[发明专利]基于自组织径向基神经网络的溶解氧模型预测控制方法

权利要求书

1.基于自组织径向基神经网络的溶解氧模型预测控制方法，其特征包括以下步骤：

(1) 确定控制对象；针对序批式间歇活性污泥系统中溶解氧进行控制，以曝气量为控制量，溶解氧浓度DO为被控量；

(2) 设计用于污水处理过程中溶解氧DO模型预测控制方法的目标函数；

J^=ρ1[r(t)-y^(t)]T[r(t)-y^(t)]+ρ2Δu(t)TΔu(t)---(1)]]>

其中r是期望输出，y是溶解氧浓度，u是曝气量，?溶解氧浓度预测值，T为公式的转置，ρ₁∈[0.5, 1.5]和ρ₂∈[0.5, 1.5]是控制参数，

r(t)=[r(t+1),r(t+2),…,r(t+H_p)]^T；

y^(t)=[y^(t+1),y^(t+2),...,y^(t+Hp)]T]]>；

Δu(t)=[Δu(t),Δu(t+1),…,Δu(t+H_u-1)]^T；                   (2)

H_p为预测时域，H_p∈[1, 10]，H_u为控制变量的变化时域，H_u∈[1, 5]，H_u ≤ H_p；限制条件：

Δu(t)=Δu(t)-Δu(t+1)；

|Δu(t)|≤Δu_max；

u_min≤u(t)≤u_max；

y_min≤y(t)≤y_max；                         (3)

其中，Δu_max是控制器允许的最大曝气调整量，u_min是控制器允许的最小曝气量，u_max是控制器允许的最大曝气量，y_min是控制对象允许的最小溶解氧浓度，y_max是控制对象允许的最大溶解氧浓度，Δu_max，u_min、u_max、y_min和y_max根据控制系统设备设置；

(3) 设计用于污水处理过程中溶解氧DO预测控制方法的自组织径向基神经网络拓扑结构；网络分为三层：输入层、隐含层、输出层；输入为x(t)，输出为污水处理系统溶解氧浓度预测值?(t)；

初始化RBF神经网络：确定神经网络p-K-1的连接方式，即输入层神经元为p个，隐含层神经元为K个，输出层神经元为1个；对神经网络的权值进行随机赋值；RBF神经网络的输入表示为x₁(t)，x₂(t)，…，x_p(t)，神经网络的期望输出表示为y(t)，实际输出表示为?(t)；设第t时刻RBF神经网络输入为x₁(t)，x₂(t)，…，x_p(t)，RBF神经网络的计算功能是：

y^(t)=Σk=1Kwk(t)θk(x(t));---(4)]]>

w_k(t)表示隐含层第k个神经元和输出层的连接权值，k=1，2，…，K；θ_k是隐含层第k个神经元的输出，其计算公式为：

θk(x(t))=e(-||x(t)-μk(t)||/σk2(t));---(5)]]>

μ_k表示隐含层第k个神经元中心值，σ_k表示隐含层第k个神经元的中心宽度；

定义误差函数为：

E(t)=12(y^(t)-y(t))2---(6)]]>

(4) 训练神经网络，具体为：

①给定一个RBF神经网络，隐含层神经元为较小自然数，输入为x(t)，进行训练设计计算步骤l=1；

②计算神经元i的活跃度Af_k，

Afk=ln[1+10θk(x(t))],k=1,2,...,K;---(7)]]>

其中，k=1,2,…, K，Af_k是第k个隐含层神经元的活跃度，K是隐含层神经元数，θ_k是第k个隐含层神经元的输出；

如活跃度Af_k大于活跃度阀值Af_o∈[0, 0.2]，分裂神经元k，调整网络结构，设定新神经元的初始参数：

μ_K+1(t)=αμ_k(t)+βx(t)；

σ_K+1(t)=ασ_k(t)；                          (8)

其中，α∈[0.95, 1.05]和β∈[0, 0.1]，μ_k和σ_k分别是神经元k的中心和方差，新神经元K+1与输出神经元间的连接权值设定为

wK+1(t)=wk(t)θk(x(t))-(y(t+1)-y^(t+1))θK+1(x(t))---(9)]]>

其中，w_k(t)是分裂神经元k与输出层神经元的联结权值，y(t-1)和?(t-1)分别为神经网络t-1时刻的期望输出和实际输出；更新隐含层神经元数K^’= K+1；

③计算隐含层神经元X与输出层神经元Y间的连接强度，假设X和Y是相互连接的神经元，交互信息的强度M(X;Y)依赖于神经元X和Y间的平均信息量，神经元X和Y间的连接强度定义为：

M(X;Y)=H(X)-H(X|Y)=H(X)-H(Y|X)；               (10)

其中，H(X)为X的香农熵，H(Y|X)为Y在X条件下的熵；由公式(10)可知，当神经元X和Y相互独立时，M(X;Y)的值为0；否则，M(X;Y)为正数；所以，M(X; Y)≥0，并且

M(X;Y)≤min(H(X),H(Y))；                     (11)

规则化交互信息的强度

m(X;Y)=M(X;Y)min(H(X),H(Y));---(12)]]>

其中0≤m(X; Y) ≤1，通过公式(12)计算隐含层神经元X与输出层神经元Y间的连接强度；设定连接强度阀值m₀∈[0, 0.1]，在RBF神经网络中，当m(X; Y)大于连接强度阀值m₀时则说明神经元X和Y间的信息交互较强，认为X和Y间有连接；当m(X; Y)小于连接强度阀值m₀时则表明神经元X和Y间的信息交互强度较弱，在网络结构调整时可忽略神经元X和Y间的连接，从而断开神经元X和Y间的连接，在隐含层找出与神经元X间欧氏距离最近的神经元X-X，调整神经元X-X的参数为：

wX-X′(t)=wX-X(t)+wX(t)θX(x(t))θX-X(x(t));---(13)]]>

其中，为结构调整后神经元X-X与输出层神经元Y间的连接权值；更新隐含层神经元数K^’’=K^’-1；

④调整神经网络的隐含层神经元与输出层之间的连接权值W(t)：

w.T(t)=η1θ(x(t))(y(t-1)-y^(t-1));---(14)]]>

其中，W(t)=[w₁(t), w₂(t),…,w_K’’ (t)]^T，η₁∈ (0, 0.1]表示神经网络学习率；

⑤重复步骤①-④，l达到计算设定步骤L时停止计算，L∈ (20, 100]；根据公式(4)，输出?(t)为神经网络t时刻的实际输出；即为t时刻污水处理系统溶解氧浓度预测值；

(5) 用训练后的神经网络预测出，同时，利用神经网络预测值计算曝气调整量：

Δu(t)=(1+η2ρ2)-1η2ρ1((∂y^(t)∂u(t))T[r(t)-y^(t)]);---(15)]]>

其中，η₂∈ (0, 1]表示控制学习率；取Δu(t)的第一个值Δu(t)作为控制器的调整量：

u(t)=u(t-1)+Δu(t)；                     (16)

u(t-1)为控制器t-1时刻的控制量；

(6) 利用求解出的u(t)对溶解氧进行控制，u(t)即为变频器的输入，变频器通过调节电动机的转速达到控制鼓风机的目的，最终控制曝气量，整个控制系统的输出为实际DO浓度值。