[发明专利]基于储备池网络的污水处理出水总磷TP软测量方法

摘要

基于储备池网络的污水处理出水总磷TP软测量方法既属于控制科学与工程领域，又属于环境科学与工程领域。出水总磷TP浓度是城市污水处理厂重要的监控指标，也是水质评价的重要指标。针对当前污水处理过程出水总磷TP测量过程繁琐、仪器设备造价和维护费用高、测量结果精确性低等问题，本发明利用主成分分析法确定了软测量模型的输入变量；并设计了一种基于贡献率的储备池结构优化算法，优化网络结构，提高网络性能；最后，基于改进的储备池网络建立了出水总磷TP的软测量模型，实现快速、有效、准确地测量污水处理过程中的出水总磷TP，提高了城市污水处理厂水质质量实时监控的水平，保障城市污水处理过程正常运行。

主权项

基于储备池网络的污水处理出水总磷TP软测量方法，其特征在于，包括以下步骤：第一步：数据预处理及辅助变量的确定采集污水处理厂实际水质参数数据，对数据进行预处理，通过主成分分析选取与出水总磷TP相关性强的辅助变量，最终选取进水总磷TP、出水温度T、好氧前段溶解氧DO、入水油类，出水油类，以及出水氨氮NH4‑N作为出水总磷TP测量的辅助变量，即软测量模型的输入变量；第二步：设计基于贡献率的储备池网络结构优化算法通过计算储备池神经元对网络输出的信息贡献程度，评价储备池神经元的贡献度；根据储备池神经元的贡献度优化网络结构，提高网络的泛化能力，所以，设计有效的储备池网络结构优化算法可以保证基于储备池网络建立的出水总磷TP软测量模型预测的准确性，提高对污水处理过程中复杂动态问题的适应能力；1)构建一个储备池规模为N的储备池网络，网络通过储备池把输入数据转换到高维状态空间，且每一维对最终输出的贡献都不一样，为了分析储备池神经元的贡献度，首先定义两个神经元X和Y间信息连接强度函数：IC(X；Y)＝H(X)+H(Y)‑H(X,Y)                        (1)其中，H(X)为神经元X的熵，H(Y)为神经元Y的熵，分别描述了神经元X，Y所包含的信息量；H(X,Y)为神经元X和Y的联合熵，描述了两个神经元间共有的信息量；依据Shannon熵定义，H(X)、H(Y)和H(X,Y)可由式(2)‑(4)计算：H(X)＝‑∑x∈Xρ(x)logρ(x)                         (2)H(Y)＝‑∑y∈Yρ(y)logρ(y)                         (3)H(X,Y)=-Σx∈XΣy∈Yρ(x,y)logρ(x,y)---(4)]]>则公式(1)可以写成：IC(X;Y)=Σx∈XΣy∈Yρ(x,y)logρ(x,y)ρX(x)ρY(y)---(5)]]>针对于第i个储备神经元的贡献度进行评定，贡献度较小的输出连接权值将被修剪；第i个储备神经元的贡献度Ci表示如下：Ci=mi/Σi=1Nmi---(6)]]>其中,mi表示第i个储备池神经元对网络输出的信息贡献程度，具体计算公式如下：mi=I(xi,y)min(H(xi),H(y))---(7)]]>2)将第i个储备池神经元贡献度Ci与设定的修剪阈值ρ进行对比，判断是否修剪第i个储备池神经元的输出连接权值，具体的修剪判别机制如下：wi′=wi=0ifCi≤ρwi,unchangeelseCi>ρ---(8)]]>其中，wi为第i个储备池神经元的输出连接权值，wi'为修剪后的第i个储备池神经元的输出连接权值，ρ为修剪阈值，ρ为常数，0≤ρ<1；通过设定修剪阈值，修剪贡献度较小的储备池神经元的输出连接权值，保留剩余输出连接权值；第三步：建立出水总磷TP软测量的储备池网络模型1)初始化储备池网络；储备池网络由输入层，储备池和输出层三部分组成，其中输入层神经元个数为K，储备池神经元个数为N，输出层神经元的个数为L，K，N和L为正整数；初始化网络输入矩阵Win，反馈矩阵Wback和储备池内部连接权值矩阵W，为了保证储备池丰富的动态特性，储备池内部连接权值W的谱半径小于1；2)将Ns个训练样本输入到储备池网络中，对网络进行训练；储备池网络的状态变量表示为xl(l＝1,2,...N)，根据公式(9)对状态变量进行更新x(n)＝f(Winu(n)+Wx(n‑1)+Wbacky(n))        (9)其中，f(·)为储备池状态变量的激活函数，n＝1,2,...Ns,并收集储备池网络的状态变量，生成状态矩阵M：计算储备池网络的输出变量y(n)，具体的计算公式如下：y(n)＝fout(Woutx(n))        (11)其中，fout(·)为网络输出的激活函数，n＝1,2,...Ns3)分别计算网络的输出连接权值Wout和网络的检验误差Ev，计算公式如下：Wout＝M+Y             (12)Ev=1NsΣn=1Ns(d(n)-y(n))2---(13)]]>其中，Y＝[y(1),y(2),…,y(Ns)]T是储备池网络的输出，d(n)是出水总磷TP真实值，y(n)是储备网络对出水总磷TP预测值；4)优化储备池网络结构根据公式(1)‑(7)计算储备池内每一个神经元的贡献度，并根据公式(8)的修剪判别机制，修剪贡献度较小的储备池神经元的输出连接权值，得到优化后储备池网络的状态矩阵Mc＝[x1,x2,…,xlprune],其中lprune为修剪后剩余的储备池神经元个数；5)根据公式(12)对优化后储备池网络的输出连接权值进行调整，并根据公式(13)计算优化后网络的检验误差修剪终止条件如下：Es=Ev-Ecv---(9)]]>若Es≤0继续调整储备池网络结构，否则网络结构调整结束，得到最终的建立出水总磷TP软测量的储备池网络模型；第四步：用测试数据对储备池网络进行测试将测试样本中辅助变量数据作为训练好的基于贡献度优化后储备池网络的输入，网络的输出即为出水总磷TP的预测结果。