[发明专利]一种基于宽度学习网络的出水总磷预测方法

说明书

针对污水处理过程中出水总磷难以在线检测的问题，设计了一种基于宽度学习网络的出水总磷预测模型，采用梯度下降算法对模型参数进行在线调整，建立了精确的出水总磷预测模型；将设计的预测模型应用于实际的污水处理过程；实验结果表明：基于宽度学习网络的预测模型不仅能够实现污水处理过程出水总磷的在线检测，而且具有较高的检测精度。

技术领域

本发明提出了一种基于宽度学习网络的预测方法。首先，利用偏最小二乘法对污水处理过程运行数据进行分析，筛选出与出水总磷相关性较强的过程变量；其次，设计了一种基于宽度学习网络的预测方法，采用梯度下降算法对模型参数进行在线调整，提高了预测方法的精度；最后，将设计的预测方法应用于实际的污水处理过程。实验结果表明：基于宽度学习网络的预测方法不仅能够实现污水处理过程出水总磷的在线检测，而且具有较高的检测精度，属于水处理领域。

背景技术

污水是稳定的淡水资源，其再生利用既可以实现对自然水的需求，又能够降低对生态环境的污染。因此，实施污水处理已成为实现水资源循环利用最有效的途径。

，精准在线预测污水处理中出水总磷浓度是当前污水处理厂面临的重要问题。目前，水厂检测含磷量的方法有以钼酸铵分光光度法为主，该方法可实现较为精确的检测精度。但是由于污水处理过程是一个复杂多变的系统，存在着非线性、时变性、干扰性等特点，以上检测方法难以满足实时性检测的要求，因此，利用智能手段进行精确预测是当前研究重点。由于宽度学习网络具有神经网络的学习能力和平面网络结构双重优点，这十分适用于对污水处理的出水总磷快速精准预测。

本发明设计了一种基于宽度学习网络的软测量方法，首先，利用偏最小二乘法对污水处理过程运行数据进行分析，筛选出与出水总磷相关性较强的过程变量；其次，设计了一种基于宽度学习网络的软测量方法，采用梯度下降算法对模型参数进行在线调整，提高了软测量方法的精度；最后，将设计的软测量方法应用于实际的污水处理过程。实验结果表明：基于宽度学习网络的软测量方法不仅能够实现污水处理过程出水总磷的在线检测，而且具有较高的检测精度。

发明内容

本发明获得了一种基于宽度学习网络的出水总磷预测方法，该方法首先使用偏最小二乘法，进行相关性分析提取辅助变量；其次构建宽度学习出水总磷预测模型，利用梯度下降算法对模型参数进行在线调整，提高软测量方法精度；实现了出水总磷的实时准确预测。

本发明采用了如下的技术方案及实现步骤：

1.一种基于宽度学习网络的出水总磷预测方法，其特征在于：确定出水总磷预测模型的输入与输出变量，建立宽度学习出水总磷预测模型，宽度学习出水总磷预测模型参数调整，包括以下步骤：

(1)确定出水总磷预测模型的输入与输出变量

使用偏最小二乘方法，由各自变量与出水总磷关系，计算自变量回归系数，筛选辅助变量，最终确定6个辅助变量：进水酸碱度值、进水化学需氧量、厌氧区中段氧化还原电位、缺氧区前端氧化还原电位、缺氧区末端混合液悬浮固体和第二好氧区溶解氧；输出变量为出水总磷浓度；将所有样本数据分为两组，第一组包含H个训练样本，H为整数，H∈[3000,3400]，第二组包含R个测试样本，R为整数，R∈[800,900]；

(2)建立宽度学习出水总磷预测模型