一種基于自組織粒子群-徑向基神經(jīng)網(wǎng)絡的污水總磷tp軟測量方法
【專利摘要】針對當前污水處理過程出水總磷TP測量過程繁瑣、儀器設(shè)備造價高、測量結(jié)果可靠性和精確性低等問題，本發(fā)明設(shè)計了一種基于自組織粒子群-徑向基神經(jīng)網(wǎng)絡的污水處理過程出水總磷TP軟測量方法，并利用實時數(shù)據(jù)對出水總磷TP軟測量方法進行校正，實現(xiàn)了對污水處理過程出水總磷TP的預測，解決了出水總磷TP難以測量的問題；結(jié)果表明該出水總磷TP軟測量方法能夠快速、準確地預測污水處理出水總磷TP的濃度，有利于加強城市污水處理廠精細化管理和提升實時水質(zhì)質(zhì)量監(jiān)控水平。
【專利說明】-種基于自組織粒子群-徑向基神經(jīng)網(wǎng)絡的污水總磷TP軟 測量方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明基于污水處理生化反應特性，利用一種自組織粒子群-徑向基神經(jīng)網(wǎng)絡設(shè) 計了污水處理過程出水總磷TP的軟測量方法，同時根據(jù)污水處理過程的實時采集的數(shù)據(jù) 實現(xiàn)出水總磷TP軟測量方法的在線校正，實現(xiàn)了出水總磷TP濃度的實時測量；是先進制造

【技術(shù)領(lǐng)域】的重要分支，既屬于控制領(lǐng)域，又屬于水處理領(lǐng)域。

【背景技術(shù)】
[0002] 磷是引起水體富營養(yǎng)化、導致藻類大量繁殖的主要因子，是水環(huán)境污染和水體富 營養(yǎng)化問題的主要因素，控制水體富營養(yǎng)化的一項重要舉措就是將富含磷的污水進行處 理，并且嚴格限制污水處理出水中總磷TP的排放；總磷TP智能檢測技術(shù)有利于加強城市污 水處理廠精細化管理和提升實時水質(zhì)質(zhì)量監(jiān)控水平，緩解我國當前水污染嚴重和水體富營 養(yǎng)化的現(xiàn)狀，不但具有較好的經(jīng)濟效益，而且具有顯著的環(huán)境和社會效益。因此，本發(fā)明的 研究成果具有廣闊的應用前景。
[0003] 出水總磷TP濃度是城市污水處理廠出水排放標準中的核心指標，出水總磷TP排 放不達標會直接導致受納水體富營養(yǎng)化，保證出水總磷TP濃度實時達到排放至關(guān)重要。目 前測量出水總磷TP的方法主要有分光光度法、氣相色譜法、液相色譜法、電極法、機理方法 等。而分光光度法對總磷含量進行測量操作步驟繁瑣，試劑需現(xiàn)用現(xiàn)配，需繪制校準曲線， 工作量大，而且水樣中濁度將直接影響測量的吸光度值，干擾因素較多，需做補償校正。氣 相色譜法、液相色譜法和電極法等方法雖然避免了分光光度法出水總磷TP檢測的測量周 期長、手工操作復雜、且容易產(chǎn)生偶然誤差的缺點，但是，氣相色譜法、液相色譜法和電極法 等方法需要選擇合適的磷酸根離子選擇性電極或色譜與磷酸鹽發(fā)生作用。污水處理總磷的 機理方法可以為污水處理廠的工藝設(shè)計提供依據(jù)，但是，由于污水處理過程中進水流量、進 水成份、污染物濃度、天氣變化等參量都是隨時間變化，同時城市污水處理過程的負荷波動 非常大，污水處理過程經(jīng)常工作在非平穩(wěn)狀態(tài)，機理方法的誤差較大，精度較低，很難滿足 實時檢測的需求。整體看來，以上總磷檢測儀器都需要一定的測量時間，無法實現(xiàn)總磷的實 時檢測，并且設(shè)備需要進口、試劑更換頻繁、設(shè)備維護成本高。而基于機理方法的儀器雖然 能夠?qū)崿F(xiàn)總磷的實時預測，但是誤差較大，精度較低，尚未在污水處理廠推廣應用。因此，現(xiàn) 有的總磷檢測技術(shù)和儀器很難滿足污水處理廠實時檢測的需求，必須尋求新的檢測方法。
[0004] 本發(fā)明設(shè)計了一種基于自組織粒子群-徑向基神經(jīng)網(wǎng)絡的出水總磷TP軟測量方 法，主要通過軟測量的方法實現(xiàn)出水總磷TP的在線檢測。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明獲得了一種基于自組織粒子群-徑向基神經(jīng)網(wǎng)絡的出水總磷TP軟測量方 法，通過設(shè)計出水總磷TP的軟測量方法，根據(jù)污水處理過程的實時采集的數(shù)據(jù)實現(xiàn)出水總 磷TP軟測量方法的在線校正，實現(xiàn)了出水總磷TP的實時測量，解決了污水處理過程出水總 磷TP難以實時測量的問題，提高了城市污水處理廠精細化管理和水質(zhì)質(zhì)量實時監(jiān)控的水 平，保障污水處理過程正常運行；
[0006] 本發(fā)明采用了如下的技術(shù)方案及實現(xiàn)步驟：
[0007] -種基于自組織粒子群-徑向基神經(jīng)網(wǎng)絡的出水總磷TP軟測量方法，其特征在 于，包括以下步驟：
[0008] (1)確定軟測量方法的輔助變量：采集污水處理廠實際水質(zhì)參數(shù)數(shù)據(jù)，選取與出 水總磷TP相關(guān)性強的水質(zhì)變量：進水總磷TP、溫度T、厭氧末端氧化還原電位0RP、好氧前 段溶解氧D0、好氧末端總固體懸浮物TSS以及出水pH作為出水總磷TP測量的輔助變量；
[0009] (2)設(shè)計用于出水總磷TP的自組織粒子群-徑向基神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)，自組織粒 子群-徑向基神經(jīng)網(wǎng)絡分為三層：輸入層、隱含層、輸出層；初始化自組織粒子群-徑向基 神經(jīng)網(wǎng)絡：確定神經(jīng)網(wǎng)絡6-K-1的連接方式，即輸入層神經(jīng)元為6個，隱含層神經(jīng)元為K個， K為正整數(shù)，輸出層神經(jīng)元為1個；對神經(jīng)網(wǎng)絡的參數(shù)進行賦值；設(shè)共有T個訓練樣本，第t 時刻神經(jīng)網(wǎng)絡輸入為X (t) = [X1 (t) , X2 (t) , X3 (t) , X4 (t) , X5 (t) , X6 (t)],神經(jīng)網(wǎng)絡的期望輸 出表示為yd(t)，實際輸出表示為y⑴；自組織粒子群-徑向基神經(jīng)網(wǎng)絡的計算功能是：

【權(quán)利要求】
1. 一種基于自組織粒子群-徑向基神經(jīng)網(wǎng)絡的出水總磷TP軟測量方法，其特征在于， 包括以下步驟： (1) 確定軟測量模型的輔助變量：采集污水處理廠實際水質(zhì)參數(shù)數(shù)據(jù)，選取與出水總 磷TP相關(guān)性強的水質(zhì)變量：進水總磷TP、溫度T、厭氧末端氧化還原電位ORP、好氧前段溶 解氧DO、好氧末端總固體懸浮物TSS以及出水pH作為出水總磷TP測量的輔助變量； (2) 設(shè)計用于出水總磷TP的自組織粒子群-徑向基神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)，自組織粒子 群-徑向基神經(jīng)網(wǎng)絡分為三層：輸入層、隱含層、輸出層；初始化自組織粒子群-徑向基神 經(jīng)網(wǎng)絡：確定神經(jīng)網(wǎng)絡6-K-1的連接方式，即輸入層神經(jīng)元為6個，隱含層神經(jīng)元為K個，K 為正整數(shù)，輸出層神經(jīng)元為1個；對神經(jīng)網(wǎng)絡的參數(shù)進行賦值；設(shè)共有T個訓練樣本，第t時 刻神經(jīng)網(wǎng)絡輸入為X (t) = [X1 (t) , X2 (t) , X3 (t) , X4 (t) , X5 (t) , X6 (t)],神經(jīng)網(wǎng)絡的期望輸出 表示為yd(t)，實際輸出表示為y(t);自組織粒子群-徑向基神經(jīng)網(wǎng)絡的計算功能是：
Wk(t)表示隱含層第k個神經(jīng)元和輸出層的連接權(quán)值，k = 1，2，--?，!（； 是隱 含層第k個神經(jīng)元的輸出，其計算公式為：
U k表示隱含層第k個神經(jīng)元中心值，〇 k表示隱含層第k個神經(jīng)元的中心寬度； (3) 訓練神經(jīng)網(wǎng)絡，具體為： ① 初始化粒子群加速常數(shù)(^和(32, C1 e (0，1)，C2 e (0，1);設(shè)定粒子群平衡權(quán)值 a G [〇，1]，將徑向基神經(jīng)網(wǎng)絡的參數(shù)表示為粒子群中的粒子： I = ，Pu，crU，wi-,2 …1*1爲，Aici，wJ1Ki ] ; (3) 其中，ai表示第i個粒子的位置，i = 1，2,…，s ;s表示粒子總個數(shù)，s為正整數(shù)，ii i;k,0 u和Wu分別表示第i個粒子中第k個隱含層神經(jīng)元的中心值，中心寬度和連接權(quán)值； Ki表示第i個粒子表示的徑向基神經(jīng)網(wǎng)絡隱含層神經(jīng)元數(shù)；iUk，〇 u和Wu的初始值取 (〇, 1)的任意數(shù)，Ki的初始值為任意正整數(shù)；同時，初始化粒子的速度： (4) 其中，Vi表示第i個粒子的速度，Di表示第i個粒子的維數(shù)，Di = 3Ki ; ② 對于神經(jīng)網(wǎng)絡的輸入X (t)，確定每個粒子的維數(shù)Di (t) = 31 (t)，計算每個粒子的適 應度值： f (a^t)) = Ei (t) +a Ki (t) ； (5) 其中，Ei (t)為
i = 1,2,…，s ;T表示神經(jīng)網(wǎng)絡輸入的訓練樣本數(shù)； ③ 計算每個粒子的慣性權(quán)重： ?i(t) = y (t)Ai(t) ； (7) 其中， y (t) = (c-s(t)/iooo)_t ； S (t) = fmin (a (t)) /fmax (a (t))； Ai (t) = f (g(t))/f (a^t)) ； (8) C是常量，C G [1，5]，最小適應度值fmin(a(t))，最大適應度值fmax(a(t))，粒子全局最 優(yōu)位置g(t)分別表示為：
④ 更新每個粒子的位置和速度： Vi(t+1) = wi(t)vi(t)+c1r1(pi(t)-a i(t))+c2r2(g(t)-ai(t))； a^t) = a^t-D+v^t) ； (11) 其中，^和r2分別表示最好先前位置系數(shù)和全局最優(yōu)位置系數(shù)，ri和r2取[0, 1]的任 意數(shù)； ⑤ 根據(jù)全局最優(yōu)位置g(t)找出最佳神經(jīng)網(wǎng)絡結(jié)構(gòu)，此時的最佳神經(jīng)網(wǎng)絡隱含層神經(jīng) 元數(shù)為Kb6st，更新每個粒子對應的神經(jīng)網(wǎng)絡隱含層神經(jīng)元數(shù)：
⑥ 輸入訓練樣本數(shù)據(jù)X (t+1)，重復步驟②-⑤，所有訓練樣本訓練結(jié)束后停止計算； (4)將測試樣本數(shù)據(jù)作為訓練后的自組織粒子群-徑向基神經(jīng)網(wǎng)絡的輸入，自組織粒 子群-徑向基神經(jīng)網(wǎng)絡的輸出即為出水總磷TP的預測值。
【文檔編號】G06N3/08GK104360035SQ201410602859
【公開日】2015年2月18日 申請日期:2014年11月2日 優(yōu)先權(quán)日:2014年11月2日
【發(fā)明者】韓紅桂, 周文冬, 郭亞男, 喬俊飛 申請人:北京工業(yè)大學