CN106371316B - 基于pso‑lssvm的水岛加药在线控制方法 - Google Patents
基于pso‑lssvm的水岛加药在线控制方法 Download PDFInfo
- Publication number
- CN106371316B CN106371316B CN201610942354.7A CN201610942354A CN106371316B CN 106371316 B CN106371316 B CN 106371316B CN 201610942354 A CN201610942354 A CN 201610942354A CN 106371316 B CN106371316 B CN 106371316B
- Authority
- CN
- China
- Prior art keywords
- lssvm
- parameter
- mrow
- water
- models
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于PSO‑LSSVM的水岛加药在线控制方法和装置。该方法包括：获取出水指标符合要求的、来水监测指标的M组历史参数值，以及对应于每组历史参数值的加药剂的历史加药量；基于最小二乘支持向量机建立在线控制LSSVM模型，其中，历史参数值为LSSVM模型的输入向量，历史加药量为LSSVM模型的输出向量；对LSSVM模型执行PSO算法，求解LSSVM模型中的参数的最优解；将求解得到的最优解输入LSSVM模型，得到水岛的加药模型；实时监测来水监测指标以得到一组实时参数值；以及将实时参数值输入水岛的加药模型，以确定当前时刻加药剂的加药量。通过本发明的方法，能够克服来水水质对运行过程的影响，实时更新加药量，减少药剂浪费、降低成本。
Description
技术领域
本发明属于火电厂水处理技术领域，具体涉及一种基于PSO-LSSVM的水岛加药在线控制方法和装置，可用于自动控制加药量。
背景技术
火力发电厂简称火电厂，是利用煤、石油、天然气作为燃料生产电能的工厂，它的基本生产过程是：燃料在锅炉中燃烧加热水产生蒸汽，将燃料的化学能转变成热能，然后由蒸汽压力推动汽轮机旋转，将热能转换成机械能，最后汽轮机带动发电机旋转，将机械能转变成电能。
在现代300MW以上的火力发电厂中，水处理系统基本实现了DCS自动化控制系统。水处理系统包括凝结水加氨处理，给水加氨、加联氨处理，加氯处理，气泡炉的加磷酸盐处理等，由于来水的水量、水质成分差异较大，而且水中不同成分之间会发生多种反应，尤其强酸强碱中和过程具有复杂的非线性特性。
为了减少来水水质对火电厂正常运行的影响，会通过添加药剂进行调节。目前水处理系统通常根据处理完的出水水质来判断药剂添加量的多少，进而反复调试至满足要求，浪费了大量的时间和人工，具有明显的滞后性；其次加药剂的添加量一旦确定后，基本属于长期恒定状态，不但造成药品的无形浪费，而且由于来水水质的时变特性，出水指标无法满足用户的实时要求。
综上所述，针对现有技术中存在的上述问题，目前尚未提出有效的解决方案。
发明内容
为解决上述问题，本发明的目的在于提供一种基于PSO-LSSVM的水岛加药在线控制方法和装置，以解决目前火电厂水处理过程中加药量确定方法工作效率低、药品浪费和无法满足出水达标要求的问题。
依据本发明的一个方面，提供了一种基于PSO-LSSVM的水岛加药在线控制方法，该方法包括：获取出水指标符合要求的、来水监测指标的M组历史参数值，以及对应于每组所述历史参数值的加药剂的历史加药量，其中，所述来水监测指标包括多个指标，每组所述历史参数值包括所述多个指标的参数值；基于最小二乘支持向量机建立在线控制LSSVM模型，其中，所述历史参数值为所述LSSVM模型的输入向量，所述历史加药量为所述LSSVM模型的输出向量；对所述LSSVM模型执行PSO算法，求解所述LSSVM模型中的参数的最优解；将求解得到的所述最优解输入所述LSSVM模型，得到水岛的加药模型；实时监测所述来水监测指标以得到一组实时参数值；以及将所述实时参数值输入所述水岛的加药模型，以确定当前时刻所述加药剂的加药量。
进一步地，基于最小二乘支持向量机建立在线控制LSSVM模型的步骤具体包括：设置所述LSSVM模型的输入向量为所述来水监测指标的数字信号的时间序列xi，设置所述LSSVM模型的输出向量为对应于所述时间序列xi的加药剂的历史加药量的时间序列yi，其中，i＝1，2，...，N，N＜M；将由所述时间序列xi和所述时间序列yi构成的时间序列集(xi，yi)采用非线性映射执行向高维空间的映射，并构造所述LSSVM模型的函数为其中，i＝1，2，...，N，xi∈Rq，yi∈R，q为所述来水监测指标中指标的个数，w为权向量，b为常数；根据结构风险最小化方法确定所述LSSVM模型的参数w和b，结构风险的计算式为其中，C为正规化参数，Remp为损失函数，ξi为所述LSSVM模型对所述时间序列集(xi，yi)的预测误差，确定LSSVM模型的目标函数为约束条件为其中，ξ≥0，C＞0，i＝1，2，...，N；确定所述LSSVM模型的核函数为径向基函数其中，σ＞0；建立所述LSSVM模型为其中，αi＝[α1，α2，....，αN]为拉格朗日乘子，αi和b通过以下线性方程求解：
进一步地，对所述LSSVM模型执行PSO算法，求解所述LSSVM模型中的参数的最优解的步骤包括：步骤A：设定PSO算法的参数，确定初始种群规模G、搜索空间为D维、全局迭代次数、惯性权重系数w，决策变量离子速度[Vmin，Vmax]、正规化参数[Cmin，Cmax]和核参数[σmin，σmax]，其中，Vmin为离子速度最小值，Vmax为离子速度最大值，Cmin为正规化参数最小值，Cmax为正规化参数最大值，σmin为核参数最小值，σmax为核参数最大值，Xj＝(xj1，xj2，...，xjD)，速度表示为向量Vj＝(vj1，vj2，...，vjD)，历史最优位置表示为QVj＝(qj1，qj2，...，qjD)；步骤B：令迭代次数为1，对所述离子速度V、所述正规化参数C和所述核参数σ初始化后进行二进制编码，基于混沌理论产生G组初始种群、初始位置向量与初始速度向量；步骤C：采用下述循环步骤，确定所述离子速度V、所述正规化参数C和所述核参数σ的最优解：步骤C1：根据适应度函数计算种群中各个体的适应度函数值，其中，初始种群的个体极值为全局极值为其中，Pj 1表示第1次迭代第j个粒子极值；步骤C2：分别利用和更新粒子当前的速度和位置，并且保证 其中，B1和B2为加速因子，r1和r2为[0，1]范围之间的随机数，w为权重，表示第t次迭代第j个粒子第n决策变量的飞行速度，表示第t次迭代第j个粒子第n决策变量位置，表示第j个粒子第n决策变量的历史最优位置，qgn表示第n决策变量的历史全局最优位置；步骤C3：根据更新当前个体至最优pbest，同时根据更新群体至最优gbest，其中，t表示第t代循环，Xj t、Xj t+1分别表示第t、t+1次迭代第j个粒子，表示第t、t+1次迭代第j个粒子适应度函数值；步骤C4：令迭代次数加1，判断当前迭代次数是否达到全局迭代次数，若达到，则输出最优个体，结束步骤C，若未达到，则返回步骤C1。
进一步地，所述适应度函数为 为以所述时间序列集(xi，yi)中第i组数据作为所述LSSVM模型的输入向量计算得到的计算机模拟值，为所述时间序列集(xi，yi)中yi的平均值。
进一步地，求解所述LSSVM模型中的参数的最优解的步骤还包括：步骤D：将求解得到的所述最优解作为所述LSSVM模型的参数，将所述来水监测指标的数字信号的时间序列xp输入所述LSSVM模型，得到对应于所述时间序列xp的加药剂的模拟加药量的时间序列其中，p＝N+1，N+2，...，M；步骤E：根据对应于所述时间序列xp的加药剂的历史加药量的时间序列yp和所述时间序列计算所述LSSVM模型的一致性指标；步骤F：判断所述一致性指标是否大于预设指标值，若大于，则结束求解所述LSSVM模型中的参数的最优解的步骤，若不大于，则返回步骤A。
进一步地，所述步骤C2中B1＝B2＝2，r1和r2服从正态分布。
进一步地，步骤B具体包括：步骤B1，随机选取D个[0，1]范围值构成初始序列ε0＝(ε01，ε02，...，ε0D)，通过Logistic映射εj+ln＝μεjn(1-εjn)，得到G个轨迹不同的混沌序列εj，其中εn，0为初始参数，εjn∈(0，1)，μ∈(0，4)，n＝1，2，...，D，j＝1，2，...，G-1；步骤B2，定义Xmin，Xmax：Xmin＝[Vmin，Cmin，σmin]；Xmax＝[Vmax，Cmax，σmax]；步骤B3，将所述混沌序列按Xjn＝Xn，min+(Xn，max-Xn，min)εjn放大各参数的取值范围，得到G个代表LSSVM模型参数序列构成初始种群：(X1，1，X1，2，...，X1，D)，(X2，1，X2，2，...，X2，D)，......，(XG，1，XG，2，...，XG，D)，其中，Xjn为第j个粒子的第n个决策变量值，Xn，max为第n个决策变量的最大值，Xn，min为第n个决策变量的最小值。
进一步地，步骤B1中εn，0不包括0，0.25，0.5，0.75和1。
进一步地，所述来水监测指标包括水流量、PH值、浊度值、氯离子含量和氨氮含量，所述加药剂为硫酸、氢氧化钠、杀菌剂、助凝剂、混凝剂或还原剂。
依据本发明的另一个方面，提供了一种基于PSO-LSSVM的水岛加药在线控制装置，该装置包括：历史数据获取模块，用于获取出水指标符合要求的、来水监测指标的M组历史参数值，以及对应于每组所述历史参数值的加药剂的历史加药量，其中，所述来水监测指标包括多个指标，每组所述历史参数值包括所述多个指标的参数值；模型建立模块，用于基于最小二乘支持向量机建立在线控制LSSVM模型，其中，所述历史参数值为所述LSSVM模型的输入向量，所述历史加药量为所述LSSVM模型的输出向量；参数优化模块，用于对对所述LSSVM模型执行PSO算法，求解所述LSSVM模型中的参数的最优解，并将求解得到的所述最优解输入所述LSSVM模型，得到水岛的加药模型；实时监测模块，用于实时监测所述来水监测指标的一组实时参数值；以及加药量控制模块，用于将所述实时参数值输入所述水岛的加药模型，以确定当前时刻所述加药剂的加药量。
通过本发明的方案，利用历史来水监测指标和加药量的数据建立水岛的加药模型，其中采用最小二乘支持向量机建立模型，并通过PSO算法确定模型的参数，利用了PSO算法克服了参数的选取的“盲目性”以及采用试凑法或遍历优化进行参数选择时而未必能找到全局最优解的问题，得到更好的最小二乘支持向量机参数，采用该模型进行加药量的确定，克服了来水水质时变特性对运行过程造成的不利影响，并且能够根据当前水质情况实时动态更新最优加药量，实现了加药过程的在线控制，减少了药剂的浪费、降低了人工和运行成本，实时满足出水的水质要求。
附图说明
图1是本发明实施例一提供的基于PSO-LSSVM的水岛加药在线控制方法的流程图；
图2是本发明实施例二提供的基于PSO-LSSVM的水岛加药在线控制方法中步骤3的流程图；
图3至图7分别是本发明实施例二提供的来水监测指标中PH值、来水流量、来水浊度、氯离子含量和氨氮含量的变化曲线图；
图8是本发明实施例二提供的硫酸的加药量的实际-拟合曲线图；
图9是本发明实施例二提供的硫酸的加药量的实际-预测曲线图；以及
图10是本发明实施例三提供的基于PSO-LSSVM的水岛加药在线控制装置的框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚。下面将对本发明的技术方案进行清楚完整的描述，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明的实施例，本领域的普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
在介绍本申请实施例之前，首先就本申请中使用的方法说明如下：
支持向量机(Support Vector Machine，SVM)是Corinna Cortes和Vapnik等提出的一种解决小样本、非线性及高维数问题的学习方法，具有坚实的理论基础，能够较好地克服神经网络方法固有的局部极小、过学习以及结构和类型的选择过分依赖经验等缺陷。最小二乘支持向量机(LSSVM)是经典SVM的一种改进，以等式约束代替标准SVM算法中的不等式约束，并将误差平方和损失函数作为训练集的经验损失，并求解二次规划问题转化为求解线性方程组问题，提高了求解的速度和收敛精度。
1995年Kennedy和Eberhart提出了粒子群优化算法(PSO)，源于对鸟群捕食的行为研究。该算法的基本思想是，种群中的每个粒子都有两个状态属性，即粒子飞行速度和位置，粒子根据自己的飞行速度在搜索空间中运动，同时每个粒子都有一个由目标函数决定的适应度值，并且知道目前为止自己搜索到的历史最优位置。每个粒子的寻优过程就是根据自己的历史最优位置和周围其它个体的历史最优位置来更新自己的位置和速度，从而使全体粒子趋向全局最优解的聚集过程。
实施例一
参照图1，示出了一种基于PSO-LSSVM的水岛加药在线控制方法的实施例，该实施例针对目前火电厂水处理加药系统具有明显的滞后性以及恒定性，结合LSSVM非线性时间序列预测以及PSO参数优选的特性，选择历史出水指标符合要求的对应时段的来水监测指标以及加药量为样本，利用LSSVM模型进行样本训练，并应用PSO算法进行LSSVM模型参数的优选，最终得到水岛的加药模型，通过该模型实现智能动态实时加药，该实施例的方法具体包括如下的步骤S102至步骤S112。
步骤S102：获取出水指标符合要求的、来水监测指标的M组历史参数值，以及对应于每组历史参数值的加药剂的历史加药量。
来水监测指标是指水岛进水时的监测指标，优选包括来水流量、PH值、浊度值、氯离子含量和氨氮含量等多个指标；加药剂的种类包括硫酸、氢氧化钠、杀菌剂、助凝剂、混凝剂或还原剂等。
在火电厂水处理加药系统的历史数据中，筛选出出水指标符合要求时段的数据，包括该时段中每个时间点的来水监测指标中各个指标的参数值，以及每个时间点的加药剂的加药量。
其中，来水监测指标的一组历史参数值中包括各个指标的参数值，共获取M组历史参数值。
步骤S104：基于最小二乘支持向量机建立在线控制LSSVM模型，其中，历史参数值为LSSVM模型的输入向量，历史加药量为LSSVM模型的输出向量。
在该步骤中，通过最小二乘支持向量机理论建立一种在线控制LSSVM模型，将上述M组历史参数值中的部分或全部作为该模型的输入向量，相应地，将对应于作为输入向量的历史参数值的历史加药量作为模型的输出向量，得到一种在线控制LSSVM模型。
步骤S106：对LSSVM模型执行PSO算法，求解LSSVM模型中的参数的最优解。
对上述步骤S104得到的模型执行PSO算法，实现LSSVM模型中的参数的全局寻优，最终可得到LSSVM模型中的参数的最优解。
步骤S108：将求解得到的最优解输入LSSVM模型，得到水岛的加药模型。
步骤S110：实时监测来水监测指标的实时参数值。
步骤S112：将实时参数值输入水岛的加药模型，以确定当前时刻加药剂的加药量。
在通过上述步骤得到水岛的加药模型之后，针对实时监测到的来水监测指标的参数值，只需将其输入至加药模型，即可得到当前时刻加药剂的加药量，实现了加药过程的在线控制，能够根据当前水质情况实时更新最优加药量，克服了来水水质时变特性对运行过程造成的不利影响，减少了药剂的浪费、降低了人工和运行成本，实时满足出水的水质要求。同时，在该模型的建立过程中，采用最小二乘支持向量机建立模型，并通过PSO进行LSSVM参数率定，克服了参数的选取的“盲目性”以及采用试凑法或遍历优化进行参数选择费时而未必能找到全局最优解的问题，得到更好的最小二乘支持向量机参数。
实施例二
该实施例示出了一种在上述实施例一的基础上的优选实施例，该实施例中提供的基于PSO-LSSVM的水岛加药在线控制方法，针对目前对火电厂水处理生产过程仅仅依靠经验和传统加药模型难以保证加药量的在线优化分析，以及PSO算法陷入局部最优的问题，利用混沌理论生成初始种群，提高初始种群的遍历性、随机性以及多样性，可以避免PSO随机初始种群质量差以及集中在某些局部区域以致算法陷入局部最优的问题，将PSO引用到LSSVM之中训练样本确定最优参数，实现智能化动态水处理加药。具体说明如下：
步骤1，获取出水指标符合要求的M组历史来水监测指标的数字信号及其对应加药剂的加药量，确定数字化水岛的PSO-LSSVM加药模型的输入向量和输出向量，其中，样本数为M，训练集的样本数为N，测试集的样本数为M-N。其中，来水监测指标包括来水流量、PH值、浊度值、氯离子含量、氨氮含量，加药剂种类包括硫酸、氢氧化钠、杀菌剂、助凝剂、混凝剂、还原剂等。来水监测指标中的五个指标参数均作为模型的输入向量，输出向量是其中一种加药剂的加药量，每种加药剂的加药量均可采用该实施例的方法来控制。
步骤2，基于支持向量机建立加药量和来水监测指标的在线控制LSSVM模型其中，K(xi，yi)为核函数，b为常数，αi为拉格朗日乘子，i＝1，2，...，N，其中，N＜M。该步骤具体包括：
步骤21，将来水监测指标的数字信号的时间序列xi作为模型输入向量，并将数字信号对应的历史加药量的时间序列yi作为模型的输出向量，其中，i＝1，2，...，N。
步骤22，将时间序列集(xi，yi)采用非线性映射执行向高维空间的映射，并构造在线控制LSSVM模型的函数其中，i＝1，2，...，N，xi∈Rq，yi∈R，q为来水监测指标中指标的个数，在该实施例中，q＝5，w为权向量，b为常数。
步骤23，根据结构风险最小化方法确定LSSVM模型的参数w和b，结构风险的计算式为其中，C为正规化参数，Remp为损失函数，ζi为SVM模型对训练样本的预测误差，确定LSSVM模型的目标函数和约束条件其中，ξ≥0，C＞0，i＝1，2，...，N，其中，需要说明的是，按照本领域技术人员的公知常识，s·t·也即约束条件的意义表达。
步骤24，引入径向基RBF核函数其中，σ＞0。
步骤25，建立在线控制LSSVM模型为其中，αi＝[α1，α2，....，αN]为拉格朗日乘子，αi和b通过以下线性方程求解：
步骤3，对在线控制LSSVM模型执行PSO算法，对LSSVM模型中的离子速度V、正规化参数C和核参数σ进行全局寻优，得到各参数的最优解，并将最优参数输入步骤2中的LSSVM模型，得到数字化水岛的PSO-LSSVM加药模型。如图2所示，该步骤3具体包括：
步骤31，设定PSO算法的参数，确定初始种群规模G，搜索空间为D维，全局迭代次数MAXGEN，惯性权重系数w，决策变量离子速度[Vmin，Vmax]、正规化参数[Cmin，Cmax]和核参数[σmin，σmax]，其中，Vmin为离子速度最小值，Vmax为离子速度最大值，Cmin为正规化参数最小值，Cmax为正规化参数最大值，σmin为核参数最小值，σmax为核参数最大值，定义第j个粒子位置表示为向量Xj＝(xj1，xj2，...，xjD)，速度表示为向量Vj＝(vj1，vj2，...，vjD)，历史最优位置表示为QVj＝(qj1，qj2，...，qjD)。
步骤32，令GEN＝1，初始化所述离子速度V、正规化参数C和核参数σ，并对这些参数进行二进制编码，基于混沌理论产生G组初始种群，包括初始位置向量与初始速度向量。具体包括：
步骤S1，随机选取D个[0，1]范围值构成初始序列ε0＝(ε01，ε02，...，ε0D)，通过Logistic映射εj+1n＝μεjn(1-εjn)，得到G个轨迹不同的混沌序列εj，其中εn，0为初始参数(选取的初始值不包括0，0.25，0.5，0.75和1这5个值)，εin∈(0，1)，μ∈(0，4)为控制参数，n＝1，2，...，D，j＝1，2，...，G-1；
步骤S2，定义Xmin，Xmax：
Xmin＝[Vmin，Cmin，σmin]；Xmax＝[Vmax，Cmax，σmax]；
步骤S3，将混沌序列按Xjn＝Xn，min+(Xn，max-Xn，min)εjn放大各参数的取值范围，得到G个代表LSSVM模型参数序列构成初始种群：
(X1，1，X1，2，...，X1，D)，(X2，1，X2，2，...，X2，D)，......，(XG，1，XG，2，...，XG，D)
其中，Xjn为第j个粒子的第n个决策变量值，Xn，max为第n个决策变量的最大值，Xn，min为第n个决策变量的最小值，n＝1，2，...，D，j＝1，2，...，G-1。
步骤33，将种群送入所述PSO-LSSVM模型进行训练，根据适应度函数计算种群中各个体的适应度函数值，其中，所述LSSVM模型在训练样本集上的一致性指标A1为适应度函数yi为第i个训练样本值，为第i个计算机模拟值，为训练样本平均值，i＝1，2，…N。设置初始种群的个体极值为全局极值为其中，Pj 1表示第1次迭代第j个粒子极值。
步骤34，分别利用和更新粒子当前的速度和位置，并且保证
其中，B1和B2为加速因子，B1是用来调节粒子飞向其最优位置的步长，B2是用来调节粒子飞向整个群体最优位置的步长；r1和r2为[0，1]范围之间的随机数；w为权重；表示第t次迭代第j个粒子第n决策变量的飞行速度；表示第t次迭代第j个粒子第n决策变量位置；表示第j个粒子第n决策变量的历史最优位置；qgn表示第n决策变量的历史全局最优位置。
步骤35，根据更新当前个体至最优pbest，同时根据更新群体至最优gbest，其中t表示第t代循环，Xj t、Xj t+1分别表示第t、t+1次迭代第j个粒子，f(Xj t)、f(Xj t+1)表示第t、t+1次迭代第j个粒子适应性函数值。
步骤36，令GEN＝GEN+1，判断当前迭代次数GEN是否达到全局迭代次数MAXGEN，若GEN＝MAXGEN，则输出最优个体，进行步骤37，否则返回步骤33；
步骤37，将最优参数输入所述LSSVM模型，利用测试样本集对数据进行参数验证，也即，将所述来水监测指标的数字信号的时间序列xp输入所述LSSVM模型，得到对应于所述时间序列xp的加药剂的模拟加药量的时间序列其中，p＝N+1，N+2，...，M，并计算测试样本集的一致性指标A2：
若A2＞0.75，则输出最优参数，否则转入进入32。
步骤4，将实时监测得到的来水监测指标作为输入向量输入数字化水岛PSO-LSSVM加药模型，确定当前时刻的最优加药量。
在一种具体应用中，采用上述实施例的方法，对火电厂水处理加药量进行预测，该厂的来水监测指标包括来水流量、PH值、浊度值、氯离子含量和氨氮含量，选取2014年10月11日～2015年7月24日之间水处理系统来水的5个监测指标的时间序列作为PSO-LSSVM加药模型的输入变量，该时段内硫酸的加药量的时间序列作为PSO-LSSVM加药模型的输出变量。其中，PH值、来水流量、来水浊度、氯离子含量和氨氮含量的变化曲线如图3、图4、图5、图6和图7所示。
采用上述实施例的方法进行计算，首先通过PSO算法寻优得到模型的最优参数为：C＝41.475，ξ＝1.164。将这些最优参数输入PSO-LSSVM加药模型对上述时间段的数据进行学习训练，并对计算得到输出向量进行拟合，其中，训练集模型拟合的一致性系数A1＝0.887，测试集模型拟合的一致性系数A2＝0.869，得到硫酸加药量的实际——拟合曲线，如图8所示。
采用该水岛2015年7月25日～2015年8月25日的来水的监测指标作为模型的输入变量，输入上述建立的PSO-LSSVM加药模型，求解硫酸的最优加药量，得到预测一致性系数A＝0.773，得到该时段内硫酸的加药量的实际——预测曲线，如图9所示。如图8、图9所示以及拟合预测的一致性系数可以看出PSO-LSSVM加药模型的拟合精度较高，而且具有较好的泛化能力。
其他药剂如氢氧化钠、杀菌剂、助凝剂、混凝剂、还原剂等的最佳加药量的计算均可根据本实施例的方法来计算得到。
实施例三
如图10所示，该实施例提供了一种基于PSO-LSSVM的水岛加药在线控制装置，该控制装置应用于火电厂的水处理系统中，具体包括历史数据获取模块10、模型建立模块20、参数优化模块30、实时监测模块40和加药量控制模块50。
其中，历史数据获取模块10用于获取出水指标符合要求的、来水监测指标的M组历史参数值，以及对应于每组历史参数值的加药剂的历史加药量，其中，来水监测指标包括多个指标，每组历史参数值包括多个指标的参数值；模型建立模块20用于基于最小二乘支持向量机建立在线控制LSSVM模型，其中，历史参数值为LSSVM模型的输入向量，历史加药量为LSSVM模型的输出向量；参数优化模块30用于对LSSVM模型执行PSO算法，求解LSSVM模型中的参数的最优解，并将求解得到的最优解输入LSSVM模型，得到水岛的加药模型；实时监测模块40用于实时监测来水监测指标的一组实时参数值；以及加药量控制模块50用于将实时参数值输入水岛的加药模型，以确定当前时刻加药剂的加药量。
优选地，模型建立模块20在建立在线控制LSSVM模型时，执行具体步骤包括：设置LSSVM模型的输入向量为来水监测指标的数字信号的时间序列xi，设置LSSVM模型的输出向量为对应于时间序列xi的加药剂的历史加药量的时间序列yi，其中，i＝1，2，...，N，N＜M；将由时间序列xi和时间序列yi构成的时间序列集(xi，yi)采用非线性映射执行向高维空间的映射，并构造LSSVM模型的函数为其中，i＝1，2，...，N，xi∈Rq，yi∈R，q为来水监测指标中指标的个数，w为权向量，b为常数；根据结构风险最小化方法确定LSSVM模型的参数w和b，结构风险的计算式为其中，C为正规化参数，Remp为损失函数，ξi为LSSVM模型对时间序列集(xi，yi)的预测误差，确定LSSVM模型的目标函数为 约束条件为其中，ξ≥0，C＞0，i＝1，2，...，N；确定LSSVM模型的核函数为径向基函数其中，σ＞0；建立LSSVM模型为其中，αi＝[α1，α2，....，αN]为拉格朗日乘子，αi和b通过以下线性方程求解：
优选地，参数优化模块30在求解LSSVM模型中的参数的最优解时，执行的步骤具体包括：步骤A：设定PSO算法的参数，确定初始种群规模G、搜索空间为D维、全局迭代次数、惯性权重系数w，决策变量离子速度[Vmin，Vmax]、正规化参数[Cmin，Cmax]和核参数[σmin，σmax]，其中，Vmin为离子速度最小值，Vmax为离子速度最大值，Cmin为正规化参数最小值，Cmax为正规化参数最大值，σmin为核参数最小值，σmax为核参数最大值，Xj＝(xj1，xj2，...，xjD)，速度表示为向量Vj＝(vj1，vj2，...，vjD)，历史最优位置表示为QVj＝(qj1，qj2，...，qjD)；步骤B：令迭代次数为1，对离子速度V、正规化参数C和核参数σ初始化后进行二进制编码，基于混沌理论产生G组初始种群、初始位置向量与初始速度向量；步骤C：采用下述循环步骤，确定离子速度V、正规化参数C和核参数σ的最优解：步骤C1：根据适应度函数计算种群中各个体的适应度函数值，其中，初始种群的个体极值为全局极值为 其中，Pj 1表示第1次迭代第j个粒子极值；步骤C2：分别利用和更新粒子当前的速度和位置，并且保证 其中，B1和B2为加速因子，r1和r2为[0，1]范围之间的随机数，w为权重，表示第t次迭代第j个粒子第n决策变量的飞行速度，表示第t次迭代第j个粒子第n决策变量位置，表示第j个粒子第n决策变量的历史最优位置，qgn表示第n决策变量的历史全局最优位置；步骤C3：根据更新当前个体至最优pbest，同时根据更新群体至最优gbest，其中，t表示第t代循环，Xj t、Xj t+1分别表示第t、t+1次迭代第j个粒子，f(Xj t)、f(Xj t+1)表示第t、t+1次迭代第j个粒子适应度函数值；步骤C4：令迭代次数加1，判断当前迭代次数是否达到全局迭代次数，若达到，则输出最优个体，结束步骤C，若未达到，则返回步骤C1。
优选地，在上述步骤C1中，适应度函数为 为以时间序列集(xi，yi)中第i组数据作为LSSVM模型的输入向量计算得到的计算机模拟值，为时间序列集(xi，yi)中yi的平均值。
优选地，参数优化模块30在求解LSSVM模型中的参数的最优解时，执行的步骤具体还包括：步骤D：将求解得到的最优解作为LSSVM模型的参数，将来水监测指标的数字信号的时间序列xp输入LSSVM模型，得到对应于时间序列xp的加药剂的模拟加药量的时间序列其中，p＝N+1，N+2，...，M；步骤E：根据对应于时间序列xp的加药剂的历史加药量的时间序列yp和时间序列计算LSSVM模型的一致性指标；步骤F：判断一致性指标是否大于预设指标值，若大于，则结束求解LSSVM模型中的参数的最优解的步骤，若不大于，则返回步骤A。
优选地，在步骤C2中，B1＝B2＝2，r1和r2服从正态分布。
优选地，参数优化模块30在初始化LSSVM模型的参数，并基于混沌理论产生G组初始种群时，具体执行的步骤包括：步骤B1，随机选取D个[0，1]范围值构成初始序列ε0＝(ε01，ε02，...，ε0D)，通过Logistic映射εj+1n＝μεjn(1-εjn)，得到G个轨迹不同的混沌序列εj，其中εn，0为初始参数，εjn∈(0，1)，μ∈(0，4)，n＝1，2，...，D，j＝1，2，...，G-1；步骤B2，定义Xmin，Xmax：Xmin＝[Vmin，Cmin，σmin]；Xmax＝[Vmax，Cmax，σmax]；步骤B3，将混沌序列按Xjn＝Xn，min+(Xn，max-Xn，min)εjn放大各参数的取值范围，得到G个代表LSSVM模型参数序列构成初始种群：(X1，1，X1，2，...，X1，D)，(X2，1，X2，2，...，X2，D)，......，(XG，1，XG，2，...，XG，D)，其中，Xjn为第j个粒子的第n个决策变量值，Xn，max为第n个决策变量的最大值，Xn，min为第n个决策变量的最小值。
优选地，在上述步骤B1中，εn，0不包括0，0.25，0.5，0.75和1。
优选地，来水监测指标包括水流量、PH值、浊度值、氯离子含量和氨氮含量，加药剂为硫酸、氢氧化钠、杀菌剂、助凝剂、混凝剂或还原剂。
对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域的技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为根据本发明，某些步骤可以采用其他顺去或同时执行；其次，本领域技术人员也应该知悉，上述方法实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
对于前述的各装置实施例，为了简单描述，故将其都表述为一系列的模块组合，但是本领域的技术人员应该知悉，本发明并不受所描述的模块组合的限制，因为根据本发明，某些模块可以采用其他模块执行；其次，本领域技术人员也应该知悉，上述装置实施例均属于优选实施例，所涉及的模块并不一定是本发明所必须的。本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上对本发明所提供的一种基于PSO-LSSVM的水岛加药在线控制方法和装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于PSO-LSSVM的水岛加药在线控制方法，其特征在于，包括：
获取出水指标符合要求的、来水监测指标的M组历史参数值，以及对应于每组所述历史参数值的加药剂的历史加药量，其中，所述来水监测指标包括多个指标，每组所述历史参数值包括所述多个指标的参数值；
基于最小二乘支持向量机建立在线控制LSSVM模型，其中，所述历史参数值为所述LSSVM模型的输入向量，所述历史加药量为所述LSSVM模型的输出向量；
对所述LSSVM模型执行PSO算法，求解所述LSSVM模型中的参数的最优解；
将求解得到的所述最优解输入所述LSSVM模型，得到水岛的加药模型；
实时监测所述来水监测指标以得到一组实时参数值；以及
将所述实时参数值输入所述水岛的加药模型，以确定当前时刻所述加药剂的加药量，
其中，基于最小二乘支持向量机建立在线控制LSSVM模型的步骤具体包括：
设置所述LSSVM模型的输入向量为所述来水监测指标的数字信号的时间序列xi，设置所述LSSVM模型的输出向量为对应于所述时间序列xi的加药剂的历史加药量的时间序列yi，其中，i＝1，2，...，N，N＜M；
将由所述时间序列xi和所述时间序列yi构成的时间序列集(xi，yi)采用非线性映射执行向高维空间的映射，并构造所述LSSVM模型的函数为其中，i＝1，2，...，N，xi∈Rq，yi∈R，q为所述来水监测指标中指标的个数，w为权向量，b为常数；
根据结构风险最小化方法确定所述LSSVM模型的参数w和b，结构风险的计算式为其中，C为正规化参数，Remp为损失函数，ξi为所述LSSVM模型对所述时间序列集(xi，yi)的预测误差，确定LSSVM模型的目标函数为约束条件为其中，ξ≥0，C＞0，i＝1，2，...，N；
确定所述LSSVM模型的核函数为径向基函数其中，σ＞0；
建立所述LSSVM模型为其中，αi＝[α1，α2，....，αN]为拉格朗日乘子，αi和b通过以下线性方程求解：
2.根据权利要求1所述的基于PSO-LSSVM的水岛加药在线控制方法，其特征在于，对所述LSSVM模型执行PSO算法，求解所述LSSVM模型中的参数的最优解的步骤包括：
步骤A：设定PSO算法的参数，确定初始种群规模G、搜索空间为D维、全局迭代次数、惯性权重系数w，决策变量离子速度[Vmin，Vmax]、正规化参数[Cmin，Cmax]和核参数[σmin，σmax]，其中，Vmin为离子速度最小值，Vmax为离子速度最大值，Cmin为正规化参数最小值，Cmax为正规化参数最大值，σmin为核参数最小值，σmax为核参数最大值，Xj＝(xj1，xj2，...，xjD)，速度表示为向量Vj＝(vj1，vj2，...，vjD)，历史最优位置表示为QVj＝(qj1，qj2，...，qjD)；
步骤B：令迭代次数为1，对所述离子速度V、所述正规化参数C和所述核参数σ初始化后进行二进制编码，基于混沌理论产生G组初始种群、初始位置向量与初始速度向量；
步骤C：采用下述循环步骤，确定所述离子速度V、所述正规化参数C和所述核参数σ的最优解：步骤C1：根据适应度函数计算种群中各个体的适应度函数值，其中，初始种群的个体极值为全局极值为其中，Pj 1表示第1次迭代第j个粒子极值；步骤C2：分别利用和更新粒子当前的速度和位置，并且保证
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mo>,</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<msubsup>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo><</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mo>,</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mo>,</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<msubsup>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>></mo>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mo>,</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
</mtd>
<mtd>
<mrow>
<mi>e</mi>
<mi>s</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
其中，B1和B2为加速因子，r1和r2为[0，1]范围之间的随机数，w为权重，表示第t次迭代第j个粒子第n决策变量的飞行速度，表示第t次迭代第j个粒子第n决策变量位置，表示第j个粒子第n决策变量的历史最优位置，qgn表示第n决策变量的历史全局最优位置；步骤C3：根据更新当前个体至最优pbest，同时根据更新群体至最优gbest，其中，t表示第t代循环，Xj t、Xj t+1分别表示第t、t+1次迭代第j个粒子，f(Xj t)、f(Xj t+1)表示第t、t+1次迭代第j个粒子适应度函数值；步骤C4：令迭代次数加1，判断当前迭代次数是否达到全局迭代次数，若达到，则输出最优个体，结束步骤C，若未达到，则返回步骤C1。
3.根据权利要求2所述的基于PSO-LSSVM的水岛加药在线控制方法，其特征在于，所述适应度函数为 为以所述时间序列集(xi，yi)中第i组数据作为所述LSSVM模型的输入向量计算得到的计算机模拟值，为所述时间序列集(xi，yi)中yi的平均值。
4.根据权利要求3所述的基于PSO-LSSVM的水岛加药在线控制方法，其特征在于，求解所述LSSVM模型中的参数的最优解的步骤还包括：
步骤D：将求解得到的所述最优解作为所述LSSVM模型的参数，将所述来水监测指标的数字信号的时间序列xp输入所述LSSVM模型，得到对应于所述时间序列xp的加药剂的模拟加药量的时间序列其中，p＝N+1，N+2，...，M；
步骤E：根据对应于所述时间序列xp的加药剂的历史加药量的时间序列yp和所述时间序列计算所述LSSVM模型的一致性指标；
步骤F：判断所述一致性指标是否大于预设指标值，若大于，则结束求解所述LSSVM模型中的参数的最优解的步骤，若不大于，则返回步骤A。
5.根据权利要求4所述的基于PSO-LSSVM的水岛加药在线控制方法，其特征在于，所述步骤C2中B1＝B2＝2，r1和r2服从正态分布。
6.根据权利要求4所述的基于PSO-LSSVM的水岛加药在线控制方法，其特征在于，步骤B具体包括：
步骤B1，随机选取D个[0，1]范围值构成初始序列ε0＝(ε01，ε02，...，ε0D)，通过Logistic映射εj+ln＝μεjn(1-εjn)，得到G个轨迹不同的混沌序列εj，其中εn，0为初始参数，εjn∈(0，1)，μ∈(0，4)，n＝1，2，...，D，j＝1，2，...，G-1；
步骤B2，定义Xmin，Xmax：Xmin＝[Vmin，Cmin，σmin]；Xmax＝[Vmax，Cmax，σmax]；
步骤B3，将所述混沌序列按Xjn＝Xn，min+(Xn，max-Xn，min)εjn放大各参数的取值范围，得到G个代表LSSVM模型参数序列构成初始种群：
(X1，1，X1，2，...，X1，D)，(X2，1，X2，2，...，X2，D)，......，(XG，1，XG，2，...，XG，D)，
其中，Xjn为第j个粒子的第n个决策变量值，Xn，max为第n个决策变量的最大值，Xn，min为第n个决策变量的最小值。
7.根据权利要求6所述的基于PSO-LSSVM的水岛加药在线控制方法，其特征在于，步骤B1中εn，0不包括0，0.25，0.5，0.75和1。
8.根据权利要求1所述的基于PSO-LSSVM的水岛加药在线控制方法，其特征在于，所述来水监测指标包括水流量、PH值、浊度值、氯离子含量和氨氮含量，所述加药剂为硫酸、氧氧化钠、杀菌剂、助凝剂、混凝剂或还原剂。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610942354.7A CN106371316B (zh) | 2016-10-25 | 2016-10-25 | 基于pso‑lssvm的水岛加药在线控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610942354.7A CN106371316B (zh) | 2016-10-25 | 2016-10-25 | 基于pso‑lssvm的水岛加药在线控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106371316A CN106371316A (zh) | 2017-02-01 |
| CN106371316B true CN106371316B (zh) | 2017-11-03 |
Family
ID=57893447
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610942354.7A Active CN106371316B (zh) | 2016-10-25 | 2016-10-25 | 基于pso‑lssvm的水岛加药在线控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106371316B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107145066B (zh) * | 2017-04-07 | 2020-09-11 | 北京科技大学 | 一种多参数优化方法 |
| CN110515411B (zh) * | 2019-09-05 | 2020-06-30 | 江苏环保产业技术研究院股份公司 | 一种水处理加药量控制方法及系统 |
| CN113505649B (zh) * | 2021-06-10 | 2023-11-17 | 广州杰赛科技股份有限公司 | 一种自来水加氯控制方法及装置 |
| CN113377072B (zh) * | 2021-06-24 | 2023-02-07 | 华东交通大学 | 基于即时学习的稀土萃取过程药剂量优化设定方法 |
| CN113844861B (zh) * | 2021-10-27 | 2023-04-07 | 陕西旬邑青岗坪矿业有限公司 | 基于煤量检测的皮带及采煤机的自动调速方法 |
| CN116434857B (zh) * | 2023-03-24 | 2024-03-15 | 青岛思普润水处理股份有限公司 | 一种污水处理系统的智能加药设置方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6340902A (ja) * | 1986-08-07 | 1988-02-22 | Toshiba Corp | 浄水処理のｐＨ制御装置 |
| US7756591B2 (en) * | 2006-04-25 | 2010-07-13 | Pegasus Technologies, Inc. | System for optimizing oxygen in a boiler |
| CN102527148A (zh) * | 2011-12-20 | 2012-07-04 | 西安兴仪科技股份有限公司 | 锅炉补给水处理系统的机械加速澄清池的设计方法 |
| CN103011356B (zh) * | 2012-08-15 | 2014-02-12 | 重庆水务集团股份有限公司 | 一种高浊度水系自动投药控制方法 |
| CN103699514B (zh) * | 2014-01-14 | 2017-12-15 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种火力发电厂水处理流程稳态检测及运行工况判别方法 |
| CN105425592B (zh) * | 2016-01-05 | 2017-12-08 | 大唐环境产业集团股份有限公司 | 一种水处理加药数字化在线控制系统 |
| CN105676814B (zh) * | 2016-01-11 | 2017-12-29 | 大唐环境产业集团股份有限公司 | 基于sfla‑svm的数字化水岛在线加药控制方法 |
-
2016
- 2016-10-25 CN CN201610942354.7A patent/CN106371316B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106371316A (zh) | 2017-02-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106371316B (zh) | 基于pso‑lssvm的水岛加药在线控制方法 | |
| CN109270842B (zh) | 一种基于贝叶斯网络的区域供热模型预测控制系统及方法 | |
| He et al. | Artificial intelligence application in a renewable energy-driven desalination system: A critical review | |
| CN106920006B (zh) | 一种基于isoa-lssvm的地铁站空调系统能耗预测方法 | |
| CN105676814B (zh) | 基于sfla‑svm的数字化水岛在线加药控制方法 | |
| CN106765959A (zh) | 基于遗传算法和深度bp神经网络算法的暖通空调节能控制方法 | |
| Hu et al. | Multi-objective ecological reservoir operation based on water quality response models and improved genetic algorithm: A case study in Three Gorges Reservoir, China | |
| CN109932903A (zh) | 多父代优化网络和遗传算法的风机控制多目标优化方法 | |
| CN109084415A (zh) | 基于神经网络和遗传算法的中央空调运行参数寻优方法 | |
| CN105487496B (zh) | 基于双目标并行island-hfc混合模型遗传编程算法的火电厂热工在线过程辨识及控制算法的优化方法 | |
| CN106026084B (zh) | 一种基于虚拟发电部落的agc功率动态分配方法 | |
| CN106292296B (zh) | 基于ga‑svm的水岛加药在线控制方法和装置 | |
| CN103472865A (zh) | 智能最小二乘的农药废液焚烧炉炉温最佳化系统及方法 | |
| CN111897240B (zh) | 一种基于核动力系统运行的仿真方法及系统 | |
| CN106502093B (zh) | 基于ga‑svr的水岛加药在线控制方法 | |
| Xu et al. | Competitive search algorithm: a new method for stochastic optimization | |
| CN106950824A (zh) | 基于模糊神经网络的秸秆发酵燃料乙醇过程补料预测控制系统及方法 | |
| Dou et al. | Long-term weather prediction based on GA-BP neural network | |
| Africa et al. | Fuzzy Logic Temperature Control: A feedback control system implemented by fuzzy logic | |
| CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
| Sun et al. | Research on prediction of housing prices based on GA-PSO-BP neural network model: evidence from Chongqing, China | |
| Wang et al. | Decision preference-based artificial bee colony algorithm for many-objective optimal allocation of water resources | |
| Palconit et al. | Multi-gene genetic programming of iot water quality index monitoring from fuzzified model for Oreochromis niloticus recirculating aquaculture system | |
| Enitan et al. | Multi-objective Optimization of Methane Producing UASB Reactor Using a Combined Pareto Multi–objective Differential Evolution Algorithm (CPMDE) | |
| Hu et al. | The soft measure model of dissolved oxygen based on RBF network in ponds |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Qin Dong Inventor after: Qi Yong Inventor after: Chen Huiyan Inventor after: Wei Lai Inventor after: Wang Shuangxian Inventor before: Qin Dong Inventor before: Chen Huiyan Inventor before: Liu Ning |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |