本發(fā)明涉及污水處理領(lǐng)域，且特別涉及一種基于灰色神經(jīng)網(wǎng)絡(luò)組合模型的污水處理出水參數(shù)預(yù)測方法。

背景技術(shù)：

污水處理是控制水污染的關(guān)鍵一環(huán)。由于相關(guān)污水監(jiān)控設(shè)備價格昂貴，因此部分中小污水處理廠出于成本問題或出水監(jiān)測設(shè)備維護(hù)困難等問題，存在相關(guān)參數(shù)監(jiān)控不理想情況。然而一些參數(shù)的不精確不僅對出水水質(zhì)有重要影響，同時也增加了污水處理成本。

目前，對污水處理廠水質(zhì)預(yù)測的方法有很多，但是大都是基于神經(jīng)網(wǎng)絡(luò)的預(yù)測。污水處理廠水質(zhì)的變化是有多種影響因素構(gòu)成的，單一的預(yù)測方法僅能對局部的變化規(guī)律進(jìn)行描述，因而預(yù)測精度不高。因此，改進(jìn)單一模型的預(yù)測方法便成了提高預(yù)測精度的重要手段。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明為了克服現(xiàn)有單一性預(yù)測方法預(yù)測準(zhǔn)確性低的問題，提供一種預(yù)測精度高的基于灰色神經(jīng)網(wǎng)絡(luò)組合模型的污水處理出水參數(shù)預(yù)測方法。

為了實(shí)現(xiàn)上述目的，本發(fā)明提供一種基于灰色神經(jīng)網(wǎng)絡(luò)組合模型的污水處理出水參數(shù)預(yù)測方法，該方法包括：

獲取歷史的進(jìn)水參數(shù)數(shù)列x(t)并進(jìn)行累加處理后形成累加數(shù)列y(t)；

根據(jù)累加數(shù)列y(t)建立灰色神經(jīng)網(wǎng)絡(luò)并利用灰色神經(jīng)網(wǎng)絡(luò)對歷史出水參數(shù)進(jìn)行預(yù)測；在預(yù)測的過程中采用改進(jìn)的粒子群算法進(jìn)行灰色神經(jīng)網(wǎng)絡(luò)的優(yōu)化，優(yōu)化的步驟如下：

步驟一，初始化改進(jìn)的粒子群算法內(nèi)的參數(shù)；

步驟二，計算每個離子的粒子的適應(yīng)度f：

其中，yij為測試樣本總?cè)簒的預(yù)測值；tij為測試樣本總?cè)簒的真實(shí)值；n為測試樣本的個數(shù)；m為輸出節(jié)點(diǎn)的個數(shù)；

步驟三，根據(jù)計算的適應(yīng)度f，找出最小適應(yīng)度fmin對應(yīng)的粒子個體xmin，令x^*＝xmin，f^*＝fmin，則x^*為最優(yōu)粒子，f^*為最優(yōu)適應(yīng)度；

步驟四，按照以下公式優(yōu)化每個粒子的位置xi和速度vi；

樣本種群x＝(x1，x2，…，xn)；其中粒子i的位置信息表示為xi＝(xi1，xi2，…，xid)^t；速度信息表示為vi＝(vi1，vi2，…，vid)^t；粒子i的個體極值點(diǎn)為pi＝(pi1，pi2，…，pid)^t；種群的全局極值點(diǎn)為g＝(g1，g2，…，gd)^t；表示粒子i在第k次迭代第d維的速度；c1，c2為加速系數(shù)；r1，r2為[0,1]之間的隨機(jī)數(shù)；ω為慣性因子；為第k次迭代第d維的全局極值點(diǎn)；

步驟五，以變異遺傳概率p對粒子xi的位置進(jìn)行更新，產(chǎn)生新的粒子xi′并線性遞減慣性權(quán)重，計算新的粒子xi′的適應(yīng)度f′；比較f和f′的大小，若f＞f′，則令xi＝xi′；

步驟六，對于更新后的種群，找出最小的fmin，及其對應(yīng)的xmin，若fmin＜f^*，則令x^*＝xmin，否則不進(jìn)行變換；

步驟七，重復(fù)步驟四至步驟六，當(dāng)?shù)螖?shù)達(dá)到最大值時結(jié)束循環(huán)，輸出f^*，x^*。把x^*的值賦給參數(shù)a，bi，實(shí)現(xiàn)灰色神經(jīng)網(wǎng)絡(luò)的優(yōu)化；

根據(jù)優(yōu)化后的神經(jīng)網(wǎng)絡(luò)進(jìn)行當(dāng)前出水參數(shù)的預(yù)測；

采用馬爾科夫鏈對計算所得的當(dāng)前的出水參數(shù)進(jìn)行修正。

于本發(fā)明一實(shí)施例中，根據(jù)累加數(shù)列建立灰色神經(jīng)網(wǎng)絡(luò)并利用灰色神經(jīng)網(wǎng)絡(luò)對歷史出水參數(shù)進(jìn)行預(yù)測的步驟如下：

根據(jù)累加數(shù)列y(t)構(gòu)建灰色神經(jīng)網(wǎng)絡(luò)的微分方程：

求解微分方程后得到其時間響應(yīng)函數(shù)：

其中：z(t)為對出水參數(shù)的預(yù)測值；

將時間響應(yīng)函數(shù)內(nèi)的參數(shù)映射到bp神經(jīng)網(wǎng)絡(luò)內(nèi)相應(yīng)層的權(quán)重上，得到灰色神經(jīng)網(wǎng)絡(luò)；

在累加數(shù)列y(t)獲取測試樣本對灰色神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，當(dāng)網(wǎng)絡(luò)收斂時提取a，b1，b2，…，bn-1這些時間響應(yīng)函數(shù)內(nèi)的參數(shù)，將時間響應(yīng)函數(shù)進(jìn)行白化；

利用白化后的時間響應(yīng)函數(shù)對歷史出水參數(shù)進(jìn)行預(yù)測。

于本發(fā)明一實(shí)施例中，bp神經(jīng)網(wǎng)絡(luò)內(nèi)相應(yīng)層的權(quán)重的賦值如下：

輸入變量的權(quán)重w11＝a，輸入層與隱含層的權(quán)重i＝2,3,…,n，隱含層與輸出層的權(quán)重w3i＝1+e^-at，j＝1,…,n?；疑窠?jīng)網(wǎng)絡(luò)輸出公式：

y1＝w31c1+w32c2+…+w3ncn-θy1(5)

其中：c1＝hw21，ci＝y(tǒng)i(t)hw2i，i＝2,…,n，θy1＝(1+e^-at)(d-y1(0))。

于本發(fā)明一實(shí)施例中，采用以下公式以變異遺傳概率p對粒子xi的位置進(jìn)行更新：

其中，xij表示第i個粒子的第j個方向的位置信息；f(k)＝r(1-k/kmax)，k表示當(dāng)前迭代次數(shù)，kmax表示最大迭代次數(shù)；amax，amin分別為xij的上界和下界，r為[0,1]之間的隨機(jī)數(shù)；

采用以下公式線性遞減慣性權(quán)重：

ω(k)＝ωs-(ωs-ωe)(kmax-k)/kmax(7)

其中，ωs為初始慣性權(quán)重；ωe為最終迭代慣性權(quán)重，ω(k)為第k次迭代時的慣性權(quán)重。

于本發(fā)明一實(shí)施例中，采用馬爾科夫鏈對計算所得的當(dāng)前的出水參數(shù)進(jìn)行修正的步驟如下：

采用預(yù)測結(jié)果相對誤差的絕對值，將預(yù)測值序列分為若干個狀態(tài)區(qū)間，求得一步轉(zhuǎn)移概率矩陣其中為一步轉(zhuǎn)移概率，表示從狀態(tài)ai經(jīng)過一步轉(zhuǎn)移到狀態(tài)aj的概率，采用以下公式進(jìn)行修正：

pt+1＝p0[p(1)]^t+1(8)

pt+1為t+1時刻預(yù)測值的概率分布；p0為初始時刻預(yù)測值的概率分布。

綜上所述，本發(fā)明提供的基于灰色神經(jīng)網(wǎng)絡(luò)組合模型的污水處理出水參數(shù)預(yù)測方法利用改進(jìn)的粒子群算法與灰色神經(jīng)網(wǎng)絡(luò)相融合，用改進(jìn)粒子群算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)權(quán)值，利用灰色神經(jīng)網(wǎng)絡(luò)的輸出的均方差作為粒子適應(yīng)度，實(shí)現(xiàn)了模型參數(shù)的優(yōu)化。再用馬爾科夫鏈對誤差進(jìn)行修正，使得修正值更加接近實(shí)際值。多種算法的融合，綜合利用各自算法的優(yōu)點(diǎn)，提高了污水處理水質(zhì)參數(shù)的預(yù)測精度，具有良好的擴(kuò)展性和實(shí)際應(yīng)用價值。

為讓本發(fā)明的上述和其它目的、特征和優(yōu)點(diǎn)能更明顯易懂，下文特舉較佳實(shí)施例，并配合附圖，作詳細(xì)說明如下。

附圖說明

圖1所示為本發(fā)明一實(shí)施例提供的基于灰色神經(jīng)網(wǎng)絡(luò)組合模型的污水處理出水參數(shù)預(yù)測方法的流程圖。

具體實(shí)施方式

如圖1所示，本實(shí)施例提供的基于灰色神經(jīng)網(wǎng)絡(luò)組合模型的污水處理出水參數(shù)預(yù)測方法包括：

步驟s1、獲取歷史的進(jìn)水參數(shù)數(shù)列x(t)并進(jìn)行累加處理后形成累加數(shù)列y(t)。所述進(jìn)水參數(shù)包括生化需氧量(bod)、化學(xué)需氧量(cod)以及ph值等參數(shù)。

步驟s2、根據(jù)累加數(shù)列y(t)建立灰色神經(jīng)網(wǎng)絡(luò)并利用灰色神經(jīng)網(wǎng)絡(luò)對歷史出水參數(shù)進(jìn)行預(yù)測；在預(yù)測的過程中采用改進(jìn)的粒子群算法進(jìn)行灰色神經(jīng)網(wǎng)絡(luò)的優(yōu)化。

在該步驟中首先將灰色系統(tǒng)和神經(jīng)網(wǎng)絡(luò)進(jìn)行融合，利用神經(jīng)網(wǎng)絡(luò)模型的大樣本、非線性處理能力和學(xué)習(xí)能力來彌補(bǔ)灰色模型貧信息、建模簡單及非線性處理能力弱等特征。建立灰色神經(jīng)網(wǎng)絡(luò)并利用灰色神經(jīng)網(wǎng)絡(luò)對歷史出水參數(shù)進(jìn)行預(yù)測的步驟如下：

首先，根據(jù)累加數(shù)列y(t)構(gòu)建灰色神經(jīng)網(wǎng)絡(luò)的微分方程：

接著，求解微分方程后得到其時間響應(yīng)函數(shù)：

其中：z(t)為對出水參數(shù)的預(yù)測值；

再接著，將時間響應(yīng)函數(shù)內(nèi)的參數(shù)a，bi映射到bp神經(jīng)網(wǎng)絡(luò)內(nèi)相應(yīng)層的權(quán)重上，得到灰色神經(jīng)網(wǎng)絡(luò)。在該步驟中，權(quán)重的賦予如下：

輸入變量的權(quán)重w11＝a，輸入層與隱含層的權(quán)重i＝2,3,…,n，隱含層與輸出層的權(quán)重w3i＝1+e^-at，j＝1,…,n。灰色神經(jīng)網(wǎng)絡(luò)輸出公式：

y1＝w31c1+w32c2+…+w3ncn-θy1(5)

其中：c1＝hw21，ci＝y(tǒng)i(t)hw2i，i＝2,…,n，θy1＝(1+e^-at)(d-y1(0))。

再接著，在累加數(shù)列y(t)獲取測試樣本對灰色神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，當(dāng)網(wǎng)絡(luò)收斂時提取a，bi這些時間響應(yīng)函數(shù)內(nèi)的參數(shù)，將時間響應(yīng)函數(shù)進(jìn)行白化；

最后，利用白化后的時間響應(yīng)函數(shù)對歷史出水參數(shù)進(jìn)行預(yù)測。

在對歷史出水參數(shù)進(jìn)行預(yù)測的過程中，采用改進(jìn)的粒子群算法進(jìn)行灰色神經(jīng)網(wǎng)絡(luò)的優(yōu)化，優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)的權(quán)重，提高預(yù)測的準(zhǔn)確性。具體的優(yōu)化的步驟如下：

步驟一，初始化改進(jìn)的粒子群算法內(nèi)的參數(shù)。改進(jìn)的粒子群算法的參數(shù)包括：加速系數(shù)c1和c2；最大迭代次數(shù)kmax，種群規(guī)模size，最優(yōu)位置xmax，最大速度vmax，變異遺傳概率p等參數(shù)進(jìn)。再由參數(shù)a，bi的個數(shù)確定種群長度l。

步驟二，采用公式(1)計算每個離子的粒子的適應(yīng)度f：

其中，yij為測試樣本總?cè)簒的預(yù)測值；tij為測試樣本總?cè)簒的真實(shí)值；n為測試樣本的個數(shù)；m為輸出節(jié)點(diǎn)的個數(shù)；

步驟三，根據(jù)計算的適應(yīng)度f，找出最小適應(yīng)度fmin對應(yīng)的粒子個體xmin，令x^*＝xmin，f^*＝fmin，則x^*為最優(yōu)粒子，f^*為最優(yōu)適應(yīng)度；

步驟四，按照公式(2)和(3)優(yōu)化每個粒子的位置xi和速度vi；

假設(shè)在一個d維空間中，種群x＝(x1，x2，…，xn)，其中粒子i的位置信息表示為xi＝(xi1，xi2，…，xid)^t，速度信息表示為vi＝(vi1，vi2，…，vid)^t，粒子i的個體極值點(diǎn)為pi＝(pi1，pi2，…，pid)^t，種群的全局極值點(diǎn)為g＝(g1，g2，…，gd)^t。表示粒子i在第k次迭代第d維的速度；c1，c2為加速系數(shù)；r1，r2為[0,1]之間的隨機(jī)數(shù)；ω為慣性因子；為第k次迭代第d維的全局極值點(diǎn)。

步驟五，按照公式(6)以變異遺傳概率p對粒子xi的位置進(jìn)行更新，產(chǎn)生新的粒子xi′并按照公式(7)進(jìn)行線性遞減慣性權(quán)重，計算其粒子xi′的適應(yīng)度f′；比較f和f′的大小，若f＞f′，則令xi＝xi′。

其中，xij表示第i個粒子的第j個方向的位置信息；f(k)＝r(1-k/kmax)，k表示當(dāng)前迭代次數(shù)，kmax表示最大迭代次數(shù)；amax，amin分別為xij的上界和下界，r為[0,1]之間的隨機(jī)數(shù)。

ω(k)＝ωs-(ω^s-ωe)(kmax-k)/kmax(7)

其中，ωs為初始慣性權(quán)重；ωe為最終迭代慣性權(quán)重。

步驟六，對于更新后的種群，找出最小適應(yīng)度fmin，及其對應(yīng)的粒子個體xmin，若fmin＜f^*，則令x^*＝xmin，否則不進(jìn)行變換；

步驟七，重復(fù)步驟四至步驟六，當(dāng)?shù)螖?shù)達(dá)到最大值時結(jié)束循環(huán)，輸出f^*，x^*。把x^*的值賦給參數(shù)a，bi，參數(shù)a，bi與灰色神經(jīng)網(wǎng)絡(luò)內(nèi)輸入層和隱含層的權(quán)重相關(guān)，因此，實(shí)現(xiàn)灰色神經(jīng)網(wǎng)絡(luò)的優(yōu)化。

步驟s3、根據(jù)優(yōu)化后的神經(jīng)網(wǎng)絡(luò)進(jìn)行當(dāng)前出水參數(shù)的預(yù)測；

步驟s4、采用馬爾科夫鏈對計算所得的當(dāng)前的出水參數(shù)進(jìn)行修正。修正的方法為：采用預(yù)測結(jié)果相對誤差的絕對值，將預(yù)測值序列分為若干個狀態(tài)區(qū)間，求得一步轉(zhuǎn)移概率矩陣其中為一步轉(zhuǎn)移概率，表示從狀態(tài)ai經(jīng)過一步轉(zhuǎn)移到狀態(tài)aj的概率，采用以下公式進(jìn)行修正：

pt+1＝p0[p(1)]^t+1(8)

pt+1為t+1時刻預(yù)測值的概率分布；p0為初始時刻預(yù)測值的概率分布。

綜上所述，本發(fā)明提供的基于灰色神經(jīng)網(wǎng)絡(luò)組合模型的污水處理出水參數(shù)預(yù)測方法利用改進(jìn)的粒子群算法與灰色神經(jīng)網(wǎng)絡(luò)相融合，用改進(jìn)粒子群算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)權(quán)值，利用灰色神經(jīng)網(wǎng)絡(luò)的輸出的均方差作為粒子適應(yīng)度，實(shí)現(xiàn)了模型參數(shù)的優(yōu)化。再用馬爾科夫鏈對誤差進(jìn)行修正，使得修正值更加接近實(shí)際值。多種算法的融合，綜合利用各自算法的優(yōu)點(diǎn)，提高了污水處理水質(zhì)參數(shù)的預(yù)測精度，具有良好的擴(kuò)展性和實(shí)際應(yīng)用價值。

雖然本發(fā)明已由較佳實(shí)施例揭露如上，然而并非用以限定本發(fā)明，任何熟知此技藝者，在不脫離本發(fā)明的精神和范圍內(nèi)，可作些許的更動與潤飾，因此本發(fā)明的保護(hù)范圍當(dāng)視權(quán)利要求書所要求保護(hù)的范圍為準(zhǔn)。