CN114217529A - 一种基于数理模型和预测控制的智能加药系统及方法 - Google Patents
一种基于数理模型和预测控制的智能加药系统及方法 Download PDFInfo
- Publication number
- CN114217529A CN114217529A CN202111517003.9A CN202111517003A CN114217529A CN 114217529 A CN114217529 A CN 114217529A CN 202111517003 A CN202111517003 A CN 202111517003A CN 114217529 A CN114217529 A CN 114217529A
- Authority
- CN
- China
- Prior art keywords
- mpc
- dosing
- control
- model
- turbidity
- 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
- 238000000034 method Methods 0.000 title claims description 33
- 238000013178 mathematical model Methods 0.000 title claims description 9
- 238000005457 optimization Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 7
- 238000005096 rolling process Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 claims description 3
- 229910052801 chlorine Inorganic materials 0.000 claims description 3
- 239000000460 chlorine Substances 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 abstract description 3
- 230000004044 response Effects 0.000 abstract description 3
- 238000009825 accumulation Methods 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 26
- 230000008569 process Effects 0.000 description 24
- 238000004422 calculation algorithm Methods 0.000 description 15
- 239000003814 drug Substances 0.000 description 7
- 238000011217 control strategy Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 239000000701 coagulant Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 238000000746 purification Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于数理模型和预测控制的智能加药系统及方法,采用的MPC特别针对多变量扰动和大滞后的控制场景,相比传统的PID控制,抗干扰性强,控制响应速度快,系统稳定性更好,并且随着数据的积累,可以不断地自我迭代优化,使系统越来越稳定,控制效果越来越好;可以保证出水水质更稳定,并在一定程度上节约加药量,特别是可以降低运维人员的劳动负荷。
Description
技术领域
本发明涉及市政给排水领域,尤其涉及一种用于市政给排水领域的智能加药系统的解决方案。
背景技术
随着经济的快速发展和科技的不断进步,水厂的自动化成都越来越高,传统的人工加药的方法已经转变为自动加药,这不但有效地降低工作人员的劳动强度,提高了工作人员的工作效率,还极大地减少了药剂的投加量,降低了水厂的生产成本,同时采用自动加药系统还能对整个净水过程进行动态控制,为水质的质量提供了保障,因此,将自动加药系统应用在水厂生产中有着十分重要的作用。
传统加药方法采用的是比例投加药剂,一般事先经过实验室烧杯实验,确定好加药的投加比,然后根据进水流量,由控制系统控制加药泵等比例的投加药剂。当进水水质变化时,很容易造成出水水质不稳定,甚至是超标。所以有的水厂会多加一些药,这样会造成浪费,药剂多加也可能会影响下一级的工艺。
自动控制投加方法主要包括三种类型的控制方式:前馈控制、反馈控制和复合控制。
1)前馈控制系统:当原水流量瞬间增加,或水质发生很大突变,反馈控制调节速度慢,发生滞后,这一问题将通过前馈控制进行解决。前馈控制能够提前对各种干扰信号进行监测,一旦出现干扰信号,就会立即采取相应的措施,进而将最大化降低或消除系统误差。前馈控制也有其缺陷,即对数学模型精度要求很高,而且当结果出现偏差的时候无法修正控制。
2)反馈控制系统:反馈控制投药系统,首先就是确定各个被控制量的参数,并对这些参数实施不间断监测,将监测的数值与系统先前设定值进行对比,根据相应的控制算法,对输出参数进行计算和控制,进而确定混凝剂实际投入量。由于加药处理的过程涉及到很多的物理化学甚至是生物反应过程,因此导致最后检测的结果和整个的反应过程存在很大的滞后性,也很难保证系统的高效性和精确度。
3)前馈反馈的复合控制系统:前馈控制系统对数学模型要求严格,不够灵活;而反馈控制系统具有相对滞后性,因此两个控制系统都具有相应的优缺点。因此就需要将两者进行结合,便出现前馈和反馈复合控制系统,理论上可以弥补前馈系统和反馈系统的不足。但还是要解决前馈的准确性和反馈的滞后性。
发明内容
本发明的智能加药系统不论是面对新建水厂还是原水厂升级改造,在不改变原有的控制系统的前提下,增设一套独立并能兼容原SCADA系统的基于MPC的净水混凝剂优化控制系统。
净水混凝剂的加药优化,基于模型的预测算法MPC对于进水流量、浊度、PH等扰动变量进行分析后,根据预测模型,给出预测的加药量,再根据出水浊度的反馈来修正加药的给定值,再通过PID调节来控制加药泵的频率,最终实现智能加药,无需人为干预。
各种药剂的使用,要占水厂经济投入的20%-30%。本发明采用基于模型的预测算法MPC(Model Predictive Control)做出的预测投加量作为前馈,结合水质反馈,在确保水质安全稳定达标的前提下,节约药剂使用量,降低运维人员的劳动负荷,实现加药系统能够智能的判断加药量,并不断地自我更新,同时能传承运营人员的经验。
MPC算法是基于模型的预测型控制算法替代传统PID,通过大数据分析做数据处理形成数据模型和预策模型,来控制最终的药剂投加量,模型预测算法(MPC),使系统调节响应速度更快,并且系统更稳定,不容易震荡。
MPC的组成:
1)预测模型
预测控制具有预测功能,即能够根据系统的当前时刻的控制输入以及过程的历史信息,预测过程输出的未来值,因此,需要一个描述系统动态行为的模型作为预测模型。
预测模型具有展示过程未来动态行为的功能,从而具备系统仿真功能,任意的给出未来控制策略,观察过程不同控制策略下的输出变化,从而为比较这些控制策略的优劣提供了基础。
2)反馈校正
在预测控制中,采用预测模型进行过程输出值的预估只是一种理想的方式,在实际过程中。由于存在非线性、模型失配和干扰等不确定因素,使基于模型的预测不可能准确地与实际相符。因此,在预测控制中,通过输出的测量值Y(k)与模型的预估值Ym(k)进行比较,得出模型的预测误差,再利用模型预测误差来对模型的预测值进行修正。
由于对模型施加了反馈校正的过程,使预测控制具有很强的抗扰动和克服系统不确定性的能力。预测控制中不仅基于模型,而且利用了反馈信息,因此预测控制是一种闭环优化控制算法。
3)滚动优化
预测控制是一种优化控制算法,需要通过某一性能指标的最优化来确定未来的控制作用。这一性能指标还涉及到过程未来的行为,它是根据预测模型由未来的控制策略决定的。
但预测控制中的优化与通常的离散最优控制算法不同,它不是采用一个不变的全局最优目标,而是采用滚动式的有限时域优化策略。即优化过程不是一次离线完成的,而是反复在线进行的。在每一采样时刻,优化性能指标只涉及从该时刻起到未来有限的时间,而到下一个采样时刻,这一优化时段会同时向前。所以,预测控制不是用一个对全局相同的优化性能指标,而是在每一个时刻有一个相对于该时刻的局部优化性能指标。
4)参考轨迹
在预测控制中,考虑到过程的动态特性,为了使过程避免出现输入和输出的急剧变化,往往要求过程输出y(k)沿着一条期望的、平缓的曲线达到设定值r。这条曲线通常称为参考轨迹y,它是设定值经过在线“柔化”后的产物。
MPC是一个基于有限迭代优化的工厂模型。在k时刻,对当前的工厂状态进行采样,并通过预测区间的数值最小化算法计算成本最小化控制策略,在数值最小化算法中,有一个假设,即控制输出只在控制区间发生变化,而控制区间通常比预测区间短,如图1所示。
MPC具有显式处理约束的能力:
这种能力来自其基于模型对系统未来动态行为的预测,通过把约束加到未来的输入、输出或状态变量上,可以把约束显式表示在一个在线求解的二次规划或非线性规划问题中。
处理多变量耦合动态过程:
模型预测控制(MPC)具有控制效果好、鲁棒性强等优点,可有效地克服过程的不确定性、非线性和并联性,并能方便的处理过程被控变量和操纵变量中的各种约束。
本发明提出了一种基于数理模型和预测控制的智能加药方法,包括以下步骤:
(1)收集运行的历史数据,对加药系统的历史数据进行清洗、分析,通过建模工具,建立预测性模型MPC,MPC包括:描述系统动态行为的预测模型、反馈校正、滚动优化、参考轨迹,MPC是三输入三输出,即流量、入口浊度和PH三输入,来控制最终的加药量、出口的PH和浊度;
(2)通过反馈变量,最终计算出加药的给定值,达到智能加药的目的,根据积累的数据可以不断地进行预测模型的优化,所述反馈变量包括出水浊度、余氯。
本发明还提出了一种基于数理模型和预测控制的智能加药系统,包含Ovation硬件服务器、SCADA网络交换机、SCADA上位机以及PLC,所述Ovation硬件服务器具备完整的Ovation系统基础平台,所述基础平台包括组态软件、历史数据存储、分散型实时数据库、虚拟控制器以及通讯接口,该服务器直接通过以太网接入用户SCADA网络,PLC控制现场的加药泵和阀门,Ovation系统基础平台与PLC和SCADA系统通讯,记录历史数据,Ovation系统自带虚拟控制器,通过对历史数据分析,建立MPC预测模型,通过读取实时的入口流量、浊度、PH,以及出口浊度等参数,MPC预测模型在虚拟控制器内进行优化计算,得出最终的加药泵给定频率,再通过通讯,将给定频率传给PLC,实现本发明所述的智能加药方法。
本发明利用模型预测控制(MPC)实现智能加药,其具备以下特点:
MPC处理具有高阶动力学的过程,例如长时间延迟的过程,并且支持多扰动变量控制。
MPC中内置了基于模型的动态前馈操作。
模型预测控制(MPC)的优点:
建模方便,过程的描述可以通过简单的实验或者从历史数据分析中获得。不需要深入了解水工艺的内部机理。现在一部分加药优化的模型是基于一些水行业或者自己开发的机理模型,但是机理模型局限性大,因为影响水质的因素太多,无法考虑到所有情况,只有在外部条件和机理模型完全吻合时,效果才会比较好。
采用了非最小化描述的离散卷积和模型,信息冗余量大,有利于提高系统的鲁棒性。
采用了滚动优化策略,即在线反复进行优化计算,滚动实施,使模型失配、畸变、扰动等引起的不确定性及时得到弥补,从而得到较好的动态控制性能。
本申请所采用的MPC特别针对多变量扰动和大滞后的控制场景,相比传统的PID控制,抗干扰性强,控制响应速度快,系统稳定性更好,并且随着数据的积累,可以不断地自我迭代优化,使系统越来越稳定,控制效果越来越好;可以保证出水水质更稳定,并在一定程度上节约加药量,特别是可以降低运维人员的劳动负荷。
附图说明
结合附图,并通过参考下面的详细描述,将会更容易地对本发明有更完整的理解并且更容易地理解其伴随的优点和特征,其中:
图1是本发明的MPC原理图;
图2是本发明的智能加药系统的方框图;
图3是本发明的智能加药系统的工艺流程图。
具体实施方式
本发明的智能加药系统包含硬件服务器、交换机和软件数据库、控制算法等。其具备完整的控制系统基础平台,如组态软件、流程图界面、历史数据存储、分散型数据库、虚拟化过程控制器。该服务器直接通过以太网接入用户SCADA网络。如图2所示,本发明算法是基于Ovation DCS系统的平台,其通过构建于DCS的虚拟控制器使得控制的精度、连续性稳定性上更有保障。
如图2所示,PLC控制现场的加药泵和阀门,Ovation系统与PLC和SCADA系统通讯,记录历史数据。Ovation系统自带虚拟控制器,通过对历史数据分析,建立MPC预测模型,通过读取实时的入口流量、浊度、PH,以及出口浊度等参数,MPC预测模型在虚拟控制器内进行优化计算,得出最终的加药泵给定频率,再通过通讯,将给定频率传给PLC,实现最终的加药优化控制。本系统直接与控制系统通讯,保证控制的精度,通讯的实时性和稳定性。
系统硬件:
1台数据服务器兼工程师站历史站,1台虚拟控制器站兼操作员站通讯服务器和1台网络交换机。
系统软件:
实际案例:
如图3,基于数理模型和预测控制的智能加药系统,首先收集运行的历史数据,对加药系统的历史数据进行清洗、分析,通过建模工具,建立预测性模型MPC,MPC是一个可以支持多变量扰动的高级算法,比如进水流量、浊度、PH等各种干扰项,再通过反馈变量,如出水浊度、余氯等,最终计算出加药的给定值,通过PID调节来调节加药泵的频率,控制加药量,再根据平流沉淀池的出水浊度反馈到MPC,来修正加药的给定值,再通过PID调节来控制加药泵的频率,最终实现智能加药,无需人为干预。根据积累的数据可以不断地进行预测模型的优化。
本发明MPC是三输入三输出,即流量、入口浊度和PH三输入,来控制最终的加药量、出口的PH和浊度;本发明算法由于可以采集更全面的数据,使得最终控制效果更快速,更精确。本发明的数据来源于历史数据,数据真实有效,算法MPC是经过对历史数据分析,最终来建立预测模。
Claims (2)
1.一种基于数理模型和预测控制的智能加药方法,包括以下步骤:
(1)收集运行的历史数据,对加药系统的历史数据进行清洗、分析,通过建模工具,建立预测性模型MPC,MPC包括:描述系统动态行为的预测模型、反馈校正、滚动优化、参考轨迹,MPC是三输入三输出,即流量、入口浊度和PH三输入,来控制最终的加药量、出口的PH和浊度;
(2)通过反馈变量,最终计算出加药的给定值,达到智能加药的目的,根据积累的数据可以不断地进行预测模型的优化,所述反馈变量包括出水浊度、余氯。
2.一种基于数理模型和预测控制的智能加药系统,包含Ovation硬件服务器、SCADA网络交换机、SCADA上位机以及PLC,所述Ovation硬件服务器具备完整的Ovation系统基础平台,所述基础平台包括组态软件、历史数据存储、分散型实时数据库、虚拟控制器以及通讯接口,该服务器直接通过以太网接入用户SCADA网络,PLC控制现场的加药泵和阀门,Ovation系统基础平台与PLC和SCADA系统通讯,记录历史数据,Ovation系统自带虚拟控制器,通过对历史数据分析,建立MPC预测模型,通过读取实时的入口流量、浊度、PH,以及出口浊度等参数,MPC预测模型在虚拟控制器内进行优化计算,得出最终的加药泵给定频率,再通过通讯,将给定频率传给PLC,实现如权利要求1中所述的智能加药方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111517003.9A CN114217529A (zh) | 2021-12-13 | 2021-12-13 | 一种基于数理模型和预测控制的智能加药系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111517003.9A CN114217529A (zh) | 2021-12-13 | 2021-12-13 | 一种基于数理模型和预测控制的智能加药系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114217529A true CN114217529A (zh) | 2022-03-22 |
Family
ID=80701224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111517003.9A Pending CN114217529A (zh) | 2021-12-13 | 2021-12-13 | 一种基于数理模型和预测控制的智能加药系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114217529A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100305719A1 (en) * | 2009-06-02 | 2010-12-02 | Honeywell International Inc. | Method and system for combining feedback and feedforward in model predictive control |
CN104765339A (zh) * | 2015-02-10 | 2015-07-08 | 浙江大学 | 一种基于控制变量优先级的fcc动态控制方法 |
CN112419095A (zh) * | 2020-12-01 | 2021-02-26 | 山东锋士信息技术有限公司 | 一种基于历史数据和实时数据反馈实现的精准加药方法 |
-
2021
- 2021-12-13 CN CN202111517003.9A patent/CN114217529A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100305719A1 (en) * | 2009-06-02 | 2010-12-02 | Honeywell International Inc. | Method and system for combining feedback and feedforward in model predictive control |
CN104765339A (zh) * | 2015-02-10 | 2015-07-08 | 浙江大学 | 一种基于控制变量优先级的fcc动态控制方法 |
CN112419095A (zh) * | 2020-12-01 | 2021-02-26 | 山东锋士信息技术有限公司 | 一种基于历史数据和实时数据反馈实现的精准加药方法 |
Non-Patent Citations (2)
Title |
---|
方康玲: "《过程控制系统 第2版》", 28 February 2007, 武汉理工大学出版社, pages: 236 - 237 * |
韩希昌,邓 玮,梁 杰,赵 琰: "模型预测控制在火电厂循环水加药控制中的应用", 《沈阳工程学院学报(自然科学版)》, pages 48 - 50 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yamuna Rani et al. | Control of fermenters–a review | |
Agachi et al. | Model based control: case studies in process engineering | |
CN1244032C (zh) | 原料工业设备或原料加工工业设备的控制系统 | |
CN110824923A (zh) | 一种基于深度学习与云计算的污水处理控制方法及其系统 | |
CN109976165B (zh) | 面向多变量分数阶系统的模型预测控制参数解析调优方法及系统 | |
CN102902257A (zh) | 污水处理工艺优化及节能控制系统和方法 | |
CN102621883B (zh) | Pid参数整定方法及pid参数整定系统 | |
CN102411308A (zh) | 基于递归神经网络模型的溶解氧的自适应控制方法 | |
Tandon et al. | Genetic algorithm based parameter tuning of PID controller for composition control system | |
CN103576711A (zh) | 基于定量单参数pid控制的化工反应器温度控制方法 | |
CN105301960A (zh) | 一种自来水凝絮剂投加量的控制方法 | |
Wang et al. | Composite control of post-chlorine dosage during drinking water treatment | |
CN101276207A (zh) | 基于哈默斯坦模型的多变量非线性系统预测函数控制方法 | |
Arbogast et al. | Extension of IMC tuning correlations for non-self regulating (integrating) processes | |
CN114217529A (zh) | 一种基于数理模型和预测控制的智能加药系统及方法 | |
CN101301538A (zh) | 水处理药剂投加模糊智能控制系统 | |
CN202671285U (zh) | 火电厂工业废水自动加药装置 | |
Baxter et al. | Model-based advanced process control of coagulation | |
Oravec et al. | Multivariable robust MPC design for neutralisation plant: experimental analysis | |
CN105785760A (zh) | 一种退火炉净环水硬度自动控制系统及其方法 | |
CN110045616B (zh) | 一种搅拌反应罐的鲁棒预测控制方法 | |
Sakthivel et al. | Modelling and real time implementation of digital PI controller for a non linear process | |
US20170108837A1 (en) | Rate-based multivariable control with stability assurance | |
CN113608443A (zh) | 基于增强pi控制的污水处理控制方法 | |
CN112257278A (zh) | 机组耗差计算模型获取方法、耗差获取方法及系统 |
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 |