[發明專利]一種基于優化BP神經網絡的DO預測模型建立方法

有效

• 申請號: 201710402265.8
• 申請日: 2017-06-01
• 公開（公告）號: CN107358021B
• 公開（公告）日: 2020-07-28
• 發明（設計）人: 李繼庚;張維;蔡威;滿奕;張燕忠;劉煥彬
• 申請（專利權）人: 華南理工大學
• 主分類號: G16C20/10
• 分類號: G16C20/10;G06N3/04;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李斌

1.一種基于優化BP神經網絡的DO預測模型建立方法，其特征在于，包括以下步驟：

S1、基于曝氣池DO預測這一目標進行變量選取；

步驟S1中對采集得到的污水處理廠污水處理相關過程的因素變量進行分析，結合污水處理廠實際情況采集變量數據，通過相關性分析得到各因素變量與曝氣池DO之間的相關性，選取與曝氣池DO相關性在一定閾值以上的因素變量，所述因素變量包括進水量、曝氣池曝氣量、曝氣池液位和曝氣池污泥濃度，采用皮爾遜相關系數進行相關性分析；

探索步驟S1中選取的對曝氣池DO影響顯著的各因素變量與曝氣池DO的時序滯后關系，進行變量滯后期數的選取，通過選取某一時段的DO的時序數據作為基準數據，結合A2O工藝進水到曝氣池的水里停留時間，進行不同變量的不同滯后期數與所選DO基準的時序數據進行相關性的分析，得到對所選DO期數影響最大的不同變量的滯后期數作為DO預測模型的輸入變量；

S2、對數據進行預處理，所述數據預處理包括：數據序列臟數據的清洗、異常數據的剔除、數據濾波與集成和標準化處理，并采用異常數據先剔除后填補的方式，所述異常數據的剔除采用拉依達法則進行異常值的判斷，然后利用局部均值替換，對單點異常的數據，采用局部數值填充，對時段性異常的數據，先剔除異常時段的數值，用零值替換，然后利用局部均值進行填補；

S3、建立曝氣池DO的初始預測模型并利用建模數據訓練網絡模型得到初步建立的DO預測模型，然后進行模型預測效果的分析；

S4、對初步建立的DO預測模型進行參數、結構的逐一優化然后利用思維進化算法優化BP網絡的初始權、閾值，得到優化的預測模型；

步驟S4中對初步建立的DO預測模型進行參數、結構的逐一優化，包括對隱含層神經元個數、神經網絡的訓練次數、隱含層的激勵函數、網絡模型建立的樣本數量的優化，所述初步建立的DO預測模型輸入層采用由選取的進水量、曝氣池曝氣量、曝氣池液位和曝氣池污泥濃度變量組成的4個神經元，所述隱含層神經元個數參數優化后設為9個，所述隱含層的激勵函數在參數優化后采用tansig函數；

S5、得到優化DO預測模型后，利用測試樣本進行數據預測，評價優化模型的預測精度和預測性能。

2.根據權利要求1所述的DO預測模型建立方法，其特征在于，曝氣池DO的初始預測模型選取經典的三層BP神經網絡結構，BP網絡每一層的狀態只影響下一層神經元的狀態，其中隱含層和輸出層的激勵函數初步選取雙曲正弦Sigmoid函數和線性函數Purelin函數，學習算法選擇動量梯度下降算法函數traingdm。

3.根據權利要求1所述的DO預測模型建立方法，其特征在于，步驟S3中進行模型預測效果的分析：將預測模型得出的DO的預測值和實際值進行比較，分析預測結果，然后根據BP網絡預測精度的評價指標進行模型預測效果的分析，模型預測效果的評價指標：選取誤差平方和SSE和識別率DR作為標準進行模型的分析和評價；

誤差平方和的表達式如下：

式中，y_i為預測模型的期望輸出，y_oi則為預測模型的實際輸出；

而識別率的表達式為：

DR＝m/n×100％

其中，m為滿足相對的預測誤差|(y_i-y_oi)/y_i|×100％＜5％的實際輸出的個數，n為預測樣本的數目。

4.根據權利要求1所述的DO預測模型建立方法，其特征在于，對模型的不同優化，需要在前一優化步驟的基礎上進行。

5.根據權利要求1所述的DO預測模型建立方法，其特征在于，步驟S4中利用思維進化算法優化BP網絡的初始權、閾值，包括：

將BP網絡模型進行參數、結構的逐一優化得出的結構參數傳遞給思維進化優化算法,通過設定期望的預測要求為思維進化算法優化目標的判斷準則,得到算法運行的優化結果；

然后，將算法得到的優化結果作為BP網絡的初始權、閾值，再次進行網絡的訓練，直到得到滿足優化條件的基于BP神經網絡的DO預測模型。