论文部分内容阅读
在污水处理的技术工艺中，活性污泥污水处理法是一种相对较为先进成熟的处理工艺技术。但是污水处理的工艺过程受到许多动态时变因素影响，具有高度复杂性、不确定性以及非线性的测量难点，故以精确的数学模型建模，难度巨大，是一类典型的复杂工业过程。并且由于部分关键水质参数无法在线监测，致使对污水处理的过程控制能技术手段未能在第一时间发挥指导及调控作用，所以污水处理水体质量参数的评定监测难关已成为污水处理技术发展的短板。由于人工神经网络具有优良的非线性逼近特性、并行式分布结构、较好的容错性以及自适应学习和归纳能力，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。但人工神经网络存在结构上的缺点及局限性，而遗传算法在一定程度上存在弥补优化的作用。为此，本论文针对活性污泥法污水的出水水质，研究了基于遗传算法优化人工神经网络的污水参数建模预测方法，结合前人研究经验成果，主要作了如下几方面工作:首先，就处理污水反应过程中，对降解有机物、硝化与反硝化、除磷过程反应有影响的工艺参数进行了相关学习，对污水处理水质参数指标及相关标准进行了分析。第二，通过分析神经网络和遗传算法各自的特点，针对神经网络在实际应用中存在的收敛速度慢，网络随机初始的权阀值的选择不能基于在一个有效的选择机制上，难以确定具有全局性优良的初始网络参数等缺点，进行了基于遗传算法优化的神经网络软测量建模研究。提出利用遗传算法在全局搜索中的优势进行BP神经网络权阀值的初始化，取代随机确定初始网络参数值的传统方法以使神经网络在算法一开始就运作在一个较优的搜索集合内，然后在这个解空间里运行算法，以误差反射传播的方式训练网络，使网络通过学习得到该集合内最优解的优化算法。第三，以广州沥滘污水处理厂实地测量水质指数报表数据为训练样本，将BP神经网络水质预测模型以及经过遗传优化之后的BP神经网络水质预测模型应用到曝气池COD的软件测量应用中，针对污水处理过程中不能在线测量的重要参数曝气池COD进行了仿真预测，并将获得的两种测量结果进行了比较分析。研究结果表明，基于遗传算法的优化方法有效解决了BP算法收敛速度慢，全局搜索能力弱等缺陷，达到了较好的效果。