基于模糊神經網絡的城市生活污水處理出水COD 預測方法

張丞

（西寧市湟水投資管理有限公司，青海西寧 810000）

1 引言

目前，對于工業(yè)廢水、城市生活污水處理出水，污水處理廠中已基本實現了使用COD 指標進行其質量的評定。在實際測定中，水體中COD 數值越高，說明水體被污染得越嚴重，在處理水體樣本時，需要的氧化還原試劑越多［1］。城市污水處理系統(tǒng)具有復雜性、時變性等特點，僅通過機理分析不僅無法實現對水體質量的精準評價，還會導致COD 預測結果與實際存在較大偏差。并且城市生活污水在處理過程中，會存在不同時刻的進水，從而導致檢測樣本的水質、水量等參數處于可變過程，不同的參數之間存在復雜的非線性關系。在此種情況下，污水處理廠工作人員無法及時掌握進水與出水的水質情況，導致污水處理廠經常處于高負荷運轉狀態(tài)，無法保障污水處理廠在城市中發(fā)揮既定的效能［2］。因此，有必要結合污水處理廠的實際運行情況，對其出水進行COD預測，掌握不同時刻下處理出水的水質，并根據預測的結果，進行污水處理廠中大型設備運行參數的調整，保證污水處理廠為城市的水環(huán)境可持續(xù)化建設帶來更高的經濟效益。

2 基于模糊神經網絡的城市生活污水處理出水COD 預測方法設計

2.1 建立城市生活污水處理出水預測模型

為實現對城市生活污水處理出水COD 值的高精度預測，在開展設計研究前，應建立對應的城市生活污水處理出水預測模型［3］。建模時，需要先獲取城市污水處理排放多個指標，對不同參數與指標的獲取進行詳細闡述，見表1。

表1 建模所需參數獲取

考慮到影響城市生活污水處理廠出水水質的因素較多，因此，還需要在上述內容的基礎上，獲取污水處理廠進水水體中的氨氮物質濃度、氮磷比值、水體pH 等參數，對指標進行集成，引進激活函數，對所獲取的信息進行整理，并將其作為輸入變量輸入，參照皮爾遜模型，構建此次研究所需的預測模型。模型表達式如下：

式中，r 為城市生活污水處理出水預測模型；X 為進水水質可測變量；Y 為進水水質變量方差；CoV 為輸入變量與水質影響的相關系數；Var 為輸入指標。

將所獲取的參數導入出水預測模型中，即可實現對進水處理后的出水情況進行初步預測。

2.2 基于模糊神經網絡的COD 預測參數選擇與訓練

為提高模型預測結果精度，在完成上述研究后，引進模糊神經網絡，進行COD 預測參數選擇與訓練［4］。此次所選的神經網絡具有5 層結構，從頂層到底層依次為輸入層、模糊層、訓練規(guī)則層、處理層與輸出層。

在輸入層進行水質參數的導入，將神經網絡中的不同節(jié)點與輸入向量進行連接，得到一個輸入集合［5］。將數據進行持續(xù)下傳，選擇影響COD 預測結果的參數，對參數進行模糊化處理，對所選的參數進行聚類。公式如下：

式中，G 為COD 預測參數聚類；x 為進水好氧性；q為進水流量；u 為厭氧池出水；y1為水體ORP 取值；y2為水體OD 取值；g 為廢水處理量。

完成對COD 預測參數的選擇后，在訓練規(guī)則中選擇高斯函數，計算不同參數在預測中的隸屬度，并將神經網絡中每一條節(jié)點連接線路作為一個規(guī)則，保證預測中不同參數具有較高的適應度。預測參數隸屬度可用下述公式計算：

式中，μ 為COD 預測參數隸屬度；i 為規(guī)則數量；j 為訓練行為發(fā)生次數；e 為參數適應度；σ 為規(guī)則匹配的神經網絡節(jié)點。

按照上述方式，對城市生活污水處理出水預測模型進行訓練與迭代，提高預測結果的精度。

2.3 基于數據歸一化處理的出水COD 預測結果校正

完成上述研究后，考慮到模型預測的城市生活污水處理廠出水COD 數值可能存在工程計量單位差異的現象，此種現象會導致原始數據在預測中出現丟失或殘缺問題，從而導致預測與真實結果存在較大差異［6］。因此，通過對數據的歸一化處理，進行出水COD 預測結果的校正。對參數的歸一化過程可用下述計算公式：式中，P 為參數歸一化處理結果；P*為獲取參數的初始化趨勢；Pmin為參數取值最小值；Pmax為參數取值最大值。

對參數進行優(yōu)化處理后，無論原始數據的數量等級如何，都可以設定參數變量的均值為0，標準差值為1.0，通過此種方式便可以消除不同特征因子或計算量綱對COD 預測結果造成的偏差。保證預測模型輸入量具有一致性后，對預測結果進行反饋，采用去中心化的方式，補償預測結果偏差，從而實現對出水COD 預測結果的校正。以此種方式，實現基于模糊神經網絡的預測方法設計。

3 對比實驗

為實現對所設計方法的檢驗，以某城市生活污水處理廠作為本實驗的研究對象，水體樣本為該污水處理廠處理出水。污水處理廠取樣環(huán)境如圖1 所示。

圖1 某污水處理廠取樣環(huán)境

該污水處理廠的工作人員為了確保污水處理出水達到國家環(huán)保核查標準，會采用處理時每間隔1.0 h 在出水口進行一次水體樣本抽樣檢測的方式，掌握污水處理廠污水處理出水的水質。在此基礎上，污水處理廠還投入大量資金建立了生物池、曝氣池等生活污水輔助處理池，將傳感器與監(jiān)測設備集成在不同處理池的出水口位置，用于監(jiān)測污水處理出水的水質情況，其中，針對水體的DO 指標與MLSS指標測定均為實時測定，采樣時間約為7.0 s。所有監(jiān)測數據均在終端直接傳輸到實驗室，并由中控室進行記錄，定期生成污水處理出水質檢報告后存儲在檔案室終端。因此，本實驗可直接在數據庫中調用該污水處理廠某日水質檢測報告及其對應的數據作為測試樣本，即可保證實驗結果的真實性與可靠性。

根據本實驗需求，結合本次參與實驗的某污水處理廠污水來源與城市居民生活習慣，明確了污水處理廠的集中配水時間在08：00—18：00，因此，選擇近期時段內隨機某天的記錄數據作為測試數據，獲取污水處理廠進水樣本的流量、水體pH、水體氮氧含量、DO 指標等參數，確保所選數據具有連續(xù)性與完善性等優(yōu)勢后，使用本實驗設計的COD 預測方法，對測試樣本進行COD 預測。

在使用本實驗設計的COD 預測方法進行測試樣本的預測時，需要先根據污水處理廠的實際運行情況與污水處理能力，獲取實驗指標。在此基礎上，建立城市生活污水處理出水預測模型。為確保模型對城市生活污水處理出水COD 預測結果的精準性，引進模糊神經網絡，進行COD 預測參數選擇。本實驗所選的模糊神經網絡訓練參數見表2。

表2 模糊神經網絡訓練參數設計

按照表2 內容，進行模糊神經網絡訓練參數設計，根據實際情況，對COD 預測模型進行訓練?？紤]到所獲取的數據中存在多源渠道獲取的數據，因此，需要在完成基于模型對城市生活污水處理出水COD預測后，采用對數據進行歸一化處理的方式，對出水COD 預測結果進行校正。

按照上述方式，對不同時刻下的水體樣本COD值進行預測，按照采樣的時序，隨機選擇當天測試樣本中的16.0 h 預測結果，將出水COD 預測結果與水體真實COD 監(jiān)測結果進行比對，將對比結果繪制成折線圖，如圖2 所示。

圖2 城市生活污水處理出水COD 預測結果

從圖2 可以看出，出水COD 預測結果散點分布與水體真實COD 結果基本匹配，即出水COD 預測散點均勻分布在連續(xù)曲線的四周，說明本實驗設計的基于模糊神經網絡的出水COD 預測方法具有一定可行性，可以實現對城市生活污水處理出水COD的精準預測。

在此基礎上，引進基于ARIMA 模型的預測方法作為傳統(tǒng)方法，對相同的測試樣本進行出水COD 預測。使用傳統(tǒng)方法進行預測時，應先按照上述步驟進行水體采樣與水質的基本分析，完成對數據的基本分析后，使用ARIMA 模型建立COD 預測模型。為提高預測結果的精度，需要選擇部分實驗樣本數據作為參照，對模型預測結果進行迭代處理，通過此種方式，提高預測結果的精度，當預測結果經過多次迭代達到一個期望值后，輸出預測結果，根據出水時序對預測結果進行銜接，以此種方式實現對城市生活污水處理出水COD 的預測。

完成2 種預測方法的應用后，選擇相同時刻點，對2 種方法的預測結果與真實結果進行比對，將COD 預測結果偏差作為對比實驗的評價指標，預測結果偏差越小，說明預測結果的精準度越高。按照上述方式進行對比實驗，結果見表3。

表3 城市生活污水處理出水COD 預測結果誤差對比mg/L

從表3 的實驗結果可知，本實驗預測結果誤差在0.1 mg/L 范圍內，傳統(tǒng)預測結果誤差在0.8 mg/L范圍內。證明了相比傳統(tǒng)的預測方法，本實驗設計的基于模糊神經網絡的城市生活污水處理出水COD預測方法，預測結果誤差更低、精度更高。

4 結語

COD 指標是用于評價水體質量與被污染程度的關鍵指標之一，在實際應用中又被稱之為化學需氧量，主要是指通過化學手段，進行水體樣本中需要被氧化還原物質的總量測定。為實現對出水COD 的高精度預測，本文從建立城市生活污水處理出水預測模型、基于模糊神經網絡的COD 預測參數選擇與訓練、基于數據歸一化處理的出水COD 預測結果校正3 個方面，開展城市生活污水處理出水COD 預測方法的設計研究。完成方法設計后，選擇基于ARIMA模型的預測方法作為傳統(tǒng)方法，開展對比實驗，結果證明了本實驗設計的預測方法預測得到的COD 結果與實際監(jiān)測的真實結果更為接近。