水处理DO影响因素的神经网络建模

2023-02-13

对于污水处理DO控制系统的非线性、生化处理过程复杂度高和难以搭建精确的数学模型的问题, 提出一种基于DO影响因素的神经网络建模方法。采用前向多层神经网络, 并使用BP算法进行网络学习。这种算法训练出的神经网络有很强的函数逼近能力, 经过对样本数据的学习, 能够有效地映射出被控对象的输入样本和输出样本之间的复杂的非线性关系, 从而得出相对精度神经网络模型, 通过选取对DO值影响较大的变量, 进水深度、温度、水浑浊度和PH值等, 作为输入量, 溶解氧浓度为输出量。并分析了神经网络在训练样本取值不同和隐含层的节点数目不同对网络模型功能稳定性的影响。

一、样本数据及数据的预处理

在建立溶解氧预测模型之前, 为确保实验仿真和模型预测的结果的误差更小和系统更稳定, 由于各种原因, 水质历史数据可能存在缺失或错误, 神经网络对不准确数据十分敏感, 并且在训练时神经网络容易陷入局部最小, 所以在模型建立时为了保证作为样本的历史数据准确可靠, 必须先对其进行预处理[1]。

(一) 输入的负荷数据归一化

为了避免神经元饱和现象, 对网络的输入样本先进行归一化处理。使用式 (1) 将水体的测量值映射[2]到[-1, 1]区间上, 在网络输出的数据通过式 (2) 换算回测量值。

式中Xmax和Xmin是训练样本集测量的最大值和最小值。

(二) 系统模型建立的误差指标

污水处理模型建立的误差指标多种多样, 本文选用绝对百分比误差:

式中APE:绝对百分比误差, Yi表示第i个样本的实际DO值, Y'i表示模型输出的对应的第i个值。

二、BP神经网络结构的建立

建立水处理溶解氧影响因素的神经网络结构:网络输入层的神经元为6;隐含层的神经元个数分别为4和8;输出层的神经元为1;隐含层的神经元通过经验公式范围为。

(一) 溶解氧神经网络建模整体设计流程与输入、输出矩阵的建立

将归一化处理后的数据作为神经网络的训练集 (100×6) 输入神经网络。模型输入量维度为6, 输出量维度为1个。MATLAB特别擅长矢量和矩阵的输入、输出和计算, 在程序编写时, 将6种对水处理DO值影响较大的因素作为输入数据为P (lx6) 的行矢量, 输出结果同样设为输出数据矩阵T (lx1) 的行矢量。在选取好训练样本数据后分别建立神经网络模型的输入矩阵和输出矩阵。

(二) 建立BP神经网络模型

水处理DO影响因素的神经网络结构, 为四层BP网络, 两个隐含层。使用函数“newff”建立BP神经网络, 在建立神经网络时, 初始化权值和阀值是随机选取的。

(三) BP网络训练

本文的使用Levenberg-Marquardt算法训练神经网络, 由于求解过程中须要求矩阵的逆所以算法迭代时计算量较大。为了防止训练时间太长, 应对网络训练的时间范围做出控制。

控制循环训练的结束:在每个训练周期之间我们队输出数据和真实数据之间的差值进行分析, 如果误差的大小在我们可以接受的范围内, 那么神经网络的训练就可以终止了。另一种就是预设一个最大次数, 当训练周期达到这个值, 训练就会自动停止。本小节设训练误差小于0.001、最大训练步数为10000、网络学习速率为0.1。

三、MATLAB程序仿真并分析

选用的是美国密尔沃基河2008年的水质监测数据的1至100个样本数据作为网络模型的训练样本集合、第101至110的10个样本数据作为网络模型精确度的验证集合。根据试凑法经过多次仿真, 选取隐含层数目为2时, 网络训练的性能最佳, 这时的网络收敛时长为3秒, 学习步数是7步。模型的输出值和实际DO值非常接近, 逼近的效果极佳。

摘要：本章主要围绕神经网络溶解氧浓度建模来展开。选用前向多层神经网络, 并选择BP算法对网络进行训练。首先网络训练的样本数据, 然后对选取的数据进行预处理, 其次将处理好的数据归一化, 选取一个污水处理系统模型建立的误差指标绝对百分比误差。然后确定了网络的输入与输出, 设计一个BP神经网络模型, 经过多次仿真实验来修正网络参数, 从而得出有相对精度神经网络模型。最后分析了神经网络在训练样本个数不同和隐含层的神经元个数不同对网络模型精度的影响。

关键词：神经网络,模型,网络,数据,训练