一種基於遞歸自組織神經網絡的氨氮濃度預測方法
2023-05-29 14:10:21 1
一種基於遞歸自組織神經網絡的氨氮濃度預測方法
【專利摘要】一種基於遞歸自組織神經網絡的氨氮濃度預測方法既屬於控制領域，又屬於水處理領域。針對當前汙水處理過程出水氨氮濃度測量過程繁瑣、儀器設備造價高、測量結果可靠性和精確性低等問題，本發明基於城市汙水處理生化反應特性，利用一種遞歸自組織神經網絡實現對關鍵水質參數氨氮濃度的預測，解決了出水氨氮濃度難以測量的問題；結果表明該遞歸自組織神經網絡能夠快速、準確地預測汙水處理出水氨氮的濃度，有利於提升汙水處理過程出水氨氮濃度質量監控水平和加強城市汙水處理廠精細化管理。
【專利說明】一種基於遞歸自組織神經網絡的氨氮濃度預測方法
【技術領域】
[0001] 本發明基於汙水處理生化反應特性，利用一種敏感度分析的遞歸自組織神經網絡 實現對汙水處理過程關鍵水質參數氨氮濃度的預測，氨氮濃度是表徵水體汙染和汙水處理 程度的重要參量，對人體健康有著重要影響，實現氨氮濃度的在線預測是實現脫氮控制的 基礎環節，是先進位造【技術領域】的重要分支，既屬於控制領域，又屬於水處理領域。
【背景技術】
[0002] 氨氮是水環境汙染和水體富營養化問題的主要因素，控制水環境汙染和水體富營 養化的一項重要舉措就是嚴格限制汙水處理出水中氨氮的排放；"十二五"期間，氨氮濃度 已成為全國主要汙染物排放的約束性控制指標，氨氮濃度智能檢測技術能夠提高氨氮去除 效率，改善目前出水氨氮超標的現象；有利於提升實時水質質量監控水平和加強城市汙水 處理廠精細化管理，不但具有較好的經濟效益，而且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。
[0003] 環境保護部發布的《2013中國環境狀況公報》中指出，2013年我國黃河流域、松 花江流域等四大流域及省界水體受到不同程度的氨氮汙染，湖泊等水庫富營養、中營養化 比例高達95. 2%。而氨氮又是導致水體富營養化的重要因素，氨氮汙染在水環境質量上已 成為全國性的汙染問題；因此，實現氨氮濃度的快速預測，控制汙水處理廠出水氨氮達標排 放，是保證汙水處理廠出水水質合格的必要環節；目前氨氮濃度的測量方法主要有分光光 度法、電化學分析法和機理模型等，而分光光度法的測定原理是將水中游離態氨或銨離子 與氯化汞和碘化鉀的鹼性溶液發生反應生成淡紅棕色膠態絡合物，通過測量絡合物的吸光 度可得出氨氮的含量；然而，這種方法測量誤差較大，幹擾因素多，操作繁瑣，存在廢棄物安 全處理等問題；電極法不需要對水樣進行預處理，色度和濁度對測定結果影響較小，不易受 到幹擾，操作快捷簡單，但電極的壽命和穩定性較差，同時，電極法測量精度較低；同時，汙 水處理過程影響硝化反應參數眾多，動力學特性複雜，進而影響氨氮濃度的參數眾多，各因 素間相互作用，呈現非線性和耦合性等特點，很難建立出水氨氮的機理模型；因此，現有的 氨氮濃度檢測方法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；近年來， 隨著軟測量技術的發展，軟測量方法能夠實現一定精度範圍內的非線性系統預測，為氨氮 濃度預測提供了理論基礎，為氨氮濃度的高精度預測提供一種可行方法。
[0004] 本發明設計了一種基於遞歸自組織神經網絡的出水氨氮濃度預測方法，實現出水 氨氮濃度的在線預測。
【發明內容】
[0005] 本發明獲得了一種基於遞歸自組織神經網絡的出水氨氮濃度預測方法，通過設計 遞歸自組織神經網絡，根據汙水處理過程的實時採集的數據實現遞歸自組織神經網絡的在 線校正，實現了出水氨氮濃度的實時測量，解決了汙水處理過程出水氨氮濃度難以實時測 量的問題，提高了城市汙水處理廠水質質量實時監控水平，保障汙水處理過程正常運行；
[0006] 本發明採用了如下的技術方案及實現步驟：
[0007] -種基於遞歸自組織神經網絡的出水氨氮濃度預測方法包括以下步驟：
[0008] (1)確定輔助變量：採集汙水處理廠實際水質參數數據，選取與出水氨氮濃度相 關性強的水質變量：進水總磷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以及出水pH作為出水氨氮濃度預測的輔助變量；
[0009] (2)設計用於出水氨氮濃度預測的遞歸自組織神經網絡拓撲結構，遞歸自組織 神經網絡分為三層：輸入層、隱含層、輸出層；初始化遞歸自組織神經網絡：確定神經網絡 5-K-1的連接方式，即輸入層神經元為5個，隱含層神經元為K個，K為正整數，輸出層神經 元為1個；對神經網絡的參數進行賦值；設共有T個訓練樣本，第t時刻神經網絡輸入為 u(t) =[U1(t),u2(t),u3(t),u4(t),U5⑴],神經網絡的期望輸出表示為yd(t),實際輸出表 示為y(t);遞歸自組織神經網絡的計算功能是：
【權利要求】
1. 一種基於遞歸自組織神經網絡的出水氨氮濃度預測方法，其特徵在於，包括以下步 驟： (1) 確定輔助變量：採集汙水處理廠實際水質參數數據，選取與出水氨氮濃度相關性 強的水質變量：進水總磷TP、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作為出水氨氮濃度預測的輔助變量； (2) 設計用於出水氨氮濃度預測的遞歸自組織神經網絡拓撲結構，遞歸自組織神經網 絡分為三層：輸入層、隱含層、輸出層；初始化自組織粒子群-徑向基神經網絡：確定神經網 絡5-K-1的連接方式，即輸入層神經元為5個，隱含層神經元為K個，K為正整數，輸出層神 經元為1個；對神經網絡的參數進行賦值；設共有T個訓練樣本，第t時刻神經網絡輸入為 u (t) = [U1 (t), u2 (t), u3 (t), u4 (t), U5⑴],神經網絡的期望輸出表示為yd(t),實際輸出表 示為y(t);遞歸自組織神經網絡的計算功能是：
wf《X)表示第t時刻隱含層第k個神經元和輸出層的連接權值，k = 1,2,…，K ;vk(t) 是第t時刻隱含層第k個神經元的輸出，其計算公式為：
表示第t時刻輸入層第m個神經元和隱含層第k個神經元的連接權值，m = 1， 2,…，5; V) U)表示第t時刻第k
個隱含層神經元的自反饋輸出，其計算公式為： wi ?表示第t時刻隱含層第k個神經元的自反饋連接權值，Vk(t-Ι)是第t-Ι時刻隱 含層第k個神經元的輸出； 定義誤差函數為：
T表示遞歸自組織神經網絡輸入的訓練樣本數； (3) 訓練神經網絡，具體為： ① 給定一個隱含層神經元為K的遞歸神經網絡，輸入訓練樣本數據u (t)，初始化隱含 層和輸出層的連接權值初始化隱含層神經元的自反饋連接權值初始化輸入 層和隱含層的連接權值m = 1，2, *··,5, k = 1,2,…，K ; !4,.丨仍，W⑴和的 初始值取（〇, 1)的任意數；期望誤差值設為Ed，Ed e (〇, 〇. 01]; ② 計算第k個隱含層神經元的靈敏度：
其中，k = 1，2，·..，!（； Vark [E (y (t) | vk (t)) ] =2 (Ak)2+ (Bk)2 ；
Ak和Bk表示靈敏度分析的傅立葉係數，其計算公式為：
其中，傅立葉變量s的取值範圍是[_ η，η] ;?k(t)是第k個隱含層神經元的指定頻 率，《k(t)由第k個隱含層神經元的輸出決定：
bk(t)是已訓練的t步中第k個隱含層神經元的輸出最大值，ak(t)是已訓練的t步中 第k個隱含層神經元的輸出最小值； ③ 進行神經網絡結構調整： 刪減調整：若第k個隱含層神經元的靈敏度STk小於a i，a i e (〇, 〇. 01]，則刪除該神 經元，並更新隱含層神經元數為K1 = K-I ;否則，不刪除該神經元，K1 = K ; 增長調整：若當前的誤差E (t) >Ed，則增加一個隱含層神經元，新插入的神經元初始連 接權值為：
其中，W,L,.(0表示新插入神經元與輸入層之間的連接權值，W；L.(〇表示新插入神經元 的自反饋連接權值，W,UO表示新插入神經元和輸出層的連接權值，神經元h是隱含層中 的靈敏度最大的神經元，W), 表示結構調整前隱含層第h個神經元和輸入層的連接權值， -->表示結構調整前隱含層第h個神經元和輸出層的連接權值，並且新插入神經元的輸 出vn"(t)表示為：
更新隱含層神經元數為K2 = 1+1 ;否則，不調整神經網絡的結構，K2 = K1 ; ④ 進行神經網絡連接權值調整：
其中，k= 1，2，...，K2 ; w!(0=[ m4(0，"·》m4(I)]，Ii1 e (〇, 〇· l]、Ii2 e (〇, 〇· 1] 和Ii3 e (〇,〇.〇i]分別表示輸入層和隱含層連接權值的學習率、隱含層神經元自反饋連接 權值的學習率、以及隱含層和輸出層連接權值的學習率； ⑤輸入訓練樣本數據X (t+Ι)，重複步驟②-④，所有訓練樣本訓練結束後停止計算； (4)將測試樣本數據作為訓練後的遞歸自組織神經網絡的輸入，遞歸自組織神經網絡 的輸出即為出水氨氮濃度的預測值。
【文檔編號】G06N3/02GK104376380SQ201410655729
【公開日】2015年2月25日 申請日期:2014年11月17日 優先權日:2014年11月17日
【發明者】韓紅桂, 李穎, 張一弛, 喬俊飛 申請人:北京工業大學