[发明专利]一种废水处理进水水质时序变化智能预测方法

说明书

本发明公开了一种废水处理进水水质时序变化智能预测方法，包括：(1)通过小波变换对时序序列参数进行分解，重构分解系数得到近似部分序列和细节部分序列；(2)采用模糊理论改进的马尔科夫链法，对历史数据序列水质参数进行模拟状态划分，构建模糊可能性组成的状态转移矩阵；(3)将小波变换得到的各个序列分别按照模糊马尔科夫链法进行建模进行预测；(4)将近似部分序列和细节部分序列在未来时段的预测值输入到采用遗传算法进行优化的神经网络。本发明所提出的方法能够快速、准确地获得废水处理BOD的浓度，准确掌握进水水质负荷对系统的影响及进水水质时序变化规律，提高废水处理的质量和效率，保证过程安全稳定运行。

技术领域

本发明涉及废水处理技术领域，尤其涉及一种废水处理进水水质时序变化智能预测方法。

背景技术

在城市污水处理过程中，不但要对关键水质参数进行及时准确的测量，同时还要保证废水处理系统的可靠性和稳定性。然而，由于城市排水系统是一个复杂的非线性系统，污水厂进水BOD(Biochemical Oxygen Demand，生物化学需氧量)的变化具有较大的随机特征，同时，由于影响进水水质的因素较多，各因素与水质之间的关系复杂多样，在对其进行测量时难以进行在线实时检测或检测时间严重滞后，严重影响了废水处理过程的稳定运行。而基于神经网络的BOD智能检测方法有利于及时准确地掌握其变化规律，极大提高废水处理效果，并降低运行成本。

目前废水处理厂多通过使用稀释接种法、微生物传感器快速测定法测定不同类型水中的BOD，上述方法分析测定周期一般为5天，不能及时反映废水处理实际情况，不能实现BOD的实时测量，直接导致废水处理过程难以实现闭环控制。另外，通过研制新型硬件形式的过程测量仪表来测量，虽然可以直接解决各种废水处理过程变量及水质参数的检测问题，但由于废水中有机物非常复杂，研发这些传感器将是一个耗资大、历时长的工程。因此，有必要寻求可靠的数学模型预测方法以便于及时准确地把握进水BOD的变化规律，解决BOD检测中数学建模困难、过程参数时变等问题，已成为废水处理控制工程领域研究的重要课题，并且具有重要的现实意义以及广阔的应用前景。

发明内容

本发明的目的在于克服现有技术的不足，提供一种废水处理进水水质时序变化智能预测方法。本发明以水质历史数据时间序列为基础，通过数学建模及时准确地预测进水BOD的变化规律，实现了BOD的间接短期在线预测，为最终的控制分析提供可靠的进水质量指标结果。本发明能够极大地提高废水处理效果，降低运行成本，为废水高效处理及调配提供参考。

本发明的目的能够通过以下技术方案实现：

一种废水处理进水水质时序变化智能预测方法，具体步骤包括：

(1)通过小波变换对作为参数的BOD历史数据时间序列进行分解，重构分解系数得到近似部分序列和细节部分序列；

(2)采用模糊理论改进的马尔科夫链法，在设定模糊状态划分数目和模糊隶属度函数的条件下，对BOD历史数据序列参数进行模拟状态划分，构建模糊可能性组成的状态转移矩阵；

(3)将进行小波变换分解重构后得到的近似部分序列和细节部分序列分别按照模糊马尔科夫链法进行建模，从而进行预测；

(4)将近似部分序列和细节部分序列在未来时段的预测值输入到采用遗传算法进行优化的神经网络，神经网络的输出值即为生化需氧量值。

小波变换为一种时间和频率的局域变换，通过变换能有效地从信号中提取信息，利用伸缩和平移等运算功能对函数和信号进行多尺度细化分析，解决了其他变换所不能解决的问题。小波变换的实质是将信号分解为不同频带上的自信号，即将函数分解为近似分量和细节分量的过程。近似分量代表的是原始信号变化的基本趋势，即低频部分，细节分量描述的是信号的高频部分。通过小波变换将进水BOD历史数据时间序列分解为一组子序列，得到的子序列比BOD历史数据时间序列具有更好的行为特性。