CN101923083B - 基于支持向量机和神经网络的污水化学需氧量软测量方法 - Google Patents

Abstract

本发明属于污水处理领域，涉及基于支持向量机和神经网络的污水化学需氧量软测量方法。本发明选取水质参数pH、溶解氧、氧化还原电位及pH变化率、溶解氧变化率、氧化还原电位变化率，对水质参数化学需氧量进行软测量。采用支持向量机，根据各种水质参数及参数变化率对输入数据进行分类，根据分类数据的特点，选择合适神经网络分别训练，实现水质参数的实时有效估计。经对试验***的测试表明，该方法具有很好的精度和普遍适用性。

Description

基于支持向量机和神经网络的污水化学需氧量软测量方法

技术领域

本发明属于污水处理领域，具体涉及污水化学需氧量软测量方法。

背景技术

化学需氧量(COD，Chemical Oxygen Demand)是在强酸并加热条件下，采用一定的强氧化剂处理水样时所消耗的氧化剂量，用氧的浓度(mg/L)来表示，它是表示水中有机物总量的一个综合性指标。水体中有机物含量是关于天然水体环境质量分级的重要指标之一，是导致水体发黑发臭的根本因素，也是水体是否受生活污水和工业废水污染的判断依据。很多国家都规定了可以排放入自然水体的水质参数COD最大值。

目前，世界各国的COD测定方法主要为重铬酸钾回流法。重铬酸钾回流法是在水样中加入一定量的重铬酸钾和催化剂硫酸银，在强酸性介质浓硫酸加入的条件下加热回流一定时间，部分重铬酸钾被水样中可氧化物质还原，用硫酸亚铁铵滴定剩余的重铬酸钾，根据消耗重铬酸钾的量计算COD的值。

重铬酸钾回流法测量COD准确可靠，但缺点也很明显：

a)回流设备占用空间，操作比较繁琐，批量测定有困难。

b)反应测量大时延，一般要加热两小时，难以实时地得到COD参数。

c)银盐耗量大，分析费用高，而且测试过程中添加的硫酸银和硫酸汞形成的酸性废液需要妥善处理，否则造成严重的二次污染。

为了解决COD变量的实时估计问题，软测量技术取得了重大发展。软测量的基本思想是把自动控制理论与生产过程知识有机的结合起来，应用计算机技术对难以测量或者暂时不能测量的重要变量，选择另外一些容易测量的变量，通过构造某种数学关系来推断或者估计，以软件来替代硬件的功能。软测量技术已经成为现代流程工业和过程控制领域的关键技术，理论体系正在逐步形成完善，并取得了一些成功的应用。

法国A Charef等人采用主元分析(PCA)对数据分析并用神经网络建模，选取pH、氧化还原电位(Oxidation-Reduction Potential，ORP)以及水温作为基础，得到了污水的COD估计值。韩国的Dong-Jin Choi和Heekyung Park选取神经网络建模，利用COD、pH、TSS等11个数据对污水的凯氏氮进行了软测量研究。我国学者张文艺等以进水COD、pH、氨氮等9个参数作为输入，估计了出水COD值。这些软测量方法都取得了良好的COD估计效果，但也存在一些问题。

用神经网络进行COD软测量建模，第一个问题在于辅助变量的选择。和COD相关的化学参数多达十几种，出于测量的准确性和测量的难易程度，选择pH、溶解氧(Dissolved Oxygen，DO)、ORP作为辅助变量已经成为学者们的共识。第二个问题在于神经网络的构建方法。神经网络建模是一种确定性网络建模，它要求在相同的辅助变量输入条件下有相同的模拟输出。由于污水状态的多样性和辅助变量的选择限制，这个要求往往不能完全满足，常常导致用软测量的模拟输出估计主导变量时不能达到理想的精度。

发明内容

本发明的目的是克服现有技术的缺陷，提供一种新的污水化学需氧量软测量方法。具体涉及基于支持向量机(Support Vector Machine，SVM)和神经网络的污水化学需氧量软测量方法

本发明的具体技术方案如下：

本发明提出的基于支持向量机和神经网络的污水水质参数COD软测量模型，主导变量为污水COD，辅助变量为水质参数pH、pH变化率、DO、DO变化率、ORP以及ORP变化率。通过加入水质参数变化率，不但能反应污水的瞬时状态，也能反应水质状态的变化情况。这样可以减少辅助变量矛盾数据(相同输入下的不同输出)出现，有利于提高模型的估计准确性。

基于分类的思想，引入支持向量机对辅助变量进行预处理，根据水质参数及其变化率对数据样本进行分类。采用支持向量机分类，有利于区分不同状态水体的数据参数，减少了矛盾数据，便于神经网络训练。同时，采用多个神经网络进行训练，可以避免单个网络的训练局限性，如训练陷入局部最小值、网络不收敛等。

本发明所提供的基于支持向量机和神经网络的污水化学需氧量软测量方法的模型结构如图1所示。

在污水处理中，水质参数伴随着污水状态不断变化，如污水中溶解氧的状态有厌氧和好氧之分。在厌氧反应中，COD浓度高，衰减速率快，而在好氧反应中，COD浓度较低，反应时间长。为了便于神经网络训练，希望通过支持向量机区分污水的状态。在训练支持向量机时，首先要确定如何对已有数据样本进行标记。

采用支持向量机对污水数据分类的一个关键问题在于如何对输入数据进行标记和分类。标记依据可以为水质参数或水质参数变化率。如单独使用水质参数DO的变换率，或同时使用水质参数DO的变化率和ORP的变化率等。实际分析结果表明，使用水质参数和水质参数变化率都能很好地进行标记。同时，标记的种类个数可以根据情况调整，大于2个即可。

本发明选择如下方法将实验测量的数据样本标记成两类。第一类数据由两部分组成，DO变化率小于-1mg/(L·h)的数据样本和ORP变化率小于0并且DO值小于0.5mg/L的数据样本。第二类数据为除了第一类数据的剩余数据样本。标记之后，采用如下方法训练支持向量机。

SVM用于分类，它的基本思想在于引入非线性映射，将输入变量映射到一个高维空间(特征空间)，并在高维空间中寻找一个超平面。该超平面可以将训练集中的数据分开，且与类域边界的沿垂直于该超平面方向的距离最大，即最优分类超平面。

首先，采集水质参数pH、DO、ORP，并根据数据计算即时水质参数变化率(pH变化率、DO变化率、ORP变化率)。将这些数据与它们各自对应的标记组成数据集合，得到(x_i，y_i)，i＝1L n，x∈R⁶，其中x为水质参数的特征向量，向量维数为6，n为样本数量，y∈{0，+1}数据标记。

对输入向量作非线性映射Φ(·)，将原空间中的向量x映射至高维空间z＝Φ(x)，其中不用知道Φ(·)的具体形式，可以通过核函数计算高维空间中的内积。在高维空间中，定义g(x)＝w·x+b为决策平面，w为决策平面的法向量，当g(x)为线性函数时就得到最优决策平面。因此，寻找最优分类的问题可以转化为解二次规划的问题：

$\min \mathrm{\Φ}\left(w\right)=(w\·w)/2+C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i$ (1)

s.t.y_i[(w·x_i)+b]≥1-ξ_i       i＝1，L，n    (2)

C为常数，可以等于1/n，ξ_i为松弛变量。利用Lagrange乘子方法解决约束的最优问题，得到对应最优解的向量α_i ^*，即拉格朗日乘子，其中b^*为对应α_i ^*的分类阈值。最优决策函数为：

$f\left(x\right)=\mathrm{sgn}(\mathrm{\Σ}{\mathrm{\α}}_i^{*}{y}_{i}K(x_i\·x)+b^{*})$ (4)

其中K(x_i，x)为满足Mercer定理的内核函数，选择不同的内核函数可以构造不同的SVM分类器。常用的内核函数有线性核、多项式核、径向基核和Sigmoid核。本发明选用径向基核函数：

$K(x,x_i)=e^{-{\left|\right|x-x^{\′}\left|\right|}^2/2{\mathrm{\σ}}^2}$

这样，就得到支持向量机，然后用分类的数据样本训练神经网络。

神经网络模型众多，根据结构一般分为两种：前馈型神经网络，其中包括BP神经网络、RBF神经网络；和反馈型神经网络，如Elman网络、Hopfield网络。根据实际情况，可以选择前馈型网络或反馈型网络，将相同或不同结构的神经网络进行组合，形成神经网络组进行数据拟合。常用的神经网络模型有前馈型BP神经网络和反馈型Elman神经网络，下面将以这两个模型为示例介绍本发明的整体建模过程。

BP是一种按误差逆传播算法训练的多层前馈网络。它的基本思想是“误差反向传播”。通过对数据样本的学习，按照减少目标输出与实际输出之间误差的原则，从输出层反向经过各中间层回到输入层，逐层修正连接权值。BP神经网络结构分为三层：输入层、隐含层和输出层。以pH、pH变化率、DO、DO变化率和ORP、ORP变化率作为输入层的输入参数，通过隐含层估计污水COD值，最后由输出层输出。三层前馈型BP神经网络模型如图2所示。

输入输出的关系可以描述成：

COD＝f(pH，pH变化率，DO，DO变化率，ORP，ORP变化率)

Elman网络是一种反馈型神经网络，它在BP网络基本结构的基础上，通过添加延时模块使网络具备动态映射功能，从而使***具有适应时变的能力。它一般只需要单层网络就可以描述复杂***。Elman网络的结构一般分为4层：输入层、隐含层、承接层、输出层。网络结构如图3所示：

Elman神经网络的输入输出关系可以描述成：

COD＝f(pH，pH变化率，DO，DO变化率，ORP，ORP变化率)

基于SVM和神经网络的污水COD软测量模型如图4所示，其中A、B分别为支持向量机产生的神经网络选择信号，当数据进入BP神经网络时，A＝1、B＝0；当数据进入Elman网络时，A＝0、B＝1。

本发明所提供的基于支持向量机和神经网络的污水化学需氧量软测量方法，通过软测量的方法估计污水化学需氧量，对污水处理工艺过程进行自动控制，不但速度快，而且经济、环保。通过建立支持向量机和神经网络模型对污水处理COD数值进行预测，有比较好的精度。随着现代工业的快速发展，污水处理在人类社会发展中起着越来越重要的作用。本发明所提供的方法为提高污水处理***的可靠性和节能环保提供了重要的理论依据和研究价值，将会有良好的应用前景。

附图说明

图1：基于支持向量机和神经网络的污水化学需氧量软测量方法的模型结构

图2：三层前馈型BP神经网络模型

图3：Elman神经网络模型

图4：基于支持向量机和神经网络的污水化学需氧量软测量方法的模型

图5：实施例的COD预测曲线图

具体实施方案

以下结合具体的实施例，对本发明做进一步的阐述。实施例仅用于对本发明做说明而不是对本发明的限制。

实施例：

本实施例选取实验室搭建的序批式活性污泥法作为污水处理工艺，通过仿真验证本发明的性能和可行性。

在两套平行运行的SBR污水处理***中配套安装pH、DO和ORP传感器(美国Hach)；从***连续运行中随机选取8个工作状况，每个工况的条件不同；对污水进行pH、DO、ORP在线测量，并每隔半小时采样污水测量其COD值(标准重铬酸钾法)，得到16组测量数据。任意选取其中13组数据作为训练样本，3组作为实验数据以验证各种方法效果。

由Hach传感器测得水质参数pH、DO、ORP，并根据相邻数据算出pH变化率、DO变化率、ORP变化率。6个数据作为输入，输出为1个神经元的COD估计值。神经元激活函数选用Sigmoid函数，响应值在0和1之间。为了取得良好的收敛速度和预测精度，对样本数据进行预处理，压缩到区间[0，1]。考虑到实际使用的效果，本实施例压缩到0.1～0.9之间：

$Y=0.1+\frac{0.8(X-X_{\min })}{X_{\max }-X_{\min }}$

选取平均绝对百分比误差(MAPE)作为模型性能评价标准，y_i为实验数据，y_i ^p为网络预测值。计算公式为：

$E_{\mathrm{MAPE}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|\frac{y_i^p-y_i}{y_i}\right|\×100\%$

将3组剩余数据作为测试数据，得到如下表的测量结果。

表：基于SVM分类的神经网络污水COD软测量结果

模型的MAPE为8.62％。本实施例的COD的预测曲线如图5所示，其中蓝色曲线所示，红色曲线为实际测量的COD值。

从图5可以看到，在第2个小时和第5个小时由于有新污水流入，COD值有一定的跳跃。但基于SVM和BP、Elman神经网络的污水COD软测量模型能很快地适应此变化过程，及时、准确地反映出水质的变化趋势，较为准确地预测了污水处理***中的COD值。

Claims (7)

1.基于支持向量机和神经网络的污水化学需氧量软测量方法，其特征在于，其包括如下步骤：

（1）采集合适的水质参数及其变化率作为辅助变量；

（2）辅助变量数据输入支持向量机进行分类预处理；

（3）经分类处理的数据样本分别进入经过训练的不同的神经网络；

（4）神经网络根据曾经的训练经验给出污水化学需氧量预测值。

2.根据权利要求1所述的基于支持向量机和神经网络的污水化学需氧量软测量方法，其特征在于，所述的辅助变量为水质参数pH、溶解氧、氧化还原电位以及pH变化率、溶解氧变化率和氧化还原电位变化率。

3.根据权利要求1所述的基于支持向量机和神经网络的污水化学需氧量软测量方法，其特征在于，所述的化学需氧量数值预测前，采用支持向量机法对数据进行分类。

4.根据权利要求1所述的基于支持向量机和神经网络的污水化学需氧量软测量方法，其特征在于，所述的辅助变量数据分类的依据为水质参数或水质参数变化率。

5.根据权利要求4所述的方法，其特征在于，所述的实验测量的数据样本标记为两类：第一类数据为溶解氧变化率小于-1mg/(L·h)的数据样本和氧化还原电位变化率小于0并且DO值小于0.5mg/L的数据样本，第二类数据为除了第一类数据的剩余数据样本。

6.根据权利要求1所述的方法，其特征在于，所述方法根据分类数据的特点选取合适网络分别训练，采用多个神经网络分别训练，训练结果作为化学需氧量的估计网络。

7.根据权利要求1所述的方法，其特征在于，所述神经网络为前向型神经网络或反馈型神经网络。

Images