污水处理厂处理涉及多领域过程,对于动态水质数据的监测至关重要。TN是污水处理中主要的污染指标,利用人工实验测定耗时耗力,在线自动监测仪则价格昂贵且需维护。神经网络模型可依据最优准则,根据相关变量推测主导变量,可利用此模型预测出水TN。污水处理厂数据在模型输入中,需要在建模前进行预处理和深度分析,解决因数据的杂乱、冗余和缺失而导致模型的预测性能不佳。本文采用某日处理水量6万吨的A~2/O工艺污水处理厂的运行数据,通过误差处理、空值填补及平滑去噪等方法进行预处理。利用PCA法和粗糙集理论法,采用MATLAB和ROSETTA软件对数据进行简化和提炼,用MATLAB软件搭建BP神经网络模型,选择合适的节点转移函数和训练函数,确定合理的主成分数目,得到预测精度较高的污水处理厂出水TN预测模型,并根据模拟结果对污水处理厂运行参数提出优化调整建议。本文的主要结论如下:(1)通过比较不同的神经网络结构,采用一层隐含层、7个神经元的BP神经网络模型具有使用方便、预测准确的优点,选取较优的函数和参数,对武汉市某污水处理厂在采用半年的生产数据进行训练后,预测精度能够达到98%。(2)主成分分析法结合神经网络通过降维作用,能够提高模型预测的精度,推荐使用。而去噪方法对于提高模型精度的效果并不明显,且易损失特征数据。(3)根据模型预测结果,将该模型应用于污水处理厂参数调整发现,适当提高A~2/O好氧段溶解氧值、生物池MLSS值,TN的去除率有所提高。