CN116002821A - 一种基于ga-ann模型算法的电絮凝控制方法和控制装置 - Google Patents

Abstract

本发明涉及一种基于GA‑ANN模型算法的电絮凝控制方法和控制装置，电絮凝控制方法包括：依据历史进水水质参数和历史出水水质参数对GA‑ANN模型进行训练预测电絮凝理论运行电流；将所得电絮凝理论运行电流通过经上位机监控系统传送至控制系统对电絮凝进行控制，若实际出水浊度≤限定阈值，则记录此时的水质数据与运行数据；若实际出水浊度＞限定阈值，则控制系统控制电絮凝装置以最大电流运行，并重新进行S1至决定系数R²＞0.9时再次开始。本发明提供方法通过采用遗传算法对人工神经网络模型进行优化利用水质参数对电絮凝的运行电流进行预测，实现对电絮凝装置的智能控制，为水厂安全生产提供了保障，稳定水处理系统性能。

Description

一种基于GA-ANN模型算法的电絮凝控制方法和控制装置

技术领域

本发明涉及机器学习与环境工程的交叉领域，具体涉及一种基于GA-ANN模型算法的电絮凝控制方法和控制装置。

背景技术

目前，电絮凝作为一种水处理技术，利用外部电源向浸没在待处理水中的电极施加电流来实现电化学溶解，牺牲电极原位生产金属混凝剂。采用电絮凝代替传统化学混凝的净水工艺可以省去配药、投药等一系列设备，而仅通过改变电流和电压来控制金属混凝剂的生成量。

如CN103848483A公开了一种电絮凝水处理装置及电絮凝水处理方法，所述电絮凝水处理装置包括外壳，所述外壳内设有交错间隔排列的正电极板和负电极板，所述正电极板与负电极板之间设有绝缘瓷柱，所述正电极板和负电极板通过固定连接件固定连接，所述绝缘瓷柱设在固定连接件上，所述正电极板和负电极板外侧还设有绝缘板，水处理方法是将废水先进入提升泵产生水压，并将水依次压入电絮凝装置和离心沉淀器，离心沉淀器的出水再通过增压泵排至自清洗过滤，过滤后的出水可以回用，反洗出水回到调节池继续处理。该方案可大大延长电极板的寿命，不需添加化学药剂，沉淀的污泥不会造成二次污染，且不需要另设管道混合器，减轻了人员工作量，节省了运行费用。

CN115159634A公开了一种电絮凝去除高氯废水中氯离子的方法及电絮凝装置。该电絮凝装置包括反应器、连通器、沉淀池、蠕动泵、直流电源、铝电极、惰性电极，将高氯废水引入电絮凝装置中，利用牺牲阳极法生成多种铝物种，同时废水中金属离子在阴极与溶液中的氯离子和氢氧根等阴离子生成含氯的多羟基金属络合物，达到除氯和除金属的双重目的。通过蠕动泵将反应器中的溶液实现内循环，利用水力条件混匀溶液并加快絮凝物的沉降，提高除氯效果和电流效率。该方案还采用连通器原理控制反应器和连通器中液面的高度一致，通过连通管将两个液面以上的空间相连，保证气压一致，使极板有效反应面积维持稳定，提高除氯效果。

然而，由于电絮凝的反应机理复杂，难以数学建模。目前缺乏对电絮凝装置缺乏合理的调控手段，导致电絮凝的耗电量较大，而许多地方电费较高或者电力资源匮乏，显著地限制了电絮凝的实际应用。

发明内容

鉴于现有技术中存在的问题，本发明的目的在于提供一种基于GA-ANN模型算法的电絮凝控制方法和控制装置，以解决现有技术中电絮凝耗电量大、缺乏合理调控手段的问题。

为达此目的，本发明采用以下技术方案：

第一方面，本发明提供了一种基于GA-ANN模型算法的电絮凝控制方法，所述电絮凝控制方法包括：

S1、依据历史进水水质参数和历史出水水质参数对GA-ANN模型进行训练预测电絮凝理论运行电流；

S2、将所得电絮凝理论运行电流通过经上位机监控系统传送至控制系统对电絮凝进行控制，若实际出水浊度≤限定阈值，则记录此时的水质数据与运行数据；若实际出水浊度＞限定阈值，则控制系统控制电絮凝装置以最大电流运行，并重新进行S1至决定系数R²＞0.9时再次开始S2。

本发明提供的电絮凝控制方法，引入遗传算法对人工神经网络模型进行了优化，通过水质参数对电絮凝的运行电流进行预测，实现对电絮凝装置的智能控制，为水厂安全生产提供了保障，稳定水处理系统性能，同时达到节约药耗、减少人工、降低操作人员劳动强度的目的。

作为本发明优选的技术方案，所述历史进水水质参数包括历史进水流量、历史进水pH值、历史进水温度、历史进水电导率和历史进水浊度；

本发明中，水质参数通过流量计、pH计、电导率仪、浊度计等设备进行检测。

本发明中，水质参数的采集周期可以根据电絮凝实际工艺进行选择设计。

优选地，所述历史出水水质参数包括历史出水流量和历史出水浊度。

本发明中，历史进水水质和历史出水水质参数还可以包括COD、BOD、金属离子浓度、微生物等。

作为本发明优选的技术方案，所述GA-ANN模型基于前馈反向传播方法建立，利用遗传算法计算人工神经网络中的初始权值和偏差。

本发明中，人工神经网络所对应的表达式如下：

a＝(Wp+b)

式中，a为输出变量，W为连接输入层神经元和隐藏层神经元的权重矩阵，以及连接隐藏层神经元和输出层神经元的权重矩阵，b为神经元网络中的偏差矩阵，p是输入变量集。

本发明中，根据具体的问题和不同的水质条件，遗传算法可替换为粒子群算法、模拟退火算法等其他能够对ANN起到优化作用的优化算法。

作为本发明优选的技术方案，所述GA-ANN模型建立包括数据预处理和模型构建与测试；

优选地，所述数据预处理为将历史进水水质参数和历史出水水质参数进行整理并进行缺失数据弥补、异常值剔除与替换、不同设备采集数据的频率统一和数值量级差异极大的各因素值均变换至[-1,1]区间，之后将所有数据拆分为训练集和独立测试集；

优选地，所述训练集中的数据量为所有数据的65-75％；

优选地，所述模型构建与测试为利用遗传算法优化人工神经网络基于训练集数据进行模型构建得到GA-ANN模型，利用测试集数据对所得GA-ANN模型进行测试。

作为本发明优选的技术方案，所述GA-ANN模型包括输入层、隐藏层和输出层；

优选地，所述隐藏层包括至少1层；

优选地，所述隐藏层的传递函数包括Sigmoid型函数；

本发明中，所述Sigmoid型函数的表达式如下：

式中，p为输入变量集。

优选地，所述输出层的传递函数包括Purelin函数。

本发明中，所述Purelin函数的表达式如下：

a＝purelin(p)＝p

式中，p为输入变量集，a为输出变量。

作为本发明优选的技术方案，所述电絮凝控制方法还包括自动进化过程，具体为：将S2中记录的历史水质数据与运行数据发送至上位机监控系统进行数据库的扩展，间断自动训练GA-ANN模型，当决定系数R²≥更新前的GA-ANN模型的R²时终止训练并进行S2，否则继续沿用未更新的GA-ANN模型，即完成GA-ANN模型的自我进化；

优选地，所述间断自动训练GA-ANN模型的间隔时间≥7天。

作为本发明优选的技术方案，所述电絮凝控制方法包括：

S1、依据历史进水水质参数和历史出水水质参数对GA-ANN模型进行训练预测电絮凝理论运行电流；

S2、将所得电絮凝理论运行电流通过经上位机监控系统传送至控制系统对电絮凝进行控制，若实际出水浊度≤限定阈值，则记录此时的水质数据与运行数据；若实际出水浊度＞限定阈值，则控制系统控制电絮凝装置以最大电流运行，并重新进行S1至决定系数R²＞0.9时再次开始S2；

所述历史进水水质参数包括历史进水流量、历史进水pH值、历史进水温度、历史进水电导率和历史进水浊度；所述历史出水水质参数包括历史出水流量和历史出水浊度；所述GA-ANN模型基于前馈反向传播方法建立，利用遗传算法计算人工神经网络中的初始权值和偏差；所述GA-ANN模型建立包括数据预处理和模型构建与测试；所述数据预处理为将历史进水水质参数和历史出水水质参数进行整理并进行缺失数据弥补、异常值剔除与替换、不同设备采集数据的频率统一和数值量级差异极大的各因素值均变换至[-1,1]区间，之后将所有数据拆分为训练集和独立测试集；所述训练集中的数据量为所有数据的65-75％；所述模型构建与测试为利用遗传算法优化人工神经网络基于训练集数据进行模型构建得到GA-ANN模型，利用测试集数据对所得GA-ANN模型进行测试；所述GA-ANN模型包括输入层、隐藏层和输出层；所述隐藏层包括至少1层；所述隐藏层的传递函数包括Sigmoid型函数；所述输出层的传递函数包括Purelin函数；

所述电絮凝控制方法还包括自动进化过程，具体为：将S2中记录的历史水质数据与运行数据发送至上位机监控系统进行数据库的扩展，间断自动训练GA-ANN模型，当决定系数R²≥更新前的GA-ANN模型的R²时终止训练并进行S2，否则继续沿用未更新的GA-ANN模型，即完成GA-ANN模型的自我进化；所述间断自动训练GA-ANN模型的间隔时间≥7天。

本发明中，所述模型构建与测试中所用训练算法包括Levenberg-Marquardt(LM)算法、贝叶斯规则反向传播(BR)、准牛顿反向传播(BFG)、梯度下降反向传播算法(GD)、一步割线算法(OSS)和弹性反向传播算法(RP)等。

第二方面，本发明提供了一种基于GA-ANN模型算法的电絮凝控制装置，所述电絮凝控制装置包括：含如第一方面所述电絮凝控制方法的智能控制系统、上位机监控系统和自动控制系统；

所述上位机监控系统用于衔接智能控制系统与自动控制系统。

作为本发明优选的技术方案，所述上位机监控系统将智能控制系统所得电絮凝理论运行电流传输至自动控制系统。

作为本发明优选的技术方案，所述自动控制系统为PLC控制系统，用于对电絮凝过程的自动控制，具体为将由上位机监控系统发送来的预测电流传输至电絮凝装置。

本发明中，所述电絮凝工艺还可以和其他净水工艺相配合依次进行的折板絮凝、斜板沉淀、超滤和紫外消毒，此时所针对的出水为紫外消毒后的出水。

与现有技术方案相比，本发明具有以下有益效果：

(1)本发明为电絮凝提出了一种智能控制方法，通过人工神经网络模型学习水质参数与运行电流之间的隐藏关系，并基于此提高电絮凝的控制精度和运行的鲁棒性，从而达到智能控制的目的。

(2)提出的GA-ANN模型能够对给予的历史数据进行自学习，并具备进化潜力，能够适应电絮凝在实际工程中面临的各种场景，基于该模型的电絮凝智能控制系统具有较强的自适应、自学习能力。

(3)为实现电絮凝的智能控制探索新的途径，为下一步电絮凝的大规模推广提供可靠的技术支持，应用该电絮凝智能控制方案，可为电絮凝提供水质保障，同时降低操作人员的劳动强度，降低电絮凝的运行能耗。

附图说明

图1是本发明实施例1提供的基于GA-ANN模型算法的电絮凝控制方法的流程图；

图2是本发明实施例1中GA-ANN模型的原理示意图；

图3是本发明应用例1中基于GA-ANN模型算法的电絮凝控制装置的示意图；

图4是本发明应用例1中实际电絮凝工艺中水质浊度的变化图；

图5是本发明应用例1中GA-ANN模型预测的电流密度和电流密度真实值的对比图。

下面对本发明进一步详细说明。但下述的实例仅仅是本发明的简易例子，并不代表或限制本发明的权利保护范围，本发明的保护范围以权利要求书为准。

具体实施方式

为更好地说明本发明，便于理解本发明的技术方案，本发明的典型但非限制性的实施例如下：

实施例1

本实施例提供一种基于GA-ANN模型算法的电絮凝控制方法，如图1所示，具体包括以下步骤：

S1、实时数据采集：通过进水流量计、出水流量计、pH计、温度计、电导率计、进水浊度计和出水浊度计分别对水的流量、pH、温度、浊度数据进行实时采集、记录，数据记录周期为10min。

进一步地，监测的水质参数还可以是COD、金属离子浓度、微生物等。

S2、GA-ANN模型训练：根据历史监测数据对模型进行训练，模型根据预定的7个输入变量(包括但不限于进水流量、出水流量、进水浊度、出水浊度、pH、温度和电导率等)预测电絮凝的运行电流。如图2所示，图中W为权重，b为偏置，i是输入层至隐藏层，h是隐藏层至输出层，具体为基于前馈反向传播方法建立GA-ANN模型，利用遗传算法(GA)计算人工神经网络(ANN)中的初始权值和偏差。通过最小均方误差(MSE)来优化参数，包括隐藏神经个数、训练算法和学习率，直至达到ANN模型的最佳结构，其他参数被预先定义为默认值。

GA-ANN模型由3层组成，包括1层输入层，1层隐藏层，1层输出层；其中，隐藏层可以包含若干层，Sigmoid型函数和Purelin函数分别作为隐藏层和输出层的传递函数。

GA-ANN智能控制模型的建立包括：

a、数据预处理：缺失数据弥补；异常值剔除与替换；不同设备采集数据的频率统一，并将数据中数值量级差异极大的各因素值都变换到[-1,1]区间；之后将所有数据拆分为训练集(70％)和独立测试集(30％)。

b、模型构建与测试：利用遗传算法(GA)优化人工神经网络(ANN)，基于训练集数据进行模型构建。利用测试集数据，对上述GA-ANN模型进行测试。

d、将训练好的模型下放，把进水流量、进水浊度、pH、温度、电导率和预定的出水流量、出水浊度作为输入变量，对电絮凝装置的运行电流进行预测得到预测理论电絮凝电流。

S3、根据S2中GA-ANN模型的建立预测得到的预测理论电絮凝电流，并由上位机监控系统将信号传输至自动控制系统，实现对净水工艺中电絮凝装置的智能控制。

S4、将S3中经GA-ANN模型调控后的出水浊度数据与用户预订的出水浊度限值进行对比，若实际出水浊度≤限定阈值，则记录此时的水质数据与运行数据；若实际出水浊度＞限定阈值，则电絮凝装置以最大电流运行，并重新对模型进行训练，当决定系数R²＞0.9时终止训练，并进行S3。

进一步地，本实施例中模型还可以进行自我进化，具体为将S4中记录历史水质数据与运行数据发送至上位机监控系统用于扩充数据库，每7天自动重新训练GA-ANN模型，当决定系数R²≥更新前GA-ANN模型的R²时终止训练，否则继续沿用未更新的GA-ANN模型，即完成GA-ANN模型的自我进化，从而使得模型性能不断提高。

应用例1

本应用例具体提供一种基于GA-ANN模型算法的电絮凝控制装置，如图3所示，具体包括：智能控制系统、上位机监控系统和自动控制系统；

智能控制系统，即训练好的GA-ANN模型，用于根据进水水质条件和预定的出水条件预测最佳电絮凝运行电流。

上位机监控系统，用于衔接GA-ANN模型与自动控制系统，将模型预测的电流发送至PLC控制柜，模型运行、数据处理和条件输入工作也由上位机系统完成，同时用于将出水浊度数据与监测出水浊度数据进行对比，若数据差异小且出水浊度达标，使该系统的智能投药模式运行，若数据差异大或出水浊度不达标，则通过人工投药的方式调整出水浊度，并且根据调整PAC投加量来再次计算，达到智能投药的目的。

自动控制系统可以是PLC控制系统，用于实现对实际净水工艺的自动控制，将由上位机监控系统发送来的预测电流下放至电絮凝装置，同时负责将原水数据传输至上位机监控系统。

本发明中，PLC控制系统还包括报警设置模块、报警统计模块和报警日志模块；所述报警设置模块用于对GA-ANN模型的预测电流异常报警、设备操作故障报警以及通讯故障报警进行设置；所述报警统计模块用于对各类报警信息进行统计；所述报警日志模块用于对报警信息进行记录和追踪。

工艺流程部分，用于实际处理原水使其达到排放标准，同于对水的流量、pH、温度和浊度数据进行实时采集并上传至PLC控制柜。

除电絮凝工艺外，其他净水工艺包括但不限于折板絮凝、斜板沉淀、超滤和紫外消毒。

为了验证GA-ANN模型的实际控制效果，搭建了小试装置模拟实际水厂的净水工艺，工艺流程部分与图3一致。首先根据装置的历史运行数据训练GA-ANN模型，在小试装置的运行期间，出水的HA浓度能够降低至0.04mg/L，但电絮凝60min后出水浊度却始终在1NTU以上，未达到排放标准。此时对GA-ANN模型的进行训练，将历史数据分为训练集和独立测试集，训练集用于GA-ANN模型的训练，模型在训练集中的R²达到了0.9以上，在独立测试集中模型也做出了准确的预测，详细结果详见图4和图5所示及表1。因此可以利用训练好的GA-ANN模型预测电絮凝装置的最佳运行电流，并将该电流值输入到电源实现对电絮凝的智能控制。经过GA-ANN模型调控后，预计的出水浊度始终稳定在0.5NTU，实际的出水浊度比预计的稍高一些，但始终保持在1NTU以下，最终稳定在0.5NTU左右，达到排放标准。

表1

训练数据量	<![CDATA[模型性能(R<sup>2</sup>)]]>
		220	0.80
257	0.86
		293	0.91
330	0.95

由表1可知，随着训练集中训练数据的增多，经过训练后的模型在独立测试集中的性能提升，即模型可以实现进化。

声明，本发明通过上述实施例来说明本发明的详细结构特征，但本发明并不局限于上述详细结构特征，即不意味着本发明必须依赖上述详细结构特征才能实施。所属技术领域的技术人员应该明了，对本发明的任何改进，对本发明所选用部件的等效替换以及辅助部件的增加、具体方式的选择等，均落在本发明的保护范围和公开范围之内。

以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (10)

1.一种基于GA-ANN模型算法的电絮凝控制方法，其特征在于，所述电絮凝控制方法包括：

S1、依据历史进水水质参数和历史出水水质参数对GA-ANN模型进行训练预测电絮凝理论运行电流；

S2、将所得电絮凝理论运行电流通过经上位机监控系统传送至控制系统对电絮凝进行控制，若实际出水浊度≤限定阈值，则记录此时的水质数据与运行数据；若实际出水浊度＞限定阈值，则控制系统控制电絮凝装置以最大电流运行，并重新进行S1至决定系数R²＞0.9时再次开始S2。

2.如权利要求1所述电絮凝控制方法，其特征在于，所述历史进水水质参数包括历史进水流量、历史进水pH值、历史进水温度、历史进水电导率和历史进水浊度；

优选地，所述历史出水水质参数包括历史出水流量和历史出水浊度。

3.一种如权利要求1或2所述电絮凝控制方法，其特征在于，所述GA-ANN模型基于前馈反向传播方法建立，利用遗传算法计算人工神经网络中的初始权值和偏差。

4.一种如权利要求1-3任一项所述电絮凝控制方法，其特征在于，所述GA-ANN模型建立包括数据预处理和模型构建与测试；

优选地，所述数据预处理为将历史进水水质参数和历史出水水质参数进行整理并进行缺失数据弥补、异常值剔除与替换、不同设备采集数据的频率统一和数值量级差异极大的各因素值均变换至[-1,1]区间，之后将所有数据拆分为训练集和独立测试集；

优选地，所述训练集中的数据量为所有数据的65-75％；

优选地，所述模型构建与测试为利用遗传算法优化人工神经网络基于训练集数据进行模型构建得到GA-ANN模型，利用测试集数据对所得GA-ANN模型进行测试。

5.一种如权利要求1-4任一项所述电絮凝控制方法，其特征在于，所述GA-ANN模型包括输入层、隐藏层和输出层；

优选地，所述隐藏层包括至少1层；

优选地，所述隐藏层的传递函数包括Sigmoid型函数；

优选地，所述输出层的传递函数包括Purelin函数。

6.一种如权利要求1-5任一项所述电絮凝控制方法，其特征在于，所述电絮凝控制方法还包括自动进化过程，具体为：将S2中记录的历史水质数据与运行数据发送至上位机监控系统进行数据库的扩展，间断自动训练GA-ANN模型，当决定系数R²≥更新前的GA-ANN模型的R²时终止训练并进行S2，否则继续沿用未更新的GA-ANN模型，即完成GA-ANN模型的自我进化；

优选地，所述间断自动训练GA-ANN模型的间隔时间≥7天。

7.一种如权利要求1-6任一项所述电絮凝控制方法，其特征在于，所述电絮凝控制方法包括：

S1、依据历史进水水质参数和历史出水水质参数对GA-ANN模型进行训练预测电絮凝理论运行电流；

S2、将所得电絮凝理论运行电流通过经上位机监控系统传送至控制系统对电絮凝进行控制，若实际出水浊度≤限定阈值，则记录此时的水质数据与运行数据；若实际出水浊度＞限定阈值，则控制系统控制电絮凝装置以最大电流运行，并重新进行S1至决定系数R²＞0.9时再次开始S2；

所述历史进水水质参数包括历史进水流量、历史进水pH值、历史进水温度、历史进水电导率和历史进水浊度；所述历史出水水质参数包括历史出水流量和历史出水浊度；所述GA-ANN模型基于前馈反向传播方法建立，利用遗传算法计算人工神经网络中的初始权值和偏差；所述GA-ANN模型建立包括数据预处理和模型构建与测试；所述数据预处理为将历史进水水质参数和历史出水水质参数进行整理并进行缺失数据弥补、异常值剔除与替换、不同设备采集数据的频率统一和数值量级差异极大的各因素值均变换至[-1,1]区间，之后将所有数据拆分为训练集和独立测试集；所述训练集中的数据量为所有数据的65-75％；所述模型构建与测试为利用遗传算法优化人工神经网络基于训练集数据进行模型构建得到GA-ANN模型，利用测试集数据对所得GA-ANN模型进行测试；所述GA-ANN模型包括输入层、隐藏层和输出层；所述隐藏层包括至少1层；所述隐藏层的传递函数包括Sigmoid型函数；所述输出层的传递函数包括Purelin函数；

所述电絮凝控制方法还包括自动进化过程，具体为：将S2中记录的历史水质数据与运行数据发送至上位机监控系统进行数据库的扩展，间断自动训练GA-ANN模型，当决定系数R²≥更新前的GA-ANN模型的R²时终止训练并进行S2，否则继续沿用未更新的GA-ANN模型，即完成GA-ANN模型的自我进化；所述间断自动训练GA-ANN模型的间隔时间≥7天。

8.一种基于GA-ANN模型算法的电絮凝控制装置，其特征在于，所述电絮凝控制装置包括：含如权利要求1-8任一项所述电絮凝控制方法的智能控制系统、上位机监控系统和自动控制系统；

所述上位机监控系统用于衔接智能控制系统与自动控制系统。

9.如权利要求8所述电絮凝控制装置，其特征在于，所述上位机监控系统将智能控制系统所得电絮凝理论运行电流传输至自动控制系统。

10.如权利要求8或9所述电絮凝控制装置，其特征在于，所述自动控制系统为PLC控制系统，用于对电絮凝过程的自动控制，具体为将由上位机监控系统发送来的预测电流传输至电絮凝装置。

Images