一种基于自组织粒子群-径向基神经网络的污水总磷tp软测量方法
【专利摘要】针对当前污水处理过程出水总磷TP测量过程繁琐、仪器设备造价高、测量结果可靠性和精确性低等问题，本发明设计了一种基于自组织粒子群-径向基神经网络的污水处理过程出水总磷TP软测量方法，并利用实时数据对出水总磷TP软测量方法进行校正，实现了对污水处理过程出水总磷TP的预测，解决了出水总磷TP难以测量的问题；结果表明该出水总磷TP软测量方法能够快速、准确地预测污水处理出水总磷TP的浓度，有利于加强城市污水处理厂精细化管理和提升实时水质质量监控水平。
【专利说明】-种基于自组织粒子群-径向基神经网络的污水总磷TP软 测量方法
【技术领域】
[0001] 本发明基于污水处理生化反应特性，利用一种自组织粒子群-径向基神经网络设 计了污水处理过程出水总磷TP的软测量方法，同时根据污水处理过程的实时采集的数据 实现出水总磷TP软测量方法的在线校正，实现了出水总磷TP浓度的实时测量；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】
[0002] 磷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磷的污水进行处 理，并且严格限制污水处理出水中总磷TP的排放；总磷TP智能检测技术有利于加强城市污 水处理厂精细化管理和提升实时水质质量监控水平，缓解我国当前水污染严重和水体富营 养化的现状，不但具有较好的经济效益，而且具有显著的环境和社会效益。因此，本发明的 研究成果具有广阔的应用前景。
[0003] 出水总磷TP浓度是城市污水处理厂出水排放标准中的核心指标，出水总磷TP排 放不达标会直接导致受纳水体富营养化，保证出水总磷TP浓度实时达到排放至关重要。目 前测量出水总磷TP的方法主要有分光光度法、气相色谱法、液相色谱法、电极法、机理方法 等。而分光光度法对总磷含量进行测量操作步骤繁琐，试剂需现用现配，需绘制校准曲线， 工作量大，而且水样中浊度将直接影响测量的吸光度值，干扰因素较多，需做补偿校正。气 相色谱法、液相色谱法和电极法等方法虽然避免了分光光度法出水总磷TP检测的测量周 期长、手工操作复杂、且容易产生偶然误差的缺点，但是，气相色谱法、液相色谱法和电极法 等方法需要选择合适的磷酸根离子选择性电极或色谱与磷酸盐发生作用。污水处理总磷的 机理方法可以为污水处理厂的工艺设计提供依据，但是，由于污水处理过程中进水流量、进 水成份、污染物浓度、天气变化等参量都是随时间变化，同时城市污水处理过程的负荷波动 非常大，污水处理过程经常工作在非平稳状态，机理方法的误差较大，精度较低，很难满足 实时检测的需求。整体看来，以上总磷检测仪器都需要一定的测量时间，无法实现总磷的实 时检测，并且设备需要进口、试剂更换频繁、设备维护成本高。而基于机理方法的仪器虽然 能够实现总磷的实时预测，但是误差较大，精度较低，尚未在污水处理厂推广应用。因此，现 有的总磷检测技术和仪器很难满足污水处理厂实时检测的需求，必须寻求新的检测方法。
[0004] 本发明设计了一种基于自组织粒子群-径向基神经网络的出水总磷TP软测量方 法，主要通过软测量的方法实现出水总磷TP的在线检测。
【发明内容】
[0005] 本发明获得了一种基于自组织粒子群-径向基神经网络的出水总磷TP软测量方 法，通过设计出水总磷TP的软测量方法，根据污水处理过程的实时采集的数据实现出水总 磷TP软测量方法的在线校正，实现了出水总磷TP的实时测量，解决了污水处理过程出水总 磷TP难以实时测量的问题，提高了城市污水处理厂精细化管理和水质质量实时监控的水 平，保障污水处理过程正常运行；
[0006] 本发明采用了如下的技术方案及实现步骤：
[0007] -种基于自组织粒子群-径向基神经网络的出水总磷TP软测量方法，其特征在 于，包括以下步骤：
[0008] (1)确定软测量方法的辅助变量：采集污水处理厂实际水质参数数据，选取与出 水总磷TP相关性强的水质变量：进水总磷TP、温度T、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以及出水pH作为出水总磷TP测量的辅助变量；
[0009] (2)设计用于出水总磷TP的自组织粒子群-径向基神经网络拓扑结构，自组织粒 子群-径向基神经网络分为三层：输入层、隐含层、输出层；初始化自组织粒子群-径向基 神经网络：确定神经网络6-K-1的连接方式，即输入层神经元为6个，隐含层神经元为K个， K为正整数，输出层神经元为1个；对神经网络的参数进行赋值；设共有T个训练样本，第t 时刻神经网络输入为X (t) = [X1 (t) , X2 (t) , X3 (t) , X4 (t) , X5 (t) , X6 (t)],神经网络的期望输 出表示为yd(t)，实际输出表示为y⑴；自组织粒子群-径向基神经网络的计算功能是：
【权利要求】
1. 一种基于自组织粒子群-径向基神经网络的出水总磷TP软测量方法，其特征在于， 包括以下步骤： (1) 确定软测量模型的辅助变量：采集污水处理厂实际水质参数数据，选取与出水总 磷TP相关性强的水质变量：进水总磷TP、温度T、厌氧末端氧化还原电位ORP、好氧前段溶 解氧DO、好氧末端总固体悬浮物TSS以及出水pH作为出水总磷TP测量的辅助变量； (2) 设计用于出水总磷TP的自组织粒子群-径向基神经网络拓扑结构，自组织粒子 群-径向基神经网络分为三层：输入层、隐含层、输出层；初始化自组织粒子群-径向基神 经网络：确定神经网络6-K-1的连接方式，即输入层神经元为6个，隐含层神经元为K个，K 为正整数，输出层神经元为1个；对神经网络的参数进行赋值；设共有T个训练样本，第t时 刻神经网络输入为X (t) = [X1 (t) , X2 (t) , X3 (t) , X4 (t) , X5 (t) , X6 (t)],神经网络的期望输出 表示为yd(t)，实际输出表示为y(t);自组织粒子群-径向基神经网络的计算功能是：
Wk(t)表示隐含层第k个神经元和输出层的连接权值，k = 1，2，--?，!（； 是隐 含层第k个神经元的输出，其计算公式为：
U k表示隐含层第k个神经元中心值，〇 k表示隐含层第k个神经元的中心宽度； (3) 训练神经网络，具体为： ① 初始化粒子群加速常数(^和(32, C1 e (0，1)，C2 e (0，1);设定粒子群平衡权值 a G [〇，1]，将径向基神经网络的参数表示为粒子群中的粒子： I = ，Pu，crU，wi-,2 …1*1爲，Aici，wJ1Ki ] ; (3) 其中，ai表示第i个粒子的位置，i = 1，2,…，s ;s表示粒子总个数，s为正整数，ii i;k,0 u和Wu分别表示第i个粒子中第k个隐含层神经元的中心值，中心宽度和连接权值； Ki表示第i个粒子表示的径向基神经网络隐含层神经元数；iUk，〇 u和Wu的初始值取 (〇, 1)的任意数，Ki的初始值为任意正整数；同时，初始化粒子的速度： (4) 其中，Vi表示第i个粒子的速度，Di表示第i个粒子的维数，Di = 3Ki ; ② 对于神经网络的输入X (t)，确定每个粒子的维数Di (t) = 31 (t)，计算每个粒子的适 应度值： f (a^t)) = Ei (t) +a Ki (t) ； (5) 其中，Ei (t)为
i = 1,2,…，s ;T表示神经网络输入的训练样本数； ③ 计算每个粒子的惯性权重： ?i(t) = y (t)Ai(t) ； (7) 其中， y (t) = (c-s(t)/iooo)_t ； S (t) = fmin (a (t)) /fmax (a (t))； Ai (t) = f (g(t))/f (a^t)) ； (8) C是常量，C G [1，5]，最小适应度值fmin(a(t))，最大适应度值fmax(a(t))，粒子全局最 优位置g(t)分别表示为：
④ 更新每个粒子的位置和速度： Vi(t+1) = wi(t)vi(t)+c1r1(pi(t)-a i(t))+c2r2(g(t)-ai(t))； a^t) = a^t-D+v^t) ； (11) 其中，^和r2分别表示最好先前位置系数和全局最优位置系数，ri和r2取[0, 1]的任 意数； ⑤ 根据全局最优位置g(t)找出最佳神经网络结构，此时的最佳神经网络隐含层神经 元数为Kb6st，更新每个粒子对应的神经网络隐含层神经元数：
⑥ 输入训练样本数据X (t+1)，重复步骤②-⑤，所有训练样本训练结束后停止计算； (4)将测试样本数据作为训练后的自组织粒子群-径向基神经网络的输入，自组织粒 子群-径向基神经网络的输出即为出水总磷TP的预测值。
【文档编号】G06N3/08GK104360035SQ201410602859
【公开日】2015年2月18日 申请日期:2014年11月2日 优先权日:2014年11月2日
【发明者】韩红桂, 周文冬, 郭亚男, 乔俊飞 申请人:北京工业大学