CN114119277A - 一种基于人工智能神经网络的絮凝投药决策的分析方法 - Google Patents
一种基于人工智能神经网络的絮凝投药决策的分析方法 Download PDFInfo
- Publication number
- CN114119277A CN114119277A CN202111357167.XA CN202111357167A CN114119277A CN 114119277 A CN114119277 A CN 114119277A CN 202111357167 A CN202111357167 A CN 202111357167A CN 114119277 A CN114119277 A CN 114119277A
- Authority
- CN
- China
- Prior art keywords
- neural network
- chromosomes
- data
- selecting
- dosage
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 93
- 238000005189 flocculation Methods 0.000 title claims abstract description 38
- 230000016615 flocculation Effects 0.000 title claims abstract description 38
- 238000004458 analytical method Methods 0.000 title claims abstract description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 95
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 230000002068 genetic effect Effects 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 239000003814 drug Substances 0.000 claims abstract description 6
- 210000000349 chromosome Anatomy 0.000 claims description 64
- 210000002569 neuron Anatomy 0.000 claims description 25
- 210000002364 input neuron Anatomy 0.000 claims description 17
- 210000004205 output neuron Anatomy 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 9
- 230000035945 sensitivity Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 claims description 3
- 239000008394 flocculating agent Substances 0.000 abstract description 6
- 229940079593 drug Drugs 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract 2
- 238000012360 testing method Methods 0.000 description 14
- 238000005457 optimization Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 239000013049 sediment Substances 0.000 description 6
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 5
- 229910052698 phosphorus Inorganic materials 0.000 description 5
- 239000011574 phosphorus Substances 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000000556 factor analysis Methods 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 150000003839 salts Chemical class 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000003651 drinking water Substances 0.000 description 2
- 235000020188 drinking water Nutrition 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- AZDRQVAHHNSJOQ-UHFFFAOYSA-N alumane Chemical class [AlH3] AZDRQVAHHNSJOQ-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012482 interaction analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 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
- 230000008844 regulatory mechanism Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000004065 wastewater treatment Methods 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于人工智能神经网络的絮凝投药决策的分析方法，包括如下步骤：选用历史检测原水样本数据，并从中选择部分数据转化成原始水质信号；计算这部分原始水质信号的絮凝重要程度，然后进行降序排列，选出排列在前P个参数作为该原水样本的最相关参数组成训练样本；通过遗传算法选择最优的权值和阈值初始化BP神经网络，然后用训练样本对BP神经网络进行训练，最终得到训练好的BP神经网络模型作为投药量计算模型。通过本发明所使用的方法可以将神经网络与絮凝剂投药量更紧密的结合并进行应用，使得对原水投药量的预测更加准确。
Description
技术领域
本发明涉及絮凝分析领域，特别涉及一种基于人工智能神经网络的絮凝投药决策的分析方法。
背景技术
现有絮凝是饮用水厂操作的核心操作单元之一，对后续工艺的影响极其显著，在净水和废水治理中扮演重要的作用。在目前絮凝研究中，数值分析方法和单因素分析法是当前絮凝问题分析的主要方法，但是单因素分析法只能在在固定条件下观察絮凝行为。与单因素分析方法不同，非线性的多因素分析方法是结合了单因素与多个因素的交互作用产生，具有重要的影响，能够削减实验次数、更好观察多种因素变化条件下的絮凝行为。响应面方法是目前应用最为广泛的优化技术，但也存在显著问题。2017年，VineetaSingh等阐明了RSM的一些局限：基于二阶多项式方程的响应预测通常局限于低水平，导致对最优公式的估计不足；涉及大量的变量时，在物理和化学基础上，为给定的反应系统建立严格的模型具有挑战性，五个以上变量的交互作用分析变得非常复杂。
针对当前国内水厂自动投药方面，大部分水厂正处于起步阶段，仍通过过量投药和凭视觉经验投药满足达到出水水质要求，这种较为落后的状况与现代产、供水要求及饮水品质要求差距较大，存在：药耗高、经济效益差、水质不稳定、工人劳动强度大等一系列问题。因此，简便的絮凝投药控制的决策分析方法研究在水处理行业具有必要性、迫切性。人工神经网络目前的应用较多，但人们通过神经网络进行一些絮凝预测研究中，输入信息结构、信息存贮机制以及信息输出产生的絮凝影响调控机制不足与匮乏。其次，絮凝具有时变、非线性和外扰多等问题，受水力条件，金属盐絮凝剂与水质影响显著。
如何将神经网络与絮凝剂投药量结合，解决现有絮凝剂浪费、水质不稳定、工人劳动强度大等一系列问题目前还是一个未解的难题。
发明内容
针对现有技术存在的上述问题，本发明要解决的技术问题是：如何将神经网络与絮凝剂投药量结合，尽可能的准确预测投药量。
为解决上述技术问题，本发明采用如下技术方案：一种基于人工智能神经网络的絮凝投药决策的分析方法，包括如下步骤：
S100：选用公开历史原水样本数据参数，从原水样本数据参数中选择M个相关数据参数，并将M个相关数据参数的值转化成相对应的原始水质信号；
S110：使用敏感性评价方法计算M个原始水质信号相对应的絮凝重要程度Qik，Qik的计算公式如下：
其中，Qik表示第i个输入神经元对输出的絮凝效率的重要性程度；N表示输入神经元，L表示隐藏层神经元，K表示输出神经元；Wij表示第i个输入神经元和第j个隐藏层神经元的权值；vjk表示第j个隐藏层神经元与第k个输出神经元的权值；
S120：对所有Qik进行降序排列，从M个原始水质信号中选择前P个Qik对应的相关数据参数作为此原水样本的最相关数据参数；
S130：对P个最相关数据参数进行归一化处理，得到用于BP神经网络的源数据；
S200：建立Y个BP神经网络，所述S130中源数据包括多个训练样本和该训练对应的真实加药量；
S210：初始化Y个BP神经网络的参数，得到与Y个BP神经网络相对应的Y组权值和阈值；
S220：对Y组权值和阈值进行编码，得到Y条一代染色体，每条染色体都与原BP神经网络一一对应；
S230：使用选择操作从Y条一代染色体中选择2A条染色体；
S240：将步骤S230选出的2A条染色体进行交叉操作，得到2A条新的染色体；
S250：用2A条新的染色体和S230中未被选中的Y-2A条染色体组成二代染色体；
S260：从二代染色体中随机选择B条染色体进行变异操作，得到B条变异后的染色体；
S270：用B条变异后的染色体与S260中未进行变异操作的Y-B条二代染色体组合得到三代染色体；
S300：将三代染色体解码后的值赋给原BP神经网络得到Y个新的BP神经网络；
S400:随机选择一个训练样本分别输入三代染色体对应的Y条新的BP神经网络，得到Y个预测投药量；
利用如下公式计算该训练样本的实际投药量o真与预测投药量y测的适应度值Fy,y＝1,2,3…Y；
其中，i为网络输出节点数，i＝{1,2,…,n}；k为适应度系数；
选取Fy,y＝1,2,3…Y中值最小的Fy-m，如果Fy-min小于或等于预先设定的阈值，则选择Fy-min对应的BP神经网络作为优选初始化BP神经网络，并执行下一步；
如果Fy-min大于预先设定的阈值，则采用梯度下降法更新Y个BP神经网络的参数，并返回S220；
S500：随机选择训练样本作为优选初始化BP神经网络的输入，得到该训练样本预测投药量；
S600：利用如下公式计算该训练样本的实际投药量o真与预测投药量y测的适应度值：
其中，Fd表示第d次迭代得到的训练样本的实际投药量o真与预测投药量y测的适应度值，i为网络输出节点数，i＝{1,2,…,n}；k为适应度系数；
S700：采用梯度下降法反向更新优选初始化BP神经网络中的参数，当训练达到最大迭代次数D时停止训练，选择D个Fd中值最小的
将
对应的优选初始化BP神经网络作为最终训练好的BP神经网络模型；
S800：将待预测原水样本通过步骤S100-S130处理得到待预测原水样的源数据，将源数据输入到S700中最终训练好的BP神经网络模型，得到BP神经网络模型的输出数据；
S900：将所述输出数据进行反归一化操作，得到待预测原水样本的投药量。
作为优选，所述S130中对提取出的最相关参数进行归一化处理的具体表达式如下：
Dk＝(Di－Dmin)/(Dmax－Dmin)
其中，Dk表示归一化后的值，Dmin表示所有最相关参数数据序列中的最小数，Dmax表示所有最相关参数数据序列中的最大数，Di表示样本第i个数据。
采集的原水质数据信号实时传输至预处理模块，水质数据信号在预处理模块中进行归一化处理,提高原始数据的精度和算法的执行效率，本处理将所有水质数据信号都转化为[0,1]之间的数，目的是取消各维数据间数量级差别，避免因为输入输出数据数量级差别较大而造成网络预测误差较大。
作为优选，所述S230中遗传算法的选择操作使用轮盘赌法，通过选择概率Pj进行染色体的选择，具体计算公式如下：
其中，Fj＝Fy表示第j条染色体的的适应度值，u表示适应度倒数系数；N表示种群个体数目，N＝Y。
轮盘赌法比较容易操作，并且在此处使用也可以获得满意的适应度最好的个体组成新种群，选择操作依靠适应度值从旧数据中选择好的数据，适应度值越好，被选择进入交叉操作的概率就越高。
作为优选，所述S240中交叉操作使用实数交叉法，具体计算公式如下：
其中，b是[0,1]间的随机数，akj表示在j位的第k个染色体，alj表示在j位第l个染色体。
由于个体采用实数编码，所以本专利的交叉操作方法采用实数交叉法，通过选择操作的大量水质信号随机交换信息，相互组合，产生更精确的水质数据。
作为优选，所述S260中变异操作具体计算公式如下：
f(g)＝r2(1-g/Gmax)2
其中，amax表示基因aij的上界；amin表示基因aij的下界；r2表示一个随机数；g表示当前迭代次数；Gmax表示最大金华次数；r表示[0,1]间的随机数。
变异操作是为了防止上述操作中所得的水质数据在运算过程中某些值改变，以避免失去一些有用的数据，致使算法出现错误。
作为优选，所述S500中优选初始化BP神经网络所使用的学习率为变学习率η，变学习率计算公式为：
η(t)＝ηmax-t(ηmax-ηmin)/tmax其中，ηmax表示最大学习率；ηmin表示最小学习率；tmax表示最大迭代次数；t表示当前迭代次数。
使用变学习率是因为在神经网络初期学习率设置比较大时，网络收敛会比较迅速；随着学习过程中的不断进行，学习率随之减小，网络会趋于稳定，这样有利于模型训练时的收敛。
相对于现有技术，本发明至少具有如下优点：
1.建立一种投药分析系统方法，作为决策絮凝剂投药的依据。采用神经网络模型对絮凝问题进行分析，神经网络具有自学习、自适应能力，不需要复杂的数学推导，非线性行为捕捉能力强，包含丰富的因子敏感性评价方法，在环境领域应用广泛，能够全面精确的将影响环境因子信息进行充分利用。
2.提高了对神经网络的利用效率。本发明采用遗传算法得到较好的网络赋值参数，将神经网络进行优化；之后再通过源数据对神经网络进行进一步的训练，这样可以提高对神经网络的利用效率，计算结果更加精准。
3.提出一种相关敏感因子选择方法。通过敏感性评价方法选择出最佳的相关参数进行分析，这样选择出来的敏感性参数与当前的原水水质情况是最相关的，这样可以更准确的预测出对原水的投药量结果。
附图说明
图1为本发明的模拟总框架。
图2为本发明的模拟算法流程。
图3为本发明的应用流程框架。
具体实施方式
下面对本发明作进一步详细说明。
本发明基于金属盐絮凝剂投药量与水力条件、水质之间的作用关系，建立一种投药分析系统方法，作为决策絮凝剂投药的依据，是目前水厂运营极为需要的辅助工具。
本发明所使用方法可以对原水投药量的预测更加准确，包括如下步骤：选用公开历史原水样本数据，并从中选择部分数据转化成原始水质信号；计算这部分原始水质信号的絮凝重要程度，然后进行降序排列，选出排列在前P个参数作为该原水样本的最相关参数组成训练样本；通过遗传算法选择最优的权值和阈值初始化BP神经网络，然后用训练样本对BP神经网络进行训练，最终得到训练好的BP神经网络模型作为投药量计算模型。
参见图1-3，一种基于人工智能神经网络的絮凝投药决策的分析方法，包括如下步骤：
S100：选用公开历史原水样本数据参数，从原水样本数据参数中选择M个相关数据参数，并将M个相关数据参数的值转化成相对应的原始水质信号；采用现有方法将M个相关数据参数的值转化成相对应的原始水质信号；一般情况下，通过采集原水中的温度、源水浊度、pH、流量、流速、源水浊度与沉淀水浊度G值,并将上述变量转化为原始水质信号。
S110：使用敏感性评价方法计算M个原始水质信号相对应的絮凝重要程度Qik，Qik的计算公式如下：敏感性评价方法为现有方法。
其中，Qik表示第i个输入神经元对输出的絮凝效率的重要性程度；N表示输入神经元，L表示隐藏层神经元，K表示输出神经元；Wij表示第i个输入神经元和第j个隐藏层神经元的权值；vjk表示第j个隐藏层神经元与第k个输出神经元的权值；在进行水质信号的规划选择时：采用水动力学(H)、金属盐絮凝剂(M)、水质(W)组合框架构建神经元。
S120：对所有Qik进行降序排列，从M个原始水质信号中选择前P个Qik对应的相关数据参数作为此原水样本的最相关数据参数；
S130：对P个最相关数据参数进行归一化处理，得到用于BP神经网络的源数据；
所述S130中对提取出的最相关参数进行归一化处理的具体表达式如下：
Dk＝(Di－Dmin)/(Dmax－Dmin)
其中，Dk表示归一化后的值，Dmin表示所有最相关参数数据序列中的最小数，Dmax表示所有最相关参数数据序列中的最大数，Di表示样本第i个数据。
S200：建立Y个BP神经网络，所述S130中源数据包括多个训练样本和该训练对应的真实加药量；
S210：初始化Y个BP神经网络的参数，得到与Y个BP神经网络相对应的Y组权值和阈值；BP神经网络为现有技术。
S220：对Y组权值和阈值进行编码，采用实数编码的，该编码方法为现有技术，得到Y条一代染色体，每条染色体都与原BP神经网络一一对应；
S230：使用选择操作从Y条一代染色体中选择2A条染色体；
所述S230中遗传算法的选择操作使用轮盘赌法，通过选择概率Pj进行染色体的选择，具体计算公式如下：
其中，Fj＝Fy表示第j条染色体的的适应度值，由于是适应度值越小越好，所以在染色体选择前可以对对适应度值求倒数；u为适应度倒数系数；N为种群个体数目，N＝Y。
S240：将步骤S230选出的2A条染色体进行交叉操作，得到2A条新的染色体；
所述S240中交叉操作使用实数交叉法，具体计算公式如下：
其中，b是[0,1]间的随机数，akj表示在j位的第k个染色体，alj表示在j位第l个染色体。具体表示为第k个染色体ak和第l个染色体al在j位的交叉操作。
S250：用2A条新的染色体和S230中未被选中的Y-2A条染色体组成二代染色体；
S260：从二代染色体中随机选择B条染色体进行变异操作，得到B条变异后的染色体；所述S260中变异操作具体计算公式如下：
f(g)＝r2(1-g/Gmax)2
其中，amax表示基因aij的上界；amin表示基因aij的下界；r2表示一个随机数；g表示当前迭代次数；Gmax表示最大金华次数；r表示[0,1]间的随机数。
S270：用B条变异后的染色体与S260中未进行变异操作的Y-B条二代染色体组合得到三代染色体；
S300：将三代染色体解码后的值赋给原BP神经网络得到Y个新的BP神经网络；
S400:随机选择一个训练样本分别输入三代染色体对应的Y条新的BP神经网络，得到Y个预测投药量；
利用如下公式计算该训练样本的实际投药量o真与预测投药量y测的适应度值Fy,y＝1,2,3…Y；
其中，i为网络输出节点数，i＝{1,2,…,n}；k为适应度系数；
选取Fy,y＝1,2,3…Y中值最小的Fy-min，如果Fy-min小于或等于预先设定的阈值，则选择Fy-min对应的BP神经网络作为优选初始化BP神经网络，并执行下一步；
如果Fy-min大于预先设定的阈值，则采用梯度下降法更新Y个BP神经网络的参数，并返回S220；
S500：随机选择训练样本作为优选初始化BP神经网络的输入，得到该训练样本预测投药量；
所述S500中优选初始化BP神经网络所使用的学习率为变学习率η，变学习率计算公式为：
η(t)＝ηmax-t(ηmax-ηmin)/tmax
其中，ηmax表示最大学习率；ηmin表示最小学习率；tmax表示最大迭代次数；t表示当前迭代次数。
S600：利用如下公式计算该训练样本的实际投药量o真与预测投药量y测的适应度值：
其中，Fd表示第d次迭代得到的训练样本的实际投药量o真与预测投药量y测的适应度值，i为网络输出节点数，i＝{1,2,…,n}；k为适应度系数；
S700：采用梯度下降法反向更新优选初始化BP神经网络中的参数，当训练达到最大迭代次数D时停止训练，选择D个Fd中值最小的
将
对应的优选初始化BP神经网络作为最终训练好的BP神经网络模型；
S800：将待预测原水样本通过步骤S100-S130处理得到待预测原水样的源数据，将源数据输入到S700中最终训练好的BP神经网络模型，得到BP神经网络模型的输出数据；
S900：将所述输出数据进行反归一化操作，得到待预测原水样本的投药量。
具体实施时，还可以引用HMW框架，所述HMW框架是通过使用主要元素属性的首字母作为方法的名称进行命名的。所以，根据敏感性评价方法获得如下HMW框架的敏感性因子：
水动力学因子(H)包括：G值(G＝(P/μV)1/2)，流速v；
金属盐(M)：铝盐自由离子形态(Ala)，多胶体形态(Alb)，高胶体形态(Alc)；
水质因子(W)：温度，浊度，pH，源水浊度和沉淀出水浊度差值，有效磷的含量，水体紫外光在250nm处的吸收值作为输入神经元；
使用HMW框架采集到的水质数据信号实时传输至预处理模块，水质信号在预处理模块中进行归一化处理,用来提高原始数据的精度和算法的执行效率。
在得到相应的水质信号数据后，通过遗传操作对所得的数据进行适应度值计算，对不满足结束条件的数据重新进行遗传操作，在满足结束条件的水质信号中获取最优权值和阈值，并对其进行误差计算。利用系统输入和期望输出的误差值修正权值和阈值，对满足条件的水质数据进行输出，最终预测得到精确的原水投药量。
本发明将神经网络赋予的初始权值与阈值，确定遗传算法个体的长度，采用染色体编码方法进行编码，进行遗传操作(如图1所示)。个体编码方法采用实数编码，每个个体均为一个实数串，由输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值4部分组成。个体包含了神经网络全部权值和阈值，构成一个结构、权值、阈值确定神经网络，再根据进化目标编写的计算个体适应度值的函数，通过适应度函数计算每个个体的适应度值，提供给选择算子进行选择，遗传算法通过选择操作、交叉操作和变异操作完成。
选择操作采用轮盘赌法从种群中选择适应度好的个体组成新种群；交叉操作从种群中选择两个个体，按一定概率交叉得到新个体；变异操作从种群中选择一个个体，按一定概率变异得到新个体，所设置的遗传算法参数包括群体大小，遗传代数，交叉概率和变异概率。本发明方法在进行实际实验时，可设置群体大小20-50，遗传代数20-50，交叉概率0.1-1.0，变异概率0.1-0.5。遗传算法获得最优的神经网络权值，传入神经网络进行计算，获得最优模拟结果和最优模型。
建立后的模型传入应用模块(如图2所示)。应用模块分为水质信号传入，数据预处理模块以及模拟模块，模拟模块再将信号传输给投药装置。建立后的神经网络模型是模拟模块。运行总体模块图，参考图1-图3。
实验数据
实施例1
一种基于人工智能神经网络的絮凝投药决策的分析方法，在MATLAB软件中编程实现基于遗传算法优化的BP神经网络非线性系统拟合算法。由输入层、中间层即隐含层、输出层组成。在同一层中含有许多神经元且相互间不作用，不同层次间的神经元相互作用。该分析方法模型的6个输入神经元节点数为：温度、源水浊度、pH、流量、流速、源水浊度与沉淀水浊度积值。1个输出神经元节点数：投药量。每个神经元节点总数据量均为254个，隐藏层参数为3。种群规模为20，进化次数为20次，交叉概率为0.8，变异概率为0.1,迭代次数为100，训练样本与测试样本的比值为1:5。该模型目标误差为0.01，学习率为0.1。模型的输入数据，首先进入输入层，再进入隐藏层，然后进入输出层，最后输出结果。通过神经网络训练输出结果，训练样本和测试样本拟合的标准值与实测值之间的相关性系数R值均能达到0.89，显示实测值与预测值之间相关性大，拟合优度高，预测效果好。从而可利用该模型预测絮凝投药量数值。
实施例2
一种基于人工智能神经网络的絮凝投药决策的分析方法，在MATLAB软件中编程实现基于遗传算法优化的BP神经网络非线性系统拟合算法。由输入层、中间层即隐含层、输出层组成。通过模型的权值进行变量的的灵敏度分析，得出不同参数对输出结果影响的重要程度。该模型的6个输入神经元节点数为：温度、源水浊度、pH、总磷、流量、沉淀水浊度。1个输出神经元节点数：投药量。每个神经元节点总数据量均为519个，隐藏层神经元数为3。种群规模为30，进化次数为30次，交叉概率为0.7，变异概率为0.2,迭代次数为100，训练样本与测试样本的比值为1：5。该模型目标误差为0.01，学习率为0.1。模型的输入数据，首先进入输入层，再进入隐藏层，然后进入输出层，最后输出结果。输出结果显示模型在测试集上准确度能达到73％，训练集上准确度都能达到79％，预测值与实际值相关性R值均方普遍在0.70以上，显示实测值与预测值之间相关性较大，拟合优度较高，预测效果较好。
实施例3
一种基于人工智能神经网络的絮凝投药决策的分析方法，在MATLAB软件中编程实现基于遗传算法优化的BP神经网络非线性系统拟合算法。由输入层、中间层即隐含层、输出层组成。该分析方法模型的6个输入神经元节点数为：温度、源水浊度、pH、总磷、流量、源水浊度与沉淀水浊度积值。1个输出神经元节点数：投药量。每个神经元节点总数据量均为519个，隐藏层神经元数为3。种群规模为50，进化次数为50次，交叉概率为0.8，变异概率为0.1,迭代次数为100，训练样本与测试样本的比值为3:10。该模型目标误差为0.01，学习率为0.1。模型的输入数据，首先进入输入层，再通过隐藏层，然后进入输出层，最后输出结果。输出结果显示模型在测试集上和在训练集上的准确度均能达到73％左右，显示预测值与实际值相关性R值均方普遍能达到0.73，显示预测效果较好。
实施例4
一种基于人工智能神经网络的絮凝投药决策的分析方法，在MATLAB软件中编程实现基于遗传算法优化的BP神经网络非线性系统拟合算法。由输入层、中间层即隐含层、输出层组成。该分析方法模型的5个输入神经元节点数为：温度、pH、流量、流速、源水浊度与沉淀水浊度差值。1个输出神经元节点数：投药量。每个神经元节点总数据量均为254个，隐藏层神经元数为3。种群规模为20，进化次数为100次，交叉概率为0.7，变异概率为0.1,迭代次数为100，训练样本与测试样本的比值为1:5。该模型目标误差为0.01，学习率为0.1。模型的输入数据，首先进入输入层，再通过隐藏层，然后进入输出层，最后输出结果。输出结果显示模型在测试集上准确度和训练集上准确度均能达到85％左右，显示预测值与实际值相关性R值均方普遍能达到0.86，显示预测效果较好。
实施例5：
一种基于人工智能神经网络的絮凝投药决策的分析方法，在MATLAB软件中编程实现基于遗传算法优化的BP神经网络非线性系统拟合算法。由输入层、中间层即隐含层、输出层组成。该分析方法模型的5个输入神经元节点数为：温度、pH、流量、流速、源水浊度与沉淀水浊度差值。1个输出神经元节点数：投药量。每个神经元节点总数据量均为440个，隐藏层神经元数为3。种群规模为50，进化次数为100次，交叉概率为0.8，变异概率为0.1,迭代次数为500，训练样本与测试样本的比值为1:5。该模型目标误差为0.01，学习率为0.05。模型的输入数据，首先进入输入层，再通过隐藏层，然后进入输出层，最后输出结果。输出结果显示模型在测试集上准确度和训练集上准确度均能达到80％左右，显示预测值与实际值相关性R值均方普遍能达到0.80，显示预测效果较好。
实施例6：
一种基于人工智能神经网络的絮凝投药决策的分析方法，在MATLAB软件中编程实现基于遗传算法优化的BP神经网络非线性系统拟合算法。由输入层、中间层即隐含层、输出层组成。该分析方法模型的7个输入神经元节点数为：温度、源水浊度、pH、总磷、流量、沉淀水浊度、源水浊度与沉淀水浊度积值。1个输出神经元节点数：投药量。每个神经元节点总数据量均为519个，隐藏层神经元数为3。种群规模sizepop为20，进化次数maxgen为20次，交叉概率为0.6，变异概率为0.3,迭代次数为500，训练样本与测试样本的比值为3:10。该模型目标误差为0.01，学习率为0.05。模型的输入数据，首先进入输入层，再通过隐藏层，然后进入输出层，最后输出结果。输出结果显示模型在测试集上准确度达到70％以上，在训练集上准确度都能达到80％以上，显示预测值与实际值相关性R值均方普遍能达到0.80左右，显示预测效果较好。
实施例7：
一种基于人工智能神经网络的絮凝投药决策的分析方法，在MATLAB软件中编程实现基于遗传算法优化的BP神经网络非线性系统拟合算法。由输入层、中间层即隐含层、输出层组成。该分析方法模型的6个输入神经元节点数为：温度、源水浊度、pH、总磷、流量、源水浊度与沉淀水浊度积值。1个输出神经元节点数：投药量。每个神经元节点总数据量均为519个，隐藏层神经元数为3。种群规模为50，进化次数为50次，交叉概率为0.8，变异概率为0.1,迭代次数为50，训练样本与测试样本的比值为3:10。该模型目标误差为0.01，学习率为0.1。模型的输入数据，首先进入输入层，再通过隐藏层，然后进入输出层，最后输出结果。输出结果显示模型在测试集上准确度达到70％以上，在训练集上准确度都能达到80％以上，显示预测值与实际值相关性R值均方普遍能达到0.80左右，显示预测效果较好。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于人工智能神经网络的絮凝投药决策的分析方法，其特征在于：包括如下步骤：
S100：选用公开历史原水样本数据参数，从原水样本数据参数中选择M个相关数据参数，并将M个相关数据参数的值转化成相对应的原始水质信号；
S110：使用敏感性评价方法计算M个原始水质信号相对应的絮凝重要程度Qik，Qik的计算公式如下：
其中，Qik表示第i个输入神经元对输出的絮凝效率的重要性程度；N表示输入神经元，L表示隐藏层神经元，K表示输出神经元；Wij表示第i个输入神经元和第j个隐藏层神经元的权值；vjk表示第j个隐藏层神经元与第k个输出神经元的权值；
S120：对所有Qik进行降序排列，从M个原始水质信号中选择前P个Qik对应的相关数据参数作为此原水样本的最相关数据参数；
S130：对P个最相关数据参数进行归一化处理，得到用于BP神经网络的源数据；
S200：建立Y个BP神经网络，所述S130中源数据包括多个训练样本和该训练对应的真实加药量；
S210：初始化Y个BP神经网络的参数，得到与Y个BP神经网络相对应的Y组权值和阈值；
S220：对Y组权值和阈值进行编码，得到Y条一代染色体，每条染色体都与原BP神经网络一一对应；
S230：使用选择操作从Y条一代染色体中选择2A条染色体；
S240：将步骤S230选出的2A条染色体进行交叉操作，得到2A条新的染色体；
S250：用2A条新的染色体和S230中未被选中的Y-2A条染色体组成二代染色体；
S260：从二代染色体中随机选择B条染色体进行变异操作，得到B条变异后的染色体；
S270：用B条变异后的染色体与S260中未进行变异操作的Y-B条二代染色体组合得到三代染色体；
S300：将三代染色体解码后的值赋给原BP神经网络得到Y个新的BP神经网络；
S400:随机选择一个训练样本分别输入三代染色体对应的Y条新的BP神经网络，得到Y个预测投药量；
利用如下公式计算该训练样本的实际投药量o真与预测投药量y测的适应度值Fy,y＝1,2,3…Y；
其中，i为网络输出节点数，i＝{1,2,…,n}；k为适应度系数；
选取Fy,y＝1,2,3…Y中值最小的Fy-min，如果Fy-min小于或等于预先设定的阈值，则选择Fy-min对应的BP神经网络作为优选初始化BP神经网络，并执行下一步；
如果Fy-m大于预先设定的阈值，则采用梯度下降法更新Y个BP神经网络的参数，并返回S220；
S500：随机选择训练样本作为优选初始化BP神经网络的输入，得到该训练样本预测投药量；
S600：利用如下公式计算该训练样本的实际投药量o真与预测投药量y测的适应度值：
其中，Fd表示第d次迭代得到的训练样本的实际投药量o真与预测投药量y测的适应度值，i为网络输出节点数，i＝{1,2,…,n}；k为适应度系数；
S700：采用梯度下降法反向更新优选初始化BP神经网络中的参数，当训练达到最大迭代次数D时停止训练，选择D个Fd中值最小的
将
对应的优选初始化BP神经网络作为最终训练好的BP神经网络模型；
S800：将待预测原水样本通过步骤S100-S130处理得到待预测原水样的源数据，将源数据输入到S700中最终训练好的BP神经网络模型，得到BP神经网络模型的输出数据；
S900：将所述输出数据进行反归一化操作，得到待预测原水样本的投药量。
2.如权利要求1所述的一种基于人工智能神经网络的絮凝投药决策的分析方法，其特征在于：所述S130中对提取出的最相关参数进行归一化处理的具体表达式如下：
Dk＝(Di－Dmin)/(Dmax－Dmin)
其中，Dk表示归一化后的值，Dmin表示所有最相关参数数据序列中的最小数，Dmax表示所有最相关参数数据序列中的最大数，Di表示样本第i个数据。
3.如权利要求1或2所述的一种基于人工智能神经网络的絮凝投药决策的分析方法，其特征在于：所述S230中遗传算法的选择操作使用轮盘赌法，通过选择概率Pj进行染色体的选择，具体计算公式如下：
其中，Fj＝Fy表示第j条染色体的的适应度值，u表示适应度倒数系数；N为种群个体数目，N＝Y。
4.如权利要求3所述的一种基于人工智能神经网络的絮凝投药决策的分析方法，其特征在于：所述S240中交叉操作使用实数交叉法，具体计算公式如下：
其中，b是[0,1]间的随机数，akj表示在j位的第k个染色体，alj表示在j位第l个染色体。
5.如权利要求4所述的一种基于人工智能神经网络的絮凝投药决策的分析方法，其特征在于：所述S260中变异操作具体计算公式如下：
f(g)＝r2(1-g/Gmax)2
其中，amax表示基因aij的上界；amin表示基因aij的下界；r2表示一个随机数；g表示当前迭代次数；Gmax表示最大金华次数；r表示[0,1]间的随机数。
6.如权利要求5所述的一种基于人工智能神经网络的絮凝投药决策的分析方法，其特征在于：所述S500中优选初始化BP神经网络所使用的学习率为变学习率η，变学习率计算公式为：
η(t)＝ηmax-t(ηmax-ηmin)/tmax
其中，ηmax表示最大学习率；ηmin表示最小学习率；tmax表示最大迭代次数；t表示当前迭代次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111357167.XA CN114119277A (zh) | 2021-11-16 | 2021-11-16 | 一种基于人工智能神经网络的絮凝投药决策的分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111357167.XA CN114119277A (zh) | 2021-11-16 | 2021-11-16 | 一种基于人工智能神经网络的絮凝投药决策的分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114119277A true CN114119277A (zh) | 2022-03-01 |
Family
ID=80396024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111357167.XA Pending CN114119277A (zh) | 2021-11-16 | 2021-11-16 | 一种基于人工智能神经网络的絮凝投药决策的分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114119277A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115010232A (zh) * | 2022-07-11 | 2022-09-06 | 湘潭中环水务有限公司 | 基于弱时滞神经网络模型的饮用水厂混凝投药预测方法 |
| CN115526423A (zh) * | 2022-10-24 | 2022-12-27 | 重庆大学 | 一种小型村镇供水工程混凝剂投加量预测方法 |
-
2021
- 2021-11-16 CN CN202111357167.XA patent/CN114119277A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115010232A (zh) * | 2022-07-11 | 2022-09-06 | 湘潭中环水务有限公司 | 基于弱时滞神经网络模型的饮用水厂混凝投药预测方法 |
| CN115526423A (zh) * | 2022-10-24 | 2022-12-27 | 重庆大学 | 一种小型村镇供水工程混凝剂投加量预测方法 |
| CN115526423B (zh) * | 2022-10-24 | 2023-06-30 | 重庆大学 | 一种小型村镇供水工程混凝剂投加量预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN108053054B (zh) | 一种河流水质预测方法 | |
| JP2753460B2 (ja) | プロセス運転支援方法およびシステム | |
| CN104318325B (zh) | 多流域实时智能水质预测方法及系统 | |
| CN110824915B (zh) | 基于ga-dbn网络的废水处理智能监控方法及系统 | |
| CN114119277A (zh) | 一种基于人工智能神经网络的絮凝投药决策的分析方法 | |
| CN105676814B (zh) | 基于sfla‑svm的数字化水岛在线加药控制方法 | |
| CN104182794B (zh) | 一种基于神经网络的污水处理过程出水总磷tp软测量方法 | |
| CN104007243B (zh) | 应用反向传播神经网络模型评价游泳池水质的方法 | |
| CN112884056A (zh) | 基于优化的lstm神经网络的污水水质预测方法 | |
| CN111382929A (zh) | 一种构建河流硅藻水华预警模型的方法及装置 | |
| CN111652425A (zh) | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 | |
| CN107402586A (zh) | 基于深度神经网络的溶解氧浓度控制方法及系统 | |
| CN106529185B (zh) | 一种古建筑位移的组合预测方法及系统 | |
| Ghimire et al. | Development of stage-discharge rating curve in river using genetic algorithms and model tree | |
| CN115081592B (zh) | 基于遗传算法和前馈神经网络的公路低能见度预估方法 | |
| Felix et al. | Analysis of training parameters in the ANN learning process to mapping the concrete carbonation depth | |
| CN111754034A (zh) | 一种基于混沌优化神经网络模型的时间序列预测方法 | |
| CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
| CN105372995A (zh) | 污水处理系统测控方法 | |
| CN105160422A (zh) | 基于自组织级联神经网络的污水处理出水总磷预测方法 | |
| CN117170221A (zh) | 一种污水处理的人工智能控制系统 | |
| CN112766548A (zh) | 基于gasa-bp神经网络的订单完工时间预测方法 | |
| Varkeshi et al. | Predicting the performance of Gorgan wastewater treatment plant using ANN-GA, CANFIS, and ANN models | |
| Alsaeed et al. | Predicting turbidity and Aluminum in drinking water treatment plants using Hybrid Network (GA-ANN) and GEP |
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 |