一种污水厌氧处理产气量多元智能实时监控方法与流程

本发明涉及污水处理领域，尤其涉及一种污水厌氧处理产气量多元智能实时监控方法。

背景技术：

厌氧处理技术是在厌氧条件下，兼性厌氧和厌氧微生物群体将有机物转化为甲烷和二氧化碳的过程，是一种既节能又产能的污水处理工艺，不仅可以处理高浓度有机废水，而且可以处理中低浓度的有机废水，在全世界范围内得到广泛的应用。

为了提高厌氧工艺处理效果，在保证水质的同时使产气量最大，建立厌氧处理监控系统是非常有必要的。然而，污水厌氧处理系统是一个涉及化学、物理、生物等多门学科的复杂系统，具有复杂性、时变性、非线性和不确定性，使得产气量与很多参数之间呈现出非线性的关系，给产气预测建模技术的建立带来了一定的困难。智能方法具有很强的学习能力和自适应能力，其本身是非线性的，可以通过学习达到所要求的非线性形状来模拟对象模型，适合多输入多输出系统，而且智能方法对处理大量原始数据而不能用规则或者公式描述的问题，表现出极大的灵活性和自适应性，可以用于动态多变的厌氧处理系统的模拟。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种污水厌氧处理产气量多元智能实时监控方法。本发明基于污水厌氧处理系统的产气量、进水水质以及系统控制参数之间的相互关系，将小波分析、模糊理论、遗传算法和神经网络有机结合，构建ga-fwnn产气量预测模型，并借助云计算存储平台对监测数据进行处理分析，预测产气量(biogas)和甲烷含量(ch4)，智能化地监控污水厌氧处理系统，促进污水厌氧处理系统高效稳定运行。

本发明的目的能够通过以下技术方案实现：

一种污水厌氧处理产气量多元智能实时监控方法，具体步骤包括：

(1)构造遗传-模糊小波神经网络；采用自适应模糊c均值聚类算法确定遗传-模糊小波神经网络的模糊规则数；采用遗传和梯度下降混合算法对遗传-模糊小波神经网络进行修正和改进；

(2)将改进后的遗传-模糊小波神经网络通过计算机语言编制作为系统程序，并将程序烧录于嵌入式厌氧处理监控系统中；

(3)将污水数据作为训练数据输入到嵌入式厌氧处理监控系统中，使系统中改进后的遗传-模糊小波神经网络结构达到网络精度目标，将训练好的网络结构状态保持在系统中；

(4)将训练好的嵌入式厌氧处理监控系统接入污水处理现场进行在线测量，通过传感器实时采集现场水样待测数据并将数据输入到系统中，系统基于改进后的遗传-模糊小波神经网络快速得到产气量和甲烷含量；

(5)每隔30分钟采样一次，重复步骤(4)。

具体地，在本发明中，选取进水化学需要量(cod)、有机负荷率(olr)、水力停留时间(hrt)、酸碱度(ph)以及碳酸盐总碱度(alk)作为输入量，以产气量(biogas)和甲烷含量(ch4)作为输出量。

具体地，在步骤(1)中，所构造的遗传-模糊小波神经网络(ga-fwnn)具体包括五层网络结构，网络输入域输出之间的映射关系表示为：

其中，woj(t)表示为小波网络层节点到输出层的连接权函数，cij和σij分别表示为隶属度函数(高斯函数)的中心和宽度，xi(t)表示输入节点参数，j＝1,2,3...18，i＝1,2,3,4,5。

更进一步地，ga-fwnn结构的第一层为输入层，负责接收所有输入因子并分发到网络的下一层，本层有五个节点，分别为cod(t)、hrt(t)、olr(t)、ph(t)、alk(t)。

更进一步地，ga-fwnn结构的第二层为模糊化层，本层引入模糊集合理论，使网络能处理语义变量。本层通过对每一个输入进行模糊化，使得每个节点分别对应一个模糊语言。在本发明中，选取高斯函数作为激励函数，每个节点的输出表示为：

其中，cij和σij分别表示为与第j个模糊规则相关的第i个输入变量高斯函数的中心和宽度。采用自适应模糊c均值聚类算法对网络进行模糊划分，确定模糊规则数。

更进一步地，ga-fwnn结构的第三层为模糊规则层，本层中的节点数表示模糊规则和模糊分段数，每个节点对应一条模糊规则。使用符合来表示and的操作，实现模糊推理功能，由给定的数据集产生的模糊规则库，本层的输出结果表示为：

其中，n表示模糊规则数，具体为18。

更进一步地，ga-fwnn结构的第四层为小波网络层(wnn层)，由三层小波神经网络作为模糊规则的后件部分，利用小波变换局部特性，采用小波基函数作为神经元的激活函数，对于第j个小波神经元，具体表示为：

其中，aij、bij和wj分别表示小波函数的平移，膨胀因子和权值。

更进一步地，ga-fwnn结构的第五层为输出层，用于计算整个网络的输出结果。本层主要考虑对每个小波网络的输出结果进行解模糊化的分析结果，输出结果具体表示为：

其中，yk表示fwnn的输出，即预测系统的产气量(biogas)和甲烷含量，用于实时监控厌氧系统的运行状态。

具体地，在步骤(1)中，采用自适应模糊c均值聚类算法来确定ga-fwnn的模糊规则数，具体方法为：

模糊c均值聚类(fcm)是通过优化目标函数得到每个样本点对所有类中心的隶属度，从而决定样本点的类属以达到自动对样本数据进行分类的目的。假设样本集合为x＝{x1,x2,…,xq}，将其分成c个模糊组，使目标函数j(u,v)的隶属度矩阵u＝[uij]c×q达到最小，并得到聚类中心v＝{v1,v2,…,vc}。

dij＝||xj-vi||(9)

其中，p表示参数个数，具体为5个；q表示样总数，具体为120组；c表示聚类属，h表示模糊加权指数，dij为数据xj到聚类中心vi的欧氏距离。

为了提高分割质量，在fcm中添加有效性函数b(c)，形成自适应模糊c均值聚类算法，具体步骤为：

(1-2-1)给定迭代精度ε＝0.001，k＝0，c＝2，模糊加权指数h＝2，b(1)＝0，选取[0,1]上的均匀分布随机数作为初始聚类中心v⁽⁰⁾；

(1-2-2)计算第k步的隶属度矩阵u^(k)，计算公式为：

(1-2-3)修正聚类中心v^(k+1)，表示公式为：

(1-2-4)若||v^(k+1)-v^(k)||≤ε，则迭代停止，否则k＝k+1，转到步骤(1-2-2)；

(1-2-5)计算有效性函数b(c)，在c>2且c<n的情况下，若b(c-1)>b(c-2)且b(c-1)>b(c)，则聚类过程结束，否则置c＝c+1，转到步骤(1-2-1)。

其中表示总体数据样本的中心向量。

具体地，在步骤(1)中，采用遗传和梯度下降混合算法对fwnn进行改进，具体步骤为：

(1-3-1)遗传算法实现网络结构的初始化过程；

在初始化过程中，网络中所有的参数都得到优化，包括规则的前件参数(隶属度函数的中心cij和宽度σij)和后件参数(小波函数的平移aij、膨胀因子bij和权值wj)。

本发明是以网络期望值与网络实际输出之间的标准误差作为该模型适应度函数，表示方法为：

其中，ydk表示期望输出，yk表示网络的实际输出，q表示种群个体数目，网络中第s个染色体的输出能够通过以下表达式得到：

其中，

因此第s个染色体定义为：

其中

这样fwnn的初始参数再经过三种遗传操作(选择、交叉和变异)后即可获得。初始种群数npop为100，交叉概率pc为0.7，变异概率pm为0.01以及最大迭代次数为200。

(1-3-2)梯度下降法实现参数修正过程；

经过遗传算法初始化的fwnn，其网络参数达到全局最优或近似全局最优的附近，再利用梯度下降算法对网络参数进行实时调整，以获得fwnn的参数cij、σij、aij、bij和wj。梯度下降法的目标函数表示为：

其中，yd(t)表示期望输出，y(t)表示当前输出。

通过目标函数e和梯度下降法，fwnn的参数cij、σij、aij、bij和wj能够通过下述公式得到：

其中，学习率η为0.02，动量因子ξ为0.5。式(18)-(22)可由式(10)～式(13)计算：

其中，

具体地，在本发明中采用vc和matlab语言联合编制上述ga-fwnn网络结构、自适应模糊c均值聚类算法及改进多元算法的混合程序。

本发明相较于现有技术，具有以下的有益效果：

1、本发明结合小波分析、模糊理论、遗传算法和神经网络等智能理论的优点，构建了ga-fwnn产气量预测模型，能够准确、快速地实现产气量(biogas)和甲烷含量(ch4)的在线监测。

2、本发明采用将遗传算法和梯度下降法混合算法优化神经网络结构，解决了神经网络过早陷入局部最优的问题，具有结果滞后时间短、误差小、环境适应能力强等优点，能够使得厌氧处理系统高效、稳定、经济地运行。

附图说明

图1为遗传-模糊小波神经网络的结构图；

图2为本发明所实时监控的污水厌氧处理系统示意图；

图3为遗传-模糊小波神经网络模型的训练结果图；

图4为遗传-模糊小波神经网络的产气量预测结果图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

一种污水厌氧处理产气量多元智能实时监控方法，具体步骤包括：

(1)构造遗传-模糊小波神经网络；采用自适应模糊c均值聚类算法确定遗传-模糊小波神经网络的模糊规则数；采用遗传和梯度下降混合算法对遗传-模糊小波神经网络进行修正和改进。在本发明中，选取进水化学需要量(cod)、有机负荷率(olr)、水力停留时间(hrt)、酸碱度(ph)以及碳酸盐总碱度(alk)作为输入量，以产气量(biogas)和甲烷含量(ch4)作为输出量。

具体地，在步骤(1)中，构造的遗传-模糊小波神经网络(ga-fwnn)的结构如图1所示，具体包括五层网络结构，网络输入域输出之间的映射关系表示为：

其中，woj(t)表示为小波网络层节点到输出层的连接权函数，cij和σij分别表示为隶属度函数(高斯函数)的中心和宽度，xi(t)表示输入节点参数，j＝1,2,3...18，i＝1,2,3,4,5。

更进一步地，ga-fwnn结构的第一层为输入层，负责接收所有输入因子并分发到网络的下一层，本层有五个节点，分别为cod(t)、hrt(t)、olr(t)、ph(t)、alk(t)。

更进一步地，ga-fwnn结构的第二层为模糊化层，本层引入模糊集合理论，使网络能处理语义变量。本层通过对每一个输入进行模糊化，使得每个节点分别对应一个模糊语言。在本发明中，选取高斯函数作为激励函数，每个节点的输出表示为：

其中，cij和σij分别表示为与第j个模糊规则先关的第i个输入变量高斯函数的中心和宽度。采用自适应模糊c均值聚类算法对网络进行模糊划分，确定模糊规则数。

更进一步地，ga-fwnn结构的第三层为模糊规则层，本层中的节点数表示模糊规则和模糊分段数，每个节点对应一条模糊规则。使用符合来表示and的操作，实现模糊推理功能，由给定的数据集产生的模糊规则库，本层的输出结果表示为：

其中，n表示模糊规则数，具体为18。

更进一步地，ga-fwnn结构的第四层为小波网络层(wnn层)，由三层小波神经网络作为模糊规则的后件部分，利用小波变换局部特性，采用小波基函数作为神经元的激活函数，对于第j个小波神经元，具体表示为：

其中，aij、bij和wj分别表示小波函数的平移，膨胀因子和权值。

更进一步地，ga-fwnn结构的第五层为输出层，用于计算整个网络的输出结果。本层主要考虑对每个小波网络的输出结果进行解模糊化的分析结果，输出结果具体表示为：

其中，yk表示fwnn的输出，预测系统的产气量(biogas)和甲烷含量，用于实时监控厌氧系统的运行状态。

具体地，在步骤(1)中，采用自适应模糊c均值聚类算法来确定ga-fwnn的模糊规则数，具体方法为：

模糊c均值聚类(fcm)是通过优化目标函数得到每个样本点对所有类中心的隶属度，从而决定样本点的类属以达到自动对样本数据进行分类的目的。假设样本集合为x＝{x1,x2,…,xq}，将其分成c个模糊组，使目标函数j(u,v)的隶属度矩阵u＝[uij]c×q达到最小，并得到聚类中心v＝{v1,v2,…,vc}。

dij＝||xj-vi||(9)

其中，p表示参数个数，具体为5个；q表示样总数，具体为120组；c表示聚类属，h表示模糊加权指数，dij为数据xj到聚类中心vi的欧氏距离。

为了提高分割质量，在fcm中添加有效性函数b(c)，形成自适应模糊c均值聚类算法，具体步骤为：

(1-2-1)给定迭代精度ε＝0.001，k＝0，c＝2，模糊加权指数h＝2，b(1)＝0，选取[0,1]上的均匀分布随机数作为初始聚类中心v⁽⁰⁾；

(1-2-2)计算第k步的隶属度矩阵u^(k)，计算公式为：

(1-2-3)修正聚类中心v^(k+1)，表示公式为：

(1-2-4)若||v^(k+1)-v^(k)||≤ε，则迭代停止，否则k＝k+1，转到步骤(1-2-2)；

(1-2-5)计算有效性函数b(c)，在c>2且c<n的情况下，若b(c-1)>b(c-2)且b(c-1)>b(c)，则聚类过程结束，否则置c＝c+1，转到步骤(1-2-1)。

其中表示总体数据样本的中心向量。

具体地，在步骤(1)中，采用遗传和梯度下降混合算法对fwnn进行改进，具体步骤为：

(1-3-1)遗传算法实现网络结构的初始化过程；

在初始化过程中，网络中所有的参数都得到优化，包括规则的前件参数(隶属度函数的中心cij和宽度σij)和后件参数(小波函数的平移aij、膨胀因子bij和权值wj)。在本实施例中，ga-fwnn模型的前件参数和后件参数在模糊规则数为18时的具体值分别如表1和表2所示。

表1.ga-fwnn模型的前件参数

表2.ga-fwnn模型的后件参数

本发明是以网络期望值与网络实际输出之间的标准误差作为该模型适应度函数，表示方法为：

其中，ydk表示期望输出，yk表示网络的实际输出，q表示种群个体数目，网络中第s个染色体的输出能够通过以下表达式得到：

其中，

因此第s个染色体定义为：

其中

这样fwnn的初始参数再经过三种遗传操作(选择、交叉和变异)后即可获得。初始种群数npop为100，交叉概率pc为0.7，变异概率pm为0.01以及最大迭代次数为200。

(1-3-2)梯度下降法实现参数修正过程；

经过遗传算法初始化的fwnn，其网络参数达到全局最优或近似全局最优的附近，再利用梯度下降算法对网络参数进行实时调整，以获得fwnn的参数cij、σij、aij、bij和wj。梯度下降法的目标函数表示为：

其中，yd(t)表示期望输出，y(t)表示当前输出。

通过目标函数e和梯度下降法，fwnn的参数cij、σij、aij、bij和wj能够通过下述公式得到：

其中，学习率η为0.02，动量因子ξ为0.5。

式(18)-(22)可由式(10)～式(13)计算：

其中，

(2)将改进后的遗传-模糊小波神经网络通过vc和matlab语言编制作为系统程序，并将程序烧录于嵌入式厌氧处理监控系统中；

(3)将污水厌氧处理系统中的污水数据作为训练数据输入到嵌入式厌氧处理监控系统中，使系统中改进后的遗传-模糊小波神经网络结构达到网络精度目标，将训练好的网络结构状态保持在系统中；污水厌氧处理系统如图2所示；遗传-模糊小波神经网络模型的训练结果如图3所示。

(4)将训练好的嵌入式厌氧处理监控系统接入污水处理现场进行在线测量，通过传感器实时采集现场水样待测数据并将数据输入到系统中，系统基于改进后的遗传-模糊小波神经网络快速得到产气量和甲烷含量；

(5)每隔30分钟采样一次，重复步骤(4)。遗传-模糊神经网络模型的产气量预测结果图如图4所示。

从图4可以看出，模型输出曲线很好的跟踪实际输出曲线，样本模型输出与实际输出的误差非常小，相关系数r和r²大，说明ga-fwnn方法能够实现对厌氧处理产气量的快速、准确监控。

本发明与模糊神经网络(fnn)、小波神经网络(wnn)和神经网络(nn)进行比较，结果如表3所示。通过计算分析，本发明的预测性能都优于比其他三种模型，相比fnn、wnn和nn模型，ga-fwnn模型预测的方根误差(rmse)，平均绝对百分比误差(mape)和均方误差mse都最小，同时相关系数r和r²都最大。因此用ga-fwnn作为模拟厌氧处理产气量是一个很好的方法。

表3各种模型性能比较

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。