[發明專利]污水處理出水TP區間預測方法

在審

• 申請號: 201810596869.5
• 申請日: 2018-06-11
• 公開（公告）號: CN108898220A
• 公開（公告）日: 2018-11-27
• 發明（設計）人: 柴偉;郭龍航;池彬彬;紀鎬南
• 申請（專利權）人: 北京工業大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06Q10/04
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 劉萍

本發明涉及污水處理出水TP區間預測方法，利用集員辨識和神經網絡相結合的思想基于采集到的數據進行建模，并給出輸出變量出水TP的區間估計。本方法有兩個部分：利用RBF神經網絡對輸入輸出數據進行建模以及采用參數線性集員辨識算法得到網絡輸出權值的集合描述。其一，利用RBF神經網絡的逼近能力，將其用于污水處理出水總磷的軟測量建模；其二，RBF神經網絡的中心和寬度被確定后，考慮到建模誤差的有界性，采用參數線性集員辨識算法得到網絡輸出權值的集合描述，從而得到出水總磷的可靠區間估計。本發明給出了一種新的軟測量方法，可以計算出水總磷的置信區間，從而實現對水質指標的可靠檢測。

技術領域

本發明是為了尋找出水TP的有效測量方法，利用集員辨識和神經網絡相結合的思想基于采集到的數據進行建模，并給出輸出變量出水TP的區間估計。集員辨識在近幾年已經得到廣泛應用，其與神經網絡相結合，已經在軟測量技術、信號處理、魯棒控制及故障檢測等方面得到驗證，并有了很大發展。

背景技術

隨著中國水環境問題的日益突出，污水處理作為保護環境的重要措施，也越來越受到社會的廣泛關注，出水TP反映了水體富營養化的問題，是評價水質的重要指標，因此，對污水處理過程中TP的含量進行實時、準確的監測尤為重要。另外，污水處理過程具有機理復雜、強非線性和高度不確定性的特點，因而用基于生化反應機理建立軟測量模型的傳統方法效果欠佳。而近些年來，傳統的神經網絡憑借其良好的逼近能力被廣泛應用于污水處理出水TP軟測量建模中，尤其是RBF神經網絡、BP網絡、T-S模糊神經網絡等。然而，這些方法大都是獲得一個單一值預測出水指標的濃度，并未曾給出評估真實值和預測值之間偏差(即預測誤差)的有效辦法，即便是采用均方根誤差(RMSE)來評價神經網絡的建模精度，也不能直接得出各個時刻的預測誤差。目前，圍繞污水處理區間預測模型開展研究的工作并不多見。

系統辨識理論中的區間預測方法有很多，其主要有兩大類。一類方法基于隨機誤差假設，如最小二乘法或極大似然法，要求誤差的統計特性已知或部分已知，然后通過概率論給出被估計量的置信區間。另一類方法基于有界誤差假設，如集員辨識，只要求誤差有界而不需要知道其統計特性，然后通過集理論給出被估計量的置信區間。在實際應用中，誤差的統計特性難以獲得，此時第一類方法給出的置信區間不一定可靠，為此，基于有界誤差假設，給出一種新的出水TP的軟測量方法，以實現其保證估計。利用徑向基函數(RBF)神經網絡的逼近能力，將其應用于污水處理出水TP軟測量建模。同時，徑向基函數神經網絡的中心和寬度被確定后，考慮到建模誤差有界，使用參數線性集員辨識算法得到網絡輸出權值的集合描述。在污水處理系統運行過程中，所建立好的軟測量模型可以預測出水TP的上下界。此外，本文建立多個軟測量模型，并將多模型測量結果進行融合以降低單一模型所給結果的保守性。

發明內容

1、基于RBF神經網絡與集員辨識相結合的出水總磷的區間估計共包括兩個部分：利用RBF神經網絡基于輸入輸出數據進行建模以及采用參數線性集員辨識算法得到網絡輸出權值的集合描述；輔助變量選用進水總磷濃度TP、溫度T、溶解氧濃度DO、總懸浮顆粒濃度TSS和氫離子濃度指數pH，將它們作為神經網絡的輸入，待預測的主導變量為出水總磷濃度TP，將其作為神經網絡的輸出，以實現對出水總磷濃度TP的軟測量建模；

1)RBF神經網絡模型

RBF神經網絡因為其簡單的拓撲結構和強大的逼近能力，在軟測量建模中得到了廣泛的應用；RBF神經網絡包括輸入層、隱含層和輸出層，表示為：

式中：x∈R^Q和y∈R分別為網絡的輸入和輸出，在軟測量模型中分別代表輔助變量和出水總磷，R表示實數，Q表示輔助變量的個數，R^Q表示Q維的實數向量；g_i(x,σ,c_i)為神經網絡第i個隱層節點的輸出，c_i∈R^Q和σ∈R分別為隱含層的中心和寬度；w_i∈R為線性輸出權值，p為隱含層節點的個數；RBF神經網絡隱含層的基函數為：