1. 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法,其特征在于,该方法包括:
(1)对污水处理厂长期监测的数据,进行数据预处理——降噪、剔除异常值、平滑以及标准化处理;
(2)利用灰色关联分析方法将经过预处理后的相关因素数据与曝气系统的DO值做关联性分析,找到主要影响因素;
(3)将灰色关联分析方法找到的主要影响因素作为极限学习机的输入,预测曝气系统的各时刻的DO值;
(4)将极限学习机模型得到的DO预测值通过卡尔曼滤波方程进行优化,得到各时刻的最优估计值,进行相应的在线调控;
所述污水处理得到的相关因素还包括:进水化学需氧量(COD)和生化需氧量(BOD)以及曝气反应池内温度(T)、pH值、污泥指数(SVI)、30min沉降比(SV30)、污泥浓度(MLSS)、固体 悬浮物(SS)和溶解氧(DO)长期监测数据,进行降噪、剔除异常值、平滑以及标准化处理;
所述预处理后的相关因素数据利用灰色关联分析法与曝气系统的DO值作关联度分析,当关联度γ>0.7时,将作为主要因素,作为极限学习机模型的输入;
将灰色关联分析方法得到的关联度γ>0.7 的主要因素作为极限学习机的输入,得到曝气系统的各时刻的DO预测值,采用增量型极限学习机,学习过程如下:
1)设最大隐层节点个数为M,隐层节点个数L从1开始增加,当L<M且误差大于期望误差 时:L=L+1;
2)随机获取当前隐层神经元的权值和阈值;
3)计算当前神经元激励函数的输x;
4)计算当前隐层输出;
5)然后计算该隐层神经元的输出权值。
2. 根据权利要求1所述的方法,其特征在于,所述的将DO的预测值作为卡尔曼滤波方程对的观测值,并通过卡尔曼滤波方程得到各时刻的最优估计值,其卡尔曼滤波方程包括两个步骤:
1)预测;
2)更新。
3. 根据权利要求2所述的方法,其特征在于,预测过程,根据当前t时刻DO状态分析值预 测t+1时刻的状态值,包括:
A,状态预测;
B,估计协方差预测。
4. 根据权利要求2所述的方法,其特征在于,更新过程,再加上t+1时刻观测值(极限学 习机的预测值),对其进行进一步优化,包括
A,状态估计更新;
B,状态协方差更新。