基于退火算法优化SVM模型预测及优化冷凝液处理系统出水总氮的方法与流程

基于退火算法优化svm模型预测及优化冷凝液处理系统出水总氮的方法
技术领域
1.本发明涉及智能控制及水处理领域，更确切地说，它涉及基于退火算法优化svm模型预测及优化冷凝液处理系统出水总氮的方法。


背景技术：

2.工业废水和城镇生活污水处理过程中会产生大量污泥，该类污泥含有丰富的氮、磷、钾、有机质等营养元素。为了减轻处理负担，会对污泥进行加热干化以去除多余水分，干化过程中产生的尾气遇冷凝结后形成污泥干化冷凝液。该类废水具有高总氮和高油份两大特点，总氮往往可以达到500mg/l左右，石油类和动植物油总量也可达400mg/l，cod甚至超过3000mg/l，该类废水往往需要经过多重工艺联合处理后方能达标排放。总氮是出水指标里最为重要的一项，总氮主要包括氨氮、硝态亚硝态氮和有机氮，若氨氮在自然界中富集，会对人类和动植物的健康带来巨大威胁，其余氮素也都或多或少会给自然界带来负面影响，因此监控出水总氮对水处理过程的优化运行和生态环境的保护都是至关重要的。
3.传统的总氮测定方法为碱性过硫酸钾紫外分光光度法，即先通过过硫酸钾产生的硫酸氢钾和原子态氧在加热的条件下将含氮化合物的氮元素转化为硝酸盐，再采用紫外分光光度法配合标准曲线测得数值，该方法不仅耗时大流程复杂，而且对药剂质量要求高。以上测试过程适用于实验室内检测，虽然已有在线总氮分析仪产品，但仍普遍存在仪表误差大、测试结果延迟和易受外部环境干扰等问题，难以满足城市污水处理过程精细控制的需要，在实际污水处理过程中的应用受到限制。近年来以统计学习理论为基础的出水指标预测模型，不仅具有良好的非线性性能，而且具有强大的小样本学习能力、较好的学习推广性能以及较好的高维数据处理能力等特性，在污水处理领域具有非常广阔的应用前景。
4.由于污泥干化冷凝液处理系统是一个典型的多变量、非线性、强耦合和多扰动的复杂系统，采用机理方法建立出水总氮预测模型十分困难，传统的神经网络模型在水处理研究中存在容易陷入局部极小值、参数难以确定的不足。


技术实现要素：

5.本发明的目的是克服现有技术的不足，提供了基于退火算法优化svm模型预测及优化冷凝液处理系统出水总氮的方法。
6.第一方面，提供了基于退火算法优化svm模型预测及优化冷凝液处理系统出水总氮的方法，包括：
7.步骤1、获取对污泥干化冷凝液处理流程出水总氮产生影响的主要影响因子，并采用主成分分析法在所述主要影响因子中确定最显著元素；
8.步骤2、基于核函数构建svm模型；
9.步骤3、将所述最显著元素作为svm模型的输入，进行模拟训练得出预测和优化结果；
10.步骤4、在步骤3的输出结果不满足预设条件时，使用模拟退火算法(sa)来优化svm模型的主要参数，重复步骤3，直至输出结果满足预设条件。
11.作为优选，步骤1包括：
12.步骤1.1、对主要影响因子用初始矩阵表示，归一化处理所述初始矩阵中的数据，获取分解矩阵，并求得所述分解矩阵对应的协方差矩阵和主成分矩阵t；
13.步骤1.2、由协方差矩阵得到的特征根λ和主成分矩阵t，计算累积方差；
14.步骤1.3、在主要影响因子中确定多个最显著元素。
15.作为优选，步骤2中，所述核函数为径向基函数，所述径向基函数的判别函数为：
[0016][0017]
其中，sgn为符号函数，ai表示中心点，n为中心点的数量，kr为径向基函数，xi为中心点的特征向量；r、b均为预估参数且属于随机常数；
[0018]
所述径向基函数表示为：
[0019][0020]
作为优选，在步骤4中，定义函数：
[0021][0022]
其中，yi为第j个样本实例，为第j个模拟样本实例，n为模拟样本的数量；s.t为约束条件(subject to)；并通过迭代选择适度的c,g,ε参数，使函数取得最小值，具体步骤包括：
[0023]
步骤4.1、确定模拟退火算法的初始参数，初始温度t0，终止温度te，初始状态eo，以及温度冷却系数ε，0＜ε＜1；
[0024]
步骤4.2、在约束条件下，通过降温函数tn＝to*ρ，0＜ρ＜1，进行退火寻优，选择邻域内的一组随机参数(c，g，ε)，作为支持向量机模型的原始参数，得到的临时状态ei；
[0025]
步骤4.3、判断该临时状态是否满足en＜eo，且显著性差异合理，即，且显著性差异合理，即为决定是否接受临时状态为当前状态的随机数；
[0026]
步骤4.4、如果en＞eo，则重复步骤3.2和步骤3.3，继续寻优；若en＜eo，则接受此状态为新的临时状态，直到tn＜te，停止算法，将优化后的参数作为svm模型的最优参数。
[0027]
第二方面，提供了基于sa-svm算法的污泥干化冷凝液出水总氮预测及优化装置，用于执行第一方面任一所述基于sa-svm算法预测及优化冷凝液处理系统出水总氮的方法，包括：
[0028]
获取模块，用于获取对污泥干化冷凝液处理流程出水总氮产生影响的主要影响因子，并采用主成分分析法在所述主要影响因子中确定最显著元素；
[0029]
构建模块，用于基于核函数构建svm模型；
[0030]
模拟训练模块，用于将所述最显著元素作为svm模型的输入，进行模拟训练得出预测和优化结果；
[0031]
优化模块，用于在步骤3的输出结果不满足预设条件时，使用模拟退火算法(sa)来优化svm模型的主要参数，重复步骤3，直至输出结果满足预设条件。
[0032]
第三方面，提供了一种计算机存储介质，所述计算机存储介质内存储有计算机程序；所述计算机程序在计算机上运行时，使得计算机执行第一方面任一所述基于退火算法优化svm模型预测及优化冷凝液处理系统出水总氮的方法。
[0033]
第四方面，提供了一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得计算机执行第一方面任一所述基于退火算法优化svm模型预测及优化冷凝液处理系统出水总氮的方法
[0034]
本发明的有益效果是：
[0035]
(1)本发明针对全行业废水处理流程出水总氮难以在线测量的问题，提出一种基于退火模拟-支持向量机算法获得污泥干化冷凝液处理流程出水总氮智能预测方法，实现了该类废水处理全流程出水总氮时时精准预测和全流程参数优化，并且有广阔的应用前景。
[0036]
(2)本发明相较原有的神经网络模型，sa-svm在解决非线性小样本数据和高维模式识别上具有明显优势，模拟退火算法对惩罚因子、不敏感系数和核参数这三个支持向量机的重要参数进行全域优化搜索，进而使用主成分分析法对影响出水总氮的因素进行分析，选取主要影响因素作为模型输入，使预测结果有较好的稳定性和较高的精确度。
附图说明
[0037]
图1为本发明提供的污泥干化冷凝液处理流程出水总氮预测及优化模型工作流程图；
[0038]
图2为一种污泥干化冷凝液处理工艺流程示意图；
[0039]
图3为本发明提供的退火模拟-支持向量机算法预测结果图；
[0040]
图4为本发明提供的退火模拟-支持向量机算法预测误差图；
[0041]
图5为本发明提供的污泥干化冷凝液出水总氮预测及优化装置的结构示意图；
[0042]
附图标记说明：隔油调节池1、电解气浮池2、a2o池3、mbr池4、臭氧催化氧化池5、清水池6、plc控制柜7。
具体实施方式
[0043]
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
[0044]
实施例1
[0045]
污泥干化冷凝液处理工艺流程如图2所示，通过plc控制柜7对污泥干化冷凝液处理系统中的各装置进行控制，污泥干化冷凝液依次通过污泥干化冷凝液处理系统中的隔油调节池1、电解气浮池2、a2o池3、mbr池4、臭氧催化氧化池5、清水池6并进行处理。
[0046]
为了有效进行污泥干化冷凝液处理流程出水总氮预测及优化，本发明提供了基于
退火算法优化svm模型预测及优化冷凝液处理系统出水总氮的方法，如图1所示，包括：
[0047]
步骤1、获取对污泥干化冷凝液处理流程出水总氮产生影响的主要影响因子，并采用主成分分析法在主要影响因子中确定最显著元素。
[0048]
示例地，在步骤1中，本发明共选取19个能对污泥干化冷凝液处理流程出水总氮产生影响的因素作为主要影响因子，包括：进水cod、进水氨氮、进水硝态亚硝态氮、进水总氮、进水tds、进水量、进水碱度、进水总油、进水总磷、进水浊度、电解气浮极板电压、活性污泥srt、mbr膜反洗周期、臭氧投加量、好氧池do、缺氧池do、好氧池mlss、缺氧池mlss和生化池温度。
[0049]
为了找出对出水总氮影响最显著的几个因素，使用spss系统对影响因素进行主成分分析(pca)。该分析法将原有多个关联性比较强的变量如a1，a2，a3…an
重新组合，即通过矩阵进行线性投影映射，可将原有关联变量转化为多个无关联变量b1，b2，b3…bn
，这些无关联变量即为主成分，分别称作第一主成分、第二主成分
…
第n主成分，每个主成分都是原来关联性较强的变量经过一定转化组合而成的，彼此没有联系，信息不重复，能够比较客观的反应原始变量的大部分信息，得出每个因素的权重大小。
[0050]
如果研究对象用n个向量来表述，分别用x1，x2，x3…
，xn表示，构成的n维随机矩阵为：
[0051][0052]
其中xi＝(x
1i
，x
2i
，x
3i
，
…
x
bi
)，i＝1，2，3，
…
n。对于列向量x1，x2，x3，
…
，x3进行线性映射，重新组合，形成新的n维向量z，可表示为：
[0053][0054]
即yi＝m
1i
x1+m
2i
x2+m
3i
x3+
…
+m
ni
xn，i＝1，2，3，
…
，p。其中必须满足m
1i2
+m
2i2
+m
3i2
+
…
+m
ni2
＝1，mi为单位向量，mi′
m＝1，cov(yi，yj)＝0，即yi与yj无关，并且y1，y2，y3，
…yn
的方差依次减小，则称y1，y2，y3，
…yn
为原变量x1，x2，x3，
…
xn的第一、第二、第三、
…
、第n个主成分。
[0055]
采用主成分分析法在主要影响因子中确定最显著元素的具体步骤包括：
[0056]
步骤1.1、对主要影响因子用初始矩阵表示，归一化处理初始矩阵中的数据，获取归一化矩阵，并求得归一化矩阵对应的协方差矩阵和主成分矩阵t。
[0057]
示例地，对原始数据即主要的影响因子用矩阵x{ρ
incod
，ρ
innh3
，ρ
intn
，ρ
intds
…
ρ
ado
，
ρ
odo
，ρ
amlss
，ρ
omlss
，ρ
t
}表示，归一化处理矩阵中的数据，得到的方程为：
[0058][0059]
其中，i为样本数，j为样本分量，为第j个样本均值，sj为标准差，x
′
ij
为求得的归一化矩阵。
[0060]
之后，求矩阵x
′
ij
的协方差矩阵，按照特征根λ的大小排序求得特征向量矩阵为u和相对应的特征值矩阵为v。并分解矩阵x
′
ij
＝tu
t
，最后求得t即为主成分矩阵。
[0061]
步骤1.2、由协方差矩阵得到的特征根λ和主成分矩阵t，计算累积方差。
[0062]
步骤1.3、在主要影响因子中确定多个最显著元素。
[0063]
得出对出水总氮影响最显著的因素分别为进水氨氮、进水量、进水tds、好氧池mlss、好氧池do和生化池温度，经过选择的六个主元作为后续步骤中svm模型的输入。
[0064]
步骤2、基于核函数构建svm模型。
[0065]
步骤2中，svm中可以采用不同的函数作为核函数k(x，xi)，并且能够构造初始输入为不同类型的非线性最优超平面的学习机器。本发明采用径向基函数为核函数，径向基函数的判别函数为：
[0066][0067]
其中，sgn为符号函数，ai表示中心点，n为中心点的数量，kr为径向基函数，xi为中心点的特征向量；r、b均为预估参数且属于随机常数；在构造判别函数时，需要预估r、ai、n和xi。
[0068]
最常用的核函数为高斯函数，表示为：
[0069][0070]
步骤3、将所述最显著元素作为svm模型的输入，进行模拟训练得出预测和优化结果；
[0071]
步骤4、在步骤3的输出结果不满足预设条件时，使用模拟退火算法来优化svm模型的主要参数，重复步骤3，直至输出结果满足预设条件。
[0072]
建立退火模拟支持向量机算法模型，退火过程可以表征为正在进行光与搜寻，寻求全局最优解。本发明使用模拟退火算法来优化选择支持向量机模型的三个主要参数，模拟退火算法能在逐步逼近全局最优的情况下保证不陷入局部最优。
[0073]
在步骤4中，定义函数：
[0074][0075]
其中，yi为第j个样本实例，为第j个模拟样本实例，n为模拟样本的数量；s.t为约束条件(subjectto)；该算法的核心思想就是通过迭代选择适度的c，g，ε参数，使函数取
得最小值，具体步骤包括：
[0076]
步骤4.1、确定模拟退火算法的初始参数，初始温度t0，终止温度te，初始状态eo，以及温度冷却系数ε，0＜ε＜1；
[0077]
步骤4.2、在约束条件下，通过降温函数tn＝to*ρ，0＜ρ＜1，进行退火寻优，选择邻域内的一组随机参数(c，g，ε)，作为支持向量机模型的原始参数，得到的临时状态ei；
[0078]
步骤4.3、判断该临时状态是否满足en＜eo，且显著性差异合理，即，且显著性差异合理，即，且显著性差异合理，即，且显著性差异合理，即为决定是否接受临时状态为当前状态的随机数；
[0079]
步骤4.4、如果en＞eo，则重复步骤3.2和步骤3.3，继续寻优；若en＜eo，则接受此状态为新的临时状态，直到tn＜te，停止算法，将优化后的参数作为svm模型的最优参数。最后用平均误差绝对值评价模型，是否达到预期。
[0080]
根据以上数据处理的结果，最后求得影响出水总氮的六个主要影响因子，将其作为svm模型的输入。
[0081]
本发明实施例取自南方某火力发电厂内燃煤耦合污泥发电系统配套的污泥干化冷凝液处理系统2021年水质监测数据，实验样本数据共计150组，100组作为训练数据，剩余50组作为测试数据。
[0082]
经过上述步骤，本发明建立污泥干化冷凝液处理流程出水总氮仿真预测模型，进行模拟训练得出预测和优化结果。将测试样本数据(50组)作为训练好的svm模型的输入，支持向量机模型的输出即为污泥干化冷凝液处理流程出水总氮预测及优化结果。实际出水总氮浓度与预测出水总氮浓度如图3，x轴：测试样本点，单位是天，y轴：出水总氮，单位是毫克/升，正方形数据点表示实测值，三角形数据点表示预测值。实际出水总氮浓度与预测出水总氮浓度相对误差如图4，x轴：测试样本点，单位是天，y轴：相对误差。两组数据相对误差小，结果证明该方法是有效可行的且预测精度较高。