申请日2012.06.21
公开(公告)日2014.12.03
IPC分类号G01N33/18
摘要
一种污水处理过程污泥膨胀指数预测方法属于废水处理领域。污水处理过程的生产条件恶劣，随机干扰严重，具有强非线性、大时变、严重滞后的特点，我国几乎所有的城市污水处理厂和大部分工业污水处理厂每年都存在着不同程度的污泥膨胀，污泥膨胀的主要特征是污泥沉降性能恶化，污泥膨胀指数SVI是表示污泥沉降性能的参数，但是SVI这一关键指数难以在线测量;本发明针对污水处理过程中污泥膨胀指数SVI无法在线测量的问题，采用了基于集成神经网络的预测方法，实现了污水处理过程中污泥膨胀指数SVI的实时预测，取得了较好的效果。
权利要求书
1.一种污泥膨胀指数SVI的预测方法，其特征包括以下步骤：
(1)设计用于SVI预测的集成神经网络，集成神经网络分为两部分：第一部分神经网络包含输入层、隐含层、输出层，第二部分神经网络也包括输入层、隐含层、输出层;第一部分神经网络的输入为辅助变量，输出为生化需氧量BOD;第二部分神经网络的输入为辅助变量和生化需氧量BOD，输出为污泥膨胀指数SVI;
初始化神经网络：
第一部分神经网络为N-M1-1的连接方式，即输入层神经元为N个，隐含层神经元为M1个，输出层神经元为1个;对第一部分神经网络的权值进行随机赋值;神经网络的输入表示为X1=[x1,x2,…,xN]T，[x1,x2,…,xN]T为[x1,x2,…,xN]的转置，第一部分神经网络的期望输出表示为yd1;设共有P个训练样本，则第p个训练样本为X1(p)=[x1(p),x2(p),…,xN(p)]T，用第p个训练样本训练神经网络时，第一部分神经网络的输出可描述为：
其中，M1是第一部分神经网络的隐含层神经元数，X1(p)=[x1(p),x2(p),…,xN(p)]T是输入向量，是第一部分神经网络第j个隐含层神经元与输出层神经元的联结权值;是第一部分神经网络第j个隐含层神经元的输出，即
其中，f(x)=(1+e-x)-1，是第一部分神经网络第i个输入层神经元与第j个隐含层神经元的联结权值，xi是第一部分神经网络第i个输入层神经元的输出，输入层神经元的输出等于其输入值;
第二部分神经网络为N+1-M2-1的连接方式，即输入层神经元为N+1个，隐含层神经元为M2个，输出层神经元为1个;对第二部分神经网络的权值进行随机赋值;第二部分神经网络的输入表示为X2=[x1,x2,…,xN,y1]T，[x1,x2,…,xN,y1]T为[x1,x2,…,xN,y1]的转置，第二部分神经网络的期望输出表示为yd2;设共有P个训练样本，则第p个训练样本为X2(p)=[x1(p),x2(p),…,xN(p),y1(p)]T，用第p个训练样本训练神经网络时，第二部分神经网络的输出可描述为：
其中，M2是第二部分神经网络的隐含层神经元数，X2(p)=[x1(p),x2(p),…,xN(p),y1(p)]T是输入向量，第一部分神经网络的输出作为第二部分神经网络的 输入，是第二部分神经网络第k个隐含层神经元与输出层神经元的联结权值; 是第二部分神经网络第k个隐含层神经元的输出，即
其中，函数f与公式(2)中的表达形式相同，第一部分神经网络，是第二部分神经网络第k个输入层神经元与第l个隐含层神经元的联结权值，xk是第二部分神经网络第k个输入层神经元的输出，xN+1(p)=y1(p)，输入层神经元的输出等于其输入值;
定义误差函数为：
P为训练样本总数，yd2(p)和y2(p)分别是输入为第p个训练样本时集成神经网络第二部分的期望输出和实际输出，训练集成神经网络的目的是使得式(5)定义的误差函数达到期望值;
(2)对样本数据进行校正;
设A个数据样本{X1(1),X1(2),…,X1(A)}，均值为χ，每一个样本的偏差为D(a)=X1(a)-χ，a=1,2,…,A，计算标准偏差：
若某一个样本X1(a)的偏差满足：
|D(a)|≥3σ，a=1,2,…,A, (7)
则认为样本X1(a)是异常数据，应予以剔除，得到校正后的数据，该数据作为神经网络的训练样本和测试样本;
其特征还包括以下步骤：
(3)用校正后的数据训练集成神经网络，具体为：
①给定一个集成神经网络，第一部分神经网络的隐含层神经元为M1，第二部分神经网络的隐含层神经元为M2，M1和M2均为小于200的正整数，初始化神经网络权值和神经网络的初始权值为0到1的随机数;
②根据公式(8)来调整集成神经网络第一部分神经网络的权值v1;
其中，是的Moore-Penrose逆，yd1为第一部分神经网络的期望输出;
③根据公式(9)来调整集成神经网络第二部分神经网络的权值v2;
其中，是的Moore-Penrose逆，yd2为第二部分神经网络的期望输出;
④误差函数(5)的值达到期望误差Ed≤0.01时停止计算;否则转向步骤②继续训练;
(4)对测试样本进行检测：将测试样本数据作为训练好的集成神经网络的输入，集成神经网络第二部分的输出即为SVI的预测结果。
说明书
一种污水处理过程污泥膨胀指数预测方法
技术领域
本发明利用集成神经网络实现污水处理过程中污泥膨胀指数SVI的预测，SVI的浓度 直接决定了污水处理过程中污泥沉降的信息，对污水处理的正常运行有着重要影响;将预 测方法应用于污水处理系统，既可节约投资和运行成本，又能及时监测污水处理相关参数， 促使污水处理厂高效稳定运行;SVI的监测作为污水处理的重要环节，是先进制造技术领 域的重要分支，既属于控制领域，又属于水处理领域。
背景技术
水资源问题已成为世界各国政府首要关注的议题，联合国《世界水资源综合评估报告》 指出：水问题将严重制约21世纪全球经济与社会发展，并可能导致国家间冲突;因此， 建立污水处理厂，最大限度地保护水环境，实现淡水资源持续利用和良性循环，已经成为 我国政府水资源综合利用的战略举措。
2011年国务院印发的《国家环境保护“十二五”规划》中指出：2010年全国国家重点 监控地表水断面劣于V类比例为17.7%，七大水系国家重点监控断面劣于III类比例为45%。 环保部2011年《中国环境状况公报》中指出：2010年全国废水排放总量为617.3亿吨，比 上年增加4.7%，而全年累计处理污水343.3亿立方米，水污染防治现状是局部有所改善， 总体尚未遏制，形势依然严峻，压力继续加大。因此，建立污水处理厂，最大限度地保护 水环境，实现淡水资源持续利用和良性循环，已经成为我国政府水资源综合利用的战略举 措。但是污水处理厂的运行状况却不容乐观：由于设施运行负荷率低、污水厂进水化学需 氧量浓度低，水质监管、检测不完备等原因，在污水处理过程中，难以保证污水厂运行的 稳定性和可靠性。目前，我国几乎所有的城市污水处理厂和大部分工业污水处理厂每年都 存在着不同程度的污泥膨胀。污泥膨胀不仅使污泥流失，出水水质超标，甚至导致整个污 水处理系统崩溃，危害巨大。因此，抑制污泥膨胀发生，确保污水处理质量达标是当前亟 待解决的问题。
污泥膨胀的主要特征是污泥沉降性能恶化，SVI是表示污泥沉降性能的参数，又称为 污泥膨胀指数，通常当SVI高于150mL/g时发生污泥膨胀。SVI这一关键指标难以测量， 污水处理厂实际运行中靠人工化验得到，其分析测定周期一般需要多个小时。大部分污水 处理厂SVI的测量频率为每周1-2次，很难依靠SVI的人工化验值及时获取污泥膨胀信息。 同时，由于引起污泥膨胀的原因是多方面的，而且这些因素相互影响，相互联系，相互制 约，对于普遍发生的污泥膨胀进行识别和预测，这既是一个工程问题又涉及到了微生物的 相关知识，需要多个学科知识交叉结合。因此，研究新的方法实现SVI的预测问题，已成 为污水控制工程领域研究的重要课题，并且具有重要的现实意义。
本发明提出一种污泥膨胀指数SVI预测方法，通过构建集成神经网络模型，选择一组 既与SVI密切联系，又容易测量的变量作为集成神经网络的输入，对于不能测量的与SVI 相关的变量则通过集成神经网络进行预测，最后实现对SVI的预测，从而确保及时发现污 泥膨胀，降低污泥膨胀发生，保证污水处理厂的正常运行。
发明内容
本发明获得了一种基于集成神经网络的污水处理过程中污泥膨胀指数SVI的预测方 法;该方法通过分析污水处理过程，在众多可测变量中选择一组与SVI有密切联系且容易 测量的变量作为集成神经网络的输入，对于不能测量的与SVI相关的变量则通过集成神经 网络进行预测，最后实现对SVI的预测;
本发明采用了如下的技术方案及实现步骤：
1.一种污泥膨胀指数SVI的预测方法，
(1)设计用于SVI预测的集成神经网络初始拓扑结构;网络分为两部分：第一部分包 含输入层、隐含层、输出层，第二部分也包括输入层、隐含层、输出层;第一部分的输入 为辅助变量，输出为生化需氧量BOD;第二部分的输入为辅助变量和生化需氧量BOD， 输出为污泥膨胀指数SVI;
初始化神经网络：
第一部分神经网络为N-M1-1的连接方式，即输入层神经元为N个，隐含层神经元为M1 个，输出层神经元为1个;对第一部分神经网络的权值进行随机赋值;神经网络的输入表 示为X1=[x1,x2,…,xN]T，[x1,x2,…,xN]T为[x1,x2,…,xN]的转置，第一部分神经网络的期望输 出表示为yd1;设共有P个训练样本，则第p个训练样本为X1(p)=[x1(p),x2(p),…,xN(p)]T，用 第p个训练样本训练神经网络时，第一部分神经网络的输出可描述为：
其中，M1是第一部分神经网络的隐含层神经元数，X1(p)=[x1(p),x2(p),…,xN(p)]T是输 入向量，是第一部分神经网络第j个隐含层神经元与输出层神经元的联结权值;是第一 部分神经网络第j个隐含层神经元的输出，即
其中，f(x)=(1+e-x)-1，是第一部分神经网络第i个输入层神经元与第j个隐含层神经元 的联结权值，xi是第一部分神经网络第i个输入层神经元的输出，第一部分神经网络输入层 神经元的输出等于其输入值;
第二部分神经网络为N+1-M2-1的连接方式，即输入层神经元为N+1个，隐含层神经元 为M2个，输出层神经元为1个;对第二部分神经网络的权值进行随机赋值;第二部分神经 网络的输入表示为X2=[x1,x2,…,xN，y1]T，[x1,x2,…,xN，y1]T为[x1,x2,…,xN，y1]的转置，第二 部分神经网络的期望输出表示为yd2;设共有P个训练样本，则第p个训练样本为X2(p)=[x1(p), x2(p),…,xN(p),y1(p)]T，用第p个训练样本训练神经网络时，第二部分神经网络的输出可描 述为：
其中，M2是第二部分神经网络的隐含层神经元数，X2(p)=[x1(p),x2(p),…,xN(p),y1(p)]T是第二部分神经网络的输入向量，第一部分神经网络的输出y1(p)也作为第二部分神经网络 的输入，是第二部分神经网络第k个隐含层神经元与输出层神经元的联结权值;是第 二部分神经网络第k个隐含层神经元的输出，即
其中，函数f与公式(2)中的表达形式相同，是第二部分神经网络第k个输入层神经元 与第l个隐含层神经元的联结权值，xk是第二部分神经网络第k个输入层神经元的输出，xN+1(p) =y1(p)，第二部分神经网络的输入层神经元的输出等于其输入值;
定义误差函数为：
P为训练样本总数，yd2(p)和y2(p)分别是p时刻集成神经网络第二部分的期望输出和实际 输出，训练集成神经网络的目的是使得式(5)定义的误差函数达到期望值;
(2)对样本数据进行校正;
设A个数据样本{X1(1),X1(2),…,X1(A)}，均值为χ，每一个样本的偏差为D(a)= X1(a)-χ，a=1,2,…,A，计算标准偏差：
若某一个样本X1(a)的偏差满足：
|D(a)|≥3σ,，a=1,2,…,A,(7)
则认为样本X1(a)是异常数据，应予以剔除，得到校正后的数据，该数据作为神经网络 的训练样本和测试样本;
其特征还包括以下步骤：
(3)用校正后的数据训练集成神经网络，具体为：
①给定一个集成神经网络，第一部分神经网络的隐含层神经元为M1，第二部分神经网 络的隐含层神经元为M2，M1和M2均为小于200的正整数，初始化神经网络权值和神经网络的初始权值为0到1的随机数;
②根据公式(8)来调整集成神经网络第一部分神经网络的权值v1;
其中，是的Moore-Penrose逆，yd1为第一 部分神经网络的期望输出;
③根据公式(9)来调整集成神经网络第二部分神经网络的权值v2;
其中，是的Moore-Penrose逆，yd2为第二 部分神经网络的期望输出;
④误差函数(5)的值达到期望误差Ed≤0.01时停止计算;否则转向步骤②继续训练;
(4)对测试样本进行检测：将测试样本数据作为训练好的集成神经网络的输入，集成 神经网络第二部分神经网络的输出即为SVI的预测结果;
本发明的创造性主要体现在：
(1)本发明针对当前污水处理过程中污泥膨胀指数SVI测量周期长，不能在线检测的问 题，根据神经网络可以逼近非线性函数的特点，采用了集成神经网络对SVI进行预测，相 比与其他神经网络训练方法，由于集成神经网络利用Moore-Penrose逆的方法训练权值， 具有实时性好和精度高的特点;
(2)本发明通过采用了集成神经网络实现辅助变量入水流量Qin、溶解氧浓度DO、酸 碱度pH、化学需氧量COD、总氮TN与SVI之间的映射;对于难以测量而又与SVI相关 的BOD值，集成神经网络能够首先对BOD进行预测，进而实现SVI的预测，提高了SVI 的预测精度，具有精度高的特点;同时也省去了研制传感器的复杂过程以及降低运行成本;
特别要注意：本发明只是为了描述方便，采用的是对SVI进行预测，同样该发明也适 用于污泥膨胀其他指数——SDI等，只要采用本发明的原理进行预测都应该属于本发明的 范围。
