氧化沟系统出水COD预报的神经网络模型.docx

氧化沟系统出水COD预报的神经网络模型摘要以漯河市污水净化中心的Carrousel氧化沟系统为考察对象，针对该系统进水水质复杂，控制滞后的难点，引入人工神经网络的理论和方法，对其模拟分析，建立了基于BP网络的氧化沟系统出水COD预报模型。模型性能检验和灵敏度检验表明，建成的模型准确度高，适应性强，可直接用于该系统出水COD预报，这为氧化沟工艺在线控制提供了一条简便的途径。关键词人工神经网络氧化沟系统出水CODTheANNModelPredictingEffluentCODofCarrouselOxidationDitchSystem.Abstract:ThecarrouseloxidationditchsysteminLuoheCenterofWastewaterTreatmentisdifficulttocontrolon-linebecausetheinfluentcharacteristicsarecomplexandvarysignificantly.Toresolvetheproblem,advancedartificialneuralnetwork(ANN)wasemployedtosimulatethecorrelationbetweenwaterparametersofoxidationditchsystemandaBPNNmodelpredictingeffluentCODwasbuiltup.Sentivityandperformancetestsshowedthatthemodelcanadapttodifferentsituationsandhasgoodabilitytogeneralize.ItcanbedirectlyusedtopredicteffluentCODconcentration,whichisveryhelpfultooxidationditchsystemcontrolon-line.Keywords:ANN;oxidationditchsystem;effluentCOD漯河市污水净化中心于2000年7月正式投产，采用的是典型的极具代表性的Carrousel氧化沟工艺，污水来源主要是屠宰废水、食品加工废水、化工废水和生活污水，其主要技术指标：一期工程：2000年万吨/日，设计流量8万吨/日，设计的进水负荷：COD≤500mg/l，BOD5≤200mg/l，SS≤200mg/l，设计出水指标：COD≤120mg/l，BOD５≤30mg/l，SS≤30mg/l，实际出水水质状况：SS：10～170mg/l，COD：16～77mg/l，TN：～56mg/l，TP：～/l；二期工程2010年万吨/日。由于进水中工业污水成分达到约74%,实际运行水质波动极大，对系统构成强烈冲击，进水COD最高记录超过600mg/l，进水SS经常维持在115～600mg/l，不同工作日进水水质强烈起伏，使工艺在线控制比较棘手，出水达标排放难以保证。对氧化沟这一复杂的活性污泥系统，由于影响工艺过程的因素反应的复杂性和高度非线性，常规的模型适应能力有限，而以机理分析为基础的动力学模型要求信息完备，参数齐全，实际生产中不便于推广。人工神经网络(ANN)以其连续时间的动力学行为、良好的非线性品质、大规模并行分布处理、高度稳健性和学习联想能力等特点，被广泛应用于模式识别、信号处理、系统控制中。并且ANN可以不完备信息建模，不需要被辨识对象阶次结构等先验知识，建模方法简单[1-3]。本研究针对该净化中心氧化沟系统进水水质复杂、起伏大，控制滞后的难点，通过使用BP模型，直接以正常运行时的生产数据为学习样本建模，预报出水COD，详细探讨了模型设计、训练及检验等环节，建成的模型准确度较高，适应性强，可作为一种定性与定量相结合的有效工具，直接用于该系统出水COD预报。1模型原理及设计BP网络模型按误差反向传播原则建立的BP(BackPropoga--tion)学习算法，是当前ANN技术中最成功的学习算法，前馈型BP网络及在此基础上改进的神经网络，是当前应用最广泛的网络类型。本研究以MATLAB环境下的神经网络工具箱与统计工具箱为数学工具，编制的BP模型由三层神经元组成，其主要特点是输入层由影响出水COD的各因素组成，为使样本信息尽量丰富，并考虑到指标监测方便可行，选择以下参数作为输入矢量：X1：水温，X2:进水SS浓度,X3：进水COD浓度,X4：进水氨氮浓度,X