[發明專利]一種基于數據離散化的出水總氮智能預測方法

有效

• 申請號: 202210265969.6
• 申請日: 2022-03-17
• 公開（公告）號: CN114626300B
• 公開（公告）日: 2023-05-02
• 發明（設計）人: 韓紅桂;趙子凡;伍小龍;喬俊飛
• 申請（專利權）人: 北京工業大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F18/214;G06F119/02
• 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

1.一種基于數據離散化的出水氨氮智能預測方法，其特點在于，包括以下步驟：

(1)數據離散化：

①初始化離散化樣本迭代次數h＝1，離散化變量迭代次數k＝1，離散化樣本個數閾值T，T的選擇標準為最大樣本程序執行總時間小于15分鐘；

②根據特征變量在水廠數據庫存儲過程中的采樣周期獲得樣本向量，其中進水流量、硝態氮、氧化還原電位、溶解氧、正磷酸鹽和溫度采樣周期為15分鐘，獲得的樣本向量為x₁(d₁),x₂(d₁),x₃(d₁),x₄(d₁),x₅(d₁),x₆(d₁)，進水氨氮和出水氨氮采樣周期為1小時，獲得的樣本向量分別為x₇(d₂),x₈(d₂)，化學需氧量采樣周期為2小時，獲得的樣本向量分別為x₉(d₃),其中d₁,d₂,d₃分別為對應特征變量的離散化間距，輸入數據為X＝[x₁(d₁),x₂(d₁),x₃(d₁),x₄(d₁),x₅(d₁),x₆(d₁),x₇(d₂),x₈(d₂),x₉(d₃)]，計算離散化樣本個數V：

V＝15f₁v₁+60f₂v₂+120f₃v₃???????????????????????(1)

其中，f₁是采樣周期為15分鐘的單一變量包含數據樣本的個數，v₁是采樣周期為15分鐘的變量的個數，f₂是采樣周期為1小時的單一變量包含數據樣本的個數，v₂是采樣周期為1小時的變量的個數，f₃是采樣周期為2小時的單一變量包含數據樣本的個數，v₃是采樣周期為2小時的變量的個數，若VT，則跳轉步驟③；否則令d_e為d_e/5，跳轉步驟③，

③以d_e為時間間隔離散化輸入數據：

其中d_jk是第k個變量的第j個離散化插值數據，x_ik是第k個變量的第i個數據，j＝1,2,…d，e＝1,2,3，若hf_k則迭代次數h加1返回步驟③，否則跳轉步驟④，

④若k9，則迭代次數k加1返回步驟③，否則用離散化后的數據代替原始數據，得到矩陣大小為g×9的離散化輸入數據矩陣D，其中g是離散化后的單一變量包含的數組數，g＝d₁(f₁-1)；

(2)輔助變量選擇：

①初始化標準化迭代次數l＝1，篩選出輔助變量個數r，r＝6,輔助變量個數閾值T_c，T_c的選擇標準為至少有T_c個輔助變量能代表80％的原始數據信息，

②若9T_c，則T_c＝9，跳轉步驟③，否則計算輸入數據的變量與出水氨氮的相關系數：

其中，R_xiy是x_i與出水氨氮之間的相關系數，x_ij是輸入數據中第i個變量的第j個數據，y_j是出水氨氮的第j個數據，i＝1,2,…8，將R_xiy按從大到小順序進行排列，選擇前T_c個變量為輸入數據變量；

③數據標準化：

其中，z_il為D中第l個變量的第i個數據，是D中第l個變量數據的均值，b_l是D中第l個變量數據的標準差，x_il為去量鋼后的標準數據，i＝1,2,…,f₁，若l9，則迭代次數l加1返回步驟②，否則跳轉步驟③，

④計算協方差矩陣C:

其中c_ij是D中第i個變量和第j個變量的協方差，C是由c_ij組成的特征協方差矩陣，E是單位矩陣，i＝1,2,…,9，j＝1,2,...,g，

⑤計算C的特征值λ₁,λ₂,…,λ₉，按從大到小順序進行排列，篩選出前r個最大貢獻度對應的變量作為輔助變量，

其中，λ_i是第i個變量的特征值，w_i是第i個變量的貢獻度，得到輔助變量矩Z＝[z₁,z₂,z₃,…,z_r]；

(3)建立模糊神經網絡預測模型：

①初始化步長迭代次數為b＝1，最大迭代次數為L，L∈[200,300]，

②計算神經網絡隱含層神經元個數Q：

其中α是隨機參數，α∈[2,10]，

③利用模糊神經網絡進行建立，模糊神經網絡的連接方式為r-Q-Q-1，即輸入層r個神經元，隸屬函數層Q個神經元，激活層Q個神經元，輸出層1個神經元,出水氨氮檢測模型的輸入向量為x(n)＝[x₁(n),x₂(n),…,x_m(n),…,x_r(n)]，其中x_m(n)為Z中第m個變量的第n個樣本數值，m＝1,2,…r，n＝1,2,...,g，

輸入層：該層由r個神經元組成，每個神經元的輸出為：

u_m(n)＝x_m(n)???????(8)

其中，u_m(n)為輸入層第m個神經元的輸出值，m＝1,2,…r，

徑向基層：該層由Q個神經元組成，該層輸出表示為：

其中，μ_mp(n)為徑向基層第p個神經元的第m個隸屬度函數的中心，σ_p(n)為徑向基層第p個神經元隸屬度函數的寬度，為徑向基層第p個神經元的輸出值，p＝1,2,…Q，

規則層：該層由Q個神經元組成，該層輸出表示為：

其中，η_q(n)為規則層第q個神經元的輸出值,q＝1,2,…Q，

輸出層：該層由1個神經元組成，該層輸出表示為：

其中，y(n)為模糊神經網絡的預測輸出，w_q(n)為規則層第q個神經元與輸出層神經元之間的連接權值,q＝1,2,…Q，

④參數更新：

其中θ(n)＝[w(n)，c(n)，σ(n)]，w(n)是第n個樣本時刻規則層神經元與輸出層神經元間的連接權值向量，c(n)是第n個樣本時刻模糊神經網絡徑向基層神經元的中心值向量，σ(n)是第n個樣本時刻模糊神經網絡徑向基層神經元的中心寬度值向量，表示為第n個樣本時刻實際測量的出水氨氮濃度和預測出水氨氮濃度的誤差值，是偏導計算符號，a為模糊神經網絡學習率，a∈(0.001,0.1)；

⑤若bL，則迭代次數b加1返回步驟③，否則輸出模糊神經網絡的輸出值y(n)；

(4)出水氨氮濃度檢測：

利用訓練好的出水氨氮檢測模型，以主成分分析選擇出最大的r個w_i對應的變量作為輔助變量的原始測試樣本作為檢測模型的輸入，得到檢測模型輸出的出水氨氮濃度的檢測值。