法 | |
| CN114242156A (zh) | 海洋微塑料上致病性弧菌相对丰度的实时预测方法及系统 | |
| CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
| CN113192569B (zh) | 基于改进粒子群和误差反馈神经网络的有害气体监测方法 | |
| CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
| CN112819087B (zh) | 一种基于模块化神经网络的出水bod传感器异常检测方法 | |
| CN112949894B (zh) | 一种基于简化型长短期记忆神经网络的出水bod预测方法 | |
| CN110991616B (zh) | 一种基于删减型前馈小世界神经网络出水bod预测方法 | |
| CN110542748B (zh) | 一种基于知识的鲁棒型出水氨氮软测量方法 | |
| CN110837886A (zh) | 一种基于elm-sl0神经网络的出水nh4-n软测量方法 |
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 |