污水处理受到进水水质、水量、设备、工艺等诸多因素影响,过程复杂,水质变化具有非线性及非确定性特征。传统的污水处理出水水质预测ASM系列模型由于涉及的反应过程和参数较多,许多参数缺乏成熟的测定方法,实际应用效果并不十分理想。人工神经网络具有大规模并行运算、自适应、自学习、容错性的能力,特别适用于需要同时考虑许多因素和条件,不精确的、模糊的信息处理。因此,运用人工神经网络对污水处理出水水质进行预测具有独特的优势,也为污水处理出水水质预测提供了新思路。 本文以MATLAB6.5为计算平台,采用BP神经网络结构:一个输入层、一个隐含层、一个输出层。通过工艺分析,确定6个进水水质指标即水量、PH值、温度、COD、硫化物、MLSS为输入神经元;出水COD浓度为输出神经元。通过对某厂污水处理站的监测数据进行学习,分析影响BP网络学习效率和预测精度的影响因素,主要从隐含层神经元数量、训练次数、隐含层激励函数、学习样本数量几个方面对该厂污水处理站出水COD浓度预测BP网络模型进行了优化,确定了引进分厂污水处理站出水水质预测人工神经网络模型。最后运用聚类分析法、主成分分析法去除了监测数据中有离群趋势的4个点,将监测数据分为6类,从每类中选取2/3作为学习样本,其余数据作为检验样本。 最后通过验证表明,BP人工神经网络模型预测结果同监测出水COD浓度相对误差最高为9.2%,最低为0.9%,平均相对误差为3.4%,识别率达到92.3%,具有较高的精度,能满足水质预测实际要求。