基于储备池网络的污水处理出水总磷TP软测量方法与流程

本发明基于城市污水处理生化反应特性，利用储备池网络建立城市污水处理过程出水总磷tp的软测量模型，实现了出水总磷tp的实时测量。出水总磷tp实时测量是实现污水处理优化控制的重要基础，也是水环境保护的重要环节，本发明既属于控制科学与工程领域，又属于环境科学与工程领域。

背景技术：

国家《十三五规划纲要》指出，实现城镇生活污水处理设施全覆盖和稳定达标运行，到2020年底，城市污水处理率达到95％的总体目标，并指出对流域污染严重的地区应实行总磷排放总量控制，要求沿海城市污水处理厂加强实施除磷操作。在污水处理过程中，出水总磷浓度是一项非常重要的监测指标，也是水质评定的核心指标。此外，在城市污水处理过程中复杂的运行工序，人工操作不当，检测不完备，水质监控不及时等因素影响下，尚无法达到理想的除磷效果；同时，富含磷的污水排入江河湖泊易引起水体富营养化、导致藻类大量繁殖，是水环境污染和水体富营养化问题的主要因素。出水总磷tp智能检测技术不但有利于城市污水处理过程的优化运行，具有较好的经济效益，而且能缓解我国水体富营养化的现状，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。

目前国内外测量污水处理过程出水总磷tp的方法主要有分光光度法、液相色谱法、气相色谱法、电极法等。虽然这些方法测量精度较高，但是操作繁琐，且耗时长(小时级)，无法实现对出水总磷tp的实时测量，不能满足监管部门对总磷检测日益提高的实时性要求，且极易造成二次污染。市场上常用的总磷检测仪表，多产自欧洲、美国和日本等污水处理技术发展较早的发达国家。总磷仪表均基于化学原理进行检测，并没有根本上改变总磷检测的方式，无法实现总磷的实时检测，并且设备需要进口，购置与维护费用高昂。因此，现有的总磷检测技术和仪器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。近些年来，随着基于数据驱动的人工智能技术的不断发展，为城市污水处理过程出水总磷tp的测量提供了理论基础和技术支持，其中神经网络凭借其强大的非线性系统建模能力使其在污水处理过程关键变量软测量中得到了较好的验证与推广。通过设计有效的神经网络结构优化算法，优化网络的结构，提高网络性能，实现对城市污水处理过程出水总磷tp的快速高精度预测，为城市污水处理过程出水总磷实时检测的需求，提供一种可行的软测量方法。

本发明设计了一种基于储备池网络的污水处理出水总磷tp软测量方法，实现了城市污水处理过程出水总磷tp的实时测量。

技术实现要素：

本发明获得了一种基于储备池网络的污水处理出水总磷tp软测量方法，解决了城市污水处理过程中出水总磷tp难以实时检测的问题。本发明利用主成分分析法确定了软测量模型的输入变量；并设计了一种基于贡献率的结构优化算法，优化储备池网络结构，提高网络性能；最后，基于改进的储备池网络建立了出水总磷tp的软测量模型，实现快速、有效、准确地测量污水处理过程中的出水总磷tp，提高了城市污水处理厂水质质量实时监控的水平，保障城市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：

1、基于储备池网络的污水处理出水总磷tp软测量方法，包括以下步骤：

第一步：数据预处理及辅助变量的确定

采集污水处理厂实际水质参数数据，对数据进行预处理，通过主成分分析选取与出水总磷tp相关性强的辅助变量，最终选取进水总磷tp、出水温度t、好氧前段溶解氧do、入水油类，出水油类，以及出水氨氮nh4-n作为出水总磷tp测量的辅助变量，即软测量模型的输入变量；

第二步：设计基于贡献率的储备池网络结构优化算法

通过计算储备池神经元对网络输出的信息贡献程度，评价储备池神经元的贡献度；根据储备池神经元的贡献度优化网络结构，提高网络的泛化能力，所以，设计有效的储备池网络结构优化算法可以保证基于储备池网络建立的出水总磷tp软测量模型预测的准确性，提高对污水处理过程中复杂动态问题的适应能力；

1)构建一个储备池规模为n的储备池网络，网络通过储备池把输入数据转换到高维状态空间，且每一维对最终输出的贡献都不一样，为了分析储备池神经元的贡献度，首先定义两个神经元x和y间信息连接强度函数：

ic(x；y)＝h(x)+h(y)-h(x,y)(1)

其中，h(x)为神经元x的熵，h(y)为神经元y的熵，分别描述了神经元x，y所包含的信息量；h(x,y)为神经元x和y的联合熵，描述了两个神经元间共有的信息量；

依据shannon熵定义，h(x)、h(y)和h(x,y)可由式(2)-(4)计算：

h(x)＝-∑x∈xρ(x)logρ(x)(2)

h(y)＝-∑y∈yρ(y)logρ(y)(3)

则公式(1)可以写成：

针对于第i个储备神经元的贡献度进行评定，贡献度较小的输出连接权值将被修剪；第i个储备神经元的贡献度ci表示如下：

其中,mi表示第i个储备池神经元对网络输出的信息贡献程度，具体计算公式如下：

2)将第i个储备池神经元贡献度ci与设定的修剪阈值ρ进行对比，判断

是否修剪第i个储备池神经元的输出连接权值，具体的修剪判别机制如下：

其中，wi为第i个储备池神经元的输出连接权值，wi'为修剪后的第i个储备池神经元的输出连接权值，ρ为修剪阈值，ρ为常数，0≤ρ<1；通过设定修剪阈值，修剪贡献度较小的储备池神经元的输出连接权值，保留剩余输出连接权值；

第三步：建立出水总磷tp软测量的储备池网络模型

1)初始化储备池网络；储备池网络由输入层，储备池和输出层三部分组成，其中输入层神经元个数为k，储备池神经元个数为n，输出层神经元的个数为l个，k，n和l正整数；；初始化网络输入矩阵为wⁱⁿ，反馈矩阵w^back和储备池内部连接权值矩阵为w，为了保证储备池丰富的动态特性，储备池内部连接权值w的谱半径小于1；

2)将ns个训练样本输入到储备池网络中，对网络进行训练；储备池网络的状态变量表示为xl(l＝1,2,...100)，根据公式(9)对状态变量进行更新

x(n)＝f(wⁱⁿu(n)+wx(n-1)+w^backy(n))(9)

其中，f(·)为储备池状态变量的激活函数，n＝1,2,...ns,并收集储备池网络的状态变量，生成状态矩阵m：

计算储备池网络的输出变量y(n)，具体的计算公式如下：

y(n)＝f^out(w^outx(n))(11)

其中，f^out(·)为网络输出的激活函数，n＝1,2,...ns

3)分别计算网络的输出连接权值w^out和网络的检验误差e^v，计算公式如下：

wout＝m⁺y(12)

其中，y＝[y(1),y(2),…,y(ns)]^t是储备池网络的输出，d(n)是出水总磷tp真实值，y(n)是储备网络对出水总磷tp预测值；

4)优化储备池网络结构

根据公式(1)-(7)计算储备池内每一个神经元的贡献度，并根据公式(8)的修剪判别机制，修剪贡献度较小的储备池神经元的输出连接权值，得到优化后储备池网络的状态矩阵mc＝[x1,x2,...,xlprune],其中lprune为修剪后剩余的储备池神经元个数；

5)根据公式(12)对优化后储备池网络的输出连接权值进行调整，并根据公式(13)计算优化后网络的检验误差修剪终止条件如下：

若es≤0继续调整储备池网络结构，否则网络结构调整结束，得到最终的建立出水总磷tp软测量的储备池网络模型；

第四步：用测试数据对储备池网络进行测试

将测试样本中辅助变量数据作为训练好的基于贡献度优化后储备池网络的输入，网络的输出即为出水总磷tp的预测结果。

有益效果：本发明的创造性主要体现在：

(1)本发明针对当前污水处理厂测量出水总磷tp的操作繁琐，检测仪表使用造价高,出水总磷tp的难以实时测量等问题，提出了一种基于储备池网络的污水处理出水总磷tp软测量方法,实现了出水总磷tp的实时预测。

(2)本发明设计了一种基于贡献度的储备池网络结构优化算法。通过计算储备池神经元的贡献度，删除贡献度小的储备池神经元的输出连接权值,在保证模型精度的同时，有效的简化了网络结构，提高了网络的泛化性能，因此采用基于改进的储备池网络建立出水总磷tp软测量模型，对污水处理工程中复杂动态问题具有较好的适应能力。

特别要注意：本发明只是为了描述方便，采用的是对污水处理过程出水总磷的预测，同样该发明也可适用污水处理过程其他关键水质参数的预测，只要采用了本发明的原理进行预测都应该属于本发明的范围。

附图说明

图1是本发明基于储备池网络的污水处理出水总磷tp软测量的简化框图；

图2是本发明对城市污水处理过程出水总磷tp的训练效果图；

图3是本发明对城市污水处理过程出水总磷tp的预测效果图。

具体实施方式

下面以北京某污水处理厂某年全年水质分析日报表作为实施例，本实施例的实现包括四个步骤：

1.数据预处理及辅助变量的确定。

采集污水处理厂实际水质参数数据，对数据进行降噪，剔除异常数据,归一化处理后剩余360组可用数据，将全部的360组数据样本分为三部分：其中180组数据作为训练样本，90组数据作为检验样本，剩余90组数据作为测试样本。通过主成分分析选取与出水总磷tp相关性强的辅助变量。最终选取进水总磷tp、出水温度t、好氧前段溶解氧do、入水油类，出水油类，以及出水氨氮nh4-n作为出水总磷tp测量的辅助变量。6个辅助变量作为软测量模型的输入变量，出水总磷tp作为软测量模型的输出变量，基于储备池网络的出水总磷tp软测量的简化框图如图1所示。

2.设计储备池网络结构优化算法。

本发明通过计算储备池神经元对网络输出的信息贡献程度，评价储备池神经元的贡献度；根据储备池神经元的贡献度优化网络结构，提高储备池网络的泛化能力。所以，设计有效的结构优化算法可以保证基于储备池网络建立的出水总磷tp软测量模型预测的准确性，提高对污水处理过程中复杂动态问题的适应能力。

(1)构建一个储备池规模为100的储备池网络，网络通过储备池把输入据

转换到高维状态空间，且每一维对最终输出的贡献都不一样。为了分析储备池神经元的贡献度，首先定义两个神经元x和y间信息连接强度函数：

ic(x；y)＝h(x)+h(y)-h(x,y)(1)

其中，h(x)为神经元x的熵，h(y)为神经元y的熵，分别描述了神经元x，y所包含的信息量；h(x,y)为神经元x和y的联合熵，描述了两个神经元间共有的信息量。

依据shannon熵定义，h(x)、h(y)和h(x,y)可由式(2)-(4)计算：

h(x)＝-∑x∈xρ(x)logρ(x)(2)

h(y)＝-∑y∈yρ(y)logρ(y)(3)

其中，ρ(x)是离散变量x为x值时的概率密度函数，ρ(y)是离散变量y为y值时的概率密度函数,ρ(x,y)是离散变量x与y的联合概率密度函数。

则公式(1)可以写成：

针对于第i个储备神经元的贡献度进行评定，贡献度较小的输出连接权值将被修剪。第i个储备神经元的贡献度是第i个储备池神经元对网络输出的信息贡献程度相对于储备池内其他神经元对网络输出的信息贡献程度之和的大小，则第i个储备神经元的贡献度ci计算公式如下：

其中,mi表示第i个储备池神经元对网络输出的信息贡献程度，其和第i个储备池神经元与输出层神经元间的信息连接强度相关，具体计算公式如下：

(2)将第i个储备池神经元的贡献度ci与设定的修剪阈值ρ(ρ＝0.47)进行对比，判断是否修剪第i个储备池神经元的输出连接权值，具体的修剪判别机制如下：

其中，wi为第i个储备池神经元的输出连接权值，wi'为修剪后的第i个储备池神经元的输出连接权值。通过设定修剪阈值ρ，修剪贡献度较小的储备池神经元的输出连接权值，保留剩余输出连接权值。

3.设计出水总磷tp软测量的储备池网络模型。

本发明首先初始化储备池网络，将污水处理厂采集的数据样本输入到网络中，学习辅助变量与出水总磷tp之间的映射关系；利用提出的基于贡献率的结构优化算法优化储备池网络结构及参数，提高网络性能；最后建立出水总磷tp软测量的储备池网络模型，实现对出水总磷tp的准确预测。

(1)初始化储备池网络。储备池网络由输入层，储备池和输出层三部

分组成，其中输入层神经元个数为6个，储备池神经元个数为100个，输出层神经元的个数为1个，储备池网络结构图如图2所示。wⁱⁿ和w^back分别为储备池网络的输入矩阵和反馈矩阵，其矩阵内的元素通常选取区间在[-1,1]内均匀分布随机数。w为储备池内部连接权值矩阵，为了保证储备池丰富的动态特性，w的谱半径选取0.98，w的稀疏度选取0.01。

(2)将ns(ns＝180)组训练样本输入到储备池网络中，对网络进行训练。

储备池网络的状态变量表示为xl(l＝1,2,...100)，根据公式(9)对状态变量进行更新

x(n)＝f(wⁱⁿu(n)+wx(n-1)+w^backy(n))(9)

其中，f(·)为储备池状态变量的激活函数，选取tanh函数，n＝1,2,...ns,并收集储备池网络的状态变量，生成状态矩阵m：

计算储备池网络的输出变量y(n)，具体的计算公式如下：

y(n)＝f^out(w^outx(n))(11)

其中，f^out(·)为网络输出的激活函数，选取线性函数，n＝1,2,...ns。

(3)分别计算储备池网络的输出连接权值w^out和网络的检验误差e^v，计算公式如下：

wout＝m⁺y(12)

其中，y＝[y(1),y(2),…,y(ns)]^t是储备池网络的输出，d(n)是出水总磷tp真实值，y(n)是储备网络对出水总磷tp预测值。

(4)优化储备池网络结构。根据公式(1)-(7)计算网络储备池中每一个储备池神经元的贡献度ci(i＝1,2,...100)；根据公式(8)的修剪判别机制，修剪贡献度较小的储备池神经元的输出连接权值，保留贡献度较大的储备池神经的输出连接权值，得到优化后储备池网络的状态矩阵mc＝[x1,x2,...,xlprune],其中lprune为修剪后剩余的储备池神经元个数。

(5)根据公式(12)对优化后储备池网络的输出连接权值进行调整，并根据公式(13)计算优化后网络的检验误差修剪终止条件如下：

若es≤0继续调整储备池网络结构，否则网络结构调整结束，得到最终的建立出水总磷tp软测量的储备池网络模型。

4.用测试数据对储备池网络进行测试。

将90组测试样本中6个辅助变量数据作为训练好的储备池网络输入，网络的输出即为出水总磷tp的预测值。出水总磷tp浓度训练结果如图2所示，x轴：训练样本数，单位是个/天，y轴：出水总磷tp预测值，单位是毫克/升；出水总磷tp浓度测试结果如图3所示，x轴：测试样本数，单位是个/天，y轴：出水总磷tp预测值值，单位是毫克/升，；结果论证本发明提出的软测量方法的有效性。