一种基于改进在线序列极限学习机的出水水质预测方法

技术领域

本发明涉及控制科学与工程、环境科学与工程领域，尤其涉及一种基于改进在线序列极限学习机的出水水质预测方法。

背景技术

水作为人类生活发展不可或缺的战略资源，是构成生命存在所必需的元素之一，世界范围内，水资源总体丰富，但人类可利用的水资源却十分匮乏，同时水资源的分布不均匀也使得部分地区的水资源短缺问题凸显。在自然因素之外，由人为因素导致的水污染、不合理利用等问题更进一步加剧了水资源的短缺。如何有效合理的利用现有的水资源，使得社会发展在快速发展的过程中，既有金山银山，又有绿水青山，成为近些年不断探讨并在实践的重大问题。

污水处理是一种合理利用、有效保护水资源的具体措施，通过对工业废水、城市废水及农业废水的净化并循环多次利用，不仅能够有效降低污水排放量，保护江河湖泊等淡水资源，而且也通过净化水的循环减少工厂城市对自然界水资源的需求。污水处理工业近些年来蓬勃发展，2014年我国城镇污水处理量已经达到了495.1亿吨，并在2015年的《水污染防治行动计划》中提出在2020年底前实现现有城镇污水处理设施因地制宜改造从而达到相应排放标准或再生利用要求。

但污水处理系统作为一个复杂的工业系统，具有非线性、强耦合、大迟滞，多扰动等问题，并且难以基于机理构建精确的数学模型。而在实际工业现场，由于系统存在有较大迟滞的现象存在，基于传感检测的结果对污水处理进行控制往往无法保证出水水质，同时一些传感检测值无法实时获取，需要采用实验方法离线获取，通过实现方法检测结果存在较大的时间滞后，无法为实时控制提供有效地参考值。所以基于检测传感结果进行控制的效果往往难以得到有效地提高。

发明内容

为了能够有效检测出水水质，构建基于输入输出数据的污水处理模型，本发明针对目前的需求提出一种基于改进在线序列极限学习机的出水水质预测方法，能够实现快速、有效且准确的在线预测出水水质，为及时调节控制策略提供指导。

本发明的目的是通过以下技术方案来实现的：一种基于改进在线序列极限学习机的出水水质预测方法，该方法包括以下步骤：

(1)数据获取及预处理

从污水处理过程中获取N

对N

将不同量纲的数据归一化至[-1,1]之间，消除量纲对水质预测带来的影响，得到归一化后的样本数据X

对样本数据X

Step1：设定初始化距离；随机选择第q段数据，q＝1,2,…,p，随机选择该数据段中四分之三的数据作为训练样本数据，其余数据作为未知样本数据；

Step2：计算未知样本数据至所有训练样本数据的欧几里得距离dist；

Step3：计算目前k个最临近样本数据中的最大距离max dist；

Step4：如果dist小于max dist，则将该未知样本作为k-最近邻样本；

Step5：重复Step 2、3、4，直到未知样本和所有训练样本的距离都计算完；

Step6：统计k-最近邻样本中正常数据样本出现的次数；

Step7：选择在正常样本中出现频率最大的一些点，出现次数较少甚至未出现的数据则作为异常点剔除；

Step8：完成第q段数据的异常点剔除后，令q＝q+1，返回step1重新进行计算，直至q＝p，结束异常点剔除，将异常点剔除后的正常污水处理数据标记为

(2)对数据进行高低频分离处理

通过低通滤波器对数据

x

o

其中q为数字低通滤波器的时间常数，x

通过低频信息可以得到高频信息

针对高频信息与低频信息分别进行下述步骤(3)-(5)处理。

(3)构建基于改进在线序列极限学习机的出水水质预测模型，其由输入层、隐含层、输出层和均值层四层结构组成；构建多个不同激励函数的在线序列极限学习机，并将最后的神经网络的输出求平均，作为预测模型最终输出。该模型共有k个神经网络，每个神经网络都具有不同的激励函数，因此共有k种激励函数，每个神经网络的输入层有n个节点，第k种激励函数有L

(4)对k个神经网络参数分别进行初始化，具体初始化步骤如下：

首先对输入层到隐含层的神经网络参数进行初始化，确定神经网络输入层节点个数n，神经网络隐含层节点的激励函数类型与个数L

其次对隐含层到输出层的权重进行初始化设计，针对低频信息，具体步骤如下所示：

Step1：根据

其中G

Step2：将污水出水水质作为目标历史数据t：

其中t

Ste3：构建隐含层到输出层的网络，则有

其中t是输出层输出，w

Step4：采用广义逆计算方法与岭回归方法，得到隐含层到输出层的权重矩阵：

其中

(5)神经网络在线学习

在初始化结束后，根据神经网络进行不断地迭代学习，当污水处理系统产生第f组新数据，即进行到第f次迭代时，除了目标历史输出t

在神经网络的参数迭代学习完成后，则可以利用在线极限学习机对下一时刻的系统输出

依次迭代学习，则可以实现对于污水处理出水水质的实时预测。

(6)基于不同激励函数的神经网络输出并分别求均值，得到针对低频数据的预测结果

再对高频数据进行上述操作，得到预测结果

考虑到高频和低频信息分别利用上述模型预测则可以得到：

其中

进一步地，所述步骤(1)数中，从污水处理过程中获取的N

进一步地，所述步骤(1)中，归一化采用最大最小值归一化方法，将不同量纲的数据归一化至[-1,1]之间，公式如下：

其中X为污水处理中原样本数据，X

进一步地，选择RBF,sin,sigmod这三种函数作为神经网络隐含层节点的激励函数类型，即k＝3，针对RBF型隐含层节点的中心参数向量a和宽度向量b与针对加性类型(sin,sigmod)隐含层节点的连接权重向量a和偏置向量b在一定范围内随机产生。

本发明的有益效果是：

1.本发明方法与其他神经网络方法比较，避免由于参数的初始化不当所带来的故障及参数基于梯度下降法更新所带来的训练时间过长等问题。同时引入岭回归方法，避免由于奇异值问题导致的性能下降，以及采用多种神经网络同时预测求平均的方法，降低了由于参数随机化及激励函数适应性对性能所造成的影响，从而提升了预测效果，在实际应用中有更强的实用性。

2.本发明方法采用K-NN方法进行异常点剔除，避免异常值对模型预测产生影响，同时将高频信息以及低频信息分离，分别设计对应的极限学习机神经网络模型分别进行预测，分别获取对应特有信息，并最终提升预测模型的预测效果。

附图说明

图1为本发明神经网络结构示意图；

图2为本发明基于改进在线序列极限学习机的出水水质预测方法流程图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。

本发明提出的一种基于改进在线序列极限学习机的出水水质预测方法，如图2所示，该方法包括以下步骤：

(1)数据获取及预处理：

从污水处理过程中获取N

对N

归一化主要采用最大最小值归一化方法，用来消除量纲带来的影响，将不同量纲的数据归一化至[-1,1]之间，从而消除量纲对水质预测带来的影响。具体形式为：

其中X为污水处理中原样本数据，X

在归一化结束后进行异常点剔除，主要采用的方法是利用K-NN进行处理，由于考虑到检测数据会存在有大范围的波动，采用统一值进行处理会存在问题，考虑将采样数据分段成p段，每段数据量相同，针对每段分别进行异常点剔除。具体步骤如下所示：

Step1：设定初始化距离；随机选择第q段数据，q＝1,2,…,p，随机选择该数据段中四分之三的数据作为训练样本数据，其余数据作为未知样本数据；

Step2：计算未知样本数据至所有训练样本数据的欧几里得距离dist：

dist＝(|X

Step3：计算目前k个最临近样本数据中的最大距离max dist；

Step4：如果dist小于max dist，则将该未知样本作为k-最近邻样本；

Step5：重复Step 2、3、4，直到未知样本和所有训练样本的距离都计算完；

Step6：统计k-最近邻样本中正常数据样本出现的次数；

Step7：选择在正常样本中出现频率最大的一些点，出现次数较少甚至未出现的数据则作为异常点剔除；

Step8：完成第q段数据的异常点剔除后，令q＝q+1，返回step1重新进行计算，直至q＝p，结束异常点剔除。

为了方便标记，将异常点剔除后的正常污水处理数据标记为

(2)对数据进行高低频分离处理

考虑到污水处理是一个多尺度的系统，将污水处理数据进行高低频分离，分别进行基于改进在线序列极限学习机的学习预测。为了进行高低频数据的分离，设计一个低通滤波器对数据

在计算完成后，则可以得到高频信息

针对高频信息与低频信息分别进行下述步骤(3)-(5)进行出水水质预测模型计算。

(3)构建基于改进在线序列极限学习机的出水水质预测模型，其由输入层、隐含层、输出层和均值层四层结构组成，参见图1。与在线序列极限学习机的最大区别在于增加均值层，因为传统的神经网络都采用一种激励函数在同一结构中，而一旦该种激励函数不适用于应用系统，以及不恰当的随机初始参数都会使得预测效果大打折扣，所以为了能够平衡不恰当激励函数对预测效果的影响，本发明引入总体均值思想，即构建多个不同激励函数的在线序列极限学习机，并将最后的神经网络的输出求平均，作为预测模型最终输出。其中一共有k个神经网络，每个神经网络都具有不同的激励函数，可以选择针对RBF隐含层节点的激励函数或者针对加性隐含层节点的激励函数等，所以一共有k种激励函数，每个神经网络的输入层有n个节点，第k种激励函数有L

由于隐含层存在多种不同的激励函数，对不同激励函数进行分类定义与介绍，分别为：

a)针对RBF隐含层节点的激励函数

G(a

其中RBF隐含层节点可以采用高斯函数、双曲正切函数等，其中a

b)针对加性隐含层节点的激励函数

G(a

其中加性隐含层节点可以采用sigmoid函数、阈值函数等作为激励函数，其中a

(4)神经网络参数初始化，本发明中涉及到有k个神经网络结构，需要对k个神经网络分别进行初始化，其所采用的方法均保持一致，具体初始化步骤如下所示：

首先对输入层到隐含层的神经网络参数进行初始化，确定神经网络输入层节点个数n(本实施例中n＝11)，选择合适的神经网络隐含层节点的激励函数类型(本实施例中选择RBF,sin,sigmod这三种函数作为神经网络隐含层节点的激励函数类型，即k＝3)与个数L

其次需要对隐含层到输出层的权重进行初始化设计，针对低频信息，具体步骤如下所示：

Step1：根据

其中G

Step2：将污水出水水质作为目标历史数据t：

其中t

Ste3：构建隐含层到输出层的网络，输出层的传递函数选择Purelin函数，其具体形式为：

将此式写为矩阵形式则：

其中t是输出层输出，而w

Step4：在得到step1与step2的前提下，采用广义逆计算方法对step3进行处理得到隐含层到输出层的权重矩阵：

其中

考虑到需要对

其中

(5)神经网络在线学习

在初始化结束后，则根据神经网络进行不断地迭代学习，当污水处理系统产生第f组新数据，即进行到第f次迭代时，除了目标历史输出t

在神经网络的参数迭代学习完成后，则可以利用在线极限学习机对下一时刻的系统输出

依次迭代学习，则可以实现对于污水处理出水水质的实时预测，避免由于污水处理系统延时所带来的困扰。

(6)计算最终的结果

基于不同激励函数的神经网络输出并分别求均值，得到针对低频数据的预测结果

再对高频数据进行上述操作，得到预测结果

考虑到高频和低频信息分别利用上述模型预测则可以得到：

其中

以上所述仅是本发明的优选实施方式，虽然本发明已以较佳实施例披露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何的简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。