(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 202210902173.7 (22)申请日 2022.07.29 (71)申请人 山东科技大 学 地址 266590 山东省青岛市黄岛区前湾港 路579号 (72)发明人 张璐　钟麦英　 (74)专利代理 机构 青岛智地领创专利代理有限 公司 37252 专利代理师 王晓凤 (51)Int.Cl. G06Q 10/04(2012.01) G06K 9/62(2022.01) G06Q 10/06(2012.01) G06Q 50/26(2012.01) (54)发明名称 融合多步预测的城市污水处理过程污泥膨 胀异常检测方法 (57)摘要 本发明公开了一种融合多步预测的城市污 水处理过程污泥膨胀异常检测方法， 属于污水处 理技术领域， 实现了间歇测量下污泥膨胀异常的 实时检测； 该异常检测方法首先通过基于自适应 模糊神经网络的融合多步预测方法完成污泥膨 胀样本的重构， 获得采样间隔更短的污泥膨胀样 本； 然后设计基于趋势分析的污泥膨胀异常检测 策略， 完成污泥膨胀趋势特征的提取， 构建基于 趋势特征l2范数的异常评价策略， 实现污泥膨胀 异常的检测； 最终解决了城市污水处理过程异常 难以实时准确检测的问题， 能够为城市污水处理 过程的安全稳定运行奠定 基础。 权利要求书4页 说明书10页 附图3页 CN 115392541 A 2022.11.25 CN 115392541 A 1.一种融合多步预测的城市污水处理过程污泥膨胀异常检测方法， 其特征在于， 通过 构建污泥膨胀多步预测模型对污泥膨胀进行实时异常检测， 具体包括如下步骤： 步骤1、 构建污泥膨胀多步预测模型； 步骤2、 设计 基于趋势特征的SVI异常检测策略； 步骤3、 实时采集城市污水处理过程中产生的过程变量数据和污泥膨胀 数据， 基于构建 的污泥膨胀多步预测模型设计污泥膨胀评价指标， 判断当前时刻是否发生污泥膨胀现象。 2.根据权利要求1所述融合多步预测的城市污水处理过程污泥膨胀异常检测方法， 其 特征在于， 所述 步骤1的具体过程如下： 步骤1.1、 分析城市污水处理过程运行特点， 获取评价污泥膨胀严重程度的指标污泥容 积指数SVI， 以及相关过程变量； 相关过程变量包括进 水流量Qin、 溶解氧浓度SO、 水力停留时 间SRT、 污泥回流比SR R、 污泥负荷率F/ M、 温度T； 其中， SVI值通过实验室化验获得， 其测量周期为2小时； Qin值通过进水流量计测量； SO 浓度值通过溶解氧在线分析仪获得； SRT值通过生化反应池容积与Qin之比获得； SRR值通过 混合液污泥浓度与回流污泥浓度与混合液污泥浓度之差的比获得， 污泥浓度通过污泥浓度 检测仪获得； F/M值通过Qin与化学需氧量COD的乘积与曝气池容积和污泥浓度乘积之比获 得， COD值通过化学需氧量检测仪获得； T值通过温度传感器获得， 所有 过程变量采样周期均 为40分钟； 步骤1.2、 建立基于模糊神经网络的污泥膨胀一步递归预测模型， 模型输入为Qin、 SO、 SRT、 SRR、 F/M和T， 模型输出为SVI， 具体表示 为： 其中， 表示k时刻的SVI一步递归预测值， fr(·)表示递归预测过程中SVI与输入之间 的非线性 关系， 表示(k‑1)时刻的SVI一步递归预测值， 将其作为k时刻递归预测模型的 输入， xk表示相关过程变量， xk＝[Qin,SO,SRT,SRR,F/M,T]， ωd,j,k表示k时刻递归预测模型 第j个隐含层的输出权重， J表 示隐含层的个数， υj,k表示递归预测模型k时刻第 j个隐含层的 输出， υj,k具体表示 为： 其中， l表示第l个相关过程变量， l＝1, …,6； xl,k表示k时刻第l个相关过程变量； cl,j,k 表示k时刻第l个相关过程变 量所对应的第j个隐含层的中心； ωr,j,k表示k时刻第j个隐含层 的递归权 重； σl,j,k表示k时刻第l个相关过程变量所对应的第j个隐含层的宽度； 步骤1.3、 建立基于模糊神经网络的污泥膨胀一 步直接预测模型， 具体表示 为： 其中， 表示k时刻 SVI一步直接预测值； fd(·)表示一步直接预测过程中S VI值与输入 之间的非线性关系； wj,k表示直接预测 模型k时刻第j个隐含层的输出权重； vj,k表示直接预 测模型k时刻第j个隐含层的输出， vj,k具体表示 为：权　利　要　求　书 1/4 页 2 CN 115392541 A 2其中， 表示直接预测模型k时刻第l个相关过程变量所对应的第j个隐含层的中心； 表示直接预测模型k时刻第l个相关过程变量所对应的第j个隐含层的宽度； 步骤1.4、 在一 步递归预测模型的基础上设计多步 递归预测策略， 具体表示 为： 其中， 表示(k+i)时刻的SVI递归预测值， i表示预测步长， i＝2, …,h,h表示预测步 长最大值； 表示(k+i‑1)时刻的SVI递归 预测值； yk表示k时刻的SVI实际值； xk+i表示(k +i)时刻的相关过程变量； Θk+i表示多步递归预测策略(k+i)时刻待优化的参数， Θk+i＝ [ωd,k+i,ωr,k+i,ck+i, σk+i]， ωd,k+i表示(k+i)时刻递归预测模型的输出权重向量， ωd,k+i＝ [ωd ,1 ,k+i,…,ωd ,J ,k+i]， ωr ,k+i表示(k+i)时刻隐含层的递归权重向量， ωr ,k+i＝ [ωr,1,k+i,…,ωr,J,k+i]， ck+i表示(k+i)时刻递归预测模型中隐含层的中心向量， ck+i＝ [c1,k+i,…,cJ,k+i]， cJ,k+i表示第J个隐含层的中心向量， cJ,k+i＝[c1,J,k+i,…,c6,J,k+i]， σk+i表 示(k+i)时刻递归预测模型中隐含层的宽度向量， σk+i＝[σ1,k+i,…, σJ,k+i]， σJ,k+i表示(k+i) 时刻第J个隐含层的宽度向量， σJ,k+i＝[σ1,J,k+i,…, σ6,J,k+i]； 考虑到实际SVI样本的采样周 期高于相关过程变量的采样周期， 只有达到SVI样本的采样周期时， 才对Θk+h进行优化调 整， 具体表示 为： Θk+h＝Θk+(Ψk+λkI)‑1×Ωk                     (6) 其中， Θk+h表示多步递归预测策略(k+h)时刻待优化的参数， Θk表示多步递归预测策略 k时刻优化的参数， Ψk表示多步递归预测策略k时刻的拟海森矩阵， λk表示k时刻的学习率， I 表示单位矩阵， Ωk表示多步 递归预测策略k时刻的梯度向量； 步骤1.5、 在一 步直接预测模型的基础上设计多步 直接预测策略， 具体表示 为： 其中， 表示(k+i)时刻的SVI直接预测值； Υk+i表示多步直接预测策略(k+i)时刻待 优化的参数， wk+i表示(k+i)时刻直接预测模型的输出权重向量， wk+i ＝[w1 ,k+i,…,wJ ,k+i]， 表示(k+i)时刻直接预测模型中隐含层的中心向量， 表示第J个隐含层的中心向量， 表示(k+ i)时刻直接预测模型中隐含层的宽度向量， 表示(k+i)时刻第J 个隐含层的宽度向量， 考虑到实际SVI样本采样周期高于相关过程 变量， 只有达 到SVI样本采样周期时， 才 对Υk+h进行优化调整， 具体表示 为： Υk+h＝Υk+(Γk+λkI)‑1×Ξk                     (8) 其中， Υk+h表示多步直接预测策略(k+h)时刻待优化的参数， Υk表示多步直接预测策略 k时刻优化的参 数， Γk表示k时刻多步直接预测策略 的拟海森矩阵， Ξk表示k时刻多步直接预 测策略的梯度向量； 步骤1.6、 设计多步 递归预测 和多步直接预测的融合策略， 具体表示 为： 权　利　要　求　书 2/4 页 3 CN 115392541 A 3