CN115481720A - 基于br-narx神经网络的混凝剂加药量的预测方法 - Google Patents
基于br-narx神经网络的混凝剂加药量的预测方法 Download PDFInfo
- Publication number
- CN115481720A CN115481720A CN202211200520.8A CN202211200520A CN115481720A CN 115481720 A CN115481720 A CN 115481720A CN 202211200520 A CN202211200520 A CN 202211200520A CN 115481720 A CN115481720 A CN 115481720A
- Authority
- CN
- China
- Prior art keywords
- neural network
- coagulant
- input
- dosage
- narx neural
- 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
- 239000000701 coagulant Substances 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 claims description 6
- 235000003891 ferrous sulphate Nutrition 0.000 claims description 6
- 239000011790 ferrous sulphate Substances 0.000 claims description 6
- BAUYGSIQEAFULO-UHFFFAOYSA-L iron(2+) sulfate (anhydrous) Chemical compound [Fe+2].[O-]S([O-])(=O)=O BAUYGSIQEAFULO-UHFFFAOYSA-L 0.000 claims description 6
- 229910000359 iron(II) sulfate Inorganic materials 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000001934 delay Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 238000013210 evaluation model Methods 0.000 claims description 2
- 230000006386 memory function Effects 0.000 claims description 2
- 239000010865 sewage Substances 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 5
- 239000003814 drug Substances 0.000 abstract description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000015271 coagulation Effects 0.000 description 2
- 238000005345 coagulation Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005189 flocculation Methods 0.000 description 1
- 230000016615 flocculation Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Separation Of Suspended Particles By Flocculating Agents (AREA)
Abstract
本发明公开了一种基于BR‑NARX神经网络的混凝剂加药量的预测方法。建立NARX神经网络模型预测混凝剂加药量,然后使用BR算法优化NARX神经网络权重,提高NARX神经网络模型的预测能力,将混凝剂投加量的影响因素输入NARX神经网络预测模型,预测混凝剂加药量。本发明为污水处理过程的混凝剂投加系统的优化控制提供了一种药剂投加量的预测方法,解决了其他预测模型只考虑了输入值的当前影响,没有考虑输入变量对预测目标变量可能具有滞后性影响,对预测混凝剂投加量,具有重要意义。
Description
(一)技术领域
本发明属于污水处理厂净化工艺领域,涉及一种基于BR-NARX神经网络的混凝剂加药量的预测方法。
(二)背景技术
在污水处理工程中,混凝剂投加过程是水处理工程的重要工序,可以有效去除水中的污染物,其过程包含混凝、絮凝、凝聚、沉淀等环节,涉及了物理反应和化学过程,影响因素众多,想要实现精准投药十分困难,混凝剂的投加量决定了污水的净化效果,投加量不足不能有效去除污染物,投加量过大造成药剂浪费,提高了成本,如何在保证出水水质前提下,精准控制混凝剂投加量,是国内外水处理厂一直以来关心又亟待解决的问题。
混凝投药系统具有非线性、不确定性、时滞性等问题,国内大多数污水处理厂都在使用人工投药的方法,人工投药主要依赖于操作人员的经验,操作复杂,存在很大的误差。
为了解决人工投药操作复杂误差大的问题,尝试将人工智能控制技术应用于污水处理的过程控制中,人工智能控制主要是基于人工神经网络而构建的控制方法,当原水水质参数发生变化时,控制系统能够做出快速反应,对混凝剂的投加量进行实时控制,实现精准投药,达到节约药耗、降低操作人员工作量的目的。
申请人于2019年公开的一种基于模糊BP神经网络的废水高级氧化处理智能加药系统及方法(中国专利:CN110981021B),主要步骤如下:以BP神经网络预测出水COD,进水流量、进水COD、实际出水COD、加药量作为输入向量,然后以出水COD设定值与出水COD预测值之间的偏差e和偏差变化率ec作为模糊控制器的输入变量,以加药修正量作为输出变量,通过修正后的加药量作为BP神经网络预测模型下一循环的输入向量,最后根据其他加药量与该加药量之间的关系完成对各加药量的控制,实现加药量的智能调整。在一定程度上可以实现加药量的智能调整,但是模糊控制器的模糊规则及隶属函数的设计方法,完全凭经验进行,模糊控制系统的稳定性和鲁棒性问题也有待解决,预测模型的输入变量只考虑了输入值的当前影响,没有考虑输入变量对预测目标变量可能具有滞后性影响,上一时刻的加药量可能影响的是下一时刻的出水水质。
本发明公开了一种基于BR-NARX神经网络的混凝剂加药量的预测方法。NARX是具有外部输入的非线性自回归神经网络,是一种有效的时间序列预测技术,NARX具有两层前馈网络模型,第一层,来自输入和输出的数据通过时间延迟进入网络,因此时间序列的过去值也作用于输入,与在先技术相比,NARX网络结构可以将时间序列的当前值与外部输入的当前值和过去值联系起来。
(三)发明内容
本发明提出一种基于BR-NARX神经网络的混凝剂加药量的预测方法。
本发明的目的是建立具有外生输入的动态非线性自回归网络模型,用于预测混凝剂投药量,然后通过贝叶斯正则化(BR)优化模型训练,提高模型预测精度。
本发明的目的是这样实现的:
步骤S1:获取水处理厂的实验数据,利用数据分析软件检测数据的异常值,如果存在异常值,使用均值替换异常值,然后再对数据进行归一化处理。
步骤S2:NARX神经网络模型,该模型包括输入层、隐含层、输出层以及输入和输出延时,输入和反馈连接的同时采用时间延迟,输入端接收到反馈的输出信号可以进行下一次迭代训练,使其具备良好的记忆功能。
步骤S3:探索混凝剂投加量影响因素和混凝剂投药量的相关性分析,确定NARX神经网络模型的输入输出变量。
步骤S4:设置NARX神经网络的参数,包括输入层、隐含层、输出层的层数和神经元个数,输入输出延时时间以及隐含层和输出层函数。
步骤S5:选择NARX神经网络的优化算法。
步骤S6:将数据划分为训练样本数据(70%)、测试样本数据(15%)和验证样本数据(15%),训练、测试和验证数据是随机获取的。
步骤S7:定义评价模型的性能指标。
步骤S8:训练NARX神经网络模型,得到模型的评价指标和混凝剂真实值和预测值的对比图。
步骤S9:输入混凝剂影响因素,获得混凝剂的投加量预测值。
步骤S10:根据预测得到的混凝剂投加量预测值进行智能投药。
与现有技术相比,本发明的有益效果在于:NARX神经网络加入了输入和反馈输出的延迟量,在计算时可以同时考虑当前时刻和前几个时刻的值,通过贝叶斯正则化(BR)算法是最小化平方误差与权重的线性组合,通过修改线性组合使得NARX神经网络模型训练得到良好的的泛化能力,进一步提高模型的预测精度。
(四)附图说明
图1为本发明的流程示意图。
图2为NARX神经网络的基本神经元模型。
图3为NARX神经网络结构示意图。
(五)具体实施方式
实验数据包括每小时处理水量、进水COD、出水COD、出水PH、硫酸亚铁(FeSO4)的实际投药量和双氧水(H2O2)的实际投药量。
步骤1涉及的数据归一化处理的具体实现的计算公式为:
其中Xi'是数据归一化结果,其范围在[-1,1];Xi是输入数据的原始变量;Xmin是输入数据的最小值;Xmax是输入数据的最大值;
步骤2的NARX神经网络模型方程式为:
y(t)=f(y(t-1),y(t-2),...y(t-ny),x(t-1),x(t-2),...x(t-nu)) (2)
x(t)表示神经网络的外部输入,即为每小时处理水量、进水COD、出水COD以及出水PH,y(t)表示神经网络t时刻的输出,即硫酸亚铁(FeSO4)的实际投药量和双氧水(H2O2)的实际投药量,nu是输入变量时延的最大阶数,ny是输出变量时延的最大阶数。
步骤3中的确定混凝剂影响因素和混凝剂加药量的相关性,做相关性矩阵,分析数据的权重关系,选择相关性高的作为输入变量。
步骤4中的NARX神经网络的参数设置,隐含层越多越容易过拟合,将隐含层设为1,输入和输出延迟均为2,同时隐含层的激活函数为sigmod,输出层的激活函数为线性函数。
步骤5中的优化算法是贝叶斯正则化(BR),BR算法的训练过程是目标函数通过向典型目标函数添加一个项获得,该项包括网络权重平方和的平均值,其公式为:
F(w)=βED+αEw (3)
目标函数最小化算法。采取目标函数最小化算法:
F(w)=βED+αEw (4)
计算有效算法参数:
γ=N-2atr(H)-1 (5)
其中H是Hessian矩阵。
计算目标函数参数的新估计值:
重复前面三个步骤直到收敛。
步骤7的性能指标公式为:
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (12)
1.一种基于BR-NARX神经网络的混凝剂加药量的预测方法,其特征在于,所述步骤包括:
步骤1:建立具有外生输入的动态非线性自回归(NARX)网络模型,用于预测混凝剂投药量。
步骤2:然后通过贝叶斯正则化(BR)优化模型训练,提高模型预测精度。
2.根据权利要求1所述的混凝剂投药量的预测方法,其特征在于,所述凝剂投加量的影响因素包括每小时处理水量、进水COD、进水PH、出水COD、硫酸亚铁(FeSO4)的实际投药量和双氧水(H2O2)的实际投药量。
3.根据权利要求2所述的混凝剂投药量的影响因素,其特征在于,获取水处理厂的实验数据,然后对数据进行归一化处理。
4.根据权利要求1所述的混凝剂投药量的预测方法,其特征在于,NARX神经网络预测模型,该模型包括输入层、隐含层、输出层以及输入和输出延时,输入和反馈连接的同时采用时间延迟,输入端接收到反馈的输出信号可以进行下一次迭代训练,使其具备良好的记忆功能。
5.根据权利要求2所述的混凝剂投药量的影响因素,其特征在于,探索混凝剂投加量影响因素和混凝剂投药量的相关性分析,确定NARX神经网络模型的输入输出变量。
6.根据权利要求4所述的预测混凝剂投药量的NARX神经网络结构,其特征在于,NARX神经网络的参数,包括输入层、隐含层、输出层的层数和神经元个数,输入输出延时时间以及隐含层和输出层函数。
7.根据权利要求1所述的BR算法优化的NARX神经网络预测模型,其特征在于,BR算法是最小化平方误差与权重的线性组合,通过修改线性组合使得NARX神经网络模型训练得到良好的的泛化能力,进一步提高模型的预测精度。
8.根据权利要求5所述的预测混凝剂投药量的输入输出变量,其特征在于,将输入输出变量数据划分为训练样本数据(70%)、测试样本数据(15%)和验证样本数据(15%),训练、测试和验证数据是随机获取的。
9.根据权利要求1所述的BR算法优化的NARX神经网络预测模型,其特征在与定义评价模型的性能指标MSE。
10.根据权利要求7所述的BR算法优化的NARX神经网络预测模型,其特征在于,训练NARX神经网络模型,得到混凝剂的预测值。
11.根据权利要求10所述训练NARX神经网络预测模型,其特征在于,输入混凝剂影响因素:每小时处理水量、进水COD、进水PH、出水COD,获得硫酸亚铁(FeSO4)的实际投药量和双氧水(H2O2)的预测投药量。
12.根据权利要求11所得到的硫酸亚铁(FeSO4)的实际投药量和双氧水(H2O2)的预测投药量,其特征在于,根据预测得到的混凝剂投加量预测值进行智能投药。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211200520.8A CN115481720A (zh) | 2022-09-29 | 2022-09-29 | 基于br-narx神经网络的混凝剂加药量的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211200520.8A CN115481720A (zh) | 2022-09-29 | 2022-09-29 | 基于br-narx神经网络的混凝剂加药量的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115481720A true CN115481720A (zh) | 2022-12-16 |
Family
ID=84393449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211200520.8A Pending CN115481720A (zh) | 2022-09-29 | 2022-09-29 | 基于br-narx神经网络的混凝剂加药量的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115481720A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117275615A (zh) * | 2023-10-31 | 2023-12-22 | 源康(东阿)健康科技有限公司 | 一种明胶生产废水智能处理方法及系统 |
-
2022
- 2022-09-29 CN CN202211200520.8A patent/CN115481720A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117275615A (zh) * | 2023-10-31 | 2023-12-22 | 源康(东阿)健康科技有限公司 | 一种明胶生产废水智能处理方法及系统 |
CN117275615B (zh) * | 2023-10-31 | 2024-04-09 | 源康(东阿)健康科技有限公司 | 一种明胶生产废水智能处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9747544B2 (en) | Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network | |
Gontarski et al. | Simulation of an industrial wastewater treatment plant using artificial neural networks | |
CN109879410B (zh) | 一种污水处理曝气控制系统 | |
CN108408855B (zh) | 一种用于废水处理的在线加药控制方法及系统 | |
CN103744293B (zh) | 基于模糊神经网络的废水处理监控方法和系统 | |
CN111650834B (zh) | 基于极限学习机的污水处理过程预测控制方法 | |
Zhou et al. | Multiobjective operation optimization of wastewater treatment process based on reinforcement self-learning and knowledge guidance | |
CN110981021B (zh) | 一种基于模糊bp神经网络的废水高级氧化处理智能加药系统及方法 | |
CN102411308A (zh) | 基于递归神经网络模型的溶解氧的自适应控制方法 | |
CN108975553A (zh) | 一种火电厂含煤废水处理混凝剂投加量精确控制方法 | |
CN115356930B (zh) | 一种污水处理过程中的多目标优化控制系统及方法 | |
CN113189881A (zh) | 一种污水处理多目标优化控制方法及系统 | |
CN115481720A (zh) | 基于br-narx神经网络的混凝剂加药量的预测方法 | |
Han et al. | Type-2 fuzzy broad learning controller for wastewater treatment process | |
CN115527628A (zh) | 城市污水化学除磷工艺的在线控制方法及系统 | |
CN110357236B (zh) | 一种基于突变反演出水预测模型的污水厂智慧操控方法 | |
Fu et al. | Dissolved oxygen control system based on the TS fuzzy neural network | |
CN113627506A (zh) | 一种基于信息融合-区间二型模糊神经网络的出水总磷智能检测方法 | |
CN113111576A (zh) | 一种基于混合编码粒子群-长短期记忆神经网络出水氨氮软测量方法 | |
Xu et al. | A novel dissolve oxygen control method based on fuzzy neural network | |
CN116822346A (zh) | 一种基于q学习的污水处理硝态氮浓度控制方法 | |
Chang et al. | Soft sensor of the key effluent index in the municipal wastewater treatment process based on transformer | |
Yordanova et al. | Neuro-fuzzy control for anaerobic wastewater treatment | |
Rahmati et al. | Determining the best and simple intelligent models for evaluating BOD5 of Ahvaz wastewater treatment plant. | |
Juuso | Data-based development of hybrid models for biological wastewater treatment in pulp and paper industry |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |