【www.zhangdahai.com--其他范文】
张丞
（西宁市湟水投资管理有限公司，青海西宁 810000）
目前，对于工业废水、城市生活污水处理出水，污水处理厂中已基本实现了使用COD 指标进行其质量的评定。在实际测定中，水体中COD 数值越高，说明水体被污染得越严重，在处理水体样本时，需要的氧化还原试剂越多［1］。城市污水处理系统具有复杂性、时变性等特点，仅通过机理分析不仅无法实现对水体质量的精准评价，还会导致COD 预测结果与实际存在较大偏差。并且城市生活污水在处理过程中，会存在不同时刻的进水，从而导致检测样本的水质、水量等参数处于可变过程，不同的参数之间存在复杂的非线性关系。在此种情况下，污水处理厂工作人员无法及时掌握进水与出水的水质情况，导致污水处理厂经常处于高负荷运转状态，无法保障污水处理厂在城市中发挥既定的效能［2］。因此，有必要结合污水处理厂的实际运行情况，对其出水进行COD预测，掌握不同时刻下处理出水的水质，并根据预测的结果，进行污水处理厂中大型设备运行参数的调整，保证污水处理厂为城市的水环境可持续化建设带来更高的经济效益。
2.1 建立城市生活污水处理出水预测模型
为实现对城市生活污水处理出水COD 值的高精度预测，在开展设计研究前，应建立对应的城市生活污水处理出水预测模型［3］。建模时，需要先获取城市污水处理排放多个指标，对不同参数与指标的获取进行详细阐述，见表1。
表1 建模所需参数获取
考虑到影响城市生活污水处理厂出水水质的因素较多，因此，还需要在上述内容的基础上，获取污水处理厂进水水体中的氨氮物质浓度、氮磷比值、水体pH 等参数，对指标进行集成，引进激活函数，对所获取的信息进行整理，并将其作为输入变量输入，参照皮尔逊模型，构建此次研究所需的预测模型。模型表达式如下：
式中，r 为城市生活污水处理出水预测模型；
X 为进水水质可测变量；
Y 为进水水质变量方差；
CoV 为输入变量与水质影响的相关系数；
Var 为输入指标。
将所获取的参数导入出水预测模型中，即可实现对进水处理后的出水情况进行初步预测。
2.2 基于模糊神经网络的COD 预测参数选择与训练
为提高模型预测结果精度，在完成上述研究后，引进模糊神经网络，进行COD 预测参数选择与训练［4］。此次所选的神经网络具有5 层结构，从顶层到底层依次为输入层、模糊层、训练规则层、处理层与输出层。
在输入层进行水质参数的导入，将神经网络中的不同节点与输入向量进行连接，得到一个输入集合［5］。将数据进行持续下传，选择影响COD 预测结果的参数，对参数进行模糊化处理，对所选的参数进行聚类。公式如下：
式中，G 为COD 预测参数聚类；
x 为进水好氧性；
q为进水流量；
u 为厌氧池出水；
y1为水体ORP 取值；
y2为水体OD 取值；
g 为废水处理量。
完成对COD 预测参数的选择后，在训练规则中选择高斯函数，计算不同参数在预测中的隶属度，并将神经网络中每一条节点连接线路作为一个规则，保证预测中不同参数具有较高的适应度。预测参数隶属度可用下述公式计算：
式中，μ 为COD 预测参数隶属度；
i 为规则数量；
j 为训练行为发生次数；
e 为参数适应度；
σ 为规则匹配的神经网络节点。
按照上述方式，对城市生活污水处理出水预测模型进行训练与迭代，提高预测结果的精度。
2.3 基于数据归一化处理的出水COD 预测结果校正
完成上述研究后，考虑到模型预测的城市生活污水处理厂出水COD 数值可能存在工程计量单位差异的现象，此种现象会导致原始数据在预测中出现丢失或残缺问题，从而导致预测与真实结果存在较大差异［6］。因此，通过对数据的归一化处理，进行出水COD 预测结果的校正。对参数的归一化过程可用下述计算公式：式中，P 为参数归一化处理结果；
P*为获取参数的初始化趋势；
Pmin为参数取值最小值；
Pmax为参数取值最大值。
对参数进行优化处理后，无论原始数据的数量等级如何，都可以设定参数变量的均值为0，标准差值为1.0，通过此种方式便可以消除不同特征因子或计算量纲对COD 预测结果造成的偏差。保证预测模型输入量具有一致性后，对预测结果进行反馈，采用去中心化的方式，补偿预测结果偏差，从而实现对出水COD 预测结果的校正。以此种方式，实现基于模糊神经网络的预测方法设计。
为实现对所设计方法的检验，以某城市生活污水处理厂作为本实验的研究对象，水体样本为该污水处理厂处理出水。污水处理厂取样环境如图1 所示。
图1 某污水处理厂取样环境
该污水处理厂的工作人员为了确保污水处理出水达到国家环保核查标准，会采用处理时每间隔1.0 h 在出水口进行一次水体样本抽样检测的方式，掌握污水处理厂污水处理出水的水质。在此基础上，污水处理厂还投入大量资金建立了生物池、曝气池等生活污水辅助处理池，将传感器与监测设备集成在不同处理池的出水口位置，用于监测污水处理出水的水质情况，其中，针对水体的DO 指标与MLSS指标测定均为实时测定，采样时间约为7.0 s。所有监测数据均在终端直接传输到实验室，并由中控室进行记录，定期生成污水处理出水质检报告后存储在档案室终端。因此，本实验可直接在数据库中调用该污水处理厂某日水质检测报告及其对应的数据作为测试样本，即可保证实验结果的真实性与可靠性。
根据本实验需求，结合本次参与实验的某污水处理厂污水来源与城市居民生活习惯，明确了污水处理厂的集中配水时间在08：00—18：00，因此，选择近期时段内随机某天的记录数据作为测试数据，获取污水处理厂进水样本的流量、水体pH、水体氮氧含量、DO 指标等参数，确保所选数据具有连续性与完善性等优势后，使用本实验设计的COD 预测方法，对测试样本进行COD 预测。
在使用本实验设计的COD 预测方法进行测试样本的预测时，需要先根据污水处理厂的实际运行情况与污水处理能力，获取实验指标。在此基础上，建立城市生活污水处理出水预测模型。为确保模型对城市生活污水处理出水COD 预测结果的精准性，引进模糊神经网络，进行COD 预测参数选择。本实验所选的模糊神经网络训练参数见表2。
表2 模糊神经网络训练参数设计
按照表2 内容，进行模糊神经网络训练参数设计，根据实际情况，对COD 预测模型进行训练。考虑到所获取的数据中存在多源渠道获取的数据，因此，需要在完成基于模型对城市生活污水处理出水COD预测后，采用对数据进行归一化处理的方式，对出水COD 预测结果进行校正。
按照上述方式，对不同时刻下的水体样本COD值进行预测，按照采样的时序，随机选择当天测试样本中的16.0 h 预测结果，将出水COD 预测结果与水体真实COD 监测结果进行比对，将对比结果绘制成折线图，如图2 所示。
图2 城市生活污水处理出水COD 预测结果
从图2 可以看出，出水COD 预测结果散点分布与水体真实COD 结果基本匹配，即出水COD 预测散点均匀分布在连续曲线的四周，说明本实验设计的基于模糊神经网络的出水COD 预测方法具有一定可行性，可以实现对城市生活污水处理出水COD的精准预测。
在此基础上，引进基于ARIMA 模型的预测方法作为传统方法，对相同的测试样本进行出水COD 预测。使用传统方法进行预测时，应先按照上述步骤进行水体采样与水质的基本分析，完成对数据的基本分析后，使用ARIMA 模型建立COD 预测模型。为提高预测结果的精度，需要选择部分实验样本数据作为参照，对模型预测结果进行迭代处理，通过此种方式，提高预测结果的精度，当预测结果经过多次迭代达到一个期望值后，输出预测结果，根据出水时序对预测结果进行衔接，以此种方式实现对城市生活污水处理出水COD 的预测。
完成2 种预测方法的应用后，选择相同时刻点，对2 种方法的预测结果与真实结果进行比对，将COD 预测结果偏差作为对比实验的评价指标，预测结果偏差越小，说明预测结果的精准度越高。按照上述方式进行对比实验，结果见表3。
表3 城市生活污水处理出水COD 预测结果误差对比mg/L
从表3 的实验结果可知，本实验预测结果误差在0.1 mg/L 范围内，传统预测结果误差在0.8 mg/L范围内。证明了相比传统的预测方法，本实验设计的基于模糊神经网络的城市生活污水处理出水COD预测方法，预测结果误差更低、精度更高。
COD 指标是用于评价水体质量与被污染程度的关键指标之一，在实际应用中又被称之为化学需氧量，主要是指通过化学手段，进行水体样本中需要被氧化还原物质的总量测定。为实现对出水COD 的高精度预测，本文从建立城市生活污水处理出水预测模型、基于模糊神经网络的COD 预测参数选择与训练、基于数据归一化处理的出水COD 预测结果校正3 个方面，开展城市生活污水处理出水COD 预测方法的设计研究。完成方法设计后，选择基于ARIMA模型的预测方法作为传统方法，开展对比实验，结果证明了本实验设计的预测方法预测得到的COD 结果与实际监测的真实结果更为接近。
猜你喜欢 处理厂污水处理水体 我国乡镇污水处理模式的探讨中国应急管理科学(2022年2期)2022-05-23污水处理厂应急响应与措施科学家(2022年4期)2022-05-10农村黑臭水体治理和污水处理浅探建材发展导向(2022年2期)2022-03-08农村黑臭水体治理与农村污水处理程度探讨建材发展导向(2022年2期)2022-03-08试论城镇污水处理厂提标改造相关要点建材发展导向(2021年22期)2022-01-18太原市61个村要建污水处理设施严禁直排入河今日农业(2021年20期)2021-11-26生态修复理念在河道水体治理中的应用建材发展导向(2021年14期)2021-08-23在建污水处理厂机械设备现场安装应注意的问题建材发展导向(2021年7期)2021-07-16污水处理厂的环保节能问题及对策建材发展导向(2019年11期)2019-08-24本市达到黑臭水体治理目标投资北京(2018年10期)2018-12-29本文来源：http://www.zhangdahai.com/shiyongfanwen/qitafanwen/2023/0613/610701.html
