论文部分内容阅读
当前我国的污染问题日益严重,污水处理越来越受到重视,作为保护水资源的有效措施,污水处理过程因为其强耦合、高度非线性的特性,污水出水水质的准确检测一直是个难题,对于一些出水关键水质参数的测量,现存的测量方法或测量仪器存在诸多局限性与不便,如检测周期长、仪器价格昂贵、操作繁琐等问题。软测量技术因为其具有时效性好、高精度和低成本的优点,近年来被不少专家学者应用在污水处理水质监测方面,并取得不错的效果。人工神经网络是一种具有优良逼近能力的模型,在污水处理水质软测量建模中被广泛应用。本文以出水COD与出水氨氮作为预测指标,采用门控循环单元(GRU)神经网络建立污水出水水质预测模型,并设计实现水质预测可视化平台,以期将其应用到实际污水处理生产环境中。本文主要的研究内容主要包括以下几点:(1)针对待预测的出水COD和出水氨氮,选择合理的辅助变量。首先,对活性污泥法处理工艺及与出水CDO和出水氨氮相关的生化反应机理进行了解与研究,通过查阅文献以及对该过程的机理分析,初步选择若干与目标参数相关度较高的过程变量作为辅助变量;最后,利用PCA主元分析法,以降维的方式消除数据噪声冗余,简化原始数据的复杂度,得到最终确定的辅助变量参数。(2)建立基于GRU神经网络的水质预测模型。以合肥市庐江县某污水处理厂的实际历史污水数据作为实验数据,以前文选取的与待测水质指标密切相关的污水指标作为辅助变量,建立以出水COD与出水氨氮为主导变量的GRU神经网络预测模型,并采用自适应学习率法对网络学习率进行寻优,最后将模型预测得到的结果与真实值对比,预测结果可靠且误差在可接受的范围内,证实了GRU神经网络训练的有效性。(3)建立支持向量机与GRU神经网络相结合的SVM-GRU水质预测模型。针对神经网络模型在训练过程中容易陷入局部最优,难以达到全局最优的问题,引入支持向量机分类模型,使神经网络在学习待测参数数值时的变化在控制一定的范围中,进而降低局部最优对全局范围的影响,达到提高预测效果的目的。在SVM模型训练时使用网格搜索法及交叉验证法对模型参数进行寻优,最终得到的SVM-GRU联合预测模型预测精度更准确,模型效果更好,网络性能能够满足实际应用需要,可以实现对污水处理系统出水水质的精准预测。(4)建立污水关键水质参数预测系统。为了将前文取得的成果应用于污水处理厂及企业的实际污水处理中,设计并实现了污水关键水质预测系统。首先对污水出水水质预测系统的开发需求和开发目标进行分析,进而对系统总体框架进行详细设计,然后对整个系统进行各模块的功能设计与程序开发。该系统在未来的设计优化后,可以应用于实际的污水处理场景,为城市污水处理厂及各企业的污水处理提供新方案。