施例，存在用于预测废水处理过程(WWTP)的参数的方法200。特别 地，所述方法适用于(但不限于)EGSB厂/反应器，并且待预测的参数是EGSB反应器的流出物 中的总有机碳(TOC)。
[0033] 如图示并参考图1，典型的EGSB 10系统和过程包括流入调节池20和EGSB反应器 30。在EGSB反应器30中，颗粒化微生物以相对较高的流速与来自流入调节池20的流入废水 接触。连续处理废水直到废水被充分处理，并且然后它们作为处理后的水40被排出。EGSB过 程中的微生物团降解废水中的有机污染物，以形成额外的生物质(微生物）、处理后的水40 和包括甲烷和二氧化碳(CO 2)的生物气50的形式的能量。EGSB反应器30的各种参数(如表1 所示)可以用于预测流出参数。
[0034] 预测的TOC可以尤其用于监测EGSB反应器的处理性能。
[0035] 参见图2,方法200包括如下步骤：
[0036] (a.)获得数据集(步骤202)，数据集包括与EGSB反应器的流出物中的TOC有关的多 个过程变量。多个过程变量包括但不限于:-流入物中的TOC; pH;流速;温度等。在实施例中， 选择了 22个不同的过程变量。22个过程变量基于具有一个或多个平衡池以及一个或多个流 入调节池20的EGSB反应器。反应器还包括可操作用于在操作期间冷却反应器的多个热交换 器。
[0037] 在下表1中列出了22个参数：
[0038] 表1过程变量表
[0039]
[0040] 注:在上述表格中将废水简称为"ww"。
[0041]可以从历史样本或EGSB厂的操作中的数据获得过程变量。
[0042] (b.)除了获得过程变量的数据集，还要获取对应于22个过程变量的流出物TOC的 离线(非实时)测量值作为初始TOC数据(步骤210)。
[0043] (c.)接下来预处理所获得的数据集。预处理包括如下步骤
[0044] i.过程变量的对准(步骤204)。由于过程变量的数据集可能具有采用秒、分、时、或 天的不同的采样频率，所以为了获得随时间变化的特性，过程变量的时间基准参考被预定 为一个值，例如24小时，并且前面的24小时数据的22个过程变量的每小时数据用于匹配每 天的流出物TOC的初始值。作为结果，输入变量的维度为528(22乘以24)。
[0045] ii.缺失值处理步骤(步骤206)。要领会，在废水处理过程中，物理传感器(7天24小 时在线)可能不能获得全部需要的数据。鉴于此，不同的在线传感器可能不能采集到不同时 间段的所需数据。添加缺失值处理步骤206以处理数据采集中的这种缺失空白，并且可以通 过插值方法处理空白。例如，插值方法包括线性插值，但也可以包括诸如多项式插值法和样 条插值法等其它插值方法，或者也可以实施其它缺失值处理方法来处理缺失值。
[0046] iii .将输入过程变量和初始输出过程参数TOC分类(步骤208)。输入过程变量被进 一步布置成自回归外因(ARX)结构，以解释大的延迟和大的时间变化特性。这是为了解释动 态过程变化，例如严重的随机干扰、大的延迟、以及大的时间变化特性，以提高预测性能的 可靠性。
[0047] 为了解释时间变化和时间延迟特性，ARX结构的输入向量X在方程（I)中被数学表 达为如下形式。
[0048] x=[y(t_l)，· · ·，y(t_L)，u(t)] (I)
[0049] 其中，观测到过去的L个输出值和过去的L个控制向量。ARX模型结构中的级的数量 可以用赤池信息准则(AIC)来优化，以获得用于动态模型的优化的模型性能。根据过程的特 征，u(t)是在时间k处设置的具有528个维度的过程变量，并且y(t-l).....y(t-10)是在时 间t之前的L= 10个TOC值。
[0050] iv.对TOC的测量值进行信号处理以去除数据中的噪声（步骤212)。由过程所获得 的观测的输出数据和实验测量值产生的TOC值的噪声离线测量值可能在有效采集过程动态 的趋势方面产生困难。对TOC的测量值中的噪声进行滤波有益于改善所开发的软传感器的 预测性能。特别地，滤波或平滑掉噪声会改进动态模型的准确度，并允许更清楚地观察过程 的固有趋势。
[0051 ] 采用两个滤波器来过滤噪声，Savitzky-Golay( "Sav-Gol"）滤波器和Kalman滤波 器(但不限于此，也可以实施诸如傅里叶变换、小波分析、或维纳滤波器等其它噪声滤波器 方法来过滤噪声）。
[0052] Sav-Gol滤波器可操作用于平滑数据并增大信噪比，而不需要将原始数据严重变 形。在某种意义上，Savitzky-Golay滤波器基于本地多项式回归法，其在数学上能够被解释 为，对于具有值7:的每个点j，计算相邻值的加权和(线性组合），并且相邻值的数量和多项 式的次数控制平滑的强度，如下所示(步骤214):
[0054] 其中，为是平滑或处理后的新的"降噪" TOC值(具有平滑曲线或导数），N为归一化 常数，k为j的每一侧处的相邻值的数量，因此窗口大小为2k+l，并且Ch是取决于所使用的多 项式的次数和目标的系数(平滑、第一或第二导数）。应用时采用窗口大小为3、多项式次数 为2并且导数为0。
[0055] Kalman滤波器作为替代物初始描述了离散数据线性滤波问题的递归解决方案，由 具有测量值的线性随机差分方程给出，如下所示(步骤216):
[0056] x(k+l)=Ax(k)+Bu(k)+w(k) (3)
[0057] y(k)=Cx(k)+v(k) (4)
[0058] 其中，W和V是分别用协方差矩阵Q和R处理的不相关的、正态分布的白噪声，并且S 是《和￥之间的协方差。Kalman滤波器可以被分成两个不同阶段:预测和更新(滤波器），如下 所示：
[0064] 其中，Kg和P分别是Kalman增益和状态估计误差的协方差矩阵。预测方程5和6负责 向前投射(及时）当前状态和误差协方差估计以获得下一时间步骤的优先估计值。滤波器方 程7和8负责反馈一一即用于将新的测量值合并到优先估计值中以获得改进的后验估计值。 这是通过测量值修正的领先一步的滤波器。可以采用简单的线性Kalman滤波器来对噪声过 程数据进行滤波，其中△=1、8 = 0、〇=1、卩(0|0) = 1、并且奴0|0)=0。
[0065] (d.)用于处理输入和测量的TOC值的实际算法（即软传感器)基于偏最小二乘法 (PLS)算法和堆叠 PLS(SPLS)算法、在方程10-18中进行数学表达的控制方程。输入为包括过 程变量和测量的TOC值的向量;输出包括初始测量的流出的TOC值。
[0066] PLS算法的一般形式被描述为如下：_
[0067] 假设x=(X1，…，Xn)TERnXm并且Y( yi，…，yn)TERnXP是输入和输出矩阵，它们可 以被如下地线性联系：
[0068] Y=XB+E (10)
[0069] 其中，B是回归系数的矩阵，并且E是剩余矩阵。根据PLS回归模型由线性潜在变量 来为X和Y二者建模，而不是直接找到该关系，即
[0070] X = TPT+Ex (11)
[0071] 和
[0072] Y = UQt+Ey (12)
[0073] 具有误差矩阵Ex和Εγ，其中矩阵T和U(得分矩阵）以及矩阵P和Q(负载矩阵)具有纵 列，并且￡1<11^11(111，9，11)为?1^分量的数量。然后1-和7-得分通过内线性回归来联系，
[0074] ui = biti+hi (13)
[0075] 其中hi和bi分别为残余和回归向量，并且ti和Ui分别为第一 PLS得分分