1、第6 期（总第2 90 期）2023年6 月D01:10.16799/ki.csdqyfh.2023.06.064城市道桥与防洪URBANROADSBRIDGES&FLOODCONTROL科技研究基于 IPSO-LSSVM的污水 BOD 预测应用研究于洋，王萍上海市政工程设计研究总院（集团）有限公司，上海市2 0 0 0 92 摘要：生化需氧量（BOD）的快速准确测量对于污水处理过程的调控至关重要。针对污水处理过程中BOD浓度测量时效性较低等问题，选择最小二乘支持向量机（LSSVM)作为BOD浓度预测模型，并选用粒子群优化算法(PSO）优化回归性能参数，同时使用自适应惯性权重计算方法对PSO进
2、行改进，建立了IPSO-LSSVM预测模型。运用预测模型对某污水厂数据进行仿真研究以及3 种误差分析，结果表明该模型具有较好的预测精度。关键词：污水处理;BOD预测;IPSO;LSSVM中图分类号：X5文献标志码：A文章编号：10 0 9-7 7 16(2 0 2 3)0 6-0 2 47-0 30 引 言随着城镇化和工业的快速发展，污水处理相关措施越来越受到社会的关注。现如今污水处理过程的重点是检测污水处理过程中各项指标数据，然后对污水处理过程进行控制以达到排放标准，其中生化需氧量(BOD)是评价水质的重要指标。目前我国污水处理厂检测BOD主要依靠人工化验离线分析，分析测定时间为5d,检测滞
3、后性较大，直接影响污水处理实时监测与控制。另一方面，水质预测技术目前已成为过程控制与检测学科方向的一大研究热点，该技术原理为利用工业过程中容易测得的参数来推导出难以直接测量或测量方法较难、测量成本较高的参数。施汉昌等在IAWQ模型基础上实现了对曝气池化学需氧量(COD)的实时预测；任敏等利用神经网络将氧化还原电位（ORP）、溶解氧浓度（DO）、p H 值作为输人层的3 个神经元来估计水厂的进水水质!。本文针对污水处理过程中BOD指标在线检测较难等问题，选择最小二乘支持向量机(LSSVM)作为BOD浓度预测模型，并选用改进的粒子群优化算法（IPSO）进行优化，建立了IPSO-LSSVM预测模型。
4、根据某污水处理厂实测数据进行训练的结果表明，IPSO-LSSVM预测模型可以实现较高精度的BOD 浓度预测。收稿日期：2 0 2 2-0 9-16作者简介：于洋（1996 一），男，硕士，工程师，主要从事自控及仪表设计工作。1基于LSSVM的污水BOD预测建模1.1辅助变量选取目前国内外通常是通过建立易测得的过程变量与主导变量之间的函数关系来预测主导变量。根据工艺过程分析，进水pH值会影响污水处理工艺过程稳定性;DO可以判断水中微生物耗氧情况；污水温度(T)会影响水中微生物活性;COD反映了水样中需要被氧化的物质量；污泥浓度（MLSS)反映了污泥中微生物相对数量。因此本文选取pH值、DO、T、
5、C O D、MLSS 作为BOD浓度预测模型的辅助变量2 。1.2最小二乘支持向量机LSSVM最早由Suykens等学者提出，该模型是在支持向量机（SVM）的基础上，与最小二乘线性系统相结合得到的。LSSVM将SVM中的不等式约束替代成等式约束,对应的线性系统称为KKT系统3 。假设有输人样本xi,yit,xieR且yiR,i=l,l。L SSV M 优化问题为：minw.b,e2st.y;=w(x;)+b+li式中：为正则化参数本；为误差变量。构建拉格朗日函数：L(w,b,g)=ww+si-2i=1式中:=1,2,iT,是 Lagrange乘子。247.2i=12i=1(1)(2)城市道桥与
6、防洪于洋，等：基于IPSO-LSSVM的污水BOD预测应用研究2023年第6 期根据KKT系统，对式(2)求偏微分得到如下线性系统：0yQ+y1/e式中：e为元素为1的向量;y=yi,y;=i,T;Q=yiyjK(xi,x,),i,j=l,.,lo求解出LSSVM模型如下：y(x)=Z;K(xi;x)+b=1式中:K(xi,x)为核函数。利用LSSVM进行污水BOD浓度预测时，核函数对模型精确度有着重要影响。本文选取对非线性问题有较好处理能力的径向基(RBF)核函数,其表达式见式(5),其中为核函数的宽度4。K(xi,x)=exp2粒子群优化算法利用LSSVM建模时，需确定核函数宽度、正则化参
7、数选择集合以获得最佳性能。本文利用粒子群优化算法PSO对参数寻优，该算法调整参数少、不易陷入局部极小，适用求解非线性问题。假设在D维寻找空间里某个群体由N个粒子组成。第i个粒子表示为X,=（x i l,x i 2，,x i d),对应的粒子速度为V;=(vil，Di2,a)5。该粒子搜寻经过最好位置为 Pbet,所有粒子搜寻经过最好位置为gbest。速度和位置更新公式为：vid=Wvid+Ciri(pid-xia)+C2r2(pgd-xid)lXid=Xid+Vid式中:为惯性权重;ri,r2为0,1 内的随机数;c1,C2为学习因子。粒子群优化算法PSO流程如下：Stepl:初始化粒子速度v
8、i、粒子位置x；等。Step2:确定适应度函数，计算每个粒子适应度。Step3：每个粒子适应度与Pbestghest比较，更新PbestgbestoStep4:更新粒子速度和位置。Step5：未满足结束条件，则返回Step2。3粒子群算法的改进对于惯性权重而言，取值较大则全局收敛能力较强；取值较小则局部收敛能力较强。为了使PSO在迭代初期具有较强的全局收敛能力，在迭代后期具有较强的局部收敛能力，惯性权重应随着迭代次数增加而不断减小，即利用自适应惯性权重对PSO进行改进，得到改进的粒子群优化算法IPSO。(6)/0计算见式(7)：(3)W=(wmx-min)exp(-(_max式中：根据经验取值
9、，一般=15,20;t为迭代次数；Tmx为最大迭代次数。在改进的粒子群优化算法IPSO中，令i=cirand(4)P2=C2rand。与1v2关系需满足式(8):(eit2)-124BOD浓度预测模型实现通过3 原则选取某污水处理厂3 0 0 组污水处理数据，其中2 50 组用来训练,50 组用来测试。部分数据如表1所示。同时将数据进行归一化处理。I;-2(5)202(6)248)2)+Wmin表1某污水处理厂实测数据DO/进水COD/pH值T/(mg L-1)7.283.037.451.037.372.937.172.877.612.947.031.857.152.937.813.087.3
10、72.877.372.81首先通过Matlab2014建立LSSVM模型以实现污水BOD浓度的预测，再选用PSO优化LSSVM模型，即PSO-LSSVM模型。设置粒子群初始参数学习因子ci=1.5,c2=1.5,最大送代次数为2 0 0。通过训练数据的学习,将得到的核函数宽度、正则化参数这2 个参数运用到预测模型中，得到预测结果如图1所示，相对误差如图2 所示。40+预测值35一实际值(1.8m)/08甲302520151050(7)(8)MLSS/出水BOD/(mg L-1)(mg:L-)20.46313.722.67278.123.55289.120.26252.219.58285.523
11、.58261.719.99302.920.25299.423.42247.519.05188.4+G一10图1PSO-LSSVM预测结果(mg:L-)0.5010.080.3511.420.709.630.4711.080.6412.590.5213.550.338.580.6012.510.3810.470.6211.692030样本数40502023年第6 期于洋，等：基于IPSO-LSSVM的污水BOD预测应用研究城市道桥与防洪201510%50-5-10-15-200其次选用改进的PSO优化LSSVM模型，即IP-SO0-LSSVM模型。设置mx=0.9,0min=0.5,=18。将I
12、PSO得到的核函数宽度、正则化参数这2 个参数再次运用到预测模型中，得到预测结果如图3 所示，相对误差如图4所示。40预测值35上302520151050105%/0-5-10-150通过以上仿真图可知，IPSO-LSSVM模型的预估能力优于PSO-LSSVM模型，预测值与实测值相差较小。图1在第1到第3 0 样本附近有着较大偏差，其余部分拟合效果较好；图3 表明IPSO-LSSVM模型的预测效果明显较高。选取平均相对误差、最大相对误差、均方根相对误差3 种误差计算方法进行分析，经过计算，3 种模型对应的预测误差如表2 所示。1020样本数图2 PSO-LSSVM预测误差一实际值4G1020样
13、本数图3 IPSO-LSSVM预测结果1020样本数图4IPSO-LSSVM预测误差3030304040405085050表2 3 种预测模型误差对比平均相对最大相对模型误差/%LSSVM8.79PSO-LSSVM6.96IPSO-LSSVM4.48由表2 可知,IPSO-LSSVM模型的3 种误差均小于PSO-LSSVM模型以及LSSVM模型，其中平均绝对相对误差由8.7 9%下降为4.48%，说明该模型预测精度较优。5结语针对污水处理过程中BOD浓度测量实时性低等缺点，建立了预测BOD浓度的IPSO-LSSVM模型。经分析，优化后的模型预测准确度明显提高，证明了IPSO对LSSVM优化的有
14、利影响。实验结果可为污水处理现场提供可靠的水质参考信息。参考文献：1邵袁.基于WEST软件模拟的城市污水厂的优化运行研究D.南京：东南大学，2 0 19.2杨壮,武利,乔俊飞.基于CM-RBF神经网络的污水环境预测J.控制工程,2 0 19,2 6(9):17 2 8-17 3 2.3叶小岭,顾荣,邓华，等.基于WRF模式和PSO-LSSVM的风电场短期风速订正J.电力系统保护与控制，2 0 17,45(2 2):48-54.4吴以文，杜坤，吴汉清，等.基于LSSVM交互预测的供水管网爆管检测J.中国给水排水，2 0 2 2,3 8(9):58-6 3.5王语园，李嘉波，张福.基于粒子群算法的
15、最小二乘支持向量机电池状态估计J).储能科学与技术，2 0 2 0,9(4):1153-1158.均方根相对误差/%误差1%18.19.0916.68.2310.75.39(上接第198 页）参考。参考文献：1 宋文智,吴迪,刘建民，等.临近既有建筑物沉井不排水施工技术C/施工技术杂志社，亚太建设科技信息研究院有限公司.2 0 2 0 年全国土木工程施工技术交流会论文集（中册）施工技术杂志社，2020:55-59.2于得水.沉井不排水下沉施工技术控制J.江西建材,2 0 16(16).3詹赞贤.卵石及岩石地质条件下沉井施工实例探讨.中国科技信息,2 0 0 6(2 2).249.Abstrac
16、t:At present,the use of surfactant asphalt mixing agent is the mainstream at home and abroad.Itsstructure is mainly fatty acid amide.The raw materials are mainly the animal and vegetable oils,whichcauses the high synthesis cost of the product.At the same time,the high freezing point of the productmakes it inconvenient to use in the low temperature environment.The main raw material of SWMAbitumen warm mixing agent developed now is the tall oil fatty acid recycled from the papermaking wasteliquor,