一種基于模糊神經(jīng)網(wǎng)絡(luò)的氨氮濃度軟測(cè)量方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明渉及城市污水處理過程出水水質(zhì)氨氮濃度的實(shí)時(shí)測(cè)量，基于城市污水處理 生化反應(yīng)特性，利用一種基于快速次型學(xué)習(xí)算法的模糊神經(jīng)網(wǎng)絡(luò)建立了氨氮濃度的軟測(cè) 量模型，實(shí)現(xiàn)了對(duì)城市污水處理過程關(guān)鍵水質(zhì)參數(shù)氨氮濃度的預(yù)測(cè)；氨氮濃度的實(shí)時(shí)檢測(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)法標(biāo)；實(shí)現(xiàn)氨氮濃 度的在線預(yù)測(cè)是實(shí)現(xiàn)城市污水處理過程脫氮控制的基礎(chǔ)環(huán)節(jié)，是先進(jìn)制造技術(shù)領(lǐng)域的重耍 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] 水資源問題已成為世界各國(guó)政府首耍關(guān)注的議題，2015年世界經(jīng)濟(jì)論壇發(fā)布的 《2015年全球風(fēng)險(xiǎn)報(bào)告》中指出：水資源供應(yīng)危機(jī)是未來10年社會(huì)風(fēng)險(xiǎn)中最核也的風(fēng)險(xiǎn)之 一，一旦發(fā)生將會(huì)對(duì)全球經(jīng)濟(jì)和社會(huì)造成根本性破壞。聯(lián)合國(guó)《2014年世界水資源綜合評(píng) 估報(bào)告》也指出：水資源短缺將嚴(yán)重制約21世紀(jì)全球經(jīng)濟(jì)與社會(huì)的可持續(xù)發(fā)展，并可能導(dǎo) 致國(guó)家間沖突。我國(guó)屬于嚴(yán)重缺水的國(guó)家，水資源人均占有量約為世界人均占有量的四分 之一。改革開放W來，隨著城市化、工業(yè)化進(jìn)程的提速，社會(huì)對(duì)淡水資源的需求量日益增大， 同時(shí)對(duì)水環(huán)境的破壞也愈加嚴(yán)重。國(guó)家中長(zhǎng)期發(fā)展規(guī)劃中提出要抑制異常工況的發(fā)生，確 保污水處理水質(zhì)達(dá)標(biāo)；研究并推廣高效、低能耗的污水處理新技術(shù)；因此，本發(fā)明具有廣闊 的應(yīng)用前景；
[0003] 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)，如GB18918主要涉及的 參數(shù)有化學(xué)需氧量、生化需氧量、息浮物、氨氮、總氮和總憐。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)化問題的主要因素， 控制水體富營(yíng)養(yǎng)化的- '項(xiàng)重耍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。目前污水處理j'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)定方法和基于過程機(jī)理預(yù)測(cè)模型的測(cè)定方法等，但是W上方法不能實(shí)時(shí)測(cè)量氨氮濃 度，導(dǎo)致城市污水處理過程難W實(shí)現(xiàn)閉環(huán)控制。因此，研究有效的氨氮濃度實(shí)時(shí)監(jiān)測(cè)方法已 成為污水控制領(lǐng)域研究的重耍課題，并且具有重耍的意義；
[0004] 本發(fā)明涉及了一種出水水質(zhì)氨氮濃度智能軟測(cè)量方法，該方法利用基于快速.r.次 型學(xué)習(xí)算法的模糊神經(jīng)網(wǎng)絡(luò)建立輔助變量與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，W保證城市污水處理過程的效率和處理效果。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明獲得了一種基于模糊神經(jīng)網(wǎng)絡(luò)的出水氨氮濃度軟測(cè)量方法，通過設(shè)計(jì)出水 氨氮濃度的軟測(cè)量模型，根據(jù)污水處理過程實(shí)時(shí)采集的數(shù)據(jù)實(shí)現(xiàn)出水氨氮濃度軟測(cè)量模型 的在線校正，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程出水氨氮濃度難 W實(shí)時(shí)測(cè)量的問題，提高了城市污水處理廠精細(xì)化管理和水質(zhì)質(zhì)量實(shí)時(shí)監(jiān)控的水平，保障 污水處理過程正常運(yùn)行；
[0006] 本發(fā)明采用了如T的技術(shù)方案及實(shí)現(xiàn)步驟：
[0007] 1. 一種基于模糊神經(jīng)網(wǎng)絡(luò)的出水氨氮濃度軟測(cè)量方法，其特征在于，包括W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：進(jìn)水總磯TP、厭氧末端氧化還原電位0RP、好氧前段 溶解氧DO、好氧末端總固體懸浮物TSS、出水地W及溫度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)，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W及RBF與歸一化層么間的權(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S個(gè)訓(xùn)練樣本，第t時(shí) 刻模糊神經(jīng)網(wǎng)絡(luò)輸入為X(t)二[x:i(t.)，&a)，X3(t.)，X4a)，xs(t.)，xea)]，模糊神經(jīng)網(wǎng)絡(luò)的 期望輸出表示為YdCt)，實(shí)際輸出表示為y(t);出水氨氮濃度軟測(cè)量模型計(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：
[00川Uj(t) =Xj(t),i= 1, 2, ???, 6 ； (1)
[0012] 其中，Ui(t)表示輸入層第i個(gè)神經(jīng)元t時(shí)刻的輸出，Xi(t)為輸入層第i個(gè)神經(jīng) 元t時(shí)刻的輸入；
[0013] ②畑F層：服F層由P個(gè)神經(jīng)元組成，每個(gè)神經(jīng)元的輸出為：
[0014]
[0015]其中，Cj (t)=[cij (t)，C2j.(t.)，…，Cw (t.)]表示邸F層第j個(gè)神經(jīng)元t時(shí)刻 的中也值，Cy (t)表示RBF層第j個(gè)神經(jīng)元t時(shí)刻中也值的第i個(gè)元素，0 j (t)二 [0u(t)，02j(t)，…，06j(t)]表示服F層第j個(gè)神經(jīng)元t時(shí)亥Ij的中也寬度，〇u(t)表示 RBF層第j個(gè)神經(jīng)元t時(shí)刻中也寬度的第i個(gè)元素，巧(0表示RBF層第j個(gè)神經(jīng)元t時(shí)刻 的輸出；
[0016] ⑨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：
[0017]
[0018] 其中，Vi似表示歸一化層第1個(gè)神經(jīng)元t時(shí)刻的輸出
為畑F層神經(jīng)元輸 出值之和，奶(0衷示RBF層第1個(gè)神經(jīng)元t時(shí)刻的輸出，Cu(t.)表示RBF層第1個(gè)神經(jīng)元 t時(shí)刻中也值的第i個(gè)元素，Ou(t.)表示邸F層第1個(gè)神經(jīng)元t時(shí)刻中也寬度的第i個(gè)元 素；
[001引 ④輸出層；輸出層輸出為：
[0020]
[0021]其中，w(t) = [Wi(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，Wi(t.)表示歸- '化層第1個(gè)神經(jīng)元與輸出層神經(jīng)元t時(shí)刻的連接權(quán)值，v(t)= [Via)，V2a)，…，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] 定義模糊神經(jīng)網(wǎng)絡(luò)的均方根誤差函數(shù)為：
[0023]
(5)
[0024]S表示模糊神經(jīng)網(wǎng)絡(luò)輸入的訓(xùn)練樣本數(shù)；
[0025] 城出水氨氮濃度軟測(cè)量模型校正，具體為：
[0026] ①給定出水氨氮濃度軟測(cè)量模型RBF層與歸一化層神經(jīng)元個(gè)數(shù)P，出水氨氮濃度 軟測(cè)量模型輸入為xa)，x(2)，…，x(t)，…，x(S)，對(duì)應(yīng)的期望輸出為ya)，y(2)，…， y(t)，…，y做，期望誤差值設(shè)為Ed，Ed小于0.01，初始中也值Cj.(l)中每個(gè)變量的賦值區(qū) 間為[-2,引，初始中也寬度0 ,.似中每個(gè)變量的賦值區(qū)間為[0,U，j= 1，2，…，P;初始 權(quán)值w(l)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二1;
[0028]⑨t(yī)=S，根據(jù)公式（1)、（2)、（3)、（4)計(jì)算出水氨氮濃度軟測(cè)量模型輸出y(t)， 運(yùn)用快速二次型學(xué)習(xí)算法調(diào)整計(jì)算中也值Cj.(t)，中也寬度Oj.(t)w及權(quán)值w(t)的增量；
[0029]A0a)二（W似 +A(t)XI)-1X Q(t);巧） 陽(yáng)030]其中，0(t)二[Ci(t)，C2(t)，…，Cp(t)，0i(t)，02(t),…，0。(1;)，化（1:)]為模 糊神經(jīng)網(wǎng)絡(luò)t時(shí)刻的參數(shù)向量，并且：
[0031] Q(t)=jT(t)e(t); (7)
[0032]wa)二jT(t)j(t);做
[0033] e(.t)二y (t)-y.d(t);巧）
[0034] Q似是t時(shí)亥ij模糊神經(jīng)網(wǎng)絡(luò)梯度向量，w (t)為t時(shí)亥時(shí)莫糊神經(jīng)網(wǎng)絡(luò)化3313口矩 陣，jT(t)為j(t)的轉(zhuǎn)置，e(t)為t時(shí)刻預(yù)測(cè)模型輸出y(t)與期望輸出yd(t)之間的誤差， 化cobian向量j(t.)和學(xué)習(xí)率入a)為
[0035]
(10)
[0036] A (t) = U A (t-1)；(11)
[0037] u G化〇. u表示影響因子，入a)二0. 1 ;
[0038] ④調(diào)整出水氨氮濃度軟測(cè)量模型的參數(shù)；
[0039] 0 (t'+u二0a)+A0a)二0a)+ (W(t) + 入似XI) -1XQ似；（。）
[0040] 其中，? (t)為出水氨氮濃度軟測(cè)量模型調(diào)整前的參數(shù)向量，0 (t+1)為出水氨氮 濃度軟測(cè)量模型調(diào)整后的參數(shù)向量；