CN115293027A - 一种自来水厂高密度澄清处理工艺出水浊度的预测方法 - Google Patents
一种自来水厂高密度澄清处理工艺出水浊度的预测方法 Download PDFInfo
- Publication number
- CN115293027A CN115293027A CN202210801077.3A CN202210801077A CN115293027A CN 115293027 A CN115293027 A CN 115293027A CN 202210801077 A CN202210801077 A CN 202210801077A CN 115293027 A CN115293027 A CN 115293027A
- Authority
- CN
- China
- Prior art keywords
- data
- turbidity
- water
- value
- treatment process
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 119
- 230000008569 process Effects 0.000 title claims abstract description 91
- 238000005352 clarification Methods 0.000 title claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 38
- 238000010606 normalization Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 17
- 239000000701 coagulant Substances 0.000 claims description 13
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 12
- 229910052760 oxygen Inorganic materials 0.000 claims description 12
- 239000001301 oxygen Substances 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 239000011541 reaction mixture Substances 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000004062 sedimentation Methods 0.000 description 4
- 230000001112 coagulating effect Effects 0.000 description 3
- 239000008394 flocculating agent Substances 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000008399 tap water Substances 0.000 description 2
- 235000020679 tap water Nutrition 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000195493 Cryptophyta Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000013043 chemical agent Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000015271 coagulation Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005189 flocculation Methods 0.000 description 1
- 230000016615 flocculation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Optimization (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Separation Of Suspended Particles By Flocculating Agents (AREA)
Abstract
本申请公开了一种自来水厂高密度澄清处理工艺出水浊度的预测方法,包括:首先,应用人工神经网络建立自来水厂高密度澄清处理工艺出水浊度的预测模型;之后,利用异常数据剔除后的处理工艺的历史数据对模型进行训练;最后,以训练好的模型为基础,建立出水浊度预测系统,将处理工艺的实时数据输入到系统中,实现对工艺的出水浊度的在线预测。本发明充分考虑了自来水厂高密度澄清池处理工艺进水水质,运行参数与处理出水浊度之间的联系以及处理工艺具有的迟滞性和非线性的特征。通过本发明,自来水厂可以提前对处理工艺的水质进行预测,从而及时调整处理参数,对确保处理水质的质量和供水安全具有重要意义。
Description
技术领域
本发明涉及水处理工艺领域,具体涉及一种自来水厂高密度澄清处理工艺出水浊度的预测方法。
背景技术
混凝沉淀工艺是自来水处理厂核心处理工艺之一。近年来,随着处理技术的革新,高密度澄清处理工艺被越来越多自来水厂所应用。相对于传统的混凝沉淀处理工艺,该工艺具有占地面积小、处理时间短、抗冲击能力强等优点。然而,高密度澄清处理工艺过程较为复杂,一方面从工艺流程上需要经过混凝、絮凝、沉淀、污泥再循环等步骤(见图1),涉及到多个物理和化学反应。另一方面,进水水质(如浊度、温度、pH、藻类等)、水量以及药剂(混凝剂和絮凝剂)投加量等因素均会对工艺的出水浊度造成影响,且上述影响具有迟滞性和非线性的特点。
目前,国内大部分采用高密度澄清处理工艺的自来水厂普遍采用依据进水水量定比例进行药剂投加的控制方法。这种方法对于操作人员的处理操作经验提出了较高要求,并且在进水水质波动、出水浊度上升时,往往存在处理响应滞后的问题。因此,根据不同工况条件对高密度澄清处理工艺的出水浊度进行提前预测,在预测到处理出水浊度可能超标的情况下,提前对工艺的药剂投加量等运行参数进行调整,对于工艺的稳定运行及保障供水水质安全有着重要的作用和意义。
发明内容
针对水处理工艺领域的需求,本发明提出了一种自来水厂高密度澄清处理工艺出水浊度的预测方法,以解决上述技术背景中提出的问题。
为实现上述目的,本发明采用以下技术方案:
一种自来水厂高密度澄清处理工艺出水浊度的预测方法,包括:
S1,应用人工神经网络建立高密度澄清处理工艺出水浊度的预测模型,所述预测模型是多层神经网络模型,包括输入层、隐含层1、隐含层2和输出层,所述预测模型根据某一时刻及其之前多个时刻的出水浊度影响因素的数据,对该时刻之后的某一确定时刻的高密度澄清处理工艺出水浊度进行预测;
S2,利用高密度澄清处理工艺的历史数据对所述预测模型进行训练,包括如下步骤:
S21,从自来水厂的数据库中导出高密度澄清处理工艺的历史数据;
S22,对导出的历史数据进行异常值识别和处理;
S23,将异常值剔除和处理后的数据进行归一化处理;
S24,将归一化处理后的数据输入到所述预测模型,对预测模型进行训练;
S3,建立自来水厂高密度澄清处理工艺出水浊度预测系统,实现高密度澄清处理工艺出水浊度预测,所述系统包括:数据调取模块、数据记忆模块、数据处理和更新模块以及浊度预测模块;
所述数据调取模块,被配置为调取自来水厂数据库中的高密度澄清处理工艺的数据;
所述数据记忆模块,被配置为存储当前输入到浊度预测模块的数据;
所述数据处理和更新模块,被配置为具有以下功能:接收数据调取模块传送的数据,对数据调取块获得的数据中的异常值进行处理;读取数据记忆模块存储的数据,并用异常值处理后的数据对读取的数据进行更新,构造新的数据;以及将更新后的数据输入至浊度预测模块,并将其传回到数据记忆模块重新存储;
所述浊度预测模块,包括通过步骤S1建立并通过步骤S2完成训练的预测模型,所述浊度预测模块被配置为接收所述数据处理和更新模块输出的更新后的数据,通过所述预测模型对T时刻后的出水浊度进行预测。
优选地,步骤S1中,所述的出水浊度影响因素包括:高密度澄清处理工艺的进水温度、进水pH、进水浊度、进水电导率、进水溶解氧浓度、进水流量、混凝剂投加量、各絮凝剂投加点絮凝剂投加量以及出水浊度。
优选地,步骤S1中所述预测模型以经过归一化处理后的t时刻及之前i个时刻的出水浊度影响因素数据作为输入数据,对t+T时刻的高密度澄清处理工艺出水浊度进行预测,输入数据X及其归一化结果X’分别由以下(i+1)×N维矩阵表示:
其中,N为出水浊度影响因素的个数;
预测模型的输入层是一个1×N(i+1)维矩阵XIN,矩阵的每一项与矩阵X’中的项对应;预测模型的两个隐含层为隐含层1和隐含层2,隐含层1有m个神经元,隐含层2有n个神经元;预测模型实现浊度预测的步骤如下:
输入层的数据通过公式(1)传递至隐含层1的各神经元:
z(1)=XIN·W(1)+b(1) (1)
XIN=[X1,t′...XN,t′...X1,t-i′...XN,t-i′]
隐含层1的神经元接收数据后通过公式(2)所示的双曲正切激活函数进行压缩,并由公式(3)传递至隐含层2:
H(1)=tanh(z(1)) (2)
z(2)=H(1)·W(2)+b(2) (3)
隐含层2接收到数据后,经过公式(4)所示的双曲正切激活函数压缩后通过公式(5)获得输出层的输出结果O(1),该结果反归一化处理后获得出水浊度预测值(Y):
H(2)=tanh(z(2)) (4)
O(1)=tanh(H(2)·W(3)+b(3)) (5)
其中,式(1)-(5)中的符号意义如下:
z(1)和z(2)分别为隐含层1和2神经元的输入值,分别是1×m维和1×n维的矩阵;
H(1)和H(2)分别为隐含层1和2神经元的输出值,分别是1×m维和1×n维的矩阵;
b(1)、b(2)和b(3)为偏置量,分别是1×m维、1×n维和1×1维的矩阵;
W(1)、W(2)和W(3)为权重矩阵,分别是N(i+1)×m维、m×n维和n×1维的矩阵;
O(1)为模型输出层输出的结果。
优选地,步骤S21中,所述历史数据包括:高密度澄清处理工艺的进水温度、进水pH、进水浊度、进水电导率、进水溶解氧浓度、进水流量、混凝剂投加量、各絮凝剂投加点絮凝剂投加量以及出水浊度。
优选地,步骤S22具体包括如下步骤:对导出的每一时刻的历史数据进行异常值识别和处理,对每一类数据均设定上限值和下限值,当导出的历史数据超过其对应的上限值和下限值时,则判定该历史数据为异常值,对该时刻的所有历史数据予以剔除。
在一种更优选实施例中,在剔除超出上下限的数据后,为进一步减少由浊度测量设备因自检、阻塞等因素产生的测量误差和异常值,步骤S22还包括如下步骤:
在剔除超出上下限的数据后,通过三阶时间序列函数对进出水浊度历史数据中的异常波动进行识别和处理,包括:
1)按照公式(6)-(12),根据t时刻的浊度数据利用时间序列函数对t+1时刻的浊度值进行估计:
S1,t=α*Turbt+(1-α)S1,t-1 (6)
S2,t=α*S1,t+(1-α)S2,t-1 (7)
S3,t=α*S2,t+(1-α)S3,t-1 (8)
式(6)-(12)中,Turbt为t时刻的浊度实测值;S1,t,S2,t和S3,t为t时刻统计变量(初始条件:Turb1=S1,0=S2,0=S3,0);α为函数参数;为预测函数对t时刻浊度估计系数;为函数对t+1时刻的估计值;
2)通过公式(13)所示的一阶时间序列函数,对t+1时刻浊度的估计误差的标准差进行估计:
3)依据t+1时刻的估计值和误差标准差的估计值,依据公式(14)-(15)建立t+1时刻浊度实测异常的判定限值:
优选地,步骤S23具体包括如下步骤:
将步骤S22所有处理好的数据通过公式(16)(最大最小值法)进行归一化处理:
式中,X为归一化前的数据,X’为归一化后的数据,Xmin为处理后历史数据中与X对应的最小值,Xmax为处理后历史数据中与数据X对应的最大值。
优选地,步骤S24中,训练过程中对预测模型的权重和偏置系数调整所使用的算法为Adam优化梯度下降算法,调整步长(学习率)变化模式为指数衰减模式。
在一种更优选实施例中,步骤S24中训练的总次数为10000次。
优选地,步骤S3中,所述数据调取模块调取接收的数据包括:高密度澄清处理工艺的进水温度、进水pH、进水浊度、进水电导率、进水溶解氧浓度、进水流量、混凝剂投加量、各絮凝剂投加点絮凝剂投加量以及出水浊度。
优选地,步骤S3中,所述数据处理和更新模块对数据调取模块获得的数据中的异常值进行处理,包括:
S31,对每一类数据均设定上限值和下限值,将获得的进出水浊度数据与其对应上限值和下限值进行比较,如果超过其上限值则用上限值取代,超过其下限值则用下限值取代;
S32,通过三阶时间序列函数对步骤S31处理后的异常波动进行识别和处理,其具体处理过程与前述步骤S22中公式(6)-(15)所示流程相同;
S33,对步骤S32处理后的数据进行归一化处理,其具体处理过程与前述步骤S23中公式(16)所示流程相同。
优选地,步骤S3中,所述数据处理和更新模块读取数据记忆模块存储的数据,并用异常值处理后的数据对读取的数据进行更新,构造新的数据,包括:
读取数据记忆模块存储的数据X’;
去除t-i时刻数据,将t-i+1时刻作为新的t-i时刻数据,以此类推,直至t时刻数据作为t-1时刻数据;
将处理好的数据作为新的t时刻数据放入到X’中,实现X’的更新。
优选地,更新的X’数据被传递至步骤S3所述的浊度预测模块,该模块包括通过步骤S1建立并通过步骤S2完成训练的预测模型;通过将X’作为预测模型的输入数据输入到模型,实现对出水浊度的预测。
与现有技术相比,本发明的技术方案具有以下有益效果:
本申请提供了一种自来水厂高密度澄清处理工艺出水浊度的预测方法,包括:首先,应用人工神经网络建立自来水厂高密度澄清处理工艺出水浊度的预测模型;之后,利用异常数据剔除后的处理工艺的历史数据对模型进行训练;最后,以训练好的模型为基础,建立出水浊度预测系统,将处理工艺的实时数据输入到系统中,实现对工艺的出水浊度的在线预测。本申请的技术方案充分考虑了自来水厂高密度澄清池处理工艺进水水质,运行参数与处理出水浊度之间的联系以及处理工艺具有的迟滞性和非线性的特征。通过本申请技术方案,自来水厂可以提前对处理工艺的水质进行预测,从而及时调整处理参数,对确保处理水质的质量和供水安全具有重要意义。
附图说明
构成本申请的一部分附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是现有技术中高密度澄清处理工艺示意图;
图2是高密度澄清处理工艺出水浊度预测神经网络模型的示意图;
图3是自来水厂高密度澄清处理工艺出水浊度预测系统的结构示意图;
图4是高密度澄清处理工艺出水浊度预测模型训练过程中的均方误差变化图;
图5是训练后的高密度澄清处理工艺出水浊度预测模型对历史数据的模拟情况示例图;
图6是预测系统对实施对象自来水厂高密度澄清处理工艺出水浊度的预测结果示例图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例:
本实施对象为华东地区某大型自来水厂,处理规模70万m3/d。厂区共有四条产线,其中有两条处理规模为25万m3/d的产线采用高密度澄清工艺进行混凝沉淀处理。本发明实施例实施于其中的一条产线。
步骤1:应用人工神经网络建立高密度澄清处理工艺出水浊度的预测模型。
本实施例建立的多层神经网络模型,包括一个输入层、两个隐含层(隐含层1、隐含层2)和输出层,参阅图2。
本实施例所建立的预测模型将t时刻及之前9个时刻(i=9)的高密度澄清处理工艺的进水水质(温度、pH、电导率、溶解氧浓度、浊度)、水量、出水浊度、混凝剂投加量、絮凝剂投加点1和2的投加量作为影响因素(N=10,N为影响因素的个数)。
将上述影响因素的数据经归一化处理后输入到预测模型,对t+T时刻的工艺出水浊度(Y)进行预测。T值依据处理工艺的水力停留时间和数据导出频率计算确定。实施对象处理厂高密度澄清工艺的水力停留时间约为60分钟,数据库导出数据频率为1分钟1组,因此T取的值为60(60分钟/1分钟)。本实施例的输入数据X及其归一化结果X’均为10×10维矩阵:
矩阵中各符号与各类别影响因素数据对应关系如下:
Te:进水温度;
pH:进水pH;
Turbin:进水浊度;
Co:进水电导率;
Do:进水溶解氧浓度;
Q:进水流量;
P1:絮凝剂投加点1投加量;
P2:絮凝剂投加点2投加量;
Coa:混凝剂投加量;
Turbout:出水浊度。
本实施例建立的预测模型的输入层是一个1×100维矩阵XIN,矩阵的每一项与矩阵X’中的项对应。预测模型的两个隐含层即隐含层1和隐含层2,分别有15和10个神经元。输入层的数据通过公式(1)传递至隐含层1的各神经元:
z(1)=XIN·W(1)+b(1) (1)
XIN=[Tet′...Turboutt′...Tet-9′...Turboutt-9′]
隐含层1神经元接收数据后通过公式(2)所示的双曲正切激活函数压缩,并由公式(3)传递至隐含层2:
H(1)=tanh(z(1)) (2)
z(2)=H(1)·W(2)+b(2) (3)
隐含层2接收到数据后经过双曲正切激活函数压缩(公式(4))后通过公式(5)获得输出层输出结果O(1),该结果经反归一化处理后获得出水浊度预测值(Y):
H(2)=tanh(z(2)) (4)
O(1)=tanh(H(2)·W(3)+b(3)) (5)
式(1)-(5)中的符号意义如下:
z(1)和z(2)分别为隐含层1和2神经元的输入值,分别是1×15维和1×10维的矩阵;
H(1)和H(2)分别为隐含层1和2神经元的输出值,分别是1×15维和1×10维的矩阵;
b(1)、b(2)和b(3)为偏置量,分别是1×15维、1×10维和1×1维的矩阵;
W(1)、W(2)和W(3)为权重矩阵,分别是100×15维、15×10维和10×1维的矩阵;
O(1)为模型输出层输出的结果。
步骤2:利用高密度澄清处理工艺的历史数据对预测模型进行训练。
具体流程如下:
(1)从实施对象自来水厂的数据库中导出高密度澄清处理工艺的历史数据,数据导出频率为1分钟/组,包括:进水水质(温度、pH、电导率、溶解氧浓度、浊度)、进水水量、出水浊度、混凝剂投加量、絮凝剂投加点1和2的投加量。本实施例导出2019年至2021年12月数据共967621组。
(2)对导出的每组数据进行异常值识别和处理,对每一类数据均设定上限值和下限值,本实施例对每组数据设定的上下限值如下表1所示。当导出的数据超过上下限时,则认为该数据为异常值,对该时刻对应的所有数据予以剔除。
表1历史数据上下限设定值
对于进出水浊度数据,在剔除超出上下限的数据后,为进一步减少由浊度测量设备因自检、阻塞等因素产生的测量误差和异常值,通过时间序列函数对进出水浊度数据中的异常波动进行识别和处理,具体过程为:
首先,根据t时刻的浊度数据利用三阶时间序列函数对t+1时刻的浊度值进行估计(见公式(6)-(12))。
S1,t=α*Turbt+(1-α)S1,t-1 (6)
S2,t=α*S1,t+(1-α)S2,t-1 (7)
S3,t=α*S2,t+(1-α)S3,t-1 (8)
式(6)-(12)中的符号意义如下:
Turbt为t时刻的浊度实测值;
S1,t,S2,t和S3,t为t时刻统计变量(初始条件:Turb1=S1,0=S2,0=S3,0);
a为函数参数,本实施例对其设定值为0.0025;
之后,通过一阶时间序列函数对t+1时刻浊度的估计误差的标准差进行估计(见式13):
式(13)中的符号意义如下:
Et为t时刻浊度估计值与实际值的差值。
最后,依据t+1时刻的估计值和误差标准差的估计值,依据公式(14)-(15)建立t+1时刻浊度实测异常的判定限值,公式中K为调节系数,本实施例对其设定值为1.3。当实测值超出限值时,实测值判定为异常,并用估计值进行代替。
(3)将所有处理好的数据通过按公式(16)进行归一化,式中X和X’分别为归一化前和归一化后的数据,Xmin和Xmax分别为处理后历史数据中与数据X对应的最大值和最小值(见表2)。
(4)将归一化后的数据(共940605组数据)输入到出水浊度预测模型,利用85%的历史数据对模型进行训练。训练目标是对权重W(1)、W(2)和W(3)和偏置系数b(1)、b(2)、b(3)进行调整,从而最小化预测出水浊度和实测出水浊度之间的均方误差。对权重和偏置系数调整所使用的算法为Adam优化梯度下降算法,本实施例采用的调整步长(学习率)变化模式为指数衰减模式,初始调整步长为0.001、衰减率为0.999,总训练次数为10000次。每次训练后都用余下的15%的数据对模型进行测试。
模型的训练结果如图4和图5所示。由图4可知,训练和测试模拟的均方误差随训练次数的上升而下降,经过约8000次训练后,均方误差基本稳定在0.001-0.002。模型对于所有历史数据模拟结果的相对误差约为实测均值的4%左右,显示出较高的预测准确性。
表2归一化处理所用最大最小值
输入数据类别 | 符号 | 最大值 | 最小值 |
进水温度(℃) | Te | 31.28 | 5 |
进水pH | pH | 10.129 | 7.8 |
进水浊度(NTU) | Turbin | 129.9 | 3 |
进水电导率(uS/cm) | Co | 718 | 300.3 |
进水溶解氧浓度(mg/L) | DO | 16.94 | 4.49 |
进水流量(m<sup>3</sup>/h) | Q | 11000 | 2002 |
絮凝剂投加点1投加量(L/h) | P1 | 1478.736 | 250.02 |
絮凝剂投加点2投加量(L/h) | P2 | 640.332 | 3.942 |
混凝剂投加量(L/h) | Coa | 2389.5 | 301.95 |
出水浊度(NTU) | Turbout | 2 | 0.13 |
步骤3:建立自来水厂高密度澄清处理工艺出水浊度预测系统,实现高密度澄清处理工艺出水浊度预测。
本实施例对发明实施对象建立的自来水厂高密度澄清处理工艺出水浊度预测系统,参阅图3所示,该系统包括数据调取模块、数据记忆模块、数据处理和更新模块以及浊度预测模块。各模块的功能具体如下:
模块1:数据调取模块。该模块用于调取自来水厂数据库中的高密度澄清处理工艺的进水水质(温度、pH、浊度、电导率、溶解氧)、进水流量、出水浊度、混凝剂投加量和絮凝剂投加点1和2的投加量数据。每次接收一组,接收间隔为1分钟,并将数据传递至数据处理和更新模块。
模块2:数据记忆模块。该模块存储最近一次输入到浊度预测模块的数据X’。
模块3:数据处理和更新模块。该模块具有以下三个功能:
功能1是对数据调取块获得的数据中的异常值进行处理。数据首先与设定的上下限值进行比较,数据超过上限时用上限值取代,超过下限时用下限值取代。本实施例采用的上下限值为表2所示的最大值和最小值。
对于进出水浊度数据,在经过上述处理后,还需通过时间序列函数对数据中的异常波动进行识别和处理,具体过程与步骤2流程(2)所述相同。所有数据处理完成后,应用公式(16)对数据进行归一化处理,归一化处理所用最大值和最小值与表2相同。
功能2是读取数据记忆模块存储的数据X’,并用处理好的数据对其进行更新,构造新的数据。具体方式为去除读取的X’中的t-9时刻数据,将t-8时刻作为新的t-9时刻数据,以此类推,直至t时刻数据作为t-1时刻数据,最后将处理好的数据作为新的t时刻数据放入到X’中。
功能3是将更新的数据X’传递到浊度预测模块,并将其传回到模块2存储。
模块4:浊度预测模块。该模块包含通过步骤1建立和步骤2完成训练的预测模型。模块4接收模块3传递的X’数据,通过预测模型实现对60个时刻后(即1小时后)的出水浊度进行预测。
本实施例应用对象自来水厂2022年1月底至2月中上旬的数据对系统进行了测试。系统的模块1共调取到该段时间内实施对象自来水厂高密度澄清处理工艺的进水水质(温度、pH、浊度、电导率、溶解氧)、进水流量、出水浊度、混凝剂投加量和絮凝剂投加点1和2的投加量数据17126组。
这些数据和模块2提供的X’数据一同经由模块3处理后传递至模块4,并通过模块4包含的预测模型实现出水浊度预测。
预测结果与工艺实测浊度值对比结果如图6所示。数据统计显示,预测的相对平均误差为6.5%。上述结果表明本申请所提出的预测方法及系统具有较高的准确度。
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。本领域技术人员应该知道,由于各自来水处理厂或处理设施所采用的高密度澄清工艺的体积尺寸、进出水水质、药剂种类以及工况条件等不完全相同。因此,在具体实施过程中,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。
Claims (10)
1.一种自来水厂高密度澄清处理工艺出水浊度的预测方法,其特征在于,包括:
S1,应用人工神经网络建立高密度澄清处理工艺出水浊度的预测模型,所述预测模型是多层神经网络模型,包括输入层、隐含层1、隐含层2和输出层,所述预测模型根据某一时刻及其之前多个时刻的出水浊度影响因素的数据,对该时刻之后的某一确定时刻的高密度澄清处理工艺出水浊度进行预测;
S2,利用高密度澄清处理工艺的历史数据对所述预测模型进行训练,包括如下步骤:
S21,从自来水厂的数据库中导出高密度澄清处理工艺的历史数据;
S22,对导出的历史数据进行异常值识别和处理;
S23,将异常值处理和剔除后的数据进行归一化处理;
S24,将归一化处理后的数据输入到所述预测模型,对预测模型进行训练;
S3,建立自来水厂高密度澄清处理工艺出水浊度预测系统,实现高密度澄清处理工艺出水浊度预测,所述系统包括:数据调取模块、数据记忆模块、数据处理和更新模块以及浊度预测模块;
所述数据调取模块,被配置为调取自来水厂数据库中的高密度澄清处理工艺的数据;
所述数据记忆模块,被配置为存储当前输入到浊度预测模块的数据;
所述数据处理和更新模块,被配置为具有以下功能:接收数据调取模块传送的数据,对数据调取块获得的数据中的异常值进行处理;读取数据记忆模块存储的数据,并用异常值处理后的数据对读取的数据进行更新,构造新的数据;以及将更新后的数据输入至浊度预测模块,并将其传回到数据记忆模块重新存储;
所述浊度预测模块,包括通过步骤S1建立并通过步骤S2完成训练的预测模型,所述浊度预测模块被配置为接收所述数据处理和更新模块输出的更新后的数据,通过所述预测模型对T时刻后的出水浊度进行预测。
2.根据权利要求1所述的一种自来水厂高密度澄清处理工艺出水浊度的预测方法,其特征在于,步骤S1中,所述的出水浊度影响因素包括:高密度澄清处理工艺的进水温度、进水pH、进水浊度、进水电导率、进水溶解氧浓度、进水流量、混凝剂投加量、各絮凝剂投加点絮凝剂投加量以及出水浊度。
3.根据权利要求1所述的一种自来水厂高密度澄清处理工艺出水浊度的预测方法,其特征在于,步骤S1中所述预测模型以经归一化处理后的t时刻及之前i个时刻的出水浊度影响因素数据作为输入,对t+T时刻的高密度澄清处理工艺出水浊度进行预测,输入数据X及其归一化结果X’分别由以下(i+1)×N维矩阵表示:
其中,N为出水浊度影响因素的个数;
预测模型的输入层是一个1×N(i+1)维矩阵XIN,矩阵的每一项与矩阵X’中的项对应;预测模型的两个隐含层为隐含层1和隐含层2,隐含层1有m个神经元,隐含层2有n个神经元;所述预测模型实现浊度预测的步骤如下:
输入层的数据通过公式(1)传递至隐含层1的各神经元:
z(1)=XIN·W(1)+b(1) (1)
XIN=[X1,t′...XN,t′...X1,t-i′...XN,t-i′]
隐含层1的神经元接收数据后通过公式(2)所示的双曲正切激活函数进行压缩,并由公式(3)传递至隐含层2:
H(1)=tanh(z(1)) (2)
z(2)=H(1)·W(2)+b(2) (3)
隐含层2接收到数据后,经过公式(4)所示的双曲正切激活函数压缩后通过公式(5)获得输出层的输出结果O(1),该结果反归一化处理后获得出水浊度预测值:
H(2)=tanh(z(2)) (4)
O(1)=tanh(H(2)·W(3)+b(3)) (5)
其中,式(1)-(5)中的符号意义如下:
z(1)和z(2)分别为隐含层1和2神经元的输入值,分别是1×m维和1×n维的矩阵;H(1)和H(2)分别为隐含层1和2神经元的输出值,分别是1×m维和1×n维的矩阵;b(1)、b(2)和b(3)为偏置量,分别是1×m维、1×n维和1×1维的矩阵;
W(1)、W(2)和W(3)为权重矩阵,分别是N(i+1)×m维、m×n维和n×1维的矩阵;O(1)为模型输出层输出的结果。
4.根据权利要求1所述的一种自来水厂高密度澄清处理工艺出水浊度的预测方法,其特征在于,步骤S21中,所述历史数据包括:高密度澄清处理工艺的进水温度、进水pH、进水浊度、进水电导率、进水溶解氧浓度、进水流量、混凝剂投加量、各絮凝剂投加点絮凝剂投加量以及出水浊度。
5.根据权利要求1所述的一种自来水厂高密度澄清处理工艺出水浊度的预测方法,其特征在于,步骤S22具体包括如下步骤:对导出的每一时刻的历史数据进行异常值识别和处理,对每一类数据均设定上限值和下限值,当导出的历史数据超过其对应的上限值和下限值时,则判定该历史数据为异常值,对该时刻的所有历史数据予以剔除。
6.根据权利要求1所述的一种自来水厂高密度澄清处理工艺出水浊度的预测方法,其特征在于,步骤S22还包括如下步骤:在剔除超出上下限的数据后,通过三阶时间序列函数对进出水浊度的历史数据中的异常波动进行识别和处理,包括:
1)按照公式(6)-(12),根据t时刻的浊度数据利用时间序列函数对t+1时刻的浊度值进行估计:
S1,t=α*Turbt+(1-α)S1,t-1 (6)
S2,t=α*S1,t+(1-α)S2,t-1 (7)
S3,t=α*S2,t+(1-α)S3,t-1 (8)
式(6)-(12)中,Turbt为t时刻的浊度实测值;S1,t,S2,t和S3,t为t时刻统计变量(初始条件:Turb1=S1,0=S2,o=S3,0);α为函数参数;为预测函数对t时刻浊度估计系数;为函数对t+1时刻的估计值;
2)通过公式(13)所示的一阶时间序列函数,对t+1时刻浊度的估计误差的标准差进行估计:
3)依据t+1时刻的估计值和误差标准差的估计值,依据公式(14)-(15)建立t+1时刻浊度实测异常的判定限值:
公式中K为调节系数,当实测值超出限值时,实测值判定为异常,并用估计值进行代替。
8.根据权利要求1所述的一种自来水厂高密度澄清处理工艺出水浊度的预测方法,其特征在于,步骤S3中,所述数据调取模块调取接收的数据包括:高密度澄清处理工艺的进水温度、进水pH、进水浊度、进水电导率、进水溶解氧浓度、进水流量、混凝剂投加量、各絮凝剂投加点絮凝剂投加量以及出水浊度。
9.根据权利要求1所述的一种自来水厂高密度澄清处理工艺出水浊度的预测方法,其特征在于,步骤S3中,所述数据处理和更新模块对数据调取模块获得的数据中的异常值进行处理,包括:
S31,对每一类数据均设定上限值和下限值,将数据调取模块获得的数据与其对应上限值和下限值进行比较,如果超过其上限值则用上限值取代,超过其下限值则用下限值取代;
S32,通过三阶时间序列函数对步骤S31处理后的进出水浊度数据的异常波动进行识别和处理;
S33,对步骤S32处理后的数据进行归一化处理。
10.根据权利要求1所述的一种自来水厂高密度澄清处理工艺出水浊度的预测方法,其特征在于,步骤S3中,所述数据处理和更新模块读取数据记忆模块存储的数据,并用异常值处理后的数据对读取的数据进行更新,构造新的数据,包括:
读取数据记忆模块存储的数据X’;
去除t-i时刻数据,将t-i+1时刻作为新的t-i时刻数据,以此类推,直至t时刻数据作为t-1时刻数据;
将处理好的数据作为新的t时刻数据放入到X’中,实现X’的更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210801077.3A CN115293027B (zh) | 2022-07-08 | 2022-07-08 | 一种自来水厂高密度澄清处理工艺出水浊度的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210801077.3A CN115293027B (zh) | 2022-07-08 | 2022-07-08 | 一种自来水厂高密度澄清处理工艺出水浊度的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115293027A true CN115293027A (zh) | 2022-11-04 |
CN115293027B CN115293027B (zh) | 2023-05-16 |
Family
ID=83823023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210801077.3A Active CN115293027B (zh) | 2022-07-08 | 2022-07-08 | 一种自来水厂高密度澄清处理工艺出水浊度的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115293027B (zh) |
Citations (4)
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 |
CN102531121A (zh) * | 2012-02-28 | 2012-07-04 | 天津大学 | 水处理混凝剂最佳投量预测系统及预测方法 |
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 |
CN113705898A (zh) * | 2021-08-30 | 2021-11-26 | 上海昊沧系统控制技术有限责任公司 | 自来水混凝剂加药量的预测方法及系统 |
-
2022
- 2022-07-08 CN CN202210801077.3A patent/CN115293027B/zh active Active
Patent Citations (4)
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 |
CN102531121A (zh) * | 2012-02-28 | 2012-07-04 | 天津大学 | 水处理混凝剂最佳投量预测系统及预测方法 |
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 |
CN113705898A (zh) * | 2021-08-30 | 2021-11-26 | 上海昊沧系统控制技术有限责任公司 | 自来水混凝剂加药量的预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
周伏虎 等: "基于神经网络的水厂水质预测研究" * |
曹栋华;陈佳袁;刘益志;余松林;: "优化神经网络模型在水质预测中的运用" * |
Also Published As
Publication number | Publication date |
---|---|
CN115293027B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553468B (zh) | 一种准确预测污水处理厂出水水质的方法 | |
CN102854296B (zh) | 一种基于集成神经网络的污水处理软测量方法 | |
Hulsbeek et al. | A practical protocol for dynamic modelling of activated sludge systems | |
US5675504A (en) | Method of predicting residual chlorine in water supply systems | |
CN107949814A (zh) | 用于废水处理工艺控制的系统和方法 | |
CN103235096A (zh) | 污水水质检测方法与装置 | |
CN105425592B (zh) | 一种水处理加药数字化在线控制系统 | |
CN109492265B (zh) | 基于动态非线性pls软测量方法的废水出水指标预测方法 | |
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 | |
CN108595892A (zh) | 基于时间差分模型的软测量建模方法 | |
JP2000218263A (ja) | 水質制御方法及びその装置 | |
WO2020244265A1 (zh) | 一种利用支持向量机预测农村生活污水处理设施运行有效性的方法 | |
CN111858715A (zh) | 一种基于数据挖掘的污水处理厂进水质量预测方法 | |
CN115375009B (zh) | 一种建立混凝智能监控联动系统的方法 | |
CN112989704A (zh) | 一种基于de算法的irfm-cmnn出水bod浓度预测方法 | |
CN115527628A (zh) | 城市污水化学除磷工艺的在线控制方法及系统 | |
CN110542748A (zh) | 一种基于知识的鲁棒型出水氨氮软测量方法 | |
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 | |
Han et al. | A sludge volume index (SVI) model based on the multivariate local quadratic polynomial regression method | |
CN113866375A (zh) | 出水含氮物智能在线监测方法和系统 | |
CN115293027A (zh) | 一种自来水厂高密度澄清处理工艺出水浊度的预测方法 | |
CN117273207A (zh) | 预测自来水厂臭氧生物活性炭工艺出水高锰酸盐指数的方法 | |
CN117556196A (zh) | 一种面向自来水厂絮凝剂智能投加方法及其系统 | |
CN116679026B (zh) | 自适应无偏有限脉冲响应滤波的污水溶解氧浓度估计方法 | |
KR100573189B1 (ko) | 신경망 2자 유도 PID 제어기의 튜닝방법을 이용한정수처리 시스템의 pH 제어 방법 및 그 장치 |
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 |