[发明专利]一种基于改进在线序列极限学习机的出水水质预测方法

说明书

本发明公开了一种基于改进在线序列极限学习机的出水水质预测方法，该方法在机器学习方法极限学习机的基础上，考虑了不满秩矩阵求逆以及参数随机对神经网络带来的影响，将岭回归及ensemble方法引入并提出了改进在线序列极限学习机方法，将该方法应用在污水处理的水质预测上，具有训练速度快、可实时在线预测以及预测效果好等特点，有效解决了由于传感器硬件不足所带来的污水处理控制的延时问题，对污水处理工艺的提升具有重要的现实意义与经济价值。

技术领域

本发明涉及控制科学与工程、环境科学与工程领域，尤其涉及一种基于改进在线序列极限学习机的出水水质预测方法。

背景技术

水作为人类生活发展不可或缺的战略资源，是构成生命存在所必需的元素之一，世界范围内，水资源总体丰富，但人类可利用的水资源却十分匮乏，同时水资源的分布不均匀也使得部分地区的水资源短缺问题凸显。在自然因素之外，由人为因素导致的水污染、不合理利用等问题更进一步加剧了水资源的短缺。如何有效合理的利用现有的水资源，使得社会发展在快速发展的过程中，既有金山银山，又有绿水青山，成为近些年不断探讨并在实践的重大问题。

污水处理是一种合理利用、有效保护水资源的具体措施，通过对工业废水、城市废水及农业废水的净化并循环多次利用，不仅能够有效降低污水排放量，保护江河湖泊等淡水资源，而且也通过净化水的循环减少工厂城市对自然界水资源的需求。污水处理工业近些年来蓬勃发展，2014年我国城镇污水处理量已经达到了495.1亿吨，并在2015年的《水污染防治行动计划》中提出在2020年底前实现现有城镇污水处理设施因地制宜改造从而达到相应排放标准或再生利用要求。

但污水处理系统作为一个复杂的工业系统，具有非线性、强耦合、大迟滞，多扰动等问题，并且难以基于机理构建精确的数学模型。而在实际工业现场，由于系统存在有较大迟滞的现象存在，基于传感检测的结果对污水处理进行控制往往无法保证出水水质，同时一些传感检测值无法实时获取，需要采用实验方法离线获取，通过实现方法检测结果存在较大的时间滞后，无法为实时控制提供有效地参考值。所以基于检测传感结果进行控制的效果往往难以得到有效地提高。

发明内容

为了能够有效检测出水水质，构建基于输入输出数据的污水处理模型，本发明针对目前的需求提出一种基于改进在线序列极限学习机的出水水质预测方法，能够实现快速、有效且准确的在线预测出水水质，为及时调节控制策略提供指导。

本发明的目的是通过以下技术方案来实现的：一种基于改进在线序列极限学习机的出水水质预测方法，该方法包括以下步骤：

(1)数据获取及预处理

从污水处理过程中获取N₀组检测样本数据每组输入向量X_i表征n种污水水质组分，对应的期望输出T_i表征出水水质中的溶解氧浓度。

对N₀组检测样本数据进行数据预处理，包括归一化和异常点剔除；

将不同量纲的数据归一化至[-1,1]之间，消除量纲对水质预测带来的影响，得到归一化后的样本数据X_n。

对样本数据X_n进行异常点剔除，利用K-NN进行处理，将采样数据分段成p段，每段数据量相同，针对每段分别进行异常点剔除，具体步骤如下：

Step1：设定初始化距离；随机选择第q段数据，q＝1,2,…,p，随机选择该数据段中四分之三的数据作为训练样本数据，其余数据作为未知样本数据；

Step2：计算未知样本数据至所有训练样本数据的欧几里得距离dist；

Step3：计算目前k个最临近样本数据中的最大距离max dist；

Step4：如果dist小于max dist，则将该未知样本作为k-最近邻样本；