基于自适应模糊神经推理系统的污水COD出水浓度预测方法

基于自适应模糊神经推理系统的污水cod出水浓度预测方法
技术领域
1.本发明涉及污水处理领域，特别涉及基于自适应模糊神经推理系统的污水cod出水浓度预测方法。


背景技术：

2.污水处理是个复杂的生化反应过程，在污水生物处理过程中，化学需氧量(cod)是个重要的出水指标，也是重要的检测参数。cod是指水体中能被氧化的物质进行化学氧化时消耗氧的量，一般以每升水消耗氧的毫克数来表示，是水质监测的基本综合指标。据环保专家介绍，水中的有机物在被环境分解时，会消耗水中的溶解氧。如果水中的溶解氧被消耗殆尽，水里的厌氧菌就会投入工作，从而导致水体发臭和环境恶化。因此cod值越大，表示水体受污染越严重。由于生物活性污泥工艺中复杂的相互作用和时变的水力条件，污水处理厂的操作和过程控制具有挑战性，因此对污水中cod出水浓度进行预测成为本领域的研究重点。
3.现有技术中的cod出水浓度预测方法主要采用活性污泥模型来描述处理过程中生物质活性的质量平衡，从而获得污水中的cod出水浓度。然而，这些模型是高维的，并且包含大量的动力学和化学计量参数，这些参数应通过特定的实验室测试和过程操作来确定，操作过程比较复杂，将现有的方法应用到工厂环境中，则会降低预测cod出水浓度的准确率。


技术实现要素：

4.本发明目的是为了解决污水cod出水浓度预测方法还存在操作过程复杂导致应用到工厂环境时准确率低的问题，而提出了基于自适应模糊神经推理系统的污水cod出水浓度预测方法。
5.基于自适应模糊神经推理系统的污水cod出水浓度预测方法具体过程为：
6.获取待预测的废水数据，将待预测的废水数据输入到cod出水浓度预测系统中获得废水cod出水浓度；
7.所述cod出水浓度预测系统通过以下方式获得：
8.步骤一、获取废水数据，并利用废水数据获得训练集和测试集；
9.步骤二、将获得的训练集进行减法聚类获得减法聚类后的训练集，利用减法聚类后的训练集建立初始模糊推理系统；
10.步骤三、对步骤二获得的初始模糊推理系统进行优化，获得优化后的初始模糊推理系统；
11.步骤四、利用测试集测试优化后的初始模糊推理系统，若优化后的初始模糊推理系统的准确率小于预设阈值则重新执行步骤一，若初始模糊推理系统的准确率大于等于预设阈值则保存该优化后的初始模糊推理系统；
12.步骤五、利用相关系数r2、均方根误差rmse、平均百分比误差ape获得步骤四保存的优化后的初始模糊推理系统中性能最好的系统即cod出水浓度预测系统；
13.所述性能最好的系统为：r2最大同时，rmse和ape的值最小。
14.本发明的有益效果为：
15.本发明基于anfis模型精确预测实际好氧生物污水处理厂的出水cod浓度；本发明仅利用污水处理厂以往获得的进出水cod浓度数据，大大降低数据采集的工作量；无需额外设备，简单易行，操作简单，造价低；本发明对系统配置和运行条件的变化具有很强的适应性和灵活性，可以最大限度地利用从数据和操作员经验中提取的信息，然后将这些信息应用于改善污水处理厂的控制，本发明还描述了废水质量参数之间的关系，并能够预测和控制废水处理厂的污水性能，更适用于工厂中的污水cod出水浓度预测，提升了对工厂中的污水cod出水浓度预测的准确率。
附图说明
16.图1为本发明的流程图；
17.图2为污水处理厂的流程图；
18.图中，1为污水进水口；2为格栅；3为沉砂池；4为平衡池；5a为第一曝气池；5b为第二曝气池；6为平衡池；7为澄清池；8为回流污泥；9为消毒池；10为出水口；
19.图3(a)为模糊推理原理图；
20.图3(b)为模糊推理的等效anfis示意图。
具体实施方式
21.具体实施方式一：本实施方式基于自适应模糊神经推理系统的污水cod出水浓度预测方法具体过程为：获取待预测的废水数据，将待预测的废水数据输入到cod浓度预测系统中获得废水cod出水浓度；
22.所述废水cod出水浓度预测系统通过以下方式获得，如图1所示：
23.步骤一、获取废水数据，并利用废水数据获得训练集和测试集：
24.步骤一一、在污水处理厂的工艺单元中获取废水数据：
25.所述污水处理厂包括：格栅、沉砂池、平衡池、曝气池(并联运行)、澄清池和消毒池组成，如图2所示；
26.所述废水数据包括：历史废水数据、mlss/mlvss
a、b
和f/mlvss
a、b
；
27.其中，f是曝气池每日的平均需氧量；a、b是两个曝气池的编号；
28.所述历史废水数据包括：总悬浮固体量(tss)、化学需氧量(cod)、混合液悬浮固体浓度(mlss)、混合液挥发性悬浮固体浓度(mlvss
a、b
)、曝气池中的流速和溶解氧浓度，两个曝气池的日平均cod负荷(cod
load
)。
29.步骤一二、将废水数据中的异常值剔除，获取剔除异常值后的废水数据：
30.将缺失参数值的历史废水数据剔除，获得运行周期内剔除异常值后的废水数据；
31.步骤一三、对剔除异常值后的废水数据进行归一化获得归一化后的废水数据；
32.所述归一化过程中使用xbounds函数设置设置值和边界值，该函数指定如何将输入和输出中的数据映射到单位超盒中。此函数提供轴的最小和最大范围值，用于缩放每个维度中的数据。
33.步骤一四、将归一化后的废水数据划随机分为训练集和测试集；
34.所述训练集：测试集＝7:3；
35.步骤二、将获得的训练集进行减法聚类获得减法聚类后的训练集，利用减法聚类后的训练集建立初始模糊推理系统(fis)：
36.所述减法聚类中的聚类半径范围(影响范围)、挤压因子、接受比和拒绝比的默认值分别为0.5、1.25、0.5和0.15；
37.减法聚类是将每一个数据点都作为一个潜在的聚类中心，减去已完成的聚类中心的作用，再次寻找聚类，克服了其他聚类法计算量随着问题的维数而以指数方式增长的缺点。
38.步骤三、采用anfis模型对步骤二获得的初始模糊推理系统进行优化，获得优化后的初始模糊推理系统；
39.所述anfis定义如下：
40.定所考虑的模糊推理系统具有两个输入x和y，以及一个输出z。
41.如图3(a)，具有两个模糊if-then规则的典型规则集可以表示为:
42.①
if x是a1，y是b1,then f1＝p1x q1y r143.②
if x是a2，y是b2,then f2＝p2x q2y r244.每个规则的输出是输入变量加上常数项的线性组合，最终输出是每个规则输出的加权平均值。这种模糊推理称为3型anfis。3型模糊推理和相应的等价anfis结构如图3所示。
45.如图3(b)，模糊集ai，bi，i＝1，2的隶属函数在第一层是μ
ai
(x)和μ
bi
(y)。这些输入隶属函数通常指定为广义钟形高斯函数，最大值等于1，最小值等于0。
[0046][0047][0048]
其中，ai，ci，ai′
，ci′
是参数集并称为前提参数。
[0049]
第2层中的每个节点是图中标记为π的固定节点，其将输入信号相乘并将乘积输出为：
[0050][0051]
每个节点输出表示规则的触发强度。在第3层中，每个节点都标记为n。第i个节点计算第i个规则的发射强度与所有规则的发射强度之和的比率:
[0052][0053]
在第4层，每个节点都是一个自适应节点，具有以下功能：
[0054][0055]
其中，是第3层中的输出结果，{p1,q1,r1}是参数集，称为结果参数。
[0056]
在第5层中，该层中的单个节点是标记为∑的固定节点，它将总输出计算为所有传入信号的总和:
[0057][0058]
根据在100到1000步之间调整迭代，使用缩放和优化的模型架构来预测最佳训练；
[0059]
步骤四、利用测试集测试优化后的初始模糊推理系统，若优化后的初始模糊推理系统的准确率小于预设阈值则重新执行步骤一，若初始模糊推理系统的准确率大于等于预设阈值则保存该优化后的初始模糊推理系统；
[0060]
步骤五、利用相关系数r2、均方根误差rmse、平均百分比误差ape获得步骤四保存的优化后的初始模糊推理系统中性能最好的系统即cod出水浓度预测系统；
[0061][0062][0063]
其中，xi是归一化后的废水数据中实际cod出水数值，yi是预测的cod出水数值，n是归一化后的废水数据中cod出水数值的总数量；
[0064]
当r2越大，rmse和ape越小，模型效果越好。
[0065]
实施例：为验证本发明的有效效果进行如下试验：
[0066]
某污水处理厂的构筑物包括格栅、沉砂池、平衡池、曝气池(并联运行)、澄清池和消毒池。该工厂中的水力停留时间(hrt)和污泥停留时间(srt)分别为5-8小时和10-12天。选取该污水处理厂的历史进出水数据，包括日进水量(q
influent
)、沉砂池出水日平均总悬浮物浓度(tss
grit
)、沉砂池废水的日平均cod浓度(cod
grit
)、mlss、mlvss
a、b
、沉砂池废水的日平均cod浓度(cod
load
)、回流活性污泥日平均mlss(mlss
ras
)、曝气池中的日平均溶解氧(do
a,b
)。计算新的参数mlss/mlvss
a、b
和f/mlvss
a、b
)，并将其作为新变量添加到输入矩阵中，以更好地表示模型中的需氧过程。将缺失参数值的历史数据从数据库中剔除。最终的数据矩阵涵盖了200天的运行期，将每一天都视为一个单独的数据，具体数据如表1所示：
[0067][0068]
x为输入变量，y为输出参数。
[0069]
由于参数变量的单位不同，对数据进行归一化处理。从200对数据中随机选取140对(70％)数据用于构建模型，剩下60对(30％)数据用于验证模型。使用减法聚类(genfis2)算法对训练集进行聚类，利用聚类后的训练集建立初始fis系统，利用anfis优化初始fis系统，以下数据验证了本发明的预测能力：
[0070]
在建立数据结构后，执行混合算法，并由系统算法自动生成18条fis规则。在训练步骤之后，发现rmse、ape和r2值分别为0.4mg/l、1.04％和0.9997，表明非常高的训练性能。验证步骤的rmse、ape和r2值分别为2.1mg/l、5.86％和0.9925。所有这些值证明了anfis模型的高预测能力。
[0071]
为了简化进水参数来预测处理性能(出水参数)，使用主成分分析(pca)对数据进行了预处理，将10个输入参数简化为3个主成分。tss
grit
、cod
grit
、cod
load
(分别为x2、x3、x4)被指定为具有代表性的新模型输入矩阵来预测cod
effluent
。pca后新开发的anfis模型与以前的模型具有相同的基本算法。对于训练和验证数据集，再次确定模型的性能。
[0072]
在使用pca的anfis模型中，经过训练过程，生成的fis规则从18条减少到9条。在这个新的anfis模型中计算的rmse、ape和r2值分别为1.5mg/l、3.51％和0.9962，表明与pca之前的anfis模型相比，训练步骤的预测性能有所降低。同样，由于实施了pca，验证步骤的rmse增加了0.5mg/l，ape增加了1.67％。此外，在验证步骤中，发现r2值从0.9925下降到0.9879。
[0073]
尽管模型的性能在pca之后有所下降，但基于训练和验证性能，模型的预测能力仍然非常高。且在pca之后的模型中只使用了三个输入变量来预测出水cod浓度。考虑到污水处理厂生物处理过程的复杂性，用有限的输入变量预测有机碳的去除是相当成功的。