论文部分内容阅读
改善污水处理厂的运行和管理是保护水环境的关键,水处理标准的不断提高,对污水厂的在线检测和优化控制提出了更高的要求。但目前难以用硬件传感器在线检测所有运行参数,且运行费用昂贵、可能导致数据偏差,因此利用现有易测得的过程变量,建立可进行实时估量的软测量模型,预测水质总氮等重要指标来指导污水处理的过程控制及故障诊断,是一种优化污水处理过程管理的有效方式。人工智能建模的最新进展提出了一种污水处理过程的建模方法。因此,本文主要研究利用人工神经网络对活性污泥过程进行建模,从而为污水处理厂的维护和管理提供参考。本文的主要研究目的是利用神经网络对活性污泥过程建模,将动态神经网络模型用于污水处理厂出水水质预测。为了实现污水厂出水化学需氧量、总氮等预测,本文采用多层感知器网络与非线性自回归网络,分别建立了静态单一模型与动态单一模型,同时,采用主成分分析法,开发了一种复合神经网络模型,并对静态和动态模型、单一模型及复合模型进行了比较分析。此外,本文比较分析了神经网络训练算法等各种模型参数对预测性能的影响。仿真结果表明,出水化学需氧量指标预测时,静态模型和动态模型的均方误差分别低至7.2mg/L、2.9 mg/L;出水总氮指标预测时,均方误差分别为1.8 mg/L、0.8 mg/L。结果证明所建立的动态复合模型比静态模型具有更高的预测精度,且复合模型在各种模拟方案下均优于单一模型。主成分分析在降维方面具有显著效果,对提高模型性能具有良好作用。综上所述,动态复合模型能够模拟污水活性污泥处理过程,对研究污水处理及污水厂稳定运行与管理的策略、实现完整的数据驱动和故障诊断预测具有重要的意义。