CN114626300A - 一种基于数据离散化的出水总氮智能预测方法 - Google Patents

一种基于数据离散化的出水总氮智能预测方法 Download PDF

Info

Publication number
CN114626300A
CN114626300A CN202210265969.6A CN202210265969A CN114626300A CN 114626300 A CN114626300 A CN 114626300A CN 202210265969 A CN202210265969 A CN 202210265969A CN 114626300 A CN114626300 A CN 114626300A
Authority
CN
China
Prior art keywords
data
layer
variable
ammonia nitrogen
discretization
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
CN202210265969.6A
Other languages
English (en)
Other versions
CN114626300B (zh
Inventor
韩红桂
赵子凡
伍小龙
乔俊飞
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 University of Technology
Original Assignee
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 University of Technology filed Critical Beijing University of Technology
Priority to CN202210265969.6A priority Critical patent/CN114626300B/zh
Publication of CN114626300A publication Critical patent/CN114626300A/zh
Application granted granted Critical
Publication of CN114626300B publication Critical patent/CN114626300B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Feedback Control In General (AREA)

Abstract

一种基于数据离散化的出水氨氮智能预测方法于污水处理领域，针对城市污水处理过程出水氨氮预测峰值精度低的问题。先判断数据离散化间隔，对输入的数据进行离散化线性插值，获得间隔为一分钟的污水运行数据，在对离散化插值后的数据进行主成分分析获得辅助变量，用离散化插值后的辅助变量对模糊神经网络进行训练，预测下一时刻的出水氨氮，解决了出水氨氮峰值预测精度低的问题，实现出水氨氮浓度的实时预测。实验结果表明该方法提高了出水氨氮预测峰值的精度，以离散化数据空间的方式为获得可信度高的城市污水处理过程出水总氮预测值提供了一种有效的方法，满足城市污水处理厂的实际需求。

Description

一种基于数据离散化的出水总氮智能预测方法
技术领域
本发明在城市污水处理过程出水氨氮预测分析的基础上，通对输入的数据先进行离散化线性插值，获得可变间隔的污水运行数据，在对离散化插值后的数据进行主成分分析获得辅助变量，用离散化插值后的辅助变量对模糊神经网络进行训练，预测下一时刻的出水氨氮。这种基于数据离散化的出水氨氮预测方法在实际过程中，能够增加出水氨氮在峰值预测的精度，提高了城市污水处理过程出水氨氮的检测值的可信度，属于污水处理领域。
背景技术
在城市污水处理工业领域，污水中氨氮是水体中的营养素，可导致水体富营养化，是水体中的主要耗氧污染物，随着污水处理厂建设和运行规模的逐渐增加，污水处理厂俨然已是氮循环系统的重要组成部分，承担消减自然界中氨氮总量的重要任，所以严格限制出水氨氮的排放可以有效的解决这一问题，通过提前预测氨氮浓度，可以有效的提高氨氮去除效率，改善出水氨氮超标的现象，有利于提升实时水质质量监控水平和环境效益。因此，本发明的研究成果具有广阔的应用前景
随着社会城镇化和工业化进程的加快，工业生产过程和城市用水的需求量越来越大，随之而来的水资源污染问题也相继增多，从而对人类的生存和发展以及社会的生态平衡带来了很大的影响。氨氮是水体中的营养素，是水资源重要的污染物之一，过量氨氮是造成富营养化的主要原因，并造成环境污染，所以出水氨氮的浓度可以作为评价水体质量的一个重要指标。为了减少氨氮浓度超标带来的危害，对污水中氨氮的测量和研究变得至关重要。由于城市污水处理过程是一个包含许多复杂处理工艺的生化过程，长期稳定运行较为困难，检测仪器工作环境复杂干扰较强，运行过程多处于泥水混合状态，具有腐蚀性强、干扰多等特点，导致氨氮浓常出现不规则峰值，严重降低了出水氨氮预测浓度的可信度，这为限制出水氨氮浓度带来困扰。因此本发明在提高出水氨氮预测值精度上具有重要的现实意义。
一种基于数据离散化的出水氨氮智能预测方法，对输入的数据先进行离散化线性插值，获得可变间隔的污水运行数据，在对离散化插值后的数据进行主成分分析获得辅助变量，用离散化插值后的辅助变量对模糊神经网络进行训练，预测下一时刻的出水氨氮，解决了出水氨氮峰值预测精度低的问题，实现出水氨氮浓度的实时预测，以离散化数据空间的方式为获得可信度高的城市污水处理过程出水总氮预测值提供了一种有效的方法，满足城市污水处理厂的实际需求。
发明内容
本发明获得了一种基于数据离散化的出水氨氮智能预测方法，其特点在于，对输入的数据先进行离散化线性插值，获得可变间隔的污水运行数据，在对离散化插值后的数据进行主成分分析获得辅助变量，用离散化插值后的辅助变量对模糊神经网络进行训练，预测下一时刻的出水氨氮，解决了出水氨氮峰值预测精度低的问题，实现出水氨氮浓度的实时预测。
本发明采用了如下的技术方案及实现步骤：
一种基于数据离散化的出水氨氮智能预测方法，其特点在于，包括以下步骤：
(1)数据离散化：
①初始化离散化样本迭代次数h＝1，离散化变量迭代次数k＝1，离散化样本个数阈值T，T的选择标准为最大样本程序执行总时间小于15分钟，
②根据特征变量在一般水厂数据库存储过程中的采样周期，其中进水流量、硝态氮、氧化还原电位、溶解氧、正磷酸盐和温度采样周期为15分钟，获得的样本向量为x1(d1),x2(d1),x3(d1),x4(d1),x5(d1),x6(d1)，进水氨氮和出水氨氮采样周期为1小时，获得的样本向量分别为x7(d2),x8(d2)，化学需氧量采样周期为2小时，获得的样本向量分别为x9(d3),其中d1,d2,d3分别为对应特征变量的离散化间距，输入数据为X＝[x1(d1),x2(d1),x3(d1),x4(d1),x5(d1),x6(d1),x7(d2),x8(d2),x9(d3)]，计算离散化样本个数V：
V＝15f1v1+60f2v2+120f3v3 (1)
其中，f1是采样周期为15分钟的单一变量包含数据样本的个数，v1是采样周期为15分钟的变量的个数，f2是采样周期为1小时的单一变量包含数据样本的个数，v2是采样周期为1小时的变量的个数，f3是采样周期为2小时的单一变量包含数据样本的个数，v3是采样周期为2小时的变量的个数，若V<T，则跳转步骤③；否则令de为de/5，跳转步骤③，
③以de为时间间隔离散化输入数据：
Figure BDA0003552528730000031
其中djk是第k个变量的第j个离散化插值数据，xik是第k个变量的第i个数据，j＝1,2,…d，e＝1,2,3，若h<fk则迭代次数h加1返回步骤③，否则跳转步骤④，
④若k<9，则迭代次数k加1返回步骤③，否则用离散化后的数据代替原始数据，得到矩阵大小为g×9的离散化输入数据矩阵D，其中g是离散化后的单一变量包含的数组书，g＝d1(f1-1)；
(2)辅助变量选择：
①初始化标准化迭代次数l＝1，筛选出辅助变量个数r，r＝6,辅助变量个数阈值Tc，Tc的选择标准为至少有Tc个辅助变量能代表80％的原始数据信息，
②若9<Tc，则Tc＝9，跳转步骤③，否则计算输入数据的变量与出水氨氮的相关系数：
Figure BDA0003552528730000032
其中，Rxiy是xi与出水氨氮之间的相关系数，xij是输入数据中第i个变量的第j个数据，yj是出水氨氮的第j个数据，i＝1,2,…8，将Rxiy按从大到小顺序进行排列，选择前Tc个变量为输入数据变量，
③数据标准化：
Figure BDA0003552528730000033
其中，zil为D中第l个变量的第i个数据，
Figure BDA0003552528730000034
是D中第l个变量数据的均值，bl是D中第l个变量数据的标准差，xil为去量钢后的标准数据，i＝1,2,…,f1，若l<9，则迭代次数l加1返回步骤②，否则跳转步骤③，
④计算协方差矩阵C:
Figure BDA0003552528730000041
其中cij是D中第i个变量和第j个变量的协方差，C是由cij组成的特征协方差矩阵，E是单位矩阵，i＝1,2,…,9，j＝1,2,...,g，
⑤计算C的特征值λ1,λ2,…,λ9，按从大到小顺序进行排列，筛选出前r个最大贡献度对应的变量作为辅助变量，
Figure BDA0003552528730000042
其中，λi是第i个变量的特征值，wi是第i个变量的贡献度，得到辅助变量矩Z＝[z1,z2,z3,…,zr]；
(3)建立模糊神经网络预测模型：
①初始化步长迭代次数为b＝1，最大迭代次数为L，L∈[200,300]，
②计算神经网络隐含层神经元个数Q：
Figure BDA0003552528730000043
其中α是随机参数，α∈[2,10]，
③利用模糊神经网络进行建立，模糊神经网络的连接方式为r-Q-Q-1，即输入层r个神经元，隶属函数层Q个神经元，激活层Q个神经元，输出层1个神经元,出水氨氮检测模型的输入向量为x(n)＝[x1(n),x2(n),…,xm(n),…,xr(n)]，其中xm(n)为Z中第m个变量的第n个样本数值，m＝1,2,…r，n＝1,2,...,g，
输入层：该层由r个神经元组成，每个神经元的输出为：
um(n)＝xm(n) (8)
其中，um(n)为输入层第m个神经元的输出值，m＝1,2,…r，
径向基层：该层由Q个神经元组成，该层输出可以表示为：
Figure BDA0003552528730000044
其中，μmp(n)为径向基层第p个神经元的第m个隶属度函数的中心，σp(n)为径向基层第p个神经元隶属度函数的宽度，
Figure BDA0003552528730000056
为径向基层第p个神经元的输出值，p＝1,2,…Q，
规则层：该层由Q个神经元组成，该层输出可以表示为：
Figure BDA0003552528730000051
其中，ηq(n)为规则层第q个神经元的输出值,q＝1,2,…Q，
输出层：该层由1个神经元组成，该层输出表示为：
Figure BDA0003552528730000052
其中，y(n)为模糊神经网络的预测输出，wq(n)为规则层第q个神经元与输出层神经元之间的连接权值,q＝1,2,…Q，
④参数更新：
Figure BDA0003552528730000053
其中θ(n)＝[w(n)，c(n)，σ(n)]，w(n)是第n个样本时刻规则层神经元与输出层神经元间的连接权值向量，c(n)是第n个样本时刻模糊神经网络径向基层神经元的中心值向量，σ(n)是第n个样本时刻模糊神经网络径向基层神经元的中心宽度值向量，
Figure BDA0003552528730000054
表示为第n个样本时刻实际测量的出水氨氮浓度和预测出水氨氮浓度的误差值，
Figure BDA0003552528730000055
是偏导计算符号，a为模糊神经网络学习率，a∈(0.001,0.1)，
⑤若b<L，则迭代次数b加1返回步骤③，否则输出模糊神经网络的输出值y(n)；
(4)出水氨氮浓度检测：
利用训练好的出水氨氮检测模型，以主成分分析选择出最大的r个wi对应的变量作为辅助变量的原始测试样本作为检测模型的输入，得到检测模型的输出的出水氨氮浓度的检测值。
本发明的创造性主要体现在：
(1)本发明针城市污水出水总氮实峰值预测精度低的问题，提出了一种基于数据离散化的数据处理方法，先判断数据离散化间隔，对输入的数据进行离散化线性插值，获得可变间隔的污水运行数据，增加峰值前的数据量；
(2)本发明针城市污水出水总氮实时监测难的问题，提出了一种基于模糊神经网络的预测模型，先通过主成分分析获得每个变量的贡献度，筛选出辅助变量，再用辅助变量数据预测出水氨氮，实现出水氨氮的实时监测；
附图说明
图1是本发明基于数据离散化的出水氨氮智能预测方法出水氨氮预测效果图，其中实线为出水氨氮预测数据，虚线为实际出水氨氮数据；
图2是本发明基于数据离散化的出水氨氮智能预测方法出水氨氮误差效果图，其中实线为出水氨氮预测数据和实际出水氨氮数据的误差值；
具体实施方式
采用某污水处理厂2021年水质分析表为实验数据，分别取进水流量、进水氨氮、化学需氧量、硝态氮、氧化还原电位、悬浮物浓度、溶解氧、正磷酸盐和温度九个变量的实际值为污水处理过程数据为实验样本数据，每个变量选取200组数据。
本发明采用了如下的技术方案及实现步骤：
一种基于数据离散化的出水氨氮智能预测方法，其特点在于，包括以下步骤：
(1)数据离散化：
①初始化离散化样本迭代次数h＝1，离散化变量迭代次数k＝1，离散化样本个数阈值T＝900，
②根据特征变量在一般水厂数据库存储过程中的采样周期，其中进水流量、硝态氮、氧化还原电位、溶解氧、正磷酸盐和温度采样周期为15分钟，获得的样本向量为x1(d1),x2(d1),x3(d1),x4(d1),x5(d1),x6(d1)，进水氨氮和出水氨氮采样周期为1小时，获得的样本向量分别为x7(d2),x8(d2)，化学需氧量采样周期为2小时，获得的样本向量分别为x9(d3),其中d1,d2,d3分别为对应特征变量的离散化间距，输入数据为X＝[x1(d1),x2(d1),x3(d1),x4(d1),x5(d1),x6(d1),x7(d2),x8(d2),x9(d3)]，计算离散化样本个数V：
V＝15f1v1+60f2v2+120f3v3 (13)
其中，f1是采样周期为15分钟的单一变量包含数据样本的个数，v1是采样周期为15分钟的变量的个数，f2是采样周期为1小时的单一变量包含数据样本的个数，v2是采样周期为1小时的变量的个数，f3是采样周期为2小时的单一变量包含数据样本的个数，v3是采样周期为2小时的变量的个数，若V<T，则跳转步骤③；否则令de为de/5，跳转步骤③，
③以de为时间间隔离散化输入数据：
Figure BDA0003552528730000071
其中djk是第k个变量的第j个离散化插值数据，xik是第k个变量的第i个数据，j＝1,2,…d，e＝1,2,3，若h<fk则迭代次数h加1返回步骤③，否则跳转步骤④，
④若k<9，则迭代次数k加1返回步骤③，否则用离散化后的数据代替原始数据，得到矩阵大小为g×9的离散化输入数据矩阵D，其中g是离散化后的单一变量包含的数组书，g＝d1(f1-1)；
(2)辅助变量选择：
①初始化标准化迭代次数l＝1，筛选出辅助变量个数r，r＝6,辅助变量个数阈值Tc＝9，
②若9<Tc，则Tc＝9，跳转步骤③，否则计算输入数据的变量与出水氨氮的相关系数：
Figure BDA0003552528730000072
其中，Rxiy是xi与出水氨氮之间的相关系数，xij是输入数据中第i个变量的第j个数据，yj是出水氨氮的第j个数据，i＝1,2,…8，将Rxiy按从大到小顺序进行排列，选择前Tc个变量为输入数据变量，
③数据标准化：
Figure BDA0003552528730000073
其中，zil为D中第l个变量的第i个数据，
Figure BDA0003552528730000074
是D中第l个变量数据的均值，bl是D中第l个变量数据的标准差，xil为去量钢后的标准数据，i＝1,2,…,f1，若l<9，则迭代次数l加1返回步骤②，否则跳转步骤③，
④计算协方差矩阵C:
Figure BDA0003552528730000081
其中cij是D中第i个变量和第j个变量的协方差，C是由cij组成的特征协方差矩阵，E是单位矩阵，i＝1,2,…,9，j＝1,2,...,g，
⑤计算C的特征值λ1,λ2,…,λ9，按从大到小顺序进行排列，筛选出前r个最大贡献度对应的变量作为辅助变量，
Figure BDA0003552528730000082
其中，λi是第i个变量的特征值，wi是第i个变量的贡献度，得到辅助变量矩Z＝[z1,z2,z3,…,zr]；
(3)建立模糊神经网络预测模型：
①初始化步长迭代次数为b＝1，最大迭代次数为L，L∈[200,300]，
②计算神经网络隐含层神经元个数Q：
Figure BDA0003552528730000083
其中α是随机参数，α∈[2,10]，
③利用模糊神经网络进行建立，模糊神经网络的连接方式为r-Q-Q-1，即输入层r个神经元，隶属函数层Q个神经元，激活层Q个神经元，输出层1个神经元,出水氨氮检测模型的输入向量为x(n)＝[x1(n),x2(n),…,xm(n),…,xr(n)]，其中xm(n)为Z中第m个变量的第n个样本数值，m＝1,2,…r，n＝1,2,...,g，
输入层：该层由r个神经元组成，每个神经元的输出为：
um(n)＝xm(n) (20)
其中，um(n)为输入层第m个神经元的输出值，m＝1,2,…r，
径向基层：该层由Q个神经元组成，该层输出可以表示为：
Figure BDA0003552528730000091
其中，μmp(n)为径向基层第p个神经元的第m个隶属度函数的中心，σp(n)为径向基层第p个神经元隶属度函数的宽度，
Figure BDA0003552528730000097
为径向基层第p个神经元的输出值，p＝1,2,…Q，
规则层：该层由Q个神经元组成，该层输出可以表示为：
Figure BDA0003552528730000092
其中，ηq(n)为规则层第q个神经元的输出值,q＝1,2,…Q，
输出层：该层由1个神经元组成，该层输出表示为：
Figure BDA0003552528730000093
其中，y(n)为模糊神经网络的预测输出，wq(n)为规则层第q个神经元与输出层神经元之间的连接权值,q＝1,2,…Q，
④参数更新：
Figure BDA0003552528730000094
其中θ(n)＝[w(n)，c(n)，σ(n)]，w(n)是第n个样本时刻规则层神经元与输出层神经元间的连接权值向量，c(n)是第n个样本时刻模糊神经网络径向基层神经元的中心值向量，σ(n)是第n个样本时刻模糊神经网络径向基层神经元的中心宽度值向量，
Figure BDA0003552528730000095
表示为第n个样本时刻实际测量的出水氨氮浓度和预测出水氨氮浓度的误差值，
Figure BDA0003552528730000096
是偏导计算符号，a为模糊神经网络学习率，a∈(0.001,0.1)，
⑤若b<L，则迭代次数b加1返回步骤③，否则输出模糊神经网络的输出值y(n)；
(4)出水氨氮浓度检测：
利用训练好的出水氨氮检测模型，以主成分分析选择出最大的r个wi对应的变量作为辅助变量的原始测试样本作为检测模型的输入，得到检测模型的输出的出水氨氮浓度的检测值。
实际数据：
表1.进水流量输入值(m3)
1366.725 1363.215 1374.255 1356.2 1470.71 1474.985 1475.875 1615.845 1611.44 1614.76
1610.355 1609.27 1603.915 1589.88 1311.095 1323.41 815.345 1190.205 1353.075 2237.585
2363.58 2668.455 2507.44 2483.64 2484.79 2494.805 2498.76 2487.915 2478.41 2489.13
2486.26 2483.64 2497.805 2491.745 2468.84 2494.36 2470.055 2786.285 2840.635 2977.16
2786.03 2770.845 2765.68 2759.3 2754.9 2783.03 2598.155 2651.36 2661.755 2688.36
2670.88 2705.2 2698.505 2703.16 2688.87 2710.05 2725.805 2762.425 2705.075 2710.175
2743.03 2710.115 2725.36 2744.37 2746.03 2762.425 2735.44 2730.4 2669.86 2571.295
…
…
…
1184.335 1163.09 1145.61 817.26 819.3 1290.36 2230.95 2164.03 1864.13 2075.23
2258.895 2260.105 2252.895 2161.415 2326.705 2276.885 2296.595 2324.54 2282.435 2315.8
2266.87 2286.005 2293.215 2320.135 2269.675 2284.92 2265.785 2264.25 2263.805 2263.74
2278.99 2255.96 2150.76 1923.015 1917.275 1904.005 1914.21 1894.815 1903.24 1942.28
1885.695 1918.36 1939.475 1942.025 1919.185 1925.63 1938.58 1936.285 2256.025 2435.095
2456.275 2436.755 2409.26 2453.34 2460.995 2417.425 2433.18 2409.065 2433.885 2413.405
2408.745 2038.675 1288.32 1481.365 1496.035 1460.82 662.88 685.59 708.745 693.245
表2.进水区氨氮输入值(mg/L)
Figure BDA0003552528730000101
Figure BDA0003552528730000111
表3.化学需氧量
353.9 353.9 353.78 332.41 332.53 332.53 332.53 332.41 332.53 332.53
332.41 318.25 318.25 318.37 318.37 318.25 318.37 318.25 318.25 332.41
332.53 332.53 332.53 332.53 332.53 332.53 332.41 318.25 318.25 318.25
318.25 318.25 318.37 318.25 318.13 325.33 325.33 325.33 325.45 325.33
325.45 325.33 325.21 298.11 298.23 298.23 298.23 298.23 298.23 298.23
298.11 304.95 304.95 304.95 305.07 304.95 305.07 304.95 304.95 298.11
298.23 298.23 298.96 298.96 298.96 298.96 298.96 279.43 279.55 279.43
…
…
…
346.45 332.41 332.41 332.53 332.53 332.53 332.53 332.53 332.41 318.25
318.25 318.25 318.25 318.37 318.37 318.25 318.25 267.1 267.1 267.1
267.1 267.22 267.22 267.1 267.1 325.33 325.33 325.33 325.33 325.33
325.45 325.33 325.33 332.41 332.41 332.53 332.53 332.53 332.53 332.53
332.53 339.13 339.13 339.13 339.13 339.13 339.13 339.13 339.13 339.13
339.13 339.13 339.13 339.13 339.13 339.13 339.13 318.25 318.25 318.37
318.37 318.25 318.25 318.25 318.25 332.53 332.53 332.53 332.53 332.53
表4.厌氧区氧化还原电位输入值(mv)
Figure BDA0003552528730000112
Figure BDA0003552528730000121
表5.缺氧区硝态氮输入值(mg/L)
1.12 1.38 0.95 1.2 1.05 1.14 0.93 1.01 1.53 0.88
0.88 3.38 4.36 4.87 5.25 5.19 5.04 5.32 5.51 6.06
6.06 6.09 6.78 6.92 6.82 7.23 6.89 7.54 6.89 7.19
7.19 7.14 7.01 7.25 7.12 6.75 6.89 7.04 7 6.91
6.91 7.2 7.15 7.41 7.72 7.6 7.85 7.9 7.69 8.8
8.8 9.23 8.32 8.31 8.19 8.21 8.13 7.8 8.02 7.7
7.7 7.62 7.92 7.49 7.68 7.93 7.31 7.67 7.42 7.18
…
…
…
2.32 2.9 2.51 2.75 3.22 3.42 2.86 3.34 3.22 1.74
1.74 1.01 1.11 1.1 1.26 0.83 1.2 0.76 1.16 1.02
1.02 1.25 1.71 0.9 1.32 1.3 1.87 1.71 1.92 1.93
1.93 1.41 2.11 1.85 2.28 1.23 1.59 2.36 2.23 2.32
2.32 1.57 1.5 1.12 1.3 1.15 1.33 0.92 1.3 1.32
1.32 0.81 1.33 1.22 1.04 1.15 1.07 1.47 1.26 1.23
1.23 1.55 2.14 2.14 2.87 2.29 2.6 3.51 4 4.31
表6溶解氧(mg/L)
0.53 0.52 0.51 0.54 0.51 0.61 0.66 0.56 0.4 0.39
0.39 0.38 0.37 0.37 0.39 0.38 0.39 0.38 0.39 0.38
0.38 0.37 0.39 0.37 0.37 0.38 0.38 0.39 0.37 0.37
0.37 0.37 0.37 0.38 0.38 0.38 0.39 0.38 0.38 0.37
0.37 0.39 0.37 0.38 0.37 0.37 0.37 0.38 0.38 0.39
0.38 0.38 0.38 0.37 0.37 0.37 0.38 0.38 0.39 0.38
0.37 0.38 0.37 0.37 0.38 0.44 0.39 0.47 0.43 0.45
…
…
…
0.37 0.37 0.37 0.37 0.37 0.38 0.38 0.38 0.38 0.37
0.37 0.38 0.37 0.36 0.38 0.36 0.38 0.39 0.39 0.38
0.39 0.39 0.41 0.42 0.4 0.39 0.43 0.45 0.55 0.61
0.66 0.69 0.78 0.59 0.63 0.59 0.56 0.44 0.42 0.44
0.48 0.74 1.16 1.41 1.72 1.68 1.69 1.68 1.78 1.82
1.83 2.02 2.01 2.16 1.98 2.13 1.95 2.36 2.46 2.47
0.37 0.37 0.37 0.37 0.37 0.38 0.38 0.38 0.38 0.37
表7.正磷酸盐(mg/L)
0.5605 0.5606 0.5431 0.5431 0.5309 0.5309 0.517 0.517 0.5153 0.5153
0.5157 0.5157 0.5161 0.5161 0.5252 0.5252 0.5589 0.559 0.5876 0.5876
0.5862 0.5862 0.6141 0.6141 0.5928 0.5928 0.5932 0.5932 0.6082 0.6081
0.6019 0.6019 0.5632 0.5632 0.5813 0.5814 0.5866 0.5866 0.6054 0.6054
0.5852 0.5852 0.5957 0.5956 0.5957 0.5956 0.6036 0.6036 0.6068 0.6068
0.619 0.6189 0.6291 0.629 0.6395 0.6395 0.6375 0.6374 0.6453 0.6455
0.6517 0.6517 0.6868 0.6868 0.7133 0.7133 0.7048 0.7048 0.6797 0.6796
…
…
…
0.5725 0.5449 0.5449 0.5769 0.5769 0.5835 0.5835 0.5721 0.5721 0.5769
0.5769 0.5674 0.5674 0.5661 0.5661 0.5667 0.5667 0.558 0.558 0.5482
0.5481 0.5482 0.8181 0.8181 0.5478 0.5478 0.4806 0.4805 0.4931 0.4931
0.4945 0.4945 0.4865 0.4865 0.4959 0.4959 0.5119 0.5119 0.5234 0.5235
0.5209 0.5211 0.5228 0.5229 0.5324 0.5324 0.5323 0.5324 0.5432 0.5432
0.5526 0.5526 0.5269 0.5269 0.4897 0.4897 0.4722 0.4723 0.4545 0.4545
0.5725 0.5449 0.5449 0.5769 0.5769 0.5835 0.5835 0.5721 0.5721 0.5769

Claims (1)

1.一种基于数据离散化的出水氨氮智能预测方法，其特点在于，包括以下步骤：
(1)数据离散化：
①初始化离散化样本迭代次数h＝1，离散化变量迭代次数k＝1，离散化样本个数阈值T，T的选择标准为最大样本程序执行总时间小于15分钟；
②根据特征变量在一般水厂数据库存储过程中的采样周期，其中进水流量、硝态氮、氧化还原电位、溶解氧、正磷酸盐和温度采样周期为15分钟，获得的样本向量为x1(d1),x2(d1),x3(d1),x4(d1),x5(d1),x6(d1)，进水氨氮和出水氨氮采样周期为1小时，获得的样本向量分别为x7(d2),x8(d2)，化学需氧量采样周期为2小时，获得的样本向量分别为x9(d3),其中d1,d2,d3分别为对应特征变量的离散化间距，输入数据为X＝[x1(d1),x2(d1),x3(d1),x4(d1),x5(d1),x6(d1),x7(d2),x8(d2),x9(d3)]，计算离散化样本个数V：
V＝15f1v1+60f2v2+120f3v3 (1)
其中，f1是采样周期为15分钟的单一变量包含数据样本的个数，v1是采样周期为15分钟的变量的个数，f2是采样周期为1小时的单一变量包含数据样本的个数，v2是采样周期为1小时的变量的个数，f3是采样周期为2小时的单一变量包含数据样本的个数，v3是采样周期为2小时的变量的个数，若V<T，则跳转步骤③；否则令de为de/5，跳转步骤③，
③以de为时间间隔离散化输入数据：
Figure FDA0003552528720000011
其中djk是第k个变量的第j个离散化插值数据，xik是第k个变量的第i个数据，j＝1,2,…d，e＝1,2,3，若h<fk则迭代次数h加1返回步骤③，否则跳转步骤④，
④若k<9，则迭代次数k加1返回步骤③，否则用离散化后的数据代替原始数据，得到矩阵大小为g×9的离散化输入数据矩阵D，其中g是离散化后的单一变量包含的数组书，g＝d1(f1-1)；
(2)辅助变量选择：
①初始化标准化迭代次数l＝1，筛选出辅助变量个数r，r＝6,辅助变量个数阈值Tc，Tc的选择标准为至少有Tc个辅助变量能代表80％的原始数据信息，
②若9<Tc，则Tc＝9，跳转步骤③，否则计算输入数据的变量与出水氨氮的相关系数：
Figure FDA0003552528720000021
其中，Rxiy是xi与出水氨氮之间的相关系数，xij是输入数据中第i个变量的第j个数据，yj是出水氨氮的第j个数据，i＝1,2,…8，将Rxiy按从大到小顺序进行排列，选择前Tc个变量为输入数据变量，
③数据标准化：
Figure FDA0003552528720000022
其中，zil为D中第l个变量的第i个数据，
Figure FDA0003552528720000023
是D中第l个变量数据的均值，bl是D中第l个变量数据的标准差，xil为去量钢后的标准数据，i＝1,2,…,f1，若l<9，则迭代次数l加1返回步骤②，否则跳转步骤③，
④计算协方差矩阵C:
Figure FDA0003552528720000024
其中cij是D中第i个变量和第j个变量的协方差，C是由cij组成的特征协方差矩阵，E是单位矩阵，i＝1,2,…,9，j＝1,2,...,g，
⑤计算C的特征值λ1,λ2,…,λ9，按从大到小顺序进行排列，筛选出前r个最大贡献度对应的变量作为辅助变量，
Figure FDA0003552528720000025
其中，λi是第i个变量的特征值，wi是第i个变量的贡献度，得到辅助变量矩Z＝[z1,z2,z3,…,zr]；
(3)建立模糊神经网络预测模型：
①初始化步长迭代次数为b＝1，最大迭代次数为L，L∈[200,300]，
②计算神经网络隐含层神经元个数Q：
Figure FDA0003552528720000031
其中α是随机参数，α∈[2,10]，
③利用模糊神经网络进行建立，模糊神经网络的连接方式为r-Q-Q-1，即输入层r个神经元，隶属函数层Q个神经元，激活层Q个神经元，输出层1个神经元,出水氨氮检测模型的输入向量为x(n)＝[x1(n),x2(n),…,xm(n),…,xr(n)]，其中xm(n)为Z中第m个变量的第n个样本数值，m＝1,2,…r，n＝1,2,...,g，
输入层：该层由r个神经元组成，每个神经元的输出为：
um(n)＝xm(n) (8)
其中，um(n)为输入层第m个神经元的输出值，m＝1,2,…r，
径向基层：该层由Q个神经元组成，该层输出表示为：
Figure FDA0003552528720000032
其中，μmp(n)为径向基层第p个神经元的第m个隶属度函数的中心，σp(n)为径向基层第p个神经元隶属度函数的宽度，
Figure FDA0003552528720000033
为径向基层第p个神经元的输出值，p＝1,2,…Q，
规则层：该层由Q个神经元组成，该层输出表示为：
Figure FDA0003552528720000034
其中，ηq(n)为规则层第q个神经元的输出值,q＝1,2,…Q，
输出层：该层由1个神经元组成，该层输出表示为：
Figure FDA0003552528720000035
其中，y(n)为模糊神经网络的预测输出，wq(n)为规则层第q个神经元与输出层神经元之间的连接权值,q＝1,2,…Q，
④参数更新：
Figure FDA0003552528720000041
其中θ(n)＝[w(n)，c(n)，σ(n)]，w(n)是第n个样本时刻规则层神经元与输出层神经元间的连接权值向量，c(n)是第n个样本时刻模糊神经网络径向基层神经元的中心值向量，σ(n)是第n个样本时刻模糊神经网络径向基层神经元的中心宽度值向量，
Figure FDA0003552528720000042
表示为第n个样本时刻实际测量的出水氨氮浓度和预测出水氨氮浓度的误差值，
Figure FDA0003552528720000043
是偏导计算符号，a为模糊神经网络学习率，a∈(0.001,0.1)，
⑤若b<L，则迭代次数b加1返回步骤③，否则输出模糊神经网络的输出值y(n)；
(4)出水氨氮浓度检测：
利用训练好的出水氨氮检测模型，以主成分分析选择出最大的r个wi对应的变量作为辅助变量的原始测试样本作为检测模型的输入，得到检测模型的输出的出水氨氮浓度的检测值。
CN202210265969.6A 2022-03-17 2022-03-17 一种基于数据离散化的出水总氮智能预测方法 Active CN114626300B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210265969.6A CN114626300B (zh) 2022-03-17 2022-03-17 一种基于数据离散化的出水总氮智能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210265969.6A CN114626300B (zh) 2022-03-17 2022-03-17 一种基于数据离散化的出水总氮智能预测方法

Publications (2)

Publication Number Publication Date
CN114626300A true CN114626300A (zh) 2022-06-14
CN114626300B CN114626300B (zh) 2023-05-02

Family

ID=81902306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210265969.6A Active CN114626300B (zh) 2022-03-17 2022-03-17 一种基于数据离散化的出水总氮智能预测方法

Country Status (1)

Country Link
CN (1) CN114626300B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376380A (zh) * 2014-11-17 2015-02-25 北京工业大学 一种基于递归自组织神经网络的氨氮浓度预测方法
CN109344971A (zh) * 2018-09-26 2019-02-15 北京工业大学 一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法
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
CN112183719A (zh) * 2020-09-15 2021-01-05 北京工业大学 一种基于多目标优化-模糊神经网络的出水总氮智能检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376380A (zh) * 2014-11-17 2015-02-25 北京工业大学 一种基于递归自组织神经网络的氨氮浓度预测方法
CN109344971A (zh) * 2018-09-26 2019-02-15 北京工业大学 一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法
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
CN112183719A (zh) * 2020-09-15 2021-01-05 北京工业大学 一种基于多目标优化-模糊神经网络的出水总氮智能检测方法

Also Published As

Publication number Publication date
CN114626300B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN106295800B (zh) 一种基于递归自组织rbf神经网络的出水总氮tn智能检测方法
CN102854296B (zh) 一种基于集成神经网络的污水处理软测量方法
CN107358021B (zh) 一种基于优化bp神经网络的do预测模型建立方法
CN107688701B (zh) 基于wasp模型的水质软测量及水体富营养化评价方法
CN109344971B (zh) 一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法
CN112183719A (zh) 一种基于多目标优化-模糊神经网络的出水总氮智能检测方法
CN105510546A (zh) 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
CN108268935A (zh) 一种基于时序循环神经网络的pm2.5浓度值预测方法及系统
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
CN105574326A (zh) 一种基于自组织模糊神经网络的出水氨氮浓度软测量方法
CN111160776A (zh) 利用分块主成分分析的污水处理过程异常工况检测方法
CN110542748B (zh) 一种基于知识的鲁棒型出水氨氮软测量方法
CN110610209A (zh) 一种基于数据挖掘的空气质量预测方法及系统
CN103793604A (zh) 一种基于相关向量机的污水处理软测量方法
CN104914227B (zh) 基于多高斯核自优化相关向量机的污水水质软测量方法
Mihaly et al. Data-driven modelling based on artificial neural networks for predicting energy and effluent quality indices and wastewater treatment plant optimization
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
CN114202060A (zh) 基于深度神经网络的生物质活性炭吸附亚甲基蓝性能预测方法
CN201330211Y (zh) 污水处理厂运行参数自寻优模拟系统
CN114626300B (zh) 一种基于数据离散化的出水总氮智能预测方法
Xu et al. Prediction of the Wastewater's pH Based on Deep Learning Incorporating Sliding Windows.
CN113555059B (zh) 环境变化下有机碳和微生物耦合关系的定量方法
CN112924646B (zh) 一种基于自适应剪枝前馈小世界神经网络的出水bod软测量方法
Chen et al. Modeling of wastewater treatment process using recurrent neural network
CN114913933A (zh) 存储器、污水处理过程atp预测方法、装置及设备

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