关键词:
污水治理
精准施药
芬顿投药
BP神经网络
径向基神经网络
遗传算法
摘要:
投药是污水处理过程中极其关键的环节,它通过向废水中添加药剂来去除悬浮物和有害有机物。投药量的多少直接影响着污水处理厂的水处理效率和出水质量。如果投药量不足,那么出水的水质就无法达到规定的标准;而如果投药过量,将会增加污水治理成本并带来二次污染的风险。因此,在污水处理过程中,精准施药是至关重要的。然而,投药过程是非常复杂的,涉及到物理和化学过程,并且受原水水质、进水流量等多种因素的影响,具有大时滞性和非线性变化等特点。目前,许多污水处理厂仍采用人工控制方式进行投药,人工投药难以应对水质波动较大的原水,原因是水质波动较大的原水中的污染物质量和种类不稳定,很难实现精准投药。因此,如何实现精准施药是当前国内外污水处理厂亟需解决的重要难题之一。本文以南宁某污水处理厂的污水投药为研究背景,研究对象为该厂的芬顿投药系统,采用该系统的3000余组人工投药数据作为样本分析。针对污水处理厂投药系统的非线性、大时滞、多变量以及难以实现精准投药等特点,本文提出了一种基于人工神经网络模型的算法,用于精准预测芬顿试剂(硫酸亚铁和双氧水两种试剂)的投药量,该算法能够有效地解决人工控制方式中的难点和问题。首先对污水处理厂的投药数据进行归一化处理和异常值剔除,然后对原水水质因素进行分析,确定模型的输入输出特征,其中原水流量、出水pH、进水COD(化学需氧量)、出水COD、硫酸亚铁(t-1)时刻的投药量、双氧水(t-1)时刻的投药量作为输入特征,硫酸亚铁和双氧水两种投药量作为输出特征,将数据样本划分为训练样本、测试样本以及验证样本,建立多元线性回归模型、BP神经网络(Back Propagation Neural Network,反向传播神经网络)模型以及RBF神经网络(Radial Basis Function Neural Network,径向基函数神经网络)模型,对模型进行训练、测试以及验证,最后比较三种模型的预测结果,发现BP神经网络模型相比于传统数学模型和RBF神经网络模型,具有更高的精度和可靠性。为了进一步提高模型的预测精度,本文使用遗传算法优化BP神经网络模型,实验结果表明,遗传算法优化BP神经网络模型能够降低硫酸亚铁和双氧水的投药量预测误差,平均绝对误差分别降低了0.0162 t/h和0.004 t/h;均方误差分别降低了0.0849 t/h和0.0041 t/h;均方根误差分别降低了0.1 t/h和0.032 t/h;预测效果得到了提升。因此,本文提出的遗传算法优化BP神经网络模型能够实现对芬顿试剂投药量的精准预测。