CN114626300B - 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 PDFInfo
- Publication number
- CN114626300B CN114626300B CN202210265969.6A CN202210265969A CN114626300B CN 114626300 B CN114626300 B CN 114626300B CN 202210265969 A CN202210265969 A CN 202210265969A CN 114626300 B CN114626300 B CN 114626300B
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- ammonia nitrogen
- variable
- effluent
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title abstract description 14
- 229910052757 nitrogen Inorganic materials 0.000 title abstract description 7
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims abstract description 82
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 14
- 210000002569 neuron Anatomy 0.000 claims description 62
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 34
- 238000005070 sampling Methods 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 10
- 239000001301 oxygen Substances 0.000 claims description 10
- 229910052760 oxygen Inorganic materials 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000009191 jumping Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 claims description 5
- 230000033116 oxidation-reduction process Effects 0.000 claims description 5
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 229940060587 alpha e Drugs 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000003491 array Methods 0.000 claims 1
- 239000010865 sewage Substances 0.000 abstract description 24
- 238000012549 training Methods 0.000 abstract description 3
- 238000000513 principal component analysis Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000012851 eutrophication Methods 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003851 biochemical process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000036284 oxygen consumption Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
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
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：
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：
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：
其中，zil为D中第l个变量的第i个数据，
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:
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，
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：
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：
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，
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：
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：
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：
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，
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，
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：
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：
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：
其中，zil为D中第l个变量的第i个数据，
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:
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，
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：
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：
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，
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：
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：
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：
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，
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，
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)
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)
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根据特征变量在水厂数据库存储过程中的采样周期获得样本向量，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：
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数，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：
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：
其中，zil为D中第l个变量的第i个数据，
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:
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，
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：
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：
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，
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：
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：
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：
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，
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，
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，得到检测模型输出的出水氨氮浓度的检测值。
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 CN114626300A (zh) | 2022-06-14 |
| CN114626300B true 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)
| 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 |
-
2022
- 2022-03-17 CN CN202210265969.6A patent/CN114626300B/zh active Active
Patent Citations (4)
| 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 |
|---|---|
| CN114626300A (zh) | 2022-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| 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 | |
| CN112183719B (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 | |
| 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 | |
| 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 | |
| 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 | |
| CN107688701B (zh) | 基于wasp模型的水质软测量及水体富营养化评价方法 | |
| 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 | |
| CN109657790B (zh) | 一种基于pso的递归rbf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 | |
| 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 | |
| CN103793604A (zh) | 一种基于相关向量机的污水处理软测量方法 | |
| CN110610209A (zh) | 一种基于数据挖掘的空气质量预测方法及系统 | |
| CN115345344A (zh) | 基于注意力机制和长短期记忆网络的污水处理厂出水水质预测方法 | |
| CN111398539A (zh) | 一种基于大数据和分子生物技术的水质微生物指示方法 | |
| 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 | |
| CN114626300B (zh) | 一种基于数据离散化的出水总氮智能预测方法 | |
| CN201330211Y (zh) | 污水处理厂运行参数自寻优模拟系统 | |
| Xu et al. | Prediction of the Wastewater's pH Based on Deep Learning Incorporating Sliding Windows. | |
| CN114781166B (zh) | 基于加权概率慢特征模型的污水处理过程软测量方法 | |
| 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 | |
| CN114864015A (zh) | 水体富营养化检测方法、装置、设备及存储介质 | |
| CN113555059A (zh) | 环境变化下有机碳和微生物耦合关系的定量方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |