[发明专利]一种污水处理过程污泥膨胀指数预测方法

摘要

一种污水处理过程污泥膨胀指数预测方法属于污水处理领域。污水处理过程的生产条件恶劣，随机干扰严重，具有强非线性、大时变、严重滞后的特点，我国几乎所有的城市污水处理厂和大部分工业污水处理厂每年都存在着不同程度的污泥膨胀，污泥膨胀的主要特征是污泥沉降性能恶化，污泥膨胀指数SVI是表示污泥沉降性能的参数，但是SVI这一关键指数难以在线测量；本发明针对污水处理过程中污泥膨胀指数SVI无法在线测量的问题，采用了基于集成神经网络的预测方法，实现了污水处理过程中污泥膨胀指数SVI的实时预测，取得了较好的效果。

主权项

1.一种污泥膨胀指数SVI的预测方法，其特征包括以下步骤：(1)设计用于SVI预测的集成神经网络，集成神经网络分为两部分：第一部分神经网络包含输入层、隐含层、输出层，第二部分神经网络也包括输入层、隐含层、输出层；第一部分神经网络的输入为辅助变量，输出为生化需氧量BOD；第二部分神经网络的输入为辅助变量和生化需氧量BOD，输出为污泥膨胀指数SVI；初始化神经网络：第一部分神经网络为N-M1-1的连接方式，即输入层神经元为N个，隐含层神经元为M1个，输出层神经元为1个；对第一部分神经网络的权值进行随机赋值；神经网络的输入表示为X₁=[x₁,x₂，...,x_N]^T，[x₁,x₂，...,x_N]^T为[x₁,x₂，...,x_N]的转置，第一部分神经网络的期望输出表示为y_d1；设共有P个训练样本，则第p个训练样本为X₁(p)=[x₁(p),x₂(p)，...,x_N(p)]^T，用第p个训练样本训练神经网络时，第一部分神经网络的输出可描述为：其中，M1是第一部分神经网络的隐含层神经元数，X₁(p)=[x₁(p),x₂(p),…,x_N(p)]^T是输入向量，是第一部分神经网络第j个隐含层神经元与输出层神经元的联结权值；是第一部分神经网络第j个隐含层神经元的输出，即其中，f(x)=(1+e^-x)^-1，是第一部分神经网络第i个输入层神经元与第j个隐含层神经元的联结权值，x_i是第一部分神经网络第i个输入层神经元的输出，输入层神经元的输出等于其输入值；第二部分神经网络为N+1-M2-1的连接方式，即输入层神经元为N+1个，隐含层神经元为M2个，输出层神经元为1个；对第二部分神经网络的权值进行随机赋值；第二部分神经网络的输入表示为X₂=[x₁,x₂，...,x_N，y₁]^T，[x₁,x₂，...,x_N，y₁]^T为[x₁,x₂，...,x_N，y₁]的转置，第二部分神经网络的期望输出表示为y_d2；设共有P个训练样本，则第p个训练样本为X₂(p)=[x₁(p),x₂(p),…,x_N(p),y₁(p)]^T，用第p个训练样本训练神经网络时，第二部分神经网络的输出可描述为：其中，M2是第二部分神经网络的隐含层神经元数，X₂(p)=[x₁(p),x₂(p)，...,x_N(p),y₁(p)]^T是输入向量，第一部分神经网络的输出作为第二部分神经网络的输入，是第二部分神经网络第k个隐含层神经元与输出层神经元的联结权值；是第二部分神经网络第k个隐含层神经元的输出，即其中，函数f与公式(2)中的表达形式相同，第一部分神经网络，是第二部分神经网络第k个输入层神经元与第l个隐含层神经元的联结权值，x_k是第二部分神经网络第k个输入层神经元的输出，x_N+1(p)=y₁(p)，输入层神经元的输出等于其输入值；定义误差函数为：E(p)=1PΣp=1P(y2(p)-yd2(p))T(y2(p)-yd2(p)),---(5)]]>P为训练样本总数，y_d2(p)和y₂(p)分别是p时刻集成神经网络第二部分的期望输出和实际输出，训练集成神经网络的目的是使得式(5)定义的误差函数达到期望值；(2)对样本数据进行校正；设A个数据样本{X₁(1),X₁(2),…,X₁(A)}，均值为χ，每一个样本的偏差为D(a)=X₁(a)-χ，a=1,2，...,A，计算标准偏差：σ=Σa=1A(X1(a)-χ)2A-1,---(6)]]>若某一个样本X₁(a)的偏差满足：|D(a)|≥3σ,，a=1,2,...,A,(7)则认为样本X₁(a)是异常数据，应予以剔除，得到校正后的数据，该数据作为神经网络的训练样本和测试样本；其特征还包括以下步骤：(3)用校正后的数据训练集成神经网络，具体为：①给定一个集成神经网络，第一部分神经网络的隐含层神经元为M1，第二部分神经网络的隐含层神经元为M2，M1和M2均为小于200的正整数，初始化神经网络权值和神经网络的初始权值为0到1的随机数；②根据公式(8)来调整集成神经网络第一部分神经网络的权值v¹；其中，是的Moore-Penrose逆，y_d1为第一部分神经网络的期望输出；③根据公式(9)来调整集成神经网络第二部分神经网络的权值v²；其中，是的Moore-Penrose逆，y_d2为第二部分神经网络的期望输出；④误差函数(5)的值达到期望误差E_d≤0.01时停止计算；否则转向步骤②继续训练；(4)对测试样本进行检测：将测试样本数据作为训练好的集成神经网络的输入，集成神经网络第二部分的输出即为SVI的预测结果。