[发明专利]一种数据驱动的石化污水可生化性智能评价方法

权利要求书

1.一种数据驱动的石化污水可生化性智能评价方法，其特征在于包括以下步骤：

(1)确定预测变量和相关变量：针对石化污水处理过程中污水可生化性进行智能评价，确定生化需氧量BOD、初沉池化学需氧量COD、进水化学需氧量COD_in，总磷TP、氨氮NH₄-N、酸碱度pH、溶解氧DO、温度T、固体悬浮物浓度SS、氧化还原电位ORP、进水流量Q_in、浊度、硝态氮NO₃-N、污泥浓度MLSS共14个变量为污水可生化性相关变量，以污水可生化性的四种类别即难降解、部分可降解、较易降解、易降解为预测变量，四种类别分别定义为第1～4类；

(2)设计用于选取石化污水可生化性特征变量的多尺度特征提取算法：

①根据相关变量的采样周期，其中溶解氧DO、硝态氮NO₃-N和氧化还原电位ORP采样周期为5分钟，分别表示为τ₁,τ₂,τ₃，获得的采样样本向量分别为x₁(t₁),x₂(t₂),x₃(t₃)，其中t₁,t₂,t₃分别为采样时刻，污泥浓度MLSS、浊度、温度T、酸碱度pH和进水流量Q_in采样周期为15分钟，分别表示为τ₄,τ₅,τ₆,τ₇,τ₈，获得的采样样本向量分别为x₄(t₄),x₅(t₅),x₆(t₆),x₇(t₇),x₈(t₈)，其中t₄,t₅,t₆,t₇,t₈分别为采样时刻，氨氮NH₄-N、初沉池化学需氧量COD、进水化学需氧量COD_in采样周期为2小时，分别表示为τ₉,τ₁₀,τ₁₁，获得的采样样本向量分别为x₉(t₉),x₁₀(t₁₀),x₁₁(t₁₁)，其中t₉,t₁₀,t₁₁分别为采样时刻，生化需氧量BOD，固体悬浮物浓度SS，总磷TP采样周期为1天，分别表示为τ₁₂,τ₁₃,τ₁₄,获得的采样样本向量分别为x₁₂(t₁₂),x₁₃(t₁₃),x₁₄(t₁₄)，其中t₁₂,t₁₃,t₁₄分别为采样时刻，定义变量的采样尺度向量为τ＝[τ₁,…,τ_i,…,τ₁₄]，其中τ_i为正整数，i＝1,2,…,14，且x_i(t_i)＝[x_i(1),x_i(2),…,x_i(t_i),…,x_i(n_i)]为向量中的元素；定义各变量对应的采样时刻为t_i＝1+kτ_i，k＝0,1,…,n_i-1，n_i为第i个变量的样本个数，且为正整数；

②定义时间尺度融合的步长为m，m₀≤m≤m₁，m，m₀和m₁为正整数且m₀m₁≤14，定义融合后的变量样本个数为N，即n_i＝N；当τ_i＝m时，各变量尺度融合后的采样向量为x_i′(t_i′)＝x_i(t_i)，t_i′为融合后变量的采样时刻；当τ_im时，各变量的采样时刻变为t′_i＝1+km，各变量尺度融合后的采样向量为x_i′(t_i′)＝x_i(1+km)；当τ_im时，各变量尺度融合后的采样向量为

x_i′(t_i′)＝[x_i(1),x_i(1)+x_i(n_i)-x_i(1)/N,x_i(1)+2[x_i(n_i)-x_i(1)]/N,…,x_i(1)+(N-1)[x_i(n_i)-x_i(1)]/N]；

③设置特征提取次数L₁＝1；

④j＝L₁，根据所获取的采样样本向量按n_i由小到大依次合并成样本矩阵X(t)_h×o＝[x₁(t),x₂(t),…,x_i(t),…,x_o(t)]，其中x_i(t)＝x_i′(t_i′)；h和o分别表示样本矩阵X(t)_h×o的样本总个数和变量的个数，且h≤N，o≤14；将样本矩阵X(t)_h×o进行标准化转换，得到标准化矩阵X^std(t)_h×o＝[z₁(t),z₂(t),…,z₂(t),…,z_o(t)]，其中：

z_b(t)＝(x_b(t)-μ_b)/θ_b； (1)

其中，b＝1,2,…,o，x_b(t)＝[x_b(1),x_b(2),…,x_b(t)]为矩阵X(t)_h×o中第b个变量的样本向量，z_b(t)＝[z_b(1),z_b(2),…,z_b(t)]为矩阵X^std(t)_h×o中第b个变量的标准化样本向量，μ_b和θ_b分别为矩阵x_b(t)的均值和标准差，计算公式分别如下：

⑤根据标准化矩阵X^std(t)_h×o，计算对应的协方差矩阵R(t)_o×o＝[r₁(t),r₂(t),…,r_o(t)]，其中计算公式如下：

其中，r_b(t)＝[r_b(1),r_b(2),…,r_b(t)]为矩阵R(t)_o×o中第b个变量的样本向量，表示第b个变量与第c个变量之间的相关系数向量，z_c(t)＝[z_c(1),z_c(2),…,z_c(t)]为矩阵X^std(t)_h×o中第c个变量的样本向量，c＝1,2,…,o，T为公式的转置；

⑥求解协方差矩阵R(t)_o×o的特征值和对应特征向量分别为λ₁,λ₂,…,λ_o和p₁,p₂,…,p_o；

⑦将特征值按从大到小顺序进行排列，计算前e个相关变量累计贡献率η(e)，计算公式如下：

其中，e∈[1,o]，λ_c表示矩阵R(t)_o×o第c个特征值，选择累计贡献率η(e)超过85％的前e个相关变量作为污水可生化性的特征变量，提取的特征变量集合X^e(t)表示如下：

X^e(t)＝[x₁(t),x₂(t),…,x_j(t),...,x_e(t)]； (6)

其中，x_j(t)＝[x_j(1),x_j(2),…,x_j(t)]，j＝1,2,…,e，为集合X^e(t)中第j个样本向量；

⑧特征提取次数L₁增加1，如果提取次数L₁≤N，转向步骤④进行继续训练，否则停止特征提取；

经过多尺度特征提取算法提取特征之后，从特征值大到小顺序选定或满足贡献率η(e)85％的前e个变量为特征变量；

(3)污水可生化性智能评价模型设计：利用模糊神经网络建立污水可生化性评价模型，该模型的拓扑结构分为四层：输入层、RBF层、归一化层、输出层；确定神经网络e-p-p-4的连接方式，即输入层神经元为e个，RBF层神经元为p个，归一化层神经元为p个，输出层神经元为4个；对神经网络的权值进行随机赋值；模糊神经网络的输入表示为X(t)＝[x₁(t),x₂(t),…,x_e(t)]，神经网络的期望输出表示为y_d(t)＝[y_d¹(t),y_d²(t),y_d³(t),y_d⁴(t)]，实际输出表示为y(t)＝[y₁(t),y₂(t),y₃(t),y₄(t)]，y_d^q(t)和y_q(t)分别表示第q个类别对应网络的期望输出和实际输出，q＝1,2,3,4，第1～4类期望输出分别定义为[1,0,0,0]、[0,1,0,0]、[0,0,1,0]和[0,0,0,1]，第t时刻模糊神经网络的输入表示为x₁(t),x₂(t),…,x_a(t)，模糊神经网络的计算功能是：

①输入层：该层由e个神经元组成，每个神经元的输出为：

u_I(t)＝x_I(t),I＝1,2,…,e； (7)

其中，u_I(t)表示输入层t时刻第I个神经元的输出，x_I(t)表示输入层t时刻第I个神经元的输入；

②RBF层：RBF层由p个神经元组成，每个神经元的输出为：

其中，为第J个RBF神经元的输出，J＝1,2,…,p，c_IJ(t)和σ_IJ(t)分别为RBF层第J个神经元中第I个隶属函数的中心值及高斯宽度，c_IJ(t)∈[-2,2]，σ_IJ(t)∈[0.01,1]；

③归一化层：归一化层由p个神经元组成，其输出计算公式为：

其中，v_z(t)是归一化层中第z个神经元输出；

④输出层：输出层输出为：

其中，y_q(t)是输出层第q个神经元输出，表示网络在第q类上的输出概率，q＝1,2,3,4，w^q(t)表示归一化层神经元与输出层第q个神经元之间的连接权值，w_z^q(t)表示归一化层第z个神经元与输出层第q个神经元之间的连接权值，v(t)＝[v₁(t),v₂(t),…,v_p(t)]是归一化层神经元的输出向量；

⑤定义误差函数为：

其中，y_d^q(t)是输出层第q个神经元的期望输出；

(5)训练神经网络，具体为：

①给定模糊神经网络的RBF层和归一化层神经元个数为p，p为自然数，p∈[10,20]，模型输入为X(1)，X(2)，…，X(t)，…，X(P)，P为训练样本个数，进行训练并设计计算步骤L₂＝1；

②t＝L₂，计算模型的输出y(t)，利用梯度下降法调整动态评价模型的参数；

其中，c_IJ(t)、σ_IJ(t)和w_z^q(t)分别为模型调整前的中心值、宽度和权值，c_IJ(t+1)、σ_IJ(t+1)和w_z^q(t+1)分别为模型调整后的中心值、宽度和权值，η∈(0,0.1]表示学习率；

③学习步数L₂增加1，如果步数L₂P，转向步骤②进行继续训练，如果L₂＝P停止计算；

(6)利用训练后的神经网络所求解出的y(t)对污水可生化性进行评价，即选择模糊神经网络输出层中具有最大输出概率y_δ(t)的节点所对应的类别作为最终分类结果；其中，y_δ(t)＝max{y₁(t),y₂(t),y₃(t),y₄(t)}，δ＝1,2,3,4，max表示取集合中最大值的符号；若y₁(t)为最大输出概率即δ＝1，则评价结果为难降解，若y₂(t)为最大输出概率即δ＝2，则评价结果为部分可降解，若y₃(t)为最大输出概率即δ＝3，则评价结果为较易降解，若y₄(t)为最大输出概率即δ＝4，则评价结果为易降解。