[发明专利]一种基于模糊神经网络的出水总磷TP预测方法

摘要

针对当前污水处理过程出水总磷TP测量过程繁琐、仪器设备造价高、维护安装困难、测量结果可靠性和精确性低等问题，本发明提出了一种污水处理过程出水总磷TP智能预测方法，建立了基于模糊神经网络出水总磷TP预测方法，并且利用实时数据对预测模型进行校正，实现了对污水处理过程出水总磷TP的预测，解决了出水总磷TP难以测量的问题；实验结果表明该出水总磷TP预测方法能够快速、准确地预测污水处理出水总磷TP浓度，对环境差异具有很好的适应能力，保障了污水处理过程高效稳定运行。

主权项

一种基于模糊神经网络的出水总磷TP预测方法，其特征在于，包括以下步骤：(1)确定预测变量和辅助变量；以活性污泥法污水处理过程为研究对象，以出水总磷TP为预测变量，在众多过程变量中选择污泥回流量、泥龄、出水悬浮物浓度SS、出水生物需氧量BOD₅、酸碱度pH、进水氨氮NH₄‑N、污泥沉降体积指数SVI、氧化还原电位ORP和进水氯Cl为辅助变量；(2)数据的归一化处理，具体的方法为最大最小法，计算公式为z₁＝(D₁‑D_1,min)/(D_1,max‑D_1,min)；                    (1)式中，z₁为归一化后污泥回流量的实测数据数组；D₁为归一化前污泥回流量的实测数据数组；D_1,min为数组D₁中的最小值，D_1,max为数组D₁中的最大值；泥龄、出水悬浮物浓度SS、出水生物需氧量BOD₅、酸碱度pH、进水氨氮NH₄‑N、污泥沉降体积指数SVI、氧化还原电位ORP和进水氯Cl为预测过程的辅助变量，实测数据数组分别为D₂，D₃，D₄，D₅，D₆，D₇，D₈，和D₉；总磷TP为预测变量，实测数据数组为D₁₀；各数组选出内部的最大值和最小值，根据(1)式相同的处理方式得归一化数组分别为：z₂，z₃，z₄，z₅，z₆，z₇，z₈，z₉和z₁₀；取z₁，z₂，...，z₁₀每组数据的前L个组成训练数据数组分别为：x₁，x₂，x₃，x₄，x₅，x₆，x₇，x₈，x₉和y；剩余L′个数据组成预测数据数组分别为：x₁′，x₂′，x₃′，x₄′，x₅′，x₆′，x₇′，x₈′，x₉′和y′；L和L′均为选取数据的个数；(3)出水总磷TP预测模型建立：利用模糊神经网络设计污水处理过程出水总磷TP预测模型，出水总磷TP预测模型的拓扑结构分为四层：输入层、RBF层、归一化层、输出层；确定拓扑结构为9‑m‑m‑1的连接方式，其中输入层神经元个数为9，RBF层神经元个数为m个，归一化层神经元个数为m个，输出层神经元个数为1个；输入层与RBF层以及RBF与归一化层之间的权值都赋值为1，归一化层与输出层之间的权值进行随机赋值，赋值区间为[‑1,1]；给定每组训练数据x₁，x₂，…，x₉的第t个数据作为出水总磷TP预测模型输入，t＝1,2,…,L，出水总磷TP预测模型计算方式依次为：①输入层：该层由9个神经元组成X(t)＝[x₁(t)；x₂(t)；x₃(t)；x₄(t)；x₅(t)；x₆(t)；x₇(t)；x₈(t)；x₉(t)]^T；         (2)其中，X(t)表示输入层的输出向量，T为矩阵转置；x₁(t)，x₂(t)，…，x₉(t)分别为x₁，x₂，…，x₉的第t个数据，t＝1,2,…,L；②RBF层：该层共由m个神经元组成，RBF层输出向量为H(t)＝[h₁(t)，h₂(t)，…，h_m(t)]^T，H(t)为径向基向量，h_j(t)为第j个RBF神经元的输出，j＝1,2,…,m，计算表达式为$h_j\left(t\right)=e^{(-|\left|X\right(t)-c_j(t\left)\right|{|}^2/2b_j^2\left(t\right))},j=1,2,...,m;---\left(3\right)$式中c_j(t)＝[c_j1(t)，c_j2(t)，…，c_j9(t)]为RBF层第j个神经元的中心向量；c_ji(t)为第i个输入对应第j个神经元的中心值，c_ji(t)∈[‑2,2]，i＝1,2,…,9，b_j(t)为第j个神经元的高斯宽度，b_j∈[0.01,2]；③归一化层：该层共由m个神经元组成，归一化层输出的计算方式为其中为归一化层第j个神经元输出，h_j(t)为第j个RBF神经元的输出，为RBF层神经元输出值之和；④输出层：出水总磷TP预测模型的输出为w_j(t)表示归一化层第j个神经元与输出层神经元的连接权值，为出水总磷TP预测模型的输出；定义出水总磷TP预测模型的输出与期望输出y(t)之间的误差函数e(t)为：$e\left(t\right)=y\left(t\right)-\hat{y}\left(t\right);---\left(6\right)$y(t)为数组y的第t个数据；(4)出水总磷TP预测模型校正，具体为：①给定出水总磷TP预测模型RBF层与归一化层神经元个数m，m为自然数，m∈[10,20]，出水总磷TP预测模型输入为X(1)，X(2)，…，X(t)，…，X(L)，对应的期望输出为y(1)，y(2)，…，y(t)，…，y(L)，期望误差值设为E_d，E_d小于0.01；②设置学习步数l＝1，根据公式(2)、(3)、(4)、(5)计算出水总磷TP预测模型输出运用梯度下降法计算中心值c_ji，宽度b_j以及权值w_j的增量；其中i＝1,2,…,9；j＝1,2,…,m；Δc_ji、Δb_j和Δw_j分别为出水总磷TP预测模型中心值、宽度和权值的增量；λ∈(0,0.1)表示学习率；③调整出水总磷TP预测模型的参数；c′_ji(t)＝c_ji(t)+Δc_ji(t)；                    (10)b′_j(t)＝b_j(t)+Δb_j(t)；                    (11)w′_j(t)＝w_j(t)+Δw_j(t)；                    (12)其中，c_ji(t)、b_j(t)和w′(t)分别为出水总磷TP预测模型调整前的中心值、宽度和以及权值，c_ji′(t)、b_j′(t)和w_j′(t)分别为出水总磷TP预测模型调整后的中心值、宽度和以及权值；④学习步数l增加1，如果步数l<L，则转向步骤②进行继续训练，如果l＝L，则转向步骤⑤；⑤计算出水总磷TP预测模型的性能：$E=\sqrt{\underset{l=1}{\overset{L}{\&Sigma;}}{\left(\hat{y}\right(l)-y(l\left)\right)}^2/L};---\left(13\right)$⑥如果E小于或等于期望误差E_d时停止计算；否则转向步骤②继续训练；(5)出水总磷TP预测；将测试样本数据x₁′，x₂′，…，x₉′作为出水总磷TP预测模型输入，出水总磷TP预测模型的输出即为出水总磷的预测值。