论文部分内容阅读
目前,水体富营养化已成为全球主要的水环境问题。磷是导致水体富营养化的关键因素之一,而污水处理厂是降低污水中含磷量的一项重要措施。污水处理厂主要的除磷技术为生物除磷,若生物除磷无法满足排放标准,可采用辅助除磷进一步去除水中的磷。由于污水厂除磷过程存在较大的时滞性,本文通过预测模型对其控磷状况进行预测。对于生物除磷预测模型,由于生物除磷过程具有高度的非线性,目前常用的机理预测模型结构复杂,预测精度较低,其预测平均相对误差约为15～30%。为了提高预测精度,本文采用神经网络这一能够解决高度非线性问题的非机理模型,建立了基于前馈（BP）神经网络、径向基（RBF）神经网络的污水厂生物除磷优化预测模型,来科学预测污水厂生物除磷效果。当生物除磷效果不理想时,可采用辅助除磷方法进一步除磷。本文将生物除磷预测模型与辅助除磷控制系统结合,以化学除磷为例,构建了生物除磷+化学除磷双联的预测+前馈可视化控磷系统,对污水厂及时有效地控磷具有很好的指导意义。控磷模型系统的建立和测试结果如下:（1）比选进水COD、BOD、TN、NH3-N、TP、SS、进水量、温度、pH值、溶解氧（DO）10个进水指标,选取COD、TN、NH3-N、TP、进水量5个进水指标作为生物除磷预测模型的输入因子,出水TP为输出因子。（2）针对BP神经网络收敛速度慢的缺陷,本文采用小波函数优化BP神经网络构建了小波神经网络（WNN）,结果显示小波神经网络迭代次数仅为100次,比BP神经网络少200次,收敛速度更快;针对小波神经网络易陷入局部极小值的缺陷,利用动量因子法（Momentum）对其进行优化,构建了Momentum-WNN网络,优化后平均相对误差为7.0677%,决定系数为0.8295,均方根误差为0.0404,相较于WNN神经网络,平均相对误差降低了2.9105%,决定系数提高了0.1961,均方根误差降低了0.0069。（3）针对RBF神经网络平滑因子选择的盲目性,采用随机游走算法（RW）优化RBF神经网络,构建了RW-RBF网络,结果显示RW-RBF网络的平均相对误差为3.4883%,决定系数为0.9582,均方根误差为0.0217,相较于优化前平均相对误差降低了3.8981%,决定系数提高了0.1608,均方根误差降低了0.0192。（4）BP神经网络易陷入局部极小值,而RBF神经网络能够避开这一缺陷。结果显示,RBF神经网络平均相对误差为9.9782%,决定系数为0.6334,均方根误差为0.0473,相较于BP神经网络平均相对误差降低了2.5918%,决定系数提高了0.164,均方根误差降低了0.0064。RW-RBF网络对于Momentum-WNN网络平均相对误差降低了3.8981%,决定系数提高了0.1608,均方根误差降低了0.0192。另外,Momentum-WNN网络迭代次数为100次,而RW-RBF网络迭代次数仅为25次,收敛速度更快。综上,RW-RBF网络相对于Momentum-WNN网络具有更好的预测精度。（5）本文将RW-RBF神经网络预测模型与前馈控制系统结合,构建了前馈-预测模型可视化界面,消除了控磷模型的时滞性,且相较于程序代码的读取和运行,可视化界面操作更加便捷,对用户更加友好。