CN114933353B - 一种混凝剂的自动投加方法 - Google Patents

Abstract

本申请提供一种混凝剂的自动投加方法，属于水处理技术领域。原水和初始投加量的混凝剂分别投加入混凝工序，完成混凝处理后经沉淀工序、过滤工序、消毒工序后输出，检测处理工序各部位的环境变量，将环境变量输入控制器，控制器据此计算得出混凝剂第二批投加量，据此调控混凝剂投加量，一个处理周期完成后，再次检测上述环境变量并送入控制器，计算得到混凝剂第三批投加量，如此循环。将本申请应用于污水处理、饮用水处理，具有混凝剂投加量精准、消耗量小、经济成本低等优点。

Description

一种混凝剂的自动投加方法

技术领域

本申请涉及一种混凝剂的自动投加方法，属于水处理技术领域。

背景技术

常规的饮用水处理工艺包括混凝、沉淀、过滤、消毒：在原水中加入混凝剂，使水中悬浮物和胶体颗粒形成大颗粒混凝体，而后通过沉淀、过滤去除水中杂质。混凝过程的好坏将直接影响到水处理效果及投入成本。混凝投药是净水工艺中不可缺少的和关键性的环节，其核心控制参数是混凝剂投加量的控制，准确投加所需要的混凝剂量是获得较好混凝效果及经济效益的关键问题。

混凝过程影响因素众多，包括原水水质、配水流量和混凝工艺、混凝投加量等。在混凝工艺确定前提下，混凝剂投加量主要与水的流量、浊度、温度、pH有关；同时混凝过程具有滞后性、非线性和时变性，因而控制难度大，难以确定准确的数学模型。而目前水厂混凝投药控制采用常规的控制理论方法，效果都不太理想。

发明内容

有鉴于此，本申请提供一种混凝剂的自动投加工艺，该工艺可实现混凝剂自动精准投加，保证水处理效果的前提下，使混凝剂消耗最少，经济效益最高。

具体地，本申请是通过以下方案实现的：

一种混凝剂自动投加方法，原水和初始投加量的混凝剂分别投加入混凝工序，完成混凝处理后经沉淀工序、过滤工序、消毒工序后输出，检测处理工序各部位的环境变量，将环境变量输入控制器，控制器据此计算得出混凝剂第二批投加量，据此调控混凝剂投加量，一个处理周期完成后，再次检测上述环境变量并送入控制器，计算得到混凝剂第三批投加量，如此循环，所述控制器计算算法涉及包括四块：

(1)环境变量隐空间自动编解码机：

基于深度学习的自动编解码机方法，根据检测到的简单初步环境变量，自动学习出隐环境变量，用于后续任务，考虑到输入变量的数据维度与复杂度，需要有足够的数据容限支撑深度模型从数据中学习出有效的隐空间规律，将显性环境变量：浊度U、酸碱度P、水流量Q、水温T的多个时刻数据作为自动编解码机的输入，即

其中k为构造输入数据的时间节点个数。基于此，隐空间自动编解码机的原理可表示为：

E：X→H，

D：H→X，

其中，E与D分别代表了自动编码器与自动解码器，将数据从显性空间X编码至隐空间H，或将数据从隐空间H解码至显性空间X。最终通过优化更新，使得输入数据通过编解码器后和初始值差异很小，即编解码机能够在提取隐空间特征的同时还原输入数据，以证明此过程没有信息损失。最终，H＝E(X)即为隐空间自动编解码机的输出。在本算法中，编码器和解码器采用镜像结构的多层感知机(Multilayer Perceptron，MLP)构成。

(2)辅助监测预测器：

由于直接预测最佳混凝剂投加量的数据较大，本算法需要借助一些中间环境监测结果，如絮体状态和中间浊度，以辅助预测混凝剂投加量。另一方面，若算法仅仅依靠混凝剂投加量来监督网络模型更新，会使得更新方式过于简单，网络模型很容易发生过拟合现象。因此，本算法还设计了两个辅助监测预测器，根据隐空间自动编解码机的隐环境变量结果，预测水体多个位置(以两个为例)的中间浊度U_k1、U_k2，与絮体状态V_k1、V_k2。之后，用实际监测得到的实际中间浊度

与实际絮体状态

为绝对真值监督，作为辅助损失函数更新预测器网络：

上式中，w_U、w_V分别为浊度预测器P_U与絮体状态预测器P_V的可学习参数；||·||^p为P阶范数，H为根据隐空间自动编解码机的隐环境变量结果。在本算法中，辅助监测预测器采用递归神经网络(Recurrent Neural Network，RNN)的结构。

(3)混凝剂投加量预测器：

将辅助监测预测器与环境变量隐空间自动编解码机进行特征融合，再进行混凝剂投加量预测，综合考虑隐环境变量与中间环境变量的结果，以提高预测精度。具体地，采用贝叶斯网络(Bayesian network，BN)构造有向无环图来强化各个环境变量间的依赖关系，最终计算得到混凝剂投加量预测：

最终，通过监督回报不断更新贝叶斯网络的参数与结构，通过极大似然估计得到最终混凝剂投加量预测y。

(4)多模态反馈监督：

基于构造的网络结构，为实现高效的反馈监督方法，以更新网络参数，本算法提出了多模态反馈监督方法：首先用算法预测得到的混凝剂投加量y进行污水处理，并测量最终的出水浊度U_o，若U_o小于出水要求浊度U_e，则回报反馈为正，反之为负；同时，在回报反馈为正的情况下，混凝剂投加量越小则回报越高。具体地，回报函数的定义为：

其中，y为混凝剂投加量预测，ε(·)为阶跃函数。最终，采用Q-learning算法更新所有算法中的深度神经网络，逐步更新探索算法，用当前节点和下一节点的价值回报函数结果的差分，来模拟近似蒙特卡罗采样。总体回报更新为：

基于总体回报，用最优化梯度下降算法更新网络参数。

上述自动投加工艺中，混凝剂的投加量主要由控制器计算结果控制，控制器输入各个环境变量，输出精准预测的混凝剂投加量，计算过程主要组成部分为：环境变量隐空间自动编解码机、辅助监测预测器、混凝剂投加量预测器、多模态反馈监督。

首先，利用自动编码机高效学习与复原能力，输入环境变量通过隐空间自动编码机生成不可知的隐环境变量；再将环境变量输入可学习的辅助监测预测器以生成废水处理的中间状态(中间浊度和絮体状态)；结合预测得到的中间状态和隐环境变量，通过混凝剂投加量预测器得到最终的预测结果。其中，中间状态的预测值可由现场监测的结果直接监督，通过监督学习损失函数更新预测器参数；而对于最终的混凝剂投加量预测结果，只能采用强化学习和蒙特卡洛仿真的方式进行价值回报优化；因此，对于整体算法采用多模态反馈监督的方式，学习更新至最优的算法模型。

该过程利用水处理过程中积累的数据，将分析数据与投加量实时精准匹配，得出适合水质变化的最佳混凝剂投加量。本方法在一定运行时间后，获得较高投加精度；具有的学习功能，运行时间越长，精度越高，投加药剂越合理。

上述工艺可用于污水处理、饮用水处理中PAC、PAM等药剂的投加。由于混凝过程的滞后性，系统可采集除出水浊度、原水浊度以外，如沉淀池、混凝池某些位置的浊度，或者絮体检测装置数据，作为反馈信号，不仅实现投加量的自动精准控制，混凝剂消耗最小，经济效益最高。

附图说明

图1为本申请的原理示意图；

图2为本申请中算法整体框架图。

图中标号：1.混凝池；2.投加泵；3.信号输出线路；4.控制器；41.环境变量一输入端；42.环境变量二输入端；43.环境变量三输入端；44.环境变量四输入端；45.环境变量五输入端；46.环境变量六输入端；47.环境变量七输入端；48.环境变量八输入端；49.环境变量九输入端；5.进水管；6.沉淀池；7.过滤池；8.消毒池；9.出水管。

具体实施方式

实施例1

本实施例的混凝剂投加在如图1所示的水处理工序中，原水经进水管5输入到混凝池1中，初始投加量的混凝剂经投加泵2送入混凝池1，原水与混凝剂在混凝池1中完成混凝处理后，送入沉淀池6进行沉淀处理，再送入过滤池7、消毒池8后，经出水管9输出，在这个过程中：

给控制器4预设好给定参数：出水要求浊度U_e，要求出水浊度小于U_e。

在进水管5、混凝池1、沉淀池6和出水管9处分别设置检测器(图中未示出)，获得实时参数：浊度U、酸碱度P、水流量、水温度，出水浊度U_o，中间水浊度U_k1、U_k2(一个或多个)，絮体检测数据集合V_k1、V_k2(一个或多个)，絮体检测数据是包括描述絮体大小、形状、移动速度、絮体形态分型等数据的集合。

上述实时参数分别通过输入端输入到控制器4中，如：环境变量一输入端41输入原水流量Q，环境变量二输入端42输入原水温度T，环境变量三输入端43输入原水浊度U_i，环境变量四输入端44输入原水酸碱度pH值，环境变量五输入端45输入絮体检测V_k1，环境变量六输入端46输入中间浊度U_k1，环境变量七输入端47输入絮体检测V_k2，环境变量八输入端48输入中间浊度U_k2，环境变量九输入端49输入出水浊度U_o。

根据给定出水要求浊度U_e，结合季节、水质等因素，实时监测参数，得出实时药剂投加量y，实现投加量的自动精准控制，混凝剂消耗最小，经济效益最高。

具体算法

由于决定最佳混凝剂投加量的内在机理复杂，无法采用常规数学模型或方程拟合。其主要原因与难点为：1)存在多个无法穷举的环境变量，包括且远多于：原水的流量、浊度、温度、pH值等。2)混凝过程的滞后性，无法实时监控和调整混凝剂投加量，最合理的方案为直接依据废水池的环境变量直接精确预测出最佳混凝剂投加量。相比于传统控制任务，难度更大。然而，废水净化的混凝剂投加实验是可以反复进行的，可以用时间换取大量实际数据。

为此，本发明以数据量简化问题难度，提出了一种基于深度学习的最佳混凝剂投加量预测算法，从大量数据中学习拟合规律。算法的输入为废水池的各个环境变量，输出为精准预测的混凝剂投加量。

本算法的主要组成部分为：环境变量隐空间自动编解码机、辅助监测预测器、混凝剂投加量预测器、多模态反馈监督。其整体结构框图如图2所示。首先，利用自动编码器机高效学习与复原能力，输入环境变量通过隐空间自动编码机生成不可知的隐环境变量；再将环境变量输入可学习的辅助监测预测器以生成废水处理的中间状态(中间浊度和絮体状态)；结合预测得到的中间状态和隐环境变量，通过混凝剂投加量预测器得到最终的预测结果。其中，中间状态的预测值可由现场监测的结果直接监督，通过监督学习损失函数更新预测器参数；而对于最终的混凝剂投加量预测结果，只能采用强化学习和蒙特卡洛仿真的方式进行价值回报优化；因此，对于整体算法采用多模态反馈监督的方式，学习更新至最优的算法模型。

(1)环境变量隐空间自动编解码机：

最佳混凝剂投加量的预测机理复杂，需要考虑的变量很多，难以穷举和实验每一个潜在环境变量。这是因为一些复杂的环境变量，如一些特定废水成分的含量，监测难度大、不稳定、检验周期长，无法直接用于混凝剂投加量预测。另一方面，大量环境变量未必和混凝剂投加量有强相关性，真正能够有效帮助预测混凝剂投加量的环境变量依旧未知。因此本算法采用基于深度学习的自动编解码机方法，根据一些简单初步的环境变量，自动学习出隐环境变量，用于后续任务。考虑到输入变量的数据维度与复杂度，需要有足够的数据容限支撑深度模型从数据中学习出有效的隐空间规律，本算法将显性环境变量：浊度U、酸碱度P、水流量Q、水温T的多个时刻数据作为自动编解码机的输入，即

其中k为构造输入数据的时间节点个数。基于此，隐空间自动编解码机的原理可表示为：

E：X→H，

D：H→X，

其中，E与D分别代表了自动编码器与自动解码器，它们可以将数据从显性空间X编码至隐空间H，或将数据从隐空间H解码至，显性空间X。最终通过优化更新，使得输入数据通过编解码器后和初始值差异很小，即编解码机能够在提取隐空间特征的同时还原输入数据，以证明此过程没有信息损失。最终，H＝E(X)即为隐空间自动编解码机的输出。在本算法中，编码器和解码器采用镜像结构的多层感知机(Multilayer Perceptron，MLP)构成。

(2)辅助监测预测器：

由于直接预测最佳混凝剂投加量的较大，因此本算法需要借助一些中间环境监测结果，如絮体状态和中间浊度，以辅助预测混凝剂投加量。另一方面，若算法仅仅依靠混凝剂投加量来监督网络模型更新，会使得更新方式过于简单，网络模型很容易发生过拟合现象。综上原因，本算法设计了两个辅助监测预测器，根据隐空间自动编解码机的隐环境变量结果，预测水体多个位置(以两个为例)的中间浊度U_k1、U_k2，与絮体状态U_k1、U_k2。之后，用实际监测得到的实际中间浊度

与实际絮体状态

为绝对真值监督，作为辅助损失函数更新预测器网络：

上式中，w_U、w_V分别为浊度预测器P_U与絮体状态预测器P_V的可学习参数；||·||^p为P阶范数，H为根据隐空间自动编解码机的隐环境变量结果。在本算法中，辅助监测预测器采用递归神经网络(Recurrent Neural Network，RNN)的结构。

(3)混凝剂投加量预测器：

对于混凝剂投加量预测器，为提高预测精度，需要综合考虑隐环境变量与中间环境变量的结果。为此，本算法将辅助监测预测器与环境变量隐空间自动编解码机进行特征融合，再进行混凝剂投加量预测。具体地，采用贝叶斯网络(Bayesian network，BN)构造有向无环图来强化各个环境变量间的依赖关系，最终计算得到混凝剂投加量预测：

最终，通过监督回报不断更新贝叶斯网络的参数与结构，通过极大似然估计得到最终混凝剂投加量预测y。

(4)多模态反馈监督：

基于构造的网络结构，需要设计高效的反馈监督方法，以更新网络参数。因此，本算法提出了多模态的反馈监督方法：对于环境变量隐空间自动编解码机，采用自监督的方式，没有绝对真值作为监督，其核心逻辑为通过编解码器可以恢复输入，且隐空间变量可以有效解决下游任务；对于辅助监测预测器，采用全监督学习的方式，人为采集中间浊度和絮体状态作为绝对真值进行监督，使得预测值逐步接近绝对真值；对于混凝剂投加量预测器，由于无法获取混凝剂投加量的绝对真值，采用了强化学习中的回报反馈机制。首先用算法预测得到的混凝剂投加量进行污水处理，并测量最终的出水浊度U_o，若Y_o小于出水要求浊度U_e，则回报反馈为正，反之为负；同时，在回报反馈为正的情况下，混凝剂投加量越小则回报越高。具体地，回报函数的定义为：

其中，y为混凝剂投加量预测，ε(·)为阶跃函数。最终，采用Q-learning算法更新所有算法中的深度神经网络，逐步更新探索算法，用当前节点和下一节点的价值回报函数结果的差分，来模拟近似蒙特卡罗采样。

总体回报更新为:

基于总体回报，用最优化梯度下降算法更新网络参数。

上述投加方法用于下述具体案例：

(1)处理对象：原水来源为水库水，流量Q为4000m³/h，进水温度T为10℃，原水浊度U_i为10NTU，原水pH为6.8。

(2)出水要求浊度U_e为1NTU以下。

(3)混凝剂：采用PAC(碱式氯化铝)，初始投加量为0.02kg/m³。

(4)出水浊度U_o为0.7NTU。

(5)处理总成本：混凝剂总体消耗量为0.012kg/吨原水，费用0.0156元/吨水(药剂成本以1300元/吨计)。

实施例2：常规混凝剂的作业过程

处理对象、出水要求浊度U_e以及所采用的混凝剂均与实施例1相同。区别在于，混凝剂的投加方式如下：原水和混凝剂分别加入混凝池，依次经混凝→沉淀→过滤→消毒后输出。

(1)混凝剂：投加量采用的方式为固定比例投加0.013kg/m³。

(2)出水浊度U_o为0.8NTU。

(3)处理总成本：混凝剂总体消耗量为0.013kg/吨原水，费用0.0169元/吨水(药剂成本以1300元/吨计)。

实施例1的混凝剂使用量约为实施例2的92％，节约了成本，且出水浊度更低，投加量控制较为精准。

Claims (5)

1.一种混凝剂的自动投加方法，其特征在于：原水和初始投加量的混凝剂分别输入混凝工序进行混凝处理后，再经沉淀工序、过滤工序、消毒工序处理后输出，检测各部位的环境变量，将环境变量输入控制器，控制器据此计算得出混凝剂第二批投加量，据此调控混凝剂投加量，一个处理周期完成后，再次检测上述环境变量并送入控制器，计算得到混凝剂第三批投加量，如此循环，所述控制器计算算法涉及包括四块：

(1)环境变量隐空间自动编解码机：

以浊度U、酸碱度P、水流量Q、水温T为显性环境变量，将显性环境变量的多个时刻数据输入自动编解码机，即

其中k为构造输入数据的时间节点个数，得到隐空间自动编解码机的原理表达式：

E：X→H，

D：H→X，

其中，E与D分别代表了自动编码器与自动解码器，将数据从显性空间X编码至隐空间H，或将数据从隐空间H解码至显性空间X，隐空间自动编解码机输出H＝E(X)；

(2)辅助监测预测器：

包括两个辅助监测预测器，根据隐空间自动编解码机的隐环境变量结果，预测水体多个位置的中间浊度U_k1、U_k2与絮体状态V_k1、V_k2，用实际监测得到的实际中间浊度

与实际絮体状态V_k1、V_k2为绝对真值监督，作为辅助损失函数更新预测器网络：

上式中，w_U、w_V分别为浊度预测器P_U与絮体状态预测器P_V的可学习参数；||·||^p为P阶范数，H为根据隐空间自动编解码机的隐环境变量结果；

(3)混凝剂投加量预测器：

采用贝叶斯网络构造有向无环图来强化各个环境变量间的依赖关系，计算得到混凝剂投加量预测：

再通过监督回报不断更新贝叶斯网络的参数与结构，通过极大似然估计得到最终混凝剂投加量预测y；

(4)多模态反馈监督：

首先用算法预测得到的混凝剂投加量y进行污水处理，并测量最终的出水浊度U_o，若U_o小于出水要求浊度U_e，则回报反馈为正，反之为负；同时，在回报反馈为正的情况下，混凝剂投加量越小则回报越高，回报函数的定义为：

其中，y为混凝剂投加量预测，ε(·)为阶跃函数，

然后采用Q-learning算法逐步更新探索算法，用当前节点和下一节点的价值回报函数结果的差分，来模拟近似蒙特卡罗采样，总体回报更新为：

基于总体回报，用最优化梯度下降算法更新网络参数。

2.根据权利要求1所述的一种混凝剂的自动投加方法，其特征在于：所述自动编解码机中，编码器和解码器采用镜像结构的多层感知机构成。

3.根据权利要求1所述的一种混凝剂的自动投加方法，其特征在于：所述辅助监测预测器中，辅助监测预测器采用递归神经网络的结构。

4.根据权利要求1所述的一种混凝剂的自动投加方法，其特征在于：所述环境变量包括原水流量、原水温度、原水浊度、原水酸碱度、原水pH值，混凝絮体、混凝中间浊度、沉淀絮体、沉淀中间浊度，以及出水浊度。

5.根据权利要求1所述的一种混凝剂的自动投加方法，其特征在于：絮体状态检测数据为絮体大小、形状、移动速度、絮体形态分型的集合。

Images