根据BSM1的硝态氮浓度辨识建模

　　俞方罡，秦 斌（湖南工业大学，湖南 株洲 412000）
　　摘  要：污水处理进程杂乱多样，为便利研讨工作，依据基准仿真1号模型（Benchmark Simulation Modelno.1，BSM1）树立simulink仿真模型。由于操控溶解氧和硝态氮浓度的安稳是污水处理进程的要害，所以针对传统PI操控对大滞后非线性体系中硝态氮浓度操控功能低以及体系运转速度慢的问题，使用极限学习机（ELM）和支撑向量机（SVM）的猜测才能对硝态氮浓度进行模型辨识和比较。成果证明，在数据量较少的状况下，支撑向量机（SVM）具有很高的准确度，可是在数据量较高的状况下，极限学习机相同具有高准确度的特色而且运转速度更快。
　　要害词：污水处理；极限学习机；支撑向量机；MATLAB仿真

　　0 导言

　　在污水处理中，活性污泥是使用最为广泛的处理办法，因而很多的研讨工作都将活性污泥作为研讨的目标。由于微生物存在的各种习性以及相互之间的作用，在开始的研讨工作中学者们所提出的数学模型都存在结构十分杂乱或是其使用受到限制的问题^[1]。为了处理这些模型存在的问题，世界水协会(IWA)和欧盟科学技术合作安排(COST)两个安排合力开发的基准仿真1号模型^[2]。为便利研讨操控战略对污水处理进程的影响，对该模型进行了simulink建模及仿真^[3-6]，尽管经过简略的PI操控战略对此模型进行闭环仿真，但在体系为大滞后非线性的状况下，硝态氮浓度的操控作用并不抱负^[7-8]。跟着人工智能和机器学习的不断开展，黄广斌提出了极限学习机，这是一种依据单隐层前馈型神经网络开展而来的智能算法，用于处理反向传达算法学习功率低、参数设定繁琐的问题^[9-14]。宋剑杰、徐丽莎等人使用支撑向量机处理出水COD、BOD的猜测模型问题。对此，参阅神经网络对非线性体系辨识才能强、具有强壮的自学习才能的特色，在小数据组和大数据组两种状况下，选用极限学习机和支撑向量机对硝态氮浓度进行模型辨识和比较^[15]。
　　1 BSM1仿真及PI操控

　　基准仿真1号模型由ASM1活性污泥模型与Takács双指数沉积模型组成。两种模型的树立都恪守物料守恒定律，ASM1具体的描绘了污水中组分的来历、反响进程和去向，用于树立整个体系中生化池的部分。值得注意的是缺氧池1的入水由三方面组成；三个好氧池从外界受氧。因而此二者的物料守恒有别于上述规矩，别离为式（1）与式（2）所示：

　　式中 Q 表明对应的流量，Z表明对应的组分，V表明对应生化池的容积，r为反响速率。可是ASM1并不能描绘沉积池的运转机理，由于BSM1中只需求考虑一维空间固相与液相的改变，因沉积池的运转机理选用Takács双指数沉积模型进行描绘。如式（3）所示，式 中 X_f 为组分中易沉降颗粒性物质， V_s 为沉降速率，其他动力学参数均可查询得到。

　　图1为BSM1结构图，箭头表明污水处理进程中水流方向，按A2/O工艺流程，前两个缺氧池容积均为1000 m3，后边三个好氧池容积均为1333 m³，最终沉积池容积设定为6000 m³，依据ASM1与Takács模型能够在simulink中树立模型如图2所示。能够看出根本与BSM1结构图是相同的，可是由于生化池的入水与出水有两种回流液的参加，所以需求加设水流混合模块与水流别离模块。由于污水处理模型方程杂乱，为确保simulink的运转功率，生化池与沉积池两个部分均选用S函数描绘其内部机理。模型中所触及的参数均查询得到。

　　在此模型基础上，使用传统PI操控对模型进行闭环仿真。本文用三种不同的入水数据，即稳态入水数据、阶跃入水数据和实践入水数据，挑选溶氧浓度和硝态氮浓度作为PI操控对 象 。 实践溶氧浓度一般在0.3 g/m³~7.45 g/m³之间，如此巨大的浓度动摇是由于好氧池中的耗氧量在时间改变而氧传递系数不变导致的，因而经过COD（COD能直接反映出池中耗氧量巨细）的改变随时调整氧搬运系数kla5来安稳溶氧浓度。一起好氧池溶解氧的浓度会影响缺氧池硝态氮浓度，在PI操控前，溶氧浓度在三种入水数据输入的状况下，输出曲线如图3所示。显着跟着耗氧量的添加，溶氧浓度在随之减小。此刻的氧传递系数是坚持不变的，除稳态输入外，其他入水状况均使溶氧浓度和硝态氮浓度呈现较大动摇，尽管稳态入水能使溶氧坚持安稳，可是浓度却没有到达要求。图4是硝态氮浓度的改变曲线，与溶解氧浓度相同，其动摇规模十分大。

　　在图2方位参加PI操控器后，仿真的成果如图5和图6所示。阶跃输入状况下数据每次阶跃改变的起伏都很大，因而阶跃输入能够理解为多条稳态输入数据的调集，在每一次改变时相当于体系从头进行调理，存在必定的超调量但能敏捷回来设定值，在实践输入状况下，溶氧浓度能够操控在了2 g/m³左右。可是缺氧池出水的硝态氮浓度动摇规模仍然较大，还有很大的优化空间。

　　2 模型辨识与成果比照

　　基准仿真1号模型中PI操控作用不行强壮而且运转功率低下，主要原因在于BSM1参数多，模型杂乱，工业生产中神经网络操控战略现已发挥了巨大作用，其对非线性体系的学习才能能够使用于污水处理进程操控中去，因而使用极限学习机和支撑向量机树立污水处理中硝态氮浓度的简化模型。
　　南洋理工大学黄广斌教授提出极限学习机算法是由依据单隐层前馈型神经网络开展而来的智能算法，比较于前馈神经网络反向传达算法学习功率低、参数设定繁琐的问题，ELM避免了部分最优解的一起大大进步了学习速度，这在污水处理进程操控中十分重要。由于由单隐层前馈神经网络开展而来，其结构相同可表明为式（4）

　　式中g(x)为激活函数；W为输入层到隐含层的权值；β为隐含层到输出层的权值；b为隐含层节点偏置。
　　这儿选用sigmoid函数作为激活函数，以实在枯燥气候入水数据作为采样数据，使用BSM1仿真模型收集2号缺氧池出水13个组分作为极限学习机的输入变量X，5号好氧池溶解氧浓度作为极限学习机的输出变量t，别离收集1345组作为小数据组和10000组作为大数据组，其间70%作为练习数据，30%作为测验数据，别离用练习数据和测验数据与实践数据进行比照。用矩阵可表明为式（5）

　　大都状况下H是不可逆矩阵，只要经过使价值函数最小化来寻觅权值，由于极限学习机算法中随机给定初始输入权重W和节点偏置b，所以极限学习机的泛化功能够经过调理隐含层节点数L进步，一起理论指出单隐层神经网络权重幅值越小，网络的泛化功能就越强。这儿选取节点数为300。图7图8为大数据组成果，图9图10为小数据组成果，在小数据组中，极限学习机的辨识准确度较低，可是在大数据组中极限学习机的运转速度仍然很快而且具有较好的猜测作用，练习集和测验集的功能指标都到达了0.9以上。

　　为比较极限学习机污水处理猜测模型的猜测功能，树立支撑向量机污水处理猜测模型，支撑向量机比较于一般的神经网络，在学习杂乱的非线性方程时能够供给一种更明晰更强壮的办法。由于污水处理体系非线性程度很高，样本数量与特征量数量距离十分大，简略呈现欠拟合和过拟合的问题，为了使SVM具有杰出的泛化性，需求在价值函数中参加正则化危险，价值函数如式（6）所示：

　　式中e_i为i号样本的差错； 1/2ω^Tω为正则化危险，用实在枯燥气候入水数据作为采样数据，对作为输入变量的5号好氧池出水13个组分和作为输出变量的硝态氮进行收集，相同采样1345组数据作为小数据组和10000组作为大数据组，其间70%作为练习数据，30%作为测验数据，别离用练习数据和测验数据与实践数据进行比照。图11图12为大数据组成果，图13图14为小数据组成果，小数据组中，无论是练习集仍是测验集，支撑向量机的辨识精度远高于同组的极限学习机，图中赤色实线的实在值和蓝色虚线的猜测值根本坚持一致，支撑向量机关于内回流中的硝态氮浓度有很好的猜测作用。可是在大数据组中，支撑向量机的精度优势现已不再具有，相反其运转速度却远低于极限学习机。

　　极限学习机的练习速度远高于支撑向量机，由于极限学习机算法中直接生成初始化输入权重和隐含层节点偏置，不需求迭代调整，而支撑向量机对正则化参数和核函数参数的选取比较费时，极限学习机经过调整隐含层节点数能够调理模型的泛化性和猜测精度，比较于支撑向量机运用愈加简洁。在数据量比较少的状况下，支撑向量机的辨识精度很高，具有显着的优势，可是数据量较多的时分，极限学习机的精度不比支撑向量机低，一起具有更快的辨识速度，此刻极限学习机要优于支撑向量机。
　　3 定论

　　污水处理进程是个长期进程，对处理体系进行依据BSM1的simulink建模进步了研讨工作的功率，针对PI操控对硝态氮浓度操控才能低下的问题，树立依据ELM的简化模型和依据SVM的简化模型。成果表明，两者都有不错的大滞后非线性体系的模型辨识功能，SVM的辨识精度很高，但在数据量很大的状况下，ELM的精度也相同很高，其建模简略，练习速度快的特色更具优势。现在污水处理进程中对数据进行收集是遍及的现象，这些数据对神经网络来说是十分重要的部分，具有不同针对性的污水处理进程是能够选用不同的神经网络建模，无论是ELM仍是SVM都为污水处理供给了十分有用的办法，溶解氧浓度和硝态氮浓度安稳是污水处理进程操控的要害，准确的猜测模型对进步操控功能有重要作用。
　　参阅文献

　　[1] 李春阳. 依据ASM1活性污泥污水处理进程的建模与操控问题研讨[D].哈尔滨:哈尔滨工业大学,2016.
　　[2] 王藩, 王小艺, 魏伟,等. 依据BSM1的城市污水处理优化操控计划研讨[J]. 操控工程, 2015, 22(6):1224-1229.
　　[3] 张琪. 活性污泥法城市污水处理体系的建模与仿真[D]. 北京:北京化工大学, 2015.
　　[4] Gaitang H , Junfei Q , Honggui H . Wastewater treatmentcontrol method based on recurrent fuzzy neural network[J].Ciesc Journal, 2016.
　　[5] 乔兴宏. 污水生化处理体系的智能猜测及鲁棒优化操控研讨[D].广州:华南理工大学,2016.
　　[6] 周红桃. 焦化污泥热解资源化与废水处理能量当量建模及节能优化[D].广州:华南理工大学.
　　[7] 王雨萌. 依据智能操控战略的污水处理操控体系[D]. 杭州:浙江大学,2018.
　　[8] 刘帮, 秦斌, 彭小玉. 污水出水水质的SVR建模[J]. 新式工业化,2015(1).
　　[9] 许玉格, 邓文凯, 邓晓燕, et al. 依据核函数的加权极限学习机污水处理在线故障诊断办法[J]. 化工学报.
　　[10]宋翼颉, 王欣. 依据LSSVM的污水处理进程猜测操控[J]. 新式工业化, 2015(8):33-38.
　　[11]林梅金. 污水生化处理体系的智能猜测及优化操控战略研讨[D].广州:华南理工大学,2015.
　　[12]王欣, 宋翼颉, 秦斌,等. 依据LSSVM的污水处理进程建模[J]. 湖南工业大学学报, 2016, 30(1):59-63.
　　[13]甘露. 极限学习机的研讨与使用[D]. 西安:西安电子科技大学,2014.
　　[14]杨易旻. 依据极限学习的体系辨识办法及使用研讨[D]. 长沙:湖南大学, 2013.
　　[15]秦斌, 易怀洋, 王欣. 依据极限学习机的风电机组叶根载荷辨识建模[J]. 振荡与冲击, 2018.

　　本文来历于科技期刊《电子产品世界》2020年第02期第49页，欢迎您写论文时引证，并注明出处。