CN111783289B - 一种基于模型预测的海水混凝加药方法 - Google Patents
一种基于模型预测的海水混凝加药方法 Download PDFInfo
- Publication number
- CN111783289B CN111783289B CN202010568555.1A CN202010568555A CN111783289B CN 111783289 B CN111783289 B CN 111783289B CN 202010568555 A CN202010568555 A CN 202010568555A CN 111783289 B CN111783289 B CN 111783289B
- Authority
- CN
- China
- Prior art keywords
- dosing
- data
- model
- turbidity
- input
- 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
- 238000000034 method Methods 0.000 title claims abstract description 108
- 230000015271 coagulation Effects 0.000 title claims abstract description 64
- 238000005345 coagulation Methods 0.000 title claims abstract description 64
- 239000013535 sea water Substances 0.000 title claims abstract description 60
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 72
- 230000008569 process Effects 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000004519 manufacturing process Methods 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 26
- 239000000701 coagulant Substances 0.000 claims description 17
- 239000003814 drug Substances 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 239000007788 liquid Substances 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000011010 flushing procedure Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000013501 data transformation Methods 0.000 claims description 2
- 229940079593 drug Drugs 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010612 desalination reaction Methods 0.000 description 4
- 238000001647 drug administration Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000084 colloidal system Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001112 coagulating effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000008394 flocculating agent Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Abstract
本发明公开了一种基于模型预测的海水混凝加药方法,首先获取海淡厂实际运行的原始数据并处理,将数据序列化,建立基于输入结构优化及序列编解码网络的海水混凝模型,模型输出为出水浊度,选取与模型输入加药量变化趋势相同的入水管瞬时流量作为对标特征量;根据入水管瞬时流量的大小对加药量进行缩减,实现加药量的控制。本发明以编解码网络海水混凝模型作为前馈模型,提出了一种基于流量变化的海水混凝过程加药控制方法,能够在保证出水浊度符合生产需求的基础上,有效减少海水混凝过程的加药量,降低成本。
Description
技术领域
本发明涉及海水淡化预处理海水混凝领域,尤指一种基于模型预测的海水混凝加药方法。
背景技术
海水混凝过程是海水淡化前处理中的重要步骤,利用絮凝剂与助凝剂使水中的微小胶体颗粒聚合形成较大胶体颗粒,去除有害杂质,保证后续工艺顺利进行。
该过程机理复杂,影响因素较多,目前主要采用经验和试验相结合的方法确定絮凝剂及助凝剂的种类及投放量。实际生产中,尚未有一套行之有效的自动化加药方案,一般由人工控制投药量,具有较大不确定性,且易造成用药浪费。因此有必要提出一种新的加药控制方法,以在保证出水浊度满足生产需求的同时,减少用药量,降低成本。
海水混凝过程具有复杂非线性和大滞后的特点,传统自动控制方法很难适应。樊琦利用遗传算法结合BP神经网络构建了混凝投药控制模型,在微涡流混凝净水试验中取得了很好的效果(樊琦.基于遗传算法和BP神经网络的微涡流混凝投药控制模型研究[D].华东交通大学,2018.),蒋绍阶等利用短程反馈BP神经网络构筑了混凝投药控制模型,并在实际水厂净水的过程中得以应用(蒋绍阶,仇洪建,段果,冯海翔.基于短程反馈BP神经网络的混凝投药控制中试[J].中国给水排水,2013,29(11):26-29.)。
上述方法能够对混凝过程进行较为精确的控制,但整体而言控制方案较为复杂,控制器成本较高,不适用于海水混凝过程的控制。由于海水混凝过程本身大时滞、控制精度要求不高等特点,为其设计投药量控制方案是本领域的难题之一,目前尚未出现一种完全针对于海水混凝过程领域的控制方案。
基于序列编解码网络的海水混凝模型能够有效对海水混凝的物理过程进行数值化模拟。该模型将大时滞的海水混凝过程建模问题转换为序列模型的建模问题,采用序列到序列架构,GRU网络及线性网络作为特征提取器,能够快速对原始数据特征进行学习。
发明内容
本发明目的在于针对现有技术的不足,提出一种基于模型预测的海水混凝加药方法,该方法通过对人工加药下,海淡厂实际运行数据的分析,认为流量是影响人工加药方法的重要因素,尚未有文献证明流量大小在这一过程中的实际作用。利用不可控变量流量作为基准变量,结合基于序列编解码网络的海水混凝模型,根据流量大小对人工加药量实施减量控制,能够在保证出水浊度满足生产需求的同时,减少用药量,降低成本,对海水淡化工艺的进步有重要意义。
为实现本发明的目的,本发明采取的技术方案是:一种基于模型预测的海水混凝加药方法,包括如下步骤:
S100,获取海淡厂实际运行的原始数据,并对原始数据进行数据清洗,去除野值与噪声;利用归一化方法对数据进行预处理,并利用先验经验公式对数据进行结构化处理,得到结构化数据;将结构化数据序列化,得到模型输入变量与输出变量的时间序列;
S200,训练基于输入结构优化及序列编解码网络的海水混凝模型,该模型包括输入层,数据处理层,编码器层,解码器层以及输出层五个部分。输入层和数据处理层用于处理数据以加速模型训练过程;编码器层与解码器层利用GRU解析网络与线性解析网络的组合提取原始序列特征,并利用特征均值化方法压缩特征,压缩后的特征可进行解码以拟合输出数据;输出层用于数据反变换,将网络输出数据结构转换为真实数据结构;
S300,根据S200中模型的输入输出选取影响出水浊度的特征量,绘制原始特征量数据曲线,选取与模型输入加药量变化趋势相同的入水管瞬时流量作为对标特征量;
S400,根据入水管瞬时流量的大小对加药量进行缩减,根据需求设置一个目标阈值,当入水管瞬时流量大于目标阈值时,人工加药时会明显增加加药量,因此对人工加药的加药量按照加药量缩减倍数进行缩减,否则保持原始加药量不变,以达到从整体上减少加药量的目的。实际操作中加药量以加药频率来表示,加药频率的变换公式如式(1)所示,式中人工加药频率经验值为u,流量大小为q,流量阈值为qk,缩减后的加药频率为r,减量倍数为η;
在出水浊度满足实际生产过程中对出水浊度的要求的情况下,利用模型模拟海水混凝的实际物理过程,并基于此实现对海水混凝过程的加药量控制的优化。
进一步地,所述S100包括:
S110,海淡厂实际运行数据主要包括入水浊度,出水浊度,瞬时流量,助凝剂加药频率,絮凝剂加药频率,累计流量几个类别,将获取到的实际运行数据设置为原始数据;
S120,将原始数据进行数据清洗,去除野值,并进行滑动平均以去除叠加噪声,滑动平均的数学表达式如公式(2)所示,式中x(k)为入水浊度、瞬时流量、助凝剂加药频率、絮凝剂加药频率及出水浊度等特征量的原始数据,y(t)为光滑处理后的数据,w为滑动平均叠加滑动窗大小,t为时刻;
S130,对数据进行归一化处理,以保证所有数据在同一尺度下参与计算,采用min-max标准化的方式对数据进行处理,表达式如公式(3)所示,式中x为模型输入及输出原始数据,y为归一化后的格式化数据,xmin和xmax分别为原始数据的最小值与最大值;
S140,实际数据源是加药泵的加药频率,为了满足各变量之间的对应关系,在计算时需要将加药频率换算成实际加药量。实际加药量λ,设备最大出力Q,加药频率f,冲开程度η,药液密度ρ,药液质量分数ω,加药处液体的瞬时流量q之间的关系公式如式(4)所示:
S150,利用如公式(5)所示的先验经验公式可知,海水混凝过程各输入量与输出量之间的关系近似满足指数表达式,主要表现为絮凝剂加药量λ1,助凝剂加药量λ2,瞬时流量q,入水浊度z,出水浊度zo之间的关系,式中a1,a2,a3,a4为未知参数。
S160,为提高训练速度,利用对数表达式对输入输出数据进行变换,初步得到结构化的数据集,令xi为变换前的模型输入与输出数据,xo为变化后的结构数据,变换公式如公式(6)所示:
xo=log(xi+1) (6)
进一步地,所述S200包括:
S210,为模拟实际混凝过程,选取基于输入结构优化及序列编解码网络的海水混凝模型作为加药方法前馈模型,模型分为五个部分,分别是输入层,数据处理层,编码器层,解码器层以及输出层;
S220,输入层主要获取结构化数据,将所有的数据进行解构,便于后续层级对数据进行处理;
S230,数据处理层将输入序列处理成符合编码器需求的数据格式,同时对数据结构进行优化,输出助凝剂加药量、絮凝剂加药量及入水浊度;
S240,编码器层分为加药量编码器和入水浊度编码器两个部分。加药量编码器利用连续的GRU单元组成解析网络生成加药量序列的特征向量,入水浊度编码器利用线性网络生成入水浊度序列的特征向量;
S250,在编码器层设计了语义向量生成区块,该区块将S240中生成的特征向量结合生成语义向量,为简化模型,采用特征均值的方法压缩特征向量以生成语义向量。编码器层将药液混合及扩散的过程进行抽象化,输出与加药量及入水浊度相关的语义化向量;
S260,解码器层是一个多层线性网络,将海水混凝实际物理过程中反应及沉淀过程进行数学抽象,建立输入语义向量与输出出水浊度之间的非线性关系。
进一步地,所述S300包括:
S310,选取S200中的模型作为加药方法的前馈模型,该模型的输入变量为入水浊度,瞬时流量,助凝剂加药频率及絮凝剂加药频率,输出变量为出水浊度,该模型将大时滞过程建模问题转换为序列建模问题,能够有效地对海水混凝过程进行拟合;
S320,由实际经验及海水混凝过程的反应机理可知,在同等条件下,加药量这一特征对于出水浊度的影响最大。控制其他特征量不变,将加药量由小到大不断增大,出水浊度先减小后增大;
S330,将原始数据分为训练数据和测试数据,训练数据用于模型的训练,将模型所有输入变量的测试数据绘制成时序曲线,观察曲线可知,在人工加药的条件下,瞬时流量这一特征量与加药量的变化趋势近似相同,故选取瞬时流量作为加药量的对标变量。
进一步地,步骤S400中:
通过对测试数据的时序曲线的分析,流量增大时,人工会相应提高加药频率,加药频率和流量之间存在正比关系,可根据流量大小对加药量进行优化;
根据测试数据中流量的大小对加药频率进行缩减,将缩减后的加药频率与其他特征量共同输入模型,获取到模型输出的出水浊度;
绘制模型输出出水浊度时序曲线,将曲线与测试数据中出水浊度的时序曲线进行对比,判断利用该加药方法能否满足实际生产的需求。
进一步地,所述实际生产过程中对出水浊度的要求,即输出的出水浊度不超过10.0NTU。
进一步地,利用公式(7)计算相比传统人工加药,采用该加药方法时,加药量减少的百分比如下式所示:
式中加药频率的测试值为r,该方法采用的加药频率为u,测试数据总数为n,相比人工加药,该加药方法加药量减少的百分比为ω。
综上所示,由于采用了上述技术方案,本发明的有益效果如下。
该方法的核心是一种基于模型预测的海水混凝加药方法,是在编解码网络海水混凝模型的基础上,对现有人工加药控制方法的改进。
1)本发明以编解码网络海水混凝模型作为前馈模型,提出了一种基于流量变化的海水混凝过程加药控制方法,能够在保证出水浊度符合生产需求的基础上,有效减少海水混凝过程的加药量,降低成本。
2)本发明的控制方案结构简单,易于实现,能够快速部署于生产环境。
3)本发明将人工控制和机器控制相结合,非常适用于海水混凝这一对控制精度要求不高的过程,且方法的可扩展性强,能够结合其他控制器实现更为精确的控制目标。
附图说明
下面将以附图对基于模型预测的海水混凝加药方法的特性、技术特征、优点予以进一步说明。
图1是本发明的流程图。
图2是测试数据的分布图。
图3是流量及加药量数据时序对比图。
图4是加药量减量策略的流程图。
图5是测试对比结果。
具体实施方式
下面结合附图和具体实施方式对本发明作更进一步的说明。
如图1所示,本发明实例公开一种基于模型预测的海水混凝加药方法,该方法包括以下步骤:
步骤(1)海淡厂数据获取
海淡厂实际运行数据包括入水浊度,出水浊度,瞬时流量,助凝剂加药频率,絮凝剂加药频率,累计流量等。为了获取到足够多的数据,保证数据的有效性,原始数据的采样间隔为1分钟,且保证各仪器仪表在采样过程中正常工作,量程在有效范围内。数据来源:某海淡厂2019年11月30日至2019年12月31日的实际生产数据,共计43200条数据。
步骤(2)数据清洗
测试数据是在海淡厂实际运行过程中通过各种测量设备得到的,因此测试数据集中存在垃圾数据。为保证数据有效性,减少垃圾数据对数据库的污染,需要将原始数据进行数据清洗。可利用数据筛选去除野值,并对数据进行滑动平均以去除叠加噪声,滑动平均的数学表达式如下式所示,式中x(k)为入水浊度、瞬时流量、助凝剂加药频率、絮凝剂加药频率及出水浊度等特征量的原始数据,y(t)为光滑处理后的数据,t为时刻。数据清洗后的各类别分布图如图2所示。
对数据进行归一化处理,以保证所有数据在同一尺度下参与计算,采用min-max标准化的方式对数据进行处理,表达式如公式(2)所示,式中为模型输入及输出原始数据,为归一化后的格式化数据,xmin和xmax分别为原始数据的最小值与最大值:
实际数据源是加药泵的加药频率,为了满足各变量之间的对应关系,在计算时需要将加药频率换算成实际加药量。实际加药量λ,设备最大出力Q,加药频率f,冲开程度η,药液密度ρ,药液质量分数ω,加药处液体的瞬时流量q之间的关系公式如式(3)所示:
利用如公式(4)所示的先验经验公式可知,海水混凝过程各输入量与输出量之间的关系近似满足指数表达式,主要表现为絮凝剂加药量λ1,助凝剂加药量λ2,瞬时流量q,入水浊度z,出水浊度zo之间的关系,式中a1,a2,a3,a4为未知参数。
为降低建模难度,提高训练速度,利用对数表达式对输入输出数据进行变换,初步得到结构化的数据集,令xi为变换前的模型输入与输出数据,xo为变化后的结构数据,变换公式如公式(5)所示:
xo=log(xi+1) (5)
步骤(3)模型建立及训练
为对整个加药方法的效果进行测试,选取基于编解码网络的海水混凝模型作为加药方法的前馈模型。该模型将大时滞过程建模问题转换为序列建模问题,能够有效地对海水混凝过程进行拟合。
模型分为五个部分,分别是输入层,数据处理层,编码器层,解码器层以及输出层。输入层主要获取结构化数据,将所有的数据进行解构,便于后续层级对数据进行处理;数据处理层将输入序列处理成符合编码器需求的数据格式,同时对数据结构进行优化,输出助凝剂加药量、絮凝剂加药量及入水浊度;编码器层分为加药量编码器和入水浊度编码器两个部分。加药量编码器利用连续的GRU单元组成解析网络生成加药量序列的特征向量,入水浊度编码器利用线性网络生成入水浊度序列的特征向量;在编码器层设计了语义向量生成区块,该区块将S240中生成的特征向量结合生成语义向量,为简化模型,采用特征均值的方法压缩特征向量以生成语义向量。编码器层将药液混合及扩散的过程进行抽象化,输出与加药量及入水浊度相关的语义化向量;解码器层是一个复杂的线性网络,主要将海水混凝中反应及沉淀过程进行抽象化。利用解码器层,能够建立输入语义向量与输出出水浊度之间的复杂非线性关系。
将原始数据打包后,利用上述模型框架基于原始数据对模型进行训练,获取到前馈模型。
步骤(4)绘制数据时序曲线并选取对标量
步骤(3)中模型的输入变量为入水浊度,瞬时流量,助凝剂加药频率及絮凝剂加药频率,输出变量为出水浊度,可在模型的输入变量中筛选加药量控制的对标变量。
由实际过程经验及海水混凝过程的反应机理可知,在同等条件下,加药量这一特征对于出水浊度的影响最大。控制其他特征量不变,将加药量由小到大不断增大,出水浊度先减小后增大。为保证出水浊度能够满足生产需求,可在人工加药量经验值的基础上适当进行缩减,以达到减少成本的目的。
将模型所有输入变量原始数据绘制成时序曲线,观察曲线可知,在人工加药的条件下,流量这一特征量与加药量的变化趋势近似相同,如图3所示。故在本发明中,选取流量作为加药量的对标变量,即根据流量大小变化对加药量进行调整。
步骤(5)加药量减量控制
提出的海水混凝加药方法应满足实际生产过程中对出水浊度的要求,即该过程输出出水浊度不超过10.0NTU,且该方法应在人工加药的基础上对加药量进行缩减。通过对实际加药过程中数据曲线的分析,流量增大时,人工会相应提高加药频率,加药频率和流量之间存在一定正比关系。可以根据流量大小对加药量进行优化,在流量较大的情况下,适当降低加药频率,在流量较小的情况下,保持加药频率的人工经验值不变。减量策略的流程图如图4所示。
经过数据分析,可将流量阈值设置为测试集流量数据75%分位数(6196.400m3·h-1),当流量超过该阈值时,将人工的加药频率进行一定的缩减,否则保持原始加药频率不变。加药频率的变换公式如式(6)所示,式中人工加药频率经验值为u,流量大小为q,流量阈值为qk,该方法采用的减量后的加药频率为r,减量倍数为η。
步骤(6)加药控制方案优化
为测试加药方法的有效性,根据测试数据中流量的大小对加药频率进行缩减,将缩减后的加药频率与其他特征量共同输入模型,获取到模型输出的出水浊度。绘制模型输出的出水浊度时序曲线,将曲线与测试数据中出水浊度的时序曲线进行对比,判断利用该种加药方法能否满足实际生产的需求。如果出水浊度不满足需求,则调节加药量的减量倍数,直到出水浊度能够满足实际生产需求为止。利用公式(7)计算相比传统人工加药,采用该加药方法时,加药量减少的百分比如下式所示:
经过多次测试,可将减量倍数设置为0.75,此时能够在保证出水浊度满足生产条件的同时,减少20%左右的加药量,测试结果如图5所示。
由此可知,利用上述加药控制方法,能够有效降低加药量,减少整个混凝沉淀过程的成本,对海水淡化工艺的进步具有重要意义。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (7)
1.一种基于模型预测的海水混凝加药方法,其特征在于,包括如下步骤:
S100,获取海淡厂实际运行的原始数据,并对原始数据进行数据清洗,去除野值与噪声;利用归一化方法对数据进行预处理,并利用先验经验公式对数据进行结构化处理,得到结构化数据;将结构化数据序列化,得到模型输入变量与输出变量的时间序列;
S200,训练基于输入结构优化及序列编解码网络的海水混凝模型,该模型包括输入层,数据处理层,编码器层,解码器层以及输出层五个部分;输入层和数据处理层用于处理数据以加速模型训练过程;编码器层与解码器层利用GRU解析网络与线性解析网络的组合提取原始序列特征,并利用特征均值化方法压缩特征,压缩后的特征可进行解码以拟合输出数据;输出层用于数据反变换,将网络输出数据结构转换为真实数据结构;
S300,根据S200中模型的输入输出选取影响出水浊度的特征量,绘制原始特征量数据曲线,选取与模型输入加药量变化趋势相同的入水管瞬时流量作为对标特征量;
S400,根据入水管瞬时流量的大小对加药量进行缩减,根据需求设置一个目标阈值,当入水管瞬时流量大于目标阈值时,人工加药时会明显增加加药量,因此对人工加药的加药量按照加药量缩减倍数进行缩减,否则保持原始加药量不变,以达到从整体上减少加药量的目的;实际操作中加药量以加药频率来表示,加药频率的变换公式如式(1)所示,式中人工加药频率经验值为u,流量大小为q,流量阈值为qk,缩减后的加药频率为r,减量倍数为η;
在出水浊度满足实际生产过程中对出水浊度的要求的情况下,利用模型模拟海水混凝的实际物理过程,并基于此实现对海水混凝过程的加药量控制的优化。
2.根据权利要求1所述的基于模型预测的海水混凝加药方法,其特征在于,所述S100包括:
S110,海淡厂实际运行数据主要包括入水浊度,出水浊度,瞬时流量,助凝剂加药频率,絮凝剂加药频率,累计流量几个类别,将获取到的实际运行数据设置为原始数据;
S120,将原始数据进行数据清洗,去除野值,并进行滑动平均以去除叠加噪声,滑动平均的数学表达式如公式(2)所示,式中x(k)为入水浊度、瞬时流量、助凝剂加药频率、絮凝剂加药频率及出水浊度的原始数据,y(t)为光滑处理后的数据,w为滑动平均叠加滑动窗大小,t为时刻;
S130,对数据进行归一化处理,以保证所有数据在同一尺度下参与计算,采用min-max标准化的方式对数据进行处理,表达式如公式(3)所示,式中x为模型输入及输出原始数据,y为归一化后的格式化数据,xmin和xmax分别为原始数据的最小值与最大值;
S140,实际数据源是加药泵的加药频率,为了满足各变量之间的对应关系,在计算时需要将加药频率换算成实际加药量;实际加药量λ,设备最大出力Q,加药频率f,冲开程度η,药液密度ρ,药液质量分数ω,加药处液体的瞬时流量q之间的关系公式如式(4)所示:
S150,利用如公式(5)所示的先验经验公式可知,海水混凝过程各输入量与输出量之间的关系近似满足指数表达式,主要表现为絮凝剂加药量λ1,助凝剂加药量λ2,瞬时流量q,入水浊度z,出水浊度zo之间的关系,式中a1,a2,a3,a4为未知参数;
S160,为提高训练速度,利用对数表达式对输入输出数据进行变换,初步得到结构化的数据集,令xi为变换前的模型输入与输出数据,xo为变化后的结构数据,变换公式如公式(6)所示:
xo=log(xi+1) (6)。
3.根据权利要求1所述的基于模型预测的海水混凝加药方法,其特征在于,所述S200包括:
S210,为模拟实际混凝过程,选取基于输入结构优化及序列编解码网络的海水混凝模型作为加药方法前馈模型,模型分为五个部分,分别是输入层,数据处理层,编码器层,解码器层以及输出层;
S220,输入层主要获取结构化数据,将所有的数据进行解构,便于后续层级对数据进行处理;
S230,数据处理层将输入序列处理成符合编码器需求的数据格式,同时对数据结构进行优化,输出助凝剂加药量、絮凝剂加药量及入水浊度;
S240,编码器层分为加药量编码器和入水浊度编码器两个部分;加药量编码器利用连续的GRU单元组成解析网络生成加药量序列的特征向量,入水浊度编码器利用线性网络生成入水浊度序列的特征向量;
S250,在编码器层设计了语义向量生成区块,该区块将S240中生成的特征向量结合生成语义向量,为简化模型,采用特征均值的方法压缩特征向量以生成语义向量;编码器层将药液混合及扩散的过程进行抽象化,输出与加药量及入水浊度相关的语义化向量;
S260,解码器层是一个多层线性网络,将海水混凝实际物理过程中反应及沉淀过程进行数学抽象,建立输入语义向量与输出出水浊度之间的非线性关系。
4.根据权利要求1所述的基于模型预测的海水混凝加药方法,其特征在于,所述S300包括:
S310,选取S200中的模型作为加药方法的前馈模型,该模型的输入变量为入水浊度,瞬时流量,助凝剂加药频率及絮凝剂加药频率,输出变量为出水浊度,该模型将大时滞过程建模问题转换为序列建模问题,能够有效地对海水混凝过程进行拟合;
S320,由实际经验及海水混凝过程的反应机理可知,在同等条件下,加药量这一特征对于出水浊度的影响最大;控制其他特征量不变,将加药量由小到大不断增大,出水浊度先减小后增大;
S330,将原始数据分为训练数据和测试数据,训练数据用于模型的训练,将模型所有输入变量的测试数据绘制成时序曲线,观察曲线可知,在人工加药的条件下,瞬时流量这一特征量与加药量的变化趋势近似相同,故选取瞬时流量作为加药量的对标变量。
5.根据权利要求4所述的基于模型预测的海水混凝加药方法,其特征在于,S400中:
通过对测试数据的时序曲线的分析,流量增大时,人工会相应提高加药频率,加药频率和流量之间存在正比关系,可根据流量大小对加药量进行优化;
根据测试数据中流量的大小对加药频率进行缩减,将缩减后的加药频率与其他特征量共同输入模型,获取到模型输出的出水浊度;
绘制模型输出出水浊度时序曲线,将曲线与测试数据中出水浊度的时序曲线进行对比,判断利用该加药方法能否满足实际生产的需求。
6.根据权利要求1所述的基于模型预测的海水混凝加药方法,其特征在于,所述实际生产过程中对出水浊度的要求,即输出的出水浊度不超过10.0NTU。
7.根据权利要求5所述的基于模型预测的海水混凝加药方法,其特征在于,利用公式(7)计算相比传统人工加药,采用该加药方法时,加药量减少的百分比如下式所示:
式中加药频率的测试值为r,该方法采用的加药频率为u,测试数据总数为n,相比人工加药,该加药方法加药量减少的百分比为ω。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010568555.1A CN111783289B (zh) | 2020-06-19 | 2020-06-19 | 一种基于模型预测的海水混凝加药方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010568555.1A CN111783289B (zh) | 2020-06-19 | 2020-06-19 | 一种基于模型预测的海水混凝加药方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111783289A CN111783289A (zh) | 2020-10-16 |
CN111783289B true CN111783289B (zh) | 2024-01-30 |
Family
ID=72756783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010568555.1A Active CN111783289B (zh) | 2020-06-19 | 2020-06-19 | 一种基于模型预测的海水混凝加药方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783289B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101020128A (zh) * | 2006-11-29 | 2007-08-22 | 东南大学 | 自来水厂混凝系统投药量的多模型综合动态矩阵控制方法 |
CN103011356A (zh) * | 2012-08-15 | 2013-04-03 | 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 |
CN106168759A (zh) * | 2016-07-12 | 2016-11-30 | 武汉长江仪器自动化研究所有限公司 | 一种基于人工神经网络算法的混凝投药控制方法和系统 |
KR101889510B1 (ko) * | 2018-02-05 | 2018-08-17 | 문경훈 | 심층 신경망을 이용한 정수 처리에서의 응집제 주입률 예측 방법 |
CN110054274A (zh) * | 2019-05-13 | 2019-07-26 | 深圳江行联加智能科技有限公司 | 一种净水絮凝沉淀投药控制技术 |
-
2020
- 2020-06-19 CN CN202010568555.1A patent/CN111783289B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101020128A (zh) * | 2006-11-29 | 2007-08-22 | 东南大学 | 自来水厂混凝系统投药量的多模型综合动态矩阵控制方法 |
CN103011356A (zh) * | 2012-08-15 | 2013-04-03 | 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 |
CN106168759A (zh) * | 2016-07-12 | 2016-11-30 | 武汉长江仪器自动化研究所有限公司 | 一种基于人工神经网络算法的混凝投药控制方法和系统 |
KR101889510B1 (ko) * | 2018-02-05 | 2018-08-17 | 문경훈 | 심층 신경망을 이용한 정수 처리에서의 응집제 주입률 예측 방법 |
CN110054274A (zh) * | 2019-05-13 | 2019-07-26 | 深圳江行联加智能科技有限公司 | 一种净水絮凝沉淀投药控制技术 |
Non-Patent Citations (1)
Title |
---|
基于RBF网络的水厂投药预测控制;刘思远;齐维贵;;控制工程(第S2期);112-114, 124 * |
Also Published As
Publication number | Publication date |
---|---|
CN111783289A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102411308B (zh) | 基于递归神经网络模型的溶解氧的自适应控制方法 | |
CN109879410B (zh) | 一种污水处理曝气控制系统 | |
CN102385315B (zh) | 水厂智能混凝投药控制系统及其控制方法 | |
CN102313796B (zh) | 一种污水处理生化需氧量软测量方法 | |
CN102122134A (zh) | 基于模糊神经网络的溶解氧控制的废水处理方法及系统 | |
CN112216354A (zh) | 一种基于cfd数值模拟和机器学习的智能加药系统和方法 | |
CN103570190A (zh) | 一种基于模糊控制的再生水厂化学除磷药剂投加量方法 | |
JP2007029851A (ja) | 凝集剤注入制御装置および方法 | |
CN114545985A (zh) | 一种基于絮体特征监测及过程反馈的加药系统及方法 | |
CN111783289B (zh) | 一种基于模型预测的海水混凝加药方法 | |
Yao et al. | Predicting membrane fouling in a high solid AnMBR treating OFMSW leachate through a genetic algorithm and the optimization of a BP neural network model | |
CN115422850A (zh) | 基于efdc和边缘计算判断河流入河排污口污染贡献率的方法 | |
CN114781249A (zh) | 基于多维评分模型的高密度澄清池加药量预测及控制方法 | |
CN110705752A (zh) | 基于anfis与机理模型的污水bod实时预测方法 | |
CN116235600A (zh) | 用于确定最佳凝结剂剂量的过程、系统和计算机可读存储介质 | |
CN113111576A (zh) | 一种基于混合编码粒子群-长短期记忆神经网络出水氨氮软测量方法 | |
CN112794550A (zh) | 基于人工智能解决污水处理厂出水cod超标的方法及系统 | |
Al-Baidhani et al. | Prediction of water treatment plant outlet turbidity using artificial neural network | |
CN116679026A (zh) | 自适应无偏有限脉冲响应滤波的污水溶解氧浓度估计方法 | |
CN111783290B (zh) | 一种基于输入结构优化及序列编解码网络的海水混凝建模方法 | |
CN115481720A (zh) | 基于br-narx神经网络的混凝剂加药量的预测方法 | |
CN115375009A (zh) | 一种建立混凝智能监控联动系统的方法 | |
Chang | Soft measurement modeling of turbidity in flocculation process of drinking water treatment using gaussian process regression | |
CN114036821A (zh) | 一种基于非确定性隐空间模型的浓密机控制方法及装置 | |
Gomes et al. | Coagulant dosage determination in a water treatment plant using dynamic neural network models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |