[发明专利]一种基于模糊迁徙的出水总氮预测方法

说明书

本发明提出了一种基于模糊迁徙的出水总氮检测方法，属于污水处理领域，针对污水处理过程数据量不足的情况下，难以获得精确检测模型的问题。本发明采用主成分分析算法提取特征变量并建立基于模糊神经网络的检测模型，通过参考模型获取知识，并设计粒子滤波算法对知识进行校正，利用污水处理过程的知识和数据完成检测模型的参数调整，实现出水总氮的精准检测，解决了传统模糊神经网络在数据不足的情况下泛化能力较差的问题，具有较好的学习效率和预测精度。

技术领域

本发明基于污水处理过程运行特性，利用基于模糊迁徙的模糊神经网络设计了一种出水总氮智能预测方法，实现了污水处理过程出水总氮的实时测量；污水处理厂出水总氮浓度是指经过污水处理厂的工艺设施处理后出水的所有含氮污染物的总和，是衡量水质好坏的重要指标，也是水体富营养化的最重要的标志。基于模糊迁徙的出水总氮预测方法能够充分利用总氮历史预测知识弥补当前预测数据不足的缺陷，获得更加精准的预测效果，属于水处理领域。

背景技术

随着我国城镇化进程的加快，我国对淡水资源的需求量不断增加，导致污水产生量越来越大，因此污水治理成为我国近年来的重要工作之一。从20世纪80 年代我国污水处理厂开始大规模建设，到现在我国污水处理能力得到了极大提高。据统计2019年我国城市污水处理厂的污水处理能力超过2.1亿立方米/日，对防治水体污染、环境保护起到积极作用。因此，对污水处理过程的研究成果具有广阔的应用前景。

随着污水处理技术提高，污水中有机物污染得到遏制，但氮、磷等营养物超标排放使水体污染仍然十分严重。其中，氮含量的增加是造成水体质量恶化和富营养化的主要因素之一，污水处理中出水总氮的含量是衡量污水处理厂出水水质的基础指标。当前，污水处理厂主要通过化学实验手段预测总氮浓度。该方法虽然能保证较精确的预测精度，但对操作环境要求高，预测时间长，无法满足实时性预测的要求。近年来，在线仪表预测可以实现出水水样的自动预测，但仪器购买和仪器维护成本较高。因此，如何利用信息化技术实现低成本和高精度预测是研究的关键。由于人工神经网络的非线性逼近能力和学习能力，可以对污水处理过程的非线性系统进行有效建模，为污水出水水质预测提供了一种新的方法。但人工神经网络预测方法需要大量的数据来保证总氮预测的精度，数据缺失和数据不足会使预测模型失效。因此，研究新的测量方法解决过程参数的高精度测量问题，已成为污水控制工程领域研究的重要课题，并且具有重要的现实意义。

本发明设计了一种基于模糊迁徙的出水总氮预测方法，主要通过建立基于模糊神经网络的智能预测模型，利用迁徙学习算法完成模糊神经网络预测模型的参数调整，该算法可以利用总氮历史预测知识弥补当前预测数据不足的缺陷，获得更加精准的预测效果。

发明内容

本发明获得了一种基于模糊迁徙的出水总氮预测方法，该方法采用主成分分析算法提取特征变量并通过建立基于模糊神经网络的水总氮预测模型，通过参考模型获取参数知识，并设计粒子滤波算法对参数知识进行校正，利用污水处理过程的参数知识和数据完成定价模型的参数调整，实现出水总氮的精准预测，解决了传统模糊神经网络在数据不足的情况下泛化能力较差的问题，具有较好的学习效率和预测精度。

1一种基于模糊迁徙的出水总氮预测方法，其特征在于，建立基于模糊神经网络的智能预测模型，利用迁徙学习算法调整模糊神经网络预测模型的参数，解决了实际总氮预测过程中数据缺失和数据不足的问题，实现出水总氮浓度的实时预测，包括以下步骤：

(1)确定总氮预测模型的输入与输出变量

污水处理厂出水总氮浓度是污水处理厂出水水质中含氮污染物的总和，是衡量水质好坏的重要指标，也是水体富营养化的最重要的标志；以活性污泥法污水处理过程为研究对象，对污水处理过程变量进行特征分析，选取与出水总氮相关的过程变量作为预测模型的输入：氨氮，硝态氮，出水悬浮物浓度，生化需氧量，出水总磷；预测模型的输出为出水总氮值；

(2)建立基于模糊神经网络的智能预测模型