本發(fā)明提出了一種污水處理過(guò)程節(jié)能優(yōu)化控制的方法。具體來(lái)說(shuō)是基于改進(jìn)螢火蟲算法和支持向量機(jī)預(yù)測(cè)模型的污水節(jié)能處理控制系統(tǒng)。采用基于自適應(yīng)慣性權(quán)重螢火蟲算法優(yōu)化最小二乘支持向量機(jī)的預(yù)測(cè)能耗和出水水質(zhì)模型，使模型的精度得到較大的提高；綜合考慮了在滿足出水水質(zhì)情況下，使得曝氣與泵送能耗消耗盡可能降低，實(shí)現(xiàn)污水處理的節(jié)能優(yōu)化控制，本發(fā)明涉及了污水處理節(jié)能優(yōu)化的技術(shù)領(lǐng)域。

背景技術(shù)：

隨著人口上升，經(jīng)濟(jì)社會(huì)的快速發(fā)展，水污染的問(wèn)題日益凸顯，有關(guān)于污水處理控制的技術(shù)研究受到越來(lái)越多的重視。其中，污水處理運(yùn)行能耗的問(wèn)題是亟待解決的。實(shí)現(xiàn)對(duì)污水處理過(guò)程的優(yōu)化控制，使得污水處理運(yùn)行過(guò)程中能耗盡可能的減少，是保證污水處理節(jié)能高效的重要手段。因此本發(fā)明具有廣闊前景。

活性污泥法的工藝在污水處理過(guò)程操作的成本受到多種因素的影響，其中鼓風(fēng)曝氣的能耗和泵送能耗占有很大的比重。溶解氧濃度過(guò)高或者過(guò)低都會(huì)影響污泥生存的環(huán)境。當(dāng)溶解氧濃度過(guò)高，容易引起活性污泥的老化，使得活性污泥的吸附性下降，引起懸浮固體沉降性能變差；溶解氧濃度過(guò)低，活性污泥的活性降低，有機(jī)物的降解緩慢，導(dǎo)致污泥膨脹，出水水質(zhì)變差。溶解氧濃度受鼓風(fēng)曝氣能耗的影響；缺氧區(qū)發(fā)生的反硝化反應(yīng)，受硝態(tài)氮濃度的影響，且缺氧區(qū)直接決定了出水水質(zhì)，通過(guò)調(diào)節(jié)污水系統(tǒng)中內(nèi)回流量來(lái)控制硝態(tài)氮濃度的穩(wěn)定。內(nèi)回流量與泵送能耗之間有密切聯(lián)系。

因此根據(jù)水質(zhì)變化的情況去優(yōu)化溶解氧濃度、硝態(tài)氮濃度的設(shè)定值，是實(shí)現(xiàn)污水處理過(guò)程水質(zhì)效果提高，能耗下降的一種可行方法。我國(guó)當(dāng)前的很多活性污泥水廠溶解氧濃度、硝態(tài)氮濃度都是恒定或者長(zhǎng)期不變。實(shí)際運(yùn)行中，外界的影響污水處理因素是多變的，不同的氣候與時(shí)間段，污水的濃度變化大，這種不變的溶解氧濃度、硝態(tài)氮濃度設(shè)定值不能實(shí)現(xiàn)污水處理水質(zhì)和能耗的最優(yōu)化，必須對(duì)控制器的設(shè)定值進(jìn)行優(yōu)化設(shè)計(jì)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明目的在于克服上述現(xiàn)有技術(shù)的不足，提出了一種基于自適應(yīng)慣性權(quán)重螢火蟲算法和最小二乘支持向量機(jī)預(yù)測(cè)模型的污水節(jié)能處理控制系統(tǒng)。采用自適應(yīng)慣性權(quán)重螢火蟲算法優(yōu)化后的最小二乘支持向量機(jī)預(yù)測(cè)的能耗與出水水質(zhì)模型精度高，可靠，實(shí)現(xiàn)了污水處理廠能耗與出水水質(zhì)情況的在線評(píng)估。該方法綜合考慮了出水水質(zhì)，鼓風(fēng)機(jī)能耗和泵送能耗的影響因素，算法搜索尋優(yōu)的過(guò)程模擬成螢火蟲個(gè)體之間相互吸引和位置變換的更新過(guò)程，控制器根據(jù)改進(jìn)的螢火蟲算法對(duì)建立模型尋優(yōu)后的溶解氧濃度、硝態(tài)氮濃度設(shè)定值調(diào)節(jié)鼓風(fēng)機(jī)能耗和泵送能耗，用以優(yōu)化污水處理系統(tǒng)，在保證出水水質(zhì)的要求下，實(shí)現(xiàn)節(jié)能降耗。

本發(fā)明通過(guò)下述兩階段方案實(shí)現(xiàn)：

階段一：基于改進(jìn)螢火蟲算法和最小二乘支持向量機(jī)預(yù)測(cè)模型建立，包括以下順序的步驟：

步驟a1：將污水處理過(guò)程中的溶解氧濃度，硝態(tài)氮濃度的設(shè)定值、入水流量，作為模型的輸入，污水處理過(guò)程所用能耗和出水水質(zhì)情況作為模型輸出。收集污水處理廠歷史數(shù)據(jù)和實(shí)驗(yàn)數(shù)據(jù)，剔除其中的異常數(shù)據(jù)，對(duì)原始的樣本數(shù)據(jù)進(jìn)行歸一化的預(yù)處理。

步驟a2：采用多核最小二乘支持向量機(jī)建模，確定多核最小二乘支持向量機(jī)的核函數(shù)及其模型，用改進(jìn)的螢火蟲算法對(duì)多核最小二乘支持向量機(jī)參數(shù)進(jìn)行尋優(yōu)，找到最優(yōu)的參數(shù)組合，對(duì)模型進(jìn)行優(yōu)化，得到最優(yōu)的模型。

1、所述步驟a2，確定多核最小二乘支持向量機(jī)的核函數(shù)及其模型，用改進(jìn)的螢火蟲算法對(duì)多核最小二乘支持向量機(jī)參數(shù)進(jìn)行尋優(yōu)的具體過(guò)程如下：

步驟1.1多項(xiàng)式核函數(shù)為全局核函數(shù)，特點(diǎn)是泛化能力強(qiáng)，但學(xué)習(xí)能力弱，多項(xiàng)式核函數(shù)為：

k1(xi,xj)＝(xixj+1)^d(1)

式中d為多項(xiàng)式核函數(shù)的階數(shù)。

徑向基核函數(shù)為局部核函數(shù)，特點(diǎn)是具有很好的局部學(xué)習(xí)能力，但是泛化能力弱，徑向基核函數(shù)為：

式中exp是以自然對(duì)數(shù)e為底的對(duì)數(shù)，σ為徑向基核函數(shù)的核寬度。

根據(jù)上述兩個(gè)核函數(shù)，結(jié)合兩種核函數(shù)的優(yōu)點(diǎn)，構(gòu)造出多核函數(shù)，構(gòu)造的多核函數(shù)的表達(dá)式為：

式中a為權(quán)重系數(shù)，其它參數(shù)同上。以該多核函數(shù)作為最小二乘支持向量機(jī)的核函數(shù)。既能利用徑向基核函數(shù)在小范圍內(nèi)的強(qiáng)擬合性，也能利用多項(xiàng)式模型在整個(gè)數(shù)據(jù)集中的較強(qiáng)的學(xué)習(xí)能力，使得模型的精度得到很大提高。

步驟1.2確定最小二乘支持向量機(jī)的模型，其具體的算法如下：

采用歸一化預(yù)處理后的歷史和實(shí)驗(yàn)數(shù)據(jù)，構(gòu)成訓(xùn)練數(shù)據(jù)得到污水處理樣本集(xi,yi)，其中i＝1,2,…,l，其中l(wèi)為每一周期采集的數(shù)據(jù)向量組總個(gè)數(shù)。xi為輸入樣本，yi為對(duì)應(yīng)的輸出樣本。建立污水處理能耗與出水水質(zhì)模型，輸入樣本為xi為溶解氧濃度，硝態(tài)氮濃度設(shè)定值、入水流量，輸出yi為污水處理過(guò)程能耗和水質(zhì)指標(biāo)。選擇一個(gè)非線性函數(shù)φ(x)將輸入樣本映射到高維特征空間f，基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，最小二乘向量機(jī)的優(yōu)化問(wèn)題描述為求解最優(yōu)化問(wèn)題的目標(biāo)函數(shù)，將該問(wèn)題利用拉格朗日函數(shù)進(jìn)行求解，根據(jù)最優(yōu)條件，將問(wèn)題轉(zhuǎn)化為求解如下線性方程組：

式中e＝[1,1,…,1]^t；y＝[y1,y2,…,yl]^t；α＝[α1,α2,…,αl]^t，e為單位矩陣，

定義最小二乘支持向量機(jī)的核函數(shù)：

ωij＝k(xi,xj)＝<φ(xi)^tφ(xj)>(5)

式中采用步驟1.1所構(gòu)造的多核函數(shù)(3)作為最小二乘支持向量機(jī)的核函數(shù)，其中ωij表示矩陣ω的第i行和第j列的元素

步驟1.3用改進(jìn)的螢火蟲算法對(duì)多核最小二乘支持向量機(jī)參數(shù)進(jìn)行尋優(yōu)：

由于在最小二乘支持向量機(jī)模型中采用了多核函數(shù)，因此需要確定其模型包含的四個(gè)重要參數(shù)a，γ，σ²和d，這四個(gè)參數(shù)對(duì)于模型預(yù)測(cè)具有很大的影響。其中，a為多核函數(shù)表達(dá)式中的權(quán)重系數(shù)，γ為懲罰因子，σ²，d為核參數(shù)，本發(fā)明采用改進(jìn)的螢火蟲算法對(duì)模型的四個(gè)參數(shù)進(jìn)行尋優(yōu)，過(guò)程如下：

1)隨機(jī)產(chǎn)生初始種群，確定種群的規(guī)模的大小，迭代次數(shù)，確定參數(shù)組合(a，γ，σ²,d)的取值范圍；

2)將初始種群所代表的參數(shù)組合(a，γ，σ²,d)帶入最小二乘支持向量機(jī)，讀入污水處理訓(xùn)練樣本集，建立最小二乘支持向量機(jī)模型。用最小二乘法求解步驟1.2中的線性方程組(4)，得到支持向量系數(shù)α＝[α1,α2,…αl]，偏參量b，由此可以得出預(yù)測(cè)模型：

為了評(píng)定預(yù)測(cè)模型的預(yù)測(cè)效果，引入預(yù)測(cè)誤差的方差公式：

式中ji,qi分別表示預(yù)測(cè)模型(6)對(duì)污水處理過(guò)程能耗和水質(zhì)的預(yù)測(cè)值，分別代表與預(yù)測(cè)值所對(duì)應(yīng)的能耗和水質(zhì)的實(shí)際值，e所表示的值越小，表示模型精度越高。

用污水處理過(guò)程的訓(xùn)練樣本進(jìn)行模型的訓(xùn)練，螢火蟲個(gè)體的適應(yīng)度函數(shù)采用預(yù)測(cè)誤差的方差公式(7)，用改進(jìn)的螢火蟲算法對(duì)參數(shù)組合(a,γ,σ²,d)進(jìn)行尋優(yōu)，對(duì)種群的任意兩只螢火蟲i,j，根據(jù)螢火蟲之間相對(duì)亮度，更亮的螢火蟲i吸引螢火蟲j，其位置更新公式為：

zj(t+1)＝w1(t)zj(t)+βij×(zi(t)-zj(t))+η1ε1(8)

式中w1表示的是自適應(yīng)慣性權(quán)重；t代表當(dāng)前迭代次數(shù)；zi(t),zj(t)分別代表螢火蟲i和j的位置，η1是步長(zhǎng)因子，ε1代表隨機(jī)因子。

其中βij為螢火蟲i對(duì)螢火蟲j的吸引力：

式中β1為最大吸引力；μ1為光強(qiáng)吸收系數(shù)；d1代表螢火蟲位置向量的維數(shù)；rij表示螢火蟲i與j之間的距離；zi,k表示螢火蟲i位置向量的第k維分量，zj,k示螢火蟲j位置向量的第k維分量。

適應(yīng)度值的變化：

式中i＝1,2…,n1，t≥2；表示螢火蟲i在第t次迭代完成后的適應(yīng)度值，表示適應(yīng)度的變化值。當(dāng)代表迭代向著更好適應(yīng)度方向，反之，向著更差的適應(yīng)度方向，因此通過(guò)適應(yīng)度值的變化值確定當(dāng)前迭代中慣性權(quán)重的最終取值：

此外，w1(t)采用線性化的動(dòng)態(tài)慣性權(quán)重值：

其中，t1max表示最大迭代次數(shù),ωmin表示最小慣性權(quán)重值，ωmax表示最大慣性權(quán)重值，t表示當(dāng)前迭代次數(shù)。

3)判斷螢火蟲算法優(yōu)化得到的組合參數(shù)所代表的螢火蟲的位置，是否滿足收斂判據(jù)為無(wú)窮小，如果滿足，更新螢火蟲的位置；若不收斂，則重復(fù)執(zhí)行上述步驟。直到最大迭代次數(shù),輸出最優(yōu)參數(shù)組合(a，γ，σ²,d),得到能耗預(yù)測(cè)模型f1'(x)，出水水質(zhì)預(yù)測(cè)模型f2′(x)。

步驟1.4對(duì)模型中水質(zhì)約束條件的處理：

采用懲罰函數(shù)，將水質(zhì)約束條件轉(zhuǎn)化為無(wú)約束條件問(wèn)題，定義懲罰項(xiàng)：

f3(x)＝c1(stn-18)+c2(scod-100)(13)

式中stn,scod表示與出水水質(zhì)模型中對(duì)應(yīng)的的總氮濃度和化學(xué)需氧量，單位為mg/l，c1,c2分別表示對(duì)應(yīng)的權(quán)重系數(shù)，對(duì)于出水水質(zhì)其他的約束條件如氨氮濃度，固體懸浮物濃度，生物需氧量等同樣適用。

將懲罰項(xiàng)加入能耗模型與出水水質(zhì)指標(biāo)模型得到：

式中，c為懲罰因子。

階段二控制器設(shè)定參數(shù)在線優(yōu)化與模型修正，包括以下步驟：

步驟b1：當(dāng)污水優(yōu)化控制系統(tǒng)運(yùn)行時(shí)，對(duì)控制器設(shè)定參數(shù)在線優(yōu)化。以階段一得到的污水處理過(guò)程的能耗與出水水質(zhì)模型為適應(yīng)度函數(shù)，用改進(jìn)的螢火蟲算法對(duì)溶解氧濃度硝態(tài)氮濃度sno設(shè)定值進(jìn)行在線尋優(yōu)，滿足終止條件時(shí)，輸出最優(yōu)解。

步驟b2：采集實(shí)際運(yùn)行數(shù)據(jù)，當(dāng)模型誤差大于某一閥值，對(duì)模型進(jìn)行在線訓(xùn)練。否則到達(dá)下一優(yōu)化周期時(shí)轉(zhuǎn)本階段步驟b1。

2、所述步驟b1采用階段一優(yōu)化后得到的能耗模型f1(x)，出水水質(zhì)模型f2(x)為適應(yīng)度函數(shù)，用改進(jìn)的螢火蟲算法對(duì)溶解氧濃度和硝態(tài)氮濃度sno的設(shè)定值進(jìn)行尋優(yōu)：

步驟2.1將模型輸入的溶解氧濃度硝態(tài)氮濃度sno，所有可行參數(shù)組合模擬成螢火蟲個(gè)體，隨機(jī)產(chǎn)生初始種群，確定參數(shù)組合的取值范圍。

步驟2.2用改進(jìn)的螢火蟲算法對(duì)參數(shù)組合進(jìn)行尋優(yōu)，螢火蟲算法搜索尋優(yōu)的過(guò)程模擬成螢火蟲個(gè)體之間相互吸引和位置變換的更新過(guò)程。當(dāng)螢火蟲的發(fā)光亮度相同時(shí)候，螢火蟲各自隨機(jī)移動(dòng)，當(dāng)螢火蟲i的相對(duì)熒光亮度比j大，代表螢火蟲i的目標(biāo)函數(shù)值更優(yōu)，吸引螢火蟲j向i移動(dòng)，跟新自己的位置，其位置更新公式為：

xj(t+1)＝w2(t)xj(t)+βij×(xi(t)-xj(t))+η2ε2(15)

式中t代表迭代次數(shù)，xi(t),xj(t)分別代表螢火蟲i和j的位置，η2是步長(zhǎng)因子，是一個(gè)常數(shù)值，ε2代表隨機(jī)因子；w2表示的是自適應(yīng)慣性權(quán)重。

其中βij為螢火蟲i對(duì)螢火蟲j的吸引力：

式中β2為最大吸引力；μ2為光強(qiáng)吸收系數(shù)；d2代表螢火蟲所在位置向量的維數(shù)；rij表示螢火蟲i與j之間的距離；xi,k表示螢火蟲i位置向量的第k維分量，xj,k示螢火蟲j位置向量的第k維分量。

通過(guò)上式計(jì)算得到每個(gè)螢火蟲個(gè)體的上一輪迭代結(jié)束后，適應(yīng)度值的變化，其中計(jì)算適應(yīng)度值的模型其它輸入采用實(shí)際過(guò)程參數(shù)當(dāng)前采樣值：

式中i＝1,2…,n2，t≥2；表示螢火蟲i在第t次迭代完成后的適應(yīng)度值，表示適應(yīng)度的變化值。當(dāng)代表迭代向著更好適應(yīng)度方向，反之，向著更差的適應(yīng)度方向。因此通過(guò)適應(yīng)度的變化值確定當(dāng)前迭代中慣性權(quán)重的最終取值：

此外，w2(t)采用線性化的動(dòng)態(tài)慣性權(quán)重值：

其中，t2max表示最大迭代次數(shù)，ωmin表示最小慣性權(quán)重值，ωmax表示最大慣性權(quán)重值，t表示當(dāng)前迭代次數(shù)。

判斷螢火蟲算法得到的適應(yīng)度函數(shù)的解，是否滿足收斂判據(jù)為無(wú)窮小，如果滿足，則螢火蟲向著更亮的位置移動(dòng)，更新螢火蟲的位置；若不收斂，則重復(fù)執(zhí)行上述步驟。直到最大迭代次數(shù)，輸出最優(yōu)溶解氧和硝態(tài)氮的參數(shù)組合

3、所述步驟b2模型修正方法如下：將新采集的實(shí)際數(shù)據(jù)經(jīng)過(guò)預(yù)處理后加入到模型訓(xùn)練數(shù)據(jù)中，舍棄同樣數(shù)量的最舊數(shù)據(jù)，對(duì)模型進(jìn)行在線訓(xùn)練。具體措施如下:

在線運(yùn)行到達(dá)更新周期后，用新采集的數(shù)據(jù)x(1+j)·l,j＝1,2,…,n，n為更新時(shí)間周期數(shù)時(shí)，l為每一周期采集的數(shù)據(jù)向量組總個(gè)數(shù)，舍棄老數(shù)據(jù)xj·l,且當(dāng)預(yù)測(cè)模型誤差的方差和η為一預(yù)先確定的正數(shù)，啟動(dòng)更新后窗口數(shù)據(jù)對(duì)支持向量機(jī)訓(xùn)練,從而完成模型的在線更新和校正。

本發(fā)明與現(xiàn)有的技術(shù)相比有以下優(yōu)點(diǎn)和效果：

1、本發(fā)明采用基于適應(yīng)性慣性權(quán)重螢火蟲算法優(yōu)化后的最小二乘支持向量機(jī)預(yù)測(cè)的能耗與出水水質(zhì)模型，具有很好的學(xué)習(xí)能力和泛化能力，能夠有效解決目前污水處理工藝中小樣本，非線性，大時(shí)滯行等實(shí)際難點(diǎn)。

2、本發(fā)明采用基于適應(yīng)性慣性權(quán)重螢火蟲算法對(duì)模型參數(shù)組合(a,γ,σ²,d)進(jìn)行全局尋優(yōu)，與傳統(tǒng)的對(duì)參數(shù)組合尋優(yōu)相比，計(jì)算量更小，準(zhǔn)確性更高，提高了污水處理工藝中的能耗與水質(zhì)模型的預(yù)測(cè)精度，預(yù)測(cè)速度。

3、本發(fā)明采用基于適應(yīng)性慣性權(quán)重螢火蟲算法結(jié)合優(yōu)化后的最小二乘支持向量機(jī)針對(duì)污水處理工藝流程的能耗和水質(zhì)所建的預(yù)測(cè)模型，對(duì)控制器的溶解氧濃度和硝態(tài)氮濃度設(shè)定值參數(shù)組合進(jìn)行尋優(yōu)，相比粒子群算法，遺傳算法等智能算法，更加簡(jiǎn)單易行，通用性強(qiáng)。

附圖說(shuō)明

圖1是本發(fā)明基于自適應(yīng)慣性權(quán)重螢火蟲算法的多核最小二乘支持向量機(jī)預(yù)測(cè)污水處理節(jié)能優(yōu)化控制方法的具體流程圖。

圖2是本發(fā)明自適應(yīng)慣性權(quán)重螢火蟲算法流程圖。

具體實(shí)施方式

基于改進(jìn)螢火蟲算法的最小二乘支持向量機(jī)預(yù)測(cè)污水節(jié)能處理控制系統(tǒng)，包括以下兩個(gè)階段：

階段一：基于改進(jìn)螢火蟲算法和最小二乘支持向量機(jī)預(yù)測(cè)模型建立，包括以下順序的步驟：

步驟a1：將污水處理過(guò)程：溶解氧濃度，硝態(tài)氮濃度的設(shè)定值、入水流量作為模型的輸入，污水處理過(guò)程所用能耗和出水水質(zhì)指標(biāo)作為模型輸出。收集污水處理廠歷史數(shù)據(jù)和實(shí)驗(yàn)數(shù)據(jù)，剔除其中的異常數(shù)據(jù)，對(duì)原始的樣本數(shù)據(jù)進(jìn)行歸一化的預(yù)處理。

步驟a2：采用多核最小二乘支持向量機(jī)建模，確定多核最小二乘支持向量機(jī)的核函數(shù)及其模型，用改進(jìn)的螢火蟲算法對(duì)多核最小二乘支持向量機(jī)參數(shù)組合進(jìn)行尋優(yōu)，找到最優(yōu)的參數(shù)組合，對(duì)模型進(jìn)行優(yōu)化，得到最優(yōu)的模型。

1、所述步驟a2，確定多核最小二乘支持向量機(jī)的核函數(shù)及其模型，用改進(jìn)的螢火蟲算法對(duì)多核最小二乘支持向量機(jī)參數(shù)進(jìn)行尋優(yōu)的具體過(guò)程如下：

步驟1.1確定最小二乘支持向量機(jī)的模型，其具體的算法如下：

采用歸一化預(yù)處理后的歷史和實(shí)驗(yàn)數(shù)據(jù)，構(gòu)成訓(xùn)練數(shù)據(jù)得到污水處理樣本集(xi,yi)，其中i＝1,2,…,l。其中l(wèi)＝400，為每一周期采集的數(shù)據(jù)向量組總個(gè)數(shù)，構(gòu)成訓(xùn)練數(shù)據(jù)，取得污水處理樣本集(xi,yi)，xi為輸入樣本，yi為對(duì)應(yīng)的輸出樣本，當(dāng)建立能耗與出水水質(zhì)模型，輸入樣本xi為溶解氧濃度，硝態(tài)氮濃度設(shè)定值、入水流量，輸出yi為污水處理過(guò)程能耗值和出水水質(zhì)指標(biāo)。選擇一個(gè)非線性函數(shù)φ(x)將輸入樣本映射到高維特征空間f，基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，最小二乘向量機(jī)的優(yōu)化問(wèn)題描述為求解最優(yōu)化問(wèn)題的目標(biāo)函數(shù)，將該問(wèn)題利用拉格朗日函數(shù)進(jìn)行求解，根據(jù)最優(yōu)條件，將問(wèn)題轉(zhuǎn)化為求解如下線性方程組：

式中e＝[1,1,…,1]^t；y＝[y1,y2,...,yl]^t；α＝[α1,α2,…,αl]^t，e為單位矩陣，

定義最小二乘支持向量機(jī)的核函數(shù)：

ωij＝k(xi,xj)＝<φ(xi)^tφ(xj)>(21)

式中采用所構(gòu)造的多核函數(shù)作為最小二乘向量機(jī)的核函數(shù)，其中ωij表示矩陣ω的第i行和第j列的元素

步驟1.2用改進(jìn)的螢火蟲算法對(duì)多核最小二乘支持向量機(jī)參數(shù)進(jìn)行尋優(yōu)：

由于在最小二乘支持向量機(jī)模型中采用了多核函數(shù)，因此其模型包含四個(gè)重要參數(shù)a，γ，σ²和d需要確定，這四個(gè)參數(shù)對(duì)于模型預(yù)測(cè)具有很大的影響。其中，a為多核函數(shù)表達(dá)式中的權(quán)重系數(shù)，γ為懲罰因子，σ²，d為核參數(shù)，本發(fā)明采用改進(jìn)的螢火蟲算法對(duì)模型的四個(gè)參數(shù)進(jìn)行尋優(yōu)，過(guò)程如下：

1)隨機(jī)產(chǎn)生初始種群，種群大小n1＝40，最大迭代次數(shù)t1max＝100，確定參數(shù)組合(a，γ，σ²,d)的取值范圍；各個(gè)參數(shù)的尋優(yōu)范圍如下：a∈(0,1)，γ∈(0,150)，σ∈[0.1,0.5]，d∈[1,20]。

2)將初始種群所代表的參數(shù)組合(a，γ，σ²,d)帶入最小二乘支持向量機(jī)，讀入污水處理訓(xùn)練樣本集，建立最小二乘支持向量機(jī)模型。用最小二乘法求解步驟1.2中的線性方程組(4)，得到支持向量系數(shù)α＝[α1,α2,…αl]，偏參量b，由此可以得出預(yù)測(cè)模型：

為了評(píng)定預(yù)測(cè)模型的預(yù)測(cè)效果，引入預(yù)測(cè)誤差的方差公式：

式中ji,qi分別表示預(yù)測(cè)模型(6)對(duì)污水處理過(guò)程能耗和水質(zhì)的預(yù)測(cè)值，分別代表能耗和水質(zhì)的實(shí)際值，e所表示的值越小，表示模型精度越高。

用污水處理過(guò)程的訓(xùn)練樣本進(jìn)行模型的訓(xùn)練，螢火蟲個(gè)體的適應(yīng)度函數(shù)采用預(yù)測(cè)誤差的方差公式(7)，用改進(jìn)的螢火蟲算法對(duì)參數(shù)組合(a,γ,σ²,d)進(jìn)行尋優(yōu)，對(duì)種群的任意兩只螢火蟲i,j，根據(jù)螢火蟲之間相對(duì)的亮度，更亮的螢火蟲i吸引螢火蟲j，其位置更新公式：

zj(t+1)＝w1(t)zj(t)+βij×(zi(t)-zj(t))+η1ε1(24)

式中w1表示的是自適應(yīng)慣性權(quán)重；t代表當(dāng)前迭代次數(shù)；zi(t),zj(t)分別代表螢火蟲i和j的位置，η1是步長(zhǎng)因子，取η1∈(0,1]，ε1代表隨機(jī)因子，取ε1∈[0,1]。

其中βij為螢火蟲i對(duì)螢火蟲j的吸引力：

式中取β0＝0.9；取μ1∈[0.01,100]；d1代表螢火蟲位置向量的維數(shù)，因?yàn)橛兴膫€(gè)重要參數(shù)，取d1＝4；rij表示螢火蟲i與j之間的距離；zi,k表示螢火蟲i位置向量的第k維分量，zj,k示螢火蟲j位置向量的第k維分量。

適應(yīng)度的變化值：

式中i＝1,2,n1，n1＝40，t≥2；表示螢火蟲i在第t次迭代完成后的適應(yīng)度值，表示適應(yīng)度的變化值。當(dāng)代表迭代向著更好適應(yīng)度方向，反之，向著更差的適應(yīng)度方向，因此通過(guò)適應(yīng)度的變化值確定當(dāng)前迭代中慣性權(quán)重最終取值：

此外，w1(t)采用線性化的動(dòng)態(tài)慣性權(quán)重值：

其中，t1max表示最大迭代次數(shù)100次,權(quán)重系數(shù)從1.5到0.5線性遞減，ωmin表示最小慣性權(quán)重值0.5，ωmax表示最大慣性權(quán)重值1.5，t表示當(dāng)前迭代次數(shù)。

3)判斷螢火蟲算法優(yōu)化得到的組合參數(shù)所代表的螢火蟲的位置，是否滿足收斂判據(jù)為無(wú)窮小，如果滿足，更新螢火蟲的位置；若不收斂，則重復(fù)執(zhí)行上述步驟。直到最大迭代次數(shù),輸出最優(yōu)參數(shù)組合(a，γ，σ²,d)，得到能耗預(yù)測(cè)模型f1'(x)，出水水質(zhì)預(yù)測(cè)模型f2′(x)。

步驟1.3對(duì)能耗模型中水質(zhì)約束條件的處理：

采用懲罰函數(shù)，將水質(zhì)約束條件轉(zhuǎn)化為無(wú)約束條件問(wèn)題，定義懲罰項(xiàng)：

f3(x)＝c1(stn-18)+c2(scod-100)(29)

式中stn,scod表示與出水水質(zhì)模型中對(duì)應(yīng)的的總氮濃度和化學(xué)需氧量，單位為mg/l，c1,c2分別表示對(duì)應(yīng)的權(quán)重系數(shù)，取c1＝0.4,c2＝0.6，對(duì)于出水水質(zhì)其他的約束條件如氨氮濃度，固體懸浮物濃度，生物需氧量等同樣適用。

將懲罰項(xiàng)加入能耗模型與出水水質(zhì)性能模型得到：

式中，c為懲罰因子，取定懲罰因子為100000。

階段二控制器設(shè)定參數(shù)在線優(yōu)化與模型修正，包括以下步驟：

步驟b1：當(dāng)污水優(yōu)化控制系統(tǒng)運(yùn)行時(shí)，對(duì)控制器設(shè)定參數(shù)在線優(yōu)化。以階段一得到的污水處理過(guò)程的能耗模型f1(x)與水質(zhì)模型f2(x)為適應(yīng)度函數(shù)，用改進(jìn)的螢火蟲算法對(duì)溶解氧濃度硝態(tài)氮濃度sno設(shè)定值進(jìn)行在線尋優(yōu)。當(dāng)滿足終止條件時(shí)，輸出最優(yōu)解組合。

步驟b2：采集實(shí)際運(yùn)行數(shù)據(jù)，當(dāng)模型誤差大于某一閥值，對(duì)模型進(jìn)行在線訓(xùn)練。否則到達(dá)下一優(yōu)化周期時(shí)轉(zhuǎn)本階段步驟b1。

2、所述步驟b1采用階段一優(yōu)化后得到的能耗模型f1(x)，出水水質(zhì)模型f2(x)為適應(yīng)度函數(shù)，用改進(jìn)的螢火蟲算法對(duì)溶解氧濃度和硝態(tài)氮濃度sno的設(shè)定值進(jìn)行尋優(yōu)：

步驟2.1將模型輸入的溶解氧濃度硝態(tài)氮濃度sno，所有可行參數(shù)組合模擬成螢火蟲個(gè)體，隨機(jī)產(chǎn)生初始種群，種群大小n2＝50，最大迭代次數(shù)t2max＝120。

步驟2.2用改進(jìn)的螢火蟲算法對(duì)參數(shù)組合進(jìn)行尋優(yōu)，螢火蟲算法搜索尋優(yōu)的過(guò)程模擬成螢火蟲個(gè)體之間相互吸引和位置變換的更新過(guò)程。當(dāng)螢火蟲的發(fā)光亮度相同時(shí)候，螢火蟲各自隨機(jī)移動(dòng)，當(dāng)螢火蟲i的相對(duì)熒光亮度比j大，代表螢火蟲i的目標(biāo)函數(shù)值更優(yōu)，吸引螢火蟲j向i移動(dòng)，跟新自己的位置，其位置更新公式為：

xj(t+1)＝w2(t)xj(t)+βij×(xi(t)-xj(t))+η2ε2(31)

式中t代表迭代次數(shù)，xi(t),xj(t)分別代表螢火蟲i和j的位置，η2是步長(zhǎng)因子，取η2∈(0,1]，ε2代表隨機(jī)因子，取ε∈[0,1]；w2表示自適應(yīng)慣性權(quán)重。

其中βij為螢火蟲i對(duì)螢火蟲j的吸引力：

式中取β0＝1；取μ2∈[0.01,100]；d2代表螢火蟲所在位置向量的維數(shù)，取d2＝2；rij表示螢火蟲i與j之間的距離；xi,k表示螢火蟲i位置向量的第k維分量，xj,k示螢火蟲j位置向量的第k維分量。

通過(guò)上式計(jì)算得到每個(gè)螢火蟲個(gè)體的上一輪迭代結(jié)束后，適應(yīng)度的變化值：

式中i＝1,2…,n2，n2＝50，t≥2；表示螢火蟲i在第t次迭代完成后的適應(yīng)度值，表示適應(yīng)度的變化值。當(dāng)代表迭代向著更好適應(yīng)度方向，反之，向著更差的適應(yīng)度方向，因此通過(guò)適應(yīng)度的變化值確定當(dāng)前迭代中慣性權(quán)重的最終取值：

此外，w2(t)采用線性化的動(dòng)態(tài)慣性權(quán)重值：

其中，t2max表示最大迭代次數(shù)120次，權(quán)重系數(shù)從1.5到0.5線性遞減，ωmin表示最小慣性權(quán)重值0.5，ωmax表示最大慣性權(quán)重值1.5，t表示當(dāng)前迭代次數(shù)。

判斷螢火蟲算法得到的適應(yīng)度函數(shù)的解，是否滿足收斂判據(jù)為無(wú)窮小，如果滿足，則螢火蟲向著更亮的位置移動(dòng)，更新螢火蟲的位置；若不收斂，則重復(fù)執(zhí)行上述步驟。直到最大迭代次數(shù)。輸出最優(yōu)參數(shù)組合

3、所述步驟b2模型修正方法如下：將新采集的實(shí)際數(shù)據(jù)經(jīng)過(guò)預(yù)處理后加入到模型訓(xùn)練數(shù)據(jù)中，舍棄同樣數(shù)量的最舊數(shù)據(jù)，對(duì)模型進(jìn)行在線訓(xùn)練。具體措施如下:

在線運(yùn)行到達(dá)更新周期后，將新采集的數(shù)據(jù)x(1+j)·l,j＝1,2,…,n，n為更新時(shí)間周期數(shù)時(shí)，取n＝7，其中l(wèi)為每一周期采集的數(shù)據(jù)向量組的總個(gè)數(shù)，l＝400，加入訓(xùn)練數(shù)據(jù)，舍棄老數(shù)據(jù)xj·l，η為一預(yù)先確定的正數(shù),取η＝0.5,當(dāng)預(yù)測(cè)模型誤差的方差和啟動(dòng)更新后窗口數(shù)據(jù)對(duì)支持向量機(jī)訓(xùn)練，從而完成模型的在線更新和校正。