引言

當前,污水排放量隨著城市化推進和工農業(yè)發(fā)展而日益增加。我國近年興建了大量的污水處理廠,來改善水資源環(huán)境,以免其進一步惡化。由于污水處理過程機理復雜,為建立良好的監(jiān)測機制,保證良好的出水水質,必須及時監(jiān)控污水處理過程中的水質參數。根據國家相關排放標準,總氮(TN）、總磷(TP）是衡量水質好壞的重要指標,但目前大部分檢測由人工完成,存在難以在線測量、時間延遲長、無法實時監(jiān)控調節(jié)等問題。而水質在線檢測儀的技術尚不完善,存在檢測精度不高、維護困難、設備昂貴等問題。為此,近年來興起了軟測量技術,能夠代替硬件儀表進行實時測量,針對污水處理過程中難以測量或暫時不能測量的參數,通過建立某種數學模型,對其進行估計。國外在軟測量技術研究方面十分活躍,在化工領域已經取得了可喜的研究成果,而在污水處理領域還處于基礎研究階段。

在污水處理水質指標的軟測量研究中,國內外專家提出了多種智能建模方法,如神經網絡、支持向量機等,其中以神經網絡為建模工具的基于知識的方法研究最為活躍[3]。神經網絡法采用經驗風險最小化的原則,在樣本有限的條件下,學習過程容易陷入過學習、維數災難、局部最小等境地,而支持向量機的支持向量個數隨著訓練樣本的增大而線性增大,導致在線檢測時間更長:而且支持向量機的懲罰因子難以選擇合適的值,設置不當容易引起過學習問題。關聯(lián)向量機(RVM）基于貝葉斯框架構建,其泛化能力優(yōu)于支持向量機,且其測試時間更短,更適用于在線檢測。為此,本文提出引入關聯(lián)向量機(RVM）這一軟測量方法,建立水質中重要指標總氮(TN）和總磷(TP）的模型。

1污水處理工藝

一個典型的污水處理過程如圖1所示,該污水處理過程又叫活性污泥法處理過程,它包括初沉池、曝氣池和二沉池。初沉池用來除去廢水中的可沉物和漂浮物:在曝氣池中使污水中的有機污染物與活性污泥充分接觸,并吸附和氧化分解有機污染物:二次沉淀池用以分離曝氣池水中的活性污泥,并將池中的一部分沉淀污泥回流到曝氣池,以供應曝氣池賴以進行生化反應的微生物,剩余污泥作為固體廢物排出做進一步處理。

2關聯(lián)向量機

關聯(lián)向量機是M.E.Tipping提出的跟支持向量機類似的稀疏概率模型,它是在貝葉斯框架下進行的,基于主動相關決策理論,在先驗參數的結構中移除不相關的點,從而獲得稀疏的模型。同支持向量機(sVM）相比,關聯(lián)向量機具有以下優(yōu)點:(1）避免主觀設置誤差參數:(2）所用的相關向量少于sVM:(3）核函數不用滿足Mercer條件,有更大的選擇范圍。

式(3）表示權值的后驗分布由均值μ和:所決定。為了估計權值模型,先要確定估計超函數a的最優(yōu)值。根據貝葉斯框架,超函數的似然分布可以通過下式計算:

通過求解極大似然分布,可以得到超函數的最優(yōu)值aMP和gMP。至此,建立了目標值t的模型。那么對于輸入值x*,其相應輸出的概率分布為:

3基于關聯(lián)向量機的出水TN和TP預測模型和試驗

污水處理過程是一個多變量、多目標、多層次、含海量信息的復雜系統(tǒng),各種參數之間存在強烈的耦合和關聯(lián)。在本研究中出水TN選擇流量、進水濁度、懸浮物濃度SS及NH4+-N、曝氣池氧D0、溫度7、酸堿度pH、氧化還原電0RP、混合液懸浮固體濃度MLSS、N03--N及曝氣池電導率k、出水懸浮物濃度SS及NH4+-N等13個參數;出水TP選擇流量、進水濁度、懸浮物濃度SS及曝氣池氧D0、溫度7、酸堿度pH、氧化還原電0RP、混合液懸浮固體濃度MLSS、N03--N及曝氣池電導率k、出水懸浮物濃度SS等11個參數。

本文采用廣州市某污水廠采集的1000組數據進行軟測量建模,選取250個樣本,經過3g法則預處理后,剩余222個樣本,選取200個樣本,將其中前170個樣本作為訓練樣本建立模型,后30個樣本作為測試樣本檢驗模型的泛化能力,對TN與TP的30個泛化樣本的檢測結果如圖2所示。

從表1可以看出,對比神經網絡和支持向量機的建模效果,關聯(lián)向量機在各項性能上都有提升?；陉P聯(lián)向量機的出水TN模型預測誤差平均值0.92,誤差最大值2.11,RMSE=1.05;出水TP模型預測誤差平均值0.15,誤差最大值0.42,RMSE=0.19。其擬合精度高于神經網絡和支持向量機建立的模型,體現出關聯(lián)向量機在小樣本情況下具有更好的泛化能力。

4結語

本文基于關聯(lián)向量機建立了水質中重要指標總氮(TN）和總磷(TP）的模型,實驗例證表明,在小樣本情況下,基于關聯(lián)向量機所建立的模型比神經網絡和支持向量機建立的模型具有更好的泛化能力,對于進一步實現污水自動化的實時控制有一定的應用價值。