基于HDE算法的FA-BP神经网络溶解氧浓度预测控制研究
发布时间：2021-08-05 19:20
目前,城市污水处理问题已经成为急需解决的问题,活性污泥法是目前处理城市污水使用最广泛的方法。由于污水处理系统具有非线性、大滞后性、参数复杂及各参数变量之间的耦合性等特性,导致污水处理过程的建模与控制变得非常困难。而国内的污水处理过程的建模与控制水平相对较低,因此对建模与控制方法的研究显得十分重要。溶解氧作为活性污泥法中一个非常关键的参数指标,对其进行深入的控制与研究就显得尤为重要。本文以溶解氧浓度作为被控变量进行了以下的工作研究:本文首先对污水处理过程进行了分析,在活性污泥1号模型的基础上详细描述了污水处理中各反应过程与组分浓度的内在联系,并根据物料平衡关系以及污水处理系统的特点建立了适用于控制的简化数学模型。针对将传统BP神经网络作为预测模型时会出现收敛速度慢且容易陷入局部最优等问题,本文采用萤火虫算法对神经网络初始权值的选取进行了优化,通过仿真证明了经过优化的神经网络比未经优化的神经网络在模型辨识方面的精度更高。然后针对溶解氧浓度控制提出了一种基于HDE混合优化算法的神经网络预测控制,该方法结合了萤火虫算法中的吸引力机制以及差分进化算法中的变异、交叉、选择机制,能够有效的解决预测控...
【文章来源】：安徽工业大学安徽省
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
系统辨识数据
FA-BP神经网络训练结果
图 5-3 FA-BP 神经网络校验结果图 5-1 为系统的辨识数据，图 5-2 和 5-3 分别为 FA-BP 神经网络的训练结果验结果。由此可以看出，FA 优化的 BP 神经网络的预测误差在 0.05 以内，较高的辨识精度。 溶解氧浓度预测控制系统仿真.1 控制性能比较分析基于上一节得到的溶解氧浓度预测模型，采用 HDE 算法作为滚动优化策略于污水处理系统的预测控制。图 5-4 与图 5-5 分别为 DO 模型与神经网络预制的simulink仿真图。选取控制所需的各项参数为：BP神经网络结构为2-7-10.4， =0.1，选取变设定值作为参考轨迹；HDE 优化算法各参数选取为：最引力0 =1.0，光吸收系数 =1.0，随机因子 =0.3，变异算子 F 0.5,交叉概子 CR 0.9。图 5-6(a)、(b)和(c)分别为在理想情况下基于 HDE-BP 方法，典
【参考文献】：
期刊论文
[1]基于LM算法的溶解氧神经网络预测控制[J]. 李明河,周磊,王健. 农业机械学报. 2016(06)
[2]污水处理曝气池溶解氧智能优化控制系统[J]. 黄银蓉,张绍德. 信息与控制. 2011(03)
[3]油田污水处理前馈—反馈控制系统[J]. 王向阳,申则雄,邱瑞萍. 油气田地面工程. 2010(03)
[4]基于PLC的模糊控制在污水处理中的应用[J]. 林勇坚,莫胜撼. 广西轻工业. 2008(05)
[5]人工湿地处理污水机理及效率比较[J]. 刘亚琼,刘志强,苗群,翁娜娜. 水科学与工程技术. 2007(06)
[6]基于简化活性污泥数学模型的污水处理仿真研究[J]. 于广平,苑明哲,王宏. 系统仿真学报. 2007(23)
[7]污水处理过程的奇异摄动模型仿真研究[J]. 张平,苑明哲,王宏. 系统仿真学报. 2007(14)
[8]常减压装置鲁棒多变量预测控制应用[J]. 孙正鼐,孙明健. 哈尔滨工业大学学报. 2006(10)
[9]2005中国环境状况公报[J]. 环境保护. 2006(12)
[10]21世纪水资源展望[J]. 杨志清. 水资源保护. 2004(04)
博士论文
[1]萤火虫算法研究及其在船舶运动参数辨识中的应用[D]. 张丽娜.哈尔滨工程大学 2017
[2]PVDF超滤膜低温等离子体改性及其在MBR中的耐污染性能研究[D]. 杨庆.兰州交通大学 2015
硕士论文
[1]基于神经网络预测的列车非线性网络控制方法研究[D]. 李宗亮.大连交通大学 2018
[2]萤火虫优化算法的研究与应用[D]. 李肇基.江苏科技大学 2018
[3]FA和PSO算法比较研究及其在协调优化中的应用[D]. 曹鹏蕊.华北电力大学 2017
[4]基于LM算法的溶解氧浓度神经网络预测控制研究[D]. 周磊.安徽工业大学 2016
[5]LM优化算法和神经网络预测控制在非线性系统中的研究[D]. 王炳萱.太原理工大学 2016
[6]可实现单边区间控制的模型预测控制方法研究[D]. 宋菲菲.东北大学 2015
[7]基于BP神经网络的无线电信号分类研究[D]. 李强.西华大学 2013
[8]基于简化模型的曝气过程控制研究[D]. 吴杰.华东理工大学 2013
[9]基于粒子群算法的污水处理预测控制研究[D]. 郑美玲.哈尔滨工业大学 2010
[10]城市污水处理厂脱氮工艺诊断及优化运行研究[D]. 肖伟.河北工程大学 2010
本文编号：3324316
【文章来源】：安徽工业大学安徽省
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
系统辨识数据
FA-BP神经网络训练结果
图 5-3 FA-BP 神经网络校验结果图 5-1 为系统的辨识数据，图 5-2 和 5-3 分别为 FA-BP 神经网络的训练结果验结果。由此可以看出，FA 优化的 BP 神经网络的预测误差在 0.05 以内，较高的辨识精度。 溶解氧浓度预测控制系统仿真.1 控制性能比较分析基于上一节得到的溶解氧浓度预测模型，采用 HDE 算法作为滚动优化策略于污水处理系统的预测控制。图 5-4 与图 5-5 分别为 DO 模型与神经网络预制的simulink仿真图。选取控制所需的各项参数为：BP神经网络结构为2-7-10.4， =0.1，选取变设定值作为参考轨迹；HDE 优化算法各参数选取为：最引力0 =1.0，光吸收系数 =1.0，随机因子 =0.3，变异算子 F 0.5,交叉概子 CR 0.9。图 5-6(a)、(b)和(c)分别为在理想情况下基于 HDE-BP 方法，典
【参考文献】：
期刊论文
[1]基于LM算法的溶解氧神经网络预测控制[J]. 李明河,周磊,王健. 农业机械学报. 2016(06)
[2]污水处理曝气池溶解氧智能优化控制系统[J]. 黄银蓉,张绍德. 信息与控制. 2011(03)
[3]油田污水处理前馈—反馈控制系统[J]. 王向阳,申则雄,邱瑞萍. 油气田地面工程. 2010(03)
[4]基于PLC的模糊控制在污水处理中的应用[J]. 林勇坚,莫胜撼. 广西轻工业. 2008(05)
[5]人工湿地处理污水机理及效率比较[J]. 刘亚琼,刘志强,苗群,翁娜娜. 水科学与工程技术. 2007(06)
[6]基于简化活性污泥数学模型的污水处理仿真研究[J]. 于广平,苑明哲,王宏. 系统仿真学报. 2007(23)
[7]污水处理过程的奇异摄动模型仿真研究[J]. 张平,苑明哲,王宏. 系统仿真学报. 2007(14)
[8]常减压装置鲁棒多变量预测控制应用[J]. 孙正鼐,孙明健. 哈尔滨工业大学学报. 2006(10)
[9]2005中国环境状况公报[J]. 环境保护. 2006(12)
[10]21世纪水资源展望[J]. 杨志清. 水资源保护. 2004(04)
博士论文
[1]萤火虫算法研究及其在船舶运动参数辨识中的应用[D]. 张丽娜.哈尔滨工程大学 2017
[2]PVDF超滤膜低温等离子体改性及其在MBR中的耐污染性能研究[D]. 杨庆.兰州交通大学 2015
硕士论文
[1]基于神经网络预测的列车非线性网络控制方法研究[D]. 李宗亮.大连交通大学 2018
[2]萤火虫优化算法的研究与应用[D]. 李肇基.江苏科技大学 2018
[3]FA和PSO算法比较研究及其在协调优化中的应用[D]. 曹鹏蕊.华北电力大学 2017
[4]基于LM算法的溶解氧浓度神经网络预测控制研究[D]. 周磊.安徽工业大学 2016
[5]LM优化算法和神经网络预测控制在非线性系统中的研究[D]. 王炳萱.太原理工大学 2016
[6]可实现单边区间控制的模型预测控制方法研究[D]. 宋菲菲.东北大学 2015
[7]基于BP神经网络的无线电信号分类研究[D]. 李强.西华大学 2013
[8]基于简化模型的曝气过程控制研究[D]. 吴杰.华东理工大学 2013
[9]基于粒子群算法的污水处理预测控制研究[D]. 郑美玲.哈尔滨工业大学 2010
[10]城市污水处理厂脱氮工艺诊断及优化运行研究[D]. 肖伟.河北工程大学 2010
本文编号：3324316
本文链接：https://www.wllwen.com/kejilunwen/huanjinggongchenglunwen/3324316.html
