CN114781249A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114781249A CN114781249A CN202210364273.9A CN202210364273A CN114781249A CN 114781249 A CN114781249 A CN 114781249A CN 202210364273 A CN202210364273 A CN 202210364273A CN 114781249 A CN114781249 A CN 114781249A
- Authority
- CN
- China
- Prior art keywords
- coagulant
- dosing
- turbidity
- data
- value
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005352 clarification Methods 0.000 title claims abstract description 34
- 239000000701 coagulant Substances 0.000 claims abstract description 180
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 111
- 229940037003 alum Drugs 0.000 claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000005189 flocculation Methods 0.000 claims abstract description 10
- 230000016615 flocculation Effects 0.000 claims abstract description 10
- 238000002372 labelling Methods 0.000 claims abstract description 9
- 239000002245 particle Substances 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 239000010802 sludge Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 4
- 239000003814 drug Substances 0.000 description 10
- 230000000694 effects Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000015271 coagulation Effects 0.000 description 2
- 238000005345 coagulation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010612 desalination reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/52—Treatment of water, waste water, or sewage by flocculation or precipitation of suspended impurities
- C02F1/5209—Regulation methods for flocculation or precipitation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Separation Of Suspended Particles By Flocculating Agents (AREA)
Abstract
本发明涉及种原水预处理高密度澄清池加药量预测方法技术领域，尤其涉及一种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。S1、基于矾花历史图像，将矾花的特性分为分布密度、矾花形态规则程度、矾花粒径大小，对矾花历史图像进行打标签和数据预处理，从而形成矾花训练数据；利用预处理后的矾花训练数据训练絮凝区矾花深度卷积神经网络识别模型，利用训练好的模型对新采集的矾花图像进行识别并输出三个特性的分数，若某个特性评分不合格则报警；与现有的技术相比优点在于：通过多维评分方式，建立了可靠的混凝剂和助凝剂加药量预测模型，可实现准确的混凝剂和助凝剂加药量控制。
Description
技术领域
本发明涉及种原水预处理高密度澄清池加药量预测方法技术领域，尤其涉及一种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。
背景技术
传统水处理中高密度澄清池加药主要由操作人员肉眼观察絮凝区矾花特性、清水区出水颜色并结合进水温度、进水浊度、进水流量、出水浊度进行手动调节混凝剂加药泵和助凝剂加药泵频率，完全凭借的是运行人员的经验判断，随意性大且存在滞后性，不能精准调控，易产生加药过少或多的现象，加药过少会致使出水浊度等水质不合格，给后续水处理设备造成较大处理压力，加药过多则药剂会跟随出水进入后续水处理设备，造成污染，也会增加后续水处理设备处理压力，提高经济成本。同时由于出水浊度计为保证精度，量程范围通常不够大，当出水浊度超量程时，无法准确反应真实出水浊度，运行人员无法准确判断需如何调节加药泵频率。
为减少高密度澄清池加药调整对于操作人员经验的依赖，同时改善加药系统的调节效果，优化药剂用量，减少药剂浪费，必须建立适用的加药量模型，针对实际工况得到准确可靠的加药量，从而实现加药量最优控制。
发明内容
本发明的目的是针对上述问题，提供一种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。
为达到上述目的，本发明采用了下列技术方案：本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，其特征在于，包括如下步骤：
S1、基于矾花历史图像，将矾花的特性分为分布密度、矾花形态规则程度、矾花粒径大小，对矾花历史图像进行打标签和数据预处理，从而形成矾花训练数据；利用预处理后的矾花训练数据训练絮凝区矾花深度卷积神经网络识别模型，利用训练好的模型对新采集的矾花图像进行识别并输出三个特性的分数，若某个特性评分不合格则报警；
S2、基于清水区历史图像，通过与色卡的比对，对清水区出水颜色进行打标签和数据预处理，从而形成清水训练数据，利用预处理后的清水训练数据训练高密度澄清池清水区颜色评分深度卷积神经网络模型，利用训练好的模型对新采集的清水区图像进行颜色识别并评分；当颜色评分不合格则报警；
S3、采集足够量的清水区图像，基于步骤2得到清水区颜色分数与图像采集时实时检测的清水区出水浊度对比映射，通过多项式拟合获取出水浊度估算公式，并使得出水浊度拟合值与出水浊度实测值差方和ST最小；
当出水浊度未超浊度仪量程时以浊度仪显示数据为准，作为浊度输出数据；
当出水浊度超量程时以出水浊度估算公式计算所得数据为准，作为浊度输出数据；
S4、基于步骤1得到的矾花特性分数、步骤3得到的浊度输出数据、日期、时间、天气、气温和其他混凝剂和助凝剂加药量相关参数作为LSTM神经网络预测模型的输入，混凝剂和助凝剂加药量作为LSTM神经网络预测模型的输出，训练用于混凝剂和助凝剂加药量预测的LSTM神经网络预测模型；
S5、将由步骤S4得到的混凝剂和助凝剂加药量预测值与实测所需混凝剂和助凝剂加药量值进行比对，并通过计算均方根误差RMSE的方式计算预测误差；
设置误差阈值，验证LSTM神经网络预测模型输出的混凝剂和助凝剂加药量预测值是否准确；
S6、LSTM神经网络预测模型建立完毕，并且通过步骤5验证LSTM神经网络预测模型的准确性，即若由步骤5计算得到的预测误差不大于误差阈值，则说明LSTM的输出是可靠的，以LSTM神经网络预测模型的混凝剂和助凝剂加药量值来指导混凝剂和助凝剂加药量控制；
若由步骤S5计算得到的预测误差大于误差阈值，则采集更多历史数据，返回执行步骤S1～步骤S5，重新训练LSTM神经网络预测模型，直至由步骤5计算得到的预测误差小于等于误差阈值；
S7、基于步骤S6得到的可靠LSTM神经网络预测模型输出的混凝剂和助凝剂加药量预测值和当前加药流量的偏差，构建混凝剂泵和助凝剂泵的变频PID控制系统，实现智能加药控制。
在上述的基于多维评分模型的高密度澄清池智能加药量预测方法及加药控制系统中，在步骤S1中对矾花历史图像进行打标签时每个特性的参考分值设定为0-10分，数据预处理包含对数据集图像尺寸的统一和数据标准化工作。
在上述的基于多维评分模型的高密度澄清池智能加药量预测方法及加药控制系统中，在步骤S2中对清水区出水颜色进行打标签时色卡的分值设定为0-10分，数据预处理包含对数据集图像尺寸的统一和数据标准化工作。
在上述的基于多维评分模型的高密度澄清池智能加药量预测方法及加药控制系统中，在步骤S1和步骤S2中的深度卷积神经网络模型都经过了网络结构优化和参数调优，包含多个卷积层、池化层和多个全连接层和输出层的CNN网络结构；
其中，每一个卷积层后都紧跟dropout层，在一定程度上减少过拟合，全连接层使用ReLU作为激活函数。
在上述的基于多维评分模型的高密度澄清池智能加药量预测方法及加药控制系统中，在步骤S3中，通过多项式拟合获取出水浊度估算公式为：
f(x)＝p0xn+p1xn-1+p2xn-2+…+pn-1x+pn
上式中，f(x)表示清水区出水浊度拟合值,x表示清水区颜色分数，P＝[p0,p1,…pn-1,pn]表示多项式函数中的系数；
在上述的基于多维评分模型的高密度澄清池智能加药量预测方法及加药控制系统中，在步骤3中出水浊度拟合值与出水浊度实测值差方和ST计算方法为：
ST＝(y1-f(x1))2+(y2-f(x2))2+…+(yn-f(xn))2
上式中,f(x)＝[f(x1),f(x2),…f(xn)]表示清水区出水浊度拟合值,y＝[y1,y2,…yn]表示清水区出水浊度实测值。
在上述的基于多维评分模型的高密度澄清池智能加药量预测方法及加药控制系统中，在步骤S4中其他混凝剂和助凝剂加药量相关参数为：高密度澄清池进水温度、进水浊度、进水流量、进水pH、出水pH、出水浊度、泥位高度、混凝剂浓度、混凝剂加药泵频率、混凝剂加药泵进口阀开度、混凝剂加药泵出口阀开度、混凝剂加药泵冲程、助凝剂浓度、助凝剂加药泵频率、助凝剂加药泵进口阀开度、助凝剂加药泵出口阀开度、助凝剂加药泵冲程。
在上述的基于多维评分模型的高密度澄清池智能加药量预测方法及加药控制系统中，在步骤S5中均方根误差RMSE的计算方法为：
上式中，n为数据长度，
表示i时刻混凝剂PAC预测值，
表示i时刻混凝剂PAC实测值。
上式中，n为
数据长度，表示i时刻
混凝剂PAC预测值，表示i时刻混凝剂PAC实测值。
在上述的基于多维评分模型的高密度澄清池智能加药量预测方法及加药控制系统中，所述步骤S7中加药量预测值和当前加药流量的偏差的计算方法为：
△Q＝QO-QP
上式中，△Q表示偏差，Qo表示当前加药流量，Qp表示加药量预测值；
在步骤S7中混凝剂泵和助凝剂泵的变频控制方法为：
上式中，OUT表示频率输出值，Kp表示比例增益，τi表示积分时间，Kd表示微分增益，τd表示微分率时间常数。
与现有的技术相比，本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的优点在于：1、通过多维评分方式，建立了可靠的混凝剂和助凝剂加药量预测模型，可实现准确的混凝剂和助凝剂加药量控制，有效避免因人工判断不准确而导致的控制效果差的问题，对于高密度澄清池加药量控制具有重要意义。2、矾花特性评分模型，能准确获取混凝效果，提高加药量预测精准度。3、清水区颜色和出水浊度映射获取的出水浊度估算公式，有效解决了出水浊度超量程时无法准确反应真实出水浊度问题。4、加药量预测方法采用LSTM神经网络预测模型，可解决高密度澄清池加药量控制系统滞后问题，实现预测控制。
附图说明
图1是本发明提供的流程示意图。
具体实施方式
本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,包括以下步骤：
S1、基于矾花历史图像，将矾花的特性分为分布密度、矾花形态规则程度、矾花粒径大小，对矾花历史图像进行打标签和数据预处理，从而形成矾花训练数据；利用预处理后的矾花训练数据训练絮凝区矾花深度卷积神经网络识别模型，利用训练好的模型对新采集的矾花图像进行识别并输出三个特性的分数，若某个特性评分不合格则报警；
S2、基于清水区历史图像，通过与色卡的比对，对清水区出水颜色进行打标签和数据预处理，从而形成清水训练数据，利用预处理后的清水训练数据训练高密度澄清池清水区颜色评分深度卷积神经网络模型，利用训练好的模型对新采集的清水区图像进行颜色识别并评分；当颜色评分不合格则报警；
S3、采集足够量的清水区图像，基于步骤2得到清水区颜色分数与图像采集时实时检测的清水区出水浊度(表计读取或者人工分析测得)对比映射，通过多项式拟合获取出水浊度估算公式，并使得出水浊度拟合值与出水浊度实测值差方和ST最小；
当出水浊度未超浊度仪量程时以浊度仪显示数据为准，作为浊度输出数据；
当出水浊度超量程时以出水浊度估算公式计算所得数据为准，作为浊度输出数据；
S4、基于步骤S1得到的矾花特性分数、步骤S3得到的浊度输出数据、日期、时间、天气、气温和其他混凝剂和助凝剂加药量相关参数作为LSTM神经网络预测模型的输入，混凝剂和助凝剂加药量作为LSTM神经网络预测模型的输出，训练用于混凝剂和助凝剂加药量预测的LSTM神经网络预测模型；
S5、将由步骤S4得到的混凝剂和助凝剂加药量预测值与实测所需混凝剂和助凝剂加药量值(表计读取或者人工分析测得)进行比对，并通过计算均方根误差RMSE的方式计算预测误差；
设置误差阈值，验证LSTM神经网络预测模型输出的混凝剂和助凝剂加药量预测值是否准确；
S6、LSTM神经网络预测模型建立完毕，并且通过步骤S5验证LSTM神经网络预测模型的准确性，即若由步骤S5计算得到的预测误差不大于误差阈值(即均方根误差RMSE满足阈值要求)，则说明LSTM的输出是可靠的，以LSTM神经网络预测模型的混凝剂和助凝剂加药量值来指导混凝剂和助凝剂加药量控制；
若由步骤S5计算得到的预测误差大于误差阈值，则采集更多历史数据(即训练数据，训练数据包括矾花训练数据、清水训练数据和水浊度估算公式的训练数据)，返回执行步骤S1～步骤S5，重新训练LSTM神经网络预测模型，直至由步骤5计算得到的预测误差小于等于误差阈值；
S7、基于步骤S6得到的可靠LSTM神经网络预测模型输出的混凝剂和助凝剂加药量预测值和当前加药流量的偏差，构建混凝剂泵和助凝剂泵的变频PID控制系统，实现智能加药控制。
在步骤S1中对矾花历史图像进行打标签时每个特性的参考分值设定为0-10分，数据预处理包含对数据集图像尺寸的统一和数据标准化工作。
在步骤S2中对清水区出水颜色进行打标签时色卡的分值设定为0-10分，数据预处理包含对数据集图像尺寸的统一和数据标准化工作。
在步骤S1和步骤S2中的深度卷积神经网络模型都经过了网络结构优化和参数调优，包含多个卷积层、池化层和多个全连接层和输出层的CNN网络结构。
其中，每一个卷积层后都紧跟dropout层，在一定程度上减少过拟合，全连接层使用ReLU作为激活函数。
在步骤S3中通过多项式拟合获取出水浊度估算公式为：
f(x)＝p0xn+p1xn-1+p2xn-2+…+pn-1x+pn
上式中，f(x)表示清水区出水浊度拟合值,x表示清水区颜色分数，P＝[p0,p1,…pn-1,pn]表示多项式函数中的系数。
在步骤S3中出水浊度拟合值与出水浊度实测值差方和ST计算方法为：
ST＝(y1-f(x1))2+(y2-f(x2))2+…+(yn-f(xn))2
上式中,f(x)＝[f(x1),f(x2),…f(xn)]表示清水区出水浊度拟合值,y＝[y1,y2,…yn]表示清水区出水浊度实测值。
在步骤S4中其他混凝剂和助凝剂加药量相关参数为：高密度澄清池进水温度、进水浊度、进水流量、进水pH、出水pH、出水浊度、泥位高度、混凝剂浓度、混凝剂加药泵频率、混凝剂加药泵进口阀开度、混凝剂加药泵出口阀开度、混凝剂加药泵冲程、助凝剂浓度、助凝剂加药泵频率、助凝剂加药泵进口阀开度、助凝剂加药泵出口阀开度、助凝剂加药泵冲程。
在上述的基于多维评分模型的高密度澄清池智能加药量预测方法及加药控制系统中，在步骤S5中均方根误差RMSE的计算方法为：
上式中，n为数据长度，
表示i时刻混凝剂PAC预测值，
表示i时刻混凝剂PAC实测值。
上式中，n为
数据长度，表示i时刻
混凝剂PAC预测值，表示i时刻混凝剂PAC实测值。
在上述的基于多维评分模型的高密度澄清池智能加药量预测方法及加药控制系统中，在步骤S7中加药量预测值和当前加药流量的偏差的计算方法为：
△Q＝QO-QP
上式中，△Q表示偏差，Qo表示当前加药流量，Qp表示加药量预测值。
在步骤S7中混凝剂泵和助凝剂泵的变频控制方法为：
上式中，OUT表示频率输出值，Kp表示比例增益，τi表示积分时间，Kd表示微分增益，τd表示微分率时间常数。
本发明针对高密度澄清池加药控制问题。利用絮凝区矾花特性识别评分模型获取絮凝区矾花特性分数，准确获取混凝效果；利用高密度澄清池清水区颜色识别评分模型获取清水区颜色分数并与实测出水浊度对比映射，获取出水浊度估算公式，解决出水浊度超量程时无法准确反应真实出水浊度问题；利用基于LSTM神经网络算法建立的高密度澄清池混凝剂和助凝剂加药量预测模型，实现加药量的连续精准预测，并通过将预测加药量作为混凝剂加药泵频率和助凝剂加药泵频率计算模型输入，获取加药泵频率预测值，作为前馈信号，输入原有控制系统，自动调节加药泵频率，实现了智能加药控制，节省了从加药计量泵调频开始到药剂到达水中产生反应的过程时间，降低滞后性，同时可获得最优混凝剂和助凝剂加药量和加药配比方案，不依赖于操作人员经验，在保证出水水质时刻处于合格状态且水质变化波动较小的同时，减少药耗，提升经济效益，也能保证不因加药过多使药剂跟随出水进入后续水处理设备，造成后续水处理设备污染、氧化或处理压力过大等问题。
作为一种实施例，采用来自某电厂海水淡化预处理中高密度澄清池加药系统的数据对本发明所提方法的有效性进行验证，使用该高密度澄清池加药系统2021年1月4日00:00至2021年1月15日23:59的数据进行实验；
其中1月4日00:00～1月8日23:59采集絮凝区矾花特性识别评分模型、清水区颜色识别评分模型和出水浊度估算公式的训练数据；
1月9日00:00～23:59的数据作为絮凝区矾花特性识别评分模型、清水区颜色识别评分模型和出水浊度估算公式的测试数据，出水浊度未超量程时，采样频率为3秒一次，出水浊度超量程时，出水浊度训练数据改为手测，采样频率为半小时一次；
1月10日00:00～23:59的数据作为用于混凝剂和助凝剂加药量预测的LSTM神经网络预测模型的训练数据；
1月15日00:00～23:59的数据作为用于混凝剂和助凝剂加药量预测的LSTM神经网络预测模型的测试数据，采样频率为3秒一次，LSTM神经网络的时延为6秒，实测加药量为人工手测，采样频率为半小时一次。
如图1所示：
1、基于矾花历史图像，将矾花的特性分为分布密度、矾花形态规则程度、矾花粒径大小，对矾花历史图像进行打标签和数据预处理。利用预处理后的训练数据训练絮凝区矾花深度卷积神经网络识别模型，利用训练好的模型对新采集的矾花图像进行识别并输出三个特性的分数，若某个特性评分不合格则报警；
2、基于清水区历史图像，通过与色卡的比对，对清水区出水颜色进行打标签和数据预处理，利用预处理后的训练数据训练高密度澄清池清水区颜色评分深度卷积神经网络模型，利用训练好的模型对新采集的清水区图像进行颜色识别并评分；当颜色评分不合格则报警；
3、采集足够量的清水区图像，基于步骤2得到清水区颜色分数与图像采集时实时检测的清水区出水浊度对比映射，通过多项式拟合获取出水浊度估算公式，并使得出水浊度拟合值与出水浊度实测值差方和ST最小；当出水浊度未超浊度仪量程时以浊度仪显示数据为准，作为浊度输出数据；当出水浊度超量程时以出水浊度估算公式计算所得数据为准，作为浊度输出数据；
4、基于步骤1得到的矾花特性分数、步骤3得到的浊度输出数据、日期、时间、天气、气温和其他混凝剂和助凝剂加药量相关参数(高密度澄清池进水温度、进水浊度、进水流量、进水pH、出水pH、出水浊度、泥位高度、混凝剂浓度、混凝剂加药泵频率、混凝剂加药泵进口阀开度、混凝剂加药泵出口阀开度、混凝剂加药泵冲程、助凝剂浓度、助凝剂加药泵频率、助凝剂加药泵进口阀开度、助凝剂加药泵出口阀开度、助凝剂加药泵冲程)作为LSTM神经网络预测模型的输入，混凝剂和助凝剂加药量作为LSTM神经网络预测模型的输出，训练用于混凝剂和助凝剂加药量预测的LSTM神经网络预测模型；
5、将由步骤4得到的混凝剂和助凝剂加药量预测值与实测所需混凝剂和助凝剂加药量值进行比对，设置误差阈值为RMSE＝2，由步骤4计算得到的预测误差为RMSE＝1.5316，不大于误差阈值，则基于混凝剂和助凝剂加药量预测的LSTM神经网络预测模型进行混凝剂和助凝剂加药量的预测；
6、基于步骤4得到的可靠LSTM神经网络预测模型输出的混凝剂和助凝剂加药量预测值和其他混凝剂和助凝剂加药泵相关参数(混凝剂和助凝剂加药量、混凝剂和助凝剂药剂浓度、混凝剂和助凝剂加药泵进口阀开度、混凝剂和助凝剂加药泵出口阀开度、混凝剂和助凝剂加药泵冲程以及混凝剂和助凝剂加药泵频率)作为混凝剂加药泵频率和助凝剂加药泵频率计算模型输入，实时输出对应的混凝剂加药泵频率和助凝剂加药泵频率；
7、将基于步骤6得到的混凝剂加药泵频率和助凝剂加药泵频率的预测值作为前馈信号，输入原有控制系统，自动调节加药泵频率，实现智能加药控制。
通过上述方案对高密度澄清池进行智能加药改造后，高密池出水水质基本一直处于合格状态且水质变化波动较小，药耗较人工操作情况下减少了30％，提升了经济效益。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (9)
1.一种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，其特征在于，包括以下步骤：
S1、基于矾花历史图像，将矾花的特性分为分布密度、矾花形态规则程度、矾花粒径大小，对矾花历史图像进行打标签和数据预处理。利用预处理后的训练数据训练絮凝区矾花深度卷积神经网络识别模型，利用训练好的模型对新采集的矾花图像进行识别并输出三个特性的分数，若某个特性评分不合格则报警；
S2、基于清水区历史图像，通过与色卡的比对，对清水区出水颜色进行打标签和数据预处理，利用预处理后的训练数据训练高密度澄清池清水区颜色评分深度卷积神经网络模型，利用训练好的模型对新采集的清水区图像进行颜色识别并评分；当颜色评分不合格则报警；
S3、采集足够量的清水区图像，基于步骤S2得到清水区颜色分数与图像采集时实时检测的清水区出水浊度对比映射，通过多项式拟合获取出水浊度估算公式，并使得出水浊度拟合值与出水浊度实测值差方和ST最小；
当出水浊度未超浊度仪量程时以浊度仪显示数据为准，作为浊度输出数据；
当出水浊度超量程时以出水浊度估算公式计算所得数据为准，作为浊度输出数据；
S4、基于步骤S1得到的矾花特性分数、步骤S3得到的浊度输出数据、日期、时间、天气、气温和其他混凝剂和助凝剂加药量相关参数作为LSTM神经网络预测模型的输入，混凝剂和助凝剂加药量作为LSTM神经网络预测模型的输出，训练用于混凝剂和助凝剂加药量预测的LSTM神经网络预测模型；
S5、将由步骤S4得到的混凝剂和助凝剂加药量预测值与实测所需混凝剂和助凝剂加药量值进行比对，并通过计算均方根误差RMSE的方式计算预测误差；
设置误差阈值，验证LSTM神经网络预测模型输出的混凝剂和助凝剂加药量预测值是否准确；
S6、LSTM神经网络预测模型建立完毕，并且通过步骤S5验证LSTM神经网络预测模型的准确性，即若由步骤S5计算得到的预测误差不大于误差阈值，则说明LSTM的输出是可靠的，以LSTM神经网络预测模型的混凝剂和助凝剂加药量预测值来指导混凝剂和助凝剂加药量控制；
若由步骤S5计算得到的预测误差大于误差阈值，则采集更多历史数据，返回执行步骤S1～步骤S5，重新训练LSTM神经网络预测模型，直至由步骤S5计算得到的预测误差小于等于误差阈值；
S7、基于步骤S6得到的可靠LSTM神经网络预测模型输出的混凝剂和助凝剂加药量预测值和当前加药流量的偏差，构建混凝剂泵和助凝剂泵的变频PID控制系统，实现智能加药控制。
2.根据权利要求1所述的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，其特征在于，在步骤S1中对矾花历史图像进行打标签时每个特性的参考分值设定为0-10分，数据预处理包含对数据集图像尺寸的统一和数据标准化工作。
3.根据权利要求1所述的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，其特征在于，在步骤S2中对清水区出水颜色进行打标签时色卡的分值设定为0-10分，数据预处理包含对数据集图像尺寸的统一和数据标准化工作。
4.根据权利要求1所述的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，其特征在于，在步骤S1和步骤S2中的深度卷积神经网络模型都经过了网络结构优化和参数调优，包含多个卷积层、池化层和多个全连接层和输出层的CNN网络结构；其中，每一个卷积层后都紧跟dropout层，在一定程度上减少过拟合，全连接层使用ReLU作为激活函数。
5.根据权利要求1所述的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，其特征在于，在步骤S3中，通过多项式拟合获取出水浊度估算公式为：
f(x)＝p0xn+p1xn-1+p2xn-2+…+pn-1x+pn
上式中，f(x)表示清水区出水浊度拟合值,x表示清水区颜色分数，P＝[p0,p1,…pn-1,pn]表示多项式函数中的系数。
6.根据权利要求1所述的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，其特征在于，在步骤S3中出水浊度拟合值与出水浊度实测值差方和ST计算方法为：
ST＝(y1-f(x1))2+(y2-f(x2))2+…+(yn-f(xn))2
上式中,f(x)＝[f(x1),f(x2),…f(xn)]表示清水区出水浊度拟合值,y＝[y1,y2,…yn]表示清水区出水浊度实测值。
7.根据权利要求1所述的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，其特征在于，在步骤S4中其他混凝剂和助凝剂加药量相关参数为：高密度澄清池进水温度、进水浊度、进水流量、进水pH、出水pH、出水浊度、泥位高度、混凝剂浓度、混凝剂加药泵频率、混凝剂加药泵进口阀开度、混凝剂加药泵出口阀开度、混凝剂加药泵冲程、助凝剂浓度、助凝剂加药泵频率、助凝剂加药泵进口阀开度、助凝剂加药泵出口阀开度、助凝剂加药泵冲程。
8.根据权利要求1所述的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，其特征在于，在步骤S5中均方根误差RMSE的计算方法为：
上式中，n为数据长度，
表示i时刻混凝剂PAC预测值，
表示i时刻混凝剂PAC实测值；
上式中，n为数据长度，
表示i时刻混凝剂PAC预测值，
表示i时刻混凝剂PAC实测值。
9.根据权利要求1所述的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，其特征在于，在步骤S7中加药量预测值和当前加药流量的偏差的计算方法为：
△Q＝QO-QP
上式中，△Q表示偏差，Qo表示当前加药流量，Qp表示加药量预测值；
在步骤S7中混凝剂泵和助凝剂泵的变频控制方法为：
上式中，OUT表示频率输出值，Kp表示比例增益，τi表示积分时间，Kd表示微分增益，τd表示微分率时间常数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210364273.9A CN114781249B (zh) | 2022-04-07 | 2022-04-07 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210364273.9A CN114781249B (zh) | 2022-04-07 | 2022-04-07 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114781249A true CN114781249A (zh) | 2022-07-22 |
| CN114781249B CN114781249B (zh) | 2024-06-11 |
Family
ID=82427075
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210364273.9A Active CN114781249B (zh) | 2022-04-07 | 2022-04-07 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114781249B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115375009A (zh) * | 2022-07-28 | 2022-11-22 | 上海城市水资源开发利用国家工程中心有限公司 | 一种建立混凝智能监控联动系统的方法 |
| CN115925076A (zh) * | 2023-03-09 | 2023-04-07 | 湖南大学 | 一种基于机器视觉与深度学习的混凝自动投药方法与系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000218263A (ja) * | 1999-02-01 | 2000-08-08 | Meidensha Corp | 水質制御方法及びその装置 |
| CN111233118A (zh) * | 2020-03-19 | 2020-06-05 | 中冶赛迪工程技术股份有限公司 | 一种高密度沉淀池智能控制系统及控制方法 |
| CN111994970A (zh) * | 2020-07-31 | 2020-11-27 | 上海上实龙创智能科技股份有限公司 | 一种基于lstm的污水高效沉淀池加药预测方法和加药系统 |
| CN113111766A (zh) * | 2021-04-09 | 2021-07-13 | 湖南科技大学 | 一种人工智能混凝投药信号反馈控制方法 |
| WO2021214755A1 (en) * | 2020-04-21 | 2021-10-28 | Elad Technologies (L.S.) Ltd | System, and method for continuous process control of water contaminant separation process |
| CN113687040A (zh) * | 2021-07-28 | 2021-11-23 | 广州杰赛科技股份有限公司 | 基于决策树算法的水厂实时投药量预测方法、装置及介质 |
-
2022
- 2022-04-07 CN CN202210364273.9A patent/CN114781249B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000218263A (ja) * | 1999-02-01 | 2000-08-08 | Meidensha Corp | 水質制御方法及びその装置 |
| CN111233118A (zh) * | 2020-03-19 | 2020-06-05 | 中冶赛迪工程技术股份有限公司 | 一种高密度沉淀池智能控制系统及控制方法 |
| WO2021214755A1 (en) * | 2020-04-21 | 2021-10-28 | Elad Technologies (L.S.) Ltd | System, and method for continuous process control of water contaminant separation process |
| CN111994970A (zh) * | 2020-07-31 | 2020-11-27 | 上海上实龙创智能科技股份有限公司 | 一种基于lstm的污水高效沉淀池加药预测方法和加药系统 |
| CN113111766A (zh) * | 2021-04-09 | 2021-07-13 | 湖南科技大学 | 一种人工智能混凝投药信号反馈控制方法 |
| CN113687040A (zh) * | 2021-07-28 | 2021-11-23 | 广州杰赛科技股份有限公司 | 基于决策树算法的水厂实时投药量预测方法、装置及介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115375009A (zh) * | 2022-07-28 | 2022-11-22 | 上海城市水资源开发利用国家工程中心有限公司 | 一种建立混凝智能监控联动系统的方法 |
| CN115375009B (zh) * | 2022-07-28 | 2023-09-22 | 上海城市水资源开发利用国家工程中心有限公司 | 一种建立混凝智能监控联动系统的方法 |
| CN115925076A (zh) * | 2023-03-09 | 2023-04-07 | 湖南大学 | 一种基于机器视觉与深度学习的混凝自动投药方法与系统 |
| CN115925076B (zh) * | 2023-03-09 | 2023-05-23 | 湖南大学 | 一种基于机器视觉与深度学习的混凝自动投药方法与系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114781249B (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN108898215B (zh) | 一种基于二型模糊神经网络的污泥膨胀智能辨识方法 | |
| CN111966053A (zh) | 一种智能絮凝剂决策系统 | |
| CN101825870B (zh) | 一种控制水处理絮凝剂投放量的方法及系统 | |
| CN101561661B (zh) | 模糊控制方法和模糊控制器 | |
| CN105425592B (zh) | 一种水处理加药数字化在线控制系统 | |
| CN106933099B (zh) | 一种选煤厂浓缩机和压滤机药剂添加协同控制系统 | |
| CN108562709A (zh) | 一种基于卷积自编码器极限学习机的污水处理系统水质监测预警方法 | |
| 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 | |
| CN102385315A (zh) | 水厂智能混凝投药控制系统及其控制方法 | |
| CN116360331B (zh) | 一种通用的灌溉自动化控制系统及控制方法 | |
| CN115793471A (zh) | 一种基于污水处理监测的可调式控制方法及系统 | |
| CN115108617B (zh) | 混凝加药方法及系统 | |
| CN111260117A (zh) | 一种基于气象因子的ca-narx水质预测方法 | |
| CN108536106A (zh) | 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法 | |
| CN111125907B (zh) | 一种基于混合智能模型的污水处理氨氮软测量方法 | |
| CN117389142A (zh) | 污水处理厂生化反应池预测推演与安全实时控制方法 | |
| CN113075883B (zh) | 一种制水业中混凝投药优化方法 | |
| CN115375009B (zh) | 一种建立混凝智能监控联动系统的方法 | |
| CN117455320A (zh) | 基于qgmvpn模型的多釜聚合过程熔体质量指标在线预测方法 | |
| KR100573189B1 (ko) | 신경망 2자 유도 PID 제어기의 튜닝방법을 이용한정수처리 시스템의 pH 제어 방법 및 그 장치 | |
| CN114693493B (zh) | 一种基于IoT的污染河流水生态修复系统 | |
| CN103412482A (zh) | 一种动态模糊控制系统及其控制方法 | |
| CN116675277A (zh) | 一种基于物联网的低能耗废水浓缩系统控制方法 | |
| CN116452358A (zh) | 基于物联网的智慧农业管理系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |