自组织粒子群径向基神经网络污水总磷TP软测量方法

　　申请日2014.11.02

　　公开(公告)日2015.02.18

　　IPC分类号G06N3/08; G01N33/18

　　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。

　　权利要求书

　　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：

　　 $y (t) = Σ_{k = 1}^{K} w_{k} (t)) φ_{k} (x (t)); - - - (1)$

　　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，…，K; φk(x(t))是隐含层第k个神经元的输出，其计算公式为：

　　 $φ_{k} (x (t)) = e^{(- {| | x (t) - μ_{k} (t) | |}^{2} / 2 σ_{k}^{2} (t))}; - - - (2)$

　　μk表示隐含层第k个神经元中心值，σk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c1和c2，c1∈(0,1)，c2∈(0,1);设定粒子群平衡权值α∈[0,1]，将径向基神经网络的参数表示为粒子群中的粒子：

　　 $a_{i} = [μ_{i, 1}, σ_{i, 1}, w_{i, 1}, μ_{i, 2}, σ_{i, 2}, w_{i, 2} \cdot \cdot \cdot μ_{i, K_{i}}, σ_{i, K_{i}}, w_{i {, K}_{i}}]; - - - (3)$

　　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，μi,k，σi,k和wi,k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;μi,k，σi,k和wi,k的初始值取(0,1)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：

　　 $v_{i} = [v_{i, 1}, v_{i, 2}, \cdot \cdot \cdot v_{i, D_{i}}]; - - - (4)$

　　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)=3Ki(t)，计算每个粒子的适应度值：

　　f(ai(t))=Ei(t)+αKi(t); (5)

　　其中，Ei(t)为

　　 $E_{i} (t) = \sqrt{\frac{1}{2 T} Σ_{t = 1}^{T} {(y (t) - y_{d} (t))}^{2}}; - - - (6)$

　　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：

　　ωi(t)=γ(t)Ai(t); (7)

　　其中，

　　γ(t)=(C-S(t)/1000)-t;

　　S(t)=fmin(a(t))/fmax(a(t));

　　Ai(t)=f(g(t))/f(ai(t)); (8)

　　C是常量，C∈[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：

　　 $\{\begin{matrix} f_{\min} (a (t)) = Min (f (a_{i} (t))) \\ f_{\max} (a (t)) = Max (f (a_{i} (t))) \end{matrix}$

　　 $g (t) = \underset{p_{i}}{\arg \min} (f (p_{i} (t))), 1 \leq i \leq s; - - - (9)$

　　其中，粒子的最好先前位置pi(t)表示为：

　　④更新每个粒子的位置和速度：

　　vi(t+1)=ωi(t)vi(t)+c1r1(pi(t)-ai(t))+c2r2(g(t)-ai(t));

　　ai(t)=ai(t-1)+vi(t); (11)

　　其中，r1和r2分别表示最好先前位置系数和全局最优位置系数，r1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Kbest，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。

　　说明书

　　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

　　技术领域

　　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

　　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。

　　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。

　　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

　　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;

　　本发明采用了如下的技术方案及实现步骤：

　　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：

　　 $y (t) = Σ_{k = 1}^{K} w_{k} (t) φ_{k} (x (t)); - - - (1)$

　　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，…，K;φk(x(t))是隐含层第k个神经元的输出，其计算公式为：

　　 $φ_{k} (x (t)) = e^{(- | | x (t) - μ_{k} (t) {| |}^{2} / 2 σ_{k}^{2} (t))}; - - - (2)$

　　μk表示隐含层第k个神经元中心值，σk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c1和c2，c1∈(0,1)，c2∈(0,1);设定粒子群平衡权值α∈[0,1]，将径向基神经网络的参数表示为粒子群中的粒子：

　　 $a_{i} = [μ_{i, 1}, σ_{i, 1}, w_{i, 1}, μ_{i, 2}, σ_{i, 2}, w_{i, 2} . . . μ_{i, K_{i}}, σ_{i, K_{i}}, w_{i, K_{i}}]; - - - (3)$

　　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，μi,k，σi,k和wi,k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; μi,k，σi,k和wi,k的初始值取(0,1)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：

　　 $v_{i} = [v_{i, 1}, v_{i, 2}, . . . v_{i, D_{i}}]; - - - (4)$

　　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)=3Ki(t)，计算每个粒子的适应度值：

　　f(ai(t))=Ei(t)+αKi(t); (5)

　　其中，Ei(t)为

　　 $E_{i} (t) = \sqrt{\frac{1}{2 T} Σ_{t = 1}^{T} {(y (t) - y_{d} (t))}^{2}}; - - - (6)$

　　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：

　　ωi(t)=γ(t)Ai(t); (7)

　　其中，

　　γ(t)=(C-S(t)/1000)-t;

　　S(t)=fmin(a(t))/fmax(a(t));

　　Ai(t)=f(g(t))/f(ai(t)); (8)

　　C是常量，C∈[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：

　　 $\{\begin{matrix} f_{\min} (a (t)) = Min (f (a_{i} (t))) \\ f_{\max} (a (t)) = Max (f (a_{i} (t))) \end{matrix}$

　　 $g (t) = \underset{p_{i}}{\arg \min} (f (p_{i} (t))), 1 \leq i \leq s; - - - (9)$

　　其中，粒子的最好先前位置pi(t)表示为：

　　④更新每个粒子的位置和速度：

　　vi(t+1)=ωi(t)vi(t)+c1r1(pi(t)-ai(t))+c2r2(g(t)-ai(t));

　　ai(t)=ai(t-1)+vi(t); (11)

　　其中，r1和r2分别表示最好先前位置系数和全局最优位置系数，r1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Kbest，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。

　　本发明的创造性主要体现在：

　　(1)本发明针对当前污水处理厂测量出水总磷TP的过程繁琐，仪器设备使用造价高，测量结果可靠性和精确性低等问题，本发明提出了一种污水处理过程出水总磷TP软测量方法，根据实际污水处理厂工作报表提取了与出水总磷TP相关的6个相关变量：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，实现了出水总磷TP的预测，解决了出水总磷TP难以实时测量的问题。

　　(2)本发明根据当前污水处理过程是一个复杂的、动态时变的过程，出水总磷与相关变量间的关系不仅具有非线性、强耦合等特点，而且难以用精确数学方法描述，因此采用了自组织粒子群-径向基神经网络建立了出水总磷 TP的软测量方法，实现了对出水总磷TP浓度的预测，具有预测精度高，对环境差异具有很好的适应能力等特点;

　　特别要注意：本发明采用与出水总磷TP相关的6个相关变量，基于自组织粒子群-径向基神经网络设计其软测量方法，只要采用了本发明的相关变量和方法进行出水总磷TP预测都应该属于本发明的范围。