论文部分内容阅读
水是人类生活和生产的必要元素,也是人类赖以生存与发展中最不可或缺的重要物质资源。而水体中污染物的累积会对人类和动物的生存造成严重的影响,对此我国对水资源的保护力度日益加强,并进一步提升了对污水处理系统出水水质的要求。当前在进行污水处理过程中的重点课题是既要满足国家相关标准,也要合理的减少工艺运行成本。但污水处理工艺过程中往往会受到一些动态时变因素影响,从而显现出一定不确定性、时延性、复杂性和非线性等特征,并且存在部分关键水质参数无法进行在线监测,使得在污水处理过程中的控制技术手段无法在第一时间内充分发挥调控作用,成为污水处理技术发展的短板。因此,本文提出了对于污水处理厂进出口水质情况进行预测,为污水处理工艺控制系统工艺参数的调节提供参考依据,使其在确保净化效率的前提下尽可能降低运行成本。近年来,机器学习算法在各领域得到了广泛的应用,同样在水质预测分析领域也吸引了大量研究学者们的关注,这主要取决于它泛化性能好、计算难度低、学习速度快,具有较强的自适应学习能力。本文主要研究了在污水处理工艺中基于极限学习机(ELM)的进出口水质的预测模型建立方法,结合前人研究成果,主要做了以下几个方面的工作。第一,数据的分析处理,对城市污水处理厂样本数据的测量和采集的准确性进行分析,运用相应数据预处理技术进行适当的处理,并对污水处理厂各水质评价指标进行相关性分析,便于简化模型的建立。第二,建立ELM预测模型,ELM是一种简单易用、有效的单隐层前馈神经网络(SLFNs)机器学习算法。该方法具有较快的运算速度和较强的泛化性能,所以在处理数据集和实际应用中有着显著的优势。本文建立ELM模型对污水处理处理厂水质进行预测。第三,建立优化ELM模型,针对ELM网络随机初始的权值和阈值的确定暂时未有一个明确选择机制,致使其存在全局性优良的初始网络参数难以确定等弊端。因此,本文提出了遗传算法(GA)和粒子群优化算法(PSO)分别对ELM算法进行优化(GA-ELM和PSO-ELM),对ELM的权值和阈值进行一个最优选取,从而增强算法的稳定性,提升模型的预测精度和泛化性。第四,以四川省成都市某城市污水处理厂每日监测记录统计的各水质因子相关数据建立预测模型,并以化学需氧量(COD)为例,对其进出口浓度进行预测。将均方根误差(RMSE)、标准平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和决定系数(R~2)作为评价标准对结果进行分析。得到ELM模型进水COD的预测结果RMSE、MAE、MAPE和R~2值分别为3.318、2.437mg/L、1.621%、0.950;GA-ELM模型对于出水水质的预测结果MAE、MAPE、RMSE和R~2值分别为0.700、0.474mg/L、4.073%和0.916;PSO-ELM模型对于出水水质的预测结果MAE、MAPE、RMSE和R~2值分别为0.421、0.340mg/L、3.072%和0.975。实验结果表明本文所提出的ELM模型,预测精度较高,泛化能力强,能够较好的满足城市污水处理厂进水水质的预测,而优化后的ELM模型能克服传统算法的缺点,可有效的预测出污水处理厂出口水质情况,为污水处理过程中控制系统提供可靠的参考,使其更加稳定运行。