本發(fā)明涉及污水處理，特別涉及一種基于神經(jīng)網(wǎng)絡(luò)的污水處理出水氨氮預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、目前淡水資源短缺且污染嚴(yán)重，城市及主要經(jīng)濟(jì)帶水生態(tài)惡化問(wèn)題十分突出，已成為制約經(jīng)濟(jì)社會(huì)可持續(xù)發(fā)展的瓶頸問(wèn)題，由氨氮、總氮等污染物引起的水體富營(yíng)養(yǎng)化問(wèn)題呈現(xiàn)出日益嚴(yán)重的趨勢(shì)，水體富營(yíng)養(yǎng)化會(huì)使水面形成致密的水華或赤潮，魚(yú)類大量死亡。2024年5月公布的《2023生態(tài)環(huán)境狀況公報(bào)》表明，氨氮是造成污染的重要因素之一。因此，建立城市污水處理廠，在線測(cè)量污水處理出水氨氮濃度，是實(shí)現(xiàn)氨氮排放閉環(huán)控制，提高出水水質(zhì)的關(guān)鍵，對(duì)保護(hù)水環(huán)境具有重要意義。

2、傳統(tǒng)的基于化學(xué)反應(yīng)原理且在實(shí)驗(yàn)室進(jìn)行的氨氮離線測(cè)量方法，由于受外部因素如環(huán)境、人為等因素的影響，測(cè)量結(jié)果有波動(dòng)，且化驗(yàn)測(cè)量周期較長(zhǎng)，難以達(dá)到實(shí)時(shí)在線監(jiān)測(cè)。隨著傳感器技術(shù)、自動(dòng)化技術(shù)的快速發(fā)展，部分學(xué)者將氨氮檢測(cè)的化學(xué)反應(yīng)原理和測(cè)量?jī)x器相結(jié)合，設(shè)計(jì)出污水氨氮在線測(cè)量?jī)x表，這些儀表可以實(shí)現(xiàn)氨氮濃度的在線測(cè)量，但精度較低，且設(shè)備維護(hù)費(fèi)用高昂；基于機(jī)理模型的測(cè)量方法模型結(jié)構(gòu)復(fù)雜，國(guó)際水質(zhì)協(xié)會(huì)建立了多個(gè)活性污泥模型(activated?sludge?model，asm)，使用過(guò)程需要整定的參數(shù)眾多，多用于污水處理廠設(shè)計(jì)。污水處理過(guò)程中，人們對(duì)微生物在污水中的生存規(guī)律及依賴的條件沒(méi)有完全認(rèn)識(shí)，現(xiàn)場(chǎng)試驗(yàn)周期長(zhǎng)成本高，這對(duì)傳統(tǒng)的基于微生物反應(yīng)機(jī)理或數(shù)理統(tǒng)計(jì)的氨氮預(yù)測(cè)模型的建立，是個(gè)巨大的挑戰(zhàn)。隨著類腦模型研究和智能理論的發(fā)展，應(yīng)用人工智能技術(shù)，研究基于數(shù)據(jù)驅(qū)動(dòng)的污水處理軟測(cè)量方法成為了熱點(diǎn)?；跉v史數(shù)據(jù)，構(gòu)建智能軟測(cè)量模型，利用易測(cè)變量實(shí)時(shí)監(jiān)測(cè)污水處理難測(cè)變量，是智能污水處理廠的發(fā)展趨勢(shì)。由于人工神經(jīng)網(wǎng)絡(luò)的強(qiáng)大的非線性逼近能力，近年來(lái)，很多學(xué)者將其應(yīng)用到污水處理過(guò)程軟測(cè)量方面。通過(guò)設(shè)計(jì)與具體任務(wù)相匹配的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)值訓(xùn)練算法，優(yōu)化網(wǎng)絡(luò)參數(shù)，可以實(shí)現(xiàn)城市污水處理過(guò)程出水氨氮濃度的智能在線檢測(cè)，為城市污水處理過(guò)程數(shù)智化運(yùn)行提供保障。

技術(shù)實(shí)現(xiàn)思路

1、基于此，本技術(shù)實(shí)施例提供了一種基于神經(jīng)網(wǎng)絡(luò)的污水處理出水氨氮預(yù)測(cè)方法及系統(tǒng)，實(shí)現(xiàn)城市污水處理過(guò)程出水氨氮在線快速檢測(cè)，可以基于雙層稀疏貝葉斯回聲狀態(tài)網(wǎng)絡(luò)構(gòu)建城市污水處理過(guò)程出水氨氮軟測(cè)量模型，實(shí)現(xiàn)在線預(yù)測(cè)出水氨氮濃度。該模型利用稀疏貝葉斯推理方法學(xué)習(xí)模型參數(shù)，輸入層的稀疏性可以去除無(wú)關(guān)的輸入特征，達(dá)到數(shù)據(jù)降維的目的；隱含層的稀疏性可以使隱含層具備適當(dāng)?shù)纳窠?jīng)元，獲得與歷史數(shù)據(jù)相匹配的網(wǎng)絡(luò)規(guī)模，有效防止過(guò)擬合現(xiàn)象的發(fā)生，提高神經(jīng)網(wǎng)絡(luò)自組織能力和泛化能力。

2、第一方面，提供了一種基于神經(jīng)網(wǎng)絡(luò)的污水處理出水氨氮預(yù)測(cè)方法，該方法包括：

3、獲取水樣數(shù)據(jù)，對(duì)水樣數(shù)據(jù)依次進(jìn)行降噪、異常數(shù)據(jù)剔除、缺失數(shù)據(jù)補(bǔ)充、歸一化處理，得到p組訓(xùn)練樣本，并取前p1組數(shù)據(jù)作為訓(xùn)練樣本，后p2組數(shù)據(jù)作為測(cè)試樣本；

4、確定神經(jīng)網(wǎng)絡(luò)模型的輸入變量；其中，所述輸入變量具體包括進(jìn)水總磷、氧化還原電位、溶解氧濃度、總懸浮物、ph值；

5、設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)模型，利用訓(xùn)練樣本對(duì)網(wǎng)絡(luò)的輸出層權(quán)值進(jìn)行訓(xùn)練；其中，神經(jīng)網(wǎng)絡(luò)為雙層稀疏貝葉斯回聲狀態(tài)網(wǎng)絡(luò)，雙層稀疏貝葉斯回聲狀態(tài)網(wǎng)絡(luò)由輸入層、隱含層、輸出層組成，網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為5-m-1，網(wǎng)絡(luò)輸入層的神經(jīng)元個(gè)數(shù)為5，網(wǎng)絡(luò)隱含層的神經(jīng)元個(gè)數(shù)為m，輸出層神經(jīng)元個(gè)數(shù)為1；網(wǎng)絡(luò)隱節(jié)點(diǎn)激活函數(shù)選用sigmoid函數(shù)，輸出節(jié)點(diǎn)激活函數(shù)選用線性函數(shù)；

6、利用測(cè)試樣本對(duì)訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，并將測(cè)試完成后神經(jīng)網(wǎng)絡(luò)的輸出為出水氨氮的預(yù)測(cè)結(jié)果。

7、可選地，對(duì)水樣數(shù)據(jù)進(jìn)行歸一化處理中，具體根據(jù)公式

8、

9、進(jìn)行歸一化處理，其中vi為歸一化前污水處理進(jìn)水實(shí)測(cè)數(shù)據(jù)組，max(vi)為數(shù)組中的最大值，min(vi)為數(shù)組中的最小值，vi′為對(duì)應(yīng)的歸一化后進(jìn)水?dāng)?shù)據(jù)值。

10、可選地，設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)模型，具體包括：

11、確定輸入層神經(jīng)元、更新隱含層神經(jīng)元狀態(tài)以及計(jì)算輸出層輸出。

12、可選地，確定輸入層神經(jīng)元中，根據(jù)公式

13、ui(n)＝vi(n)

14、確定輸入層神經(jīng)元的輸出，其中，ui(n)為第i個(gè)輸入層節(jié)點(diǎn)在第n個(gè)樣本的輸出，i＝1,2,…,5，輸入向量為u(n)＝[u1(n),u2(n),u3(n),u4(n),u5(n)]。

15、可選地，更新隱含層神經(jīng)元狀態(tài)中，具體包括：

16、隨機(jī)生成一個(gè)子儲(chǔ)備池，按照給定儲(chǔ)備池規(guī)模、稀疏度并以均勻分布隨機(jī)生成隱含層每個(gè)子儲(chǔ)備池模塊的儲(chǔ)備池權(quán)值w0，通過(guò)比例因子α(w)(0＜α(w)＜1)以及譜半徑ρ(w0)調(diào)整w0；

17、按照均勻分布生成輸入權(quán)值矩陣win，初始化第i個(gè)子儲(chǔ)備池模塊的儲(chǔ)備池狀態(tài)xi(0)；

18、利用輸入信號(hào)u(n)驅(qū)動(dòng)儲(chǔ)備池，其更新公式為：

19、xi(n)＝f(winui(n)+wxi(n-1))

20、其中，xi(n)為隱含層第i個(gè)儲(chǔ)備池向量，記hi(n)＝(ui(n),xi(n))t(i＝1,...,5),為了克服初始瞬態(tài)的影響，從nmin時(shí)刻開(kāi)始收集內(nèi)部狀態(tài)矩陣h＝(h(nmin+1),h(2),...,h(p))t，其中h(n)＝(h1(1),h2(2),...,h5(p))t,p為訓(xùn)練樣本數(shù)量。

21、可選地，計(jì)算輸出層輸出中，具體包括：

22、初始化超參數(shù)αβ和σ2；

23、計(jì)算輸出層輸出值，其公式為：

24、

25、其中，ε(n)是滿足高斯分布的獨(dú)立噪聲，均值為0，方差為σ2，wout為儲(chǔ)備池輸出權(quán)值向量；隱含層每個(gè)子模塊的輸出與未知權(quán)值參數(shù)β＝(β1,β2,...,β5)t相關(guān)，并記期望輸出為t＝(t(1),t(2),...,t(p))t；

26、將輸出公式寫(xiě)成矩陣的形式，給出訓(xùn)練樣本的似然函數(shù)和輸出權(quán)值的先驗(yàn)分布以及給出給出雙層稀疏貝葉斯回聲狀態(tài)網(wǎng)絡(luò)未知參數(shù)的后驗(yàn)分布，在計(jì)算協(xié)方差和均值后利用第二類最大似然法計(jì)算超參數(shù)的最優(yōu)值，在計(jì)算輸出權(quán)值和權(quán)值參數(shù)的最優(yōu)值后得到預(yù)期輸出。

27、可選地，將輸出公式寫(xiě)成矩陣的形式，具體包括：

28、

29、其中，hβ＝(h(1)tβ,h(2)tβ,...,h(p)tβ)t。

30、可選地，給出訓(xùn)練樣本的似然函數(shù)和輸出權(quán)值的先驗(yàn)分布以及給出雙層稀疏貝葉斯回聲狀態(tài)網(wǎng)絡(luò)未知參數(shù)的后驗(yàn)分布，具體包括：

31、給出訓(xùn)練樣本的似然函數(shù)和輸出權(quán)值的先驗(yàn)分布

32、

33、其中，和分別是獨(dú)立先驗(yàn)；

34、給出雙層稀疏貝葉斯回聲狀態(tài)網(wǎng)絡(luò)未知參數(shù)的后驗(yàn)分布包括：

35、

36、根據(jù)貝葉斯規(guī)則，公式等式右邊的第一項(xiàng)，

37、

38、可選地，在計(jì)算協(xié)方差和均值后利用第二類最大似然法計(jì)算超參數(shù)的最優(yōu)值，在計(jì)算輸出權(quán)值和權(quán)值參數(shù)的最優(yōu)值后得到預(yù)期輸出，具體包括：

39、計(jì)算協(xié)方差σβ，均值μβ，其中：

40、

41、

42、利用第二類最大似然法計(jì)算超參數(shù)αβ和σ2的最優(yōu)值，超參數(shù)的后驗(yàn)分布滿足最大似然函數(shù)如下給出：

43、

44、通過(guò)微分邊際對(duì)數(shù)似然函數(shù)，得到超參數(shù)的最優(yōu)值：

45、

46、計(jì)算輸出權(quán)值wout和權(quán)值參數(shù)β的最優(yōu)值，求得σβ,μβ，直至收斂，最終得到wout的最優(yōu)值β的最優(yōu)值

47、預(yù)測(cè)輸出根據(jù)

48、

49、計(jì)算得到，其中ynew為預(yù)測(cè)結(jié)果。

50、第二方面，提供了一種基于神經(jīng)網(wǎng)絡(luò)的污水處理出水氨氮預(yù)測(cè)系統(tǒng)，該系統(tǒng)包括：

51、數(shù)據(jù)處理模塊，用于獲取水樣數(shù)據(jù)，對(duì)水樣數(shù)據(jù)依次進(jìn)行降噪、異常數(shù)據(jù)剔除、缺失數(shù)據(jù)補(bǔ)充、歸一化處理，得到p組訓(xùn)練樣本，并取前p1組數(shù)據(jù)作為訓(xùn)練樣本，后p2組數(shù)據(jù)作為測(cè)試樣本；

52、變量確定模塊，用于確定神經(jīng)網(wǎng)絡(luò)模型的輸入變量；其中，所述輸入變量具體包括進(jìn)水總磷、氧化還原電位、溶解氧濃度、總懸浮物、ph值；

53、模型訓(xùn)練模塊，用于設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)模型，利用訓(xùn)練樣本對(duì)網(wǎng)絡(luò)的輸出層權(quán)值進(jìn)行訓(xùn)練；其中，神經(jīng)網(wǎng)絡(luò)為雙層稀疏貝葉斯回聲狀態(tài)網(wǎng)絡(luò)，雙層稀疏貝葉斯回聲狀態(tài)網(wǎng)絡(luò)由輸入層、隱含層、輸出層組成，網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為5-m-1，網(wǎng)絡(luò)輸入層的神經(jīng)元個(gè)數(shù)為5，網(wǎng)絡(luò)隱含層的神經(jīng)元個(gè)數(shù)為m，輸出層神經(jīng)元個(gè)數(shù)為1；網(wǎng)絡(luò)隱節(jié)點(diǎn)激活函數(shù)選用sigmoid函數(shù)，輸出節(jié)點(diǎn)激活函數(shù)選用線性函數(shù)；

54、結(jié)果輸出模塊，用于利用測(cè)試樣本對(duì)訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，并將測(cè)試完成后神經(jīng)網(wǎng)絡(luò)的輸出為出水氨氮的預(yù)測(cè)結(jié)果。

55、本技術(shù)實(shí)施例提供的技術(shù)方案帶來(lái)的有益效果至少包括：

56、(1)本發(fā)明針對(duì)城市污水處理過(guò)程出水氨氮難以在線測(cè)量的問(wèn)題，基于雙層稀疏貝葉斯回聲狀態(tài)網(wǎng)絡(luò)獲得一種城市污水處理過(guò)程出水氨氮智能預(yù)測(cè)方法，實(shí)現(xiàn)了城市污水處理過(guò)程出水氨氮精準(zhǔn)在線預(yù)測(cè)。

57、(2)本發(fā)明通過(guò)稀疏貝葉斯推理方法學(xué)習(xí)模型參數(shù)，輸入層的稀疏性可以去除無(wú)關(guān)的輸入特征，達(dá)到數(shù)據(jù)降維的目的；隱含層的稀疏性可以使隱含層具備適當(dāng)?shù)纳窠?jīng)元，獲得與歷史數(shù)據(jù)相匹配的網(wǎng)絡(luò)規(guī)模，有效防止過(guò)擬合現(xiàn)象的發(fā)生，提高神經(jīng)網(wǎng)絡(luò)自組織能力和泛化能力。