基於儲備池網絡的汙水處理出水總磷TP軟測量方法與流程
2023-04-25 17:08:52 1
本發明基於城市汙水處理生化反應特性，利用儲備池網絡建立城市汙水處理過程出水總磷tp的軟測量模型，實現了出水總磷tp的實時測量。出水總磷tp實時測量是實現汙水處理優化控制的重要基礎，也是水環境保護的重要環節，本發明既屬於控制科學與工程領域，又屬於環境科學與工程領域。
背景技術：
國家《十三五規劃綱要》指出，實現城鎮生活汙水處理設施全覆蓋和穩定達標運行，到2020年底，城市汙水處理率達到95％的總體目標，並指出對流域汙染嚴重的地區應實行總磷排放總量控制，要求沿海城市汙水處理廠加強實施除磷操作。在汙水處理過程中，出水總磷濃度是一項非常重要的監測指標，也是水質評定的核心指標。此外，在城市汙水處理過程中複雜的運行工序，人工操作不當，檢測不完備，水質監控不及時等因素影響下，尚無法達到理想的除磷效果；同時，富含磷的汙水排入江河湖泊易引起水體富營養化、導致藻類大量繁殖，是水環境汙染和水體富營養化問題的主要因素。出水總磷tp智能檢測技術不但有利於城市汙水處理過程的優化運行，具有較好的經濟效益，而且能緩解我國水體富營養化的現狀，具有顯著的環境和社會效益。因此，本發明的研究成果具有廣闊的應用前景。
目前國內外測量汙水處理過程出水總磷tp的方法主要有分光光度法、液相色譜法、氣相色譜法、電極法等。雖然這些方法測量精度較高，但是操作繁瑣，且耗時長(小時級)，無法實現對出水總磷tp的實時測量，不能滿足監管部門對總磷檢測日益提高的實時性要求，且極易造成二次汙染。市場上常用的總磷檢測儀表，多產自歐洲、美國和日本等汙水處理技術發展較早的發達國家。總磷儀表均基於化學原理進行檢測，並沒有根本上改變總磷檢測的方式，無法實現總磷的實時檢測，並且設備需要進口，購置與維護費用高昂。因此，現有的總磷檢測技術和儀器很難滿足汙水處理廠實時檢測的需求，必須尋求新的檢測方法。近些年來，隨著基於數據驅動的人工智慧技術的不斷發展，為城市汙水處理過程出水總磷tp的測量提供了理論基礎和技術支持，其中神經網絡憑藉其強大的非線性系統建模能力使其在汙水處理過程關鍵變量軟測量中得到了較好的驗證與推廣。通過設計有效的神經網絡結構優化算法，優化網絡的結構，提高網絡性能，實現對城市汙水處理過程出水總磷tp的快速高精度預測，為城市汙水處理過程出水總磷實時檢測的需求，提供一種可行的軟測量方法。
本發明設計了一種基於儲備池網絡的汙水處理出水總磷tp軟測量方法，實現了城市汙水處理過程出水總磷tp的實時測量。
技術實現要素：
本發明獲得了一種基於儲備池網絡的汙水處理出水總磷tp軟測量方法，解決了城市汙水處理過程中出水總磷tp難以實時檢測的問題。本發明利用主成分分析法確定了軟測量模型的輸入變量；並設計了一種基於貢獻率的結構優化算法，優化儲備池網絡結構，提高網絡性能；最後，基於改進的儲備池網絡建立了出水總磷tp的軟測量模型，實現快速、有效、準確地測量汙水處理過程中的出水總磷tp，提高了城市汙水處理廠水質質量實時監控的水平，保障城市汙水處理過程正常運行。
本發明採用了如下的技術方案及實現步驟：
1、基於儲備池網絡的汙水處理出水總磷tp軟測量方法，包括以下步驟：
第一步：數據預處理及輔助變量的確定
採集汙水處理廠實際水質參數數據，對數據進行預處理，通過主成分分析選取與出水總磷tp相關性強的輔助變量，最終選取進水總磷tp、出水溫度t、好氧前段溶解氧do、入水油類，出水油類，以及出水氨氮nh4-n作為出水總磷tp測量的輔助變量，即軟測量模型的輸入變量；
第二步：設計基於貢獻率的儲備池網絡結構優化算法
通過計算儲備池神經元對網絡輸出的信息貢獻程度，評價儲備池神經元的貢獻度；根據儲備池神經元的貢獻度優化網絡結構，提高網絡的泛化能力，所以，設計有效的儲備池網絡結構優化算法可以保證基於儲備池網絡建立的出水總磷tp軟測量模型預測的準確性，提高對汙水處理過程中複雜動態問題的適應能力；
1)構建一個儲備池規模為n的儲備池網絡，網絡通過儲備池把輸入數據轉換到高維狀態空間，且每一維對最終輸出的貢獻都不一樣，為了分析儲備池神經元的貢獻度，首先定義兩個神經元x和y間信息連接強度函數：
ic(x；y)＝h(x)+h(y)-h(x,y)(1)
其中，h(x)為神經元x的熵，h(y)為神經元y的熵，分別描述了神經元x，y所包含的信息量；h(x,y)為神經元x和y的聯合熵，描述了兩個神經元間共有的信息量；
依據shannon熵定義，h(x)、h(y)和h(x,y)可由式(2)-(4)計算：
h(x)＝-∑x∈xρ(x)logρ(x)(2)
h(y)＝-∑y∈yρ(y)logρ(y)(3)
則公式(1)可以寫成：
針對於第i個儲備神經元的貢獻度進行評定，貢獻度較小的輸出連接權值將被修剪；第i個儲備神經元的貢獻度ci表示如下：
其中,mi表示第i個儲備池神經元對網絡輸出的信息貢獻程度，具體計算公式如下：
2)將第i個儲備池神經元貢獻度ci與設定的修剪閾值ρ進行對比，判斷
是否修剪第i個儲備池神經元的輸出連接權值，具體的修剪判別機制如下：
其中，wi為第i個儲備池神經元的輸出連接權值，wi'為修剪後的第i個儲備池神經元的輸出連接權值，ρ為修剪閾值，ρ為常數，0≤ρ<1；通過設定修剪閾值，修剪貢獻度較小的儲備池神經元的輸出連接權值，保留剩餘輸出連接權值；
第三步：建立出水總磷tp軟測量的儲備池網絡模型
1)初始化儲備池網絡；儲備池網絡由輸入層，儲備池和輸出層三部分組成，其中輸入層神經元個數為k，儲備池神經元個數為n，輸出層神經元的個數為l個，k，n和l正整數；；初始化網絡輸入矩陣為win，反饋矩陣wback和儲備池內部連接權值矩陣為w，為了保證儲備池豐富的動態特性，儲備池內部連接權值w的譜半徑小於1；
2)將ns個訓練樣本輸入到儲備池網絡中，對網絡進行訓練；儲備池網絡的狀態變量表示為xl(l＝1,2,...100)，根據公式(9)對狀態變量進行更新
x(n)＝f(winu(n)+wx(n-1)+wbacky(n))(9)
其中，f(·)為儲備池狀態變量的激活函數，n＝1,2,...ns,並收集儲備池網絡的狀態變量，生成狀態矩陣m：
計算儲備池網絡的輸出變量y(n)，具體的計算公式如下：
y(n)＝fout(woutx(n))(11)
其中，fout(·)為網絡輸出的激活函數，n＝1,2,...ns
3)分別計算網絡的輸出連接權值wout和網絡的檢驗誤差ev，計算公式如下：
wout＝m+y(12)
其中，y＝[y(1),y(2),…,y(ns)]t是儲備池網絡的輸出，d(n)是出水總磷tp真實值，y(n)是儲備網絡對出水總磷tp預測值；
4)優化儲備池網絡結構
根據公式(1)-(7)計算儲備池內每一個神經元的貢獻度，並根據公式(8)的修剪判別機制，修剪貢獻度較小的儲備池神經元的輸出連接權值，得到優化後儲備池網絡的狀態矩陣mc＝[x1,x2,...,xlprune],其中lprune為修剪後剩餘的儲備池神經元個數；
5)根據公式(12)對優化後儲備池網絡的輸出連接權值進行調整，並根據公式(13)計算優化後網絡的檢驗誤差修剪終止條件如下：
若es≤0繼續調整儲備池網絡結構，否則網絡結構調整結束，得到最終的建立出水總磷tp軟測量的儲備池網絡模型；
第四步：用測試數據對儲備池網絡進行測試
將測試樣本中輔助變量數據作為訓練好的基於貢獻度優化後儲備池網絡的輸入，網絡的輸出即為出水總磷tp的預測結果。
有益效果：本發明的創造性主要體現在：
(1)本發明針對當前汙水處理廠測量出水總磷tp的操作繁瑣，檢測儀表使用造價高,出水總磷tp的難以實時測量等問題，提出了一種基於儲備池網絡的汙水處理出水總磷tp軟測量方法,實現了出水總磷tp的實時預測。
(2)本發明設計了一種基於貢獻度的儲備池網絡結構優化算法。通過計算儲備池神經元的貢獻度，刪除貢獻度小的儲備池神經元的輸出連接權值,在保證模型精度的同時，有效的簡化了網絡結構，提高了網絡的泛化性能，因此採用基於改進的儲備池網絡建立出水總磷tp軟測量模型，對汙水處理工程中複雜動態問題具有較好的適應能力。
特別要注意：本發明只是為了描述方便，採用的是對汙水處理過程出水總磷的預測，同樣該發明也可適用汙水處理過程其他關鍵水質參數的預測，只要採用了本發明的原理進行預測都應該屬於本發明的範圍。
附圖說明
圖1是本發明基於儲備池網絡的汙水處理出水總磷tp軟測量的簡化框圖；
圖2是本發明對城市汙水處理過程出水總磷tp的訓練效果圖；
圖3是本發明對城市汙水處理過程出水總磷tp的預測效果圖。
具體實施方式
下面以北京某汙水處理廠某年全年水質分析日報表作為實施例，本實施例的實現包括四個步驟：
1.數據預處理及輔助變量的確定。
採集汙水處理廠實際水質參數數據，對數據進行降噪，剔除異常數據,歸一化處理後剩餘360組可用數據，將全部的360組數據樣本分為三部分：其中180組數據作為訓練樣本，90組數據作為檢驗樣本，剩餘90組數據作為測試樣本。通過主成分分析選取與出水總磷tp相關性強的輔助變量。最終選取進水總磷tp、出水溫度t、好氧前段溶解氧do、入水油類，出水油類，以及出水氨氮nh4-n作為出水總磷tp測量的輔助變量。6個輔助變量作為軟測量模型的輸入變量，出水總磷tp作為軟測量模型的輸出變量，基於儲備池網絡的出水總磷tp軟測量的簡化框圖如圖1所示。
2.設計儲備池網絡結構優化算法。
本發明通過計算儲備池神經元對網絡輸出的信息貢獻程度，評價儲備池神經元的貢獻度；根據儲備池神經元的貢獻度優化網絡結構，提高儲備池網絡的泛化能力。所以，設計有效的結構優化算法可以保證基於儲備池網絡建立的出水總磷tp軟測量模型預測的準確性，提高對汙水處理過程中複雜動態問題的適應能力。
(1)構建一個儲備池規模為100的儲備池網絡，網絡通過儲備池把輸入據
轉換到高維狀態空間，且每一維對最終輸出的貢獻都不一樣。為了分析儲備池神經元的貢獻度，首先定義兩個神經元x和y間信息連接強度函數：
ic(x；y)＝h(x)+h(y)-h(x,y)(1)
其中，h(x)為神經元x的熵，h(y)為神經元y的熵，分別描述了神經元x，y所包含的信息量；h(x,y)為神經元x和y的聯合熵，描述了兩個神經元間共有的信息量。
依據shannon熵定義，h(x)、h(y)和h(x,y)可由式(2)-(4)計算：
h(x)＝-∑x∈xρ(x)logρ(x)(2)
h(y)＝-∑y∈yρ(y)logρ(y)(3)
其中，ρ(x)是離散變量x為x值時的概率密度函數，ρ(y)是離散變量y為y值時的概率密度函數,ρ(x,y)是離散變量x與y的聯合概率密度函數。
則公式(1)可以寫成：
針對於第i個儲備神經元的貢獻度進行評定，貢獻度較小的輸出連接權值將被修剪。第i個儲備神經元的貢獻度是第i個儲備池神經元對網絡輸出的信息貢獻程度相對於儲備池內其他神經元對網絡輸出的信息貢獻程度之和的大小，則第i個儲備神經元的貢獻度ci計算公式如下：
其中,mi表示第i個儲備池神經元對網絡輸出的信息貢獻程度，其和第i個儲備池神經元與輸出層神經元間的信息連接強度相關，具體計算公式如下：
(2)將第i個儲備池神經元的貢獻度ci與設定的修剪閾值ρ(ρ＝0.47)進行對比，判斷是否修剪第i個儲備池神經元的輸出連接權值，具體的修剪判別機制如下：
其中，wi為第i個儲備池神經元的輸出連接權值，wi'為修剪後的第i個儲備池神經元的輸出連接權值。通過設定修剪閾值ρ，修剪貢獻度較小的儲備池神經元的輸出連接權值，保留剩餘輸出連接權值。
3.設計出水總磷tp軟測量的儲備池網絡模型。
本發明首先初始化儲備池網絡，將汙水處理廠採集的數據樣本輸入到網絡中，學習輔助變量與出水總磷tp之間的映射關係；利用提出的基於貢獻率的結構優化算法優化儲備池網絡結構及參數，提高網絡性能；最後建立出水總磷tp軟測量的儲備池網絡模型，實現對出水總磷tp的準確預測。
(1)初始化儲備池網絡。儲備池網絡由輸入層，儲備池和輸出層三部
分組成，其中輸入層神經元個數為6個，儲備池神經元個數為100個，輸出層神經元的個數為1個，儲備池網絡結構圖如圖2所示。win和wback分別為儲備池網絡的輸入矩陣和反饋矩陣，其矩陣內的元素通常選取區間在[-1,1]內均勻分布隨機數。w為儲備池內部連接權值矩陣，為了保證儲備池豐富的動態特性，w的譜半徑選取0.98，w的稀疏度選取0.01。
(2)將ns(ns＝180)組訓練樣本輸入到儲備池網絡中，對網絡進行訓練。
儲備池網絡的狀態變量表示為xl(l＝1,2,...100)，根據公式(9)對狀態變量進行更新
x(n)＝f(winu(n)+wx(n-1)+wbacky(n))(9)
其中，f(·)為儲備池狀態變量的激活函數，選取tanh函數，n＝1,2,...ns,並收集儲備池網絡的狀態變量，生成狀態矩陣m：
計算儲備池網絡的輸出變量y(n)，具體的計算公式如下：
y(n)＝fout(woutx(n))(11)
其中，fout(·)為網絡輸出的激活函數，選取線性函數，n＝1,2,...ns。
(3)分別計算儲備池網絡的輸出連接權值wout和網絡的檢驗誤差ev，計算公式如下：
wout＝m+y(12)
其中，y＝[y(1),y(2),…,y(ns)]t是儲備池網絡的輸出，d(n)是出水總磷tp真實值，y(n)是儲備網絡對出水總磷tp預測值。
(4)優化儲備池網絡結構。根據公式(1)-(7)計算網絡儲備池中每一個儲備池神經元的貢獻度ci(i＝1,2,...100)；根據公式(8)的修剪判別機制，修剪貢獻度較小的儲備池神經元的輸出連接權值，保留貢獻度較大的儲備池神經的輸出連接權值，得到優化後儲備池網絡的狀態矩陣mc＝[x1,x2,...,xlprune],其中lprune為修剪後剩餘的儲備池神經元個數。
(5)根據公式(12)對優化後儲備池網絡的輸出連接權值進行調整，並根據公式(13)計算優化後網絡的檢驗誤差修剪終止條件如下：
若es≤0繼續調整儲備池網絡結構，否則網絡結構調整結束，得到最終的建立出水總磷tp軟測量的儲備池網絡模型。
4.用測試數據對儲備池網絡進行測試。
將90組測試樣本中6個輔助變量數據作為訓練好的儲備池網絡輸入，網絡的輸出即為出水總磷tp的預測值。出水總磷tp濃度訓練結果如圖2所示，x軸：訓練樣本數，單位是個/天，y軸：出水總磷tp預測值，單位是毫克/升；出水總磷tp濃度測試結果如圖3所示，x軸：測試樣本數，單位是個/天，y軸：出水總磷tp預測值值，單位是毫克/升，；結果論證本發明提出的軟測量方法的有效性。