采用BP-ANN和改进SVR的进水BOD软测量模型

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。