支持向量机在污水处理厂出水COD预测中的应用

随着城市化的进行和经济的快速发展,城市居民用水量呈逐年递增趋势。城市污水处理过程中由于水力停留时间过长等,难以实时掌握污水水质情况。化学需氧量(COD)是衡量污水水质的重要指标之一,通过有效监测出水COD的波动,可实现污水处理过程在线管控。通过收集某城镇污水处理厂进水、出水历史数据(COD、pH、溶解氧、氨氮等),利用支持向量机SVM(Support Vector Machine)、K近邻算法(K-Nearest Neighbor,KNN)等人工智能算法建立数学预测模型,实现了对出水COD指标的有效预测。

污水厂出水COD预测模型的对比分析

根据污水厂日报表中的数据分别建立了ARMA、逐步回归分析、基于回归分析的神经网络模型和基于时间序列分析的神经网络模型,通过比较选择了基于时间序列分析的神经网络模型作为对污水厂出水COD的预测模型,其平均预测精度为85%,取得了满意的预测结果,有利于克服根据在线监测调整工艺参数的滞后性的缺陷,保证出水水质。

基于机器学习算法的印染废水出水COD预测

印染废水具有成分复杂、水量大、处理大滞后等特点。化学需氧量(COD)是衡量污水处理效果的核心指标,本文采用了最小二乘法、支持向量机等机器学习算法建立模型对印染废水处理出水COD进行预测,平均误差为1.9mg/L,提供了一种有效预测出水COD的方法,为印染废水处理优化运行提供支撑。

基于模糊神经网络的城市生活污水处理出水COD预测方法

针对城市生活污水处理出水COD预测结果精度较低的问题,引进模糊神经网络,设计一种针对城市生活污水处理出水的COD预测方法。建立城市生活污水处理出水预测模型,选择基于模糊神经网络的COD预测参数进行训练,对数据进行归一化处理,并校正出水COD预测结果,实现出水COD的预测。通过对比实验证明,所设计的预测方法的预测结果与实际结果的偏差较小,说明本设计方法的出水COD预测精度较高,具有一定的优越性。

基于ANFIS的水环境质量参数COD预测模型研究

水质预测是水环境安全管理的重要方式和手段。以浑河大伙房水库库口地表水为检测对象,建立ANFIS预测模型对该河段水体COD含量进行了预测研究,结果显示模型预测值和实际值之间具有良好的拟合性,说明模型本身具有较好的预测能力和准确性。

基于ARMA模型的自生动态膜生物反应器中试装置出水COD预测

根据污水厂大量的在线监测数据对进水COD建立了ARMA预测模型,并结合自生动态膜生物反应器中试装置,利用莫诺方程求解出适应该装置的进出水COD对应关系,最终达到对装置出水COD进行短期预测的效果。

水体透射光谱结合主成分分析(PCA)改进化学需氧量(COD)含量估算研究

为了解决传统的化学需氧量(Chemical Oxygen Demand,COD)测量方法耗时较长,不利于快速、实时地获取水体中COD的信息等问题。通过采集100组COD水体光谱信息,分别使用3种不同的高光谱数据预处理方法对光谱数据进行预处理,并基于不同的预处理方法分别建立高斯过程回归模型(Gaussian Process Regression,GPR)和BP神经网络模型,分析不同预处理方法对模型精度的影响,建立了基于透射光谱测量结合主成分分析(Principal Component Analysis,PCA)改进水体COD含量估算模型。对各模型结合PCA数据降维方法进行模型的改进,通过比较模型的精度选择最优模型进行水体COD含量的检测。结果显示:相比于原始光谱数据建立的GPR模型和BP神经网络模型,数据预处理后的模型精度明显提升;且结合PCA对预处理后的数据进一步降维处理后,模型精度得到了进一步的提升。其中,基于标准正态变量变换特征结合PCA改进BP神经网络模型R 2高达0.9940,均方根误差RMSE为0.022540。证明了基于PCA数据降维方法对预处理后的光谱数据进行降维处理,有利于去除光谱中的冗余信息,提取特征信息,可以实现COD含量估算模型的优化,从而为传统COD测量方法存在的问题提出了一种新的解决思路。

多光谱数据融合和GANs算法的COD浓度预测

水体中过高浓度的有机污染物含量危害巨大,不仅会造成严重的环境污染,而且会危害人类身体健康。化学需氧量(COD)表征了水体中有机污染物的污染程度。提出了一种将紫外(UV)光谱和近红外(NIR)光谱进行多光谱数据级融合(LLDF)和特征级融合(MLDF),进而构建基于生成对抗式网络(GANs)算法的COD浓度定量预测模型。首先按照一定的浓度梯度配制COD标准液样本,分别采集标准液的UV光谱(190~310 nm)和NIR光谱(830~2100 nm),对获取到的UV和NIR光谱数据进行一阶导数和Savitzky-Golay(S-G)平滑的预处理,消除基线漂移和干扰噪声;基于预处理过的光谱,直接进行数据级和特征级的数据融合,结合G ANs算法搭建COD浓度预测模型。并使用评价参数相关系数的平方(R^2)、预测值与真实浓度值的均方根误差(RMSEP)和预测偏差来对模型进行评价。结果表明,不论是特征级融合模型还是数据级融合模型都不够理想。分析原因可知,由于UV和NIR波段数据量不均衡,导致NIR波段掩盖掉了UV光谱的模型贡献度,让光谱融合失去意义。为了避免融合失败,拟采用归一化的方法处理多光谱数据,并讨论了标准归一化(SNV)、最大最小归一化(MMN)和矢量归一化(VN)对建模的影响。将经过归一化后的UV和NIR光谱数据再次进行融合,分别作为GANs模型的输入X,将真实测量COD值作为输出值Y,建立不同归一化方法处理后的COD浓度预测模型。建模结果显示,采用不同归一化方法对多光谱数据融合模型的影响较大,不论是数据级融合模型还是特征级融合模型的预测精度较未归一化之前有明显的提升,其中采用最大最小归一化的预测模型效果提升最为明显。与单一谱源的全波长UV波段的GANs预测模型、全波长NIR波段的GANs预测模型进行对比来验证多光谱数据融合GANs预测模型的精度,结果表明:基于UV和NIR光谱的特征级光谱融合模型的R 2为0.9947,RMSEP为0.976,比数据级融合的预测模型误差降低了52.9%,预测回收率为98.4%~103.1%,远好于其他几组,模型的泛化能力更强,预测精度也更高。与单一谱源的预测模型相比,多光谱数据融合能反应更多的水体样品的化学信息,更加全面揭示水体的污染物程度,从不同的层面上反应水体中污染物的差异,为在线监测水体中COD浓度提供一定的技术支持。

基于BiPLS结合SiPLS的组合权值COD浓度预测模型

水体中过高浓度的有机物含量危害巨大,不仅会造成严重的环境污染,而且危害人类身体健康,传统化学法检测水体化学需氧量(COD)的步骤繁琐且时效性差,不利于水体中COD的快速定量检测。针对这些问题,提出了一种将紫外光谱与组合权值模型相结合的快速定量检测COD方法,该组合权值模型是基于反向区间偏最小二乘法(BiPLS)结合组合区间偏最小二乘法(SiPLS)算法对紫外光谱的特征子区间筛选组合,然后依据特征子区间的权值建立的预测模型。首先按照一定的浓度梯度配制45份COD标准液样本,通过实验获取标准液的紫外光谱数据;对获取到的COD紫外光谱数据做一阶导数和S-G滤波(Savitzky-Golay)的预处理,消除基线漂移和环境干扰噪声;应用SPXY(Sample set partitioning based on jiont X-Y)算法将实验样本数据组划分成校正集和预测集。然后基于BiPLS算法对全光谱区间进行波长筛选,在BiPLS筛选过程中,目标区间的划分数量会对建模产生较大影响,于是对子区间划分数量进行优化,把子区间分成15~25个,在不同区间数下都进行偏最小二乘(PLS)建模,通过交互验证均方根误差(RMSECV)来筛选最优子区间数,得到区间数为18时,模型效果最佳。从18个波长区间筛选出了6个特征波长子区间,入选的子区间为2,1,3,11,7和6,对应波长为234~240,262~268,269~275,290~296,297~303和304~310nm,这6个特征波长区间涵盖了大量的光谱信息,对最终预测模型的贡献度大;接下来通过SiPLS算法对这6个初选区间进行进一步的筛选组合,采用不同的组合数构建不同特征区间上的PLS模型,在相同组合数下,筛选出一个区间组合数最优的结果,对比不同组合数下预测模型的误差与相关性,将6个区间筛选组合为3个特征波长区间,分别为234~240,262~275和290~310nm,这三个特征区间最佳因子数分别为4,4和3。对传统SiPLS的特征区间组合方法进行改进,基于权值的大小来对这3个特征区间进行线性组合,代替过去特征区间直接组合的方法。通过权值公式计算出这3个特征区间的权重大小分别为0.509,0.318和0.173,最终建立线性组合权值COD浓度预测模型。为了验证组合权重预测模型的精度,另外建立了全波长范围内的PLS预测模型、单个特征波长区间的PLS预测模型、直接组合特征波长区间的PLS模型,并使用评价参数相关系数的平方(R2)、预测值与真实浓度值的均方根误差(RMSEP)和预测回收率(T)来对模型评价。验证结果表明,相比其他预测模型,组合权值模型相关系数的平方达到了0.9997,明显优于直接组合特征区间建模的0.9680,预测均方根误差为0.532,比直接组合特征区间的预测模型误差降低了29.3%,预测回收率为96.4%~103.1%,显著地提高了预测精度。该方法简单可行,不会产生二次污染,可为在线监测水体中COD浓度提供一定的技术支持。

某大型生活垃圾填埋场渗沥液COD浓度预测模型研究

针对某大型生活垃圾填埋场运行模式和水质变化规律,将各阶段渗沥液的来源和水质特点纳入模型计算中,对以往的填埋场渗沥液有机物浓度模型做出修正。在该填埋场运行1 a的现场渗沥液水质数据与各变量之间的相关性分析的基础上,建立了COD浓度预测模型,拟合得到各项模型参数,相关系数接近0.9,表明该模型能有效预测大型垃圾填埋场初期运行过程中渗沥液COD浓度的变化规律。该填埋场渗沥液初期浓度接近60 000 mg/L,经历逐步上升、快速下降和慢速下降3个阶段,峰值可达80 000 mg/L,在1 a内快速下降至40 000 mg/L后慢速下降。

水体透射光谱的多特征融合COD含量估算研究

化学需氧量(chemical oxygen demand,COD)是一项可以快速检测有机污染物的参数,能够很好地反映水污染的程度。提出一种基于透射光谱测量的多特征融合水体COD含量估算模型,透射高光谱法采集100组COD水体光谱信息,对光谱数据进行预处理以及特征波段的选取,分析不同预处理方法对模型精度的影响并进行特征融合,建立BP神经网络模型,通过比较模型的精度选择最优模型进行水体COD含量的检测。结果显示,基于多特征融合BP神经网络模型决定系数R2高达0.99164,均方根误差RMSE为0.0309,与偏最小二乘法相比,该模型拟合优度更大,精确度更高。基于多特征融合的BP神经网络高光谱检测方法能够实现水体中COD含量的检测,并运用到水体其他成分的检测中。

基于灰色动态预测模型的清河水库水质预测研究

本文运用灰色动态预测模型模拟清河水库COD和总氮两项水质指标的变化,结合清河水库水质监测站实测水质采样数据,分析了灰色动态预测模型在清河水库水质预测的适用性以及预测精度,结果表明:灰色动态预测模型适用于清河水库水质预测,预测的COD指标和总氮浓度与实测水质监测数据相对误差均小于30%,符合水质模拟精度规范要求。研究成果对于清河水库水污染防治和治理提供参考价值。