CN113705898A - 自来水混凝剂加药量的预测方法及系统 - Google Patents
自来水混凝剂加药量的预测方法及系统 Download PDFInfo
- Publication number
- CN113705898A CN113705898A CN202111005572.5A CN202111005572A CN113705898A CN 113705898 A CN113705898 A CN 113705898A CN 202111005572 A CN202111005572 A CN 202111005572A CN 113705898 A CN113705898 A CN 113705898A
- Authority
- CN
- China
- Prior art keywords
- coagulant
- tap water
- adding amount
- turbidity
- predicting
- 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.)
- Pending
Links
- 239000000701 coagulant Substances 0.000 title claims abstract description 144
- 238000000034 method Methods 0.000 title claims abstract description 80
- 239000008399 tap water Substances 0.000 title claims abstract description 45
- 235000020679 tap water Nutrition 0.000 title claims abstract description 45
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 109
- 238000004364 calculation method Methods 0.000 claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000005345 coagulation Methods 0.000 claims description 77
- 230000015271 coagulation Effects 0.000 claims description 77
- 238000004062 sedimentation Methods 0.000 claims description 38
- 238000003756 stirring Methods 0.000 claims description 27
- 238000010606 normalization Methods 0.000 claims description 22
- 239000007788 liquid Substances 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 15
- 238000002156 mixing Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 241000272173 Calidris Species 0.000 claims description 8
- 238000003672 processing method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 28
- 238000001556 precipitation Methods 0.000 abstract description 15
- 239000003814 drug Substances 0.000 abstract description 10
- 230000000087 stabilizing effect Effects 0.000 abstract description 2
- 210000002569 neuron Anatomy 0.000 description 39
- 238000013528 artificial neural network Methods 0.000 description 17
- 229940037003 alum Drugs 0.000 description 12
- 238000012549 training Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000003491 array Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 241000195493 Cryptophyta Species 0.000 description 3
- 238000005189 flocculation Methods 0.000 description 3
- 230000016615 flocculation Effects 0.000 description 3
- 238000012821 model calculation Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000001112 coagulating effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013215 result calculation Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000007062 hydrolysis Effects 0.000 description 1
- 238000006460 hydrolysis reaction Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001376 precipitating effect Effects 0.000 description 1
- 238000011045 prefiltration Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Separation Of Suspended Particles By Flocculating Agents (AREA)
Abstract
本发明提供了一种自来水混凝剂加药量的预测方法及系统,包括:步骤S1:利用深度学习算法建立混凝剂投加量计算模型;步骤S2:将自来水混凝剂投加量的影响因素输入混凝剂投加量计算模型,预测混凝剂加药量。本发明为自来水处理过程的混凝剂投加系统的优化控制提供了一种药剂投加量的计算方法,解决了混凝剂投加量难以准确计算的问题,对优化混凝剂投加量,稳定沉淀处理后的出水浊度、保障供水水质安全具有重要意义。
Description
技术领域
本发明涉及水厂净化工艺领域,具体地,涉及一种自来水混凝剂加药量的预测方法及系统。
背景技术
在采用地表水作为水源的自来水厂生产过程中,混凝沉淀工艺的过程控制、优化一直是技术难点,其中,混凝剂投加量的多少又是整个混凝处理过程实现自动化、精细化控制优化的重中之重。通常情况下,混凝沉淀工艺位于自来水处理工艺的前端,通过向原水中投加混凝剂使水中的杂质颗粒物形成较大的絮体,经过沉淀、过滤工艺予以去除。一般情况下,原水的浊度为几十至几百NTU,经过混凝、沉淀、过滤处理后,出水浊度可以达到几个NTU。在这个过程中,混凝剂的投加量直接决定了混凝沉淀效果,混凝剂投加量少,不能有效去除水中的悬浮颗粒物,将影响后续处理工艺的生产成本和处理效果,严重时甚至影响供水水质;混凝剂投加过多,一方面,造成了药剂浪费,提高了药剂成本;另一方面,过量投加混凝剂,由于水解作用造成pH变化,进而混凝效果会出现拐点,使得出水浊度升高。因此,在保证出水浊度的前提下,准确控制混凝剂投加量、达到成本最小化,是给水行业长期以来普遍关心又亟待解决的难题。
自来水厂混凝剂投加过程复杂,涉及到物理、化学等多个过程,从混凝剂的投加,经过混凝、絮凝、凝聚、沉淀环节,系统具有大时滞、大惯性、非线性等特点,而且影响混凝沉淀效果的因素有很多,如出水水量、浊度、混凝剂投加种类及浓度、混凝剂投加点搅拌强度、温度、pH、是否有前加药除藻环节等,单纯依靠出水浊度信号作为反馈信号的简单控制回路,难以保障出水浊度的控制准确度、响应及时性。
随着经济迅速发展和城市化进程的加快,国内自来水厂的水源地水质质量总体上呈下降趋势,如以江河为水源时,上游污染物类型、排放量、排放时间、断面流量等参数经常发生变化,这就为自来水厂现有的混凝剂控制方式带来了一定的挑战。以致全国范围内大多数水厂都采用手动方式控制混凝剂投加,手动投加使得沉淀池运行严重依赖人工干预,而人工操作误差大,响应时间长,对操作人员经验和责任心要求高,尤其对于近年来流行的高密度沉淀池,其对于混凝剂投加的精确性和调整响应时间提出了更高要求,实现混凝剂全自动投加十分必要。部分水厂在建设初期也尝试采用全自动解决方案,例如采用沉淀池出水浊度或游动电位仪作为实测输入参数的闭环控制系统,但在使用过程中,以上控制方式由于其理论缺陷或不能有效修正加药泵的机械误差等因素,造成加药量时常出现反方向漂移或频繁较大波动,尤其在进厂水质频繁波动的雷雨季节更为明显,无奈之下不得不回到手动控制方式。
专利文献CN106168759A(申请号:201610545257.4)公开了一种基于人工神经网络算法的混凝投药控制方法和系统,所述方法包括以下步骤:S1、建立神经网络;S2、混凝投药样本数据获取及预处理,得到样本值;S3、初始化神经网络权值,在神经网络模型输入样本值;S4、计算输入层、隐含层、输出层和承接层数值;S5、计算神经网络的函数误差并更新神经网络权值,对神经网络进行训练,完成神经网络的学习;S6、判断更新后的权值是否满足设定的精度或训练次数,并通过训练好的模型进行实际投药量预测。该专利以源水流量、源水浊度、温度、滤前浊度和药流量作为模型的输入,一定程度上解决了混凝剂投加量难以计算的难题。但是,除该专利列出的影响混凝剂投加量的因素外,混凝剂投加量还受到源水pH、混凝过程中的搅拌强度、沉后浊度目标值等因素的显著影响,由于复杂气候条件以及藻类数量等因素造成源水pH处于6~9的较大范围内波动、混凝过程中的搅拌强度直接影响生成矾花时间和矾花大小、间接影响矾花沉淀效果以及沉后浊度,因此,忽略源水pH、搅拌强度以及沉后浊度目标值等因素所建立模型的计算结果与实际药剂需求量存在较大误差,对实际使用效果造成不利影响。
此外,自来水厂混凝剂投加过程复杂,涉及到物理、化学等多个过程,从混凝剂的投加,经过混凝、絮凝、凝聚、沉淀环节,系统具有大时滞、大惯性等特点,这就使得选定的模型输入变量对预测目标变量的影响存在滞后性,即预测目标变量的结果不仅仅受到输入变量当前值的影响,同时受到一定时间段内的输入变量的影响,因此,单一影响因素的取值应为时间序列值。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种自来水混凝剂加药量的预测方法及系统。
根据本发明提供的一种自来水混凝剂加药量的预测方法,包括:
步骤S1:利用深度学习算法建立混凝剂投加量计算模型;
步骤S2:将自来水混凝剂投加量的影响因素输入混凝剂投加量计算模型,预测混凝剂加药量。
优选地,所述自来水混凝剂投加量的影响因素包括进水流量、进水浊度、进水PH、水温、混凝剂实际投加量、混凝池搅拌强度、混凝池液位、沉淀池出水浊度以及沉淀池浊度设定目标。
优选地,所述混凝剂投加量计算模型包括输入层、隐含层以及输出层;
所述隐含层包括时间序列层和全连接层。
优选地,所述混凝池搅拌强度采用:
其中,StInt表示混凝池搅拌强度;θ表示功率修正因子;η表示搅拌强度修正因子;Voltage表示搅拌机电压;Current表示搅拌机电流;Length表示混凝池长度;Width表示混凝池宽度;WLev表示混凝池液位。
优选地,所述沉淀池浊度设定目标根据实际生产需要或供水水质指标的变更对沉淀池浊度设定目标值进行调整。
优选地,每个影响因素取值采用预设时间段内的序列值作为混凝剂投加量计算模型的输入。
优选地,将自来水混凝剂投加量的影响因素以及预测混凝剂加药量进行数据归一化处理;所述数据归一化处理的方法包括最大最小法。
根据本发明提供的一种自来水混凝剂加药量的预测系统,包括:
模块M1:利用深度学习算法建立混凝剂投加量计算模型;
模块M2:将自来水混凝剂投加量的影响因素输入混凝剂投加量计算模型,预测混凝剂加药量。
优选地,所述自来水混凝剂投加量的影响因素包括进水流量、进水浊度、进水PH、水温、混凝剂实际投加量、混凝池搅拌强度、混凝池液位、沉淀池出水浊度以及沉淀池浊度设定目标;
所述混凝池搅拌强度采用:
其中,StInt表示混凝池搅拌强度;θ表示功率修正因子;η表示搅拌强度修正因子;Voltage表示搅拌机电压;Current表示搅拌机电流;Length表示混凝池长度;Width表示混凝池宽度;WLev表示混凝池液位;
所述沉淀池浊度设定目标根据实际生产需要或供水水质指标的变更对沉淀池浊度设定目标值进行调整;
每个影响因素取值采用预设时间段内的序列值作为混凝剂投加量计算模型的输入;
将自来水混凝剂投加量的影响因素以及预测混凝剂加药量进行数据归一化处理;所述数据归一化处理的方法包括最大最小法。
优选地,所述混凝剂投加量计算模型包括输入层、隐含层以及输出层;
所述隐含层包括时间序列层和全连接层。
与现有技术相比,本发明具有如下的有益效果:
1、模型输入变量除了进水流量、进水浊度、水温、混凝剂实际投加量、沉淀池出水浊度等因素外,亦将源水pH、沉淀池浊度设定目标值、混凝池液位、搅拌强度等影响药剂投加量的因素作为模型输入变量,最大程度上考虑了混凝剂投加量的影响因素;
2、本发明引入源水pH变量,能够实时获取源水因天气变化、藻类数量等因素变化造成的源水pH变化;
3、实际运行过程中,可根据实际生产需要或供水水质指标的变更对沉淀池浊度设定目标值进行调整;
4、将影响矾花生成时间、矾花大小等影响浊度去除的搅拌强度和混凝池液位等作为模型计算输入变量,更加真实反映药剂投加量对矾花沉淀效果以及沉后出水浊度的影响;
5、单一影响因素取值采用一段时间内的序列值作为模型的输入变量,能够更加真实反映混凝剂投加量对完整的混凝、絮凝、凝聚、沉淀等矾花生成、矾花粒径变化以及矾花去除的全部影响过程,兼顾了药剂投加量预测目标既受到输入变量当前值的影响,又受到一定时间段内的输入变量的影响,提高了计算精准度。
6、确定计算加药量的影响因素,作为模型输入变量,采用人工神经网络模型计算的结构,解决了混凝剂投加量难以准确计算的问题,对优化混凝剂投加量,稳定沉淀处理后的出水浊度、保障供水水质安全具有重要意义。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为自来水混凝剂投加量预测模型的人工神经网络拓扑结构图。
图2为模型预测值与实际值对比图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
本发明设计了一种基于人工神经网络的自来水混凝剂投加量的计算方法,通过构建自来水混凝剂投加量计算的神经网络模型,为混凝剂投加系统的优化控制提供了一种投加量控制目标的计算方法。
本发明与现有技术相比的优点在于:本发明利用深度学习算法建立混凝剂投加量计算模型,模型输入变量包含了混凝药剂投加量的直接影响因素(如进水流量、进水浊度、水温、混凝剂实际投加量、混凝池液位、沉淀池出水浊度、沉淀池浊度设定目标值)的同时,亦将影响矾花生成时间、矾花大小等影响浊度去除的搅拌强度、进水pH等作为模型计算输入变量,此外,单一影响因素取值采用一段时间内的序列值,能够更加真实反映预测目标变量的结果不仅仅受到输入变量当前值的影响、同时受到一定时间段内输入变量的影响的实际工况,极大的提高了预测准确度,具有极大的社会价值和现实意义。
根据本发明提供的一种自来水混凝剂加药量的预测方法,包括:
步骤S1:利用深度学习算法建立混凝剂投加量计算模型;
步骤S2:将自来水混凝剂投加量的影响因素输入混凝剂投加量计算模型,预测混凝剂加药量。
具体地,所述自来水混凝剂投加量的影响因素包括进水流量、进水浊度、进水PH、水温、混凝剂实际投加量、混凝池搅拌强度、混凝池液位、沉淀池出水浊度以及沉淀池浊度设定目标。
具体地,所述混凝剂投加量计算模型包括输入层、隐含层以及输出层;
所述隐含层包括时间序列层和全连接层。
具体地,所述混凝池搅拌强度采用:
其中,StInt表示混凝池搅拌强度;θ表示功率修正因子;η表示搅拌强度修正因子;Voltage表示搅拌机电压;Current表示搅拌机电流;Length表示混凝池长度;Width表示混凝池宽度;WLev表示混凝池液位。
具体地,所述沉淀池浊度设定目标根据实际生产需要或供水水质指标的变更对沉淀池浊度设定目标值进行调整。
具体地,每个影响因素取值采用预设时间段内的序列值作为混凝剂投加量计算模型的输入。
具体地,将自来水混凝剂投加量的影响因素以及预测混凝剂加药量进行数据归一化处理;所述数据归一化处理的方法包括最大最小法。
根据本发明提供的一种自来水混凝剂加药量的预测系统,包括:
模块M1:利用深度学习算法建立混凝剂投加量计算模型;
模块M2:将自来水混凝剂投加量的影响因素输入混凝剂投加量计算模型,预测混凝剂加药量。
具体地,所述自来水混凝剂投加量的影响因素包括进水流量、进水浊度、进水PH、水温、混凝剂实际投加量、混凝池搅拌强度、混凝池液位、沉淀池出水浊度以及沉淀池浊度设定目标;
所述混凝池搅拌强度采用:
其中,StInt表示混凝池搅拌强度;θ表示功率修正因子;η表示搅拌强度修正因子;Voltage表示搅拌机电压;Current表示搅拌机电流;Length表示混凝池长度;Width表示混凝池宽度;WLev表示混凝池液位;
所述沉淀池浊度设定目标根据实际生产需要或供水水质指标的变更对沉淀池浊度设定目标值进行调整;
每个影响因素取值采用预设时间段内的序列值作为混凝剂投加量计算模型的输入;
将自来水混凝剂投加量的影响因素以及预测混凝剂加药量进行数据归一化处理;所述数据归一化处理的方法包括最大最小法。
具体地,所述混凝剂投加量计算模型包括输入层、隐含层以及输出层;
所述隐含层包括时间序列层和全连接层。
实施例2
实施例2是实施例1的优选例
本发明利用深度学习算法建立混凝剂投加量计算模型,模型输入变量包含了混凝药剂投加量的直接影响因素(如进水流量、进水浊度、水温、混凝剂实际投加量、混凝池液位、沉淀池出水浊度、沉淀池浊度设定目标值)的同时,亦将影响矾花生成时间、矾花大小等影响浊度去除的搅拌强度、进水pH等作为模型计算输入变量,此外,单一影响因素取值采用一段时间内的序列值,能够更加真实反映预测目标变量的结果不仅仅受到输入变量当前值的影响、同时受到一定时间段内输入变量的影响的实际工况,极大的提高了预测准确度。
本发明提供的一种自来水混凝剂加药量的预测方法,包括:
步骤一:确定预测目标变量和输入变量;
步骤二:可直接通过在线仪表直接获取的输入变量;
步骤三:可间接通过在线仪表直接获取的输入变量包括混凝池搅拌强度;
步骤四:将步骤一中涉及到的预测目标变量和输入变量进行数据归一化处理,数据归一化处理的具体实现方法为最大最小法;
步骤五:建立混凝剂投加量计算模型;
步骤六:定义损失函数;
步骤七:训练混凝剂投加量计算模型。
训练数据来自某自来水厂的现场运行数据,分别选择进水流量、进水浊度、进水pH、水温、混凝剂实际投加量、混凝搅拌机电流、混凝池液位、沉淀池出水浊度、沉淀池浊度设定目标作为训练数据,数据样本总量为1409040个。
本发明的实施步骤如下:
(1)确定预测目标变量和输入变量:
以自来水混凝沉淀过程工艺为研究对象,以混凝剂投加量为预测变量,在众多影响混凝剂投加量的影响因素中选择进水流量、进水浊度、进水pH、水温、混凝剂实际投加量、混凝池搅拌强度、混凝池液位、沉淀池出水浊度、沉淀池浊度设定目标为输入变量。
(2)可直接通过在线仪表直接获取的输入变量包括:
进水流量、进水浊度、进水pH、水温、混凝剂实际投加量、混凝池液位、沉淀池出水浊度。
(3)可间接获取的输入变量包括混凝池搅拌强度,计算公式为
其中,
StInt:混凝池搅拌强度,单位Kw/m3;
θ:功率修正因子,取值范围为θ∈[1.4722,1.6454],取θ=1.5520
η:搅拌强度修正因子,取值范围为θ∈[0.75,1.0],取θ=0.80;
Voltage:搅拌机电压,单位V,默认值为380V,亦可取值为220V,取值为380V;
Length:混凝池长度,单位m,可通过测量获取,取值为2.50m;
Width:混凝池宽度,单位m,可通过测量获取,取值为2.50m。
Current:搅拌机电流,单位A,可通过在线电流表获取实时值;
WLev:混凝池液位,单位m,可通过在线液位计获取实时值;
(4)步骤(1)中涉及到的预测目标变量和输入变量进行数据归一化处理,数据归一化处理的具体实现方法为最大最小法,计算公式为
其中,X′i:数据归一化结果,X′i∈[0.0,1.0];
Xi:预测目标变量和输入变量的原始数据;
XMax:预测目标变量、输入变量的的最大值;
XMin:预测目标变量、输入变量的的最小值。
X′1为归一化后的进水流量数据数组,X1为归一化之前的进水流量数据数组,X1Max为归一化之前的进水流量数据数组中的最大值,X1Min为归一化之前的进水流量数据数组中的最小值。X2、X3、X4、X5、X6、X7、X8、X9分别为归一化之前的数据数组,分别为进水浊度、进水pH、水温、沉淀池出水浊度、混凝池搅拌强度、混凝池液位、混凝剂实际投加量、沉淀池出水浊度目标值,混凝剂投加量为预测变量,数据数组为X10。确定各数据数组的最大值和最小值,采用公式(2)的数据归一化方法得到归一化后的数据数组分别为X′2、X′3、X′4、X′5、X′6、X′7、X′8、X′9、X′10,将数据数组X′1、X′2、X′3、X′4、X′5、X′6、X′7、X′8、X′9、X′10中的前1127232个数据数组划分为模型训练样本数据,剩余281808个数据划分为模型测试样本数据。
(5)混凝剂投加量计算模型的建立:
如图1所示,混凝剂投加量计算模型的基本拓扑结构分为输入层、隐含层(一层时间序列层和一层全连接层)和输出层,所建立的人工神经网络的拓扑结构为9—500—200—1的连接方式,其中输入层的神经元个数为9个,隐含层的时间序列层的神经元个数为500个,隐含层的全连接层的神经元个数为200个,输出层的神经元个数为1个。
①输入层
输入层有9个神经元组成,即:
X=[Influent TurIn pHInWTem TurOut StIntWLev DosageFlow TurSP]T
其中,
Influent:进水流量,单位:m3/h;
TurIn:进水浊度,单位:NTU;
pHIn:进水pH单位:1;
WTem:水温,单位:℃;
TurOut:沉淀池出水浊度,单位:NTU;
StInt:混凝池搅拌强度,单位Kw/m3;
WLev:混凝池液位,单位:m;
DosageFlow:混凝剂实际投加量,单位:L/h;
TurSP:沉淀池出水浊度目标值,单位:NTU;
由于选定的模型输入变量对预测目标变量的影响存在滞后性,即预测目标变量的结果不仅仅受到输入变量当前值的影响,同时受到一定时间段内的输入变量的影响,因此,输入层的单一神经元的输入为时间序列值,时间序列值的个数为30,即单一时刻的输入层为30×9的矩阵,则第i(i≥30)时刻的输入层Xi对应的数据结构如下:
即,单个时刻的输入层最终的维数为9×30。
②隐含层
隐含层共包含两层神经网络层,分别为一层时间序列层和一层全连接层。
时间序列层:
时间序列层的神经元个数为500,时间序列层中的单个神经元的计算过程分为信息筛选计算、主状态标记更新、神经元输出结果计算和次状态标记更新四个过程,第j个神经元对应的上述四个过程的具体计算过程定义如下:
定义主状态标记更新函数Ct,j,其计算方法如下:
定义神经元输出结果计算Ot,j,其计算方法如下:
定义次状态标记更新函数ht,j,其计算方法如下:
公式(3)、(4)、(5)、(6)、(7)中符号意义如下:
xt输入层Xi中的第t行对应的数据,xt的维数为1×9,t∈[1,30];
Wf,x,j参数初值获取方式为随机数方法,赋值范围为[-1,1],参数Wf,x,j的维数为500×30×9。f表示时间序列层的神经元个数f=1,2,3,……,500,x表示时间序列值个数x=1,2,3,……,30,j表示输入层神经元个数j=1,2,3,……,9。
Wii,x,j参数初值获取方式为随机数方法,赋值范围为[-1,1],参数Wii,x,j的维数为500×30×9。ii表示时间序列层的神经元个数ii=1,2,3,……,500,x表示时间序列值个数x=1,2,3,……,30,j表示输入层神经元个数j=1,2,3,……,9。
WC,x,j参数初值获取方式为随机数方法,赋值范围为[-1,1],参数WC,x,j的维数为500×30×9。C表示时间序列层的神经元个数C=1,2,3,……,500,x表示时间序列值个数x=1,2,3,……,30,j表示输入层神经元个数j=1,2,3,……,9。
bf参数初值获取方式为随机数方法,赋值范围为[-1,1],f表示时间序列层的神经元个数与时间序列值个数的乘积,f=1,2,3,……,15000(f=500×30)。
bi参数初值获取方式为随机数方法,赋值范围为[-1,1],i表示时间序列层的神经元个数与时间序列值个数的乘积,i=1,2,3,……,15000(i=500×30)。
bc参数初值获取方式为随机数方法,赋值范围为[-1,1],c表示时间序列层的神经元个数与时间序列值个数的乘积,c=1,2,3,……,15000(c=500×30)。
bo参数初值获取方式为随机数方法,赋值范围为[-1,1],o表示时间序列层的神经元个数,o=1,2,3,……,500。
h0,j参数初值获取方式为随机数方法,赋值范围为[-1,1],t=1时刻对应的ht-1,j、即h0,j值,j为时间序列层的神经元个数,o=1,2,3,……,500。
C0,j参数初值获取方式为随机数方法,赋值范围为[-1,1],t=1时刻对应的Ct-1,j、即C0,j值,j为时间序列层的神经元个数,o=1,2,3,……,500。
时间序列层共有500个神经元,每个神经元重复上述计算过程,直至完成时间序列层中所有神经元的计算。
全连接层:
时间序列层的神经元的输出结果Ot,j作为全连接层的输入,全连接层共有200个神经元,全连接层中第k(k≤200)个神经元的的具体计算过程定义如下:
第k神经元输出结果ODes,k,其计算方法如下:
Wk,j参数初值获取方式为随机数方法,赋值范围为[-1,1],k表示全连接层的神经元个数,k=1,2,3,……,200,j表示全连接层的输入个数(时间序列层的神经元个数),j=1,2,3,……,500。
bk参数初值获取方式为随机数方法,赋值范围为[-1,1],k表示全连接层的神经元个数,k=1,2,3,……,200。
全连接层的神经元个数为200时,则每个神经元重复上述计算过程,直至完成全连接层中所有神经元的计算。
③输出层
输出层有1个神经元组成,即混凝剂投加量预测值YPre。由于输入层每个神经元的输入数据为时间序列值,同理,输出层的数据也是时间序列值,即单一时刻的输出层为30×1的向量,则第i(i≥30)时刻的输出层YPre,i对应的数据结构如下:
隐含层中的全连接层输出ODes,k作为输出层的输入,输出层的具体计算过程定义如下:
定义输出层的计算结果YPre,t,其计算方法如下:
YPre,t=Wk·ODes,t,k+bPre (9)
其中,
YPre,t神经网络输出的混凝剂预测投加量,单位:L/h;
Wk参数初值获取方式为随机数方法,赋值范围为[-1,1],k表示全连接层的神经元个数,k=1,2,3,……,200。
bPre参数为单一值,初值获取方式为随机数方法,赋值范围为[-1,1]。
(6)定义损失函数Loss(t)为:
其中,
M:训练样本总数,M=1127232个;
Yobs(t):t时刻神经网络的实际输出,单位:L/h;
YPre(t):t时刻神经网络的预测输出,单位:L/h。
(7)混凝剂投加量计算模型校正,具体为:
①采用随机数方法给定隐含层和输出层的权重系数、偏置系数,赋值范围为[-1,1];
②采用步骤(4)中的方法对输入数据进行归一化后的训练数据X(1,30),X(2,30),X(3,30),X(4,30),……,X(1127232,30)作为模型的输入数据,根据公式(3)、(4)、(5)、(6)、(7)、(8)、(9)计算混凝剂预测投加量的预测值Y(1,30),Y(2,30),X(3,30),X(4,30),……,Y(1127232,30);
③根据公式(10)计算真实值与模型预测值之间的损失函数Loss(t)的值,基于判断条件Loss(t)≤LossDE(LossDE=0.0003)对所构建的人工神经网络进行训练,训练迭代次数为201万次时损失函数Loss=0.000255,满足判断条件,完成模型的训练过程。
(8)混凝剂投加量预测,具体为:
将测试样本作为混凝剂投加量预测的输入,混凝剂投加量预测的输出即为混凝剂投加量的预测值。将预测结果与真实数据进行对比,如图2所示:
X轴为测试样本个数(单位:个),Y轴为混凝剂投加量(单位:L/h)。对比结果表明所建立的人工神经网络预测混凝剂投加量的有效性。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种自来水混凝剂加药量的预测方法,其特征在于,包括:
步骤S1:利用深度学习算法建立混凝剂投加量计算模型;
步骤S2:将自来水混凝剂投加量的影响因素输入混凝剂投加量计算模型,预测混凝剂加药量。
2.根据权利要求1所述的自来水混凝剂加药量的预测方法,其特征在于,所述自来水混凝剂投加量的影响因素包括进水流量、进水浊度、进水PH、水温、混凝剂实际投加量、混凝池搅拌强度、混凝池液位、沉淀池出水浊度以及沉淀池浊度设定目标。
3.根据权利要求1所述的自来水混凝剂加药量的预测方法,其特征在于,所述混凝剂投加量计算模型包括输入层、隐含层以及输出层;
所述隐含层包括时间序列层和全连接层。
5.根据权利要求2所述的自来水混凝剂加药量的预测方法,其特征在于,所述沉淀池浊度设定目标根据实际生产需要或供水水质指标的变更对沉淀池浊度设定目标值进行调整。
6.根据权利要求2所述的自来水混凝剂加药量的预测方法,其特征在于,每个影响因素取值采用预设时间段内的序列值作为混凝剂投加量计算模型的输入。
7.根据权利要求1所述的自来水混凝剂加药量的预测方法,其特征在于,将自来水混凝剂投加量的影响因素以及预测混凝剂加药量进行数据归一化处理;所述数据归一化处理的方法包括最大最小法。
8.一种自来水混凝剂加药量的预测系统,其特征在于,包括:
模块M1:利用深度学习算法建立混凝剂投加量计算模型;
模块M2:将自来水混凝剂投加量的影响因素输入混凝剂投加量计算模型,预测混凝剂加药量。
9.根据权利要求8所述的自来水混凝剂加药量的预测系统,其特征在于,所述自来水混凝剂投加量的影响因素包括进水流量、进水浊度、进水PH、水温、混凝剂实际投加量、混凝池搅拌强度、混凝池液位、沉淀池出水浊度以及沉淀池浊度设定目标;
所述混凝池搅拌强度采用:
其中,StInt表示混凝池搅拌强度;θ表示功率修正因子;η表示搅拌强度修正因子;Voltage表示搅拌机电压;Current表示搅拌机电流;Length表示混凝池长度;Width表示混凝池宽度;WLev表示混凝池液位;
所述沉淀池浊度设定目标根据实际生产需要或供水水质指标的变更对沉淀池浊度设定目标值进行调整;
每个影响因素取值采用预设时间段内的序列值作为混凝剂投加量计算模型的输入;
将自来水混凝剂投加量的影响因素以及预测混凝剂加药量进行数据归一化处理;所述数据归一化处理的方法包括最大最小法。
10.根据权利要求8所述的自来水混凝剂加药量的预测系统,其特征在于,所述混凝剂投加量计算模型包括输入层、隐含层以及输出层;
所述隐含层包括时间序列层和全连接层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111005572.5A CN113705898A (zh) | 2021-08-30 | 2021-08-30 | 自来水混凝剂加药量的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111005572.5A CN113705898A (zh) | 2021-08-30 | 2021-08-30 | 自来水混凝剂加药量的预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113705898A true CN113705898A (zh) | 2021-11-26 |
Family
ID=78656959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111005572.5A Pending CN113705898A (zh) | 2021-08-30 | 2021-08-30 | 自来水混凝剂加药量的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705898A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114933353A (zh) * | 2022-05-31 | 2022-08-23 | 浙江天行健水务有限公司 | 一种混凝剂的自动投加方法 |
CN115072850A (zh) * | 2022-08-16 | 2022-09-20 | 山东仲良格环保技术有限公司 | 智能优化控制方法及基于该方法的pac投加控制系统 |
CN115293027A (zh) * | 2022-07-08 | 2022-11-04 | 上海城市水资源开发利用国家工程中心有限公司 | 一种自来水厂高密度澄清处理工艺出水浊度的预测方法 |
CN115385432A (zh) * | 2022-09-19 | 2022-11-25 | 上海西派埃智能化系统有限公司 | 一种污水除磷的方法及系统 |
CN116947189A (zh) * | 2023-09-19 | 2023-10-27 | 武汉科迪智能环境股份有限公司 | 混凝剂投加控制方法、装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN200950228Y (zh) * | 2006-01-27 | 2007-09-19 | 深圳市开天源自动化工程有限公司 | 一种混凝投药控制设备 |
KR20110029891A (ko) * | 2009-09-16 | 2011-03-23 | 한국건설기술연구원 | 데이터마이닝 기법에 의한 응집제 자동제어 장치 및 이를 이용한 응집제 자동제어 방법 |
KR101197400B1 (ko) * | 2011-10-25 | 2012-11-05 | 김규태 | 유입 원수와 여과수 탁도 측정을 통한 약품 주입량 최적화 시스템 |
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 |
CN111138004A (zh) * | 2020-01-14 | 2020-05-12 | 山东省城市供排水水质监测中心 | 一种混凝剂投加控制系统及方法 |
CN112101352A (zh) * | 2020-09-10 | 2020-12-18 | 广州深视未来智能科技有限责任公司 | 水下矾花状态识别方法及监测装置、计算机设备和存储介质 |
-
2021
- 2021-08-30 CN CN202111005572.5A patent/CN113705898A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN200950228Y (zh) * | 2006-01-27 | 2007-09-19 | 深圳市开天源自动化工程有限公司 | 一种混凝投药控制设备 |
KR20110029891A (ko) * | 2009-09-16 | 2011-03-23 | 한국건설기술연구원 | 데이터마이닝 기법에 의한 응집제 자동제어 장치 및 이를 이용한 응집제 자동제어 방법 |
KR101197400B1 (ko) * | 2011-10-25 | 2012-11-05 | 김규태 | 유입 원수와 여과수 탁도 측정을 통한 약품 주입량 최적화 시스템 |
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 |
CN111138004A (zh) * | 2020-01-14 | 2020-05-12 | 山东省城市供排水水质监测中心 | 一种混凝剂投加控制系统及方法 |
CN112101352A (zh) * | 2020-09-10 | 2020-12-18 | 广州深视未来智能科技有限责任公司 | 水下矾花状态识别方法及监测装置、计算机设备和存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114933353A (zh) * | 2022-05-31 | 2022-08-23 | 浙江天行健水务有限公司 | 一种混凝剂的自动投加方法 |
CN115293027A (zh) * | 2022-07-08 | 2022-11-04 | 上海城市水资源开发利用国家工程中心有限公司 | 一种自来水厂高密度澄清处理工艺出水浊度的预测方法 |
CN115072850A (zh) * | 2022-08-16 | 2022-09-20 | 山东仲良格环保技术有限公司 | 智能优化控制方法及基于该方法的pac投加控制系统 |
CN115385432A (zh) * | 2022-09-19 | 2022-11-25 | 上海西派埃智能化系统有限公司 | 一种污水除磷的方法及系统 |
CN116947189A (zh) * | 2023-09-19 | 2023-10-27 | 武汉科迪智能环境股份有限公司 | 混凝剂投加控制方法、装置及存储介质 |
CN116947189B (zh) * | 2023-09-19 | 2023-12-08 | 武汉科迪智能环境股份有限公司 | 混凝剂投加控制方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113705898A (zh) | 自来水混凝剂加药量的预测方法及系统 | |
CN103011356B (zh) | 一种高浊度水系自动投药控制方法 | |
CN102385315B (zh) | 水厂智能混凝投药控制系统及其控制方法 | |
KR940005029B1 (ko) | 프로세스 운전지원방법 및 시스템 | |
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 | |
CN101825870B (zh) | 一种控制水处理絮凝剂投放量的方法及系统 | |
CN111291937A (zh) | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 | |
CN106802563B (zh) | 一种基于果蝇优化和lssvm的污水过程优化控制方法 | |
CN105301960B (zh) | 一种自来水凝絮剂投加量的控制方法 | |
CN102616927B (zh) | 一种污水处理的工艺参数的调整方法及装置 | |
JP4492473B2 (ja) | 凝集剤注入制御装置および方法 | |
CN111718028A (zh) | 一种基于大数据分析的净水厂混凝剂投加智能化建模方法 | |
CN111650834B (zh) | 基于极限学习机的污水处理过程预测控制方法 | |
CN101607151B (zh) | 嵌入式智能加药控制器及其控制方法 | |
CN103810309B (zh) | 基于约束理论的a2o 城市污水处理工艺的软测量建模方法 | |
CN110357236B (zh) | 一种基于突变反演出水预测模型的污水厂智慧操控方法 | |
US20230257283A1 (en) | Process, system, and computer readable storage medium for determining optimal coagulant dosage | |
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 | |
CN104914227A (zh) | 基于多高斯核自优化相关向量机的污水水质软测量方法 | |
KR19980053273A (ko) | 상수처리 시스템의 응집제 주입율 자동 연산 장치 및 방법 | |
CN115375009B (zh) | 一种建立混凝智能监控联动系统的方法 | |
CN115108595A (zh) | 基于机器学习的净水剂智能投加方法 | |
US20220194830A1 (en) | Cooperative optimal control method and system for wastewater treatment process | |
CN115759399A (zh) | 投加控制方法、装置、设备及存储介质 | |
CN115481720A (zh) | 基于br-narx神经网络的混凝剂加药量的预测方法 |
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 |