采用BP-ANN和改进SVR的进水BOD软测量模型

摘要

进水水质条件是研究和优化管理污水处理厂所需的关键要素,及时获取进水水质数据至关重要.针对污水厂关键性水质指标BOD5不易直接检测、滞后强的特点,分别采用BP神经网络(BP-ANN)、网格搜索算法(GS)优化支持向量回归(SVR)、粒子群算法(PSO)优化的SVR和遗传算法(GA)优化的SVR 4种方法,通过利用其他进水指标与进水BOD5的数学关系建立进水BOD5软测量模型,实现进水BOD5快速测定.并以黑龙江某污水厂为研究对象,比较4种机器学习模型的性能,找寻适合进水BOD5预测的软测量方法.结果表明,基于SVR的软测量模型预测结果优于基于BP-ANN的软测量模型,而且采用GA优化的SVR模型精度最高.为实现污水厂进水BOD5的实时监测和污水厂的便捷管理提供了参考依据.