【技术实现步骤摘要】
本专利技术属于人工智能赋能智慧水处理，具体涉及一种事件触发的污水处理过程硝态氮浓度预测控制方法。
技术介绍
1、在污水处理过程中，衡量运行性能优劣的重要指标是出水水质状态，一个运行良好的污水处理系统，必须具有稳定、达标的出水水质，其中硝态氮浓度是需要重点关注的水质参数。然而，实际污水处理过程是一个具有强非线性、强耦合性、事件驱动性等特点的复杂动态系统，涉及化学、物理、生物反应交互发生。因此，实现对污水处理过程出水硝态氮浓度的预测控制是一项具有挑战性的难题。
技术实现思路
1、本专利技术针对污水处理过程出水水质不稳定、难以控制的问题，提出了一种事件触发的污水处理过程硝态氮浓度预测控制方法。首先，设计一个事件触发的硝态氮浓度预测模型，用来建模、预测硝态氮浓度的变化特性。其次，根据预测模型对硝态氮浓度的一步预测输出结果，构造基于二次优化函数的硝态氮控制律最优求解问题，形成模型预测控制框架。最后，基于实际污水处理厂运行过程中的硝态氮数据，对所提预测控制方法进行测试、分析与优化，进而实现对污水处理过程硝态氮浓度的控制。本专利技术利用事件触发的方式精确地建模、预测污水处理过程硝态氮状态，并根据预测值构造模型预测控制方法，提高了污水处理过程水质状态的控制精度，为污水处理厂优化运行和低碳减排提供技术支撑。
2、为实现上述目的，本专利技术提供了如下方案：一种事件触发的污水处理过程硝态氮浓度预测控制方法，包括以下步骤：
3、步骤s1：采集污水处理站实际的运行数据，所述运行数据包
4、步骤s2：采用所述深度信念网络模型训练误差的变化趋势和特性定义事件，构建事件触发的所述深度信念网络模型的参数更新模型；
5、步骤s3：以事件触发的所述深度信念网络模型的输出和控制律为自变量，构建基于目标水质跟踪误差的损失函数，并基于所述损失函数求解最优控制律；进而得到事件触发的预测控制模型；
6、步骤s4：采用评估性能指标对硝态氮浓度的所述预测控制模型进行评价。
7、进一步优选地，步骤s1中，所述关联变量包括：总磷浓度、生化需氧量浓度、氨氮浓度、磷酸盐浓度、固体悬浮物浓度、污泥沉降体积、化学需氧量以及水温。
8、进一步优选地，所述深度信念网络模型由若干个顺序堆叠的受限玻尔兹曼机构成；
9、所述受限玻尔兹曼机的训练过程为所述受限玻尔兹曼机的权值参数初始化和有监督学习的过程；所述受限玻尔兹曼机的训练过程的等效映射关系表示为：
10、
11、式中，x和w分别表示输入和权值参数；h表示从输入数据中提取的特征向量；γ()为表征硝态氮浓度与关联变量之间的非线性映射关系的函数；表示预测硝态氮浓度；
12、在给定第一个受限玻尔兹曼机时，第一个受限玻尔兹曼机的初始权值参数ω1(t)的更新公式如下：
13、ω1(t+1)＝ω1(t)-γδω1(t)，
14、其中，
15、式中，γ表示初始权值参数无监督学习的学习率；e(xihj)和分别表示受限玻尔兹曼机输入层和隐含层的初始状态和平衡状态；t表示训练数据流标号；
16、在初始权值参数的基础上，通过有监督学习获得权值参数的最优值：
17、
18、其中，
19、式中，y(t)和η分别表示期望输出和权值参数有监督学习的学习率；ω*表示最优初始权值参数。
20、进一步优选地，步骤s2中，误差的变化趋势的参量包括：
21、ελ(t)＝e(t)-e(t-λ)，
22、
23、式中，λ表示滞后因子；
24、特性定义事件包括：
25、
26、式中，e1、e2、e3、e4分别表示四种事件，事件e1表示训练误差越来越小，且下降趋势越来越明显；事件e2表示训练误差越来越小，且下降趋势越来越趋缓；事件e3表示训练误差越来越大，且上升趋势越来越明显；事件e4表示训练误差及其下降趋势变化不规律；表示基于训练误差的状态；
27、不同事件被触发时，所述事件触发的深度信念网络模型的所述参数更新模型包括：
28、
29、w(t+1)＝w(t),otherwise，
30、式中，0＜η2＜η1＜1表示不同学习策略下的学习率。
31、进一步优选地，步骤s3中的所述损失函数包括：
32、
33、其中，δu(t)＝u(t+1)-u(t)，|δu(t)|≤δumax，
34、式中，hp和hu分别表示预测范围和控制范围；i表示在预测范围内求和的顺序标号；j表示在控制范围内求和的顺序标号；上标t表示矩阵转置；r()表示硝态氮期望浓度；表示预测硝态氮浓度；u()表示控制变量；gi和hj表示两个二次型常数矩阵；δumax是控制律增量上限值。
35、进一步优选地，步骤s3中的所述最优控制律采用梯度下降算法求解：
36、
37、式中，κ表示优化求解过程的学习率；
38、所述最优控制律的序列表示为：
39、
40、式中，g和h分别表示预测项和控制项的二次型系数。
41、进一步优选地，步骤s4中的所述评估指标包括：
42、
43、式中，td-t0表示样数据流的宽度；r()表示硝态氮期望浓度；表示预测硝态氮浓度。
44、与现有技术相比，本专利技术的有益效果为：
45、(1)本专利技术针对污水处理过程出水水质不稳定、工况多变的问题，提出了一种事件触发污水处理过程出水水质状态逼近与预测模型。事件触发的水质逼近与预测模型能够根据训练误差的变化趋势和特性定义事件，并以事件跳变特性表征水水质状态的非平稳性和多工况性，从而实现在非平稳状态下对水质状态的精确建模与预测。
46、(2)本专利技术针对非平稳运行状态下水质难以精确控制的问题，提出了一种基于事件触发模型的预测控制框架。与现有水质状态调控方法相比，事件触发的模型预测控制不仅能够在精确地水质预测信息和控制律之间建立动力学关系，还能以滚动优化的形式动态求解控制律序列，进而实现对水质状态的精确跟踪与控制。
本文档来自技高网...【技术保护点】
1.一种事件触发的污水处理过程硝态氮浓度预测控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种事件触发的污水处理过程硝态氮浓度预测控制方法，其特征在于，步骤S1中，所述关联变量包括：总磷浓度、生化需氧量浓度、氨氮浓度、磷酸盐浓度、固体悬浮物浓度、污泥沉降体积、化学需氧量以及水温。
3.根据权利要求1所述一种事件触发的污水处理过程硝态氮浓度预测控制方法，其特征在于，所述深度信念网络模型由若干个顺序堆叠的受限玻尔兹曼机构成；
4.根据权利要求3所述一种事件触发的污水处理过程硝态氮浓度预测控制方法，其特征在于，步骤S2中，误差的变化趋势的参量包括：
5.根据权利要求1所述一种事件触发的污水处理过程硝态氮浓度预测控制方法，其特征在于，步骤S3中的所述损失函数包括：
6.根据权利要求5所述一种事件触发的污水处理过程硝态氮浓度预测控制方法，其特征在于，步骤S3中的所述最优控制律采用梯度下降算法求解：
7.根据权利要求1所述一种事件触发的污水处理过程硝态氮浓度预测控制方法，其特征在于，步骤S4中的所述评估指标
...【技术特征摘要】
1.一种事件触发的污水处理过程硝态氮浓度预测控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种事件触发的污水处理过程硝态氮浓度预测控制方法，其特征在于，步骤s1中，所述关联变量包括：总磷浓度、生化需氧量浓度、氨氮浓度、磷酸盐浓度、固体悬浮物浓度、污泥沉降体积、化学需氧量以及水温。
3.根据权利要求1所述一种事件触发的污水处理过程硝态氮浓度预测控制方法，其特征在于，所述深度信念网络模型由若干个顺序堆叠的受限玻尔兹曼机构成；
4.根据权利要求3所述一...
【专利技术属性】
技术研发人员：王功明，李欣怡，陈红，韩红桂，乔俊飞，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：
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。