一种基于自组织模糊神经网络的出水氨氮浓度软测量方法
【技术领域】
[0001] 本发明利用自组织模糊神经网络对污水处理过程出水水质氨氮浓度进行预测，实 现了污水处理过程出水水质氨氮浓度的实时检测；出水氨氮浓度的准确预测有益于解决制 约出水氨氮实时测量困难的难题，确保关键水质排放实时达标;同时，污水处理出水氨氮浓 度的实时预测是实现污水处理过程控制的重要环节，是污水处理过程正常运行的重要基 础，既属于控制科学与工程领域，又属于环境科学与工程领域。
【背景技术】
[0002] 城市污水再生利用是实现水资源良性循环的重要举措，世界各国都大力实施污水 处理以应对水资源危机;我国随着国民经济的增长和公众环保意识的增强，污水处理自动 化技术迎来了前所未有的发展机遇；国家水污染防治法中提出提高水的重复利用率，鼓励 科学技术研究和先进适用技术的推广应用；随着我国污水处理设施的大量建成，设施运营 状态受到越来越高的重视。因此，本发明的研究成果具有广阔的应用前景。
[0003] 出水氨氮浓度是污水处理过程中一个重要出水水质指标，出水水质中含有大量的 氨氮会造成水体富营养化，和出水水质恶化，严重影响水体质量，影响居民的日常生活。城 市污水处理的目标就是使出水水质达到国家排放标准，《城镇污水处理厂污染物排放标准》 (GB 18918-2002)中主要涉及的参数有化学需氧量、生化需氧量、悬浮物、氨氮、总氮和总 磷。其中水质参数氨氮是引起水体富营养化、导致藻类大量繁殖的主要因子，是水环境污染 和水体富营养化问题的主要因素，控制水体富营养化的一项重要举措就是将富含氨氮的污 水进行处理，并且严格限制出水中氨氮的排放，其中，在一级A标准中规定出水氨氮浓度的 最高排放标准为5mg/L。为了实现出水氨氮浓度的达标排放，必须对出水氨氮浓度进行实时 测量，目前污水处理厂多采用基于氨氮化学性质的测定方法、基于电极法等物理方法的测 定方法和基于过程机理预测模型的测定方法等，然而这些方法不能实时测量氨氮浓度；同 时，由于污水处理过程的非线性、强耦合、时变性等特点，造成检测精度低，导致城市污水处 理过程难以实现闭环控制。因此，研究有效的污水处理过程出水氨氮浓度实时监测方法已 成为污水控制领域研究的重要课题，并且具有重要的意义；
[0004] 本发明涉及了一种出水氨氮浓度智能软测量方法，该方法利用自组织模糊神经网 络建立辅助变量与出水氨氮浓度之间的软测量模型，有效地缩短了氨氮浓度的测量时间， 提高了测量精度，并大大的降低了测量成本，为污水处理厂提供了一种快速高效的测量手 段，以保证城市污水处理过程的效率和处理效果。
【发明内容】
[0005] 本发明获得了一种基于自组织模糊神经网络的出水氨氮浓度软测量方法，利益自 组织模糊神经网络建立了出水氨氮浓度与辅助变量之间的关系，并根据污水处理过程采集 的实时数据实现自组织模糊神经网络的参数和结构调整，实现了出水氨氮浓度的实时测 量，解决了城市污水处理过程出水氨氮浓度难以实时测量的问题；
[0006] 本发明采用了如下的技术方案及实现步骤：
[0007] 1. -种基于自组织模糊神经网络的出水氨氮浓度软测量方法，其特点在于，包括 以下步骤：
[0008] (1)确定软测量模型的辅助变量:采集城市污水处理厂实际水质参数数据，选取与 出水氨氮浓度相关性强的水质变量：出水总磷TP、厌氧末端氧化还原电位0RP、好氧前段溶 解氧D0、好氧末端总固体悬浮物TSS、出水pH以及温度T作为出水氨氮浓度预测的辅助变量； [0009] (2)设计用于出水氨氮浓度的模糊神经网络拓扑结构，自组织模糊神经网络分为 四层:输入层、RBF层、归一化层、输出层;确定拓扑结构为6-P-P-1的连接方式，其中输入层 神经元个数为6，RBF层神经元个数为P个，归一化层神经元个数为P个，P为大于2的正整数， 输出层神经元个数为1个;输入层与RBF层以及RBF与归一化层之间的权值都赋值为1，归一 化层与输出层之间的权值进行随机赋值，赋值区间为[_1，1];设共有T个训练样本，设第t时 刻模糊神经网络输入为X(t) = [Xl(t)，X2(t)，X3(t)，X4(t)，X5(t)，X6(t)]，模糊神经网络的 期望输出表示为yd(t)，实际输出表示为y(t);基于自组织模糊神经网络的出水氨氮浓度的 软测量方法计算方式依次为：
[0010]①输入层:该层由6个神经元组成，每个神经元的输出为：
[0011] Ui(t)=xi(t)，i = l，2，"，6;(l)
[0012]其中，m⑴表示输入层第i个神经元t时亥lj的输出，Xi(t)为输入层第i个神经元t时 刻的输入；
[0013 ]②RBF层:RBF层由P个神经元组成，每个神经元的输出为：
[0015] 其中，Cj(t) = [cij⑴，C2j(t)，···，C6j⑴]表示RBF层第j个神经元t时刻的中心值， 叫（1:)表示1^7层第」个神经元1:时刻中心值的第1个元素，〇」（1：)表示1^?层第」个神经元1:时 刻的中心宽度，灼Q)表示RBF层第j个神经元t时刻的输出；
[0016] ③归一化层:归一化层由P个神经元组成，每个神经元的输出为：
[0018] 其中，vi(t)表示归一化层第1个神经元t时刻的输出，
为RBF层神经元输出 值之和，的(?)表示RBF层第1个神经元t时刻的输出，Cil(t)表示RBF层第1个神经元t时刻中 心值的第i个元素，σι⑴表示RBF层第1个神经元t时刻中心宽度；
[0019] ④输出层:输出层输出为：
[0020]
[0021]其中，W(t) = [Wl(t)，W2(t)，···，WP(t)]表示归一化层与输出层间t时刻的连接权值 向量，W1 ( t )表示t时刻归一化层第1个神经元与输出层神经元之间的连接权值，V ( t ) = [ VI (t)，v2(t)，…，VP(t)]T表示归一化层t时刻的输出向量，T表示转置，y(t)为输出层神经元的 输出；
[0022]定义自组织模糊神经网络的误差为：
[0024] E(t)表示t时刻自组织模糊神经网络的误差平方和；
[0025] (3)训练自组织模糊神经网络，具体为：
[0026]①给定自组织模糊神经网络的初始RBF层与归一化层神经元个数为P，自组织模糊 神经网络的输入为x(l)，x(2)，…，x(t)，…，x(T)，对应的期望输出为yd(l)，yd(2)，…，y d (t)，~，yd(T)，T表示自组织模糊神经网络输入的训练样本数，期望误差值设为Ed，Ede(〇， 〇. 〇 1)，初始中心值cj (1)中每个变量的赋值区间为[-2，2 ]，初始中心宽度σj (1)中每个变量 的赋值区间为[0，1 ]，j = 1，2，…，P;初始权值w( 1)中每个变量的赋值区间为[-1，1 ];
[0027]②设置学习步数s = l;
[0028] ③t = s，根据公式（1)、（2)、（3)、（4)计算自组织模糊神经网络的输出7(〇，运用快 速二次型学习算法计算中心值Cj(t)，中心宽度〇j(t)以及权值w(t )的增量；
[0029] Δ 0(t) = (W(t)+A(t)XI)-1X Q(t)； (6)
[0030] 其中，Θ (t) = [Cl(t)，C2(t)，···，cp(t)，0"!：），02(t)，…，0p(t)，w(t)]为自组织模 糊神经网络t时刻的参数向量，I为单位向量，并且：
[0031] Q(t) = jT(t)e(t)； (7)
[0032] W(t) = jT(t)j(t)； (8)
[0033] e(t)=y(t)-yd(t)； (9)
[0034] Ω (t)是t时刻自组织模糊神经网络梯度向量，Ψ (t)为t时刻自组织模糊神经网络 Hessian矩阵，jT(t)为j(t)的转置，e(t)为t时刻自组织模糊神经网络的输出y(t)与期望输 出yd(t)之间的误差，Jacobian向量j(t)和学习率λ(?)为
[0036] λ(?)=μλ(?-1)； (11)
[0037] μΕ (〇,〇. 1)表示影响因子，λ(〇) = 〇. 1;
[0038] ④调整自组织模糊神经网络的参数；
[0039] 0(t+l