[发明专利]一种活性污泥形态学和污泥体积指数SVI软测量方法

说明书

一种活性污泥形态学和污泥体积指数SVI软测量方法，涉及一种污水智能检测方法，本发明方法包括活性污泥显微图像特征提取、集成特征选择、SVI软测量模型建模、SVI预报四个步骤：其中活性污泥显微图像特征提取，用于提取生化池活性污泥显微图像絮体和丝状菌形态学特征；集成特征选择，采用皮尔逊相关系数法、最大互信息系数、Lasso回归模型、平均不纯度减少法、稳定性选择方法、递归特征消除法六种特征选择方法；SVI软测量模型，采用快速随机配置神经网络FastSCN方法，构建SVI模型；SVI预报，提取和选择新样本形态学特征。本发明能够有效提取活性污泥微生物形态学特征，可靠稳定预报污泥沉降性能SVI指标，为污水处理操作和优化提供出水水质和操作参数动态变化信息。

技术领域

本发明涉及一种污水智能检测方法，特别是涉及一种活性污泥形态学和污泥体积指数SVI软测量方法。是一种活性污泥形态学特征选择和污泥体积指数(Sludge VolumeIndex，SVI)软测量方法。

背景技术

城市污水处理厂多采用活性污泥法，依靠微生物群体新陈代谢活动，降解污水中有机污染物，具有处理效率高，操作费用低等优势。活性污泥系统的成功取决于微生物絮凝体和丝状细菌之间的生态系统平衡，一旦平衡遭到破坏，容易引发污泥膨胀，严重影响污水处理厂运行。污泥沉降性能是活性污泥工艺的关键。污泥体积指数SVI是表征污泥沉降性能的主要指标。因此及时准确预报活性污泥指数SVI，有助于及时了解污泥沉降性能，为早期污泥膨胀、污泥上浮等污水处理异常现象提供预警信息。

常规SVI指标依赖于实验室离线化验分析，具有耗时、费力、化验频次低等问题。由于污水水质成分复杂、进水波动不可控，动力学参数多、非线性强等综合复杂性，一般难以建立准确的机理模型。基于数据驱动的预测模型建立方法受到广泛关注，例如韩红桂等人(CN108898215A)基于数据建模方法出发，提出一种基于二型模糊神经网络的污泥膨胀智能辨识方法，选取与SVI相关的污水处理过程变量，溶解氧浓度DO，总氮TN，污泥负荷F/M，酸碱度pH，温度T作为软测量模型的输入，建立SVI软测量模型。

SVI指标与活性污泥内部结构、化学组成和微生物生态学特征高度相关，能够反映污水处理厂的运行工况动态变化和出水水质变化，因此基于活性污泥显微图像定量分析，为SVI预测提供了有效途径。其中，污泥形态学特征参数提取和选择是实现高可靠性SVI模型的关键。

发明内容

本发明的目的在于提供一种活性污泥形态学和污泥体积指数SVI软测量方法，本发明通过集成六种特征选择方法对所获取的丝状菌和絮体各27个形态学特征变量进行综合评价，选取一组与SVI相关性高、特征间冗余性低的形态学特征参数作为SVI模型输入变量，然后采用FastSCN学习方法训练SVI软测量模型，最后基于构建的SVI模型进行预报。

本发明的目的是通过以下技术方案实现的：

一种活性污泥形态学和污泥体积指数SVI软测量方法，所述方法包括活性污泥显微图像特征提取、集成特征选择、SVI软测量模型建模、SVI预报4个步骤：

所述活性污泥显微图像特征提取，用于提取生化池活性污泥显微图像絮体和丝状菌形态学特征；

所述集成特征选择，采用皮尔逊相关系数法、最大互信息系数、Lasso回归模型、平均不纯度减少法、稳定性选择方法、递归特征消除法六种特征选择方法，根据活性污泥显微图像絮体和丝状菌形状、结构、紧密度、大小等形态学特征得分，选取一组冗余性低且与SVI相关性较高的活性污泥絮体和丝状菌形态学特征；

所述SVI软测量模型，模型输入为活性污泥絮体和丝状菌k个形态学特征，模型输出是SVI值，采用快速随机配置神经网络FastSCN(Fast Stochastic ConfigurationNetwork)方法，构建SVI模型；

所述SVI预报，通过对新样本形态学特征提取和选择，利用已经构建的FastSCN污泥体积指数软测量模型，实现新样本SVI指标的预报。