本发明涉及一种污水处理系统中曝气池溶解氧值的在线调控，具体地说是基于卡尔曼滤波-极限学习机的曝气池溶解氧值在线监控方法。
背景技术：
目前，世界各国普遍采用的污水处理方法为活性污泥法，该方法具有处理效率高，抗干扰能力强的特点，是一种二级污水处理方法，可以在很多污水处理厂使用，距今已有近百年的历史。而溶解氧含量是污水处理过程中一个非常重要的指标参数，过高和过低都会导致污泥生存环境的恶化，溶解氧浓度过高则会影响磷的吸收，有机物得到破坏，溶解氧浓度过低会引起水质的恶化。污水处理系统运行状态是否良好都可以通过它快速直观的反应，并能进行及时预警和处理。实现对溶解氧的准确预测和优化控制，是活性污泥法进行污水处理至关重要的一步，也是亟待解决的问题。
活性污泥法污水处理系统是一个多输入多输出动态系统，同时也是一个复杂的生化反应过程，污水处理中曝气池溶解氧的软测量方法研究具有高度非线性、不确定、滞后大和耦合强等特点，易受到外界流入组分的影响，目前大多数工业过程控制采用常规pid等传统控制方法进行溶解氧浓度的控制，并没有达到理想的预测与控制效果。考虑到软测量方法和智能优化算所具有的优势，逐渐成为众多学者们的用于分析研究的焦点，目前已将其应用于污水处理的问题中。这主要取决于它的泛化性能好、计算难度低、学习熟读快，具有普遍的适应能力。本发明结合卡尔曼滤波-极限学习机对污水处理系统中曝气池溶解氧进行预测，可提高测量的精度，为污水处理厂提高出水水质，降低耗能系统，为污水处理闭环控制的实现奠定了基础。
技术实现要素：
本发明利用污水处理系统所提供的曝气池溶解氧相关因素数据,建立一种预测溶解氧值，并进行在线调控方法,以提高污水处理厂出水水质，降低耗能系统。
本发明利用污水处理系统所提供的曝气池溶解氧相关因素数据，对该数据进行数据预处理后输入极限学习机进行学习，并得出预测结果，再将极限学习得到的预测结果作为卡尔曼滤波方程进行进一步优化，得到新的最优估计值，重复步骤，直至得到所有时刻的do最优预测值。其特征在于如下步骤：
(1)数据预处理单元，对污水处理厂收集到的与曝气池do值相关的长期监测数据，包括进水cod和bod以及曝气反应池内t、ph、svi、sv30、mlss、ss和do，进行降噪、剔除异常值、平滑以及标准化处理；
(2)因素分析单元，用于预处理后的数据利用灰色关联分析方法与曝气系统do值做关联分析，得到对应的关联度；
(3)极限学习机预测单元，用于与do值经过关联度分析后得到关联度大于0.7的主要影响因素输入到极限学习机进行学习，并输出预测结果；
(4)利用极限学习机得到的do预测值作为卡尔曼滤波公式的观察值，并通过该算法得到do最优估计值，重复此步骤直至对所有时刻的最优do预测值。
研究通过对污水处理曝气反应池do的影响因素分析，建立了基于卡尔曼滤波-极限学习机模型，可有效进行do值的预测以及预测值的优化，优化后的预测结果降低了随机性造成的波动，得到更为准确do值的预测结果，及时对do值进行在线调控，提高污水处理厂出水水质，降低耗能系统。
附图说明
图1为本发明的系统流程图；
图2为本发明的增量型极限学习网络结构示意图；
图3为本发明的实施示意框图。
具体实施方式
本发明能在线调控曝气系统do浓度值，有利于提高污水处理厂出水水质，降低耗能系统。
结合图1-3对本发明的方法步骤做详细说明。
(1)数据预处理
利用污水处理厂提供的与曝气池do值相关的因素数据，包括进水cod和bod以及曝气反应池内t、ph值、svi、sv30、mlss、ss和do长期监测数据，进行降噪、剔除异常值、平滑以及标准化处理。
(2)因素分析
对经过预处理后的相关因素数据与曝气系统的do值运用灰色关联分析方法，做关联度分析，根据
当γ>0.7时，将作为主要因素，作为极限学习机模型的输入。
(3)极限学习机进行do值的初步预测
将灰色关联分析方法得到关联度γ>0.7的主要因素作为极限学习机的输入，本发明选择增量型极限学习机并进行学习训练，过程如下：
1)一个线性输出节点的单隐层前向神经网络有l个隐层节点，其数学模型可以表示为：
其中gi(x)表示第i个隐层节点的输出，βi表示第i个隐含层节点与输出节点的输出权重，ai是连接输入层与第i个隐层节点之间的输入权值，bi是第i个隐层节点的阈值。
2)设最大隐层节点个数为m，隐层节点个数l从1开始增加当l<m且误差大于期望误差时：l＝l+1；
3)随机获取当前隐层神经元的权值a和阈值b；
4)计算当前神经元激励函数g(x)的输入x；
a加法隐含层神经元：将b扩展成一个1×u的矩阵b，然后计算x＝ax+b，其中x为n×u的矩阵。
b径向基隐层神经元：将a扩展成一个u×n的矩阵，然后计算
x＝b·||xt-a||。
5)计算当前隐层输出；
6)然后计算该隐层神经元的输出权值；
重复上述步骤，直到误差小于期望误差停止学习，若误差一直大于期望误差，则当l>m时停止学习，这是由于输入权值a和阈值b随机造成，这时将重新开始学习。
7)利用建立好的极限学习机模型得到t+1，t+2.......t+n时刻的do预测值y(t+1)，y(t+2)......y(t+n)。
(4)对卡尔曼滤波算法对预测值进行进一步优化
卡尔曼滤波算法运算过程主要分为两步，预测和更新。
1)预测，根据t时刻的do的状态值预测t+1时刻的状态量，过程如下：状态预测方程：
x(t+1)＝a(t+1,t)x(t)+b(t+1,t)ω(t)，
预测误差协方差方程：
p(t+1,t)＝a(t+1,t)p(t,t)at(t+1,t)+b(t+1,t)q(t)bt(t+1,t)，
式中，x(t+1)是t+1时刻的状态预测值，x(t)是t时刻的状态值，a(t+1,t)；b(t+1,t)为系统参数，ω(t)为系统噪声，p误差协方差矩阵；
2)更新：利用极限学习机t+1时刻的预测值y(t+1)，为观测值建立更新后的状态分析值及其相应的误差分析方程。
最优状态分析方程：
z(t+1)＝x(t+1)+k(t+1)[y(t+1)-h(t+1)x(t+1)]，
最优增益矩阵方程：
k(t+1)＝[h(t+1)p(t+1,t)]t{h(t+1)[h(t+1)p(t+1,t)]t+r(t+1)}-1，
更新误差协方差方程：
p(t+1,t+1)＝[1-h(t+1)k(t+1)]tp(t+1,t)，
式中，z(t+1)是t+1时刻的状态估计值，k(t+1)是t+1时刻的增益矩阵，h(t+1)是t+1时刻的观测算子，表示观测值和状态值之间的函数关系，得到t+1时刻的分析值和误差协方差矩阵，作为下一时刻预测方程计算的基础；
3)重复上述步骤1)和2)，更新所有时刻的预测值，得到各时刻的最优状态估计值，并实现对曝气系统的do浓度的在线调控。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。