基于深度学习的污水处理厂出水总氮的预测研究

发布时间：2023-10-11 21:53

　　随着治水提质工作计划的开展,国内许多城市明确提出现有污水处理厂出水标准需达到一级A及以上,总氮是其中主要考核指标之一。由于总氮未列出国家减排指标内,大多数污水处理厂均存在过曝现象,从而导致总氮无法达标。因此,建立一种对污水处理出水总氮的预测方法,可以帮助污水处理厂的运行人员有效的提高运营水平。根据国内外研究可知,早期的预测方法多为白箱模型,即利用活性污泥模型及一些商业软件对出水水质进行预测。随着计算机技术的发展,数据挖掘方法逐渐成熟,其中神经网络算法备受学者青睐,误差反向传播神经网络、径向基神经网络以及深度学习网络陆续被应用于出水水质预测领域。针对现有研究的不足之处,本文结合深度神经网络对出水水质进行研究:(1)采用准确的进出水数据作为训练集和测试集,建立误差反向传播神经网络模型,用来对出水总氮进行预测,结果表明进水加上部分出水指标的预测精度高于只用进水作为输入值得预测效果。(2)为减少运算量,采用主成分分析方法对数据进行降维处理,结果表明进水p H、水量对主成分的贡献率很低,可在误差反向传播神经网络预测出水总氮时可以被忽略,不会影响预测精度。为解决传统误差反向传播神经网络易陷入局部极...

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 项目概况
    1.2 研究背景与意义
    1.3 国内外研究现状
    1.4 研究内容
第2章 研究材料和方法
    2.1 数据来源
        2.1.1 深圳某污水厂简介
        2.1.2 进出水数据分析
    2.2 软件平台和硬件配置
    2.3 本章小结
第3章 基于BP神经网络的出水总氮预测
    3.1 前言
    3.2 BP网络预测结果
        3.2.1 BP模型结构
        3.2.2 BP模型预测结果
    3.3 PCA对输入数据降维优化
        3.3.1 PCA的基本概念
        3.3.2 PCA-B-BP模型预测结果
    3.4 GA-BP神经网络预测出水总氮
        3.4.1 遗传算法的基本原理
        3.4.2 GA-BP模型预测结果
    3.5 PSO-BP神经网络预测出水总氮
        3.5.1 粒子群算法的基本原理
        3.5.2 PSO-BP模型预测结果
    3.6 本章小结
第4章 基于深度神经网络的出水总氮预测
    4.1 前言
    4.2 DBN网络预测结果
        4.2.1 CRBM模型结构
        4.2.2 CDBN模型结构
        4.2.3 CDBN模型预测结果
    4.3 LSTM网络预测
        4.3.1 LSTM模型结构
        4.3.2 LSTM模型预测结果
    4.4 本章小结
结论
参考文献
附录
致谢
个人简历



本文编号：3852861