CN113111576B - 一种基于混合编码粒子群-长短期记忆神经网络出水氨氮软测量方法 - Google Patents
一种基于混合编码粒子群-长短期记忆神经网络出水氨氮软测量方法 Download PDFInfo
- Publication number
- CN113111576B CN113111576B CN202110354522.1A CN202110354522A CN113111576B CN 113111576 B CN113111576 B CN 113111576B CN 202110354522 A CN202110354522 A CN 202110354522A CN 113111576 B CN113111576 B CN 113111576B
- Authority
- CN
- China
- Prior art keywords
- neural network
- effluent
- long
- training
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000002245 particle Substances 0.000 title claims abstract description 81
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 76
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 title claims abstract description 66
- 230000015654 memory Effects 0.000 title claims abstract description 49
- 238000000691 measurement method Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 30
- 239000010865 sewage Substances 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 230000007787 long-term memory Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 56
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 11
- 229910052760 oxygen Inorganic materials 0.000 claims description 11
- 239000001301 oxygen Substances 0.000 claims description 11
- 239000007787 solid Substances 0.000 claims description 11
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 claims description 10
- 230000033116 oxidation-reduction process Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000009827 uniform distribution Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 5
- 230000006403 short-term memory Effects 0.000 abstract description 4
- 230000008878 coupling Effects 0.000 abstract description 3
- 238000010168 coupling process Methods 0.000 abstract description 3
- 238000005859 coupling reaction Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 238000013178 mathematical model Methods 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 abstract 1
- 238000013461 design Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 3
- 238000012851 eutrophication Methods 0.000 description 3
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于混合编码粒子群‑长短期神经网络的出水氨氮软测量方法,属于污水处理领域和人工智能领域。由于氨氮浓度在线监测设备技术含量高、价格昂贵,并且由于城市污水处理过程存在着不确定、多过程、强耦合、非线性和时变等特点,很难通过反应机理建立准确的数学模型。本发明利用基于混合粒子群‑长短期记忆神经网络建立出水氨氮浓度的软测量模型:首先根据长短期记忆神经网络的参数和结构对粒子的位置进行混合编码;然后提出一种更新机制来调整混合编码的粒子,直到获得满足需求的神经网络模型。本发明实现对出水氨氮浓度的准确测量,有助于保障城市污水处理过程的正常运行,提高污水处理的质量。
Description
技术领域:
本发明利用基于混合编码粒子群-长短期记忆神经网络建立城市污水处理过程出水氨氮浓度的软测量模型,实现对出水氨氮浓度的实时测量;出水氨氮的浓度反映了水体的富营养化程度以及污水处理过程中含氮污染物的去除效果,其准确测量对于城市污水处理过程的运行监控和提高污水处理质量十分重要。本发明既属于水处理领域,又属于人工智能领域。
背景技术:
水体中含氮污染物超标会引起自然水体富营养化问题,国家对城市污水处理过程中含氮污染物的排放标注日趋完善。在城市污水处理过程中,相关水质参数的准确测量是保障城市污水处理过程正常运行和提高污水处理质量的前提。因此,本发明具有广阔的应用前景。
城市污水处理过程是一个具有不确定性、多过程、强耦合、非线性和时变特性的复杂***。相关水质参数的准确测量是污水处理厂稳定高效运行的重要保证。出水氨氮浓度是水质检测的常用指标之一,能很好地反映水体富营养化程度和有机物含量。但是,由于出水氨氮浓度在线监测设备技术含量高、价格昂贵,目前还没有得到广泛应用,主要依靠人工实验室分析,实时性差。另外,由于污水处理厂具有非线性、时变性和强耦合的特点,很难通过反应机理建立准确的数学模型。因此,建立基于智能算法的软测量***对于出水氨氮浓度的实时在线检测具有重要意义。
软测量方法利用易测变量以及被测***内部变量的相关性,通过构建等效模型对难测变量进行实时预测,为污水处理过程中出水氨氮的测量提供了一种高效快速的解决方案。由于长短期记忆神经网络独特的门结构,可以有效地处理时间序列中的长、短期相关性以及强大的非线性建模能力,被广泛应用到软测量***中。本发明设计了一种基于混合编码粒子群-长短期记忆神经网络出水氨氮预测方法,通过混合编码粒子群算法对长短期记忆神经网络进行优化设计,实现对出水氨氮浓度实时测量,保证污水处理过程的正常进行,提高出水水质。
发明内容:
针对城市污水处理过程中出水氨氮难以实时测量的问题,本发明提出一种基于混合编码粒子群-长短期记忆神经网络的出水氨氮软测量方法。该方法利用城市污水处理过程的机理模型与专家经验,选取与出水氨氮浓度密切相关的易测辅助变量,通过构造长短期记忆神经网络实现辅助变量与出水氨氮之间的映射;设计了基于混合编码的粒子群算法,自动调整长短期记忆神经网络的参数和结构,并将设计得到的长短期记忆神经网络用于出水氨氮浓度的软测量,解决污水出水氨氮浓度难以测量的问题,保障城市污水处理过程的有效运行。
本发明提供了一种基于混合编码粒子群-长短期记忆神经网络的出水氨氮软测量方法。其特征在于,包括如下步骤:
步骤1:软测量模型的输入变量选择与数据预处理;
采集污水处理厂水质参数数据,选择水质参数数据中的好氧末段溶解氧浓度DO、好氧末端总固体悬浮物浓度TSS、出水酸碱度pH、出水氧化还原电位ORP和出水硝态氮浓度NO- 3-N作为输入变量,出水氨氮浓度作为输出变量。并将输入和输出变量按以下公式归一化至[-1,1]之间:
其中x是归一化后的数据,O表示水质参数的原始数据。max(O)和min(O)分别是该项数据的最大值和最小值。
将归一化后的数据划分为输入数据u(k)=[u1(k),u2(k),u3(k),u4(k),u5(k)]和输出数据y(k)。其中,u1(k)、u2(k)、u3(k)、u4(k)和u5(k)分别是好氧末段溶解氧浓度DO、好氧末端总固体悬浮物浓度TSS、出水酸碱度pH、出水氧化还原电位ORP和出水硝态氮浓度NO- 3-N归一化后的值,y(k)是出水氨氮浓度归一化后的值,k=1,2,3,...,L,L是样本数据的总数。
步骤2:确定混合编码粒子群-长短期记忆神经网络结构
混合编码粒子群-长短期记忆神经网络共分为三层:输入层、隐含层和输出层;根据步骤1,输入层为好氧末段溶解氧浓度DO、好氧末端总固体悬浮物浓度TSS、出水酸碱度pH、出水氧化还原电位ORP和出水硝态氮浓度NO- 3-N,隐含层为长短期记忆单元,输出层为出水氨氮浓度。因此,神经网络的输入变量共5个,输出变量1个,确定混合编码粒子群-长短期记忆神经网络结构为5-N-1,其中N为正整数,其表示隐含层的长短期记忆单元的个数。将神经网络的实际输出表示为混合编码粒子群-长短期记忆神经网络的计算过程是:
h(k)=tanh(c(k))⊙o(k) (3)
o(k)=Uou(k)+Roh(k-1)+bo (4)
c(k)=f(k)⊙c(k-1)+i(k)⊙tan(Ucu(k)+Rch(k-1)+bc) (5)
其中,和分别是神经网络输出门的输入权值矩阵、递归权值矩阵和偏置向量,其均在[-1,1]之间进行随机初始化;和分别是神经网络内部状态的输入权值矩阵、递归权值矩阵和偏置向量,其均在[-1,1]之间进行随机初始化;和分别是神经网络的输入门和遗忘门,分别由以下的公式(6)和(7)计算得到:
i(k)=Uiu(k)+Rih(k-1)+bi (6)
f(k)=Ufu(k)+Rfh(k-1)+bf (7)
其中,和分别是神经网络输入门的输入权值矩阵、递归权值矩阵和偏置向量,其均在[-1,1]之间进行随机初始化;和分别是神经网络遗忘门的输入权值矩阵、递归权值矩阵和偏置向量,其均在[-1,1]之间进行随机初始化。
步骤3:训练神经网络
步骤3.1:将神经网络的输入权值(Ui、Uf、Uo和Uc),递归权值(Ri、Rf、Ro、Rc),输出权值(Wout)和偏置(bi、bf、bo、bc)通过计算机的随机函数初始化在[-1,1]之间;初始化网络大小N=12;初始化训练次数t=1,最大训练次数为tmax=1000,;初始化网络训练期望性能为Te,Te=0.1。
步骤3.2:对粒子进行编码。将粒子的位置按如下公式进行编码:
其中,aj是第j个粒子的位置,j=1,2,...,S,S是种群大小,S=60;是一个长度为N的二值行向量,ξ=1,2,3,...,N;Hξ j代表长短期记忆神经网络的结构,其中Hξ j=0表示第ξ个长短期记忆单元不存在,Hξ j=1表示第ξ个长短期记忆单元存在;是一个长度为N(4(5+N+1)+1)的实数行向量,Wj ξ={Uj ξ,Rj ξ,bj ξ,Wj out·ξ}是第ξ个长短期记忆单元的所有参数,其中,Uj ξ={Ui j,Uf j,Uo j,Uc j}ξ包含了第ξ个长短期记忆单元输入门、遗忘门、输出门和内部状态的输入权值;Rj ξ={Ri j,Rf j,Ro j,Rc j}ξ包含了第ξ个长短期记忆单元输入门、遗忘门、输出门和内部状态的递归权值;bj ξ={bi j,bf j,bo j,bc j}ξ包含了第ξ个长短期记忆单元输入门、遗忘门、输出门和内部状态的偏置。
同时,将粒子的速度表示为:
vj=[vj,1,vj,2,...,vj,d,...,vj,D] (9)
其中,vj代表第j个粒子的速度向量,vj,d是第j个粒子在维度d上的速度分量,d=1,2,...,D,D是粒子的总维度,且D=N(4(5+N+1)+2)。
其中L代表神经网络输入的训练样本数。
步骤3.4:获取粒子的个体最优位置和全局最优位置。
粒子的个体最优位置为:
φ(pj(t-1))是粒子上次个体最优位置的适应度值,φ(aj(t))是第j个粒子在t时刻的适应度值。
粒子的全局最优位置为:
步骤3.5:对每个粒子的速度和位置进行更新:
粒子的速度更新为:
vj,d(t+1)=ωvj,d(t)+c1r1(pj,d(t)-aj,d(t))+c2r2(gd(t)-aj,d(t)) (13)
其中,ω是粒子群的惯性权重,ω=0.8;c1和c2是加速因子,c1=c2=1.5;r1和r2分别是局部最优位置系数和全局最优位置系数,其均服从[0,1]之间的均匀分布;pj,d(t)表示第j个粒子的个体最优位置pj(t)在维度d上的分量,gd(t)表示全局最优位置g(t)在维度d上的分量,aj,d(t)表示第j个粒子的位置aj(t)在维度d上的分量。
位置的更新分为两部分,二值编码部分Hj的更新为:
其中,1≤d≤N,r3是转化概率,其服从(0,1)之间的均匀分布,C(vj,d(t+1))是概率转换函数,其表示为:
其中,θ是灵敏系数,用于控制C(vj,d(t+1))的宽度,θ=1.5。
实数编码部分Pj的更新为:
其中,r4是局部最优位置和全局最优位置之间的平衡系数,其服从[0,1]之间的均匀分布。
公式(16)中的η是中度随机搜索算子,其计算公式为:
其中,r5和r6服从[0,1]之间的均匀分布,r7服从[-1,1]之间的均匀分布。
公式(16)中的βj是收敛控制因子,计算公式为:
其中,ε是缩放因子,ε=6.5;G(t)是种群多样性,Fj(t)是变化率;G(t)和Fj(t)的计算如下:
其中,Min(φ(aj(t)))是第t次训练中所有粒子适应度值的最小值,Max(φ(aj(t)))是第t次训练中所有粒子适应度值的最大值,φ(g(t))是第t次训练中的全局最优适应度值。
步骤3.6:输入训练样本数据重复步骤3.3到步骤3.5,每训练完一次t自加1(t=t+1);当粒子的全局最优位置对应的适应度函数值φ(g(t))满足小于网络训练期望性能Te=0.1或者达到最大训练次数(t=tmax=1000)时停止训练。
其中,max(O)和min(O)在步骤1中已经描述。
步骤4:测试神经网络。
将测试样本数据按公式(1)归一化后作为训练后的混合编码粒子群-长短期记忆神经网络的输入,将混合编码粒子群-长短期记忆神经网络的输出按公式(22)反归一化后即为出水氨氮的测量值。
2、本发明与现有技术相比,具有以下明显的优势和有益效果:
(1)本发明针对当前污水处理过程中出水氨氮浓度在线检测存在的一些问题,提出了混合编码粒子群-长短期记忆神经网络实现出水氨氮浓度的软测量方法,具有低成本、高精度的特点。
(2)本发明标准的长短期记忆神经网络结构参数训练复杂和结构难以确定的问题,提出基于混合编码粒子群算法的长短期记忆神经网络的设计方法。首先,通过混合编码方案来同时表示长短期记忆神经网络的参数和结构,其次,设计一种更新机制来调整粒子的位置,能够获得精度较高结构紧凑的长短期记忆神经网络。
附图说明
图1为本发明的出水氨氮浓度软测量方法的模型结构图;
图2为本发明的出水氨氮浓度软测量方法训练性能图。
图3为本发明的出水氨氮浓度软测量方法训练结果图。
图4为本发明的出水氨氮浓度软测量方法训练误差图。
图5为本发明的出水氨氮浓度软测量方法测试结果图。
图6为本发明的出水氨氮浓度软测量方法测试误差图。
具体实施方式:
本发明提供了一种基于混合编码粒子群-长短期记忆神经网络的出水氨氮浓度软测量方法,通过神经网络对出水氨氮浓度在线测量,提高了对污水处理过程出水氨氮浓度的预测精度和时效性,提高了城市污水处理厂出水氨氮浓度实时检测水平,保障了污水处理过程正常运行:
本发明实例采用某污水厂2014年水质分析数据,剔除异常数据后获得490组数据样本,选取前370组数据作为训练样本,后120组数据作为测试样本,主要步骤如下:
步骤1:预测模型的输入变量与数据预处理
将490组数据中的好氧末段溶解氧浓度DO、好氧末端总固体悬浮物浓度TSS,、出水酸碱度pH、出水氧化还原电位ORP和出水硝态氮NO-3-N浓度作为输入变量,出水氨氮浓度作为输出变量。并将输入和输出变量按公式(1)归一化至[-1,1]之间。
步骤2:初始化混合编码粒子群-长短期记忆神经网络结构的参数
首先将混合编码粒子群-长短期记忆神经网络结构确定为5-12-1;其次,将神经网络的输入权值(Ui、Uf、Uo和Uc),递归权值(Ri、Rf、Ro、Rc),输出权值(Wout)和偏置(bi、bf、bo、bc)通过计算机的随机函数初始化在[-1,1]之间;然后,初始化训练次数t=1,最大训练次数tmax=1000;最后,初始化网络训练期望性能Te=0.1。
步骤3:训练神经网络
步骤3.1:初始化混合编码粒子群的参数
首先,初始化种群大小S,惯性权重ω=0.8,加速因子c1=c2=1.5,灵敏系数θ=1.5,缩放因子ε=6.5;然后,将粒子的速度vj通过计算机随机函数初始化在[-3,3]之间。
步骤3.2:根据公式(8)对粒子位置aj进行编码。
步骤3.4:首先,通过公式(10)计算每个粒子的适应度函数值φ(aj(t));其次,由公式(11)获取个体最优位置pj(t);然后,根据公式(12)获取全局最优位置g(t)。
步骤3.5:首先,通过公式(13)对每个粒子的速度进行更新;然后,通过公式(14)-(21)对每个粒子的位置进行更新。
步骤3.7:训练结束后,将神经网络的输出值通过公式(22)反归一化为出水氨氮训练输出值。训练过程中的神经网络的均方根误差如图2所示,X轴,单位是次,训练次数,Y轴,神经网络训练均方根误差;训练结果如图3所示,X轴,样本数,单位是个/样本,Y轴,出水氨氮浓度,单位是mg/l;实线为期望出水氨氮浓度值,虚线是训练出水氨氮浓度输出值;出水氨氮浓度实际输出与训练输出的误差如图4所示,X轴:样本数,单位是个/样本,Y轴:出水氨氮浓度,单位是mg/l。
步骤4:用训练好的网络对出水氨氮浓度进行测试。测试结果如图5所示,X轴:样本数,单位是个/样本,Y轴:出水氨氮浓度,单位是mg/l;实线为期望出水氨氮浓度值,虚线是测试出水氨氮浓度输出值;出水氨氮浓度实际输出与测试输出的误差如图6所示,X轴:样本数,单位是个/样本,Y轴:出水氨氮浓度,单位是mg/l;实验结果表明了基于混合编码粒子算法-长短期记忆神经网络出水氨氮浓度的软测量***的有效性。
最后应说明的是:以上示例仅用以说明本发明而并非限制本发明所描述的技术方案;因此,尽管本说明书参照上述的示例对本发明已进行了详细的说明,但是,本领域的普通技术人员应当理解,仍然可以对本发明进行修改或等同替换;而一切不脱离发明的精神和范围的技术方案及其改进,其均应涵盖在本发明的权利要求范围当中。
表1-12是本发明的实验数据,表1-6为训练输入数据:好氧末段溶解氧浓度DO、好氧末端总固体悬浮物浓度TSS、出水酸碱度pH、出水氧化还原电位ORP、出水硝态氮浓度NO- 3-N,出水氨氮浓度;表7为训练输出出水氨氮的浓度,表8-13为测试样本:好氧末段溶解氧DO、好氧末端总固体悬浮物TSS、出水酸碱度pH、出水氧化还原电位ORP、出水硝态氮NO- 3-N,表14为本发明出水氨氮浓度的软测量值。
训练样本
1.好氧末端溶解氧DO的值(mg/l)样本:
表2.好氧末端总固体悬浮物TSS
表3.出水酸碱度pH
表4.出水氧化还原电位ORP
表6.出水氨氮
表7.训练输出出水氨氮浓度(mg/l)
测试样本:
表8.好氧末端溶解氧DO的值(mg/l)
表9.好氧末端TSS(g/l)
2.49064 | 2.49819 | 2.52135 | 2.53398 | 2.45145 | 2.37325 | 2.38391 | 2.44919 | 2.46015 | 2.43197 |
2.47248 | 2.49488 | 2.39927 | 2.48145 | 2.56545 | 2.53942 | 2.52862 | 2.43302 | 2.51395 | 2.44291 |
2.50172 | 2.55194 | 2.65716 | 2.45726 | 2.46932 | 2.48203 | 2.63053 | 2.42449 | 2.5025 | 2.48213 |
2.46054 | 2.49115 | 2.41205 | 2.46491 | 2.42654 | 2.46999 | 2.39188 | 2.44811 | 2.48008 | 2.44715 |
2.50448 | 2.47433 | 2.47396 | 2.43313 | 2.57774 | 2.48181 | 2.48658 | 2.57538 | 2.54498 | 2.51128 |
2.56239 | 2.5353 | 2.43092 | 2.43037 | 2.38985 | 2.36546 | 2.36537 | 2.43465 | 2.38826 | 2.3155 |
2.3089 | 2.28046 | 2.27395 | 2.39469 | 2.30775 | 2.24296 | 2.31659 | 2.28243 | 2.26917 | 2.27538 |
2.26678 | 2.31572 | 2.27676 | 2.2297 | 2.17614 | 2.21999 | 2.21049 | 2.13118 | 2.33332 | 2.41957 |
2.42613 | 2.41552 | 2.29354 | 2.34387 | 2.30834 | 2.36712 | 2.3119 | 2.2717 | 2.30995 | 2.28225 |
2.4388 | 2.38208 | 2.42737 | 2.52506 | 2.44907 | 2.41606 | 2.47886 | 2.57765 | 2.35143 | 2.39382 |
2.44396 | 2.27356 | 2.38287 | 2.43175 | 2.38177 | 2.44275 | 2.40892 | 2.42869 | 2.42549 | 2.47839 |
2.39382 | 2.41873 | 2.42536 | 2.51334 | 2.41471 | 2.4256 | 2.53214 | 2.44402 | 2.32425 | 2.32996 |
表10.出水pH
表11..出水ORP(mV)
-203.621 | -200.994 | -198.686 | -196.443 | -194.2 | -192.277 | -190.803 | -188.175 | -186.06 | -184.137 |
-190.226 | -190.867 | -191.38 | -190.547 | -189.457 | -187.919 | -186.573 | -184.971 | -183.56 | -181.894 |
-174.139 | -172.857 | -168.627 | -164.781 | -163.051 | -162.346 | -161.641 | -161.32 | -161.064 | -159.718 |
-159.269 | -158.564 | -158.564 | -159.59 | -160.423 | -161 | -161.449 | -161.961 | -163.179 | -163.628 |
-163.435 | -163.5 | -171.511 | -177.408 | -177.984 | -176.19 | -174.78 | -171.96 | -170.486 | -170.614 |
-169.332 | -166.768 | -163.692 | -161.705 | -160.936 | -159.975 | -160.551 | -161.961 | -162.602 | -163.051 |
-163.371 | -164.525 | -165.294 | -166.191 | -166.896 | -168.307 | -169.076 | -169.396 | -199.904 | -206.057 |
-201.25 | -194.841 | -188.944 | -182.599 | -178.497 | -174.075 | -169.781 | -164.974 | -165.422 | -164.012 |
-163.243 | -161.769 | -161.385 | -158.5 | -157.603 | -156.001 | -165.999 | -169.332 | -170.165 | -169.781 |
-168.883 | -168.05 | -175.549 | -177.408 | -175.741 | -173.498 | -172.344 | -158.436 | -157.795 | -160.551 |
-154.078 | -154.334 | -155.168 | -155.744 | -153.95 | -154.142 | -152.668 | -154.334 | -152.86 | -151.514 |
-152.86 | -151.002 | -149.784 | -149.976 | -153.373 | -156.385 | -157.539 | -157.859 | -156.898 | -146.323 |
表12.出水NO3-N(mg/l)
6.47781 | 6.96314 | 7.68907 | 8.16784 | 8.57786 | 8.88413 | 9.13357 | 9.88518 | 10.2344 | 10.365 |
10.4496 | 10.4742 | 10.5668 | 10.7179 | 10.8936 | 11.0416 | 11.1779 | 11.3214 | 11.4794 | 11.7328 |
11.7418 | 12.4688 | 12.8207 | 13.4765 | 13.8564 | 14.2832 | 14.5953 | 14.7415 | 14.9089 | 14.8763 |
14.6572 | 14.4612 | 14.2538 | 14.0722 | 13.9712 | 13.8325 | 13.7215 | 13.6408 | 13.6666 | 13.7288 |
13.8617 | 13.8873 | 13.9157 | 13.9758 | 14.1119 | 14.4164 | 14.4829 | 15.2031 | 15.2791 | 15.6909 |
16.1498 | 16.6379 | 16.9443 | 16.8975 | 16.8101 | 16.5498 | 16.2205 | 15.7517 | 15.3732 | 14.5885 |
13.9968 | 13.5851 | 12.9808 | 12.6256 | 12.2428 | 11.9133 | 11.6286 | 11.4642 | 10.7946 | 10.3934 |
10.4852 | 10.9491 | 11.5281 | 12.2201 | 12.8419 | 13.3324 | 13.0934 | 12.8794 | 12.9103 | 12.5906 |
12.3108 | 12.0798 | 11.9742 | 11.8102 | 11.673 | 11.6093 | 11.4942 | 11.494 | 11.5036 | 11.4617 |
11.4878 | 11.3927 | 11.3851 | 11.4866 | 11.7895 | 12.3085 | 12.6792 | 13.04 | 13.2389 | 13.5262 |
13.4614 | 13.2849 | 12.9682 | 12.7089 | 12.2269 | 12.0995 | 12.1315 | 12.1361 | 12.2122 | 12.2197 |
12.3499 | 12.4464 | 12.4927 | 12.7326 | 12.8156 | 12.9392 | 13.0438 | 13.7367 | 14.1627 | 17.6572 |
表13.期望出水氨氮浓度(mg/l)
表14.测试出水氨氮浓度(mg/l)
13.03893 | 12.9661 | 12.84337 | 12.69873 | 12.54605 | 12.33443 | 12.10495 | 11.88619 | 11.71014 | 11.5459 |
11.39281 | 11.22929 | 11.12665 | 10.98216 | 10.92678 | 10.89602 | 10.83072 | 10.67521 | 10.52051 | 10.38973 |
10.1851 | 10.08542 | 10.07375 | 9.824868 | 9.367546 | 9.039641 | 9.032093 | 8.89573 | 8.630781 | 8.580038 |
8.486856 | 8.483875 | 8.432612 | 8.374901 | 8.370299 | 8.353439 | 8.307949 | 8.245658 | 8.297285 | 8.27522 |
8.251091 | 8.244326 | 8.212131 | 8.16204 | 8.095523 | 7.970413 | 7.671826 | 7.489081 | 7.3207 | 7.041575 |
6.817603 | 6.746115 | 6.513768 | 6.321454 | 6.176992 | 6.044573 | 6.011033 | 6.167475 | 6.321967 | 6.427507 |
6.586254 | 6.754648 | 7.00218 | 7.365354 | 7.709878 | 7.899636 | 8.147925 | 8.372365 | 8.535233 | 8.701459 |
8.765568 | 8.782465 | 8.718141 | 8.623981 | 8.533294 | 8.556259 | 8.615049 | 8.675136 | 8.796237 | 8.929424 |
9.035257 | 9.118441 | 9.134348 | 9.187618 | 9.227966 | 9.292437 | 9.336493 | 9.267193 | 9.345329 | 9.448163 |
9.592061 | 9.706483 | 9.498307 | 9.320413 | 9.184419 | 9.094768 | 9.010281 | 8.865061 | 8.815702 | 8.788926 |
8.724591 | 8.657057 | 8.66962 | 7.5 | 8.768335 | 8.832363 | 8.867437 | 8.896761 | 8.91223 | 8.93492 |
8.929263 | 8.913143 | 8.907366 | 8.870053 | 8.836113 | 8.78325 | 8.651187 | 8.441354 | 8.561594 | 8.015225 |
Claims (1)
1.一种基于混合编码粒子群-长短期记忆神经网络的出水氨氮软测量方法,其特征在于,包括以下步骤:
步骤1:软测量模型的输入变量选择与数据预处理;
采集污水处理厂水质参数数据,选择水质参数数据中的好氧末段溶解氧浓度DO、好氧末端总固体悬浮物浓度TSS、出水酸碱度pH、出水氧化还原电位ORP和出水硝态氮浓度作为输入变量,出水氨氮浓度作为输出变量;并将输入和输出变量按以下公式归一化至[-1,1]之间:
其中x是归一化后的数据,O表示水质参数的原始数据;max(O)和min(O)分别是该项数据的最大值和最小值;
将归一化后的数据划分为输入数据u(k)=[u1(k),u2(k),u3(k),u4(k),u5(k)]和输出数据y(k);其中,u1(k)、u2(k)、u3(k)、u4(k)和u5(k)分别是好氧末段溶解氧浓度DO、好氧末端总固体悬浮物浓度TSS、出水酸碱度pH、出水氧化还原电位ORP和出水硝态氮浓度归一化后的值,y(k)是出水氨氮浓度归一化后的值,k=1,2,3,...,L,L是样本数据的总数;
步骤2:确定混合编码粒子群-长短期记忆神经网络结构
混合编码粒子群-长短期记忆神经网络共分为三层:输入层、隐含层和输出层;根据步骤1,输入层为好氧末段溶解氧浓度DO、好氧末端总固体悬浮物浓度TSS、出水酸碱度pH、出水氧化还原电位ORP和出水硝态氮浓度隐含层为长短期记忆单元,输出层为出水氨氮浓度;因此,神经网络的输入变量共5个,输出变量1个,确定混合编码粒子群-长短期记忆神经网络结构为5-N-1,其中N为正整数,其表示隐含层的长短期记忆单元的个数;将神经网络的实际输出表示为混合编码粒子群-长短期记忆神经网络的计算过程是:
h(k)=tanh(c(k))⊙o(k) (3)
o(k)=Uou(k)+Roh(k-1)+bo (4)
c(k)=f(k)⊙c(k-1)+i(k)⊙tan(Ucu(k)+Rch(k-1)+bc) (5)
其中,和分别是神经网络输出门的输入权值矩阵、递归权值矩阵和偏置向量,其均在[-1,1]之间进行随机初始化;Rc N×N和分别是神经网络内部状态的输入权值矩阵、递归权值矩阵和偏置向量,其均在[-1,1]之间进行随机初始化;和分别是神经网络的输入门和遗忘门,分别由以下的公式(6)和(7)计算得到:
i(k)=Uiu(k)+Rih(k-1)+bi (6)
f(k)=Ufu(k)+Rfh(k-1)+bf (7)
其中,Ri N×N和分别是神经网络输入门的输入权值矩阵、递归权值矩阵和偏置向量,其均在[-1,1]之间进行随机初始化;和分别是神经网络遗忘门的输入权值矩阵、递归权值矩阵和偏置向量,其均在[-1,1]之间进行随机初始化;
步骤3:训练神经网络
步骤3.1:将神经网络的输入权值Ui、Uf、Uo和Uc,递归权值Ri、Rf、Ro、Rc,输出权值Wout和偏置bi、bf、bo、bc通过计算机的随机函数初始化在[-1,1]之间;初始化网络大小N=12;初始化训练次数t=1,最大训练次数为tmax=1000;初始化网络训练期望性能为Te,Te=0.1;
步骤3.2:对粒子进行编码;将粒子的位置按如下公式进行编码:
其中,aj是第j个粒子的位置,j=1,2,...,S,S是种群大小,S=60;是一个长度为N的二值行向量,ξ=1,2,3,...,N;Hξ j代表长短期记忆神经网络的结构,其中Hξ j=0表示第ξ个长短期记忆单元不存在,Hξ j=1表示第ξ个长短期记忆单元存在;是一个长度为N(4(5+N+1)+1)的实数行向量,Wj ξ={Uj ξ,Rj ξ,bj ξ,Wj out·ξ}是第ξ个长短期记忆单元的所有参数,其中,Uj ξ={Ui j,Uf j,Uo j,Uc j}ξ包含了第ξ个长短期记忆单元输入门、遗忘门、输出门和内部状态的输入权值;Rj ξ={Ri j,Rf j,Ro j,Rc j}ξ包含了第ξ个长短期记忆单元输入门、遗忘门、输出门和内部状态的递归权值;bj ξ={bi j,bf j,bo j,bc j}ξ包含了第ξ个长短期记忆单元输入门、遗忘门、输出门和内部状态的偏置;
同时,将粒子的速度表示为:
vj=[vj,1,vj,2,...,vj,d,...,vj,D] (9)
其中,vj代表第j个粒子的速度向量,vj,d是第j个粒子在维度d上的速度分量,d=1,2,...,D,D是粒子的总维度,且D=N(4(5+N+1)+2);
其中L代表神经网络输入的训练样本数;
步骤3.4:获取粒子的个体最优位置和全局最优位置;
粒子的个体最优位置为:
φ(pj(t-1))是粒子上次个体最优位置的适应度值,φ(aj(t))是第j个粒子在t时刻的适应度值;
粒子的全局最优位置为:
步骤3.5:对每个粒子的速度和位置进行更新:
粒子的速度更新为:
vj,d(t+1)=ωvj,d(t)+c1r1(pj,d(t)-aj,d(t))+c2r2(gd(t)-aj,d(t)) (13)
其中,ω是粒子群的惯性权重,ω=0.8;c1和c2是加速因子,c1=c2=1.5;r1和r2分别是局部最优位置系数和全局最优位置系数,其均服从[0,1]之间的均匀分布;pj,d(t)表示第j个粒子的个体最优位置pj(t)在维度d上的分量,gd(t)表示全局最优位置g(t)在维度d上的分量,aj,d(t)表示第j个粒子的位置aj(t)在维度d上的分量;
位置的更新分为两部分,二值编码部分Hj的更新为:
其中,1≤d≤N,r3是转化概率,其服从(0,1)之间的均匀分布,C(vj,d(t+1))是概率转换函数,其表示为:
其中,θ是灵敏系数,用于控制C(vj,d(t+1))的宽度,θ=1.5;
实数编码部分Pj的更新为:
其中,r4是局部最优位置和全局最优位置之间的平衡系数,其服从[0,1]之间的均匀分布;
公式(16)中的η是中度随机搜索算子,其计算公式为:
其中,r5和r6服从[0,1]之间的均匀分布,r7服从[-1,1]之间的均匀分布;
公式(16)中的βj是收敛控制因子,计算公式为:
其中,ε是缩放因子,ε=6.5;G(t)是种群多样性,Fj(t)是变化率;G(t)和Fj(t)的计算如下:
其中,Min(φ(aj(t)))是第t次训练中所有粒子适应度值的最小值,Max(φ(aj(t)))是第t次训练中所有粒子适应度值的最大值,φ(g(t))是第t次训练中的全局最优适应度值;
步骤3.6:输入训练样本数据重复步骤3.3到步骤3.5,每训练完一次t自加1(t=t+1);当粒子的全局最优位置对应的第t次训练中的全局最优适应度值φ(g(t))满足小于网络训练期望性能Te=0.1或者达到最大训练次数t=tmax=1000时停止训练;
其中,max(O)和min(O)在步骤1中已经描述;
步骤4:测试神经网络;
将测试样本数据按公式(1)归一化后作为训练后的混合编码粒子群-长短期记忆神经网络的输入,将混合编码粒子群-长短期记忆神经网络的输出按公式(22)反归一化后即为出水氨氮的测量值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110354522.1A CN113111576B (zh) | 2021-03-30 | 2021-03-30 | 一种基于混合编码粒子群-长短期记忆神经网络出水氨氮软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110354522.1A CN113111576B (zh) | 2021-03-30 | 2021-03-30 | 一种基于混合编码粒子群-长短期记忆神经网络出水氨氮软测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111576A CN113111576A (zh) | 2021-07-13 |
CN113111576B true CN113111576B (zh) | 2023-05-02 |
Family
ID=76713816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110354522.1A Active CN113111576B (zh) | 2021-03-30 | 2021-03-30 | 一种基于混合编码粒子群-长短期记忆神经网络出水氨氮软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111576B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115952728B (zh) * | 2022-11-29 | 2023-07-07 | 淮阴工学院 | 一种亚硝态氮浓度软测量预测方法 |
CN116859830B (zh) * | 2023-03-27 | 2024-01-26 | 福建天甫电子材料有限公司 | 用于电子级氟化铵生产的生产管理控制*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965971A (zh) * | 2015-05-24 | 2015-10-07 | 北京工业大学 | 一种基于模糊神经网络的氨氮浓度软测量方法 |
CN109657790A (zh) * | 2018-12-10 | 2019-04-19 | 北京工业大学 | 一种基于pso的递归rbf神经网络出水bod预测方法 |
CN110542748A (zh) * | 2019-07-24 | 2019-12-06 | 北京工业大学 | 一种基于知识的鲁棒型出水氨氮软测量方法 |
CN112183719A (zh) * | 2020-09-15 | 2021-01-05 | 北京工业大学 | 一种基于多目标优化-模糊神经网络的出水总氮智能检测方法 |
-
2021
- 2021-03-30 CN CN202110354522.1A patent/CN113111576B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965971A (zh) * | 2015-05-24 | 2015-10-07 | 北京工业大学 | 一种基于模糊神经网络的氨氮浓度软测量方法 |
CN109657790A (zh) * | 2018-12-10 | 2019-04-19 | 北京工业大学 | 一种基于pso的递归rbf神经网络出水bod预测方法 |
CN110542748A (zh) * | 2019-07-24 | 2019-12-06 | 北京工业大学 | 一种基于知识的鲁棒型出水氨氮软测量方法 |
CN112183719A (zh) * | 2020-09-15 | 2021-01-05 | 北京工业大学 | 一种基于多目标优化-模糊神经网络的出水总氮智能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113111576A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111354423B (zh) | 一种基于多元时间序列分析的自组织递归模糊神经网络的出水氨氮浓度预测方法 | |
CN108469507B (zh) | 一种基于自组织rbf神经网络的出水bod软测量方法 | |
US10570024B2 (en) | Method for effluent total nitrogen-based on a recurrent self-organizing RBF neural network | |
CN111291937A (zh) | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 | |
CN109344971B (zh) | 一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法 | |
CN113111576B (zh) | 一种基于混合编码粒子群-长短期记忆神经网络出水氨氮软测量方法 | |
CN109657790B (zh) | 一种基于pso的递归rbf神经网络出水bod预测方法 | |
CN109828089B (zh) | 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法 | |
CN112183719A (zh) | 一种基于多目标优化-模糊神经网络的出水总氮智能检测方法 | |
CN112989704B (zh) | 一种基于de算法的irfm-cmnn出水bod浓度预测方法 | |
CN112884056A (zh) | 基于优化的lstm神经网络的污水水质预测方法 | |
CN106698642A (zh) | 一种污水处理过程多目标实时优化控制方法 | |
CN110889085A (zh) | 基于复杂网络多元在线回归的废水智能监控方法及*** | |
CN110542748B (zh) | 一种基于知识的鲁棒型出水氨氮软测量方法 | |
CN112765902A (zh) | 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN113156074B (zh) | 一种基于模糊迁徙的出水总氮预测方法 | |
CN110991616B (zh) | 一种基于删减型前馈小世界神经网络出水bod预测方法 | |
CN110909492B (zh) | 一种基于极端梯度提升算法的污水处理过程软测量方法 | |
CN109359741A (zh) | 一种废水处理进水水质时序变化智能预测方法 | |
CN112446168A (zh) | 一种基于mic及rbfnn的出水bod浓度软测量方法 | |
CN110837886A (zh) | 一种基于elm-sl0神经网络的出水nh4-n软测量方法 | |
CN114781166B (zh) | 基于加权概率慢特征模型的污水处理过程软测量方法 | |
CN116306803A (zh) | 一种基于wsfa-afe的ilstm神经网络的出水bod浓度预测方法 | |
CN113222324B (zh) | 一种基于pls-pso-rbf神经网络模型的污水质量监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |