【摘要】：污水總氮(TN)深度脫除是當前我國污水處理領(lǐng)域的重大科技需求.TN的去除受到多種環(huán)境及操作條件的影響,開發(fā)多參數(shù)條件下穩(wěn)健的TN濃度預(yù)測方法是降低污水廠能耗、實現(xiàn)智能化控制的重要前提.針對以上問題,以某實際污水處理廠反硝化深床濾池為例,采用BP神經(jīng)網(wǎng)絡(luò)(BP)、量子遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)(QGA_BP)、改進的QGA_BP和支持向量回歸機(SVR),在進水流量和碳源投加量等13種變量條件下,對濾池出水TN進行了模擬預(yù)測.共選取147組數(shù)據(jù),其中130組用于出水水質(zhì)和工藝參數(shù)的擬合模擬,17組用于結(jié)果驗證.將總氮實測值依次與BP,QGA_BP和改進的QGA_BP神經(jīng)網(wǎng)絡(luò)以及SVR預(yù)測結(jié)果進行對比,相關(guān)系數(shù)R2依次增大,分別為0.221,0.275,0.826和0.951,即預(yù)測值與實測值之間的擬合度逐漸升高.SVR克服了神經(jīng)網(wǎng)絡(luò)預(yù)測誤差較大的問題,對多參數(shù)影響下TN濃度的預(yù)測具有較高的準確性和穩(wěn)定性,用其替代常用的神經(jīng)網(wǎng)絡(luò)算法具有明顯的優(yōu)勢.
[Abstract]:The deep removal of total nitrogen (TN) in wastewater is a major scientific and technological demand in the field of sewage treatment in China at present. TN removal is affected by a variety of environment and operating conditions. To develop a robust TN concentration prediction method under multi-parameter conditions is to reduce the energy consumption of wastewater treatment plants. The important premise of realizing intelligent control. In view of the above problems, taking the denitrification deep bed filter of a practical sewage treatment plant as an example, the BP neural network (BP), quantum genetic algorithm optimized BP neural network (QGA_BP), improved QGA_BP and support vector regression machine (SVR),) were used to optimize the BP neural network (QGA_BP). Under the conditions of 13 variables, such as influent flow and carbon source dosage, the effluent TN of the filter was simulated and predicted. A total of 147 sets of data were selected, of which 130 groups were used for fitting simulation of effluent quality and process parameters, and 17 groups were used to verify the results. Comparing the measured values of total nitrogen with BP,QGA_BP, improved QGA_BP neural network and SVR prediction, the correlation coefficients R2 are 0.221, 0.275, 0.826 and 0.951, respectively, and the correlation coefficients are 0.221, 0.275, 0.826 and 0.951, respectively. The prediction error of neural network is overcome, and the accuracy and stability of the prediction of TN concentration under the influence of multi-parameters is high. Using it to replace the common neural network algorithm has obvious advantages.
【作者單位】： 南京大學環(huán)境學院污染控制與資源化研究國家重點實驗室;江蘇中宜金大環(huán)保產(chǎn)業(yè)技術(shù)研究院有限公司;南京大學宜興環(huán)保研究院;
【基金】：國家水專項課題(2017ZX07204001) 江蘇省重點研發(fā)計劃項目(BE2017632) 江蘇省科技成果轉(zhuǎn)化專項資金項目(BA2016012) 中央高�；究蒲袠I(yè)務(wù)費項目(021114380046)
【分類號】：TP18;X703

【相似文獻】

相關(guān)期刊論文 前10條

1 楊建強,羅先香,丁德文,秦潔;赤潮預(yù)測的人工神經(jīng)網(wǎng)絡(luò)方法初步研究[J];海洋科學進展;2003年03期

2 李少華,董向元,于靜梅;基于神經(jīng)網(wǎng)絡(luò)的大氣污染預(yù)報方法的研究[J];東北電力學院學報;2003年04期

3 馮利華;張行才;;神經(jīng)網(wǎng)絡(luò)在環(huán)境質(zhì)量評價中的問題[J];微計算機應(yīng)用;2008年02期

4 王芳;程水源;李明君;范清;;遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)用于大氣污染預(yù)報[J];北京工業(yè)大學學報;2009年09期

5 王德喜;王曉凱;王小藝;;基于灰色-神經(jīng)網(wǎng)絡(luò)的城市湖庫水華預(yù)測研究[J];測試技術(shù)學報;2013年04期

6 郭慶春;何振芳;李力;;人工神經(jīng)網(wǎng)絡(luò)在黃河水環(huán)境質(zhì)量評價中的應(yīng)用[J];河南科學;2012年07期

7 王燦星,候樹強;杭州市區(qū)大氣中PM_(10)等污染物的預(yù)測研究[J];儀器儀表學報;2004年S1期

8 崔明;馬國建;;神經(jīng)網(wǎng)絡(luò)在渤海灣富營養(yǎng)化模型中的研究[J];山西建筑;2011年15期

9 周建康,熊亞南,朱春龍;基于MATLAB下BP網(wǎng)絡(luò)在河流污染物濃度預(yù)報中的應(yīng)用[J];水利水電技術(shù);2004年09期

10 國鋒;;基于廣義回歸神經(jīng)網(wǎng)絡(luò)的赤潮預(yù)警[J];信息化縱橫;2009年18期

相關(guān)會議論文 前10條

1 牛東曉;王海峰;成功;;基于BP神經(jīng)網(wǎng)絡(luò)的河北省大氣環(huán)境質(zhì)量評價[A];2006中國控制與決策學術(shù)年會論文集[C];2006年

2 余新新;肖新平;劉小燕;宋婭莉;魏利軍;朱曉明;鄭龍;;神經(jīng)網(wǎng)絡(luò)技術(shù)在水質(zhì)量控制系統(tǒng)中的應(yīng)用研究[A];第六屆中國青年運籌與管理學者大會論文集[C];2004年

3 鄭勇明;吳信民;張葉;楊亞新;;BP神經(jīng)網(wǎng)絡(luò)方法在鈾礦山輻射環(huán)境評價中的應(yīng)用研究[A];中國核科學技術(shù)進展報告（第二卷）——中國核學會2011年學術(shù)年會論文集第5冊（輻射防護分卷、核化工分卷）[C];2011年

4 邱海源;趙汝榮;白振炎;陳琦;鄭武杰;黃金蓮;;粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)生態(tài)評估界限模型[A];中國地質(zhì)學會2013年學術(shù)年會論文摘要匯編——S16礦山地質(zhì)環(huán)境防治研討會分會場[C];2013年

5 劉曉紅;;改良回歸方程法提高總氮測定結(jié)果準確度[A];四川省第十次環(huán)境監(jiān)測學術(shù)交流會論文集[C];2005年

6 王燦星;祁國偉;何曦;卓國祥;;BP神經(jīng)網(wǎng)絡(luò)用于大氣中顆粒物(TSP)預(yù)測的研究[A];全面建設(shè)小康社會：中國科技工作者的歷史責任——中國科協(xié)2003年學術(shù)年會論文集（上）[C];2003年

7 張穎穎;侯廣利;劉巖;范萍萍;;基于時間序列神經(jīng)網(wǎng)絡(luò)的水質(zhì)預(yù)測方法研究[A];中國海洋學會2013年學術(shù)年會第14分會場海洋裝備與海洋開發(fā)保障技術(shù)發(fā)展研討會論文集[C];2013年

8 王斌;施槻;;熱分解法與紫外分光光度法測定總氮的方法比對[A];中國環(huán)境科學學會2006年學術(shù)年會優(yōu)秀論文集（下卷）[C];2006年

9 魏春燕;鄭秀麗;張紅艷;;總氮測定過程中的注意事項[A];河北省環(huán)境科學學會六屆三次常務(wù)理事會暨貫徹落實清潔生產(chǎn)促進法提升清潔生產(chǎn)審核能力和質(zhì)量研討會論文集[C];2012年

10 朱憲春;樂群;;基于GA-BP神經(jīng)網(wǎng)絡(luò)的pm_(10)API指數(shù)預(yù)報[A];第七屆長三角氣象科技論壇論文集[C];2010年

相關(guān)重要報紙文章 前8條

1 張興剛邋張建民;國內(nèi)環(huán)保標準首次要求控制總氮[N];中國化工報;2007年

2 本報記者 杭春燕 劉燁;新標準下，13市空氣都未合格[N];新華日報;2013年

3 記者 蔣麗英;陽澄湖總氮改善一個類別[N];蘇州日報;2013年

4 記者 劉宇男;集中式飲用水源85.7%達標[N];四川日報;2011年

5 首鋼長治鋼鐵公司動力廠 李小婷;影響總氮空白吸光度的若干因素分析[N];山西科技報;2012年

6 劉曉東;南水北調(diào)隱憂：水體總氮超標[N];江蘇經(jīng)濟報;2006年

7 張興剛;多數(shù)化企反應(yīng)冷淡令人擔憂[N];中國化工報;2008年

8 張興剛;農(nóng)資企業(yè)反應(yīng)冷淡令人擔憂[N];農(nóng)資導(dǎo)報;2008年

相關(guān)博士學位論文 前5條

1 陳柳;小波分析和神經(jīng)網(wǎng)絡(luò)應(yīng)用于大氣污染預(yù)測的研究[D];西安建筑科技大學;2006年

2 趙茜;短程脫氮工藝去除煤氣化廢水中總氮的特性及效能研究[D];哈爾濱工業(yè)大學;2015年

3 徐華;空氣污染和水污染的管理方法模型[D];南京理工大學;2009年

4 潘國鋒;水質(zhì)總氮光譜檢測建模方法研究[D];江南大學;2014年

5 張懷志;黃浦江上游水源保護區(qū)農(nóng)田氮磷流失特征研究[D];中國農(nóng)業(yè)科學院;2005年

相關(guān)碩士學位論文 前10條

1 胡婷;改進QGA-BP模型及其在彌苴河總氮量預(yù)測中的應(yīng)用[D];昆明理工大學;2015年

2 夏小鵬;基于ESN模型的北京市PM2.5日均濃度污染等級預(yù)測與時空分布分析[D];中國地質(zhì)大學(北京);2015年

3 劉子翔;基于GA和LM算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在域市空氣質(zhì)量預(yù)n,中的應(yīng)用研究[D];山東大學;2015年

4 龔雪飛;基于集成神經(jīng)網(wǎng)絡(luò)的多元有害氣體定量檢測方法研究[D];寧波大學;2015年

5 王麗丹;基于尖峰自組織遞歸RBF神經(jīng)網(wǎng)絡(luò)的SVI軟測量研究[D];北京工業(yè)大學;2015年

6 謝超;華北西部地區(qū)典型城市環(huán)境污染特征、變化規(guī)律、環(huán)境氣象相關(guān)性及預(yù)測研究[D];北京工業(yè)大學;2015年

7 劉會文;基于模糊綜合評價和BP神經(jīng)網(wǎng)絡(luò)的景觀河道水質(zhì)評價研究[D];河北工業(yè)大學;2015年

8 潘婷;時序分析法在碳價市場預(yù)測與分析上的應(yīng)用[D];湖南師范大學;2015年

9 成華義;GA-PSO-BP神經(jīng)網(wǎng)絡(luò)在大氣污染物濃度預(yù)測中的應(yīng)用研究[D];華中科技大學;2014年

10 姚雪;基于相容粗糙集的神經(jīng)網(wǎng)絡(luò)濕地遙感分類研究[D];沈陽農(nóng)業(yè)大學;2016年

，

本文編號：2448033