[发明专利]基于灰色神经网络组合模型的污水处理出水参数预测方法

说明书

技术领域

本发明涉及污水处理领域，且特别涉及一种基于灰色神经网络组合模型的污水处理出水参数预测方法。

背景技术

污水处理是控制水污染的关键一环。由于相关污水监控设备价格昂贵，因此部分中小污水处理厂出于成本问题或出水监测设备维护困难等问题，存在相关参数监控不理想情况。然而一些参数的不精确不仅对出水水质有重要影响，同时也增加了污水处理成本。

目前，对污水处理厂水质预测的方法有很多，但是大都是基于神经网络的预测。污水处理厂水质的变化是有多种影响因素构成的，单一的预测方法仅能对局部的变化规律进行描述，因而预测精度不高。因此，改进单一模型的预测方法便成了提高预测精度的重要手段。

发明内容

本发明为了克服现有单一性预测方法预测准确性低的问题，提供一种预测精度高的基于灰色神经网络组合模型的污水处理出水参数预测方法。

为了实现上述目的，本发明提供一种基于灰色神经网络组合模型的污水处理出水参数预测方法，该方法包括：

获取历史的进水参数数列x(t)并进行累加处理后形成累加数列y(t)；

根据累加数列y(t)建立灰色神经网络并利用灰色神经网络对历史出水参数进行预测；在预测的过程中采用改进的粒子群算法进行灰色神经网络的优化，优化的步骤如下：

步骤一，初始化改进的粒子群算法内的参数；

步骤二，计算每个离子的粒子的适应度f：

其中，y_ij为测试样本总群X的预测值；t_ij为测试样本总群X的真实值；n为测试样本的个数；m为输出节点的个数；

步骤三，根据计算的适应度f，找出最小适应度f_min对应的粒子个体X_min，令X^*＝X_min，f^*＝f_min，则X^*为最优粒子，f^*为最优适应度；

步骤四，按照以下公式优化每个粒子的位置X_i和速度V_i；

样本种群X＝(X₁，X₂，…，X_n)；其中粒子i的位置信息表示为X_i＝(x_i1，x_i2，…，x_id)^T；速度信息表示为V_i＝(v_i1，v_i2，…，v_id)^T；粒子i的个体极值点为P_i＝(p_i1，p_i2，…，p_id)^T；种群的全局极值点为G＝(g₁，g₂，…，g_d)^T；表示粒子i在第k次迭代第d维的速度；c₁，c₂为加速系数；r₁，r₂为[0,1]之间的随机数；ω为惯性因子；为第k次迭代第d维的全局极值点；

步骤五，以变异遗传概率P对粒子X_i的位置进行更新，产生新的粒子X_i′并线性递减惯性权重，计算新的粒子X_i′的适应度f′；比较f和f′的大小，若f＞f′，则令X_i＝X_i′；

步骤六，对于更新后的种群，找出最小的f_min，及其对应的X_min，若f_min＜f^*，则令X^*＝X_min，否则不进行变换；

步骤七，重复步骤四至步骤六，当迭代次数达到最大值时结束循环，输出f^*，X^*。把X^*的值赋给参数a，b_i，实现灰色神经网络的优化；

根据优化后的神经网络进行当前出水参数的预测；

采用马尔科夫链对计算所得的当前的出水参数进行修正。

于本发明一实施例中，根据累加数列建立灰色神经网络并利用灰色神经网络对历史出水参数进行预测的步骤如下：