[发明专利]一种厌氧同时反硝化产甲烷过程出水硝氮的软测量方法

摘要

本发明公开了一种厌氧同时反硝化产甲烷过程出水硝氮的软测量方法。本发明方法基于遗传算法优化BP神经网络相结合，构建遗传神经网络，通过采用遗传算法来优化BP神经网络的权值和阈值，经遗传算法优化后的BP神经网络较一般的BP神经网络性能优越，通过此方法进一步提高软测量模型的准确度和运算速度，成功实现厌氧同时反硝化产甲烷废水处理中出水硝氮的快速、准确预测，提高了厌氧同时反硝化产甲烷废水处理系统中出水硝氮的实时质量监控水平，有利于解决废水处理系统出水检测时间过长、在线测量仪器价格昂贵且维护困难而导致的出水水质不稳定以及测量过程繁琐等问题。

主权项

1.一种厌氧同时反硝化产甲烷过程出水硝氮的软测量方法，其特征在于，包括如下步骤：(1)搭建厌氧同时反硝化产甲烷废水处理系统，建立训练样本数据库：采集不同进水条件下厌氧同时反硝化产甲烷反应器的进水水质和出水水质指标，构建模型输入输出向量对的集合；(2)辅助变量的确定：选取可直接测量并且与厌氧同时反硝化产甲烷过程密切相关的水质变量，以进水COD值、进水pH值、出水COD值、出水pH值以及产气量作为出水硝氮的辅助变量选择；(3)对收集到的模型数据输入输出向量对进行异常值的剔除和归一化处理，建立辅助变量数据样本集和关键状态变量数据集；(4)确定遗传算法优化的BP神经网络结构；将输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值、输出层阈值进行编码，利用遗传算法获取最优权值和最优阈值；通过最优权值和最优阈值计算各层输出；①首先确定遗传算法优化的BP神经网络结构：确定BP神经网络的隐含层数，包含输入层、输出层和隐含层；确定输入层和输出层神经元的个数，输入层确定以进水COD值、进水pH值、出水COD值、出水pH值以及产气量作为输入变量，出水硝氮作为输出变量；BP神经网络结构的确定，包括隐含层神经元个数的确定，其取值范围采用常用经验公式进行确定： l = b + c + a , - - - ( 1 ) ]]>其中，l为隐含层神经元数，b为输入层神经元数，c为输出层神经元数，a为1～10之间的常数；②遗传算法对BP神经网络的优化，包括编码方法、适应度值、选择操作、交叉操作以及变异操作；编码方法采用实数编码，每个个体均为一个实数串，由输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值四部分组成；适应度值是根据个体得到BP神经网络的初始权值和阈值，用实验数据样本集对网络进行训练和预测检验，把预测输出和期望输出之间的误差绝对值之和作为个体适应度值；个体适应度值F定义如下： F = Σ i = 1 n | S i - Y i | , - - - ( 2 ) ]]>其中，n是训练数据样本总数，Si是样本ai的实际输出，Yi是样本ai的预测输出；选择操作是采用轮盘赌法对种群中个体进行选择；个体被选中概率的计算方法如下：fi＝1/Fi， (3) p i = f i / Σ i = 1 n f i , - - - ( 4 ) ]]>其中，Fi是个体ai适应度值，fi是个体ai被选到的概率，Pi是fi归一化后的值，n是个体总数；交叉操作是采用实数交叉法对种群中的个体进行交叉操作，第k个个体ak和第m个个体am在第j位的交叉操作方法如下：akj＝akj×(1-r)+amj×r， (5)amj＝amj×(1-r)+akj×r， (6)其中，akj代表具体第k个个体ak在第j位，amj代表具体第m个个体am在第j位，r是一个随机值；变异操作是采用实数变异法对种群中的个体进行变异操作，个体aij的变异方法如下：aij＝aij+(aij-max a)×η(g)，t＞0.5， (7)aij＝aij+(min a-aij)×η(g)，t＜0.5， (8)η(g)＝t×(1-g/G)2， (9)式中，aij代表第i个个体ak在第j位，g是当前遗传代数，G是总的遗传代数，t是一个随机值；公式(2)～(8)中，i均代表从1到n个的第i个，j均代表从1到n位的第j位；(5)建立基于遗传算法优化BP神经网络算法的出水硝氮软测量预测模型，将步骤(3)的数据样本分为训练样本和测试样本；利用得到的训练样本对模型进行训练，直到满足训练条件训练停止；利用训练好的基于遗传算法优化BP神经网络算法的出水硝氮软测量预测模型，将测试样本数据作为训练后模型的输入，模型输出即为出水硝氮的预测值。