專利名稱：：一種污水化學需氧量軟測量方法
技術領域：
：本發明涉及污水處理領域，具體來說是涉及一種污水化學需氧量軟測量方法。
背景技術：
：隨著污水處理工藝技術發展的日趨成熟，污水處理研究的重點已經轉移到提高污水處理工藝過程的自動控制水平，改善出水水質，加強運行監控等方面。這些研究都是建立在污水處理過程和出水水質參數的實時準確快速測量基礎上。這些參數主要有BOD5(5日生化需氧量)、COD(化學耗氧量)、T-N(總氮)、T-P(總磷)等。化學需氧量(ChemicalOxygenDemand,COD)是在一定嚴格的條件下，水中各種有機物與外加的強氧化劑作用時所消耗的氧化劑量(結果以氧的mg/L來表示)。它是用來表示水中有機物總量的一個常用指標。天然水體中COD濃度是國家關于地表水環境質量分類、分級的重要指標之一，也是水體是否受到生活污水和工業廢水污染的判斷依據。目前，世界各國的COD測定方法主要為重鉻酸鉀回流法。重鉻酸鉀回流法是在水樣中加入一定量的重鉻酸鉀和催化劑硫酸銀，在強酸性介質濃硫酸加入的條件下加熱回流一定時間，部分重格酸鉀被水樣中可氧化物質還原，用硫酸亞鐵銨滴定剩余的重鉻酸鉀,根據消耗重鉻酸鉀的量計算COD的值。重鉻酸鉀回流法測量COD準確可靠，但缺點也很明顯-(1)回流設備占用空間，操作比較繁瑣，批量測定有困難；(2)反應測量大時延，難以實時地得到所需控制參數；(3)銀鹽耗量大，分析費用高，而且測試過程中添加的硫酸銀和硫酸汞形成的酸性廢液需要妥善處理，否則造成嚴重的二次污染。有鑒于此，找到一種可以實時、經濟、環保的測量模型是非常有意義的。軟測量技術(SoftMeasurement)是利用現有可測過程參數來估計無法采用現有傳感器獲取系統運行必需的過程參數，以此設計和改善控制系統的一種新興技術。軟測量一般都建立在某種機理或數學模型基礎上。采用軟測量技術，利用可測易測的水質參數估計COD值，成本低、速度快，而且無污染。目前污水COD軟測量的主要方法是神經網絡軟測量方法。神經網絡是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。它具有自學習和自適應的能力，可以通過預先提供的一批相互對應的輸入輸出數據，分析掌握兩者之間潛在的規律，最終根據這些規律，用新的輸入數據來推算輸出結果。在實際污水處理過程中，輸入水質不同，有可能造成在相同的pH、溶解氧、氧化還原電位參數下COD數值的相同，這些數據在神經網絡訓練中是要避免的，但又是實際處理中經常遇到的；單獨采用任何一個神經網絡，都有它自己的局限性，局部最小、樣本數量少等。這些問題常常造成網絡訓練的不收斂、參數估計的不準備。因此現有的污水COD神經網絡軟測量方法的主要問題為應用條件要求苛刻，容易出現矛盾數據造成神經網絡的不確定性，且適用性較差。
發明內容本發明的目的是提供一種污水化學需氧量軟測量方法，該方法適用范圍廣、估計精度高。本發明的目的是這樣實現的一種污水化學需氧量軟測量方法，該方法包括以下步驟(1)獲取訓練樣本水質參數；(2)對訓練樣本進行分類；(3)對應步驟(2)劃分的各類訓練樣本，選擇神經網絡，建立神經網絡模型；(4)用步驟(2)劃分的各類訓練樣本訓練支持向量機；(5)用步驟(2)劃分的各類訓練樣本訓練神經網絡模型；(6)估算污水化學需氧量。其中，所述水質參數為pH、溶解氧或氧化還原電位。本發明中，步驟(2)可以依據訓練樣本的污水厭氧、好氧狀態對該訓練4樣本進行分類。優選地，步驟(2)可以依據溶解氧數值判斷該訓練樣本的污水厭氧、好氧狀態，對訓練樣本進行分類。污水是處于厭氧狀態還是好氧狀態，可通過溶解氧數值區分，該溶解氧數值位于0.5mg/L至Ulmg/L之間。一般情況下，溶解氧數值小于0.5mg/L時，污水處于厭氧狀態；溶解氧數值大于0.5mg/L時，污水處于好氧狀態。步驟(2)也可以依據污水化學需氧量數值對訓練樣本進行分類，優選依據污水化學需氧量數值的均值對訓練樣本進行分類。根據上述方法將訓練樣本分類后，各部分分別訓練支持向量機，得到支持向量機網絡。支持向量機(SupportVectorMachine,SVM)算法屬于一般化線性分離器，它的目的在于尋找一個超平面，該超平面可以將訓練集中的數據分開，且與類域邊界的沿垂直于該超平面方向的距離最大。本發明所采用的支持向量機為現有的技術，其對污水的水質參數進行分類的具體方法為對污水數據進行組合形成數據集(x,.,乂.),hl…",;ceW，X為特征向量，"為樣本數量，1，+1};(a)維空間中線性判別函數為g0c卜w.x+6，w為支持向量機的決策超平面法向量，b為與之對應的常數。尋找最優分類面問題轉化為解二次規劃問題min①0)-0.w)/2+C^]《".x[—.x,.)+6]-1+^0hl,…，w(2)C為常數，用于協調式(1)右側兩項(第一項為控制容量，第二項為間隔誤差)作用的大小，可以等于l/"。《20，"l，…，w為松弛變量。利用Lagrange乘子方法解決這個約束的最優問題，a,為拉格朗日乘子，6為分類閾值，得到最優決策函數/(x)=sgn(Sa^.(《'x)+6)(3)(b)對于非線性問題，通過非線性變換轉化成另一個空間的線性問題，然后再構造最優分類面，相應最優決策函數為-/(x)=sgn(S.x)+6*)(4)其中，",'為拉格朗日乘子，6'為對應《,'的分類閾值，《(;c,，x)為滿足Mercer定理的內核函數；選擇不同的內核函數可以構造不同的SVM分類器，常用的內核函數有線性核、多項式核、徑向基核和Sigmoid核，本發明優選徑向5基核函數<formula>formulaseeoriginaldocumentpage6</formula>(5)根據分類后各部分訓練樣本的特點，選擇對應的神經網絡，所述神經網絡為BP神經網絡、RBF神經網絡、Elman神經網絡、Hopfield神經網絡或自組織神經網絡，各部分數據所選的神經網絡可以相同也可以不相同。在本發明中，優選是BP神經網絡和Elman神經網絡。本發明利用支持向量機對自動分類有較好效果的特點，采用支持向量機先對訓練樣本進行分類，再分別通過對應的神經網絡對污水的化學需氧量進行估測，使本發明與現有的COD測量方法相比，具有適用范圍廣泛、估算精度高的有益效果。圖1為本發明污水化學需氧量軟測量的流程圖；圖2為本發明實施例1的步驟流程圖3為本發明實施例中用于估測污水COD數值的BP神經網絡的網絡結構圖4為本發明實施例中用于估測污水COD數值的Elman神經網絡的網絡結構圖5為本發明實施例1與現有技術的估測結果圖6為本發明實施例1、實施例2與現有技術的預測誤差對比圖。具體實施例方式以下通過實施例更進一步地描述本發明，但不限于此。如圖l所示，本發明一種污水化學需氧量軟測量方法的步驟是先將已知的訓練樣本通過支持向量機分類，根據分類后各組訓練樣本的特點選擇適合的神經網絡，建立神經網絡模型，各組訓練樣本分別對相應神經網絡進行訓練，優化神經網絡模型，將訓練好的神經網絡模型用于污水軟測量，估測出污水化學需氧量(COD)。本發明實施例選取序批式活性污泥法(sequencingbatchreactor,SBR)作為污水處理方法，通過仿真驗證發明的性能和可行性，并將估測結果與直接采用神經網絡模型估測結果進行比較。在SBR污水處理系統中安裝兩套傳感器，每套均配備pH、DO和ORP傳感器；8個工況，每個工況具體條件各不同；對污水進行pH、DO、ORP在線測量和COD定時采樣分析，得到16組測量數據。任意選取其中13組數據作為訓練樣本，另外3組作為實驗數據以驗證網絡訓練效果。每個樣本的輸入為3對pH、DO、ORP值，輸出為COD值。3對數據是為了用時間窗的方法提高數據的相關性、避免數據矛盾。因為樣本數據不復雜，故采用SVM算法將數據樣本分為兩類即可。實施例1以訓練樣本COD的均值為分類依據，分類界限為58mg/L。樣本1為COD值大于58mg/L的訓練數據樣本，樣本2為COD小于等于58mg/L的訓練數據樣本。樣本l，COD值較大，下降速度快，在時間上相關性不高，故樣本l選取BP神經網絡進行訓練。用在線測得的pH、DO、ORP作為輸入層節點，COD作為輸出層節點，并選取五個隱層節點以建立BP網絡模型(如圖3)。樣本2，COD值較小，處理過程的反應時間長，時間上的相關性高，故樣本2選擇Elman神經網絡進行訓練。同樣，將在線所得pH、DO、ORP作為輸入層節點，COD作為輸出層節點，選取八個隱層節點和八個承接層節點，建立Elman網絡模型(如圖4)。如圖2所示，先用所有訓練樣本訓練支持向量機的分類網絡，再用分類好的訓練樣本分別訓練BP、Elman網絡。訓練好后，整個系統用于估測污水的COD值。實施例2以厭氧好氧狀態為分類依據，本實施例通過溶解氧(DO)的數值來判斷污水厭氧、好氧狀態，分類界限為DO=0.7mg/L。樣本1為DO值小于0.7mg/L的訓練數據樣本，樣本2為DO值大于0.7mg/L的熟練數據樣本。樣本1選取BP神經網絡進行訓練，與實施例1相同，用在線測得的pH、DO、ORP作為輸入層節點，COD作為輸出層節點，并選取五個隱層節點以建立BP網絡模型(如圖3)。樣本2選擇Elman神經網絡進行訓練，同樣，將在線所得pH、DO、ORP作為輸入層節點，COD作為輸出層節點，選取八個隱層節點和八個承接層節點，建立Elman網絡模型(如圖4)。7先用所有訓練樣本訓練支持向量機的分類網絡，再用分類好的訓練樣本分別訓練BP、Elman網絡。訓練好后，整個系統用于估測污水的COD值。將3組剩余數據作為測試數據，得到如下表1測量結果。選取平均絕對百分比誤差(MAPE)作為性能評價標準，^為實驗數據，《為網絡預測值。計算公式為1wiv臺乂",xl00%表1基于SVM分類的神經網絡污水COD軟測量結果<table>tableseeoriginaldocumentpage8</column></row><table>為了說明采用本發明方法的有益效果，選取單獨使用BP神經網絡進行COD預測的模型進行對比。BP神經網絡同樣選取pH、DO、ORP作為輸入層，COD為輸出層，隱含層有5個神經元。訓練樣本為相同的13組測量數據，3組作為測試數據，得到如下表2測量結果。表2BP神經網絡的污水COD軟測量結果<table>tableseeoriginaldocumentpage8</column></row><table>表1和表2為分別使用本發明方法進行估測和直接使用BP神經網絡進行估測的數據和誤差的數據。從平均百分比絕對誤差看，采用本發明方法，以COD均值為分類依據估測的污水COD值的MAPE為5.13%，COD小于60mg/L的MAPE為5.37%,COD大于60mg/L的MAPE為4.46%。以厭氧好氧為分類依據估測的污水COD值的MAPE為6.99%,COD小于60mg/L的MAPE為5.69%，COD大于60mg/L的MAPE為10.56°/。。直接采用BP神經網絡的污水COD軟測量估計值的MAPE為12.05°/。，COD小于60mg/L的MAPE為13.1%,COD大于60mg/L的MAPE為9.18%。可以看出，采用支持向量機分類的COD軟測量有更好的估計精度。采用實施例1對污水COD進行估測與直接采用BP神經網絡對污水COD進行估測的結果如圖5所示。從圖5中可以看到，在第2個小時和第5個小時由于有新污水流入，COD值有一定的跳躍。兩種模型都可以及時地反映出水質變化趨勢，較為準確地預測了污水處理系統中的COD值。但從如圖6所示的采用實施例1、實施例2對污水COD進行估測與直接采用BP神經網絡對污水COD進行估測的估測結果誤差對比圖中可以直觀的看出本發明方法有更好的預測效果。權利要求1、一種污水化學需氧量軟測量方法，其特征在于該污水化學需氧量軟測量方法包括以下步驟(1)獲取訓練樣本水質參數；(2)對訓練樣本進行分類；(3)對應步驟(2)劃分的各類訓練樣本，選擇神經網絡，建立神經網絡模型；(4)用步驟(2)劃分的各類訓練樣本訓練支持向量機；(5)用步驟(2)劃分的各類訓練樣本訓練神經網絡模型；(6)估算污水化學需氧量。2、如權利要求1所述的方法，其特征在于所述水質參數為pH、溶解氧或氧化還原電位。3、如權利要求1所述的方法，其特征在于所述步驟(2)是依據污水厭氧、好氧狀態對訓練樣本進行分類。4、如權利要求1或3所述的方法，其特征在于所述步驟(2)是依據溶解氧數值判斷污水厭氧、好氧狀態，對訓練樣本進行分類。5、如權利要求1所述的方法，其特征在于所述步驟(2)是依據污水化學需氧量數值對訓練樣本進行分類。6、如權利要求1或5所述的方法，其特征在于所述步驟(2)是依據污水化學需氧量數值的均值對訓練樣本進行分類。7、如權利要求l所述的方法，其特征在于所述神經網絡為BP神經網絡、RBF神經網絡、Elman神經網絡、Hopfield神經網絡或自組織神經網絡。全文摘要本發明涉及一種污水化學需氧量軟測量方法，該方法包括以下步驟(1)獲取訓練樣本水質參數；(2)對訓練樣本進行分類；(3)對應步驟(2)劃分的各類訓練樣本，選擇神經網絡，建立神經網絡模型；(4)用步驟(2)劃分的各類訓練樣本訓練支持向量機；(5)用步驟(2)劃分的各類訓練樣本訓練神經網絡模型；(6)估算污水化學需氧量。本發明利用支持向量機對自動分類有較好效果的特點，采用支持向量機先對訓練樣本進行分類，再分別通過對應的神經網絡對污水的化學需氧量進行估測，本發明與現有的COD測量方法相比，具有適用范圍廣泛、估算精度高的有益效果。文檔編號G06N99/00GK101566612SQ20091005210公開日2009年10月28日申請日期2009年5月27日優先權日2009年5月27日發明者輝馮,杰張,張建秋,波胡,雷中方申請人:復旦大學