污水预警中的化学需氧量(COD)预测技术.pdf

《污水预警中的化学需氧量(COD)预测技术.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、化工自动化及仪表第40卷污水预警中的化学需氧量(COD)预测技术叶延亮‘庄严6(北华大学a．科研处；b．电气信息工程学院，吉林吉林132021)摘要针对污水处理厂监控系统对水质重要指标出水COD难以及时测量的问题，提出利用进水BOD及进水COD等辅助输入变量通过改进的Elman神经网络建立出水COD预测系统模型，采用某化工污水处理厂的实际运行数据作为训练和测试样本。仿真结果表明：改进结构的Elman神经网络模型对出水COD的预测准确率最高。关键词污水处理COD标准Elman神经网络改进结构的Elman神经网络LM算

2、法中圈分类号TQ056．1文献标识码A文章缩号1000-3932(2013)12-1528-05随着GPRS无线通信技术的日益成熟，其在各行各业中的应用日益广泛。在工业和生活污水处理中，已经应用GPRs无线通信技术将远端监测数据传送到监控中心，监控中心对检测数据进行处理分析后，通过GPRS网络将上位机命令传送给下位机执行机构执行。由于GPRS是一种基于GSM系统的无线分组交换技术，能够提供端到端的广域无线IP连接，几乎可以不受限制地将远端监控数据传送到上位机处理。污水监控系统最重要的监控指标是出水口COD，监控系统

3、根据出水COD值的大小直接判定处理的污水水质是否达标，能否直接排放。而出水COD的检测主要有两种方式：传统的化学实验室测定法和在线COD分析仪法。目前，我国大部分污水处理厂对COD值的检测仍然采用传统实验室测定法，它的优点是方法简单且技术成熟，缺点是检测时间最短也需几个小时；而在线COD分析仪主要依靠进口，价格昂贵、维护量大且易受干扰。两种方法的使用都容易对环境造成二次污染。针对以上问题，笔者提出一种基于改进El—man神经网络模型和GPRS技术的COD预测技术，其特点是具有较高的预测准确率。1基于GPRS的污水预

4、警系统基于GPRS的污水预警系统主要由数据采集模块、传输模块、上位机预警模块和基于PLC的下位机执行模块组成。系统的运行过程如图1所示。数据采集H数据转换HcpRsf警输模块下位机执行模块图1基于GPRS的污水预警系统运行过程数据采集点的传感器将检测到的数据模拟量传送到单片机系统进行模数转换，并经过协议转换模块进行RS232转换，通过单片机串行接口传送给GPRS传输模块进行无线传送，上位机GPRS服务器接收数据信号，并通过虚拟串口将数据发送给上位机，监控中心直接显示检测数据，同时将检测数据传送至预测预警模块，模块根

5、据辅助输入变量预测系统出水COD值的大小与其他监测数据决定是否向下位机PLC执行机构传送命令，以对污水预警信息做出快速反应。因此，预测出水口COD值的准确性和及时性是预警系统是否可行的关键因素。笔者利用Elman神经网络和改进的Elman神经网络进行系统建模，选取适当的辅助输入变量，对出水COD进行在线预测。2建立Elman局部回归神经网络预测模型Elman局部回归神经网络⋯根据局部反馈的形式不同分为3种H]，隐层输出反馈到隐层输入是其中的一种，即隐层的输出通过联系层的延时收稿日期：2013-10-09(修改稿)，

6、基金项目：吉林省教育厅“十二五”规划项目(吉教科合字(2011)第127号)第12期叶延亮等．污水预警中的化学需氧量(COD)预测技术1529与存储，自联到隐层的输入，由于具有延时性，所以网络也称时延神经网络H1。这种白联方式使其对历史状态的数据具有敏感性，内部反馈网络的加入增加了网络本身处理动态信息的能力，从而达到了动态建模的目的。标准的Elman神经网络结构如图2所示。单元图2标准的Elman神经网络结构现在，对Elman网络所表达的数学模型进行分析。如图2所示，，(k)∈R7，X(k)∈R8，0(k)∈R“，

7、Wo∈R“。“，W1ER“。7，woER“。“；，(k)、X(后)、0(k)、X。(k)分别为输入变量、隐含层输出变量、输出变量和联系单元输出变量ff,s分别为各输出单元和隐层单元的激发函数所组成的非线性向量函数。肜o、∥、矿分别为联系层到中间层、输入层到中间层和中间层到输出层的连接权，则各层输入关系为H]：x(七)=以WoXc(女)+W1，(t))(1)Xc(．

8、I)=工(k一1)(2)D(麝)=g(矿工(矗))(3)由式(1)、(2)可得：x(_

9、})=，(矽ox(k一1)+W1，(K))=，(WD-厂(形ox

10、(k一2)+W1，(k一1))+W1，(后))=，(可D，(-．以甲ox(o)+Ⅳ。j(1))⋯)+Ⅳ1J(I))(4)由式(4)可知，X(k)由矿、形1决定，依赖于过去不同时刻的连接权值，是一个动态递推过程。Elman网络的动态反向传播学习算法各层连接权系数调整如下"1：△孵=。∑．够?置(知)i=1，2，⋯，m；，=1，2，⋯，n(5)△畋=点科‘(k一