关键词:
污水处理过程
软测量模型
粒子群算法
混合优化算法
模型优化
摘要:
随着我国经济飞速增长及工业化进程加快,水资源面临严峻考验,包括水消耗量激增、水质污染加剧及利用率低下等问题,使得水资源短缺日益显著。因此,对现有水资源实施管理并推动其循环利用变得极其关键。活性污泥法作为常用的污水处理技术,其运作过程常涉及物质与能量的转换,表现出非线性、长时间延迟和强烈干扰的特性,这些因素使得污水处理过程中存在一些不易直接测量和实时测量的核心参数,严重阻碍了污水处理厂的运作效率。使用硬件传感器能够进行出水数据的测量,然而由于废水存在着不可避免的恶劣条件以及硬件传感器在价格、寿命和稳定性上的缺点,使得传感器面临一些挑战,另外,随着时间的推移,传感器上积累的污泥和沉渣会降低其精度,同时也需要大量人工进行维护,稳定性和经济性不够理想。近年来,随着神经网络和智能优化算法的发展,探索新型智能算法和神经网络的原理,构建高效可靠的软测量模型成为了解决污水处理过程建模困难、模型参数校准和预测难题的新途径。
本文以印度恒河污水数据和基准仿真1号模型的模拟数据为基础,研究了深度学习软测量模型的优化构建方法,主要内容如下:
(1)针对基本粒子群算法收敛精度低且易陷入局部最优的缺点,本文提出一种基于入侵杂草算法(Invasive Weed Optimization,IWO)和粒子群算法(Particle Swarm Optimization,PSO)的混合算法,通过调整入侵杂草算法中杂草种子的位置更新策略,使得算法能够快速收敛到较小区间并避免陷入局部最优,同时引入逐维学习Dimension by Dimension Learning,DL)策略使得算法能够收敛到更高的精度,改进算法记为DLIWPSO。另外,针对逐维学习策略在求解连加型函数时,由于追求当前迭代下的适应度最优解而忽略了最接近最优粒子的位置,导致求得的解不是最优解的缺陷,本文提出一种简化逐维学习策略,可避免上述问题,同时,简化逐维学习策略的时间复杂度更小,求解速度更快。最后,将本文混合算法和另外两种改进粒子群算法在15个基准测试函数做对比,验证了本文算法的寻优精度和收敛速度,证明了本文算法的先进性和优越性。
(2)针对污水处理关键过程参数化学需氧量(Chemical Oxygen Demand,COD)和生化需氧量(Biochemical Oxygen Demand,BOD)难以实时在线测量,并且监测污水出水水质的传感器易受到污水恶劣环境影响,或由于其它因素导致数据缺失的难题,基于堆叠降噪自编码器(Stacked Denoising Autoencoders,SDAE)和极限学习机(Extreme Learning Machine,ELM)构建了SDAE-ELM预测模型,其中SDAE用于进行数据的重构和提取数据特征,ELM使用重构数据完成对原始数据的预测。采用恒河污水数据和基准仿真1号模型模拟的三种天气下的仿真数据集对模型进行验证,同时采用长短期记忆网络(Long Short-Term Memory,LSTM)、深度极限学习机(Deep Extreme Learning Machine,DELM)模型与SDAE-ELM模型做了对比实验,发现SDAE-ELM模型预测均方误差更小,预测结果更好。
(3)为进一步提升模型的预测效果,选择了使用两种方式对SDAE-ELM模型进行优化,首先采用随机森林进行SDAE的变量重要性预测,从而构建特征权重矩阵作为ELM的输入权重且放弃偏置矩阵,替代原本的随机产生输入权重和偏置矩阵,以避免极限学习机易受初始权重及偏置的影响。其次通过DLIWPSO算法对SDAE-ELM的隐含层节点数进行优化,从而提升预测性能。同时,将本文设计的DLIWPSO混合算法与近两年提出的三种元启发式算法SDAE-RF-ELM进行对比,验证了本文算法在优化SDAE-RF-ELM模型的优势。另外,由于COD和BOD均难以实时在线测量,而COD作为BOD最强的估计值之一,对BOD的预测有重要影响,故本文提出先进行COD的软测量,然后将预测得到的COD数据再用于BOD的软测量,并通过实验比较了使用原本数据集中传感器得到的COD数据与使用软测量模型得到的COD预测数据对BOD进行预测的对比,验证了该设想的可用性。