[發明專利]一種基于改進螢火蟲算法和最小二乘支持向量機的污水節能處理優化控制方法在審
| 申請號： | 201710323347.3 | 申請日： | 2017-05-10 |
| 公開（公告）號： | CN107085372A | 公開（公告）日： | 2017-08-22 |
| 發明（設計）人： | 秦斌;張俊杰;王欣 | 申請（專利權）人： | 湖南工業大學 |
| 主分類號： | G05B13/04 | 分類號： | G05B13/04 |
| 代理公司： | 暫無信息 | 代理人： | 暫無信息 |
| 地址： | 412007 湖*** | 國省代碼： | 湖南;43 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 改進 螢火蟲 算法 最小 支持 向量 污水 節能 處理 優化 控制 方法 | ||
1.一種基于改進螢火蟲算法和最小二乘支持向量機預測模型的污水節能處理控制方法，其特征在于首先用最小二乘支持向量機預測污水處理能耗和出水水質指標預測模型，然后對模型進行優化，最后運用改進的螢火蟲算法對控制器設定的溶解氧濃度，硝態氮濃度的值進行優化，且在實際運行過程中在線訓練模型，包括以下兩階段方案實現：
階段一：基于改進螢火蟲算法和最小二乘支持向量機預測模型建立，包括以下步驟：
步驟A1：將污水處理過程：溶解氧濃度，硝態氮濃度的設定值、進水流量作為模型的輸入，污水處理過程所用能耗和出水水質指標作為模型輸出。收集污水處理廠歷史數據和實驗數據，剔除其中的異常數據，對原始的樣本數據進行歸一化的預處理。
步驟A2：采用多核最小二乘支持向量機建模，確定多核最小二乘支持向量機的核函數及其模型，用改進的螢火蟲算法對多核最小二乘支持向量機參數進行尋優，找到最優的參數組合，對模型進行優化，得到最優模型。
階段二：控制器設定參數在線優化與模型修正，包括以下步驟：
步驟B1：當污水優化控制系統運行時，對控制器設定參數在線優化。以階段一得到的污水處理過程的能耗與水質模型為適應度函數，用改進的螢火蟲算法對溶解氧濃度硝態氮濃度SNO設定值進行在線尋優，滿足終止條件時，輸出最優參數組合。
步驟B2：采集實際運行數據，當模型誤差大于某一閥值，對模型進行在線訓練。否則到達下一優化周期時轉步驟B1。
所述步驟A2，確定多核最小二乘支持向量機的核函數及其模型，用改進的螢火蟲算法對多核最小二乘支持向量機參數進行尋優的具體過程如下：
1)多項式核函數為全局核函數，特點是泛化能力強，但學習能力弱，多項式核函數為：
K1(xi,xj)＝(xixj+1)d(1)
式中d為多項式核函數的階數。
徑向基核函數為局部核函數，特點是具有很好的局部學習能力，但是泛化能力，弱徑向基核函數為：
式中exp是以自然對數e為底的對數，σ為徑向基核函數的核寬度。
根據上述兩個核函數，結合兩種核函數的優點，構造出多核函數，其表達式為：
式中a為權重系數，其它參數同上。以該多核函數作為最小二乘支持向量機的核函數。既能利用徑向基核函數在小范圍內的強擬合性，也能利用多項式核函數在整個數據集中的較強的學習能力，使得模型的精度得到很大提高。
2)確定最小二乘支持向量機的模型，其具體的算法如下：
采用歸一化預處理后的歷史和實驗數據，構成訓練數據得到污水處理樣本集(xi,yi)，其中i＝1,2,…,l，xi為輸入樣本，yi為對應的輸出樣本，l為每一周期輸入數據向量組總個數。建立能耗與出水水質模型，輸入樣本為xi為溶解氧濃度和硝態氮濃度設定值、入水流量，輸出yi為污水處理過程能耗值和出水水質。選擇一個非線性函數φ(x)將輸入樣本映射到高維特征空間F，基于結構風險最小化原則，最小二乘向量機的優化問題描述為求解最優化問題的目標函數，將該問題利用拉格朗日函數進行求解，根據最優條件，將問題轉化為求解如下線性方程組：
式中e＝[1,1,…,1]T；y＝[y1,y2,…,yl]T；α＝[α1,α2,…,αl]T，E為單位矩陣，
定義最小二乘支持向量機的核函數：
Ωij＝K(xi,xj)＝<φ(xi)Tφ(xj)>(5)
式中采用構造的多核函數(3)作為最小二乘向量機的核函數，其中Ωij表示矩陣Ω的第i行和第j列的元素。
3)用改進的螢火蟲算法對多核最小二乘支持向量機參數進行尋優：
由于在最小二乘支持向量機模型中采用了多核函數，因此其模型包含四個重要參數a，γ，σ2和d需要確定，這四個參數對于模型預測具有很大的影響。其中，a為多核函數表達式(3)中的權重系數，γ為懲罰因子，σ2，d為核參數，本發明采用改進的螢火蟲算法對模型的四個參數進行尋優。用最小二乘法求解所述線性方程組(4)，得到支持向量系數α＝[α1,α2,…αl]T，偏參量b，由此可以得出預測模型：
為了評定預測模型的預測效果，引入預測誤差的方差公式：
式中Ji,Qi分別表示預測模型(6)對污水處理過程能耗和出水水質的預測值，分別代表與預測值所對應的能耗和水質的實際值，e所表示的值越小，表示模型精度越高。用污水處理過程的訓練樣本進行模型的訓練，在改進的螢火蟲算法中，螢火蟲個體的適應度函數采用預測誤差的方差公式(7)，對參數組合(a,γ,σ2,d)進行尋優。得到能耗預測模型f1'(x)，出水水質預測模型f2'(x)。
4)對模型中的水質約束條件的處理：采用懲罰函數，將水質約束條件轉化為無約束條件問題，定義懲罰項：
f3(x)＝c1(STN-18)+c2(Scod-100)(8)
式中STN,Scod表示與出水水質模型中對應的的總氮濃度和化學需氧量，單位為mg/l，c1,c2分別表示對應的權重系數，對于出水水質其他的約束條件如氨氮濃度，固體懸浮物濃度，生物需氧量等同樣適用。
將懲罰項加入能耗模型與出水水質性能模型得到：
式中，c為懲罰因子，f1(x),f2(x)分別代表加入了懲罰項的能耗模型與出水水質模型，f1'(x),f2'(x)分別代表未加入了懲罰項能耗模型與出水水質模型。
所述步驟B1用改進的螢火蟲算法對控制器溶解氧濃度硝態氮濃度SNO設定值進行尋優，其具體方法為：
采用階段一優化得到的能耗模型f1(x)，出水水質模型f2(x)為適應度函數，用改進的螢火蟲算法對溶解氧濃度和硝態氮濃度SNO的設定值進行尋優。螢火蟲算法搜索尋優的過程模擬成螢火蟲個體之間相互吸引和位置變換的更新過程。當螢火蟲的發光亮度相同時候，螢火蟲各自隨機移動，當螢火蟲i的相對熒光亮度比j大，代表螢火蟲i的目標函數值更優，吸引螢火蟲j向i移動，跟新自己的位置，其位置更新公式為：
xj(t+1)＝w(t)xj(t)+βij×(xi(t)-xj(t))+ηε(10)
式中t代表迭代次數，xi(t),xj(t)分別代表螢火蟲i和j的位置，η是步長因子，是一個常數值，ε代表隨機因子，w表示的是自適應慣性權重。
其中βij為螢火蟲i對螢火蟲j的吸引力：
式中β為最大吸引力；μ為光強吸收系數；D代表螢火蟲所在位置向量的維數；rij表示螢火蟲i與j之間的距離；xi,k表示螢火蟲i位置向量的第k維分量，xj,k示螢火蟲j位置向量的第k維分量。
通過上式計算得到每個螢火蟲個體的上一輪迭代結束后，適應度值的變化
式中i＝1,2…,N，t≥2；表示螢火蟲i在第t次迭代完成后的適應度值，表示適應度的變化值。當代表迭代向著更好適應度方向，反之，向著更差的適應度方向，因此通過適應度的變化值確定當前迭代中慣性權重的最終取值：
此外，w(t)采用線性化的動態慣性權重值：
其中，Tmax表示最大迭代次數，ωmin表示最小慣性權重值，ωmax表示最大慣性權重值，t表示當前迭代次數。
判斷螢火蟲算法得到的適應度函數的解，是否滿足收斂判據為無窮小，如果滿足，則螢火蟲向著更亮的位置移動，更新螢火蟲的位置；若不收斂，則重復執行上述步驟，直到最大迭代次數。輸出最優參數組合(SNO)。
所述步驟B2模型修正方法如下：
將新采集的實際數據經過預處理后加入到模型訓練數據中，舍棄同樣數量的舊數據，對模型進行在線訓練。具體措施如下：
當在線運行到達更新周期后，使用新采集的數據x(1+j)·l,j＝1,2,…,n，n為更新時間周期數時，其中l為每一周期采集的數據向量組的總個數，舍棄老數據xj·l，加入訓練數據，η為一預先確定的正數，當預測模型誤差的方差和啟動更新后窗口數據對支持向量機訓練，從而完成模型的在線更新和校正。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于湖南工業大學，未經湖南工業大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201710323347.3/1.html，轉載請聲明來源鉆瓜專利網。
