[发明专利]基于支持向量机和神经网络的污水化学需氧量软测量方法

说明书

技术领域

本发明属于污水处理领域，具体涉及污水化学需氧量软测量方法。

背景技术

化学需氧量(COD，Chemical Oxygen Demand)是在强酸并加热条件下，采用一定的强氧化剂处理水样时所消耗的氧化剂量，用氧的浓度(mg/L)来表示，它是表示水中有机物总量的一个综合性指标。水体中有机物含量是关于天然水体环境质量分级的重要指标之一，是导致水体发黑发臭的根本因素，也是水体是否受生活污水和工业废水污染的判断依据。很多国家都规定了可以排放入自然水体的水质参数COD最大值。

目前，世界各国的COD测定方法主要为重铬酸钾回流法。重铬酸钾回流法是在水样中加入一定量的重铬酸钾和催化剂硫酸银，在强酸性介质浓硫酸加入的条件下加热回流一定时间，部分重铬酸钾被水样中可氧化物质还原，用硫酸亚铁铵滴定剩余的重铬酸钾，根据消耗重铬酸钾的量计算COD的值。

重铬酸钾回流法测量COD准确可靠，但缺点也很明显：

a)回流设备占用空间，操作比较繁琐，批量测定有困难。

b)反应测量大时延，一般要加热两小时，难以实时地得到COD参数。

c)银盐耗量大，分析费用高，而且测试过程中添加的硫酸银和硫酸汞形成的酸性废液需要妥善处理，否则造成严重的二次污染。

为了解决COD变量的实时估计问题，软测量技术取得了重大发展。软测量的基本思想是把自动控制理论与生产过程知识有机的结合起来，应用计算机技术对难以测量或者暂时不能测量的重要变量，选择另外一些容易测量的变量，通过构造某种数学关系来推断或者估计，以软件来替代硬件的功能。软测量技术已经成为现代流程工业和过程控制领域的关键技术，理论体系正在逐步形成完善，并取得了一些成功的应用。

法国A Charef等人采用主元分析(PCA)对数据分析并用神经网络建模，选取pH、氧化还原电位(Oxidation-Reduction Potential，ORP)以及水温作为基础，得到了污水的COD估计值。韩国的Dong-Jin Choi和Heekyung Park选取神经网络建模，利用COD、pH、TSS等11个数据对污水的凯氏氮进行了软测量研究。我国学者张文艺等以进水COD、pH、氨氮等9个参数作为输入，估计了出水COD值。这些软测量方法都取得了良好的COD估计效果，但也存在一些问题。

用神经网络进行COD软测量建模，第一个问题在于辅助变量的选择。和COD相关的化学参数多达十几种，出于测量的准确性和测量的难易程度，选择pH、溶解氧(Dissolved Oxygen，DO)、ORP作为辅助变量已经成为学者们的共识。第二个问题在于神经网络的构建方法。神经网络建模是一种确定性网络建模，它要求在相同的辅助变量输入条件下有相同的模拟输出。由于污水状态的多样性和辅助变量的选择限制，这个要求往往不能完全满足，常常导致用软测量的模拟输出估计主导变量时不能达到理想的精度。

发明内容

本发明的目的是克服现有技术的缺陷，提供一种新的污水化学需氧量软测量方法。具体涉及基于支持向量机(Support Vector Machine，SVM)和神经网络的污水化学需氧量软测量方法

本发明的具体技术方案如下：

本发明提出的基于支持向量机和神经网络的污水水质参数COD软测量模型，主导变量为污水COD，辅助变量为水质参数pH、pH变化率、DO、DO变化率、ORP以及ORP变化率。通过加入水质参数变化率，不但能反应污水的瞬时状态，也能反应水质状态的变化情况。这样可以减少辅助变量矛盾数据(相同输入下的不同输出)出现，有利于提高模型的估计准确性。

基于分类的思想，引入支持向量机对辅助变量进行预处理，根据水质参数及其变化率对数据样本进行分类。采用支持向量机分类，有利于区分不同状态水体的数据参数，减少了矛盾数据，便于神经网络训练。同时，采用多个神经网络进行训练，可以避免单个网络的训练局限性，如训练陷入局部最小值、网络不收敛等。

本发明所提供的基于支持向量机和神经网络的污水化学需氧量软测量方法的模型结构如图1所示。

在污水处理中，水质参数伴随着污水状态不断变化，如污水中溶解氧的状态有厌氧和好氧之分。在厌氧反应中，COD浓度高，衰减速率快，而在好氧反应中，COD浓度较低，反应时间长。为了便于神经网络训练，希望通过支持向量机区分污水的状态。在训练支持向量机时，首先要确定如何对已有数据样本进行标记。