一種基于自組織模糊神經(jīng)網(wǎng)絡(luò)的出水氨氮濃度軟測(cè)量方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明利用自組織模糊神經(jīng)網(wǎng)絡(luò)對(duì)污水處理過(guò)程出水水質(zhì)氨氮濃度進(jìn)行預(yù)測(cè)，實(shí) 現(xiàn)了污水處理過(guò)程出水水質(zhì)氨氮濃度的實(shí)時(shí)檢測(cè)；出水氨氮濃度的準(zhǔn)確預(yù)測(cè)有益于解決制 約出水氨氮實(shí)時(shí)測(cè)量困難的難題，確保關(guān)鍵水質(zhì)排放實(shí)時(shí)達(dá)標(biāo);同時(shí)，污水處理出水氨氮濃 度的實(shí)時(shí)預(yù)測(cè)是實(shí)現(xiàn)污水處理過(guò)程控制的重要環(huán)節(jié)，是污水處理過(guò)程正常運(yùn)行的重要基 礎(chǔ)，既屬于控制科學(xué)與工程領(lǐng)域，又屬于環(huán)境科學(xué)與工程領(lǐng)域。
【背景技術(shù)】
[0002] 城市污水再生利用是實(shí)現(xiàn)水資源良性循環(huán)的重要舉措，世界各國(guó)都大力實(shí)施污水 處理以應(yīng)對(duì)水資源危機(jī);我國(guó)隨著國(guó)民經(jīng)濟(jì)的增長(zhǎng)和公眾環(huán)保意識(shí)的增強(qiáng)，污水處理自動(dòng) 化技術(shù)迎來(lái)了前所未有的發(fā)展機(jī)遇；國(guó)家水污染防治法中提出提高水的重復(fù)利用率，鼓勵(lì) 科學(xué)技術(shù)研究和先進(jìn)適用技術(shù)的推廣應(yīng)用；隨著我國(guó)污水處理設(shè)施的大量建成，設(shè)施運(yùn)營(yíng) 狀態(tài)受到越來(lái)越高的重視。因此，本發(fā)明的研究成果具有廣闊的應(yīng)用前景。
[0003] 出水氨氮濃度是污水處理過(guò)程中一個(gè)重要出水水質(zhì)指標(biāo)，出水水質(zhì)中含有大量的 氨氮會(huì)造成水體富營(yíng)養(yǎng)化，和出水水質(zhì)惡化，嚴(yán)重影響水體質(zhì)量，影響居民的日常生活。城 市污水處理的目標(biāo)就是使出水水質(zhì)達(dá)到國(guó)家排放標(biāo)準(zhǔn)，《城鎮(zhèn)污水處理廠污染物排放標(biāo)準(zhǔn)》 (GB 18918-2002)中主要涉及的參數(shù)有化學(xué)需氧量、生化需氧量、懸浮物、氨氮、總氮和總 磷。其中水質(zhì)參數(shù)氨氮是引起水體富營(yíng)養(yǎng)化、導(dǎo)致藻類大量繁殖的主要因子，是水環(huán)境污染 和水體富營(yíng)養(yǎng)化問(wèn)題的主要因素，控制水體富營(yíng)養(yǎng)化的一項(xiàng)重要舉措就是將富含氨氮的污 水進(jìn)行處理，并且嚴(yán)格限制出水中氨氮的排放，其中，在一級(jí)A標(biāo)準(zhǔn)中規(guī)定出水氨氮濃度的 最高排放標(biāo)準(zhǔn)為5mg/L。為了實(shí)現(xiàn)出水氨氮濃度的達(dá)標(biāo)排放，必須對(duì)出水氨氮濃度進(jìn)行實(shí)時(shí) 測(cè)量，目前污水處理廠多采用基于氨氮化學(xué)性質(zhì)的測(cè)定方法、基于電極法等物理方法的測(cè) 定方法和基于過(guò)程機(jī)理預(yù)測(cè)模型的測(cè)定方法等，然而這些方法不能實(shí)時(shí)測(cè)量氨氮濃度；同 時(shí)，由于污水處理過(guò)程的非線性、強(qiáng)耦合、時(shí)變性等特點(diǎn)，造成檢測(cè)精度低，導(dǎo)致城市污水處 理過(guò)程難以實(shí)現(xiàn)閉環(huán)控制。因此，研究有效的污水處理過(guò)程出水氨氮濃度實(shí)時(shí)監(jiān)測(cè)方法已 成為污水控制領(lǐng)域研究的重要課題，并且具有重要的意義；
[0004] 本發(fā)明涉及了一種出水氨氮濃度智能軟測(cè)量方法，該方法利用自組織模糊神經(jīng)網(wǎng) 絡(luò)建立輔助變量與出水氨氮濃度之間的軟測(cè)量模型，有效地縮短了氨氮濃度的測(cè)量時(shí)間， 提高了測(cè)量精度，并大大的降低了測(cè)量成本，為污水處理廠提供了一種快速高效的測(cè)量手 段，以保證城市污水處理過(guò)程的效率和處理效果。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明獲得了一種基于自組織模糊神經(jīng)網(wǎng)絡(luò)的出水氨氮濃度軟測(cè)量方法，利益自 組織模糊神經(jīng)網(wǎng)絡(luò)建立了出水氨氮濃度與輔助變量之間的關(guān)系，并根據(jù)污水處理過(guò)程采集 的實(shí)時(shí)數(shù)據(jù)實(shí)現(xiàn)自組織模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)和結(jié)構(gòu)調(diào)整，實(shí)現(xiàn)了出水氨氮濃度的實(shí)時(shí)測(cè) 量，解決了城市污水處理過(guò)程出水氨氮濃度難以實(shí)時(shí)測(cè)量的問(wèn)題；
[0006] 本發(fā)明采用了如下的技術(shù)方案及實(shí)現(xiàn)步驟：
[0007] 1. -種基于自組織模糊神經(jīng)網(wǎng)絡(luò)的出水氨氮濃度軟測(cè)量方法，其特點(diǎn)在于，包括 以下步驟：
[0008] (1)確定軟測(cè)量模型的輔助變量:采集城市污水處理廠實(shí)際水質(zhì)參數(shù)數(shù)據(jù)，選取與 出水氨氮濃度相關(guān)性強(qiáng)的水質(zhì)變量：出水總磷TP、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、出水pH以及溫度T作為出水氨氮濃度預(yù)測(cè)的輔助變量； [0009] (2)設(shè)計(jì)用于出水氨氮濃度的模糊神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，自組織模糊神經(jīng)網(wǎng)絡(luò)分為 四層:輸入層、RBF層、歸一化層、輸出層;確定拓?fù)浣Y(jié)構(gòu)為6-P-P-1的連接方式，其中輸入層 神經(jīng)元個(gè)數(shù)為6，RBF層神經(jīng)元個(gè)數(shù)為P個(gè)，歸一化層神經(jīng)元個(gè)數(shù)為P個(gè)，P為大于2的正整數(shù)， 輸出層神經(jīng)元個(gè)數(shù)為1個(gè);輸入層與RBF層以及RBF與歸一化層之間的權(quán)值都賦值為1，歸一 化層與輸出層之間的權(quán)值進(jìn)行隨機(jī)賦值，賦值區(qū)間為[_1，1];設(shè)共有T個(gè)訓(xùn)練樣本，設(shè)第t時(shí) 刻模糊神經(jīng)網(wǎng)絡(luò)輸入為X(t) = [Xl(t)，X2(t)，X3(t)，X4(t)，X5(t)，X6(t)]，模糊神經(jīng)網(wǎng)絡(luò)的 期望輸出表示為yd(t)，實(shí)際輸出表示為y(t);基于自組織模糊神經(jīng)網(wǎng)絡(luò)的出水氨氮濃度的 軟測(cè)量方法計(jì)算方式依次為：
[0010]①輸入層:該層由6個(gè)神經(jīng)元組成，每個(gè)神經(jīng)元的輸出為：
[0011] Ui(t)=xi(t)，i = l，2，"，6;(l)
[0012]其中，m⑴表示輸入層第i個(gè)神經(jīng)元t時(shí)亥lj的輸出，Xi(t)為輸入層第i個(gè)神經(jīng)元t時(shí) 刻的輸入；
[0013 ]②RBF層:RBF層由P個(gè)神經(jīng)元組成，每個(gè)神經(jīng)元的輸出為：
[0015] 其中，Cj(t) = [cij⑴，C2j(t)，···，C6j⑴]表示RBF層第j個(gè)神經(jīng)元t時(shí)刻的中心值， 叫（1:)表示1^7層第」個(gè)神經(jīng)元1:時(shí)刻中心值的第1個(gè)元素，〇」（1：)表示1^?層第」個(gè)神經(jīng)元1:時(shí) 刻的中心寬度，灼Q)表示RBF層第j個(gè)神經(jīng)元t時(shí)刻的輸出；
[0016] ③歸一化層:歸一化層由P個(gè)神經(jīng)元組成，每個(gè)神經(jīng)元的輸出為：
[0018] 其中，vi(t)表示歸一化層第1個(gè)神經(jīng)元t時(shí)刻的輸出，
為RBF層神經(jīng)元輸出 值之和，的(?)表示RBF層第1個(gè)神經(jīng)元t時(shí)刻的輸出，Cil(t)表示RBF層第1個(gè)神經(jīng)元t時(shí)刻中 心值的第i個(gè)元素，σι⑴表示RBF層第1個(gè)神經(jīng)元t時(shí)刻中心寬度；
[0019] ④輸出層:輸出層輸出為：
[0020]
[0021]其中，W(t) = [Wl(t)，W2(t)，···，WP(t)]表示歸一化層與輸出層間t時(shí)刻的連接權(quán)值 向量，W1 ( t )表示t時(shí)刻歸一化層第1個(gè)神經(jīng)元與輸出層神經(jīng)元之間的連接權(quán)值，V ( t ) = [ VI (t)，v2(t)，…，VP(t)]T表示歸一化層t時(shí)刻的輸出向量，T表示轉(zhuǎn)置，y(t)為輸出層神經(jīng)元的 輸出；
[0022]定義自組織模糊神經(jīng)網(wǎng)絡(luò)的誤差為：
[0024] E(t)表示t時(shí)刻自組織模糊神經(jīng)網(wǎng)絡(luò)的誤差平方和；
[0025] (3)訓(xùn)練自組織模糊神經(jīng)網(wǎng)絡(luò)，具體為：
[0026]①給定自組織模糊神經(jīng)網(wǎng)絡(luò)的初始RBF層與歸一化層神經(jīng)元個(gè)數(shù)為P，自組織模糊 神經(jīng)網(wǎng)絡(luò)的輸入為x(l)，x(2)，…，x(t)，…，x(T)，對(duì)應(yīng)的期望輸出為yd(l)，yd(2)，…，y d (t)，~，yd(T)，T表示自組織模糊神經(jīng)網(wǎng)絡(luò)輸入的訓(xùn)練樣本數(shù)，期望誤差值設(shè)為Ed，Ede(〇， 〇. 〇 1)，初始中心值cj (1)中每個(gè)變量的賦值區(qū)間為[-2，2 ]，初始中心寬度σj (1)中每個(gè)變量 的賦值區(qū)間為[0，1 ]，j = 1，2，…，P;初始權(quán)值w( 1)中每個(gè)變量的賦值區(qū)間為[-1，1 ];
[0027]②設(shè)置學(xué)習(xí)步數(shù)s = l;
[0028] ③t = s，根據(jù)公式（1)、（2)、（3)、（4)計(jì)算自組織模糊神經(jīng)網(wǎng)絡(luò)的輸出7(〇，運(yùn)用快 速二次型學(xué)習(xí)算法計(jì)算中心值Cj(t)，中心寬度〇j(t)以及權(quán)值w(t )的增量；
[0029] Δ 0(t) = (W(t)+A(t)XI)-1X Q(t)； (6)
[0030] 其中，Θ (t) = [Cl(t)，C2(t)，···，cp(t)，0"!：），02(t)，…，0p(t)，w(t)]為自組織模 糊神經(jīng)網(wǎng)絡(luò)t時(shí)刻的參數(shù)向量，I為單位向量，并且：
[0031] Q(t) = jT(t)e(t)； (7)
[0032] W(t) = jT(t)j(t)； (8)
[0033] e(t)=y(t)-yd(t)； (9)
[0034] Ω (t)是t時(shí)刻自組織模糊神經(jīng)網(wǎng)絡(luò)梯度向量，Ψ (t)為t時(shí)刻自組織模糊神經(jīng)網(wǎng)絡(luò) Hessian矩陣，jT(t)為j(t)的轉(zhuǎn)置，e(t)為t時(shí)刻自組織模糊神經(jīng)網(wǎng)絡(luò)的輸出y(t)與期望輸 出yd(t)之間的誤差，Jacobian向量j(t)和學(xué)習(xí)率λ(?)為
[0036] λ(?)=μλ(?-1)； (11)
[0037] μΕ (〇,〇. 1)表示影響因子，λ(〇) = 〇. 1;
[0038] ④調(diào)整自組織模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)；
[0039] 0(t+l