基于BSM1的硝態氮濃度辨識建模

俞方罡 秦斌

摘要：污水處理過程復雜多樣，為方便研究工作，根據基準仿真1號模型（Benchmark Simulation Modelno.1，BSMl）搭建simulink仿真模型。由于控制溶解氧和硝態氮濃度的穩定是污水處理過程的關鍵，所以針對傳統PI控制對大滯后非線性系統中硝態氮濃度控制性能低以及系統運行速度慢的問題，利用極限學習機（ELM）和支持向量機（SVM）的預測能力對硝態氮濃度進行模型辨識和比較。結果證明，在數據量較少的情況下，支持向量機（SVM）具有很高的精確度，但是在數據量較高的情況下，極限學習機同樣具有高精確度的特點并且運行速度更快。

關鍵詞：污水處理;極限學習機;支持向量機;MATLAB仿真

0引言

在污水處理中，活性污泥是應用最為廣泛的處理方法，因此大量的研究工作都將活性污泥作為研究的對象。因為微生物存在的各種習性以及相互之間的作用，在最初的研究工作中學者們所提出的數學模型都存在結構非常復雜或是其應用受到限制的問題。為了解決這些模型存在的問題，國際水協會（IWA）和歐盟科學技術合作組織（COST）兩個組織合力開發的基準仿真1號模型。為方便研究控制策略對污水處理過程的影響，對該模型進行了simulink建模及仿真，雖然通過簡單的PI控制策略對此模型進行閉環仿真，但在系統為大滯后非線性的情況下，硝態氮濃度的控制效果并不理想。隨著人工智能和機器學習的不斷發展，黃廣斌提出了極限學習機，這是一種基于單隱層前饋型神經網絡發展而來的智能算法，用于解決反向傳播算法學習效率低、參數設定繁瑣的問題?！?br>