【技术实现步骤摘要】
在线自学习随机配置网络出水氨氮浓度实时预测方法
:
[0001]本专利技术涉及人工智能领域,直接应用于污水处理领域。
技术介绍
:
[0002]氨氮是指在水中以游离氨和铵离子形式存在的氮,是水体中最为常见的污染物之一。其主要来源与生活污水中含氮有机物分解的产物以及焦化、合成氨等工业废水。在污水处理过程中,出水氨氮浓度是衡量出水水质优劣的一个重要参数指标。当水体在氨氮浓度过高时,会对水生生物以及周围的生态环境产生严重的危害。因此,实现对水体氨氮浓度进行及时有效测量显得尤为重要。
[0003]目前,国内外污水处理厂对氨氮浓度的测定方法有很,包括仪器分析法,电化学分析法,以及分光光度计等。采用这些方法的优点是测量精度高,但由于检测过程繁琐、检测时间长、成本高等,无法完成对出水氨氮浓度的实时监测。虽然部分在线监测仪器可以实现水体中氨氮浓度的实时测量,但需要采用化学试剂辅助检测,且容易受到干扰,通用性差。因此,如何高精度、高效率、低成本的对出水氨氮浓度进行实时预测,仍是目前研究的一个关键问题。
[0004]近年来,随着软测量技术的快速发展,数据驱动的软测量技术以其成本低、易操作等优势成为实现对水体氨氮实时监测的一个重要途径。然而,值得注意的是,在实际工业生产过程中采集到的出水氨氮浓度往往以数据流的形式存在,这些数据具有高维非线性、动态时序性、未知性、海量性等特点。传统的神经网络模型大多都基于静态数据或数据流稳定的假设下设计的,未考虑数据流中样本统计特性的不稳定性,导致无法有效学习动态非平稳数据的变化特性。因此,如何
【技术保护点】
【技术特征摘要】
1.在线自学习随机配置网络出水氨氮浓度实时预测方法,其特征在于,包括以下步骤:步骤1:水质数据采集与预处理以某污水处理厂进行污水处理时采集的实际水质数据为基础,通过对污水处理过程的出水氨氮进行机理分析,选取
①
温度、
②
pH值、
③
好氧前端溶解氧DO、
④
进水总磷浓度TP、
⑤
厌氧末端氧化还原电位OPR
⑥
出水硝态氮NO3‑
N共6个变量作为出水氨氮NH3‑
N的输入变量,记为X={x
im
|i=1,2,
…
,N,m=1,2,
…
,M,},m为输入特征维数,这里M=6;N为样本个数;X
im
表示为第i个数据的第m个特征;选取出水NH3‑
N浓度作为输出变量,记为Y={y
ik
|i=1,2,
…
,N,k=1,2,
…
,K},k为输出节点数;y
ik
表示第i个样本的第k个输出值;由于采集到的不同水质参数具有不同的量纲,且采集到的不同参数的数据值差别很大,为了消除数据值大小和不同量纲对模型性能的影响,这里对采集到的数据进行归一化操作;将输入变量X和输出变量Y按照如下公式进行归一化处理:将输入变量X和输出变量Y按照如下公式进行归一化处理:将输入变量X和输出变量Y按照如下公式进行归一化处理:X和Y表示经过归一化处理后的数据,其取值范围为[0,1];步骤2:设计基于在线自学习随机配置网络的出水氨氮浓度实时预测模型;步骤2.1:基于系统采集的数据,设置一个固定大小的初始时间窗t0,基于窗口内的数据建立随机配置网络模型;随机配置网络SCN是一个三层前向神经网络,包括输入层、隐含层、输出层;输入层将样本导入网络,包含6个神经元,即;网络初始时隐含层包含1个神经元,用L表示网络隐含层神经元个数,初始时L=1,网络隐含层神经元激活函数采用sigmoid激活函数,即,此时第j个隐节点的输出:其中,<
·
>表示欧式空间的内积运算;w
j
和b
j
是第j个隐含层神经元的输入权值和偏置,其在[
‑
λ,λ]中随机生成为正实数,并受随机配置算法的不等式约束(8)的限制;x
i
表示第i个样本;β
j
是第j个隐藏节点的输出权重向量,当前网络的输出为:当前网络的输出残差为:e
L
=f
‑
f
L
=[e
L,1
,e
L,2
,...,e
L,K
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)若当前网络的输出残差||e
L
||,这里||
·
||指L2范数,即没能满足网络预设的误差容忍要求,即||e
L
||≤e
P
,e
P
为预设容忍误差阈值且设定e
P
=0.001,则该网络会根
据随机配置算法来选出新的个隐含层节点用于网络构建,此时节点数L=L+1,直至满足终止条件||e
L
||≤e
P
或L≥L
max
,L
max
=150为预设最大隐节点数;其中,随机配置算法可简单描述如下:假设Γ:={h1,h2,h3,
…
}表示一组实值函数,span(Γ)表示由Γ组成的函数空间且在L2空间是稠密的;其中为正实数;给定0<r<1以及一个非负实值序列{μ
L
},且μ
L
≤(1
‑
r),.对于L=1,2,...,定义第L个隐节点的误差下降因子δ
L
如下:且生成的隐节点满足条件隐含层和输出层之间的输出权重β
*
通过以下方式计算那么,我们可以得到其中假设t=0的初始训练集为N0为初始样本个数,M,K分别为网络的输入输出维数,基于初始训练集构造了一个具有L个隐藏节点的随机配置网络;此时网络隐含层的输出矩阵H0=[h1,...h
j
,...,h
L
],定义h
j
可通过公式(3
‑
4)计算得出;网络的最优初始输出权值可通过公式(9)计算得出,其矩阵描述如下:其中,分别为隐含层的输出矩阵与目标期望值矩阵,为初始输出权值矩阵;步骤2.2:基于构建的网络对新时间窗t内获取的数据进行测试,计算并记录网络的输出值和输出误差;假设基于历史样本已构建了具有L个隐含层节点的SCNs,新时间窗t内的数据为Xt={x
tm
|m=1,2,
…
,M,t=1,2,
…
,N
t
},Yt={y
t
|t=1,2,
…
,N
t
},N
t
为t时刻窗口内的新样本...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。