預測污水處理廠放流水水質之研究

研 究 生 : 資源環境研究所 李
成得
學 號 : E09514009

指導教授 ： 吳 春 生 教授
胡 子 陵 教授
林 淑 真 教授
2008/1/5 1
壹、前言
貳、文獻回顧
參、研究方法
肆、預期結果
伍 、 參考文獻

2
壹、 前 言

3
一、研究動機 壹、前言

 以類神經網路 (artificial neural

network ， ANN) 之倒傳遞類神經網路 (back-
propagation network) 來建立一套污水處理廠放
流水水質較適當且精準之 COD 濃度及 SS 濃度預測模式
，並提出污染預警，使污水處理廠放流水水質符合環保
法規標準，保護承受水體與河川，以維護國家自然生態
資源。
 利用主成分分析（ Principle component
analysis ）將污水處理廠生物曝氣槽內未篩選操作
參數因子，由原來變數轉換成新的沒有相關的變數，亦
可用來簡化多變量資料的維度，即降低變數個數，但亦
會喪失部分資訊。其關鍵在「變異數」問題，利用求特
徵值 eigenvalue 及特徵向量 eigenvector 之
方法，其動機係用來檢定與預測。（ Rebecca 4
Su ， 2005 ，統計生活館，）
二、研究目的 壹、前言

 探討污水處理廠活性污泥處理系統操作參數因
子與主成分分析各變數之變異之後，資料經正
規化處理並以線性迴歸方式組合成全新的輸入
變數，再利用類神經網路之倒傳遞類神經網路
預測結果進行比較，判定優化方法。
 本研究採試誤法決定網路隱藏層神經元數，進
行網路效能訓練與測試，並依據網路輸出結果
與目標值間之相關係數（ correlation
corfficient,R ）值，選取最高 R 值之神經
元建構最佳網路，驗證以及預測污水處理廠放
流水水質 COD 濃度及 SS 濃度之準確性，做為
污水處理廠現場工程師監測內容操作改善之依
據。 5
貳、文獻回顧

6
 貳、文獻回顧
一、 Belanche et al.,(1999) 使用類神經
網路以模廠進行放流水 COD 濃度之預測，所使用
之輸入變數包括進流水流量、進流水 COD 濃度、
進流水 BOD 濃度、進流水 TSS 、曝氣槽曝氣量
、迴流流量、廢棄污泥量、放流水 COD 濃度及放
流水 BOD 濃度等，其採用之類神經網路之類型為
時間延遲類神經網路，內含 13 個輸入神經元，
8 個隱藏層神經元及 1 個輸出神經元，其研究結
果顯示，實際值與預測值呈現良好之一致性。

萬騰州等 (1997) 使用類神經網路以活性污

二、萬騰州等， 使用
泥模廠進行放流水 SS 濃度之預測，所使用之輸
入變數包括進流水流量、進流水 COD 濃度等，其
實際值與預測值亦呈現一致性。
7
三、何佳祥等，（ 2002 ）使用類神經網路之倒傳
遞類神經網路及灰色系統理論以實廠之上流式
厭氧污泥床分別進行放流水 COD 濃度之預測，
將實廠之資料分為淡、旺兩季。以 Perason 分
析得知與放流水 COD 濃度相關性較高之參數為
輸入變數，以試誤法透過網路之學習與識別，
決定相關時間區間為 4 階。研究結果顯示，類
神經網路旺季時最佳學習與測試筆數比例為
8:1 ，測試相關係數 R 值達 0.989, 淡季時最佳學
習與測試筆數比例為 5:1 ，測試相關係數 R 值達
0.9 以上 , 灰色系統理論預測旺季時最佳測試資
料筆數為 22 筆，測試相關係數 R 值達 0.901, 淡
季時最佳測試資料筆數為 18 筆，測試相關係數
R 值達 0.913 。

貳、文獻回顧 8
 貳、文獻回顧

四、 Choi et al., （ 2001 ）使用主成份分析作為

倒傳遞類神經網路輸入變數之篩選方式，以活
性污泥系統進行 TKN 濃度之預測，根據主成份分
析將活性污泥系統之眾多參數分成數個因素
析將
（ Components ），以特徵值大於 1 的因素中的因
子負荷量將之線性組合出新的參數，再以新合
成之參數進行倒傳遞類神經網路分析，並與直
接以參數群作為輸入的類神經網路比較，結果
顯示能以較小的輸入項目得到更佳的結果。

9
 貳、文獻回顧
五、黃建源，（ 2000 ）以多變量統計法分析民國
82 年－ 87 年日月潭水庫監測資料，分析日月潭
水庫水質變異之主成份因子與研判污染源，主
成份分析結果顯示日月潭水庫水質變異之
成份分析結果顯示 主成
份因子，分別是總磷、總氮與硝酸鹽氮組成的
「營養鹽供給因子」；透明度與濁度組成的
「混濁因子」及葉綠素與化學需氧量組成的
「有機物供給因子」。

10
 貳、文獻回顧
六、簡家宏，（ 2004 ）使用相關性分析作為倒傳
）使用相關性分析作為
遞類神經網路輸入變數之篩選方式，以空氣品
質監測資料進行 PM10 濃度之預測，選取空氣品
質之間所得相關性高之參數作為輸入變數。
相關性高之參數作為

七、洪明松，（ 2004 ）針對鋼鐵廠之廢水處理廠

進行放流水質 COD 濃度之預測，使用主成份分
析進行網路輸入參數之篩選，以各因素中之因
析進行網路
子負荷量最大的因子作為類神經網路之輸入項
目，其預測結果對整體放流水質 COD 濃度的模
擬吻合性相當高。

11
參、研究方法

12
 參、研究方法

一、網路工具：
1.MATLAB 7.0 軟體是主要應用於工程科學方
面運算之高階程式語言。
2.SPSS 統計軟體 12.0 。
3.Sigmaplot 繪圖軟體。

二、網路隱藏層神經元數目：
輸入神經元數 + 輸出神經元數。

13
 參、研究方法

三、應用數據：
依據案例污水處理廠 2004 年 1 月〜 2007 年 9 月
之水質檢測數據為之，執行訓練數據 959 筆，
測試數據 221 筆，數據資料共計 1180 筆。

四、網路訓練及測試水質因子：
經由活性污泥生物處理單元取得之因子有水
溫、 pH 、透視度、曝氣槽 BOD 、曝氣槽 SS 、
曝氣槽進流量、 MLSS 、 MLVSS 、 SV30 、 SVI 、
迴流污泥 SS 、迴流污泥 VSS 、 F/M 、 HRT(hr) 等
15 個自變數。

14
 蒐集污水處理廠基本資料
五、研究架構 參、研究方法

活性污泥系統參數整理

數據資料正規化處理

建立訓練及測試資料

進行類神經網路架構及修正

未篩選之參數以類 篩選之參數以類神 以時間數列

神經網路 ANN 模式 經網路 ANN 模式訓 MA(q)
訓練及預測 練及預測 模式訓練及預測

最佳模式
15
肆、預期結果

16
一、篩選之參數 肆、預期結果
表一 應用類神經網路預測放流水 COD 濃度訓練及測試結果

隱藏層神經元數 Train-Mse Train-R Test-R  最佳結果

1 0.0363751 0.5494 0.6274

2 0.0317977 0.6242 0.6376
3 0.0300721 0.6502 0.6891
4 0.0263341 0.7032 0.6829
5 0.0306846 0.6411 0.6927
6 0.0233466 0.7429 0.7201
7 0.0216238 0.7648 0.8121
8 0.0224839 0.7540 0.7631
9 0.0203178 0.7810 0.7988
10 0.0194356 0.7918 0.8205
11 0.0176256 0.8134 0.8297
12 0.0143384 0.8513 0.8477
13 0.0153097 0.8403 0.8535
14 0.0266093 0.6995 0.7409
15 0.0124144 0.8728 0.8812 
17
 肆、預期結果
二、經篩選之參數進行主成份分析
經由 KMO 與 Bartlett 檢定，可判定是否適合進行主成份分析
，若 KMO 值低於 0.5 時，表示較不宜進行因素分析 ( 吳明
隆， 1999) 。
本研究中之 KMO 值為 0.710 ( 表 3) ，表示數據適合進行因素
分析。
Kaiser-Meyer-Olkin 取樣適切 .710
性量數。
Bartlett表球形檢定
3-1 KMO近似卡方分
與 Bartlett 檢定 12338.238
配
自由度 105

顯著性 .000

18
 肆、預期結果

轉軸後空間中的成 份圖

1.0
曝氣槽進流量
食微 比
SVI
0.5 曝氣槽 BODi
曝氣槽 pHi SV30
成 曝氣槽 SSi
0.0 MLSS MLVSS
份 曝氣槽 CODi 曝氣槽 透視 度i
2

曝氣槽水 溫
-0.5
曝氣槽 HRT

-1.0
-1.0
-1.0 -0.5
-0.5 0.0
0.0 0.5
0.5 1.0 1.0 3
成份 1 成份

圖七 萃取方法：主成分分析。
旋轉方法：旋轉方法：含 Kaiser 常態化的 Varimax 法。
19
 肆、預期結果
 未篩選之參數應用類神經網路預測放流水
未篩選之參數
COD 濃度訓練及測試結果，由表一可得知
: 廢 ( 污 ) 水經活性污泥生物處理系統之後
，預測放流水 COD 濃度之網路最佳隱藏層
神經元數為 15 個， Train-Mse 值為
0.0124144 ， Train-R 值為 0.8728 ， Test-R
值為 0.8812 。

 篩選之參數應用類神經網路預測放流水
篩選之參數
COD 濃
度訓練及測試結果，由表四可得知 : 廢
( 污 ) 水經
活性污泥生物處理系統之後，預測放流
水 COD 20
 肆、預期結果

 未篩選之參數應用類神經網路預測放流水
未篩選之參數
SS 濃度訓練及測試結果，由表二可得知 :
廢 ( 污 ) 水經活性污泥生物處理單元之後
，預測放流水 SS 濃度之網路最佳隱藏層
神經元數為 14 個， Train-Mse 值為
0.0343010 ， Train-R 值為
0.8312 ， Test-R 值為 0.8595 。 。
 篩選之參數應用類神經網路預測放流水
篩選之參數 SS
濃度訓練及測試結果，由表五可得知 :
廢 ( 污 ) 水經活性污泥生物處理單元之後
，預測放流水 SS 濃度之網路最佳隱藏層
神經元數為 9 個， Train-Mse 值為
0.0617920 ， Train-R 值為 21
 伍、參考文獻
 Pearson ， 1901 所提出主成份分析，再由 Hotelling ， 1933 加以發展的一
種統計方法。
 Rebecca Su ， 2005 ，統計生活
館， http//web.thu.edu.tw/wenwei/www/egi/stat/index.htm 2008/1/4 查看
（ ）。

 萬騰州、施東河、倪榮興，
萬騰州、施東河、倪榮興 1997 ，「污水處理廠水質管理專家系統之研
究」，雲林技術學院學報，第 6 卷，第 2 期， 245-252 頁。
 何佳祥、莊淳元、林玉萍、陳建谷、萬騰州， 萬騰州 2002 ，「應用類神經網路
系統及灰色系統理論於 UASB 廢水處理程序放流水水質之預測」，第 15
屆環境規劃與管理研討會論文，中華民國環境工程學會。

22
 黃建源， 2000 ，「多變量統計方法在日月潭水
庫水質管理之應用」，碩士論文，逢甲大學，土
木及水利工程研究所。
 簡家宏， 2004 ，「應用基因類神經網路於空氣
，「應用基因
品質短期預測及監測資料異常值診斷之研究 - 以
台中縣沙鹿空品測站為例」，碩士論文，
」， 雲林科
技大學，環境與安全工程系。
 洪明松， 2004 ，「工業廢水處理廠放流水質模
擬 - 軟性演算之應用」，碩士論文，朝陽科技大
學，環境工程與管理系。
 葉昭憲，（ 2007 ）數量分析法，國立高雄第一
科技大學環資所簡報。
 湯健文等 (2002) 類神經網路於因果關係模型
湯健文等，
與時間數列模型之應用。

23
 Belanche Llu’is A.,Valde’s J.J.,Comas J.,Roda I.R.,Poch
M.,1999.Towards a Model of input-output Behaviour of
Wastewater Treament Plants Using Soft Computing
Techniques,Environmental Modelling &Software,14:409-419.
 Choi D.J and Park H.,2001.A Hybrid Artificial Neural as A
Software Sensor for Optimal Control of A Wastewater Treatment
Process,Water Research,35:3959-3961.
 Homik K.,Stinchcombe M.,and White H.,1989.Multilayer
Feedforward Networks are Universal Approximators,Neural
Networks,2:359-366.
 Hack M.and Kohne M.,1996. Estimation of Wasterwater
Process Paramenters Using Neural
Networks,Wat.Sci.Tech.,33 （ 1 ） :101-115.

24
 Prybutok V. R.,Yi J.,and Mitchell
D.,2000.Comparison of Neural Network Models
with ARIMAand Regression for Prediction of
Houston’s Daily Maximum Ozone
Concentrations,European Journal ofOperational
Research,122:31-40.

Yi J., and Prybutok V.R., 1996.A Neural

NetworkModel Forecasting for Prediction of
Daily Maximum Ozone Conentration in An
Industrialized Area,Environment Pollution,92
（ 3 ） 349-357.

25
26