一种基于递归自组织神经网络的氨氮浓度预测方法技术

一种基于递归自组织神经网络的氨氮浓度预测方法既属于控制领域，又属于水处理领域。针对当前污水处理过程出水氨氮浓度测量过程繁琐、仪器设备造价高、测量结果可靠性和精确性低等问题，本发明专利技术基于城市污水处理生化反应特性，利用一种递归自组织神经网络实现对关键水质参数氨氮浓度的预测，解决了出水氨氮浓度难以测量的问题；结果表明该递归自组织神经网络能够快速、准确地预测污水处理出水氨氮的浓度，有利于提升污水处理过程出水氨氮浓度质量监控水平和加强城市污水处理厂精细化管理。

【技术实现步骤摘要】

本专利技术基于污水处理生化反应特性，利用一种敏感度分析的递归自组织神经网络 实现对污水处理过程关键水质参数氨氮浓度的预测，氨氮浓度是表征水体污染和污水处理 程度的重要参量，对人体健康有着重要影响，实现氨氮浓度的在线预测是实现脱氮控制的 基础环节，是先进制造
的重要分支，既属于控制领域，又属于水处理领域。
技术介绍
氨氮是水环境污染和水体富营养化问题的主要因素，控制水环境污染和水体富营 养化的一项重要举措就是严格限制污水处理出水中氨氮的排放；十二五期间，氨氮浓度 已成为全国主要污染物排放的约束性控制指标，氨氮浓度智能检测技术能够提高氨氮去除 效率，改善目前出水氨氮超标的现象；有利于提升实时水质质量监控水平和加强城市污水 处理厂精细化管理，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 专利技术的研究成果具有广阔的应用前景。 环境保护部发布的《2013中国环境状况公报》中指出，2013年我国黄河流域、松 花江流域等四大流域及省界水体受到不同程度的氨氮污染，湖泊等水库富营养、中营养化 比例高达95. 2%。而氨氮又是导致水体富营养化的重要因素，氨氮污染在水环境质量上已 成为全国性的污染问题；因此，实现氨氮浓度的快速预测，控制污水处理厂出水氨氮达标排 放，是保证污水处理厂出水水质合格的必要环节；目前氨氮浓度的测量方法主要有分光光 度法、电化学分析法和机理模型等，而分光光度法的测定原理是将水中游离态氨或铵离子 与氯化汞和碘化钾的碱性溶液发生反应生成淡红棕色胶态络合物，通过测量络合物的吸光 度可得出氨氮的含量；然而，这种方法测量误差较大，干扰因素多，操作繁琐，存在废弃物安 全处理等问题；电极法不需要对水样进行预处理，色度和浊度对测定结果影响较小，不易受 到干扰，操作快捷简单，但电极的寿命和稳定性较差，同时，电极法测量精度较低；同时，污 水处理过程影响硝化反应参数众多，动力学特性复杂，进而影响氨氮浓度的参数众多，各因 素间相互作用，呈现非线性和耦合性等特点，很难建立出水氨氮的机理模型；因此，现有的 氨氮浓度检测方法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；近年来， 随着软测量技术的发展，软测量方法能够实现一定精度范围内的非线性系统预测，为氨氮 浓度预测提供了理论基础，为氨氮浓度的高精度预测提供一种可行方法。 本专利技术设计了一种基于递归自组织神经网络的出水氨氮浓度预测方法，实现出水 氨氮浓度的在线预测。
技术实现思路
本专利技术获得了一种基于递归自组织神经网络的出水氨氮浓度预测方法，通过设计 递归自组织神经网络，根据污水处理过程的实时采集的数据实现递归自组织神经网络的在 线校正，实现了出水氨氮浓度的实时测量，解决了污水处理过程出水氨氮浓度难以实时测 量的问题，提高了城市污水处理厂水质质量实时监控水平，保障污水处理过程正常运行； 本专利技术采用了如下的技术方案及实现步骤： -种基于递归自组织神经网络的出水氨氮浓度预测方法包括以下步骤： (1)确定辅助变量：采集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：进水总磷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以及出水pH作为出水氨氮浓度预测的辅助变量； (2)设计用于出水氨氮浓度预测的递归自组织神经网络拓扑结构，递归自组织 神经网络分为三层：输入层、隐含层、输出层；初始化递归自组织神经网络：确定神经网络 5-K-1的连接方式，即输入层神经元为5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 u(t) =[U1(t),u2(t),u3(t),u4(t),U5⑴],神经网络的期望输出表示为yd(t),实际输出表 示为y(t);递归自组织神经网络的计算功能是：本文档来自技高网...

【技术保护点】
一种基于递归自组织神经网络的出水氨氮浓度预测方法，其特征在于，包括以下步骤：(1)确定辅助变量：采集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：进水总磷TP、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作为出水氨氮浓度预测的辅助变量；(2)设计用于出水氨氮浓度预测的递归自组织神经网络拓扑结构，递归自组织神经网络分为三层：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5‑K‑1的连接方式，即输入层神经元为5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u(t)＝[u1(t)，u2(t)，u3(t)，u4(t)，u5(t)]，神经网络的期望输出表示为yd(t)，实际输出表示为y(t)；递归自组织神经网络的计算功能是：y(t)=Σk=1Kwk3(t)vk(t);---(1)]]>表示第t时刻隐含层第k个神经元和输出层的连接权值，k＝1，2，…，K；vk(t)是第t时刻隐含层第k个神经元的输出，其计算公式为：vk(t)=f(Σm=15wmk1(t)um(t)+vk1(t));---(2)]]>表示第t时刻输入层第m个神经元和隐含层第k个神经元的连接权值，m＝1，2，…，5；表示第t时刻第k个隐含层神经元的自反馈输出，其计算公式为：vk1(t)=wk2(t)vk(t-1);---(3)]]>表示第t时刻隐含层第k个神经元的自反馈连接权值，vk(t‑1)是第t‑1时刻隐含层第k个神经元的输出；定义误差函数为：E(t)=12TΣt=1T(yd(t)-y(t))2;---(4)]]>T表示递归自组织神经网络输入的训练样本数；(3)训练神经网络，具体为：①给定一个隐含层神经元为K的递归神经网络，输入训练样本数据u(t)，初始化隐含层和输出层的连接权值初始化隐含层神经元的自反馈连接权值初始化输入层和隐含层的连接权值m＝1，2，…，5，k＝1，2，…，K；和的初始值取(0,1)的任意数；期望误差值设为Ed，Ed∈(0,0.01]；②计算第k个隐含层神经元的灵敏度：STk(t)=Vark[E(y(t)|vk(t))]Var[y(t)];---(5)]]>其中，k＝1，2，…，K；Vark[E(y(t)|vk(t))]＝2(Ak)2+(Bk)2；Var(y(t))=2Σk=1K((Ak)2+(Bk)2);---(6)]]>Ak和Bk表示灵敏度分析的傅立叶系数，其计算公式为：Ak=12π∫-ππcos(ωk(t)s)ds;]]>Bk=12π∫-ππsin(ωk(t)s)ds;---(7)]]>其中，傅立叶变量s的取值范围是[‑π，π]；ωk(t)是第k个隐含层神经元的指定频率，ωk(t)由第k个隐含层神经元的输出决定：ωk(t)=arcsinπbk(t)-ak(t)(vk(t)-bk(t)+ak(t)2);---(8)]]>bk(t)是已训练的t步中第k个隐含层神经元的输出最大值，ak(t)是已训练的t步中第k个隐含层神经元的输出最小值；③进行神经网络结构调整：删减调整：若第k个隐含层神经元的灵敏度STk小于α1，α1∈(0,0.01]，则删除该神经元，并更新隐含层神经元数为K1＝K‑1；否则，不删除该神经元，K1＝K；增长调整：若当前的误差E(t)>Ed，则增加一个隐含层神经元，新插入的神经元初始连接权值为：wnew1(t)=wh1(t)=[w1h1(t),w2h1(t),...,w5h1(t)];]]>wnew2(t)=wh2(t);]]>wnew3(t)=yd(t)-y(t)vnew(t);---(9)]]>其中，表示新插入神经元与输入层之间的连接权值，表示新插入神经元的自反馈连接权值，表示新插入神经元和输出层的连接权值，神经元h是隐含层中的灵敏度最大的神经元，表示结构调整前隐含层第h个神经元和输入层的连接权值，表示结构调整前隐含层第h个神经元和输出层的连接权值，并且新插入神经元的输出vnew(t)表示为：vnew(t)=f(Σm=15wmh1(t)um(t)+vnew1(t));]]>vnew1(t)=wh2(t)vh(t-1);---(10)]]>更新隐含层神经元数为K2＝K1+1；否则，不调整神经网络的结构，K2＝K1；④进行神经网络连接权值调整：wk1(t+1)=wk1(t)+η1∂E(t)∂wk1(t);]]>wk2(t+1)=wk2(t)+η2...

【技术特征摘要】
1. 一种基于递归自组织神经网络的出水氨氮浓度预测方法，其特征在于，包括以下步 骤： (1) 确定辅助变量：采集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：进水总磷TP、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作为出水氨氮浓度预测的辅助变量； (2) 设计用于出水氨氮浓度预测的递归自组织神经网络拓扑结构，递归自组织神经网 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5-K-1的连接方式，即输入层神经元为5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 u (t) = [U1 (t), u2 (t), u3 (t), u4 (t), U5⑴],神经网络的期望输出表示为yd(t),实际输出表 示为y(t);递归自组织神经网络的计算功能是：wf《X)表示第t时刻隐含层第k个神经元和输出层的连接权值，k = 1,2,…，K ;vk(t) 是第t时刻隐含层第k个神经元的输出，其计算公式为：表示第t时刻输入层第m个神经元和隐含层第k个神经元的连接权值，m = 1， 2,…，5; V) U)表示第t时刻第k个隐含层神经元的自反馈输出，其计算公式为： wi ?表示第t时刻隐含层第k个神经元的自反馈连接权值，Vk(t-Ι)是第t-Ι时刻隐 含层第k个神经元的输出； 定义误差函数为：T表示递归自组织神经网络输入的训练样本数； (3) 训练神经网络，具体为： ① 给定一个隐含层神经元为K的递归神经网络，输入训练样本数据u (t)，初始化隐含 层和输出层的连接权值初始化隐含层神经元的自反馈连接权值初始化输入 层和隐含层的连接权值m = 1，2, *··,5, k = 1,2,…，K ; !4,.丨仍，W⑴和的 初始值取（〇, 1)的任意数；期望误差值设为Ed，Ed e (〇, 〇. 01]; ② 计算第k个隐含层神经元的灵敏...

【专利技术属性】
技术研发人员：韩红桂，李颖，张一弛，乔俊飞，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11