CN108830035A - 一种新型水处理混凝投药控制方法、计算机、计算机程序 - Google Patents

Abstract

本发明属于水处理技术领域，公开了一种新型水处理混凝投药控制方法、计算机、计算机程序，选取原水水质特征参数作为输入参数，混凝剂投加量作为输出参数，利用现有的数据对BP神经网络进行训练和学习，逐渐收敛，对结果进行预测，如果预测结果在精度范围内，则结果可靠并输出；如果预测效果没有达到理想的精度，则利用遗传算法优化BP神经网络的连接权值，达到较好的预测效果后再输出。本发明用于水处理混凝工艺中，可以根据原水水质特征参数的变化情况，实时地作出反应，改变混凝剂的投加量，运行稳定且具有较好的预测精度，对推动水处理混凝投药方法的发展具有重要意义。

Description

一种新型水处理混凝投药控制方法、计算机、计算机程序

技术领域

本发明属于水处理技术领域，尤其涉及一种新型水处理混凝投药控制方法、计算机、计算机程序。

背景技术

在水处理中，混凝效果的好坏会对后续的水处理效果和出水水质产生很大的影响，如何准确地确定混凝过程中混凝剂的投加量是影响混凝效果好坏的关键。由于水处理混凝投药过程是一个非线性、大时滞、多扰动的复杂过程，传统的数学模型都是针对具体的某种水质建立起来的，对混凝剂投加量的预测存在很大的局限性，不利于推动混凝投药控制技术的发展。

人工神经网络中应用最广泛的BP神经网络，在处理非线性复杂问题时，表现出了较好的优越性，其中，针对混凝投药过程构建的BP神经网络预测投药模型在应用时暴露出了一些不足：BP神经网络基于梯度下降法进行学习，运算过程容易陷入局部极小值、出现收敛速度慢的问题。原因在于它所要优化的目标函数是非常复杂的，因此，必然会出现“锯齿形现象”，这使得BP算法低效；又由于优化的目标函数很复杂，它必然会在神经元输出接近0或1的情况下，出现一些平坦区，在这些区域内，权值误差改变很小，使训练过程几乎停顿；且BP神经网络模型中，为了使网络执行BP算法，不能使用传统的一维搜索法求每次迭代的步长，而必须把步长的更新规则预先赋予网络，这种方法也会引起算法低效。以上种种，导致了BP神经网络算法收敛速度慢的现象。

综上所述，现有技术存在的问题是：传统BP神经网络基于梯度下降法进行学习，运算过程容易陷入局部极小值、出现收敛速度慢。

发明内容

针对现有技术存在的问题，本发明提供了一种新型水处理混凝投药控制方法、计算机、计算机程序。

本发明是这样实现的，一种新型水处理混凝投药控制方法，所述新型水处理混凝投药控制方法选取原水水质特征参数为输入参数，混凝剂投加量作为输出参数，利用现有的数据对BP神经网络进行训练和学习；对结果预测，预测结果利用遗传算法优化BP神经网络的连接权值再输出。

进一步，所述BP神经网络算法包括：

1)BP神经网络连接权值和阈值的初始化，在区间(-1,1)内分别随机取一个数赋值给ω_ih、ω_ho、b_h和b_o，实际值与BP神经网络预测输出值之间的均方误差e作为网络的误差函数，给定计算精度ε和BP网络的学习次数M；

2)BP神经网络的一个输入样本及其对应的实际值，第k个输入样本为x(k)＝(x₁(k),x₂(k),···,x_n(k))，对应实际值为d(k)＝(d₁(k),d₂(k),···,d_q(k))；

3)计算隐含层各个神经元的输出首计算出BP神经网络隐含层各个神经元的输入结合BP网络的激活函数计算得出：

4)计算出误差函数对输出层各个神经元的偏导数δ_o(k)，利用实际值向量d_o(k)＝(d₁(k),d₂(k),···,d_q(k))和BP网络的预测输出计算得出：

5)计算出误差函数对隐含层各个神经元的偏导数δ_h(k)，利用网络隐含层到输出层的连接权值ω_ho(k)、输出层的偏导数δ_o(k)和隐含层的输出计算得出：

6)利用BP神经网络输出层各个神经元的δ_o(k)和隐含层各个神经元的输出修正连接的权值ω_ho(k)和阈值b_o(k)：

式中，N表示调整前；N+1表示调整后；η学习率，在(0,1)之间取值；

7)使用隐含层各个神经元δ_h(k)和输入层各个神经元的输入x_i(k)修正连接权值和阈值：

8)计算BP网络的误差：

9)判断BP网络预测误差是否满足要求，当E＜ε或学习次数达到网络设定的最大次数M时，学习结束，否则，返回到3)，进入下一轮学习。

进一步，所述遗传算法对BP神经网络的优化从连接权值的优化进行，包括：编码、适应度函数的选择、交叉算子及变异算子。

进一步，所述遗传算法对BP神经网络的优化从连接权值的优化进行具体包括：

2)编码，将BP神经网络的权值初始化到[-1,1]之间，生成2个矩阵，在编码过程中，以神经网络的所有的权值作为染色体的基因；

输入层到隐层的权值矩阵：X＝(x₁,x₂,···,x_n)^T；

隐层到输出层的权值矩阵：Y＝(y₁,y₂,···,y_m)^T；

编码映射关系：V＝(x₁,x₂,···,x_n,y₁,y₂,···,y_m)；

2)神经网络的实际输出与期望输出间的均方差作为神经网络的目标函数；

3)两个配对的个体编码串按交叉算子随机确定交换基因位区间，通过交换部分基因位，繁衍出两个个体编码串；

4)把个体编码串中的某些基因位值用别的基因值取代，实现基因值突变，产生新的个体。

进一步，所述所述两个配对的个体编码串按交叉算子随机确定交换基因位区间，通过交换部分基因位，繁衍出两个个体编码串进一步包括：个体采用实数编码，交叉操作方法采用实数交叉法，第k个染色体a_k和第l个染色体a_i在j位的交叉操作方法：

式中，b是[0,10]之间的随机数。

进一步，所述所述把个体编码串中的某些基因位值用别的基因值取代，实现基因值突变，产生新的个体具体包括：选取第i个个体的第j个基因a_ij进行变异，变异操作方法包括：

式中，a_max为基因a_ij的上界；a_min为a_ij的下界；f(g)＝r²-(1-g/G_max)²；r²为一个随机数；g为当前迭代次数；G_max为最大进化次数。

本发明的另一目的在于提供一种实现所述新型水处理混凝投药控制方法的计算机程序。经过运行该程序，完成遗传算法对BP神经网络的优化，并输出对应输入参数下所对应的混凝剂投加量。

本发明的另一目的在于提供一种搭载有所述计算机程序的计算机。

计算机搭载计算机程序，根据输入的原水水质特征参数值计算得出混凝剂的投加量。

发明的有益效果：

1、相对常规的投药控制方法，该方法对投药量的控制精度高。本发明采用的BP神经网络信息分布存储、数据并行处理，具有很强的容错性、鲁棒性和泛化能力，经训练和学习，能够很大程度地趋近任何非线性复杂过程，尤其是经遗传算法优化后，结构得到优化，运行更加稳定，对水处理混凝投药量的控制可达到很高的准确度。

2、相对先进的控制方法，该方法的实时性提高了。本发明可利用在线检测设备将检测到的水质特征参数值直接传递到计算机，经程序计算得出相应混凝剂投加量，避免了因人工检测再输入数据的时间延迟，有效提高了预测的实时性。

3、减少对检测装置的依赖。本发明根据易于检测的水质特征参数来预测混凝剂投加量，不需要利用复杂的设备，仅依靠简单的检测设备即可达到目的，减少了对检测装置的依赖。

附图说明

图1是本发明实施例提供的新型水处理混凝投药控制方法流程图。

图2是本发明实施例提供的BP神经网络结构示意图。

图3是本发明实施例提供的遗传算法优化BP神经网络流程图。

图4(a,b)是本发明实施例提供的具体实施实例的输出结果示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明基于遗传算法对传统BP神经网络进行优化，得到基于遗传算法的水处理混凝投药控制方法；通过多次试验，本发明能够很好地预测混凝剂的投加量，既准确、又方便，对推动水处理混凝投药方法的发展具有重要意义。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的新型水处理混凝投药控制方法包括以下步骤：

S101：选取原水水质特征参数(原水流量、原水浊度)作为输入参数，混凝剂投加量作为输出参数，利用现有的数据对BP神经网络进行训练和学习，使之逐渐收敛；

S102：对结果进行预测，如果预测结果在精度范围内，则结果可靠并输出，且不需进行下一步的遗传算法优化；反之，如果预测效果没有达到理想的精度，则利用遗传算法优化BP神经网络的连接权值，达到较好的预测效果后再输出。

本发明实施例提供的新型水处理混凝投药控制方法由传统BP神经网络算法和遗传算法两种算法构成。

BP神经网络是多层前向型网络，由输入层、隐含层和输出层组成，隐含层层数可以是1，也可以有多层隐层。网络相邻层之间通过连接权值进行连接，每一层的输出作为下一层的输入，同层之间的节点没有耦合。

BP神经网络基于梯度下降法进行学习，学习就是不断调整网络的连接权值和阈值的过程，从而使神经网络的预测输出值与实际值之差达到最小，当学习效果好时，BP神经网络会有很好的预测准确度。

(1)BP神经网络算法运行过程由两个部分组成，即信息的正向传递和误差的反向传播。

(1)信息正向传递过程：输入信息由输入层经过隐含层逐层计算，将计算结果传向输出层，每一层神经元的计算结果只影响其下一层神经元的计算结果，而不会影响到前一层神经元的计算结果。当最终计算结果传递到输出层时，如果没有得到期望的输出，则计算输出值与实际值之间的误差值，然后进入误差反向传播过程。

(2)误差反向传播过程：网络将计算所得误差信号沿原来的连接通路逐层反传回来，即误差信号由输出层经过隐含层逐层计算，修改各层神经元之间的连接权值和阈值直至网络预测误差达到期望值，结束算法。

一个三层的BP神经网络只要隐含层数设置合理，就能以任意的程度趋近于任何非线性过程。典型的三层BP神经网络的学习运算过程如下：

输入向量x＝(x₁,x₂,···,x_n)；

隐含层输入向量

隐含层输出向量

输出层输入向量

输出层输出向量

实际值向量

输入层与隐含层的连接权值ω_ih；

隐含层与输出层的连接权值ω_ho；

隐含层各神经元的阈值b_h；

输出层各神经元的阈值b_o；

数据样本个数k＝1,2,···,m；

激活函数f(·)；

BP神经网络算法步骤如下：

1)BP神经网络连接权值和阈值的初始化，即在区间(-1,1)内分别随机取一个数赋值给ω_ih、ω_ho、b_h和b_o，将实际值与BP神经网络预测输出值之间的均方误差e作为网络的误差函数，即给定计算精度ε和BP网络的学习次数M。

2)假定BP神经网络的一个输入样本及其对应的实际值，设第k个输入样本为x(k)＝(x₁(k),x₂(k),···,x_n(k))，对应实际值为d(k)＝(d₁(k),d₂(k),···,d_q(k))。

3)计算隐含层各个神经元的输出首先计算出BP神经网络隐含层各个神经元的输入再结合BP网络的激活函数计算得出：

4)计算出误差函数对输出层各个神经元的偏导数δ_o(k)，利用实际值向量d_o(k)＝(d₁(k),d₂(k),···,d_q(k))和BP网络的预测输出计算得出：

5)计算出误差函数对隐含层各个神经元的偏导数δ_h(k)，利用网络隐含层到输出层的连接权值ω_ho(k)、输出层的偏导数δ_o(k)和隐含层的输出计算得出：

6)利用BP神经网络输出层各个神经元的δ_o(k)和隐含层各个神经元的输出来修正连接的权值ω_ho(k)和阈值b_o(k)：

式中，N表示调整前；N+1表示调整后；η学习率，在(0,1)之间取值。

7)使用隐含层各个神经元δ_h(k)和输入层各个神经元的输入x_i(k)修正连接权值和阈值：

8)计算BP网络的误差：

10)判断BP网络预测误差是否满足要求，当E＜ε或学习次数达到网络设定的最大次数M时，学习结束，否则，返回到3)，进入下一轮学习。

(2)遗传算法对BP神经网络的优化主要从连接权值的优化上进行，全过程需进行编码、适应度函数的选择、交叉算子及变异算子的设计。

3)编码，将BP神经网络的权值初始化到[-1,1]之间，将生成2个矩阵，在编码过程中，以神经网络的所有的权值作为染色体的基因：

输入层到隐层的权值矩阵：X＝(x₁,x₂,···,x_n)^T；

隐层到输出层的权值矩阵：Y＝(y₁,y₂,···,y_m)^T；

只有将2个权值矩阵转换成染色体串V，才能执行遗传操作，实现BP网络的权值优化。编码映射关系：V＝(x₁,x₂,···,x_n,y₁,y₂,···,y_m)。

2)适应度函数的选择，遗传算法过程是选择具有较大或最大适应度的个体参与繁衍下一代的过程。与遗传算法不同，神经网络设计的目标函数是一个最小化问题。把神经网络的实际输出与期望输出间的均方差作为神经网络的目标函数。BP算法把该均方差来评价网络学习状况，而均方差的倒数作为遗传算法中适应度函数。总目标函数值越小(意味着误差越小)，网络性能越好，则适应度值越大。

3)交叉算子的设计

在生物进化过程中，新的染色体是由两个同源染色体通过交配而重组形成的，并由此产生出新的个体或物种。交配重组的过程是生物进化过程中的不可或缺的环节。在遗传算法中使用交叉算子来模拟交配重组过程以产生新个体，具体交配重组的过程是：两个配对的个体编码串按交叉算子随机确定交换基因位区间，通过交换部分基因位，繁衍出两个个体编码串；这个过程被称为交叉运算；新个体大多都是采用交叉运算得来，与其他进化算法有本质区别，交叉算法是遗传操作中最关键的部分。

在遗传进化过程中，交叉算子的设计与研究的问题有关。一方面，希望交叉算子不要破坏个体的优秀基因位，另一方面，又希望通过交叉算子得到更好的新个体。另外，设计交叉算子时必须考虑个体编码设计。

当个体采用实数编码时，交叉操作方法采用实数交叉法，第k个染色体a_k和第l个染色体a_i在j位的交叉操作方法如下：

式中，b是[0,10]之间的随机数。

4)变异算子的设计

在生物进化过程中，变异是指在细胞分裂复制过程中由于某些偶然因素的干扰，使得某些基因发生突变，产生新的基因序列组，生物特性也发生相应变化。这种变异的概率很小，但是也不容忽视。在生物进化中，变异有可能是物种进化，产生一个新的物种，但也有可能是物种退化。

在遗传算法中，变异操作是指把个体编码串中的某些基因位值用别的基因值来取代，实现基因值突变，产生新的个体。

使用变异算子主要有以下两个目的：

①增强遗传算法的全局搜索能力；

②防止出现过早收敛于局部最优解现象，保证群体的多样性；

选取第i个个体的第j个基因a_ij进行变异，变异操作方法如下：

式中，a_max为基因a_ij的上界；a_min为a_ij的下界；f(g)＝r²-(1-g/G_max)²；r²为一个随机数；g为当前迭代次数；G_max为最大进化次数。

以上过程完成后，完成遗传算法对BP神经网络的优化，可以很好的发挥两种算法的优点，达到设计的目的。

下面结合实验对本发明的应用效果作详细的描述。

本发明运用在某水厂水处理中对混凝剂投加量的预测，能根据原水的水质变化实时地做出反应，准确预测出混凝剂的投加量，操作简便，准确度高；根据原水流量、原水浊度来确定混凝剂的投加量，即混凝投药控制系统以原水流量、原水浊度作为BP神经网络的输入参数，混凝剂的投加量作为输出参数，控制混凝过程混凝剂的投加量。

表1水厂运行部分试验数据

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种新型水处理混凝投药控制方法，其特征在于，所述新型水处理混凝投药控制方法选取原水水质特征参数为输入参数，混凝剂投加量作为输出参数，利用现有的数据对BP神经网络进行训练和学习；对结果预测，预测结果利用遗传算法优化BP神经网络的连接权值再输出。

2.如权利要求1所述的新型水处理混凝投药控制方法，其特征在于，所述BP神经网络算法包括：

1)BP神经网络连接权值和阈值的初始化，在区间(-1,1)内分别随机取一个数赋值给ω_ih、ω_ho、b_h和b_o，实际值与BP神经网络预测输出值之间的均方误差e作为网络的误差函数，给定计算精度ε和BP网络的学习次数M；

2)BP神经网络的一个输入样本及其对应的实际值，第k个输入样本为x(k)＝(x₁(k),x₂(k),···,x_n(k))，对应实际值为d(k)＝(d₁(k),d₂(k),···,d_q(k))；

3)计算隐含层各个神经元的输出首计算出BP神经网络隐含层各个神经元的输入结合BP网络的激活函数计算得出：

4)计算出误差函数对输出层各个神经元的偏导数δ_o(k)，利用实际值向量d_o(k)＝(d₁(k),d₂(k),···,d_q(k))和BP网络的预测输出计算得出：

5)计算出误差函数对隐含层各个神经元的偏导数δ_h(k)，利用网络隐含层到输出层的连接权值ω_ho(k)、输出层的偏导数δ_o(k)和隐含层的输出计算得出：

6)利用BP神经网络输出层各个神经元的δ_o(k)和隐含层各个神经元的输出修正连接的权值ω_ho(k)和阈值b_o(k)：

式中，N表示调整前；N+1表示调整后；η学习率，在(0,1)之间取值；

7)使用隐含层各个神经元δ_h(k)和输入层各个神经元的输入x_i(k)修正连接权值和阈值：

8)计算BP网络的误差：

9)判断BP网络预测误差是否满足要求，当E＜ε或学习次数达到网络设定的最大次数M时，学习结束，否则，返回到3)，进入下一轮学习。

3.如权利要求1所述的新型水处理混凝投药控制方法，其特征在于，所述遗传算法对BP神经网络的优化从连接权值的优化进行，包括：编码、适应度函数的选择、交叉算子及变异算子。

4.如权利要求3所述的新型水处理混凝投药控制方法，其特征在于，所述所述遗传算法对BP神经网络的优化从连接权值的优化进行具体包括：

1)编码，将BP神经网络的权值初始化到[-1,1]之间，生成2个矩阵，在编码过程中，以神经网络的所有的权值作为染色体的基因；

输入层到隐层的权值矩阵：X＝(x₁,x₂,···,x_n)^T；

隐层到输出层的权值矩阵：Y＝(y₁,y₂,···,y_m)^T；

编码映射关系：V＝(x₁,x₂,···,x_n,y₁,y₂,···,y_m)；

2)神经网络的实际输出与期望输出间的均方差作为神经网络的目标函数；

3)两个配对的个体编码串按交叉算子随机确定交换基因位区间，通过交换部分基因位，繁衍出两个个体编码串；

4)把个体编码串中的某些基因位值用别的基因值取代，实现基因值突变，产生新的个体。

5.如权利要求4所述的新型水处理混凝投药控制方法，其特征在于，所述所述两个配对的个体编码串按交叉算子随机确定交换基因位区间，通过交换部分基因位，繁衍出两个个体编码串进一步包括：个体采用实数编码，交叉操作方法采用实数交叉法，第k个染色体a_k和第l个染色体a_i在j位的交叉操作方法：

式中，b是[0,10]之间的随机数。

6.如权利要求4所述的新型水处理混凝投药控制方法，其特征在于，所述所述把个体编码串中的某些基因位值用别的基因值取代，实现基因值突变，产生新的个体具体包括：选取第i个个体的第j个基因a_ij进行变异，变异操作方法包括：

式中，a_max为基因a_ij的上界；a_min为a_ij的下界；f(g)＝r²-(1-g/G_max)²；r²为一个随机数；g为当前迭代次数；G_max为最大进化次数。

7.一种实现权利要求1～6任意一项所述新型水处理混凝投药控制方法的计算机程序。

8.一种搭载有权利要求7所述计算机程序的计算机。