(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211200520.8 (22)申请日 2022.09.29 (71)申请人 桂林电子科技大 学 地址 541004 广西壮 族自治区桂林市 桂林 金鸡路1号 (72)发明人 汪杰君　梁高云　叶松　王新强　 王方原　张紫杨　李树　陈妮艳　 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 50/26(2012.01) (54)发明名称 基于BR-NARX神经网络的混凝剂加药量的预 测方法 (57)摘要 本发明公开了一种基于BR ‑NARX神经网络的 混凝剂加药量的预测方法。 建立NARX神经网络模 型预测混凝剂加药量， 然后使用BR算法优 化NARX 神经网络权重， 提高NARX神经网络模型的预测能 力， 将混凝剂投加量的影 响因素输入NARX神经网 络预测模型， 预测混凝剂加药量。 本发明为污水 处理过程的混凝剂投加系统的优化控制提供了 一种药剂投加量的预测方法， 解决了其他预测模 型只考虑了输入值的当前影 响， 没有考虑输入变 量对预测目标变量可能具有滞后性影 响， 对预测 混凝剂投加量， 具有重要意 义。 权利要求书1页 说明书3页 附图2页 CN 115481720 A 2022.12.16 CN 115481720 A 1.一种基于BR ‑NARX神经网络的混凝剂加药量的预测方法， 其特征在于， 所述步骤包 括： 步骤1： 建立具有外生输入的动态非线性自回归(NA RX)网络模型， 用于预测混凝剂投药 量。 步骤2： 然后通过贝叶斯 正则化(BR)优化模型训练， 提高模型 预测精度。 2.根据权利要求1所述的混凝剂投药量的预测方法， 其特征在于， 所述凝剂投加量的影 响因素包括每小时处理水量、 进水COD、 进水PH、 出水COD、 硫酸亚铁(FeSO4)的实际投药量和 双氧水(H2O2)的实际投药量。 3.根据权利要求2所述的混凝剂投药量的影响因素， 其特征在于， 获取水处理厂的实验 数据， 然后对数据进行归一 化处理。 4.根据权利要求1所述的混凝剂投药量的预测方法， 其特征在于， NARX神经网络预测模 型， 该模型包括输入层、 隐含层、 输出层以及输入和输出延时， 输入和反馈连接的同时采用 时间延迟， 输入端接 收到反馈的输出信号可以进行下一次迭代训练， 使其具备良好的记忆 功能。 5.根据权利要求2所述的混凝剂投药量的影响因素， 其特征在于， 探索 混凝剂投加量影 响因素和混凝剂投药量的相关性分析， 确定NARX神经网络模型的输入输出变量。 6.根据权利 要求4所述的预测混凝剂投药量的NA RX神经网络结构， 其特征在于， NARX神 经网络的参数， 包括输入层、 隐含层、 输出层的层数和神经元个数， 输入输出延时时间以及 隐含层和输出层函数。 7.根据权利 要求1所述的BR算法优化的NA RX神经网络预测模型， 其特征在于， BR算法是 最小化平方误差与权重的线性组合， 通过修改线性组合使得NARX神经网络模型训练得到良 好的的泛化能力， 进一 步提高模型的预测精度。 8.根据权利要求5所述的预测混凝剂投药量的输入输出变量， 其特征在于， 将输入输出 变量数据划分为训练样 本数据(70％)、 测试样 本数据(15％)和验证样本数据(15％)， 训练、 测试和验证数据是随机获取的。 9.根据权利要求1所述的BR算法优化的NARX神经网络预测模型， 其特征在与定义评价 模型的性能指标MSE 。 10.根据权利要求7所述的BR算法优化的NARX神经网络预测模型， 其特征在于， 训练 NARX神经网络模型， 得到混凝剂的预测值。 11.根据权利要求10所述训练NARX神经网络预测模型， 其特征在于， 输入混凝剂影响因 素： 每小时处理水量、 进水COD、 进水PH、 出水COD， 获得硫酸亚铁(FeSO4)的实际投药量和双 氧水(H2O2)的预测投药量。 12.根据权利要求11所得到的硫酸亚铁(FeSO4)的实际投药量和双氧水(H2O2)的预测 投药量， 其特 征在于， 根据预测得到的混凝剂投加量预测值进行智能投药。权　利　要　求　书 1/1 页 2 CN 115481720 A 2基于BR‑NARX神经 网络的混凝剂加药量的预测方 法 (一)技术领域 [0001]本发明属于污水处理厂净化工艺领域， 涉及一种基于BR ‑NARX神经网络的混凝剂 加药量的预测方法。 (二)背景技术 [0002]在污水处理工程中， 混凝剂投加过程是水处理工程的重要工序， 可以有效去除水 中的污染物， 其过程包含混凝、 絮凝、 凝聚、 沉淀等环节， 涉及了物理反应和化学过程， 影响 因素众多， 想要实现精准投药十 分困难， 混凝剂的投加量决定了污水的净化效果， 投加量不 足不能有效去除污染物， 投加量过大造成药剂浪费， 提高了成本， 如何在保证出水水质前提 下， 精准控制混凝剂投加量， 是国内外水处 理厂一直以来关心又亟 待解决的问题。 [0003]混凝投药系统具有非线性、 不确定性、 时滞性等问题， 国内大多数污水处理厂都在 使用人工投药的方法， 人工投药主 要依赖于操作人员的经验， 操作复杂， 存在很大的误差 。 [0004]为了解决人工投药操作复杂误差大的问题， 尝试将人工智能控制技术应用于污水 处理的过程控制中， 人工智能控制主要是基于人工神经网络而构建的控制方法， 当原水水 质参数发生变化时， 控制系统能够做出快速 反应， 对混凝剂的投加量进 行实时控制， 实现精 准投药， 达 到节约药耗、 降低操作人员工作量的目的。 [0005]申请人于2019年公开的一种基于模糊BP神经网络的废水高级氧化处理智能加药 系统及方法(中国专利： CN110981021B)， 主要步骤如下： 以BP神经网络预测出水COD， 进水流 量、 进水COD、 实际出水COD、 加药量作为输入向量， 然后以出水COD设定值与出水COD预测值 之间的偏 差e和偏差变化率ec作为模糊控制器的输入变量， 以加药修正量作为输出变量， 通 过修正后的加药量作为BP神经网络预测模型下一循环的输入向量， 最后根据其他加药量与 该加药量之间的关系完成对各加药量的控制， 实现加药量的智能调整。 在一定程度上可以 实现加药量的智能调整， 但是模糊 控制器的模糊规则及隶属 函数的设计方法， 完全凭经验 进行， 模糊 控制系统的稳定性和鲁棒性问题也有待解决， 预测模型 的输入变量只考虑了输 入值的当前影响， 没有考虑输入变量对预测目标变量可能具有滞后性影响， 上一时刻的加 药量可能影响的是 下一时刻的出 水水质。 [0006]本发明公开了一种基于BR ‑NARX神经网络的混凝剂加药量的预测方法。 NARX是具 有外部输入的非线性 自回归神经网络， 是一种有效的时间序列预测技术， NARX具有两层前 馈网络模 型， 第一层， 来自输入和输出的数据通过时间延迟进入网络， 因此时间序列的过去 值也作用于输入， 与在先技术相比， NARX网络结构可以将时间序列的当前值与外部输入的 当前值和过去值联系起 来。 (三)发明内容 [0007]本发明提出一种基于BR ‑NARX神经网络的混凝剂加药量的预测方法。 [0008]本发明的目的是建立具有外生输入的动 态非线性自回归网络模型， 用于预测混凝 剂投药量， 然后通过贝叶斯 正则化(BR)优化模型训练， 提高模型 预测精度。说　明　书 1/3 页 3 CN 115481720 A 3