基于組合預(yù)測模型污水處理水質(zhì)預(yù)測的研究

曹為陽　李明河

摘 要：現(xiàn)如今，我國水資源問題已經(jīng)成為了人們生活中面臨的重要問題之一。各工業(yè)廢水和生活污水產(chǎn)生量急劇增多，大量沒有經(jīng)過處理的工業(yè)廢水和城市污水直接排入了河流，使得水源水，特別是地表水體被大面積污染。針對這些的問題，提出了組合預(yù)測模型，并在原有模型的基礎(chǔ)上提出了新的改進(jìn)方法。

關(guān)鍵詞：灰色預(yù)測；組合預(yù)測；污水處理；ELM

中圖分類號：X832 文獻(xiàn)標(biāo)識碼：A DOI：10.15913/j.cnki.kjycx.2016.16.085

在污水處理方面，應(yīng)用比較多的算法模型有灰色預(yù)測模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。在這項研究，以污水預(yù)測為目標(biāo)，結(jié)合多個預(yù)測模型，建立組合預(yù)測模型，從而更有效、更準(zhǔn)確地預(yù)測出水COD，在水質(zhì)達(dá)標(biāo)的同時實現(xiàn)節(jié)約能源。

1 組合預(yù)測模型

1.1 灰色預(yù)測動態(tài)模型

GM（1，1）動態(tài)預(yù)測模型是應(yīng)用比較廣泛的一種灰色動態(tài)預(yù)測模型，該模型中含有一個一階變量的灰色微分方程。該預(yù)測模型是用于量化灰色數(shù)學(xué)中不確定的量。其實現(xiàn)主要有以下4個步驟：

根據(jù)上述離散的數(shù)據(jù)形式再還原成初始數(shù)據(jù)，即可求得所需的GM（1，1）數(shù)學(xué)預(yù)測模型。

1.2 ELM算法簡介

極限學(xué)習(xí)機（Extreme Learning Machine，ELM）是一種新型的快速學(xué)習(xí)算法，針對單隱層前饋神經(jīng)網(wǎng)絡(luò)SLFN，可以隨機初始化輸入的數(shù)據(jù)權(quán)重和偏置，得到輸出權(quán)重。針對一個訓(xùn)練的數(shù)據(jù)樣本，只需關(guān)注隱含層神經(jīng)元的輸出層，忽略輸入層和隱含層。

有M個互不一樣的數(shù)據(jù) ，設(shè)單隱層ELM神經(jīng)網(wǎng)絡(luò)包含P個隱含層的神經(jīng)元可以無限小的逼近該M個互不一樣的數(shù)據(jù)源，即存在ai，bi和βi（i=1，2，…，L）使下式成立：

2 對污水處理的效果分析

從污水處理廠獲取數(shù)據(jù)樣本后，對所獲得的數(shù)據(jù)樣本進(jìn)行預(yù)處理，去掉誤差較大的干擾數(shù)據(jù)。經(jīng)試驗仿真得到，出水COD的均方誤差RMSE是0.924 0，其預(yù)測誤差效果如圖1所示。

從圖1中可以看出，該融合算法能夠比較準(zhǔn)確地預(yù)測出水COD參數(shù)，而且預(yù)測精度比較高。另外，其誤差精度比較小，能夠滿足日常污水處理的排放指標(biāo)。由此可知，組合預(yù)測模型在污水處理預(yù)測上比單個預(yù)測模型的預(yù)測精度更高，效果更好。

3 結(jié)束語

經(jīng)濟(jì)、高效的污水處理技術(shù)對促進(jìn)污水回收再利用，緩解日益惡化的水環(huán)境污染所帶來的壓力具有深遠(yuǎn)而重大的意義。本文提出了多傳感器數(shù)據(jù)融合方法，為選擇合適的污水處理方法提供了理論基礎(chǔ)。綜合考慮和對比其他融合方法，多傳感器數(shù)據(jù)融合方法的仿真結(jié)果滿足了融合的要求，融合后的誤差效果優(yōu)于單個算法。

參考文獻(xiàn)

[1]王波，郭夜白，高來斌，等.最優(yōu)加權(quán)預(yù)測在吉林省糧食產(chǎn)量預(yù)測中的應(yīng)用[J].吉林農(nóng)業(yè)大學(xué)學(xué)報，2008，30（5）.

[2]史峰，王輝，郁磊，等.MATLAB智能算法30個案例分析[M].北京：北京航空航天大學(xué)出版社，2011.

〔編輯：白潔〕