基于差分进化算法与循环神经网络的MBR膜通量预测

膜生物反应器(Membrane Bio-Reactor, MBR)处理污水是一个复杂的动态过程，难以用数学模型直接建模。针对该问题，本文利用差分进化算法(Differential Evolution Algorithm, DE)优化的循环神经网络(Recurrent Neural Network, RNN)对污水处理过程的膜通量进行预测。首先运用主成分分析法确定影响膜通量的相关过程变量；然后用DE算法优化RNN的初始权值和阈值；最后用训练好的DE-RNN模型进行预测并与样本数据对比。结果显示，该模型对膜通量地预测有着较高的准确率，具有很好的自适应性，达到了预期目标。

随着我国工业的不断发展，水污染问题日益严重[1]。污水的处理与再利用，已成为“十三五”规划中，国家环境保护的重点工作之一[2]。膜生物反应器(MBR)是一种由膜分离单元与生物处理单元相结合的新型态、高效能污水处理系统[3]。膜生物反应器具有污水处理效率高、占地面积小、经济效益高等优点[4]，已广泛应用于城市污水处理、工业污水处理等领域。

在膜生物反应器的使用过程中，膜污染问题不可避免。膜污染会导致污水处理降低，工艺能耗增加， 缩短中空纤维膜构件的使用寿命[5]。正确预测膜通量的大小，从而判断膜污染的程度，及时对膜构件进行清洗、替换，能够提高膜生物反应器的工作效率、能耗比与使用寿命，具有极大的实际意义与应用价值[6]。

在工业生产环境中，衡量膜污染程度的膜通量很难直接测量，需要根据膜生物反应器的其他运行参数进行预测。因为膜生物反应器处理污水是一个复杂的动态过程，各污染因子之间相互交叉相互影响， 利用经典的数学模型难以直接建模并进行精确预测[7]。将人工神经网络用于MBR 污水处理过程仿真， 是近年来进行膜污染预测的新途径[8]。本文采用循环神经网络为算法主体，膜通量变化过程是一个随时间变化的连续过程，循环神经网络对时序变量的预测有着更好的适应性。同时利用差分进化算法对RNN的初始权值和阈值进行优化，可以提高模型的训练效率。研究发现，利用此模型可以准确地预测膜生物反应器的膜通量。

2. RNN 神经网络(Recurrent Neural Networks) 循环神经网络(Recurrent Neural Network, RNN)是一类以序列数据作为输入变量，在序列的演进方向进行递归运算且所有节点(循环单元)按链式连接的递归神经网络[9]。RNN 在20 世纪90 年代提出，经过不断的发展与优化，在21 世纪初成为深度学习的核心算法之一。

循环神经网络具有记忆性、参数共享性，因此在对序列的非线性特征进行学习时具有一定优势，其简单结构如图1 所示。其中x 是一个向量，它代表输入层的值；s 是一个向量，它代表隐藏层的值；o 是