CN113075883A - 一种制水业中混凝投药优化方法 - Google Patents

Abstract

一种制水业中混凝投药优化方法，属于水处理技术领域，用于解决现有水厂投药剂量依赖于个人经验值，缺乏理论支撑难以实现最佳或更优的投药量的问题，所述包括以下步骤：建立随机权神经网络模型并与数据库连接；采集实时数据形成实时数据样本组并输入数据库推理出当前工作模式后输出匹配的历史数据子集；随机权神经网络模型通过历史数据子集内的历史数据样本组进行优化；输入实时数据样本组，得到优化投药量数值；数据库接收计算结果后与已存储历史参考值进行近邻比较，得出投药执行参数，将执行参数输出到执行设备进行投药；将数据更新到数据库中；等待下个周期的实时数据采样，重复上述步骤。本发明可实现投药的自动运行模式，提高生产先进性。

Description

一种制水业中混凝投药优化方法

技术领域

本发明属于水处理技术领域，具体涉及一种制水业中混凝投药优化方法。

背景技术

混凝投药一直是自来水生产中的一个重要的关键问题。以湖南长沙某水厂为例，其投药环节一直采用三班制人工操作方式，投药剂量依赖于个人经验值，缺乏理论支撑难以实现最佳或更优的投药量。本优化方法的提出将实现投药量的自动预估、投加优化及控制。

目前混凝投药的主要方式为人工投药方式。自动投药方式一直没有通用有效的方式。混凝药剂采用明矾(KAl(SO₄)₂·12H₂O)，通过在混凝沉淀池中投加适量的明矾与原水中微生物、尘土等发生混凝反应，形成团状絮花沉淀。其混凝效果受到水质参数、环境因素等影响，明矾药剂量的大小也随之受到影响，过多易浪费药剂增加成本，过少则无法有效沉淀原水杂质。混凝过程时间长，作用机理复杂，且结合客户用水需求变化、季节差异等，工作人员大多只能根据经验进行投药量的粗放判断。建设部早颁发了城市供水行业相关远景规划，针对我国城市供水行业现状、存在问题及发展趋势，以“保障安全供水、提高供水水质、优化供水成本、改善供水服务”为总体目标，提出了技术发展主攻方向及重点。本发明正是在这指导思想下进行的，针对水厂混凝工艺流程特点，改变现有的投药方法，提出一种解决投药的自动优化问题的方法。

发明内容

为解决上述问题，本发明提供一种制水业中混凝投药优化方法。

本发明采用如下技术方案：

一种制水业中混凝投药优化方法，所述方法包括以下步骤：

S1.建立初始的随机权神经网络模型并与数据库连接；

S2.通过传感器采集实时数据形成实时数据样本组，将实时数据样本组输入数据库进行模糊推理，数据库根据实时数据判断当前工作模式，并向随机权神经网络模型输出与当前工作模式匹配的历史数据子集，所述历史数据子集包括多个历史数据样本组；

S3、所述随机权神经网络模型接收到历史数据子集后，通过该历史数据子集内的历史数据样本组逐一输入模型，对模型进行反复训练、调整、学习，最终确定各神经节点的权值和阈值，并经过主元分析实现隐含层节点数降维，形成优化后的神经网络模型；

S4.将步骤S2中的实时数据样本组输入优化后的神经网络模型，计算输出层节点值，得到优化投药量预测新值，并将结果输入数据库；

S5.数据库接收计算结果后与已存储的历史参考值进行近邻比较，得出投药执行参数，然后将执行参数输出到相应执行设备进行投药；

S6.将优化投药量预测新值更新到步骤S2中的实时数据样本组，将更新后的实时数据样本组和得出的执行参数一同更新到数据库中，作为下一次计算的历史数据；

S7.等待下一个周期的实时数据采样，然后重复步骤S2-S7。

可选地，所述随机权神经网络模型隐含层节点个数为L个，所述随机权神经网络的输出计算公式为：

其中，x_i是第i个数据样本组，ω_i是第i个隐含层节点的输入权值向量，b_i是第i个隐含层节点的阈值，β_i是第i个隐含层节点连接输出层的权值向量，M是输入节点数量，g(x)是隐含层的映射函数，采用sigmoid函数，即g(x)＝1/(1+e^-x)。

可选地，所述数据库包括模式库和规则库，其中：

所述模式库内按照不同的工作模式分别存储有多个历史数据子集，每个所述历史数据子集分别对应不同工况下的工作模式，对应工作模式的历史数据子集里存储有符合工作模式的多个历史数据样本组；

所述规则库内存储有多个历史执行参数数据组，每个历史执行参数数据组内存储有历史投药量参数和执行参数。

可选地，所述步骤S2中，根据实时数据判断当前工作模式的过程具体为：

输入实时数据样本组后，采用推理机，通过K-means方法与模式库内存储的历史数据子集进行比对，得出最接近的工作模式，输出判断结果值，所述模式库根据判断结果值输出对应工作模式下的历史数据子集。

可选地，所述步骤S3具体为：

S3.1.根据生产要求设定目标值yset，误差值Δ，随机权神经网络模型接收历史数据子集后训练神经网络初始模型，直到满足|f_j-yset|≤Δ，停止训练；

S3.2.构建隐含层输出训练矩阵G，针对训练样本

满足

且进一步满足GB＝F,其中：

采用最小二乘法求解B，其中B＝G^-1F,G^-1是G的逆矩阵；

S3.3.求取G的标准化矩阵

其中

其中μ是G中每行的均值，δ是G中每行方差值，求解其相关系数矩阵：

其中，r是隐含层各节点视为独立变量，表示两变量间的相关系数，l＝L，满足各列均值为0，标准差为1，其中，r_i,j表示

中变量i和变量j之间的相关系数；

S3.4.计算相关系数矩阵

的特征值，并计算各特征值的主元成分的贡献率，取前d个主元成分，要求累计贡献率>90％,进而构建转移矩阵

获得隐含层的优化矩阵

S3.5.在初始神经网络模型中构建新的隐含层结构，保留S3.4中有效主元成分的隐含层节点，形成优化的神经网络模型。

可选地，所述步骤S4中，计算输出层节点值公式为

可选地，所述步骤S5具体为：采用K-means方法，计算节点值与相邻数据对象的欧氏距离

根据近邻原则选择规则库里最相近的历史执行参数数据组，计算得出投药执行参数。

可选地，所述步骤S6中，将更新后的实时数据样本组和得出的执行参数一同更新到数据库具体为：

将更新后的实时数据样本组更新到模式库内对应工作模式的历史数据子集中；

将得出的优化投药量预测新值与计算得出的执行参数组成新的历史执行参数数据组更新到规则库中。

可选地，所述历史数据样本和实时数据样本包括以下数据：滤前浊度、透矾量、原水浊度、原水流量、水泵数、PH值、原水温度、泵送冲程和泵送频率。

可选地，所述执行设备为投药泵，所述执行参数包括冲程和频率。

本发明的有益效果在于，本发明提供的混凝投药优化方法以神经网络模型为主构建一个多模式决策方案，实现离线变结构建模和在线计算更新。优化计算涉及各类型参数的实时样本及历史数据，主要包括进水泵数量、原水浊度、滤前浊度、原水温度、原水PH值、目标浊度、泵送频率、泵送冲程、原水流量及一系列历史样本。本发明方法改变了水厂传统的人工投药方式，实现投药的自动运行模式，提高了生产的先进性。采用以神经网络和统计学相结合的方式，构建了基于数据驱动的加药优化计算方法。该方法不同于传统的PID控制方式，无需知道对象的机理模型，采用数据驱动方式，而且核心部分神经网络模型引入PCA进行主元分析，实现神经网络模型的动态结构变化，提高神经网络的收敛性能，这也区别于以往固定结构的神经网络模型。本发明方法适合复杂系统的建模和分析，可根据具体的研究对象进行局部调整，具有较好的适用性。

附图说明

图1为本发明方法流程示意图；

图2为制水业中混凝投药控制工艺示意图；

图3为本发明方法逻辑框图；

图4为本发明模式库逻辑框图；

图5为本发明变结构神经网络模型；

图6为本发明规则库逻辑框图。

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，以下结合附图及实施例，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用以解释本发明，并不用于限定本发明。

实施例一：

如图1-3所示，一种制水业中混凝投药优化方法，可在制水业混凝投药工序中对投药量进行优化计算，所述方法包括以下步骤：

S1.建立初始的随机权神经网络模型并与数据库连接，所述随机权神经网络模型隐含层节点个数为L个，所述随机权神经网络的输出计算公式为：

其中，x_i是第i个数据样本组，ω_i是第i个隐含层节点的输入权值向量，b_i是第i个隐含层节点的阈值，β_i是第i个隐含层节点连接输出层的权值向量，M是输入节点数量，g(x)是隐含层的映射函数，选择sigmoid函数，即g(x)＝1/(1+e^-x)。

所述数据库包括模式库和规则库，其中：

所述模式库内按照不同的工作模式分别存储有多个历史数据子集，每个所述历史数据子集分别对应不同工况下的工作模式，对应工作模式的历史数据子集里存储有符合工作模式的多个历史数据样本组；

所述规则库内存储有多个历史执行参数数据组，每个历史执行参数数据组内存储有历史投药量参数和执行参数。

所述随机权神经网络模型采用变结构神经网络模型，与常用的神经网络模型不同，它的组织结构不是固定不变的，而是突出在隐含层动态结构上，其隐含层神经元节点会在每一次建模通过主元分析(PCA)进行结构调整，达到不影响运算结果又提高模型的收敛性能。

S2.如图4所示，通过传感器采集实时数据形成实时数据样本组，将实时数据样本组输入数据库进行模糊推理，数据库根据实时数据判断当前工作模式，并向随机权神经网络模型输出与当前工作模式匹配的历史数据子集，所述历史数据子集包括多个历史数据样本组。

所述步骤S2中，根据实时数据判断当前工作模式的过程具体为：

输入实时数据样本组后，采用推理机，通过K-means方法与模式库内存储的历史数据子集进行比对，得出最接近的工作模式，输出判断结果值mode＝i(i＝1,…6)，分别对应不同工况下的历史数据子集，所述模式库根据判断结果值输出对应工作模式下的历史数据子集。

所述历史数据样本和实时数据样本包括以下数据：滤前浊度Y(k)、透矾量U(k)、原水浊度U1(k)、原水流量U2(k)、水泵数U3(k)、PH值U4(k)、原水温度U5(k)、泵送冲程和泵送频率,其中，所述模式库根据采集到的原水浊度U1(k)、原水流量U2(k)和水泵数U3(k)判断当前工作模式。

在实际操作过程中，所述历史数据子集可根据运作模式定义的名称，例如“A大”、“A小”、“B大”、“B小”、“C大”和“C小”，方便区分做直观区别。所述模式库用于记录混凝投药的多种工作模式参数，在神经网络模型进行优化计算之前采集实时参数通过推理机进行工作模式识别，给出有效的判断结果反馈给神经网络模型，工作模式需要结合水厂的具体情况，原水品质、供水需求等变化都会改变运作模式。以长沙某水厂为例，在夏季，以一个混凝沉淀池的工作而言，水厂供水的变化随一天的居民用水需求变化，在每天的早上6-9点和晚上5-10点是用水高峰期，这个供水时间段里需要把增开一台进水泵，数量为2，工作模式模式就从“B小”变为“B大”，其他时间段里，进水泵数量为1，这个判断依据以进水泵为推理的主要参数；还有其他情况，当出现暴雨情况的时候，原水水源来自湘江，原水的水流量和原水浊度发生剧烈变化，同样打乱原来的运作，此处就要用推理机，采用K-means方法分析，对工作模式进行重新调整，改变模式。

S3、如图5所示，所述随机权神经网络模型接收到历史数据子集后，通过该历史数据子集内的历史数据样本组逐一输入模型，对模型反复训练，学习，最终确定各神经节点的权值和阈值，并经过主元分析实现隐含层节点数降维，形成优化后的神经网络模型，在模型反复训练过程中，反复训练权值和阈值使得输出满足设定误差值范围内就认为模型训练结束，权值和阈值在训练过程中都是随机数，降维可实现模型的网络稀疏化，优化隐含层结构，减轻神经网络模型的工作量和复杂度，但又不影响输出，具体包括以下步骤：

S3.1.根据生产要求设定目标值yset，误差值Δ，随机权神经网络模型接收历史数据子集后训练神经网络初始模型，直到满足|f_j-yset|≤Δ，停止训练；

S3.2.构建隐含层输出训练矩阵G，针对训练样本

满足

且进一步满足GB＝F,其中：

采用最小二乘法求解B，B＝G^-1F,G^-1是G的逆矩阵；

S3.3.求取G的标准化矩阵

其中

其中μ是G中每行的均值，δ是G中每行方差值，求解其相关系数矩阵即协方差矩阵：

其中，r是隐含层各节点视为独立变量，表示两变量间的相关系数，l＝L，满足各列均值为0，标准差为1。其中，r_i,j表示

中变量i和变量j之间的相关系数；

S3.4.计算相关系数矩阵

的特征值，并计算各特征值的主元成分的贡献率，取前d个主元成分(累计贡献率>90％),进而构建转移矩阵

获得隐含层的优化矩阵

S3.5.在初始神经网络模型中构建新的隐含层结构，保留S3.4中有效主元成分的隐含层节点，形成优化的神经网络模型。

S4.将步骤S2中的实时数据样本组输入优化后的神经网络模型，计算输出层节点值，得到重新预测的优化投药量预测新值，并将结果输入数据库；计算输出层节点值公式为

S5.如图6所示，数据库接收计算结果后与已存储的参考值进行近邻比较，得出投药执行参数，然后将执行参数输出到相应执行设备进行投药，具体为：采用K-means方法，计算节点值与相邻数据对象的欧氏距离

根据近邻原则选择规则库里最相近的历史执行参数数据组，此处最相近指的是历史执行参数数据组与计算结果值比大小，一般考虑两种情况：一种是比预测投药量小，一种是比预测投药量大，结合着两种情况，对执行参数进行欧氏距离计算，计算得出投药执行参数。然后将执行参数输出到相应执行设备。所述执行设备为投药泵，所述执行参数包括冲程和频率。

所述规则库用于根据神经网络模型的计算结果基于近邻原则下进行欧氏距离计算，推导出执行设备即投药泵的执行参数即频率和冲程。

规则库里历史执行参数数据组的数据主要包括投药量(m³/h)、冲程(0％-100％)、频率(0-50HZ)。当模型预测出投药量预测值，根据K近邻性原则去对应数据库里寻找最相近的历史投药量以及其对应的执行参数，可能会找到几个相邻的投药量历史值，然后与当前实时的冲程和频率值对比，考虑到实际投药泵的操作，可先暂时固定频率值，调节冲程值。

例如：假设规则库已有历史执行参数数据组如下：

此刻，经过优化后的神经网络模型计算得出的优化投药量预测新值为0.2954，同时，当前工作模式下执行设备的冲程是30.579999923706，频率是28.6900005340576。

根据最近邻原则，序号5和序号13的投药量最合适，在结合欧氏距离

执行参数有两个，简化设备操作，可暂时固定一个频率值做参考，再加上投药量预测值，计算冲程调整值。

已知序号5的样本y1＝{27.3500003814697，30.3799991607666}，z1＝0.300000011920929；

序号13的样本y2＝{25.3405005340241，27.3299999237061}，z2＝0.289999997615814；

和新样本z＝{？，28.6900005340576}。

此刻，经过模型计算得到优化投药量预测新值已经确定，为z3＝0.2954，

根据近邻原则，令两者欧氏距离d(x,y1)/d(x,y2)＝(|z3-z1|)/(|z3-z2|)，代入计算得到执行参数为：冲程值为25.862，这样就获得新一组的设备执行参数{25.862，28.6900005340576}。

S6.将优化投药量预测新值更新到步骤S2中的实时数据样本组，将更新后的实时数据样本组和得出的执行参数一同更新到数据库中，具体为：将更新后的实时数据样本组更新到模式库内对应工作模式的历史数据子集中，将得出的优化投药量预测新值与计算得出的执行参数组成新的历史执行参数数据组更新到规则库中，作为下一次计算的历史数据。一般更新后的实时数据样本组、优化投药量预测新值与计算得出的执行参数组先存储在数据集合中，然后再分别更新到模式库和规则库中。

S7.等待下一个周期的实时数据采样，然后重复步骤S2-S7。

本发明的有益效果在于，本发明提供的混凝投药优化方法以神经网络模型为主构建一个多模式决策方案，实现离线变结构建模和在线计算更新。优化计算涉及各类型参数的实时样本及历史数据，主要包括进水泵数量、原水浊度、滤前浊度、原水温度、原水PH值、目标浊度、泵送频率、泵送冲程、原水流量及一系列历史样本。本发明方法改变了水厂传统的人工投药方式，实现投药的自动运行模式，提高了生产的先进性。采用以神经网络和统计学相结合的方式，构建了基于数据驱动的加药优化计算方法。该方法不同于传统的PID控制方式，无需知道对象的机理模型，采用数据驱动方式，而且核心部分神经网络模型引入PCA进行主元分析，实现神经网络模型的动态结构变化，提高神经网络的收敛性能，这也区别于以往固定结构的神经网络模型。本发明方法适合复杂系统的建模和分析，可根据具体的研究对象进行局部调整，具有较好的适用性。

Claims (10)

1.一种制水业中混凝投药优化方法，其特征在于，所述方法包括以下步骤：

S1.建立初始的随机权神经网络模型并与数据库连接；

S2.通过传感器采集实时数据形成实时数据样本组，将实时数据样本组输入数据库进行模糊推理，数据库根据实时数据判断当前工作模式，并向随机权神经网络模型输出与当前工作模式匹配的历史数据子集，所述历史数据子集包括多个历史数据样本组；

S3、所述随机权神经网络模型接收到历史数据子集后，通过该历史数据子集内的历史数据样本组逐一输入模型，对模型进行反复训练、学习，最终确定各神经节点的权值和阈值，并经过主元分析实现隐含层节点数降维，形成优化后的神经网络模型；

S4.将步骤S2中的实时数据样本组输入优化后的神经网络模型，计算输出层节点值，得到优化投药量预测新值，并将结果输入数据库；

S5.数据库接收计算结果后与已存储的历史参考值进行近邻比较，得出投药执行参数，然后将执行参数输出到相应执行设备进行投药；

S6.将优化投药量预测新值更新到步骤S2中的实时数据样本组，将更新后的实时数据样本组和得出的执行参数一同更新到数据库中，作为下一次计算的历史数据；

S7.等待下一个周期的实时数据采样，然后重复步骤S2-S7。

2.根据权利要求1所述的制水业中混凝投药优化方法，其特征在于，所述随机权神经网络模型隐含层节点个数为L个，所述随机权神经网络的输出计算公式为：

其中，x_i是第i个数据样本组，ω_i是第i个隐含层节点的输入权值向量，b_i是第i个隐含层节点的阈值，β_i是第i个隐含层节点连接输出层的权值向量，M是输入节点数量，g(x)是隐含层的映射函数，采用sigmoid函数，即g(x)＝1/(1+e^-x)。

3.根据权利要求1所述的制水业中混凝投药优化方法，其特征在于，所述数据库包括模式库和规则库，其中：

所述模式库内按照不同的工作模式分别存储有多个历史数据子集，每个所述历史数据子集分别对应不同工况下的工作模式，对应工作模式的历史数据子集里存储有符合工作模式的多个历史数据样本组；

所述规则库内存储有多个历史执行参数数据组，每个历史执行参数数据组内存储有历史投药量参数和执行参数。

4.根据权利要求3所述的制水业中混凝投药优化方法，其特征在于，所述步骤S2中，根据实时数据判断当前工作模式的过程具体为：

输入实时数据样本组后，采用推理机，通过K-means方法与模式库内存储的历史数据子集进行比对，得出最接近的工作模式，输出判断结果值，所述模式库根据判断结果值输出对应工作模式下的历史数据子集。

5.根据权利要求1所述的制水业中混凝投药优化方法，其特征在于，所述步骤S3具体为：

S3.1.根据生产要求设定目标值yset，误差值Δ，随机权神经网络模型接收历史数据子集后训练神经网络初始模型，直到满足|f_j-yset|≤Δ，停止训练；

S3.2.构建隐含层输出训练矩阵G，针对训练样本

满足

且进一步满足GB＝F,其中：

采用最小二乘法求解B，其中B＝G^-1F,G^-1是G的逆矩阵；

S3.3.求取G的标准化矩阵

其中

其中μ是G中每行的均值，δ是G中每行方差值，求解其相关系数矩阵：

其中，r是隐含层各节点视为独立变量，表示两变量间的相关系数，l＝L，满足各列均值为0，标准差为1，其中，r_i,j表示

中变量i和变量j之间的相关系数；

S3.4.计算相关系数矩阵

的特征值，并计算各特征值的主元成分的贡献率，取前d个主元成分，要求累计贡献率>90％,进而构建转移矩阵

获得隐含层的优化矩阵

S3.5.在初始神经网络模型中构建新的隐含层结构，保留S3.4中有效主元成分的隐含层节点，形成优化的神经网络模型。

6.根据权利要求1所述的制水业中混凝投药优化方法，其特征在于，所述步骤S4中，计算输出层节点值公式为

7.根据权利要求3所述的制水业中混凝投药优化方法，其特征在于，所述步骤S5具体为：采用K-means方法，计算节点值与相邻数据对象的欧氏距离

根据近邻原则选择规则库里最相近的历史执行参数数据组，计算得出投药执行参数。

8.根据权利要求3所述的制水业中混凝投药优化方法，其特征在于，所述步骤S6中，将更新后的实时数据样本组和得出的执行参数一同更新到数据库具体为：

将更新后的实时数据样本组更新到模式库内对应工作模式的历史数据子集中；

将得出的优化投药量预测新值与计算得出的执行参数组成新的历史执行参数数据组更新到规则库中。

9.根据权利要求1所述的制水业中混凝投药优化方法，其特征在于，所述历史数据样本和实时数据样本包括以下数据：滤前浊度、透矾量、原水浊度、原水流量、水泵数、PH值、原水温度、泵送冲程和泵送频率。

10.根据权利要求1所述的制水业中混凝投药优化方法，其特征在于，所述执行设备为投药泵，所述执行参数包括冲程和频率。

Images