CN116375174A - 一种次氯酸钠智慧投加控制系统 - Google Patents
一种次氯酸钠智慧投加控制系统 Download PDFInfo
- Publication number
- CN116375174A CN116375174A CN202310036418.7A CN202310036418A CN116375174A CN 116375174 A CN116375174 A CN 116375174A CN 202310036418 A CN202310036418 A CN 202310036418A CN 116375174 A CN116375174 A CN 116375174A
- Authority
- CN
- China
- Prior art keywords
- chlorine
- post
- residual
- value
- sodium hypochlorite
- 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.)
- Pending
Links
- 239000005708 Sodium hypochlorite Substances 0.000 title claims abstract description 67
- SUKJFIGYRHOWBL-UHFFFAOYSA-N sodium hypochlorite Chemical compound [Na+].Cl[O-] SUKJFIGYRHOWBL-UHFFFAOYSA-N 0.000 title claims abstract description 67
- 239000000460 chlorine Substances 0.000 claims abstract description 431
- 229910052801 chlorine Inorganic materials 0.000 claims abstract description 431
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 claims abstract description 359
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 138
- 238000005660 chlorination reaction Methods 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 22
- 230000001502 supplementing effect Effects 0.000 claims description 9
- 230000000153 supplemental effect Effects 0.000 claims description 2
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 claims 1
- 239000006227 byproduct Substances 0.000 abstract description 7
- 238000004659 sterilization and disinfection Methods 0.000 abstract description 6
- 239000003814 drug Substances 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 14
- 230000001276 controlling effect Effects 0.000 description 13
- 238000000034 method Methods 0.000 description 12
- 238000003066 decision tree Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000005070 sampling Methods 0.000 description 7
- 239000000645 desinfectant Substances 0.000 description 5
- 230000035772 mutation Effects 0.000 description 4
- 238000004062 sedimentation Methods 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 125000001309 chloro group Chemical group Cl* 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 description 1
- HEDRZPFGACZZDS-UHFFFAOYSA-N Chloroform Chemical compound ClC(Cl)Cl HEDRZPFGACZZDS-UHFFFAOYSA-N 0.000 description 1
- 241000195493 Cryptophyta Species 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- VEKBRXKPWIDPTK-UHFFFAOYSA-N [Na+].[Cl+].Cl[O-].Cl[O-] Chemical compound [Na+].[Cl+].Cl[O-].Cl[O-] VEKBRXKPWIDPTK-UHFFFAOYSA-N 0.000 description 1
- 230000016571 aggressive behavior Effects 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229950005499 carbon tetrachloride Drugs 0.000 description 1
- 229960001701 chloroform Drugs 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000000701 coagulant Substances 0.000 description 1
- 239000000084 colloidal system Substances 0.000 description 1
- -1 contact tank PH Chemical compound 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- VZGDMQKNWNREIO-UHFFFAOYSA-N tetrachloromethane Chemical compound ClC(Cl)(Cl)Cl VZGDMQKNWNREIO-UHFFFAOYSA-N 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- C02F1/72—Treatment of water, waste water, or sewage by oxidation
- C02F1/76—Treatment of water, waste water, or sewage by oxidation with halogens or compounds of halogens
-
- 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
- C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/001—Upstream control, i.e. monitoring for predictive control
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Treatment Of Water By Oxidation Or Reduction (AREA)
Abstract
本发明提供一种次氯酸钠智慧投加控制系统,涉及智慧水厂技术领域,包括:根据原水水质参数和原水进水处的前加氯余氯值预测前加氯投加量,控制向前加氯点投加前加氯投加量的次氯酸钠,并预测前加氯余氯预测值;根据接触池PH值和接触池的后加氯余氯值以及原水水质参数、前加氯投加量和前加氯余氯预测值预测后加氯投加量,控制向后加氯点投加后加氯投加量的次氯酸钠,并预测后加氯余氯预测值;根据前加氯投加量、前加氯余氯预测值、接触池PH值、后加氯投加量、后加氯余氯预测值和预先配置的补加氯余氯值预测补加氯投加量,并控制向补加氯点投加补加氯投加量的次氯酸钠。有益效果是三个投加点联动精准投加,节省药剂,均衡消除氯消毒副产物。
Description
技术领域
本发明涉及智慧水厂技术领域,尤其涉及一种次氯酸钠智慧投加控制系统。
背景技术
当前水厂中次氯酸钠投加是智慧水厂优化升级极其关键的一环,涉及到水厂几乎全流程。前加氯部分主要涉及原水进水处。后加氯过程分别在东西接触池投入次氯酸钠并于30分钟接触后测量水中余氯,是主要的加氯步骤。补加氯步骤设置于出水管道处,补加氯投加后5分钟处检测补加氯余氯并及时调整。通过以上三个加氯点保证出厂水余氯达到国家规定标准且尽量减少加氯副产物。
目前水厂前加氯通常采用流量比例投加方式,后加氯采用流量比例和余氯反馈方式,补加氯采用余氯反馈方式;这些人工投加消毒剂的方式很大程度依赖于技术人员的经验,这种情况往往造成经济上浪费的同时,过度的消毒剂与水中的有机物会产生三氯甲烷、四氯甲烷等对人类有害的消毒副产物,而降低这种消毒副产物是非常耗时耗力的;所以比例投加方式根本无法实现前加氯、后加氯和补加氯的精细化分配和调节,来降低消毒副产物的风险。
发明内容
针对现有技术中存在的问题,本发明提供一种次氯酸钠智慧投加控制系统,应用于水厂,所述水厂的原水进水处设有前加氯点,所述水厂的接触池设有后加氯点,所述水厂的出水管道处设有补加氯点;包括:
第一投加控制模块,用于根据获取的所述水厂的原水水质参数和所述原水进水处的前加氯余氯值预测得到相应的前加氯投加量,控制向所述前加氯点投加所述前加氯投加量的所述次氯酸钠,并预测得到向所述前加氯点投加所述次氯酸钠后的前加氯余氯预测值;
第二投加控制模块,连接所述第一投加控制模块,用于根据获取的所述接触池的接触池PH值和所述接触池的后加氯余氯值,以及所述原水水质参数、所述前加氯投加量和所述前加氯余氯预测值预测得到相应的后加氯投加量,控制向所述后加氯点投加所述后加氯投加量的所述次氯酸钠,并预测得到向所述后加氯投点投加所述次氯酸钠后的后加氯余氯预测值;
第三投加控制模块,分别连接所述第一投加控制模块和所述第二投加控制模块,用于根据所述前加氯投加量、所述前加氯余氯预测值、所述接触池PH值、所述后加氯投加量、所述后加氯余氯预测值和预先配置的补加氯余氯值预测得到相应的补加氯投加量,并控制向所述补加氯点投加所述补加氯投加量的所述次氯酸钠。
优选的,所述第一投加控制模块包括:
前加氯投加预测单元,用于将所述原水水质参数和所述前加氯余氯值输入预先训练得到的前加氯投加模型,预测得到所述前加氯点的所述前加氯投加量;
前加氯投加控制单元,连接所述前加氯投加预测单元,用于控制设置于所述前加氯点的前加氯计量泵向所述前加氯点投加所述前加氯投加量的所述次氯酸钠;
前加氯余氯预测单元,连接所述前加氯投加预测单元,用于将所述原水水质参数和所述前加氯投加量输入预先训练得到的前加氯余氯预测模型,预测得到向所述前加氯点投加所述次氯酸钠后的所述前加氯余氯预测值。
优选的,所述前加氯投加模型和所述前加氯余氯预测模型均为极端随机树模型。
优选的,所述第二投加控制模块包括:
后加氯投加预测单元,用于将所述原水水质参数、所述前加氯投加量、所述前加氯余氯预测值、所述接触池PH值和所述后加氯余氯值输入预先训练得到的后加氯投加模型,预测得到所述后加氯点的所述后加氯投加量;
后加氯投加控制单元,连接所述后加氯投加预测单元,用于控制设置于所述后加氯点的后加氯计量泵向所述后加氯点投加所述后加氯投加量的所述次氯酸钠;
后加氯余氯预测单元,连接所述后加氯投加预测单元,用于将所述原水水质参数、所述前加氯投加量、所述前加氯余氯预测值、所述接触池PH值和所述后加氯投加量输入预先训练得到的后加氯余氯预测模型,预测得到向所述后加氯点投加所述次氯酸钠后的所述后加氯余氯预测值。
优选的,所述后加氯投加模型和所述后加氯余氯预测模型均为极端随机树模型。
优选的,所述第三投加控制模块包括:
补加氯投加预测单元,用于将所述前加氯投加量、所述前加氯余氯预测值、所述接触池PH值、所述后加氯投加量、所述后加氯余氯预测值和预先配置的补加氯余氯值输入预先训练得到的补加氯投加模型,预测得到所述补加氯点的所述补加氯投加量;
补加氯投加控制单元,连接所述补加氯投加预测单元,用于控制设置于所述补加氯点的补加氯计量泵向所述补加氯点投加所述补加氯投加量的所述次氯酸钠。
优选的,所述补加氯投加模型为极端随机树模型。
优选的,还包括出厂余氯预测模块,分别连接所述第一投加控制模块、所述第二投加控制模块和所述第三投加控制模块,用于将所述前加氯投加量、所述前加氯余氯预测值、所述接触池PH值、所述后加氯投加量、所述后加氯余氯预测值、所述补加氯投加量和预先配置的补加氯余氯值输入预先训练得到的出厂余氯预测模型预测得到相应的出厂水余氯预测值,以供验证出厂水水质。
优选的,所述出厂余氯预测模型为极端随机树模型。
优选的,预先设置的所述补加氯余氯值为0。
上述技术方案具有如下优点或有益效果:
1)综合考虑前加氯、后加氯、补加氯全流程次氯酸钠投加。根据前加氯的效果动态调整后加氯投加量,并根据前加氯、后加氯投加效果动态调整补加氯投加量,达到三个投加点联动精准投加,节省药剂的目的,均衡消除氯消毒副产物;
2)较传统PID方案考虑更多水质参数;
3)能够快速响应原水水质突变,在原水水质突变的紧急情况下,基于模型自适应、自学习原理,精准、快速调整药剂投加量,大幅度提高水质安全保障,缩短反应滞后时间,提升水厂应急相应能力;
4)采用极端随机树模型具有极高的精确度,表现为MSE等误差较低,拟合相关系数高,能够为水厂提供精准可靠的次氯酸钠投加预测值。
附图说明
图1为本发明的较佳的实施例中,一种次氯酸钠智慧投加控制系统的结构示意图;
图2为原水流量的变化示意图;
图3为原水PH的变化示意图;
图4为原水溶解氧的变化示意图;
图5为原水浊度的变化示意图;
图6为前加氯投加量的变化示意图;
图7为前加氯余氯的变化示意图;
图8为后加氯投加量的变化示意图;
图9为接触池余氯的变化示意图;
图10为补加氯余氯的变化示意图;
图11为出厂余氯的变化示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本发明并不限定于该实施方式,只要符合本发明的主旨,则其他实施方式也可以属于本发明的范畴。
本发明的较佳的实施例中,基于现有技术中存在的上述问题,现提供一种次氯酸钠智慧投加控制系统,应用于水厂,水厂的原水进水处设有前加氯点,水厂的接触池设有后加氯点,水厂的出水管道处设有补加氯点;如图1所示,包括:
第一投加控制模块1,用于根据获取的水厂的原水水质参数和原水进水处的前加氯余氯值预测得到相应的前加氯投加量,控制向前加氯点投加前加氯投加量的次氯酸钠,并预测得到向前加氯点投加次氯酸钠后的前加氯余氯预测值;
第二投加控制模块2,连接第一投加控制模块1,用于根据获取的接触池的接触池PH值和接触池的后加氯余氯值,以及原水水质参数、前加氯投加量和前加氯余氯预测值预测得到相应的后加氯投加量,控制向后加氯点投加后加氯投加量的次氯酸钠,并预测得到向后加氯投点投加次氯酸钠后的后加氯余氯预测值;
第三投加控制模块3,分别连接第一投加控制模块1和第二投加控制模块2,用于根据前加氯投加量、前加氯余氯预测值、接触池PH值、后加氯投加量、后加氯余氯预测值和预先配置的补加氯余氯值预测得到相应的补加氯投加量,并控制向补加氯点投加补加氯投加量的次氯酸钠。
具体地,本实施例中,上述原水水质参数包括原水流量、原水浊度、原水溶解氧、原水温度、原水氨氯、原水COD和原水PH。
本发明的较佳的实施例中,第一投加控制模块1包括:
前加氯投加预测单元11,用于将原水水质参数和前加氯余氯值输入预先训练得到的前加氯投加模型,预测得到前加氯点的前加氯投加量;
前加氯投加控制单元12,连接前加氯投加预测单元11,用于控制设置于前加氯点的前加氯计量泵向前加氯点投加前加氯投加量的次氯酸钠;
前加氯余氯预测单元13,连接前加氯投加预测单元11,用于将原水水质参数和前加氯投加量输入预先训练得到的前加氯余氯预测模型,预测得到向前加氯点投加次氯酸钠后的前加氯余氯预测值。
本发明的较佳的实施例中,第二投加控制模块2包括:
后加氯投加预测单元21,用于将原水水质参数、前加氯投加量、前加氯余氯预测值、接触池PH值和后加氯余氯值输入预先训练得到的后加氯投加模型,预测得到后加氯点的后加氯投加量;
后加氯投加控制单元22,连接后加氯投加预测单元21,用于控制设置于后加氯点的后加氯计量泵向后加氯点投加后加氯投加量的次氯酸钠;
后加氯余氯预测单元23,连接后加氯投加预测单元21,用于将原水水质参数、前加氯投加量、前加氯余氯预测值、接触池PH值和后加氯投加量输入预先训练得到的后加氯余氯预测模型,预测得到向后加氯点投加次氯酸钠后的后加氯余氯预测值。
本发明的较佳的实施例中,第三投加控制模块3包括:
补加氯投加预测单元31,用于将前加氯投加量、前加氯余氯预测值、接触池PH值、后加氯投加量、后加氯余氯预测值和预先配置的补加氯余氯值输入预先训练得到的补加氯投加模型,预测得到补加氯点的补加氯投加量;
补加氯投加控制单元32,连接补加氯投加预测单元31,用于控制设置于补加氯点的补加氯计量泵向补加氯点投加补加氯投加量的次氯酸钠。
本发明的较佳的实施例中,还包括出厂余氯预测模块4,分别连接第一投加控制模块1、第二投加控制模块2和第三投加控制模块4,用于将前加氯投加量、前加氯余氯预测值、接触池PH值、后加氯投加量、后加氯余氯预测值、补加氯投加量和预先配置的补加氯余氯值输入预先训练得到的出厂余氯预测模型预测得到相应的出厂水余氯预测值,以供验证出厂水水质。
本发明的较佳的实施例中,预先设置的补加氯余氯值为0。
在进行上述前加氯投加模型、前加氯余氯预测模型、后加氯投加模型、后加氯余氯预测模型、补加氯投加模型和出厂余氯预测模型训练时,优选获得进水流量、进水PH、原水温度、原水浊度、次氯酸钠前加量、次氯酸钠前加余氯、接触池PH、次氯酸钠后加量、次氯酸钠后加余氯、次氯酸钠补加量、次氯酸钠补加余氯、出水流量、出水PH、出水溶解氧、出水压力、出水浊度、出水余氯等水质测算指标。这些水质数据时间间隔为5分钟,采样总跨度约一年。
在获取上述数据后,需要进行数据清洗,数据清洗时优选尽可能地保留水质突变数据,并去除与常理不符的异常数据。保留水质突变数据在于因为季节、天气等多方面原因,水厂水源可能产生较大变化。比如某水厂偶发的原水氨氮超标情况,比如某水厂地理位置可能发生暴雨或泥石流产生的水质突变,比如某水厂可能发生的藻类超标情况等等。以上情况属于水厂日常运行过程中可能遇到的,可能表现在水质数据中会与平时的数据有较大的不同,但是这类数据是珍贵的突发数据,因此需要尽可能保留。
对于另一部分异常数据优选使用绝对中位差值(Median Absolute Deviation,MAD)剔除异常数据。这部分异常数据主要指的是不合常理、无论是水质正常或水质突变情况下都不可能达到的数据。如原水浊度是描述原水浑浊程度的数据,它的数值一定是非负的。
MAD方法用于异常点检测基本原理如下所示。假定数据服从正态分布,则让异常点落在两侧的50%的面积中,让正常值落在中间50%的区域里:
其中,
Φ(-a)=1-Φ(a)
得出,
因此可以让大于MAD*1.4826或小于MAD*1.4826的值都落在分布两侧50%的面积里,判断为异常值数据。
原水水质参数包含上百种不同指标测算,在其中我们通过使用特征筛选方法结合操作员经验,选择出对于次氯酸钠投加影响较大的十余种水质参数,并以此实时精准预测次氯酸钠投加量。在特征选择方法上,我们选择了最小冗余最大相关性方法(MinimumRedundancy Maximum Relevance,mRMR)。
mRMR方法在进行特征选择是考虑到多个特征之间的相关性和冗余性,具体做法是对和已选择特征相关性较高的冗余特征进行惩罚。mRMR可以使用多种相关性的度量指标,如互信息、相关系数以及其他距离或相似度分数。我们使用基于互信息方式的mRMR特征选择方法。特征集合S和目标变量c之间的相关性可定义为,特征集合中所有单个特征变量fi和目标变量c的互信息值I(fi;c)的平均值:
S中所有特征的冗余性为所有特征变量之间的互信息I(fi;fi)的平均值
mRMR准则为
求解上述优化问题即可得到特征子集。
根据水厂操作人员的经验以及最小最大相关性分析的结果,确定前加氯的关键影响因素包括原水水质参数、前加氯余氯值和前加氯投加量;确定后加氯的关键影响因素包括原水水质参数、前加氯投加量、前加氯余氯预测值、接触池PH值、后加氯余氯值和后加氯投加量;确定补加氯的关键影响因素包括前加氯投加量、前加氯余氯预测值、接触池PH值、后加氯投加量、后加氯余氯预测值和补加氯余氯值;确定出厂余氯的关键影响因素包括前加氯投加量、前加氯余氯预测值、接触池PH值、后加氯投加量、后加氯余氯预测值、补加氯投加量和补加氯余氯值。
优选的,出厂余氯预测模型、补加氯投加模型、后加氯投加模型、后加氯余氯预测模型、前加氯投加模型和前加氯余氯预测模型均为极端随机树模型。
ExtRa Trees是Extremely Randomized Trees的缩写,意思就是极端随机树,它RF的一个变种。
对于每个决策树的训练集,RF采用的是随机采样bootstrap来选择采样集作为每个决策树的训练集,而extra trees一般不采用随机采样,即每个决策树采用原始训练集。
在选定了划分特征后,RF的决策树会基于基尼系数,均方差之类的原则,选择一个最优的特征值划分点,这和传统的决策树相同。但是extra trees比较的激进,它会随机的选择一个特征值来划分决策树。可以看出,由于随机选择了特征值的划分点位,而不是最优点位,这样会导致生成的决策树的规模一般会大于RF所生成的决策树。也就是说,模型的方差相对于RF进一步减少,但是偏差相对于RF进一步增大。在某些时候,extra trees的泛化能力比RF更好。
其中Extra-Trees的具体算法如下所示:
输入为样本集D={(x,y1),(x2,y2),...(xm,ym)},弱学习器算法G(x),弱分类器迭代次数T。
输出为最终的强分类器f(x)
对于迭代次数t=1,2...,T:
对训练集进行第次随机采样,共采集m次,得到包含m个样本的采样集Dt
用采样集Dt训练第t个决策树模型Gt(x),在训练决策树模型的节点的时候,在节点上所有的样本特征中选择一部分样本特征,在这些随机选择的部分样本特征中选择一个最优的特征来做决策树的左右子树划分如果是分类算法预测,则T个弱学习器投出最多票数的类别或者类别之一为最终类别。如果是回归算法,T个弱学习器得到的回归结果进行算术平均得到的值为最终的模型输出。
实施例一
以将本技术方案应用于绍兴市某水厂为例:
宋六陵水厂属蓄能式高地水厂,原水取自全市最大的人工淡水湖——汤浦水库,首先经由取水泵站进入水厂,进水处统计进水流量并根据原水比例投加前加氯次氯酸钠。然后,在沉淀池入口处加入PAC混凝剂,使得水中胶体在平流沉淀池快速沉淀过滤。沉淀池后设置有独特的沉后加氯点。接下来经过V型滤池过滤杂质。在接触池中,投加次氯酸钠并作为主要的消毒剂投加流程,即后加氯投加点。最后经由清水池后设置补加氯点,作为保证消毒剂足量投加的“最后一道大闸”。水流经清水池后进入出厂程序并最终流入供水管网。
数据集取自宋六陵水厂2020年10月1日至2021年9月20日,采样间隔为5分钟,包括105113个记录数据点,加入次氯酸钠后各个特征在一段时间内的变化如图2-图11所示。
首先对数据集进行预处理,因为:
1)将次氯酸钠注入原水中的机器处于维护状态时,存在一些缺失值;
2)异常值处理,如浑浊程度在自然界中始终为正值;
3)存在零星的水质参数,但由于洪水季节和受污染的水而导致周期性的突然变化。
为了解决上面提到的第一个问题,因为水厂是5s一传输数据,缺失值在总体数据占比低于3.7%,所以这里的处理方法是直接去掉实际生产数据的缺失值。对于第二个问题,根据造成异常值数据的主要原因,根据MAD方法去除异常值。第三个问题,由于缺乏校正这些参数的经验指导,优选保留突然变化的水质参数。
将ERT模型与多种模型作对比,并采用网格搜索的方式调整模型参数。
网格搜索是一种遍历搜索调参方法,它由两步构成。第一步自定义需要调整的,备选的参数。第二步模型自动遍历备选参数的备选数值,并保留最佳模型结果,记录最佳结果对应的模型参数作为最优调参结果。网格搜索调参结果如下表1所示。
表1网格搜索调参
模型评价方面,选择了均方误差(Mean Squared Error,MSE)、平均绝对误差(MeanAbsolute Error,MAE)和平均绝对百分比误差(Percent Mean Absolute Error,MAPE)进行评价。
从MSE、R2、MAE及MAPE四个不同角度与常用的机器学习模型KNN,SVM,MLP及深度学习模型CNN进行了比较,对于相同数据集,分别前加氯预测模型、后加氯预测模型和出水厂余氯预测模型与多模型对比结果如下:
表2前加氯投加量ERT模型与多模型对比
表3后加氯投加量ERT模型与多模型对比
表4出厂余氯ERT模型与多模型对比
总体来看,本发明集成模型ERT优于上述四种典型模型,从MSE,MAPE,MAE来看,该ERT集成学习模型与KNR模型误差较小,其他模型均有较大误差。而从拟合度来看,SVR、MLP、CNN模型拟合度均低于0.9,ERT模型表现最佳,KNR较为接近。
综上,本技术方案首次将分布式深度学习框架应用到水厂智能加氯控制中,具备四个独特的优点:
1.根据前加氯、后加氯投加效果动态调整补加氯投加量,达到三个投加点联动精准投加,节省药剂的目的,均衡消除氯消毒副产物;
2.较传统PID方案考虑更多水质参数;
3.快速响应原水水质突变;在原水水质突变的紧急情况下,基于模型自适应、自学习原理,精准、快速调整药剂投加量,大幅度提高水质安全保障,缩短反应滞后时间,提升水厂应急相应能力;
4.ERT模型与KNR、SVR、MLP、CNN模型相比,具有极高的精确度,表现为MSE等误差较低,拟合相关系数高,能够为水厂提供精准可靠的次氯酸钠投加预测值。
本技术方案所提出集成学习框架,通过将前加氯、后加氯、补加氯三个步骤相互连接,全局调控次氯酸钠投加控制,更加精准得调控出厂余氯,能够满足水厂智慧投加氯消毒剂的需求。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (10)
1.一种次氯酸钠智慧投加控制系统,应用于水厂,所述水厂的原水进水处设有前加氯点,所述水厂的接触池设有后加氯点,所述水厂的出水管道处设有补加氯点;其特征在于,包括:
第一投加控制模块,用于根据获取的所述水厂的原水水质参数和所述原水进水处的前加氯余氯值预测得到相应的前加氯投加量,控制向所述前加氯点投加所述前加氯投加量的所述次氯酸钠,并预测得到向所述前加氯点投加所述次氯酸钠后的前加氯余氯预测值;
第二投加控制模块,连接所述第一投加控制模块,用于根据获取的所述接触池的接触池PH值和所述接触池的后加氯余氯值,以及所述原水水质参数、所述前加氯投加量和所述前加氯余氯预测值预测得到相应的后加氯投加量,控制向所述后加氯点投加所述后加氯投加量的所述次氯酸钠,并预测得到向所述后加氯投点投加所述次氯酸钠后的后加氯余氯预测值;
第三投加控制模块,分别连接所述第一投加控制模块和所述第二投加控制模块,用于根据所述前加氯投加量、所述前加氯余氯预测值、所述接触池PH值、所述后加氯投加量、所述后加氯余氯预测值和预先配置的补加氯余氯值预测得到相应的补加氯投加量,并控制向所述补加氯点投加所述补加氯投加量的所述次氯酸钠。
2.根据权利要求1所述的次氯酸钠智慧投加控制系统,其特征在于,所述第一投加控制模块包括:
前加氯投加预测单元,用于将所述原水水质参数和所述前加氯余氯值输入预先训练得到的前加氯投加模型,预测得到所述前加氯点的所述前加氯投加量;
前加氯投加控制单元,连接所述前加氯投加预测单元,用于控制设置于所述前加氯点的前加氯计量泵向所述前加氯点投加所述前加氯投加量的所述次氯酸钠;
前加氯余氯预测单元,连接所述前加氯投加预测单元,用于将所述原水水质参数和所述前加氯投加量输入预先训练得到的前加氯余氯预测模型,预测得到向所述前加氯点投加所述次氯酸钠后的所述前加氯余氯预测值。
3.根据权利要求2所述的次氯酸钠智慧投加控制系统,其特征在于,所述前加氯投加模型和所述前加氯余氯预测模型均为极端随机树模型。
4.根据权利要求1所述的次氯酸钠智慧投加控制系统,其特征在于,所述第二投加控制模块包括:
后加氯投加预测单元,用于将所述原水水质参数、所述前加氯投加量、所述前加氯余氯预测值、所述接触池PH值和所述后加氯余氯值输入预先训练得到的后加氯投加模型,预测得到所述后加氯点的所述后加氯投加量;
后加氯投加控制单元,连接所述后加氯投加预测单元,用于控制设置于所述后加氯点的后加氯计量泵向所述后加氯点投加所述后加氯投加量的所述次氯酸钠;
后加氯余氯预测单元,连接所述后加氯投加预测单元,用于将所述原水水质参数、所述前加氯投加量、所述前加氯余氯预测值、所述接触池PH值和所述后加氯投加量输入预先训练得到的后加氯余氯预测模型,预测得到向所述后加氯点投加所述次氯酸钠后的所述后加氯余氯预测值。
5.根据权利要求4所述的次氯酸钠智慧投加控制系统,其特征在于,所述后加氯投加模型和所述后加氯余氯预测模型均为极端随机树模型。
6.根据权利要求1所述的次氯酸钠智慧投加控制系统,其特征在于,所述第三投加控制模块包括:
补加氯投加预测单元,用于将所述前加氯投加量、所述前加氯余氯预测值、所述接触池PH值、所述后加氯投加量、所述后加氯余氯预测值和预先配置的补加氯余氯值输入预先训练得到的补加氯投加模型,预测得到所述补加氯点的所述补加氯投加量;
补加氯投加控制单元,连接所述补加氯投加预测单元,用于控制设置于所述补加氯点的补加氯计量泵向所述补加氯点投加所述补加氯投加量的所述次氯酸钠。
7.根据权利要求6所述的次氯酸钠智慧投加控制系统,其特征在于,所述补加氯投加模型为极端随机树模型。
8.根据权利要求1所述的次氯酸钠智慧投加控制系统,其特征在于,还包括出厂余氯预测模块,分别连接所述第一投加控制模块、所述第二投加控制模块和所述第三投加控制模块,用于将所述前加氯投加量、所述前加氯余氯预测值、所述接触池PH值、所述后加氯投加量、所述后加氯余氯预测值、所述补加氯投加量和预先配置的补加氯余氯值输入预先训练得到的出厂余氯预测模型预测得到相应的出厂水余氯预测值,以供验证出厂水水质。
9.根据权利要求8所述的次氯酸钠智慧投加控制系统,其特征在于,所述出厂余氯预测模型为极端随机树模型。
10.根据权利要求1或6或8所述的次氯酸钠智慧投加控制系统,其特征在于,预先设置的所述补加氯余氯值为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310036418.7A CN116375174A (zh) | 2023-01-09 | 2023-01-09 | 一种次氯酸钠智慧投加控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310036418.7A CN116375174A (zh) | 2023-01-09 | 2023-01-09 | 一种次氯酸钠智慧投加控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116375174A true CN116375174A (zh) | 2023-07-04 |
Family
ID=86979459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310036418.7A Pending CN116375174A (zh) | 2023-01-09 | 2023-01-09 | 一种次氯酸钠智慧投加控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116375174A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117902714A (zh) * | 2023-12-31 | 2024-04-19 | 上海悦境环保科技有限公司 | 一种次氯酸钠自动投加方法及装置 |
-
2023
- 2023-01-09 CN CN202310036418.7A patent/CN116375174A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117902714A (zh) * | 2023-12-31 | 2024-04-19 | 上海悦境环保科技有限公司 | 一种次氯酸钠自动投加方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102385315B (zh) | 水厂智能混凝投药控制系统及其控制方法 | |
JP6609808B2 (ja) | 決定木学習アルゴリズムを用いた予測プログラム、装置及び方法 | |
CN116375174A (zh) | 一种次氯酸钠智慧投加控制系统 | |
Ray et al. | A holistic review on how artificial intelligence has redefined water treatment and seawater desalination processes | |
CN105301960B (zh) | 一种自来水凝絮剂投加量的控制方法 | |
JP4746385B2 (ja) | 水処理プラントに適用する凝集剤注入制御装置 | |
KR20110068817A (ko) | 수처리 시스템에서의 막오염 예측을 이용한 막오염 예측 및 완화 세정 방법 및 시스템 | |
Vijayaraghavan et al. | A quick review on applications of fuzzy logic in waste water treatment | |
KR101187416B1 (ko) | 예측 모델을 이용한 해수담수화 방법 및 이를 수행하는 장치 | |
JP4718873B2 (ja) | 膜濾過設備の制御装置 | |
EP4248602A1 (en) | Process, system, and computer readable storage medium for determining optimal coagulant dosage | |
KR100573189B1 (ko) | 신경망 2자 유도 PID 제어기의 튜닝방법을 이용한정수처리 시스템의 pH 제어 방법 및 그 장치 | |
CN115375009B (zh) | 一种建立混凝智能监控联动系统的方法 | |
WO2021074491A1 (en) | A method and system for monitoring a process | |
CN117084200A (zh) | 应用大数据分析的水产养殖投药控制系统 | |
CN116675277A (zh) | 一种基于物联网的低能耗废水浓缩系统控制方法 | |
CN115108595A (zh) | 基于机器学习的净水剂智能投加方法 | |
Collins et al. | Information processing coupled with expert systems for water treatment plants | |
CN111174824B (zh) | 一种酸雾排放的管控平台 | |
Hernández et al. | Canal structure automation rules using an accuracy-based learning classifier system, a genetic algorithm, and a hydraulic simulation model. I: Design | |
JP2005329358A (ja) | 浄水場の塩素注入制御システム | |
KR20230168714A (ko) | 기계학습 기반의 적정 응집제 주입량 자동제어 시스템 및 그 방법 | |
US20230212033A1 (en) | Apparatus and method for controlling chemical dosing optimization for water treatment plant | |
Deveughele et al. | Neural networks: an efficient approach to predict on-line the optimal coagulant dose | |
JP2022088205A (ja) | 情報処理装置、予測方法、水処理システム、および予測プログラム |
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 |