[發明專利]一種基于粒子群算法和支持向量機的廢水厭氧處理系統出水揮發性脂肪酸的軟測量方法

有效

• 申請號: 201710250802.1
• 申請日: 2017-04-14
• 公開（公告）號: CN107132325B
• 公開（公告）日: 2019-07-16
• 發明（設計）人: 馬邕文;萬金泉;劉林;王艷;關澤宇;閆志成
• 申請（專利權）人: 華南理工大學
• 主分類號: G01N33/18
• 分類號: G01N33/18;G06N3/00;G06K9/62
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 何淑珍

本發明公開了一種基于粒子群算法和支持向量機的廢水厭氧處理系統出水揮發性脂肪酸的軟測量方法。為了提高模型的精確性和魯棒性，該檢測方法結合了粒子群算法和支持向量機。本發明的軟測量方法解決了測量設備滯后時間長的問題，真正實現對廢水出水水質全面實時的監測，防止突發污染事故，同時可用于反饋控制實現厭氧廢水處理系統的優化控制，為監控、優化和理解厭氧消化過程提供指導，可用于代替部分價格昂貴的測量設備，節省維護費用，降低廢水處理成本，容易在廢水處理工程推廣應用，具有很好的社會效益和經濟效益。

技術領域

本發明涉及廢水處理技術領域，具體涉及一種厭氧廢水處理系統出水揮發性脂肪酸的軟測量方法。

背景技術

隨著我國經濟發展和工業化進程的加快，我國的廢水排放量逐年增加，水污染控制任重而道遠。厭氧生物處理工藝具有動力消耗小、污泥產量少、對氮和磷的需要量低，可減少補充氮和磷營養的費用、厭氧消化可產生生物能等優點，使得厭氧生物處理在工業廢水處理中越來越重要，運用也越來越廣泛。然而，厭氧消化過程是一個極其復雜、非線性、極具不確定的生化過程。一方面，厭氧微生物對包括三氯苯酚等有毒有機物較為敏感，若對于有毒廢水性質了解不足或操作不當，在嚴重情況下可能導致反應器運行條件的惡化；另一方面，厭氧生物處理的效果容易受到操作條件變化的擾動，厭氧微生物(特別是產甲烷菌)對環境條件要求比較苛刻。當進水負荷突然增高或水溫、堿度過低時，水解酸化過程與甲烷化過程容易失衡，從而導致有機酸大量積累、厭氧甲烷化受到抑制甚至厭氧體系崩潰。

由于厭氧消化體系的復雜性和易受運行條件的擾動的特點，厭氧消化過程的監控和水質參數的分析對于保證厭氧生物處理工藝的穩定性、高效性極為重要。然而，我國大部分廢水處理廠在處理廢水過程中大多靠人工化驗來確定這些參數，人工化驗不僅費時費力，還耗費了大量化學品，增加了污染物的排放量，嚴重影響了廢水處理工藝的控制效果。雖然，由于近年儀表技術的發展，出現了可以在線測量這些廢水水質的分析儀表，但這些專用儀表在我國發展比較晚，通常選用國外產品；同時，專用儀表普遍存在價格昂貴、設備投資和運行維護成本高、檢測滯后時間長、穩定性不好和重復性差等問題，從而降低了重要參數的控制品質，這使其應用受到了進一步的限制。

近年來，基于人工神經網絡、數理統計學等的軟測量技術在廢水處理過程中的應用越來越廣。軟測量模型適用于非線性系統建模，可以應用快速并行處理算法從而大大提高辨識速度。用于系統建模的方法很簡單，只需通過系統的輸入和輸出數據，使系統對于水質變化頻繁的廢水生物處理仍然具有比較好的精度。近些年來，科研工作者對軟測量建模技術以及其運用的研究和實踐，特別是最近一兩年人工智能算法和在各領域的運用逐漸成為研究熱點，通過軟測量技術構建的軟測量系統逐步可以用來代替傳統硬件儀表，也可以與硬件儀表同時使用以確保測量的準確性。

支持向量機(Support Vector Machine，SVM)是近年來機器學習領域中受到關注較多的一種軟測量建模新技術，SVM基于統計學原理，相比神經網絡的啟發式學習機制，SVM的經驗成分甚少，具有更為嚴格的數學論證。同時，SVM對于所提供的樣本數據的依賴性較少，且泛化能力較強，局部最優解一定是全局最優解，避免了產生維數災難，特別適用于解決小樣本、非線性、局部極小點等問題。目前，針對揮發性脂肪酸的檢測，研究人員提出了很多方法，基于支持向量機的厭氧廢水處理系統出水揮發性脂肪酸的軟測量方法也有相關的文獻及專利報道。如劉博等提出一種基于PCA-LSSVM的厭氧廢水處理系統出水VFA在線預測模型，仿真結果表明在穩態環境下該模型具有很好的仿真能力(劉博，萬金泉，黃明智等.基于PCA-LSSVM的厭氧廢水處理系統出水VFA在線預測模型.[J].環境科學學報，35(6):1768-1778.)。然而，從這些文獻中可知，元數據集加入非穩態數據后，模型在非穩態環境下的仿真表現會受到干擾。

發明內容

本發明的目的是提供一種廢水厭氧處理系統出水揮發性脂肪酸(VFA)的軟測量方法，為了提高模型的精確性和魯棒性，該檢測方法結合了粒子群算法和支持向量機。