氧化溝系統(tǒng)出水COD預(yù)報(bào)的神經(jīng)網(wǎng)絡(luò)模型
摘要：以漯河市污水凈化中心的Carrousel氧化溝(以下簡稱氧化溝)系統(tǒng)為考察對象，針對該系統(tǒng)進(jìn)水水質(zhì)復(fù)雜，控制滯后的難點(diǎn)，引入人工神經(jīng) 網(wǎng)絡(luò) 的 理論 和 方法 ，對其模擬 分析 ，建立了基于BP網(wǎng)絡(luò)的氧化溝系統(tǒng)出水COD預(yù)報(bào)模型。模型性能檢驗(yàn)和靈敏度檢驗(yàn)表明，建成的模型準(zhǔn)確度高，適應(yīng)性強(qiáng)，可直接用于該系統(tǒng)出水COD預(yù)報(bào)，這為氧化溝工藝在線控制提供了一條簡便的途徑。
關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò) 氧化溝系統(tǒng) 出水COD
The ANN Model Predicting Effluent COD of Carrousel Oxidation Ditch System.
Abstract: The carrousel oxidation ditch system in Luohe Center of Wastewater Treatment is difficult to control on-line because the influent characteristics are complex and vary significantly. To resolve the problem, advanced artificial neural network (ANN) was employed to simulate the correlation between water parameters of oxidation ditch system and a BPNN model predicting effluent COD was built up. Sentivity and performance tests showed that the model can adapt to different situations and has good ability to generalize. It can be directly used to predict effluent COD concentration, which is very helpful to oxidation ditch system control on-line.
Keywords: ANN; oxidation ditch system; effluent COD
漯河市污水凈化中心于2000年7月正式投產(chǎn)，采用的是典型的極具代表性的Carrousel氧化溝工藝，污水來源主要是屠宰廢水、食品加工廢水、化工廢水和生活污水，其主要技術(shù)指標(biāo)：一期工程：2000年7.7萬噸/日(生活污水2萬噸/日， 工業(yè) 污水5.7萬噸/日)，設(shè)計(jì)流量8萬噸/日，設(shè)計(jì)的進(jìn)水負(fù)荷：COD≤500mg/l，BOD5≤200mg/l，SS≤200mg/l，設(shè)計(jì)出水指標(biāo)：COD≤120mg/l，BOD5≤30mg/l，SS≤30mg/l，實(shí)際出水水質(zhì)狀況(建模(用人工神經(jīng)網(wǎng)絡(luò)建立的氧化溝出水COD預(yù)報(bào)的模型的簡稱)數(shù)學(xué)數(shù)據(jù)范圍，其它不完整記錄中有超出以下范圍的記錄)：SS：10～170mg/l，COD：16～77mg/l，TN：2.9～56mg/l，TP：0.03～0.91mg/l ;二期工程2010年11.8萬噸/日(生活污水2.6萬噸/日，工業(yè)污水9.2萬噸/日)。由于進(jìn)水中工業(yè)污水成分達(dá)到約74%,實(shí)際運(yùn)行水質(zhì)波動極大，對系統(tǒng)構(gòu)成強(qiáng)烈沖擊，進(jìn)水COD最高記錄超過600mg/l，進(jìn)水SS經(jīng)常維持在115～600mg/l，不同工作日進(jìn)水水質(zhì)強(qiáng)烈起伏，使工藝在線控制比較棘手，出水達(dá)標(biāo)排放難以保證。對氧化溝這一復(fù)雜的活性污泥系統(tǒng)，由于 影響 工藝過程的因素反應(yīng)的復(fù)雜性和高度非線性，常規(guī)的模型適應(yīng)能力有限，而以機(jī)理分析為基礎(chǔ)的動力學(xué)模型要求信息完備，參數(shù)齊全，實(shí)際生產(chǎn)中不便于推廣。人工神經(jīng)網(wǎng)絡(luò)(ANN)以其連續(xù)時(shí)間的動力學(xué)行為、良好的非線性品質(zhì)、大規(guī)模并行分布處理、高度穩(wěn)健性和 學(xué)習(xí) 聯(lián)想能力等特點(diǎn)，被廣泛 應(yīng)用 于模式識別、信號處理、系統(tǒng)控制中。并且ANN可以不完備信息建模，不需要被辨識對象階次結(jié)構(gòu)等先驗(yàn)知識，建模方法簡單[1-3]。本 研究 針對該凈化中心氧化溝系統(tǒng)進(jìn)水水質(zhì)復(fù)雜、起伏大，控制滯后的難點(diǎn)，通過使用BP模型，直接以正常運(yùn)行時(shí)的生產(chǎn)數(shù)據(jù)為學(xué)習(xí)樣本建模，預(yù)報(bào)出水COD，詳細(xì)探討了模型設(shè)計(jì)、訓(xùn)練及檢驗(yàn)等環(huán)節(jié)，建成的模型準(zhǔn)確度較高，適應(yīng)性強(qiáng)，可作為一種定性與定量相結(jié)合的有效工具，直接用于該系統(tǒng)出水COD預(yù)報(bào)。
1 模型原理及設(shè)計(jì)
1.1 BP網(wǎng)絡(luò)模型
按誤差反向傳播原則建立的BP(Back Propoga--tion)學(xué)習(xí)算法，是當(dāng)前ANN技術(shù)中最成功的學(xué)習(xí)算法，前饋型BP網(wǎng)絡(luò)及在此基礎(chǔ)上改進(jìn)的神經(jīng)網(wǎng)絡(luò)，是當(dāng)前應(yīng)用最廣泛的網(wǎng)絡(luò)類型[4]。本研究以MATLAB環(huán)境下的神經(jīng)網(wǎng)絡(luò)工具箱與統(tǒng)計(jì)工具箱[5]為數(shù)學(xué)工具，編制的BP模型由三層神經(jīng)元組成，其主要特點(diǎn)是：
1.1.1 輸入層由影響出水COD的各因素組成，為使樣本信息盡量豐富，并考慮到指標(biāo)監(jiān)測方便可行，選擇以下參數(shù)作為輸入矢量：X1：水溫，X2:進(jìn)水SS濃度,X3：進(jìn)水COD濃度,X4：進(jìn)水氨氮濃度,X5：MLSS,X6：MLVSS,X7：SV30(沉降30分鐘污泥體積比)。輸出層產(chǎn)生ANN輸出矢量Y，本研究希望輸出的是出水COD濃度Y。隱含層層數(shù)的選擇與 問題 的復(fù)雜性有關(guān)，隱含層層數(shù)的增加將使訓(xùn)練費(fèi)用急劇上升，本研究采用一層隱含層，隱節(jié)點(diǎn)數(shù)的確定考慮到兩原則：①樣本數(shù)大于網(wǎng)絡(luò)可調(diào)數(shù)[6];②幾何平均規(guī)則[7]：對一個(gè)三層網(wǎng)絡(luò)，具有n個(gè)輸入節(jié)點(diǎn)，m個(gè)輸出節(jié)點(diǎn)，則中間層節(jié)點(diǎn)數(shù)H= 。本研究取節(jié)點(diǎn)數(shù)4～14，以期對其在更大范圍優(yōu)化。圖1給出了訓(xùn)練成功的一組網(wǎng)絡(luò)結(jié)構(gòu)。
1.1.2 以logsig或tansig函數(shù)作為隱含層激活函數(shù)，分別使用這兩種函數(shù)作網(wǎng)絡(luò)訓(xùn)練，擇優(yōu)而用。以logsig作為輸出層激活函數(shù)，將輸出結(jié)果控制在[0,1]，式中，b為偏差值,x表示隱含層中的節(jié)點(diǎn)數(shù)值。
logsig函數(shù)：
tansig函數(shù)：
1.1.3 采用Levenberg-Marquart收斂規(guī)則，該規(guī)則采用了數(shù)值優(yōu)化算法，可根據(jù)誤差大小自動調(diào)整牛頓法與梯度法在訓(xùn)練中的比重，是 目前 最快的收斂算法，大大降低了訓(xùn)練費(fèi)用。
1.2 訓(xùn)練集與檢驗(yàn)集
ANN模型的預(yù)報(bào)能力與學(xué)習(xí)樣本質(zhì)量及信息量緊密相關(guān)，出水COD預(yù)報(bào)的BP網(wǎng)絡(luò)模型(以下簡稱模型)樣本數(shù)據(jù)取自漯河市污水凈化中心2000年8月至2002年2月間生產(chǎn)數(shù)據(jù)，完整記錄(包括全部模型輸入輸出參數(shù))共89組，剔除發(fā)生生產(chǎn)事故(有記載的酸堿中毒、活性污泥膨脹等)狀態(tài)下記錄7組，剩余82組(考慮到數(shù)據(jù)樣本集規(guī)模不大，故包括了一些超標(biāo)排放數(shù)據(jù))，初步確定為學(xué)習(xí)樣本集。進(jìn)水水質(zhì)參數(shù)變化范圍：水溫：10.8～3℃;SS：139～1062mg/l;COD：109～694mg/l;NH4+-N：12.88～496mg/l;控制參數(shù)：SV30：12～93;MLVSS：1107～3484 mg/l;MLSS：2226～6226 mg/l。生產(chǎn)報(bào)表無進(jìn)水水量記載，故假定每個(gè)工作日進(jìn)水水量連續(xù)穩(wěn)定，但建成模型檢驗(yàn)結(jié)果反映出進(jìn)水水量是一個(gè)重要模型參數(shù)，由于缺乏相關(guān)數(shù)據(jù)，使得模型性能欠佳。篩選出82組代表性數(shù)據(jù)中，通過主要成分分析及聚類分析[8]，發(fā)現(xiàn)三組樣本有離群傾向，但不太突出，不做去除,以防止信息量的損失，最終確定學(xué)習(xí)樣本規(guī)模為82組。
以歐氏距離作為表征相似性的統(tǒng)計(jì)量，采用平均距離判斷依據(jù)將原始樣本分為10類，根據(jù)聚類結(jié)果，從各類中隨機(jī)挑選1/3左右的樣本歸入檢驗(yàn)集，剩余的歸入訓(xùn)練集。最終確定47組用于訓(xùn)練，35組用于檢驗(yàn)。聚類分析，保證了所取的訓(xùn)練樣本分布均勻且能覆蓋原始樣本提供的結(jié)構(gòu)信息，彌補(bǔ)了原始數(shù)據(jù)量較少的不足。
對訓(xùn)練集與檢驗(yàn)集數(shù)據(jù)做預(yù)處理，筆者在此提出三點(diǎn)規(guī)范：①保持原始樣本統(tǒng)計(jì) 規(guī)律 ，數(shù)據(jù)拓?fù)浣Y(jié)構(gòu)。②絕大部分網(wǎng)絡(luò)期望輸出要在輸出層激活函數(shù)的敏感區(qū)內(nèi)，避免進(jìn)入不應(yīng)區(qū)。對logsig函數(shù)而言，敏感區(qū)為[0.15,0.85]。③網(wǎng)絡(luò)輸出逆變換不能放大誤差。本研究對原始數(shù)據(jù)作如下預(yù)處理,式中x表是原始值, xmin與xmax分別表示原始值中的最小值與最大值,xnorm表示訓(xùn)練輸入值：
1.3 建模試驗(yàn)要點(diǎn)
1.3.1 由于訓(xùn)練、檢驗(yàn)樣本自身含有噪聲，其大小未知，故建模應(yīng)以預(yù)報(bào)準(zhǔn)確度作為首要目標(biāo),精度作為次要目標(biāo)。這里引入①檢驗(yàn)誤差E：檢驗(yàn)樣本網(wǎng)絡(luò)輸出值允許誤差的上限;②準(zhǔn)確度：不大于E的檢驗(yàn)合格率。用訓(xùn)練總平方誤差G衡量模型精度，精度不可過高，否則會誘導(dǎo)網(wǎng)絡(luò)記住噪聲。如何協(xié)調(diào)精度與準(zhǔn)確度之間的矛盾，找出二者最佳組合，盡可能達(dá)到模型性能最優(yōu)化是數(shù)值試驗(yàn)的重中之重。
1.3.2 BP網(wǎng)絡(luò)學(xué)習(xí)收斂速度及局部最小點(diǎn)的性能對初始化權(quán)值、偏差矩陣十分敏感，本研究通過加大隨機(jī)初始化次數(shù)來搜索模型滿意解，對給定的網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)組合實(shí)行1000次隨機(jī)初始化權(quán)值、偏差矩陣搜索。
1.3.3 模型性能檢驗(yàn)，采用四項(xiàng)指標(biāo)[9-12]:相關(guān)系數(shù)C，均方根誤差R，標(biāo)準(zhǔn)均方根誤差N，平均相對誤差A(yù)，如下式中x、y分別表示輸入與輸出樣本值，下標(biāo)i表示第i次訓(xùn)練時(shí)對應(yīng)樣本值，n表示訓(xùn)練次數(shù)， 、 表示相應(yīng)樣本均值，x1i表示輸入第一個(gè)變量的第i個(gè)樣本值，x2i類推：
對網(wǎng)絡(luò)實(shí)際輸出與期望輸出(觀測值)作指標(biāo)檢驗(yàn)，可反映出模型的逼近性能。
1.3.4 模型的靈敏度檢驗(yàn)[13]：目標(biāo)值在多維空間中每一點(diǎn)隨各個(gè)自變量改變而改變的趨勢。靈敏度曲線平緩表明該項(xiàng)輸入對網(wǎng)絡(luò)輸出的影響過弱，靈敏度曲線出現(xiàn)突變或中斷表示該項(xiàng)輸入對網(wǎng)絡(luò)輸出的影響過強(qiáng)，此時(shí)模型模擬性能不穩(wěn)定，碰到這兩種情況，應(yīng)繼續(xù)搜索或調(diào)整輸入變量個(gè)數(shù)重新訓(xùn)練。
2 模型訓(xùn)練及檢驗(yàn)
建模數(shù)值試驗(yàn)參數(shù)調(diào)整范圍設(shè)定：E:0.2～0.4;G:0.001～0.5;隱節(jié)點(diǎn)數(shù)H:4～14;隱含層激活函數(shù):tansig或logsig;輸出層激活函數(shù):logsig;訓(xùn)練最大迭代次數(shù):1000。從72,000次搜索訓(xùn)練中篩選出最佳的一組解: 網(wǎng)絡(luò) 結(jié)構(gòu)7-6-1(三層神經(jīng)網(wǎng)絡(luò)每層節(jié)點(diǎn)數(shù)), E=0.3, G=0.15,H=6,隱含層函數(shù):tansig。模型訓(xùn)練經(jīng)過18次迭代達(dá)到穩(wěn)定，訓(xùn)練總平方誤差0.13,圖2為誤差下降曲線;模型模擬及檢驗(yàn)(預(yù)報(bào))結(jié)果見圖3。
圖2 誤差下降曲線
Fig 2. The Error Curve of Training
模型性能指標(biāo)值見表1。
表1 模型性能指標(biāo)
Tab 1 The Values of Model Performance Testing
|
指標(biāo) |
C |
R | N | A |
|
模擬 |
0.9517 |
5.0152 |
0.1309 |
0.1214 |
|
預(yù)報(bào) |
0.7399 |
9.9225 |
0.2645 |
0.2436 |
|
綜合 |
0.8709 |
7.5127 |
0.1978 |
0.1736 |
從 學(xué)習(xí) 樣本集檢驗(yàn)合格的樣本中任取一組樣本,對應(yīng)輸入矢量X1…X7分別為:{14.3,273,292,33,5479,3394,44},考察網(wǎng)絡(luò)輸出隨單項(xiàng)輸入變化而改變的趨勢，靈敏度曲線見圖4
圖3 出水COD原始值與模擬/預(yù)報(bào)結(jié)果
Fig.3. Observed and Simulated/Predicted Results of Effluent COD
圖4 模型靈敏度曲線
Fig 4. The Sentivity Curves of Model
3 討論
3.1 學(xué)習(xí)樣本的質(zhì)量對模型預(yù)報(bào)精度及準(zhǔn)確度 影響 極大。學(xué)習(xí)樣本自身的噪聲干擾降低了模型的預(yù)報(bào)精度及準(zhǔn)確度。盡管通過主成分 分析 與聚類分析有效挖掘了樣本信息，噪聲干擾與訓(xùn)練樣本規(guī)模較小是模型訓(xùn)練準(zhǔn)確度與精度進(jìn)一步提高的主要障礙。
3.2 模型性能檢驗(yàn)基本合格，檢驗(yàn)集對應(yīng)的平均相對誤差<0.25，相關(guān)系數(shù)接近0.75,標(biāo)準(zhǔn)均方根誤差0.26,通過圖3可看出，模型在預(yù)報(bào)區(qū)能對出水COD峰值作出正確響應(yīng)，表明網(wǎng)絡(luò)在訓(xùn)練中捕捉到了氧化溝系統(tǒng)參數(shù)間關(guān)系的本質(zhì)。在E≤0.3的前提下，預(yù)報(bào)準(zhǔn)確率達(dá)到82.9%，在E≤0.35的前提下，預(yù)報(bào)準(zhǔn)確率達(dá)到88.6%，綜合相關(guān)系數(shù)0.87,綜合標(biāo)準(zhǔn)均方根誤差0.19,建成的模型可行。
3.3 數(shù)值試驗(yàn)中，提高精度，準(zhǔn)確度下降;降低精度，準(zhǔn)確度上升。對含較大噪聲的樣本訓(xùn)練而言，適當(dāng)降低精度，把檢驗(yàn)重點(diǎn)放在準(zhǔn)確度上是可取的。
3.4 從靈敏度曲線分析可見，出水COD對7項(xiàng)輸入?yún)?shù)的靈敏度均較高，靈敏度曲線光滑，并且能定量反映出給定水質(zhì)條件下出水COD與單項(xiàng)輸入?yún)?shù)的相關(guān)性及單項(xiàng)參數(shù)對出水COD的最佳控制點(diǎn)。
4 結(jié)論
1 以漯河市污水凈化中心氧化溝系統(tǒng)為考察對象，采用人工神經(jīng)網(wǎng)絡(luò) 方法 對其進(jìn)行模擬分析，建立了氧化溝系統(tǒng)出水COD預(yù)報(bào)模型(以下簡稱預(yù)報(bào)模型)。
2 建立的預(yù)報(bào)模型，在E ≤0.3的前提下，預(yù)報(bào)準(zhǔn)確率達(dá)到82.9%，在E≤0.35的前提下，預(yù)報(bào)準(zhǔn)確率達(dá)到88.6%，綜合相關(guān)系數(shù)0.87,綜合標(biāo)準(zhǔn)均方根誤差0.19。
3 建立的預(yù)報(bào)模型，出水COD對7項(xiàng)輸入?yún)?shù)的靈敏度均較高，靈敏度曲線光滑，并且能定量反映出給定水質(zhì)條件下出水COD與單項(xiàng)輸入?yún)?shù)的相關(guān)性及單項(xiàng)參數(shù)對出水COD的最佳控制點(diǎn)，為建立水質(zhì)參數(shù)的反饋控制模型，將預(yù)報(bào)與反饋控制相結(jié)合，實(shí)現(xiàn)氧化溝系統(tǒng)在線智能控制奠定了基礎(chǔ)。
參考 文獻(xiàn) ：
1 靳蕃. 神經(jīng) 計(jì)算 智能基礎(chǔ)原理、方法[M]. 成都: 西南 交通 大學(xué)出出版社,2000.
2 田禹,王寶貞,周定.人工神經(jīng)網(wǎng)絡(luò)對水處理系統(tǒng)建模適應(yīng)性 研究 [J]. 環(huán)境 科學(xué) 學(xué)報(bào),1999，19(1):33-36.
3 郭勁松,龍騰銳,高旭等. 間歇曝氣活性污泥系統(tǒng)神經(jīng)網(wǎng)絡(luò)水質(zhì)模型[J]. 中國 給水排水,2000,16(11):15-18.
4 楊建剛. 人工神經(jīng)網(wǎng)絡(luò)實(shí)用教程[M]. 杭州: 浙江大學(xué)出版社,2001.
5 聞新,周露,王丹力等. MATLAB神經(jīng)網(wǎng)絡(luò) 應(yīng)用 設(shè)計(jì)[M]. 北京: 科學(xué)出版社,2000.
6 張愛茜,韓朔睽, 沈洲等. 運(yùn)用回歸分析與人工神經(jīng)網(wǎng)絡(luò)預(yù)測含硫芳香族化合物好氧生物降解速率常數(shù)[J].環(huán)境科學(xué),1998,
19(1):37-40.
7 朱東海,張土喬,任愛珠等. BP神經(jīng)網(wǎng)絡(luò)用于給水管網(wǎng)模擬試驗(yàn)時(shí)的構(gòu)造參數(shù)設(shè)計(jì)[J]. 給水排水,2001,27(2):10-13.
8 蘇金明,阮沈勇. MATLAB6.1實(shí)用指南(上冊)[M]. 北京: 電子 工業(yè) 出版社,2002.
9 Sang H S, Sea C O, Byung W J, etc. Prediction of Ozone Formation Based on Neural Network[J].J. Envir. Engrg.,ASCE,2000, 8:688-696.
10 . Cameron M Z, Donald H B,, Slobodan P S. Short term streamflow forecasting using artificial neural networks[J]. J.Hydro, 1999,214(1):32-48.
11 .Catherine F.B, Pierre L.C..Neural Network Modeling of Organics Removal by Activated Carbon Cloths[J].J.Envir.Engrg,2001,(10):889-894.
12 . Tay J.H, Zhang Xie-yue. Neural Fuzzy Modelling of Anaerobic Biological Wastewater Treatment Systems[J].J. Envir. Engrg.,ASCE,1999,12:1149-1159.
13 .陳念貽,欽佩,陳瑞亮等. 模式識別方法在化學(xué)化工中的應(yīng)用[M].北京:科學(xué)出版社.2000.
使用微信“掃一掃”功能添加“谷騰環(huán)保網(wǎng)”
