1.一种基于极限学习机的污水处理过程预测控制方法，其特征在于包括两个部分，一部分为极限学习机回归算法建立污水处理过程模型，另一部分是基于极限学习机的模型预测控制及更新算法，极限学习机回归算法建立污水处理过程模型如下：采用两个控制量内回流量Qa、氧传递系数kLa,5,缺氧池入水组分Za和好氧池入水组分Zo作为输入变量，出水硝态氮浓度SNO,2和溶解氧SO,5作为模型输出，由输入输出构建训练样本集；

Step1：采集污水过程输入变量和输出变量的实时数据，将这些数据进行归一化处理；

Step2：确定网络的基本结构和参数，确定隐含层神经元个数，初始化隐层节点个数，然后不断增加隐层节点个数，但隐层节个数小于训练数据个数，训练和测试在不同隐层节点下的ELM网络，输出训练和测试误差，训练误差和测试误差相加，误差之和为最小值时的隐含节点个数L值即确定为该网络的隐含层神经元个数；

Step3：激励函数选取sigmoid函数，并随机生成输入权值ω和偏置b，输入权值ω和偏置b的范围都为[-1,1]，计算隐层输出矩阵H0其中X1～XN0为网络输入训练数据

Qa为内回流量，kLa,5为氧传递系数，Za为缺氧池入水组分，Zo为好氧池入水组分，N0为初始训练数据个数,L为隐含层神经元个数；

Step4:计算出输出权值β；

β＝P0H0TT0

其中P0＝(H0TH0)-1，T0为网络初始输出训练矩阵，即期望输出值；

其中SNO,2为硝态氮浓度，SO,5为溶解氧浓度；

Step5:利用上述确定好的极限学习机回归网络实时预测模型的预测输出值ym(k+j)；

基于极限学习机的模型预测控制及更新算法：

将系统前一时刻的实时输出与此时的模型预测输出存在偏差在线校正：yp(k+j)＝ym(k+j)+h[y(k+j-1)-ym(k+j-1)]                    (1)式(1)中h为修正系数；设系统第k步yr(k+j)和在线校正输出yp(k+j/k)的偏差为：e(k+j)＝yr(k+j)-yp(k+j/k)                                 (2)j＝1,2,...,M为预测步长，优化控制器的任务是使用优化算法获得如式(3)所示的目标函数的最小值：并且需要满足系统的控制约束和输出约束：

式(3)中，Δu(k+j-1)为j步后的控制增量，np为最大预测长度；nu为控制长度；min、max分别表示相应变量最小值和最大值；λ为控制加权系数；yr(k+j)为经过柔化的参考曲线：式(5)中，E为单位矩阵，Tr为参考轨迹时间常数；TS为采样时间；yd为设定值向量，SNO,2(k-1)、SO,5(k-1)，为硝态氮、溶解氧在k-1时刻的采样值，yd,NO为硝态氮SNO,2的给定，yd,O为溶解氧SO,5的给定，α为滤波常数矩阵；j＝1,2,…,np；

对应式(3)最小值的未来控制量为：

u(k+j)＝(u1(k+j),u2(k+j),…,ul(k+j))T                         (6)式(6)中，j＝1,2,...,nu，l为控制量的维数；

优化控制方法包括以下步骤：

Step1：采集污水过程实时数据，通过标准的ELM算法离线获得包含污水过程溶解氧和硝态氮系统模型，并在过程控制器中编程实现；

Step2：采集过程实时数据，根据上一时刻的硝态氮浓度SNO,2(k-1)、上一时刻的溶解氧浓度SO,5(k-1)采样值与模型预测值计算误差进行反馈校正得到校正后的的输出yp(k)；

Step3：根据上一时刻的硝态氮浓度SNO,2(k-1)、上一时刻的溶解氧浓度SO,5(k-1)和给定yd计算k时刻的参考值yr(k)，计算公式如式(5)所示；

Step4：利用公式(3)输出控制量最优解，令k＝k+1，进入下一采样时刻；如果更新间隔时间到，将最新采集的污水过程数据加入到训练集中，将相同时间长度的最老数据从训练集删除，新采集的数据通过ELM训练算法更新污水过程预测模型。