[发明专利]一种基于递归自组织神经网络的氨氮浓度预测方法

说明书

技术领域

本发明基于污水处理生化反应特性，利用一种敏感度分析的递归自组织神经网络实现对污水处理过程关键水质参数氨氮浓度的预测，氨氮浓度是表征水体污染和污水处理程度的重要参量，对人体健康有着重要影响，实现氨氮浓度的在线预测是实现脱氮控制的基础环节，是先进制造技术领域的重要分支，既属于控制领域，又属于水处理领域。

背景技术

氨氮是水环境污染和水体富营养化问题的主要因素，控制水环境污染和水体富营养化的一项重要举措就是严格限制污水处理出水中氨氮的排放；“十二五”期间，氨氮浓度已成为全国主要污染物排放的约束性控制指标，氨氮浓度智能检测技术能够提高氨氮去除效率，改善目前出水氨氮超标的现象；有利于提升实时水质质量监控水平和加强城市污水处理厂精细化管理，不但具有较好的经济效益，而且具有显著的环境和社会效益。因此，本发明的研究成果具有广阔的应用前景。

环境保护部发布的《2013中国环境状况公报》中指出，2013年我国黄河流域、松花江流域等四大流域及省界水体受到不同程度的氨氮污染，湖泊等水库富营养、中营养化比例高达95.2％。而氨氮又是导致水体富营养化的重要因素，氨氮污染在水环境质量上已成为全国性的污染问题；因此，实现氨氮浓度的快速预测，控制污水处理厂出水氨氮达标排放，是保证污水处理厂出水水质合格的必要环节；目前氨氮浓度的测量方法主要有分光光度法、电化学分析法和机理模型等，而分光光度法的测定原理是将水中游离态氨或铵离子与氯化汞和碘化钾的碱性溶液发生反应生成淡红棕色胶态络合物，通过测量络合物的吸光度可得出氨氮的含量；然而，这种方法测量误差较大，干扰因素多，操作繁琐，存在废弃物安全处理等问题；电极法不需要对水样进行预处理，色度和浊度对测定结果影响较小，不易受到干扰，操作快捷简单，但电极的寿命和稳定性较差，同时，电极法测量精度较低；同时，污水处理过程影响硝化反应参数众多，动力学特性复杂，进而影响氨氮浓度的参数众多，各因素间相互作用，呈现非线性和耦合性等特点，很难建立出水氨氮的机理模型；因此，现有的氨氮浓度检测方法很难满足污水处理厂实时检测的需求，必须寻求新的检测方法；近年来，随着软测量技术的发展，软测量方法能够实现一定精度范围内的非线性系统预测，为氨氮浓度预测提供了理论基础，为氨氮浓度的高精度预测提供一种可行方法。

本发明设计了一种基于递归自组织神经网络的出水氨氮浓度预测方法，实现出水氨氮浓度的在线预测。

发明内容

本发明获得了一种基于递归自组织神经网络的出水氨氮浓度预测方法，通过设计递归自组织神经网络，根据污水处理过程的实时采集的数据实现递归自组织神经网络的在线校正，实现了出水氨氮浓度的实时测量，解决了污水处理过程出水氨氮浓度难以实时测量的问题，提高了城市污水处理厂水质质量实时监控水平，保障污水处理过程正常运行；

本发明采用了如下的技术方案及实现步骤：

一种基于递归自组织神经网络的出水氨氮浓度预测方法包括以下步骤：

(1)确定辅助变量：采集污水处理厂实际水质参数数据，选取与出水氨氮浓度相关性强的水质变量：进水总磷TP、厌氧末端氧化还原电位ORP、好氧前段溶解氧DO、好氧末端总固体悬浮物TSS以及出水pH作为出水氨氮浓度预测的辅助变量；

(2)设计用于出水氨氮浓度预测的递归自组织神经网络拓扑结构，递归自组织神经网络分为三层：输入层、隐含层、输出层；初始化递归自组织神经网络：确定神经网络5-K-1的连接方式，即输入层神经元为5个，隐含层神经元为K个，K为正整数，输出层神经元为1个；对神经网络的参数进行赋值；设共有T个训练样本，第t时刻神经网络输入为u(t)＝[u₁(t)，u₂(t)，u₃(t)，u₄(t)，u₅(t)]，神经网络的期望输出表示为y_d(t)，实际输出表示为y(t)；递归自组织神经网络的计算功能是：

表示第t时刻隐含层第k个神经元和输出层的连接权值，k＝1，2，…，K；v_k(t)是第t时刻隐含层第k个神经元的输出，其计算公式为：

表示第t时刻输入层第m个神经元和隐含层第k个神经元的连接权值，m＝1，2，…，5；表示第t时刻第k个隐含层神经元的自反馈输出，其计算公式为：

表示第t时刻隐含层第k个神经元的自反馈连接权值，v_k(t-1)是第t-1时刻隐含层第k个神经元的输出；

定义误差函数为：