CN115784331A

CN115784331A - 混凝沉淀控制方法、装置、设备及存储介质

Info

Publication number: CN115784331A
Application number: CN202211379553.3A
Authority: CN
Inventors: 张伯立; 苟茂华; 沈寅杰; 付友行; 何东; 彭越
Original assignee: Zhejiang Supcon Information Industry Co Ltd
Current assignee: Zhejiang Supcon Information Industry Co Ltd
Priority date: 2022-11-04
Filing date: 2022-11-04
Publication date: 2023-03-14

Abstract

本申请提供一种混凝沉淀控制方法、装置、设备及存储介质，涉及净水控制技术领域。该混凝沉淀控制方法包括：获取预设净水厂中沉淀容器的进水端的进水参数和预设混凝剂的预设投加量；根据进水参数和投加量，采用预先训练的浊度时序预测模型进行处理，得到沉淀容器的出水端的出水浊度预测值；根据出水浊度预测值，调整预设投加量，得到目标投加量；根据目标投加量，控制投加设备向沉淀容器中投加目标投加量的预设混凝剂。本申请的方案可提高对混凝剂投加量的准确度及可信度。

Description

混凝沉淀控制方法、装置、设备及存储介质

技术领域

本申请涉及净水控制技术领域，具体而言，涉及一种混凝沉淀控制方法、装置、设备及存储介质。

背景技术

自来水是人们生产生活中不可或缺的再生资源，每天都存在着巨大的消耗量，在自来水处理工艺中，加混凝剂混凝沉淀是一个重要环节。混凝沉淀的好坏不仅直接关系到出水水质，而且关系到后续处理工艺和整个制水成本。

混凝沉淀的效果由混凝剂的投加量所决定，但在实际生产中，影响混凝剂投加量的因素较多。因此，混凝剂的投加量的控制非常复杂，是一个滞后时间长、时变性强的非线性动态系统，从而加大了对混凝剂投加量的预测难度。

申请内容

本申请的目的在于，针对上述现有技术中的不足，提供一种混凝沉淀控制方法、装置、设备及存储介质，以便提高对混凝剂投加量的预测准确度和可信度。

为实现上述目的，本申请实施例采用的技术方案如下：

第一方面，本申请实施例提供了一种混凝沉淀控制方法，包括：

获取预设净水厂中沉淀容器的进水端的进水参数和预设混凝剂的预设投加量；

根据所述进水参数和所述投加量，采用预先训练的浊度时序预测模型进行处理，得到所述沉淀容器的出水端的出水浊度预测值；

根据所述出水浊度预测值，调整所述预设投加量，得到目标投加量；

根据所述目标投加量，控制投加设备向所述沉淀容器中投加所述目标投加量的所述预设混凝剂。

在可能的实现示例中，所述根据所述进水参数和所述投加量，采用预先训练的浊度时序预测模型进行处理，得到所述沉淀容器的出水端的出水浊度预测值之前，所述方法还包括：

获取所述沉淀容器在预设历史时间段的多个历史时间序列，每个历史时间序列包括：一组多个内生变量的历史参数，所述多个内生变量包括：进水参数、投加量以及对应的出水浊度检测值；

根据所述多个历史时间序列，确定模型阶数；

根据所述多个历史时间序列，采用所述模型阶数，对预设向量自回归模型进行模型训练，得到所述浊度时序预测模型。

在可能的实现示例中，所述根据所述多个历史时间序列，确定模型阶数之前，所述方法还包括：

对所述多个历史时间序列中各个内生变量的历史参数进行数据变换，使得变换后的每个内生变量的历史参数在所述多个历史时间序列中呈正态分布；

对数据转换后的多个历史时间序列中各个内生变量的历史参数进行标准化处理；

所述根据所述多个历史时间序列，确定模型阶数，包括：

根据标准化处理后的多个历史时间序列，确定所述模型阶数；

所述根据所述多个历史时间序列，采用所述模型阶数，对预设向量自回归模型进行模型训练，得到所述浊度时序预测模型，包括：

根据所述标准化处理后的多个历史时间序列，采用所述模型阶数，对所述预设向量自回归模型进行模型训练，得到所述浊度时序预测模型。

在可能的实现示例中，所述根据标准化处理后的多个历史时间序列，确定所述模型阶数之前，所述方法还包括：

检测所述标准化处理后的多个历史时间序列中各内生变量的历史参数的平稳性；

对所述标准化处理后的多个历史时间序列中，平稳性不满足预设条件的目标内生变量的历史参数进行差分处理；

所述根据标准化处理后的多个历史时间序列，确定所述模型阶数，包括：

根据差分处理后的多个历史时间序列，确定所述模型阶数。

在可能的实现示例中，所述根据标准化处理后的多个历史时间序列，确定所述模型阶数，包括：

根据所述标准化处理后的多个历史时间序列，分别采用多种指标算法，得到多个阶数计算值；

从所述多个阶数计算值中确定所述模型阶数。

在可能的实现示例中，所述根据所述标准化处理后的多个历史时间序列，分别采用多种指标算法，得到多个阶数计算值，包括：

根据所述标准化处理后的多个历史时间序列，采用赤池信息准则指标算法，得到第一阶数计算值；

根据所述标准化处理后的多个历史时间序列，采用贝叶斯准则指标算法，得到第二阶数计算值；

根据所述标准化处理后的多个历史时间序列，采用最终预测误差指标算法，得到第三阶数计算值；

根据所述标准化处理后的多个历史时间序列，采用汉奎信息准则指标算法，得到第四阶数计算值。

在可能的实现示例中，所述对所述多个历史时间序列中各个内生变量的历史参数进行数据变换之前，所述方法还包括：

对所述多个历史时间序列中各个内生变量的历史参数，进行异常检测，并将检测的异常值设置为缺失值；

根据所述多个历史时间序列中所述缺失值前后预设时间段内的数据，对所述缺失值进行填补更新，得到更新后的多个历史时间序列；

所述对所述多个历史时间序列中各个内生变量的历史参数进行数据变换，包括：

对所述更新后的多个历史时间序列中各个内生变量的历史参数进行数据变换。

第二方面，本申请实施例提供了一种混凝沉淀控制装置，包括：

获取模块，用于获取预设净水厂中沉淀容器的进水端的进水参数和预设混凝剂的预设投加量；

计算模块，用于根据所述进水参数和所述预设投加量，采用预先训练的浊度时序预测模型进行处理，得到所述沉淀容器的出水端的出水浊度预测值；

调整模块，用于根据所述出水浊度预测值，调整所述预设投加量，得到目标投加量；

控制模块，用于根据所述目标投加量，控制投加设备向所述沉淀容器中投加所述目标投加量的所述预设混凝剂。

第三方面，本申请实施例提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以执行上述混凝沉淀控制方法的步骤。

第四方面，本申请实施例提供了一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述混凝沉淀控制方法的步骤。

本申请的有益效果是：

本申请提供的混凝沉淀控制方法，可以获取预设净水厂中沉淀容器的进水端的进水参数和预设混凝剂的预设投加量；并根据进水参数和投加量，采用预先训练的浊度时序预测模型进行处理，得到沉淀容器的出水端的出水浊度预测值；再根据出水浊度预测值，调整预设投加量，得到目标投加量；最后根据目标投加量，控制投加设备向沉淀容器中投加目标投加量的预设混凝剂。本申请提供的方案通过采用浊度时序预测模型，对进水端的进水参数和预设混凝剂的预设投加量进行处理，得到出水浊度预测值，再根据出水浊度预测值得到目标投加量，最后向沉淀容器中投加目标投加量的预设混凝剂。通过用浊度时序预测模型对出水浊度进行分析，提高了对出水浊度预测的准确度，从而提高了对混凝剂投加量的准确度及可信度，保证了出水浊度满足出水浊度预期值。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请一实施例提供的一种混凝沉淀系统的结构示意图；

图2为本申请一实施例提供的混凝沉淀控制方法的流程示意图；

图3为本申请一实施例提供的一种模型训练方法的流程示意图；

图4为本申请一实施例提供的又一种模型训练方法的流程示意图；

图5为本申请一实施例提供的再一种模型训练方法的流程示意图；

图6为本申请一实施例提供的模型阶数计算方法的流程示意图；

图7为本申请一实施例提供的又一模型阶数计算方法的流程示意图；

图8为本申请一实施例提供的一种提高模型准确度的方法流程示意图；

图9为本申请一实施例提供的混凝沉淀控制装置的结构示意图；

图10为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请的描述中，需要说明的是，若出现术语“上”、“下”、等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

此外，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，在不冲突的情况下，本申请的实施例中的特征可以相互结合。

以下结合附图通过多个示例对本申请实施例提供的混凝沉淀控制方法、装置、设备及存储介质进行具体的示例说明。

图1为本申请一实施例提供的一种混凝沉淀系统的结构示意图，参照图1，该混凝沉淀系统包括：进水端100、沉淀容器200、出水端300、加药口400。

本申请实施例的混凝沉淀系统可以应用在预设净水厂中，预设净水厂可以为任意的净水厂，可以对自来水进行净水处理。其中，对自来水的净水处理方法例如可以为向待处理的水中加入混凝剂，使得水中的杂质混凝沉淀，以起到对自来水进行净化的作用。沉淀容器200例如可以为沉淀池。

具体地，沉淀容器200可用于容纳待处理的水，加药口400可用于向沉淀容器200中的水中加入混凝剂。其中，沉淀容器200可以包括进水端100及出水端300，进水端100用于将待处理的水排入沉淀容器200，出水端300用于将加药混凝沉淀后的水输送出来。

本申请一实施例提供了一种混凝沉淀控制方法,图2为本申请一实施例提供的混凝沉淀控制方法的流程示意图。如图2所示，该方法包括：

S201、获取预设净水厂中沉淀容器的进水端的进水参数和预设混凝剂的预设投加量。

其中，进水参数可包括：进水端的至少一项进水参数，例如可包括：进水浊度、进水酸碱(PH)值、进水温度、进水流量等。其中，进水浊度指的是进水端的水的浊度检测值，进水酸碱值指的是进水端的水的酸碱值，进水温度指的是进水端的水的温度值，进水流量指的是进水端的水在单位时间内的流量值。需要说明的是，本申请实施例仅以进水浊度、进水酸碱(PH)值、进水温度、进水流量为例进行说明，并不代表本申请实施例的进水参数仅包括进水浊度、进水酸碱(PH)值、进水温度、进水流量，可根据实际需要来对进水参数进行调整，只要保证进水参数满足“会对出水端的水浊度造成影响”的条件即可。

预设混凝剂指的是投放入水中能和水中其它杂质产生反应的药剂，以对沉淀容器中的水进行混凝沉淀，例如可以为聚合氯化铝(Poly Aluminium Chloride，PAC)、硫酸亚铁(lronvitriol)、硫酸铝(Aluminum Sulfate)、聚合硫酸铁(Polyferric Sulfate)等，在使用时可以根据实际需求选择其中一种或多种，在此不做限定。需要说明的是，在本申请实施例中，仅以预设混凝剂为聚合氯化铝(Poly Aluminium Chloride，PAC)为例进行说明，并不代表本申请实施例只能将聚合氯化铝(Poly Aluminium Chloride，PAC)作为预设混凝剂。

在可能的实现方式中，可根据预设周期，定期获取进水参数和预设混凝剂的预设投加量，预设周期例如可以为间隔长度为预设长度的时间。

S202、根据进水参数和预设投加量，采用预先训练的浊度时序预测模型进行处理，得到沉淀容器的出水端的出水浊度预测值。

在根据步骤S201得到当前状态下的进水参数和预设混凝剂的预设投加量之后，可以采用预先训练的浊度时序预测模型，对进水参数和预设混凝剂的预设投加量进行计算处理，以对出水端的出水浊度进行预测，从而得到沉淀容器的出水端的出水浊度的预测值。

具体地，在对出水端的出水浊度值进行预测之前，可以预先训练得到浊度时序预测模型，当需要对出水端的出水浊度值进行预测时，可以用训练好的浊度时序预测模型对出水浊度值进行预测。其中，浊度时序预测模型可以用于根据进水参数和预设混凝剂的预设投加量，预测出在当前的进水参数和预设混凝剂的预设投加量的情况下，出水端的出水浊度值，也即出水端的出水浊度预测值。

S203、根据出水浊度预测值，调整预设投加量，得到目标投加量。

在可能的实现方式中，可对出水浊度预测值和预设的出水浊度预期值进行比较，根据比较结果，对预设混凝剂的预设投加量进行调整，得到预设混凝剂的目标投加量，使得根据调整后的目标投加量，出水浊度可以达到出水浊度预期值。其中，出水浊度预期值是根据实际需求确定的出水浊度目标值，例如可以为，满足净水厂出厂要求的水的浊度值。

若出水浊度预测值不等于出水浊度预期值，则可确定按照当前的预设混凝剂的预设投加量，沉淀容器的出水端的水的浊度不能满足出水浊度预期值，还需继续添加预设混凝剂来进行混凝沉淀，这时，可根据出水浊度预测值和出水浊度预期值的差值，对预设混凝剂的预设投加量进行调整，得到目标投加量。

S204、根据目标投加量，控制投加设备向沉淀容器中投加目标投加量的预设混凝剂。

根据步骤S203得出的目标投加量，控制投加设备向沉淀容器中投加目标投加量的预设混凝剂。在实际应用中，在执行S204之后，还可对出水端的浊度进行检测，若检测到的出水浊度值依然不满足出水浊度预期值，则还可返回执行重新S201-S204，直至出水端的检测值达到出水浊度预期值。

综上，本申请提供的混凝沉淀控制方法，可以获取预设净水厂中沉淀容器的进水端的进水参数和预设混凝剂的预设投加量；并根据进水参数和投加量，采用预先训练的浊度时序预测模型进行处理，得到沉淀容器的出水端的出水浊度预测值；再根据出水浊度预测值，调整预设投加量，得到目标投加量；最后根据目标投加量，控制投加设备向沉淀容器中投加目标投加量的预设混凝剂。本申请提供的方案通过采用浊度时序预测模型，对进水端的进水参数和预设混凝剂的预设投加量进行处理，得到出水浊度预测值，再根据出水浊度预测值得到目标投加量，最后向沉淀容器中投加目标投加量的预设混凝剂。通过用浊度时序预测模型对出水浊度进行分析，提高了对出水浊度预测的准确度，从而提高了对混凝剂投加量的准确度及可信度，保证了出水浊度满足出水浊度预期值。

本申请实施例还提供了一种训练浊度时序预测模型的方法,图3为本申请一实施例提供的一种模型训练方法的流程示意图。如图3所示，在根据进水参数和投加量，采用预先训练的浊度时序预测模型进行处理，得到沉淀容器的出水端的出水浊度预测值之前，需要预先训练浊度时序预测模型，具体步骤如下：

S301、获取沉淀容器在预设历史时间段的多个历史时间序列。

每个历史时间序列包括：一组多个内生变量的历史参数，多个内生变量包括：进水参数、投加量以及对应的出水浊度检测值。

在训练浊度时序预测模型之前，需要获取沉淀容器在预设历史时间段的多个历史时间序列，其中，预设历史时间段可以为训练浊度时序预测模型之前的任意时间段，例如与当前时间的时间差在预设时间段内的时间，如2年。多个历史时间序列指的是预设历史时间段内的多个时间点的数据序列。在本申请实施例中，只需获取任意时间段内多个时间点的数据序列即可。

具体地，每个历史时间序列都包括一组多个内生变量的历史参数，多个内生变量例如可以包括历史时间点的进水参数、混凝剂投加量，以及与进水参数和混凝剂投加量对应的该时间点的出水浊度检测值。

如表1所示，预设历史时间段例如可以为2021年1月1日00:01:00～00:12:00；多个历史时间例如可以为连续的以1分钟为间隔的时间点；多个内生变量例如可以包括进水参数、混凝剂投加量以及该时间点对应的出水浊度检测值，其中，进水参数可以包括进水浊度、进水酸碱(PH)值、进水温度、进水流量，混凝剂可以使用聚合氯化铝(Poly AluminiumChloride，PAC)。由此可知，一个历史时间序列即1分钟内的进水浊度、进水酸碱(PH)值、进水温度、进水流量、聚合氯化铝(Poly Aluminium Chloride，PAC)投加量、出水浊度检测值。

表1预设历史时间段的多个历史时间序列

S302、根据多个历史时间序列，确定模型阶数。

在根据步骤S301获取沉淀容器在预设历史时间段的多个历史时间序列后，可以根据多个历史时间序列，确定浊度时序预测模型的最优阶数。

S303、根据多个历史时间序列，采用模型阶数，对预设向量自回归模型进行模型训练，得到浊度时序预测模型。

根据步骤S301获取的多个历史时间序列，以及步骤S302确定的浊度时序预测模型的模型阶数，对预设向量自回归模型进行模型训练，从而得到浊度时序预测模型。

具体地，预设向量自回归模型例如可以为VAR模型(Vector Autoregression,VAR),通常用于描述多变量时间序列之间的变动关系。模型利用了系统中所有当期变量对所有变量的若干滞后变量进行回归，即把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型，从而实现了将单变量自回归模型推广到由多元时间序列变量组成的“向量”自回归模型。

VAR模型的基本形式是弱平稳过程的自回归表达式，描述的是在同一样本期间内的若干变量可以作为它们过去值的线性函数。具体公式如下：

其中，Y_t为k维内生变量列变量，以表1为例对列变量进行举例说明，列变量例如可以为表1中进水浊度、进水PH、进水温度、进水流量、PAC投加量、或者出水浊度分别在2021年1月1日00:01:00～00:12:00的一列数值；Y_t-i，i＝1,2,3,…p：为滞后的内生变量；X_t为d维外生变量，可以是常数变量、线性趋势项或者其他非随机变量；p为滞后阶数；T为样本数；Φ_i：为k×k维的待估矩阵；B为k×d维的待估矩阵；ε_t～N(0,Σ)：为k维的白噪声向量。各个变量之间可以同期相关，但不与自身的滞后项相关，也不与上式中右边的变量相关。Σ是ε_t的协方差矩阵，为k×d的正定矩阵。

然后，对预设向量自回归模型进行模型训练，从而得到浊度时序预测模型，具体步骤如下：获取所关注的出水浊度特征值，并得到Φ_i值(i＝1,2,3,4,5)，Φ₁～Φ₅具体如下：

由此可以计算出出水端的各特征值：

其中，JS_ZD_t表示进水浊度，JS_PH表示进水PH，JS_WD表示进水温度，JS_LL表示进水流量，PAC表示PAC投加量，CS_ZD表示出水浊度。

残差序列相关性是指模型的残差可能存在相关性，如果这种情况发生，说明模型遗漏了某些信息，拟合的结果可能不是最优。可选的，可以对模型的残差进行相关性检验，通常采用Durbin Watson检验方法，具体公式为：

其中，e_t表示模型的残差序列，DW值介于0～4之间，越接近2越说明序列不相关；接近0认为存在正序列相关；而接近4认为存在负序列相关，计算结果见表2。

表2残差进行相关性检验的结果

可见，检验结果较好，说明残差序列不存在相关性。

对模型的残差进行相关性检验后，还可以对模型得到的模型进行单位圆检验，即如果对模型求得的所有特征根的模都小于1，即特征根均在单位圆内，则说明模型时稳定的，否则需要对模型重新定阶。本申请建立的模型的特征根如下表3。

表3特征根的计算值

表中Root表示特征根，Modulus表示特征根的模长。由表3可知，所有计算出的特征根的模长均小于1，即所有根均在单位圆内，这表明建立的模型是稳定的，并由此可以确定出水浊度特征计算值的表达式为：

其中，Seq为：

[进水浊度进水PH值进水温度进水流量PAC投加量出水浊度]^T，T表示转置。

在本申请实施例中，根据获取的多个历史时间序列，以及确定的模型阶数，对VAR模型进行模型训练，可以得到浊度时序预测模型。得到的浊度时序预测模型可以用于根据当前的进水参数和预设混凝剂的预设投加量，预测出在当前的进水参数和预设混凝剂的预设投加量下，出水端的出水浊度值，也即出水端的出水浊度预测值。

本申请实施例还提供了又一种训练浊度时序预测模型的方法,图4为本申请一实施例提供的又一种模型训练方法的流程示意图。如图4所示，根据多个历史时间序列，确定模型阶数之前，还包括：

S401、对多个历史时间序列中各个内生变量的历史参数进行数据变换，使得变换后的每个内生变量的历史参数在多个历史时间序列中呈正态分布。

正态分布是一种概率分布，若数据呈正态分布，则表示数据是自然分布的，用呈正态分布的数据进行浊度时序预测模型的训练，可以提高浊度时序预测模型的可信度。

具体地，例如可以用Box-Cox变换对个历史时间序列中各个内生变量的历史参数进行数据变换，使得变换后的每个内生变量的历史参数在多个历史时间序列中呈正态分布，以适合浊度时序预测模型的训练。Box-Cox变换公式如下：

以表1为例对列变量进行举例说明，y_i例如可以为表1中进水浊度、进水PH、进水温度、进水流量、PAC投加量、或者出水浊度分别在2021年1月1日00:01:00～00:12:00的一列数值。

经过Box-Cox变换处理后的历史时间点的进水参数以及混凝剂投加量趋于正态分布，可以提高浊度时序预测模型的可信度。

S402、对数据转换后的多个历史时间序列中各个内生变量的历史参数进行标准化处理。

由于不同维度单位及数据量级差异，需将进水参数以及混凝剂投加量进行标准化处理。具体方式是将数据按比例缩放，使之落入一个特性区间，去除数据单位的限制，转化为无量纲的纯数值，便于不同量级的指标能够进行比较和加权。处理公式为：

式中，x为变换前的序列，x′为变换后的序列，x_min和x_max分别为序列变换前的最小值和最大值。

则步骤S302中根据多个历史时间序列，确定模型阶数，包括：根据标准化处理后的多个历史时间序列，确定模型阶数。

具体地，在对多个历史时间序列中的数据进行数据变换及标准化处理后，可以根据数据变换及标准化处理后的多个历史时间序列，来确定模型阶数。

则步骤S303中根据多个历史时间序列，采用模型阶数，对预设向量自回归模型进行模型训练，得到浊度时序预测模型，包括：根据标准化处理后的多个历史时间序列，采用模型阶数，对预设向量自回归模型进行模型训练，得到浊度时序预测模型。

具体地，在对多个历史时间序列中的数据进行数据变换及标准化处理，并得到模型阶数后，可以根据数据变换及标准化处理后的多个历史时间序列及模型阶数，对VAR模型进行模型训练，得到浊度时序预测模型。

通过用数据变换及标准化处理后的多个历史时间序列及模型阶数，对对VAR模型进行模型训练并得到浊度时序预测模型，可以提高模型的可信度及准确性。

本申请实施例还提供了再一种训练浊度时序预测模型的方法,图5为本申请一实施例提供的再一种模型训练方法的流程示意图。如图5所示，根据标准化处理后的多个历史时间序列，确定所述模型阶数之前，还包括：

S501、检测标准化处理后的多个历史时间序列中各内生变量的历史参数的平稳性。

VAR模型要求所有内生变量数据的时间序列同阶协整，即时间序列是平稳的，若所有内生变量里面如果有一个内生变量的时间序列不平稳，就要对所有内生变量的时间序列进行差分，一直到平稳为止。单位根检验可以检测出时间序列是否平稳，若时间序列中存在单位根，则时间序列不平稳。

在本申请实施例中，当对多个历史时间序列中各内生变量的历史参数进行数据转换及标准化处理后，可以采用单位根检验(ADF检验)对所有内生变量进行平稳性检验，若各阶差分数据的P值均小于0.05，则可以认为内生变量的数据已经平稳。其中，P值是统计意义上的值，是一个卡方统计量值，统计学上一般将0.05作为显著性水平，即置信区间为95％，P值也可以为0.01(置信区间为99％)或0.10(置信区间为10％)。

S502、对标准化处理后的多个历史时间序列中，平稳性不满足预设条件的目标内生变量的历史参数进行差分处理。

当对多个历史时间序列进行标准化处理后，采用单位根检验(ADF检验)对所有内生变量进行平稳性检验，若所有内生变量中，有一个或一个以上内生变量的平稳性不满足预设条件，则对该内生变量的历史参数进行差分处理。

在本申请实施例中，内生变量的平稳性不满足预设条件，指的是内生变量的P值不满足预设条件，预设条件例如可以为P值小于0.05、P值小于0.01或者P值小于0.10。当对多个历史时间序列进行标准化处理后，采用单位根检验(ADF检验)对历史时间序列中的所有内生变量进行平稳性检验，若所有内生变量的各阶差分数据的P值中，有一个或一个以上内生变量的P值大于或等于0.05(也可以为P值大于或等于0.01或P值大于或等于0.10)，则可以认为该内生变量的数据不平稳，这时，需要对该内生变量的历史参数进行差分处理，直到其P值小于0.05(也可以为P值小于0.01或P值小于0.10)。

则上述步骤S403中，根据标准化处理后的多个历史时间序列，确定模型阶数，包括：根据差分处理后的多个历史时间序列，确定模型阶数。

在本申请实施例中，可以在对多个历史时间序列中的数据进行数据变换及标准化处理后，采用单位根检验(ADF检验)对内生变量进行平稳性检验，并对不满足预设条件的内生变量进行差分处理后，再对模型阶数进行计算。

通过对内生变量进行平稳性检验，并对不满足预设条件的内生变量进行差分处理后，再对模型阶数进行计算，避免了因内生变量不平稳导致的模型精度低，从而提高了浊度时序预测模型的可信度。

本申请实施例还提供了一种模型阶数计算的方法,图6为本申请一实施例提供的模型阶数计算方法的流程示意图。如图6所示，上述步骤S403中，根据标准化处理后的多个历史时间序列，确定模型阶数，包括：

S601、根据标准化处理后的多个历史时间序列，分别采用多种指标算法，得到多个阶数计算值。

用多种指标算法分别对数据变换、标准化处理及并差分处理后的多个历史时间序列进行计算，即可得到多个阶数计算值。其中，指标算法指任意一种可以计算出VAR模型阶数的算法，在此不做限定。

S602、从多个阶数计算值中确定模型阶数。

对步骤S601得到的多个阶数计算值进行统计，确定出现次数最多的技术计算值，将该阶数计算值作为模型阶数。例如，多个计算值中，阶数为5出现了3次，阶数为12出现了一次，则确定浊度时序预测模型的模型阶数为5。

通过用多种指标算法，得到多个阶数计算值，并从多个阶数计算值中确定浊度时序预测模型的模型阶数，可以使得到的模型阶数更加准确、可信度更高。

本申请实施例还提供了又一种模型阶数计算的方法,图7为本申请一实施例提供的又一模型阶数计算方法的流程示意图。如图7所示，上述步骤S601中，根据标准化处理后的多个历史时间序列，分别采用多种指标算法，得到多个阶数计算值，可以包括：

S701、根据标准化处理后的多个历史时间序列，采用赤池信息准则指标算法，得到第一阶数计算值。

赤池信息准则指标算法(AIC)的计算公式如下：

AIC＝-2ln(L)+2k

式中，L为似然函数(即从样本内抽取的各随机变量的概率密度函数的乘积)，k为模型参数数量。在本申请实施例中，当模型阶数为5时，赤池信息准则指标算法(AIC)的结果最小，即第一阶数计算值为5。

S702、根据标准化处理后的多个历史时间序列，采用贝叶斯准则指标算法，得到第二阶数计算值。

贝叶斯准则准则指标算法(BIC)的计算公式如下：

BIC＝-2ln(L)+ln(n)k

式中，L为似然函数，n为样本大小，k为模型参数数量。在本申请实施例中，当模型阶数为5时，贝叶斯准则准则指标算法(BIC)的结果最小，即第二阶数计算值为5。

S703、根据标准化处理后的多个历史时间序列，采用最终预测误差指标算法，得到第三阶数计算值。

最终预测误差指标算法(FPE)的计算公式如下：

式中，L为似然函数，n为样本大小，k为模型参数数量，y_i为序列数据，

为序列数据平均值，w_i为权重系数，一般情况下取1。在本申请实施例中，当模型阶数为12时，最终预测误差指标算法(FPE)的结果最小，即第三阶数计算值为12。

S704、根据标准化处理后的多个历史时间序列，采用汉奎信息准则指标算法，得到第四阶数计算值。

汉奎信息准则指标算法(HQIC)的计算公式如下：

HQIC＝-2ln(L)+2ln(In(n))k

式中，L为似然函数，n为样本大小，k为模型参数数量。在本申请实施例中，当模型阶数为5时，汉奎信息准则指标算法(HQIC)的结果最小，即第四阶数计算值为5。

由此可知，用赤池信息准则指标算法(AIC)、贝叶斯准则准则指标算法(BIC)、最终预测误差指标算法(FPE)、以及汉奎信息准则指标算法(HQIC)的计算得到的模型阶数中，阶数为5出现了3次，阶数为12出现了一次，则确定本申请实施例的浊度时序预测模型的阶数为5。

通过用赤池信息准则指标算法(AIC)、贝叶斯准则准则指标算法(BIC)、最终预测误差指标算法(FPE)、以及汉奎信息准则指标算法(HQIC)分别对模型阶数进行计算，并将出现结果次数最多的5作为浊度时序预测模型的阶数，提高了模型阶数的准确性及可信度。

本申请实施例还提供了一种提高模型准确度的方法,图8为本申请一实施例提供的一种提高模型准确度的方法流程示意图。如图8所示，上述步骤S401中，对多个历史时间序列中各个内生变量的历史参数进行数据变换之前，还包括：

S801、对多个历史时间序列中各个内生变量的历史参数，进行异常检测，并将检测的异常值设置为缺失值。

在对多个历史时间序列中各个内生变量的历史参数进行数据变换之前，还可以对各个内生变量的历史参数进行异常检测，并将检测的异常值设置为缺失值nan。

具体地，当得到各个内生变量的历史参数后，对历史参数进行分析，可以发现，数据存在某些区间内为空白，以及一些类似“尖刺”的异常值，可能是由于仪器仪表等安装或维修等因素所导致。则将这些空白或异常值设置为缺失值nan，也即先将这些空白或异常值视为不存在。

S802、根据多个历史时间序列中缺失值前后预设时间段内的数据，对缺失值进行填补更新，得到更新后的多个历史时间序列。

在得到异常值后，可以对缺失值进行填补更新，将缺失值替换为一个满足真实情况的值，从而得到更新后的多个历史时间序列。

具体地，可以用移动中值滤波对缺失值处理，从而得到一个满足真实情况的值，并将缺失值替换为一个满足真实情况的值，得到更新后的多个历史时间序列。其中，移动中值滤波指：计算历史时间序列中，缺失值前后的其他数据的均值，将该均值视为一个满足真实情况的值，并用该均值替换缺失值，也即对缺失值进行了填补更新。

表4移动中值滤波对缺失值进行处理

表4为用移动中值滤波对缺失值进行处理前及处理后的数据示例，如表4所示，在用移动中值滤波对缺失值进行处理前，有四个缺失值nan，在用移动中值滤波对缺失值进行处理后，将缺失值进行了填补更新。

则上述步骤S401中,对多个历史时间序列中各个内生变量的历史参数进行数据变换，包括：对更新后的多个历史时间序列中各个内生变量的历史参数进行数据变换。

在本申请实施例中，可以在对缺失值进行替换，并到更新后的多个历史时间序列后，再对更新后的多个历史时间序列中各个内生变量的历史参数进行数据变换以及后续操作。

通过对各个内生变量的历史参数，进行异常检测，并将检测的异常值设置为缺失值，再对缺失值进行填补更新，提高了各个内生变量的历史参数的真实性，使各个内生变量的历史参数更加符合真实情况，从而提高了浊度时序预测模型的准确性及可信度。

图9为本申请一实施例提供的混凝沉淀控制装置的结构示意图，如图9所示，本申请实施例还提供了一种混凝沉淀控制装置，包括：

获取模块901，用于获取预设净水厂中沉淀容器的进水端的进水参数和预设混凝剂的预设投加量。

计算模块902，用于根据进水参数和所述预设投加量，采用预先训练的浊度时序预测模型进行处理，得到沉淀容器的出水端的出水浊度预测值。

调整模块903，用于根据出水浊度预测值，调整预设投加量，得到目标投加量。

控制模块904，用于根据目标投加量，控制投加设备向沉淀容器中投加目标投加量的预设混凝剂。

在可能的实现示例中，获取模块901，还用于获取沉淀容器在预设历史时间段的多个历史时间序列，每个历史时间序列包括：一组多个内生变量的历史参数，多个内生变量包括：进水参数、投加量以及对应的出水浊度检测值。

本申请实施例还可包括模型训练模块，用于根据多个历史时间序列，确定模型阶数；根据多个历史时间序列，采用模型阶数，对预设向量自回归模型进行模型训练，得到浊度时序预测模型。

在可能的实现示例中，模型训练模块，还用于在根据多个历史时间序列确定模型阶数之前，对多个历史时间序列中各个内生变量的历史参数进行数据变换，使得变换后的每个内生变量的历史参数在多个历史时间序列中呈正态分布；对数据转换后的多个历史时间序列中各个内生变量的历史参数进行标准化处理；根据多个历史时间序列，确定模型阶数，包括：根据标准化处理后的多个历史时间序列，确定所述模型阶数；根据多个历史时间序列，采用模型阶数，对预设向量自回归模型进行模型训练，得到浊度时序预测模型，包括：根据标准化处理后的多个历史时间序列，采用模型阶数，对预设向量自回归模型进行模型训练，得到浊度时序预测模型。

在可能的实现示例中，模型训练模块，还用于在根据标准化处理后的多个历史时间序列确定模型阶数之前，检测标准化处理后的多个历史时间序列中各内生变量的历史参数的平稳性；对标准化处理后的多个历史时间序列中，平稳性不满足预设条件的目标内生变量的历史参数进行差分处理；根据差分处理后的多个历史时间序列，确定模型阶数。

在可能的实现示例中，模型训练模块，还用于根据标准化处理后的多个历史时间序列，分别采用多种指标算法，得到多个阶数计算值；从多个阶数计算值中确定模型阶数。

在可能的实现示例中，模型训练模块，还用于根据标准化处理后的多个历史时间序列，采用赤池信息准则指标算法，得到第一阶数计算值；根据标准化处理后的多个历史时间序列，采用贝叶斯准则指标算法，得到第二阶数计算值；根据标准化处理后的多个历史时间序列，采用最终预测误差指标算法，得到第三阶数计算值；根据标准化处理后的多个历史时间序列，采用汉奎信息准则指标算法，得到第四阶数计算值。

在可能的实现示例中，本申请实施例还可包括异常值检测及更新模块，用于对多个历史时间序列中各个内生变量的历史参数进行数据变换之前，对多个历史时间序列中各个内生变量的历史参数，进行异常检测，并将检测的异常值设置为缺失值；根据多个历史时间序列中缺失值前后预设时间段内的数据，对缺失值进行填补更新，得到更新后的多个历史时间序列。

模型训练模块，还用于对更新后的多个历史时间序列中各个内生变量的历史参数进行数据变换。

图10为本申请实施例提供的一种电子设备的结构示意图，如图10所示，本申请实施例还提供了一种电子设备，包括：处理器1001、存储介质1002和总线1003，所述存储介质存储有所述处理器可执行的程序指令，当计算机设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以执行上述混凝沉淀控制方法的步骤。

本申请实施例还提供了一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述混凝沉淀控制方法的步骤。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims

1.一种混凝沉淀控制方法，其特征在于，包括：

根据所述进水参数和所述预设投加量，采用预先训练的浊度时序预测模型进行处理，得到所述沉淀容器的出水端的出水浊度预测值；

2.根据权利要求1所述的方法，其特征在于，所述根据所述进水参数和所述投加量，采用预先训练的浊度时序预测模型进行处理，得到所述沉淀容器的出水端的出水浊度预测值之前，所述方法还包括：

根据所述多个历史时间序列，确定模型阶数；

3.根据权利要求2所述的方法，其特征在于，所述根据所述多个历史时间序列，确定模型阶数之前，所述方法还包括：

对多个历史时间序列中各个内生变量的历史参数进行数据变换，使得变换后的每个内生变量的历史参数在所述多个历史时间序列中呈正态分布；

所述根据所述多个历史时间序列，确定模型阶数，包括：

4.根据权利要求3所述的方法，其特征在于，所述根据标准化处理后的多个历史时间序列，确定所述模型阶数之前，所述方法还包括：

根据差分处理后的多个历史时间序列，确定所述模型阶数。

5.根据权利要求3所述的方法，其特征在于，所述根据标准化处理后的多个历史时间序列，确定所述模型阶数，包括：

从所述多个阶数计算值中确定所述模型阶数。

6.根据权利要求5所述的方法，其特征在于，所述根据所述标准化处理后的多个历史时间序列，分别采用多种指标算法，得到多个阶数计算值，包括：

7.根据权利要求2所述的方法，其特征在于，所述对所述多个历史时间序列中各个内生变量的历史参数进行数据变换之前，所述方法还包括：

8.一种混凝沉淀控制装置，其特征在于，包括：

9.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以执行如权利要求1至7任一所述的混凝沉淀控制方法的步骤。

10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一所述的混凝沉淀控制方法的步骤。