[发明专利]一种基于MIC及RBFNN的出水BOD浓度软测量方法

说明书

本发明公开了一种基于MIC及RBFNN的出水BOD浓度软测量方法，针对当前污水处理过程出水BOD浓度测量过程等待时间长、仪器设备造价高、软测量硬件需要单独开发部署和维护等问题，基于污水处理生化反应特性，利用基于最大信息数和径向基函数神经网络实现对关键水质参数出水BOD浓度的软测量，解决了出水BOD浓度难以测量的问题以及软测量硬件需要单独开发与部署的问题；结果表明该径向基函数神经网络能够在一定程度上准确地预测污水处理出水BOD的浓度，有利于提升污水处理过程出水BOD的浓度质量监控水平。

技术领域

本发明根据污水处理生化反应特性，使用一种基于最大信息数(MaximumInformation Coefficient,MIC)和径向基函数神经网络(Radial Basis Function NeuralNetwork,RBFNN)实现对污水处理过程关键水质参数BOD浓度的预测，出水BOD浓度是表征水体污染和污水处理程度的重要参数，对环境有着重要影响。实现出水BOD浓度的在线预测是污水处理的重要环节，属于人工智能领域和污水处理领域。

背景技术

城市污水处理过程是一个复杂的、大滞后的生物化学反应过程,具有多样性、随机性、不确定性、强耦合性、高度非线性、大时变等特征,其关键水质参数的检测和控制是污水处理厂稳定、高效运行的重要前提。

出水BOD是描述污水特征的关键参数之一，是作为污水处理衡量总体性能的一个重要指标。然而传统出水BOD检测技术是离线的，需要几天才能获得测量值，并且污水处理过程具较强的有非线性、时变性等特点，使得BOD具有难以准确测量的特点。

出水BOD浓度可以通过人工化验法获得，人工化验法操作繁琐，从取样到化验耗时较长，需要5天，人工化验的时滞会严重影响污水处理效果，易造成二次污染。与人工取样化验法相比，在线检测仪表能缩短检测时间，避免人工操作带来的偶然误差，但购买与维护成本却十分昂贵。

为了快速、准确地测量出水BOD浓度，许多学者提出了软测量的方法。软测量技术就是利用易测过程变量与难以直接测量的待测变量之间建立数学关系，通过各种数学计算和估计方法，从而实现对待测过程变量的测量。软测量能够测量目前由于技术或经济原因无法或难以用传感器直接检测的变量。

基于此，本发明设计了一种基于最大信息数和径向基函数神经网络的出水BOD浓度软测量方法，实现出水BOD浓度的在线预测。

发明内容

本发明设计了一种基于最大信息数和径向基函数神经网络的出水BOD浓度预测方法，使用污水处理厂的生产数据对径向基函数神经网络进行训练，校正网络的参数，实现了出水BOD浓度的实时测量，解决了污水处理过程出水BOD浓度难以实时测量的问题，降低了污水处理的生产成本；

本发明采用了如下的技术方案为一种基于最大信息数及径向基函数神经网络的出水BOD浓度预测方法，包括以下步骤：

步骤1、确定辅助变量：采用最大信息系数(MIC)对采集到的污水处理厂实际水质参数原始数据进行相关性分析，最大信息系数的计算方式如式(1)所示，计算出每一个水质参数与出水BOD的相关系数，选取相关系数大于0.5的变量，得出与出水BOD浓度相关性强的辅助变量为：出水总氮浓度、出水氨氮浓度、进水总氮浓度、进水BOD浓度、进水氨氮浓度、生化池DO浓度、进水池磷酸盐浓度；

其中，I(X,Y)表示X,Y的互信息，p(X,Y)表示X,Y的联合概率密度分布函数，p(X)、p(Y)分别表示X、Y的概率密度分布函数，N表示样本数据量，B(N)是关于样本数据量的函数，一般取值为N^0.6；

步骤2、在步骤1筛选出的特征数据基础上，确定K-means聚类算法的初始聚类中心：使用样本密度和样本间的距离确定K-means算法的K个初始聚类中心，步骤2包括如下步骤，