[發明專利]基于儲備池網絡的污水處理出水總磷TP軟測量方法

有效

• 申請號: 201710690543.4
• 申請日: 2017-08-14
• 公開（公告）號: CN107247888B
• 公開（公告）日: 2020-09-15
• 發明（設計）人: 劉富;李丁園;姜守坤;侯濤;康冰
• 申請（專利權）人: 吉林大學
• 主分類號: G16C20/30
• 分類號: G16C20/30;G16C20/70
• 代理公司: 長春吉大專利代理有限責任公司 22201
• 代理人: 王壽珍

1.基于儲備池網絡的污水處理出水總磷TP軟測量方法，其特征在于，包括以下步驟：

第一步：數據預處理及輔助變量的確定

采集污水處理廠實際水質參數數據，對數據進行預處理，通過主成分分析選取與出水總磷TP相關性強的輔助變量，最終選取進水總磷TP、出水溫度T、好氧前段溶解氧DO、入水油類，出水油類，以及出水氨氮NH₄-N作為出水總磷TP測量的輔助變量，即軟測量模型的輸入變量；

第二步：設計基于貢獻率的儲備池網絡結構優化算法

通過計算儲備池神經元對網絡輸出的信息貢獻程度，評價儲備池神經元的貢獻度；根據儲備池神經元的貢獻度優化網絡結構，提高網絡的泛化能力，所以，設計有效的儲備池網絡結構優化算法可以保證基于儲備池網絡建立的出水總磷TP軟測量模型預測的準確性，提高對污水處理過程中復雜動態問題的適應能力；

1)構建一個儲備池規模為N的儲備池網絡，網絡通過儲備池把輸入數據轉換到高維狀態空間，且每一維對最終輸出的貢獻都不一樣，為了分析儲備池神經元的貢獻度，首先定義兩個神經元X和Y間信息連接強度函數：

IC(X；Y)＝H(X)+H(Y)-H(X,Y) (1)

其中，H(X)為神經元X的熵，H(Y)為神經元Y的熵，分別描述了神經元X，Y所包含的信息量；H(X,Y)為神經元X和Y的聯合熵，描述了兩個神經元間共有的信息量；

依據Shannon熵定義，H(X)、H(Y)和H(X,Y)可由式(2)-(4)計算：

H(X)＝-∑_x∈Xρ(x)logρ(x) (2)

H(Y)＝-∑_y∈Yρ(y)logρ(y) (3)

則公式(1)可以寫成：

針對于第i個儲備池神經元的貢獻度進行評定，貢獻度較小的輸出連接權值將被修剪；第i個儲備池神經元的貢獻度C_i表示如下：

其中,ρ(x)、ρ(y)分別表示神經元X和神經元Y的邊緣概率密度；ρ(x,y)表示神經元X和Y的聯合概率密度；ρ_X(x)和ρ_Y(y)與ρ(x)和ρ(y)是相同定義，分別表示神經元X和神經元Y的邊緣概率密度；m_i表示第i個儲備池神經元對網絡輸出的信息貢獻程度，N為儲備池神經元總個數，具體計算公式如下：

其中，I(x_i,y)表示第i個儲備池神經元x_i與神經元Y間信息連接強度；

2)將第i個儲備池神經元貢獻度C_i與設定的修剪閾值ρ進行對比，判斷是否修剪第i個儲備池神經元的輸出連接權值，具體的修剪判別機制如下：

其中，w_i為第i個儲備池神經元的輸出連接權值，w_i′為修剪后的第i個儲備池神經元的輸出連接權值，ρ為修剪閾值，ρ為常數，0≤ρ1；通過設定修剪閾值，修剪貢獻度較小的儲備池神經元的輸出連接權值，保留剩余輸出連接權值；

第三步：建立出水總磷TP軟測量的儲備池網絡模型

1)初始化儲備池網絡；儲備池網絡由輸入層，儲備池和輸出層三部分組成，其中輸入層神經元個數為K，儲備池神經元個數為N，輸出層神經元的個數為L，K，N和L為正整數；初始化網絡輸入矩陣Wⁱⁿ，反饋矩陣W^back和儲備池內部連接權值矩陣W，為了保證儲備池豐富的動態特性，儲備池內部連接權值矩陣W的譜半徑小于1；

2)將N_s個訓練樣本輸入到儲備池網絡中，對網絡進行訓練；儲備池網絡的狀態變量表示為x_l，l＝1,2,...100，根據公式(9)對狀態變量進行更新

x(n)＝f(Wⁱⁿu(n)+Wx(n-1)+W^backy(n)) (9)

其中，f(·)為儲備池狀態變量的激活函數，u(n)表示輸入變量，n＝1,2,...N_s,并收集儲備池網絡的狀態變量，生成狀態矩陣M：

計算儲備池網絡的輸出變量y(n)，具體的計算公式如下：

y(n)＝f^out(W^outx(n)) (11)

其中，f^out(·)為網絡輸出的激活函數，n＝1,2,...N_s

3)分別計算網絡的輸出連接權值W^out和網絡的檢驗誤差E^v，計算公式如下：

W_out＝M⁺Y (12)

其中，M⁺表示狀態矩陣M的Moore-Penrose逆矩陣；Y＝[y(1),y(2),…,y(N_s)]^T是儲備池網絡的輸出，d(n)是目標輸出變量，表示出水總磷TP真實值，y(n)是儲備池網絡的輸出變量，表示儲備池網絡對出水總磷TP預測值；

4)優化儲備池網絡結構

根據公式(1)-(7)計算儲備池內每一個神經元的貢獻度，并根據公式(8)的修剪判別機制，修剪貢獻度較小的儲備池神經元的輸出連接權值，得到優化后儲備池網絡的狀態矩陣M_c＝[x₁,x₂,…,x_lprune],其中lprune為修剪后剩余的儲備池神經元個數；

5)根據公式(12)對優化后儲備池網絡的輸出連接權值進行調整，并根據公式(13)計算優化后網絡的檢驗誤差修剪終止條件如下：

其中，E_s表示優化前后網絡檢驗誤差的差值；若E_s≤0繼續調整儲備池網絡結構，否則網絡結構調整結束，得到最終的建立出水總磷TP軟測量的儲備池網絡模型；

第四步：用測試數據對儲備池網絡進行測試

將測試樣本中輔助變量數據作為訓練好的基于貢獻度優化后儲備池網絡的輸入，網絡的輸出即為出水總磷TP的預測結果。