CN114660248A - 基于多步预测策略的cod预警方法和装置 - Google Patents
基于多步预测策略的cod预警方法和装置 Download PDFInfo
- Publication number
- CN114660248A CN114660248A CN202011534778.2A CN202011534778A CN114660248A CN 114660248 A CN114660248 A CN 114660248A CN 202011534778 A CN202011534778 A CN 202011534778A CN 114660248 A CN114660248 A CN 114660248A
- Authority
- CN
- China
- Prior art keywords
- cod
- early warning
- output
- effluent
- prediction model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 33
- 239000010865 sewage Substances 0.000 claims abstract description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 65
- 210000002569 neuron Anatomy 0.000 claims description 56
- 230000014759 maintenance of location Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 12
- 210000004205 output neuron Anatomy 0.000 claims description 10
- 238000005842 biochemical reaction Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 7
- 229910052757 nitrogen Inorganic materials 0.000 claims description 5
- 238000012847 principal component analysis method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 15
- 238000002474 experimental method Methods 0.000 description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 5
- 229910052760 oxygen Inorganic materials 0.000 description 5
- 239000001301 oxygen Substances 0.000 description 5
- 239000003208 petroleum Substances 0.000 description 4
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 3
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000033116 oxidation-reduction process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000010802 sludge Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- ISWSIDIOOBJBQZ-UHFFFAOYSA-N Phenol Chemical compound OC1=CC=CC=C1 ISWSIDIOOBJBQZ-UHFFFAOYSA-N 0.000 description 2
- 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 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- KMUONIBRACKNSN-UHFFFAOYSA-N potassium dichromate Chemical compound [K+].[K+].[O-][Cr](=O)(=O)O[Cr]([O-])(=O)=O KMUONIBRACKNSN-UHFFFAOYSA-N 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
- G01N33/1806—Biological oxygen demand [BOD] or chemical oxygen demand [COD]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Emergency Medicine (AREA)
- Biophysics (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Food Science & Technology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种基于多步预测策略的COD预警方法和装置,属于污水处理技术领域。所述方法包括:获取出水COD预测模型的输入变量和输出变量,利用递归RBF神经网络建立出水COD预测模型;基于多步预测策略,利用所述出水COD预测模型,获取未来一段时间多个时刻的出水COD预测值;基于所述未来一段时间多个时刻的出水COD预测值,利用预警评价函数对出水COD分级预警。本发明的基于多步预测策略的COD预警方法和装置,解决了无法实现未来一段时间COD浓度的多步预测,无法获得未来COD浓度的变化趋势,并不能对此变化趋势做出合适的预警的问题。
Description
技术领域
本发明涉及污水处理过程智能预测与预警技术领域,具体地涉及一种基于多步预测策略的COD预警方法和一种基于多步预测策略的COD预警装置。
背景技术
COD(Chemical Oxygen Demand,化学需氧量),是指水样中能够被氧化的还原物质的量。COD能够大致反映出水中有机物的含量。
污水处理厂都将COD浓度作为评价水质的一个关键指标,并且通过获取未来时刻出水COD浓度的预测值,提前预判生化单元对进水水质的处理能力,预警未来时刻出水COD是否会出现超标,由此提高污水处理厂的达标排放率,降低污水处理成本。
COD浓度的测量通常采用重铬酸钾法、快速密闭催化消解法和高锰酸盐法等传统测量方法,以上测量方法通常检测精度较高,但是操作过程复杂、耗费时间周期长、成本高,随着科学技术的发展,许多基于神经网络的软测量方法不断涌现,软测量方法提高了COD浓度的预测速度和预测精度,但均只能获取某一时刻的预测值,不能实现未来一段时间COD浓度的多步预测,无法根据当前的进水水质情况,准确的预估未来一段时间的出水COD,并对此变化趋势做出合适、准确的预警。
发明内容
本发明实施方式的目的是提供一种基于多步预测策略的COD预警方法和装置,以至少解决上述的无法实现未来一段时间COD浓度的多步预测,无法获得未来COD浓度的变化趋势的问题。
为了实现上述目的,本发明第一方面提供一种基于多步预测策略的COD预警方法,包括:
获取出水COD预测模型的输入变量和输出变量,利用递归RBF神经网络建立出水COD预测模型;
基于多步预测策略,利用所述出水COD预测模型,获取未来一段时间多个时刻的出水COD预测值;
基于所述未来一段时间多个时刻的出水COD预测值,利用预警评价函数对出水COD分级预警。
可选的,所述获取出水COD预测模型的输入变量和输出变量,包括:
利用主元分析法对污水处理生化反应过程中的特征水质变量进行分析,提取进水相关参数、出水相关参数和生化池相关参数作为所述输入变量;
将单位水力停留时间后的出水COD作为所述输出变量。
可选的,所述出水COD预测模型的拓扑结构设置为:输入层、隐含层、输出层;所述拓扑结构的连接方式为:n-R-1,
所述出水COD预测模型为:
输入层:由n个输入层神经元组成,输入层的表达式为:
x(t)=[x1(t),x2(t),x3(t),...,xn(t)]T
其中,x(t)未来t时刻输入层神经元的输出值,x1(t),x2(t),x3(t),...,xn(t)分别为出水COD预测模型的输入变量的值,n是所述输入变量的数目;
隐含层:所述隐含层为R层,其中,5<R<30,且每一层隐含层包含J个隐含层神经元,第j个隐含层神经元的输出为:
其中,cj(t)为第j个隐含层神经元的中心向量,σj(t)是第j个隐含层神经元的宽度,第j个隐含层神经元的输入向量hj(t)为:
hj(t)=[x1(t),x2(t),x3(t),...,xn(t),vj(t)×y(t-1)]
输出层:输出层神经元的表达式为:
其中,H为单位水力停留时间,w(t)为隐含层与输出层的连接权值向量,θ(t)为隐含层神经元的输出向量,θj(t)为第j个隐含层神经元的输出,wj(t)为第j个隐含层神经元与输出神经元的连接权值,y(t+H)为未来t+H时刻COD的输出预测值,vj(t)为t时刻输出神经元与第j个隐含层神经元的反馈连接权值。
可选的,所述基于多步预测策略,利用所述出水COD预测模型,获取未来一段时间多个时刻的出水COD预测值;包括:
利用间接多步预测法对未来t+H+1时刻到未来t+H+l时刻这一时间段内的出水COD进行预测,其预测模型的表达式为:
其中,y1(t+H),y2(t+H),…,ym(t+H)是t+H时刻的m个实际监测值,是未来t+H+l时刻的COD输出预测值,是未来t+H+l-1时刻的COD输出预测值,H为单位水力停留时间,l为预测模型的步长。
可选的,所述方法还包括:
利用快速下降算法调整所述COD预测模型的网络参数,通过计算所述COD预测模型的均方根误差RMSE和预测精度P,评价所述出水COD预测模型的性能,其计算公式分别为:
其中,RMSE(t+H)是未来t+H时刻COD预测模型的均方根误差,N是预测的样本数量,e(t+H)代表神经网络输出y(t+H)与期望输出yd(t+H)的误差函数,H为单位水力停留时间。
可选的,所述用预警评价函数对出水COD进行分级预警,包括:
设定COD预警评价函数,建立COD的预警评价集V={V1,V2,...,Vx}(x=2,3,...,n),其中,从V1到Vx表示预警等级逐级加重;
为所述COD的预警评价集V={V1,...,Vx},设置对应的出水COD分级预警分界值为ε,其中,V1的分界值为ε1,V2分界值为ε2,...,Vx的分界值为εx-1(x=2,3,...,n);
所述COD预警评价函数的表达式为:
本发明第二方面提供一种基于多步预测策略的COD预警装置,该预警装置包括:
建模模块,用于获取出水COD预测模型的输入变量和输出变量,利用递归RBF神经网络建立出水COD预测模型;
预测模块,用于基于多步预测策略,利用所述出水COD预测模型,获取未来一段时间多个时刻的出水COD预测值;
预警模块,用于基于所述未来一段时间的出水COD预测值,利用预警评价函数对出水COD分级预警。
可选的,所述获取出水COD预测模型的输入变量和输出变量,包括:
利用主元分析法对污水处理生化反应过程中的特征水质变量进行分析,提取进水相关参数、出水相关参数和生化池相关参数作为输入变量;
将单位水力停留时间后的出水COD作为输出变量。
可选的,所述出水COD预测模型的拓扑结构设置为:输入层、隐含层、输出层;所述拓扑结构的连接方式为:n-R-1,
所述出水COD预测模型为:
输入层:由n个输入层神经元组成,输入层的表达式为:
x(t)=[x1(t),x2(t),x3(t),...,xn(t)]T
其中,x(t)是未来t时刻输入层神经元的输出值,x1(t),x2(t),x3(t),...,xn(t)分别为出水COD预测模型的输入变量的值,n是所述输入变量的数目;
隐含层:所述隐含层为R层,其中,5<R<30,且每一层隐含层包含J个隐含层神经元,第j个隐含层神经元的输出为:
其中,cj(t)为第j个隐含层神经元的中心向量,σj(t)为第j个隐含层神经元的宽度,第j个隐含层神经元的输入向量hj(t)为:
hj(t)=[x1(t),x2(t),x3(t),...,xn(t),vj(t)×y(t-1)]
输出层:输出层神经元的表达式为:
其中,H为单位水力停留时间,w(t)为隐含层与输出层的连接权值向量,θ(t)为隐含层神经元的输出向量,θj(t)为第j个隐含层神经元的输出,wj(t)为第j个隐含层神经元与输出神经元的连接权值,y(t+H)为未来t+H时刻COD的输出预测值,vj(t)为t时刻输出神经元与第j个隐含层神经元的反馈连接权值。
可选的,所述基于多步预测策略,利用所述出水COD预测模型,获取未来一段时间多个时刻的出水COD预测值,包括:
利用间接多步预测法对未来t+H+1时刻到未来t+H+l时刻这一时间段内的出水COD进行预测,其预测模型的表达式为:
其中,y1(t+H),y2(t+H),…,ym(t+H)是t+H时刻的m个实际监测值,是未来t+H+l时刻的COD输出预测值,是未来t+H+l-1时刻的COD输出预测值,H为单位水力停留时间,l为所述出水COD预测模型的步长。
可选的,所述预警装置还包括:评价模块,用于利用快速下降算法调整所述COD预测模型的网络参数,通过计算所述COD预测模型的均方根误差RMSE和预测精度P,评价所述出水COD预测模型的性能,其计算公式分别为:
其中,RMSE(t+H)是未来t+H时刻COD预测模型的均方根误差,N是预测的样本数量,e(t+H)代表神经网络输出y(t+H)与期望输出yd(t+H)的误差函数,H为单位水力停留时间。
可选的,所述利用预警评价函数对出水COD进行分级预警,包括:
设定COD预警评价函数,建立COD的预警评价集V={V1,V2,...,Vx}(x=2,3,...,n),其中,V1到Vx表示预警等级逐级加重;
为所述COD的预警评价集V={V1,...,Vx},设置对应的出水COD分级预警分界值为ε,其中,其中,V1的分界值为ε1,V2的分界值为ε2,…Vx的分界值为εx-1(x=2,3,...,n);
所述COD预警评价函数的表达式为:
本发明第三方面提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行本申请所述的基于多步预测策略的COD预警方法。
通过上述技术方案,首先获取进水水质状况和模拟当前生化单元的处理过程,利用递归RBF神经网络建立出水COD预测模型,然后可以基于多步预测策略利用所建立的出水COD预测模型对未来一段时间多个时刻的出水COD进行多步预测,解决了现有技术难以预警未来某个时间段COD出水异常的问题,便于提前掌握当前进水水质对应的出水状况,准确预估未来一段时间出水COD浓度的变化趋势,能够及时的做出恰当的处理措施,提高污水处理过程的运行效率。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施方式,但并不构成对本发明实施方式的限制。在附图中:
图1是本发明提供的基于多步预测策略的COD预警方法的流程图;
图2是本发明提供的基于多步预测策略的COD预警方法的流程框图;
图3是根据本发明一种实施方式的基于多步(五步)预测的COD预测实验结果示意图;
图4是根据本发明一种实施方式的基于多步(十步)预测的COD预测实验结果示意图;
图5是根据本发明一种实施方式的基于多步(十五步)预测的COD预测实验结果示意图;
图6是本发明提供的基于多步预测策略的COD预警装置的结构示意图。
附图标记说明
1-建模模块 2-预测模块 3-预警模块
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
本发明实施方式提供一种基于多步预测策略的COD预警方法,所述方法包括:
实施例1:
步骤101、获取出水COD预测模型的输入变量和输出变量,利用递归RBF神经网络建立出水COD预测模型:
以污水处理生化反应池为研究对象,通过设置在污水处理场所的检测仪表采集和取样污水处理生化反应过程中的特征水质变量,利用主元分析法对污水处理生化反应过程中的特征水质变量进行分析,提取进水相关参数、出水相关参数和生化池相关参数,得到出水COD预测模型的输入变量,所述进水相关参数包括进水COD浓度、进水硫化物浓度、进水石油类浓度、进水氨氮浓度、进水硝态氮浓度、进水挥发酚浓度和进水酸碱度等数据,所述生化池相关参数包括生化池混合液悬浮固体浓度、生化池溶解氧浓度、生化池污泥浓度和生化池氧化还原电位等数据,在操作过程中,参数数据中通常包含有随机误差或者过失误差,这些数据的存在会导致预测模型工作性能的下降,因此,可以对收集的测量数据进行前期处理,剔除包含的异常数据,保证后续模型预测的准确性。
本实施例中,采集的输入变量为七个,分别是:进水COD浓度、进水硫化物浓度、进水石油类浓度、进水酸碱度(进水PH值)、生化池混合液悬浮固体浓度、生化池溶解氧浓度、生化池氧化还原电位;
将单位水力停留时间后的出水COD作为所述输出变量。
把采集的特征水质变量数据进行归一化处理,本实施例中,从所有采集的数据中选取500组数据作为训练样本,300组作为测试样本。基于所述输入变量和所述输出变量,利用递归RBF神经网络建立出水COD预测模型:
所述出水COD预测模型的拓扑结构分为:输入层、隐含层、输出层;所述拓扑结构的连接方式为7-R-1,该出水COD的预测模型为:
输入层:该层由7个输入层神经元组成,输入层的表达式:
x(t)=[x1(t),x2(t),x3(t),...,x7(t)]T
其中,x(t)是未来t时刻输入层神经元的输出值,x1(t),x2(t),x3(t),...,x7(t)分别为7个出水COD预测模型的输入变量的值;
隐含层:所述隐含层为R层,其中,5<R<30,且每一层隐含层包含J个隐含层神经元,第j个隐含层神经元的输出为:
其中,cj(t)为第j个隐含层神经元的中心向量,σj(t)是第j个隐含层神经元的宽度,第j个隐含层神经元的输入向量hj(t)为:
hj(t)=[x1(t),x2(t),x3(t),...,xn(t),vj(t)×y(t-1)]
输出层:输出层神经元的表达式为:
其中,H为单位水力停留时间,w(t)为隐含层与输出层的连接权值向量,θ(t)为隐含层神经元的输出向量,θj(t)为第j个隐含层神经元的输出,wj(t)为第j个隐含层神经元与输出神经元的连接权值,y(t+H)为未来t+H时刻COD的输出预测值,vj(t)为t时刻输出神经元与第j个隐含层神经元的反馈连接权值。
步骤102、所述基于多步预测策略,利用所述出水COD预测模型,获取未来一段时间多个时刻的出水COD预测值:
本实施例中,利用间接多步预测法对未来t+H+1时刻到未来t+H+15时刻这一时间段内的出水COD进行预测,其预测模型的表达式为:
其中,y1(t+H),y2(t+H),…,ym(t+H)是t+H时刻的m个实际监测值,是未来t+H+15时刻的COD输出预测值,H为单位水力停留时间,预测模型的步长l是15,设置的不同的步长,预测出的COD会存在一定的误差。
在本实施例中,设定不同的预测步数得到未来COD的误差结果示意图,如图3至图5所示,其中,基于递归RBF神经网络的未来五步COD预测实验结果如图3所述,基于递归RBF神经网络的未来十步COD预测实验结果如图4所示,基于递归RBF神经网络的未来十五步COD预测实验结果如图5所示,通过对比可以看出,采用五步预测,模型的均方根误差最小,预测精度P最高。
优选地,本发明的方法还包括:对所述出水COD预测模型的性能进行评价。
具体地,利用快速下降算法调整所述COD预测模型的网络参数,通过计算所述模型的均方根误差RMSE和预测精度P,评价所述出水COD预测模型的性能,其计算公式分别为:
其中,RMSE(t+H)是未来t+H时刻COD预测模型的均方根误差,N是预测的样本数量,e(t+H)代表神经网络输出y(t+H)与期望输出yd(t+H)的误差函数,误差函数也被称作是高斯误差函数,其常被运用在概率统计中,是一个非基本函数(即不是初等函数),H为单位水力停留时间。
计算结果如表1所示:
表1不同神经网络的多步预测结果
通过对比表1中的数据可以得出,在本实施例中,基于递归RBF神经网络建立的出水COD预测模型,均方根误差RMSE较小,预测精度P较高,性能优于基于RBF神经网络建立的出水COD预测模型;并且对比五步预测、十步预测和十五步预测结果可以看出,基于递归RBF神经网络建立的出水COD预测模型,采用五步预测时的均方根误差RMSE最小,预测精度P最高。
步骤103、基于所述未来一段时间多个时刻的出水COD预测值,利用预警评价函数对出水COD分级预警。
本实施例中,对出水COD进行四级分级预警,设定COD预警评价函数,建立COD的预警评价集V={V1,V2,V3,V4},其中V1代表无警等级(Ⅳ级)、V2代表轻警等级(Ⅲ级)、V3代表中警等级(Ⅱ级)、V4代表重警等级(Ⅰ级),设定生化池COD出水浓度的无警等级和轻警等级的分界值为ε1=80,轻警等级和中警等级的分界值为ε2=95,中警等级和重警等级的分界值为ε3=110;建立COD预警评价函数,其表达式为:
如表2所示,表2显示了在三月至五月时间内,生化单元出水COD的预警信息统计结果,其中,漏报警是指在应该发出报警的情况下没有发出报警,误报警是在不该发出报警的情况下发出报警。
表2生化单元出水COD预警信息统计
从表2中可以看出,在本实施例中,对生化池三月一号到五月三十号区间的出水COD进行预测,并通过预测的结果实现出水COD的预警,且出水COD预警的误报率和漏报率都较小,均小于4%,都处在合理的范围内,能够说明出水COD浓度预警效果较好。
相应地,本发明另一方面,提供一种基于多步预测策略的COD预警装置。如图6所示,该预警装置包括:
建模模块,用于获取出水COD预测模型的输入变量和输出变量,利用递归RBF神经网络建立出水COD预测模型;
预测模块,用于基于多步预测策略,利用所述出水COD预测模型,获取未来一段时间多个时刻的出水COD预测值;
预警模块,用于基于所述未来一段时间的出水COD预测值,利用预警评价函数对出水COD分级预警。
优选地,所述预警装置还包括:评价模块(未示出),用于利用快速下降算法调整所述COD预测模型的网络参数,通过计算所述COD预测模型的均方根误差RMSE和预测精度P。
实施例2:
本实施例中,以污水处理生化反应池为研究对象,实施步骤与实施例1相同,不同的是,本实施例中采集的输入变量为六个,分别是:进水COD浓度、进水硫化物浓度、进水石油类浓度、进水氨氮浓度、生化池污泥浓度、生化池溶解氧浓度。
本实施例中,从所有采集的数据中选取300组数据作为训练样本,150组作为测试样本,基于所述输入变量和所述输出变量,利用递归RBF神经网络建立出水COD预测模型;
所述出水COD预测模型的拓扑结构分为:输入层、隐含层、输出层;所述输入层由6个神经元组成,所述拓扑结构的连接方式为6-R-1,其中5<R<25,预测模型的步长是15;
利用快速下降算法调整COD预测模型的网络参数,通过计算模型的均方根误差RMSE和预测精度P两个指标;
计算结果如表3所示:
表3不同神经网络的多步预测结果
通过对比表3中的数据可以得出,在本实施例中,基于递归RBF神经网络建立的出水COD预测模型,均方根误差RMSE较小,预测精度P较高,性能优于基于RBF神经网络建立的出水COD预测模型;并且对比五步预测、十步预测和十五步预测结果可以看出,基于递归RBF神经网络建立的出水COD预测模型,采用五步预测时的均方根误差RMSE最小,预测精度P最高,采用五步预测时的均方根误差RMSE为0.231,大于实施例1中采用五步预测时的均方根误差RMSE为0.125;且预测精度P也小于实施例1中的预测精度。
设定生化池COD出水浓度的无警和轻警的分界值为ε1=80,轻警和中警的分界值为ε2=95,中警和重警的分界值为ε3=110;得到出水COD预警结果,如表4所示,表4显示了在七月至九月时间内,生化单元出水COD的预警信息统计结果,其中,漏报警是指在应该发出报警的情况下没有发出报警,误报警是在不该发出报警的情况下发出报警。
表4生化单元出水COD预警信息统计
从表4中可以看出,在本实施例中,对生化池七月一号到九月三十号区间的出水COD进行预测,并通过预测的结果实现出水COD的预警,且出水COD预警的误报率和漏报率都较小,均在合理的范围内,出水COD预警效果较好。
实施例3:
本实施例中,以污水处理生化反应池为研究对象,实施步骤与实施例1相同,不同的是,本实施例中采集的输入变量为八个,分别是:进水COD浓度、进水挥发酚浓度、进水石油类浓度、进水硝态氮浓度、生化池污泥浓度、生化池溶解氧浓度、进水氨氮浓度、生化池氧化还原电位。
本实施例中,从所有采集的数据中选取400组数据作为训练样本,200组作为测试样本。基于所述输入变量和所述输出变量,利用递归RBF神经网络建立出水COD预测模型:
所述出水COD预测模型的拓扑结构分为三层:输入层、隐含层、输出层;所述输入层由8个神经元组成,所述拓扑结构的连接方式为8-R-1,其中7<R<30,预测模型的步长是15;
利用快速下降算法调整COD预测模型的网络参数,通过计算模型的均方根误差RMSE和预测精度P两个指标;
计算结果如表5所示:
表5不同神经网络的多步预测结果
通过对比表5中的数据可以得出,在本实施例中,基于递归RBF神经网络建立的出水COD预测模型,均方根误差RMSE较小,预测精度P较高,性能优于基于RBF神经网络建立的出水COD预测模型;并且对比五步预测、十步预测和十五步预测结果可以看出,基于递归RBF神经网络建立的出水COD预测模型,采用五步预测时的均方根误差RMSE最小,预测精度P最高,采用五步预测时的均方根误差RMSE为0.242,大于实施例1中采用五步预测时的均方根误差RMSE为0.125;且预测精度P大于实施例1中的预测精度。
设定生化池COD出水浓度的无警和轻警的分界值为ε1=80,轻警和中警的分界值为ε2=95,中警和重警的分界值为ε3=110;得到出水COD预警结果,如表6所示,表6显示了在七月至九月时间内,生化单元出水COD的预警信息统计结果,其中,漏报警是指在应该发出报警的情况下没有发出报警,误报警是在不该发出报警的情况下发出报警。
表6生化单元出水COD预警信息统计
从表6中可以看出,在本实施例中,对生化池七月一号到九月三十号区间的出水COD进行预测,并通过预测的结果实现出水COD的预警,且出水COD的预警的误报率和漏报率都较小,均在合理的范围内,出水COD预警效果较好。
通过上述技术方案可知,使用本发明的基于多步预测策略的COD预警方法和装置,首先通过获取进水水质状况和模拟当前生化单元的处理过程,利用递归RBF神经网络建立出水COD预测模型,然后基于多步预测策略利用所建立的出水COD预测模型对未来一段时间内出水COD进行多步预测,解决了现有技术难以预警未来某个时间段COD出水异常的问题,便于提前掌握当前进水水质对应的出水状况,准确预估未来一段时间出水COD浓度的变化趋势,且还能够实现对出水COD的准确分级预警,能够及时的做出恰当的处理措施,提高污水处理过程的运行效率。
本发明实施方式还提供一种机器可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述的基于多步预测策略的COD预警方法。
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上结合附图详细描述了本发明的可选实施方式,但是,本发明实施方式并不限于上述实施方式中的具体细节,在本发明实施方式的技术构思范围内,可以对本发明实施方式的技术方案进行多种简单变型,这些简单变型均属于本发明实施方式的保护范围。另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施方式对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施方式的思想,其同样应当视为本发明实施方式所公开的内容。
Claims (13)
1.一种基于多步预测策略的COD预警方法,其特征在于,所述方法包括:
获取出水COD预测模型的输入变量和输出变量,利用递归RBF神经网络建立出水COD预测模型;
基于多步预测策略,利用所述出水COD预测模型,获取未来一段时间多个时刻的出水COD预测值;
基于所述未来一段时间多个时刻的出水COD预测值,利用预警评价函数对出水COD分级预警。
2.根据权利要求1所述的基于多步预测策略的COD预警方法,其特征在于,所述获取出水COD预测模型的输入变量和输出变量,包括:
利用主元分析法对污水处理生化反应过程中的特征水质变量进行分析,提取进水相关参数、出水相关参数和生化池相关参数作为所述输入变量;
将单位水力停留时间后的出水COD作为所述输出变量。
3.根据权利要求1所述的基于多步预测策略的COD预警方法,其特征在于,所述出水COD预测模型的拓扑结构设置为:输入层、隐含层、输出层;所述拓扑结构的连接方式为:n-R-1;
所述出水COD预测模型为:
输入层:由n个输入层神经元组成,输入层的表达式为:
x(t)=[x1(t),x2(t),x3(t),...,xn(t)]T
其中,x(t)是未来t时刻输入层神经元的输出值,x1(t),x2(t),x3(t),...,xn(t)分别为出水COD预测模型的输入变量的值,n是所述输入变量的数目;
隐含层:所述隐含层为R层,其中,5<R<30,且每一层隐含层包含J个隐含层神经元,第j个隐含层神经元的输出为:
其中,cj(t)为第j个隐含层神经元的中心向量,σj(t)为第j个隐含层神经元的宽度,第j个隐含层神经元的输入向量hj(t)为:
hj(t)=[x1(t),x2(t),x3(t),...,xn(t),vj(t)×y(t-1)]
输出层:输出层神经元的表达式为:
其中,H为单位水力停留时间,w(t)为隐含层与输出层的连接权值向量,θ(t)为隐含层神经元的输出向量,θj(t)为第j个隐含层神经元的输出,wj(t)为第j个隐含层神经元与输出神经元的连接权值,y(t+H)为未来t+H时刻COD的输出预测值,vj(t)为t时刻输出神经元与第j个隐含层神经元的反馈连接权值。
6.根据权利要求1所述的基于多步预测策略的COD预警方法,其特征在于,所述利用预警评价函数对出水COD进行分级预警,包括:
设定COD预警评价函数,建立COD的预警评价集V={V1,V2,...,Vx}(x=2,3,...,n),其中,从V1到Vx表示预警等级逐级加重;
为所述COD的预警评价集V={V1,V2,...,Vx}设置对应的出水COD分级预警分界值ε,其中,V1的分界值为ε1,V2的分界值为ε2,…,Vx的分界值为εx-1(x=2,3,...,n);
所述COD预警评价函数的表达式为:
7.一种基于多步预测策略的COD预警装置,其特征在于,该预警装置包括:
建模模块,用于获取出水COD预测模型的输入变量和输出变量,利用递归RBF神经网络建立出水COD预测模型;
预测模块,用于基于多步预测策略,利用所述出水COD预测模型,获取未来一段时间多个时刻的出水COD预测值;
预警模块,用于基于所述未来一段时间的出水COD预测值,利用预警评价函数对出水COD分级预警。
8.根据权利要求7所述的基于多步预测策略的COD预警装置,其特征在于,所述获取出水COD预测模型的输入变量和输出变量,包括:
利用主元分析法对污水处理生化反应过程中的特征水质变量进行分析,提取进水相关参数、出水相关参数和生化池相关参数作为所述输入变量;
将单位水力停留时间后的出水COD作为所述输出变量。
9.根据权利要求7所述的基于多步预测策略的COD预警装置,其特征在于,所述出水COD预测模型的拓扑结构设置为:输入层、隐含层、输出层;所述拓扑结构的连接方式为:n-R-1;
所述出水COD预测模型为:
输入层:由n个输入层神经元组成,输入层的表达式为:
x(t)=[x1(t),x2(t),x3(t),...,xn(t)]T
其中,x(t)是未来t时刻输入层神经元的输出值,x1(t),x2(t),x3(t),...,xn(t)分别为出水COD预测模型的输入变量的值,n是所述输入变量的数目;
隐含层:所述隐含层为R层,其中,5<R<30,且每一层隐含层包含J个隐含层神经元,第j个隐含层神经元的输出为:
其中,cj(t)为第j个隐含层神经元的中心向量,σj(t)为第j个隐含层神经元的宽度,第j个隐含层神经元的输入向量hj(t)为:
hj(t)=[x1(t),x2(t),x3(t),...,xn(t),vj(t)×y(t-1)]
输出层:输出层神经元的表达式为:
其中,H为单位水力停留时间,w(t)为隐含层与输出层的连接权值向量,θ(t)为隐含层神经元的输出向量,θj(t)为第j个隐含层神经元的输出,wj(t)为第j个隐含层神经元与输出神经元的连接权值,y(t+H)为未来t+H时刻COD的输出预测值,vj(t)为t时刻输出神经元与第j个隐含层神经元的反馈连接权值。
12.根据权利要求7所述的基于多步预测策略的COD预警装置,其特征在于,所述利用预警评价函数对出水COD进行分级预警,包括:
设定COD预警评价函数,建立COD的预警评价集V={V1,V2,...,Vx}(x=2,3,...,n),其中,V1到Vx表示预警等级逐级加重;
为所述COD的预警评价集V={V1,...,Vx}设置对应的出水COD分级预警分界值ε,其中,V1的分界值为ε1,V2的分界值为ε2,…Vx的分界值为εx-1(x=2,3,...,n);
所述COD预警评价函数的表达式为:
13.一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行权利要求1-6中任一项所述的基于多步预测策略的COD预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011534778.2A CN114660248A (zh) | 2020-12-22 | 2020-12-22 | 基于多步预测策略的cod预警方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011534778.2A CN114660248A (zh) | 2020-12-22 | 2020-12-22 | 基于多步预测策略的cod预警方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114660248A true CN114660248A (zh) | 2022-06-24 |
Family
ID=82024211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011534778.2A Pending CN114660248A (zh) | 2020-12-22 | 2020-12-22 | 基于多步预测策略的cod预警方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114660248A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012109900A1 (zh) * | 2011-02-14 | 2012-08-23 | 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 |
CN102662040A (zh) * | 2012-04-20 | 2012-09-12 | 辽宁工程技术大学 | 一种动态模块化神经网络的氨氮在线软测量方法 |
CN102737288A (zh) * | 2012-06-20 | 2012-10-17 | 浙江大学 | 一种基于rbf神经网络参数自优化的水质多步预测方法 |
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 |
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 |
CN106295800A (zh) * | 2016-07-28 | 2017-01-04 | 北京工业大学 | 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 |
CN107025338A (zh) * | 2017-03-27 | 2017-08-08 | 北京工业大学 | 一种基于递归rbf神经网络的污泥膨胀故障辨识方法 |
CN108375534A (zh) * | 2018-02-06 | 2018-08-07 | 北京工业大学 | Mbr膜污染智能预警方法 |
FR3071534A1 (fr) * | 2017-09-28 | 2019-03-29 | Landmark Graphics Corporation | Placement de materiau a plusieurs stades dans un puits de forage |
CN109657790A (zh) * | 2018-12-10 | 2019-04-19 | 北京工业大学 | 一种基于pso的递归rbf神经网络出水bod预测方法 |
CN109878715A (zh) * | 2019-03-05 | 2019-06-14 | 广州极飞科技有限公司 | 无人飞行器的故障监测预警方法及无人飞行器 |
CN110288196A (zh) * | 2019-05-28 | 2019-09-27 | 国网河南省电力公司电力科学研究院 | 输电线路舞动分级预警方法及系统 |
CN111767517A (zh) * | 2020-05-18 | 2020-10-13 | 西安电子科技大学 | 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质 |
-
2020
- 2020-12-22 CN CN202011534778.2A patent/CN114660248A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012109900A1 (zh) * | 2011-02-14 | 2012-08-23 | 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 |
CN102662040A (zh) * | 2012-04-20 | 2012-09-12 | 辽宁工程技术大学 | 一种动态模块化神经网络的氨氮在线软测量方法 |
CN102737288A (zh) * | 2012-06-20 | 2012-10-17 | 浙江大学 | 一种基于rbf神经网络参数自优化的水质多步预测方法 |
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 |
US20170185892A1 (en) * | 2015-12-27 | 2017-06-29 | Beijing University Of Technology | Intelligent detection method for Biochemical Oxygen Demand based on a Self-organizing Recurrent RBF Neural Network |
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 |
CN106295800A (zh) * | 2016-07-28 | 2017-01-04 | 北京工业大学 | 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 |
CN107025338A (zh) * | 2017-03-27 | 2017-08-08 | 北京工业大学 | 一种基于递归rbf神经网络的污泥膨胀故障辨识方法 |
FR3071534A1 (fr) * | 2017-09-28 | 2019-03-29 | Landmark Graphics Corporation | Placement de materiau a plusieurs stades dans un puits de forage |
CN108375534A (zh) * | 2018-02-06 | 2018-08-07 | 北京工业大学 | Mbr膜污染智能预警方法 |
CN109657790A (zh) * | 2018-12-10 | 2019-04-19 | 北京工业大学 | 一种基于pso的递归rbf神经网络出水bod预测方法 |
CN109878715A (zh) * | 2019-03-05 | 2019-06-14 | 广州极飞科技有限公司 | 无人飞行器的故障监测预警方法及无人飞行器 |
CN110288196A (zh) * | 2019-05-28 | 2019-09-27 | 国网河南省电力公司电力科学研究院 | 输电线路舞动分级预警方法及系统 |
CN111767517A (zh) * | 2020-05-18 | 2020-10-13 | 西安电子科技大学 | 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质 |
Non-Patent Citations (7)
Title |
---|
乔俊飞;安茹;韩红桂;: "基于RBF神经网络的出水氨氮预测研究", 控制工程, no. 09 * |
乔俊飞;马士杰;许进超;: "基于递归RBF神经网络的出水氨氮预测研究", 计算机与应用化学, no. 02 * |
刘勇健, 李彰明, 张建龙: "基于递归神经网络的基坑工程变形多步预测方法研究", 工业建筑, no. 09 * |
温广瑞, 屈梁生, 张西宁: "基于递归神经网络的多步预报方法", 西安交通大学学报, no. 07 * |
聂勋科;: "基于神经网络的污水出水COD预测模型", 重庆工学院学报(自然科学版), no. 08 * |
许少鹏;韩红桂;乔俊飞;: "基于模糊递归神经网络的污泥容积指数预测模型", 化工学报, no. 12 * |
鲁明;: "基于PCA-GA-BP模型对污水BOD的预测", 湖北汽车工业学院学报, no. 04 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180029900A1 (en) | A Method for Effluent Total Nitrogen-based on a Recurrent Self-organizing RBF Neural Network | |
CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
CN103728431A (zh) | 基于极限学习机的工业污水cod在线软测量方法 | |
CN109558893B (zh) | 基于重采样池的快速集成污水处理故障诊断方法 | |
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 | |
CN102313796A (zh) | 一种污水处理生化需氧量软测量方法 | |
CN103712939A (zh) | 一种基于紫外可见光谱的污染物浓度拟合方法 | |
CN112990546A (zh) | 一种基于粒子群与神经网络的化工厂电力变压器故障预测方法 | |
CN114015825A (zh) | 基于注意力机制的高炉热负荷异常状态监测方法 | |
CN114529226B (zh) | 基于工业物联网的地下水污染的监测方法与系统 | |
CN110634198B (zh) | 一种基于正多胞体滤波的工业系统分层故障诊断方法 | |
CN112199862A (zh) | 纳米粒子运移的预测方法、其影响因子分析方法及系统 | |
Hrnjica et al. | Application of deep learning neural networks for nitrate prediction in the Klokot River, Bosnia and Herzegovina | |
CN111204867B (zh) | 膜生物反应器-mbr膜污染智能决策方法 | |
CN113433086A (zh) | 一种模糊神经网络结合分光光度法预测水质cod的方法 | |
CN114660248A (zh) | 基于多步预测策略的cod预警方法和装置 | |
CN112766384A (zh) | 一种基于深度学习的藻类絮体去除率评估方法 | |
CN103400021A (zh) | 基于重尾分布的kdsne水电机组噪声源检测方法 | |
CN116186221A (zh) | 应用于在线对话平台的大数据分析方法及系统 | |
Baig et al. | Ensemble hybrid machine learning to simulate dye/divalent salt fractionation using a loose nanofiltration membrane | |
CN115691691A (zh) | 一种基于机器学习的新污染物反应活性预测方法 | |
CN115796015A (zh) | 一种基于互信息多源数据融合的水闸安全状态评估方法 | |
CN115048875A (zh) | 基于机动车排放数据的城市大气环境指标预警方法及系统 | |
Zhang et al. | Soft-sensing modeling of chemical oxygen demand in photo-electro-catalytic oxidation treatment of papermaking wastewater | |
CN114971164A (zh) | 一种基于人工智能的污泥处理设备异常检测方法及系统 |
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 |