论文部分内容阅读
磷是水体的重要污染物之一,是评价水体质量的一个重要指标。水中磷含量过高将会引起水体富营养化,导致藻类及其他浮游生物迅速繁殖,水体的溶解氧含量下降,水质恶化等。控制水体富营养化的一项重要举措就是将富含磷的污水进行处理,并且严格控制城市污水处理过程出水总磷(Total Phosphorus,TP)的排放。因此,为了减少TP超标带来的危害,对城市污水处理中过程出水TP的监测至关重要。由于城市污水处理厂中现有的检测方法存在操作繁琐,测量精度低,滞后时间长且仪器维护成本高等缺点,导致出水TP指标难以实现在线检测。基于数据驱动的方法已被广泛应用于出水TP等水质预测中。然而,当城市污水处理过程检测数据存在丢失、噪声以及不同时间和空间尺度特征时,数据难以被有效利用,会影响数据驱动方法的预测效果。因此,为了充分利用不同时间尺度的和不同空间尺度的数据,完成城市污水处理过程中出水TP的智能预测,提出了一种基于模糊神经网络(Fuzzy Neural Network,FNN)的时空数据融合模型,该模型能够实现不同时空尺度的数据的融合,实现出水TP的预测。论文的研究工作主要分为以下几点:(1)提出了一种基于FNN的时空数据融合模型:针对城市污水处理过程数据存在多时空尺度特征,导致数据难以被有效利用的问题,提出基于FNN的时空数据融合模型。首先,该模型能够以不同时间和空间尺度的数据作为源域,表达与目标域之间的映射关系;其次,提出一种时空数据融合迁移学习算法,该算法能提取不同源域的数据信息,实现不同时空尺度数据的融合;最后,利用典型实验验证提出的数据融合方法,结果表明:文中提出的方法能够实现多时空数据融合,且具有较好的性能。(2)提出了一种基于FNN的出水TP智能预测模型:为了能够准确、实时地预测城市污水处理过程中出水TP的含量。首先,对城市污水处理过程中出水TP参与的反应进行机理进行分析,初步确定与出水TP相关的变量,然后利用主元分析法(Principal Components Analysis,PCA)确定与出水TP相关的相关变量作为输入,出水TP作为输出。其次,建立基于FNN出水TP智能预测模型。最后,为了验证该智能预测模型的有效性,利用实际城市污水处理厂采集的数据对模型进行测试。实验结果表明:该出水TP智能预测模型是有效的,能够较高精度的预测出水TP的含量。(3)开发出一种出水TP智能预测系统:主要包括用户管理模块、用户注册、登录模块、TP智能预测系统主页模块、智能预测方法模块、基于FNN时空数据融合模型模块以及二阶厌氧-缺氧-好氧(Anaerobic-Anoxic-Oxic,A2/O)工艺模块。在系统的开发实现过程中,首先,链接SQL Server 2008数据库,利用Visual Studio2010软件完成系统的登录及注册界面设计;其次,结合C#语言与Matlab混合编程技术,完成基于FNN时空数据模型模块的设计;最后,将各个模块通过信息传输整合,使其能够达到可视化的目的,完成出水TP智能预测系统的开发。