CN118276500A - 一种水厂混凝投药预测控制系统及使用方法 - Google Patents
一种水厂混凝投药预测控制系统及使用方法 Download PDFInfo
- Publication number
- CN118276500A CN118276500A CN202410716244.3A CN202410716244A CN118276500A CN 118276500 A CN118276500 A CN 118276500A CN 202410716244 A CN202410716244 A CN 202410716244A CN 118276500 A CN118276500 A CN 118276500A
- Authority
- CN
- China
- Prior art keywords
- turbidity
- raw water
- water
- slave station
- flocculant
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 221
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000015271 coagulation Effects 0.000 title claims abstract description 29
- 238000005345 coagulation Methods 0.000 title claims abstract description 29
- 238000001647 drug administration Methods 0.000 title description 4
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000004062 sedimentation Methods 0.000 claims abstract description 25
- 238000005189 flocculation Methods 0.000 claims abstract description 24
- 230000016615 flocculation Effects 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 239000002131 composite material Substances 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 27
- 239000008394 flocculating agent Substances 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 229940037003 alum Drugs 0.000 claims description 7
- 239000002245 particle Substances 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000007062 hydrolysis Effects 0.000 claims description 3
- 238000006460 hydrolysis reaction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000001376 precipitating effect Effects 0.000 claims description 3
- 239000013049 sediment Substances 0.000 claims description 3
- 239000003814 drug Substances 0.000 claims 1
- 239000008213 purified water Substances 0.000 abstract description 3
- 239000000126 substance Substances 0.000 description 11
- 238000013461 design Methods 0.000 description 3
- 238000012356 Product development Methods 0.000 description 2
- 239000000701 coagulant Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000746 purification Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004641 brain development Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Landscapes
- Separation Of Suspended Particles By Flocculating Agents (AREA)
Abstract
本发明一种水厂混凝投药预测控制系统及使用方法，包括：使用配水井、加药泵、机械混合器、絮凝沉淀池、PLC从站1、PLC从站2、PLC从站3、PLC网关、气象服务网站、云服务器实现了一种水厂混凝投药预测控制系统，该系统根据配水井中原水流量传感器、原水浊度传感器、原水水温传感器、原水PH值传感器，获取原水基本信息，通过气象服务网站接收当地气象信息，建立气象干扰通道函数，加入干扰条件，在絮凝沉淀池出口处出水浊度传感器获取净水后的浊度信息，采用基于SPPSO优化的IGPC预测算法和模糊RBF神经网络PID算法建立的前馈‑反馈复合控制系统模型，计算絮凝剂剂量，并经过所述PLC网关和所述PLC从站2控制所述加药泵，实现絮凝剂剂量精确前馈‑反馈控制。
Description
技术领域
本发明涉及预测控制领域，尤其涉及一种水厂混凝投药预测控制系统及使用方法。
背景技术
自来水厂混凝投药是原水处理工艺流程中的重要环节，絮凝剂投药过高会导致铝离子含量过多，影响人类大脑发育，而偏少会造成出水浊度过高，水质质量差。由于混凝投药过程控制检测时间长，出现了大滞后性和超调性，因此出现了“模型+后反馈机制”，如中国专利CN117556196A公开了“一种面向自来水厂絮凝剂智能投加方法及其系统”就使用了该方法。但浊度的采集不仅滞后和超调，还存在多环境因素及气象因素的影响，且模型的建立依赖大数据量，耗时耗力，不同控制方法也存在精度差异问题。因此，如何引入气象环境因素对浊度采集的影响，有效采用精度高、计算量少、控制简单的方法是迫切需要解决的技术问题。
发明内容
有鉴于此，本发明提出了一种水厂混凝投药预测控制系统及使用方法，以解决现有的水厂混凝投药控制大滞后性、超调、控制简单、气象因素干扰导致控制精度不高的问题，提高了絮凝剂剂量使用的精度。
本发明的技术方案是这样实现的：一方面，本发明提供了一种水厂混凝投药预测控制系统，其中，包括配水井、加药泵、机械混合器、絮凝沉淀池、PLC从站1、PLC从站2、PLC从站3、PLC网关、气象服务网站、云服务器；
所述配水井用于储存水源，内部装有原水流量传感器、原水浊度传感器、原水水温传感器、原水PH值传感器，分别通过电连线将信号传送至所述PLC从站1；
所述加药泵与所述PLC从站2电性相连，用于接收所述PLC从站2的控制指令并按照控制命令的剂量将絮凝剂加注至所述机械混合器；
所述机械混合器用于混合原水和絮凝剂并送入所述絮凝沉淀池；
所述絮凝沉淀池用于将原水和絮凝剂水解形成的矾花沉淀，出口处装有出水浊度传感器，通过电连线将出水浊度信号传送至所述PLC从站3；
所述PLC从站1与原水流量传感器、原水浊度传感器、原水水温传感器、原水PH值传感器电性相连，用于采集原水流量、浊度、水温和PH值信息并上传至所述PLC网关；
所述PLC从站2与所述PLC网关网络相连，用于接收所述PLC网关下发的命令；
所述PLC从站1与出水浊度传感器电性相连，用于采集出水浊度信息并上传至所述PLC网关；
所述PLC网关分别与所述PLC从站1、PLC从站2、PLC从站3和所述云服务器网络相连，用于将所述PLC从站的MODBUS协议与所述云服务器的4G/5G协议相互转换；
所述气象服务网站与所述云服务器网络相连，用于获取水厂当地气象预报信息和实时信息并发送给云服务器；
所述云服务器用于接收传感器信号经所述PLC从站1、所述PLC从站3经所述PLC网关传送的数据，同时接收当地气象信息，在絮凝沉淀池出口处采集出水浊度，建立气象干扰通道函数，加入干扰条件，修正出水浊度传感器因气象变化引发的实际浊度滞后问题，最后云服务器采用基于SPPSO优化的IGPC预测算法和模糊RBF神经网络PID算法建立的前馈-反馈复合控制系统模型，计算最终絮凝剂剂量，并经过所述PLC网关经所述PLC从站2控制所述加药泵，实现絮凝剂剂量精确前馈-反馈控制。
优选的，所述气象干扰通道函数是，其中，K表示增益，表示延迟时间，T1和T2表示时间常数，这四个参数由存储在云服务器中的气温、湿度对应参数表中获得，e为自然常数。
所述最终絮凝剂剂量是，其中表示时刻，表示t时刻计算的前馈絮凝剂控制量，表示t时刻计算的反馈絮凝剂控制量，表示权重系数。
所述前馈-反馈复合控制系统模型包括前馈控制器模型和反馈控制器模型；
所述前馈控制器模型采用基于SPPSO优化的IGPC预测算法，通过采集原水流量、原水浊度、原水水温和原水PH值得到与出水目标浊度条件下絮凝剂剂量函数关系，确定絮凝剂剂量目标值带入SPPSO粒子群算法获取寻优范围，确立适应度函数进行寻优，获得最优絮凝剂增量，计算所需前馈絮凝剂剂量；
所述反馈控制器模型是在获得出水浊度数据后采用模糊RBF神经网络PID算法，获得最优絮凝剂增量，计算所需反馈絮凝剂剂量。
优选的，所述前馈控制器模型，包括如下步骤：
P1.设置给定出水目标浊度，初始化参数预测时域，控制时域，加权系数，柔化系数，学习因子，种群规模，种群迭代次数，速度限幅，求解IGPC预测模型；
P2.根据历史输入值求解预测输出值及参考轨迹，利用递推最小二乘法求取控制器参数G，根据絮凝剂控制增量约束范围设定SPPSO寻优范围；
P3.初始化粒子种群，设定寻优函数，，，其中，E{}表示数学期望，表示时刻，表示设定值，n表示预测时域，m表示控制时域，即m步后控制量相等，表示加权系数，表示参考轨迹，，获得前馈絮凝剂控制增量；
P4.根据式计算输出，其中，表示t时刻计算的前馈絮凝剂控制量；
P5.更新状态存储序列，重复步骤P2-P5，直至结束。
优先的，所述反馈控制器模型，包括如下步骤：
L1.获取输入出水实际浊度与出水目标浊度偏差e和单位时间内出水实际浊度与出水目标浊度偏差变化量ec，输入变量N=2，该层每个节点与输入参数关系为：，其中i=1···N；
L2.制定模糊化网络规则，使用负大、负中、负小、零、正小、正中、正大组成模糊子集节点；
L3.采用高斯函数生成隶属度函数，节点关系式为：，其中，i=1···N，j=1···M，cij和bij分别是第i个输入变量j个模糊集合中心和基宽；
L4.利用式计算输入数目和模糊子集点数量，得出节点数，其中，i1=1···M，i2=1···M，n=1···MN；
L5.利用式去模糊化后输出PID控制器的比例系数kp、积分系数ki和微分系数kd，其中为权值连接矩阵，i=1,2,3，
L6.将三个PID系数带入控制算法，其中，表示t时刻计算的反馈絮凝剂控制量，表示t时刻计算的絮凝剂控制增量，表示t时刻计算的出水实际浊度与出水目标浊度偏差，kp表示比例系数，ki表示积分系数，kd表示微分系数；
L7.神经网络整定指标为，分别通过梯度下降法计算，，，其中学习效率，更新三个PID系数，带入PID控制算法；
L8.获得PID控制输出反馈絮凝剂控制量并反馈，重复上述过程。
优选的，前馈控制器模型和反馈控制器模型，使用MATLAB软件编译通过。
另一方面，本发明提供一种水厂混凝投药预测控制系统的使用方法，包括如下步骤：
S1.PLC从站1采集原水流量、原水浊度、原水水温和原水PH值信息经PLC网关至云服务器；
S2.云服务器根据确定的目标浊度，计算出水实际浊度与出水目标浊度偏差e和出水实际浊度与出水目标浊度偏差变化量ec；
S3.云服务器将偏差e和偏差变化量ec代入模糊RBF神经网络PID反馈控制器，计算反馈增量，获得反馈絮凝剂剂量；
S4.云服务器将原水流量、原水浊度、原水水温、原水PH值代入基于SPPSO优化的IGPC预测前馈控制器，计算前馈增量，获得前馈絮凝剂剂量；
S5.云服务器根据反馈絮凝剂剂量和前馈絮凝剂剂量计算加药量并通过PLC网关和PLC从站2控制加药泵加絮凝剂；
S6.絮凝剂经机械混合器混合后送入絮凝沉淀池形成矾花沉淀，清洁的水输出，同时云服务通过访问当地气象服务网站获取气象信息，产生干扰通道函数，加入干扰条件；
S7.PLC从站3采集出水浊度信息经PLC网关至云服务器，控制系统重复开始S1过程。
本发明水厂混凝投药预测控制系统及使用方法相对于现有技术具有以下有益效果：
在原有水厂PLC控制系统的基础上引入了PLC网关、当地气象服务网站和云服务器，通过加入气象信息作为控制干扰因素，克服了混凝投药过程中的气象干扰特性对控制系统的影响；
采用基于SPPSO优化的IGPC预测前馈控制算法，将隐式广义预测控制和改进粒子群算法相结合，克服了搜索局部最优的问题，同时简化了控制率运算，减少了运行时长，改进了原有混凝投药系统控制大滞后性的缺点；
采用模糊RBF神经网络PID反馈算法，综合模糊控制的经验化和神经网络自我学习的优点，将神经网络模糊化，精确迭代PID比例系数、积分系数和微分系数增量，改进了原有混凝投药系统控制超调量和调节时间滞后的缺点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本发明的水厂混凝投药预测控制系统结构图；
图2为本发明的水厂混凝投药预测控制系统原理图；
图3为本发明的水厂混凝投药预测控制系统及使用方法的工作流程图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
实施例一
如图1所示，本发明的一种水厂混凝投药预测控制系统，其中，包括配水井、加药泵、机械混合器、絮凝沉淀池、PLC从站1、PLC从站2、PLC从站3、PLC网关、气象服务网站、云服务器；
所述配水井用于储存水源，内部装有原水流量传感器、原水浊度传感器、原水水温传感器、原水PH值传感器，分别通过电连线将信号传送至所述PLC从站1；
所述加药泵与所述PLC从站2电性相连，用于接收所述PLC从站2的控制指令并按照控制命令的剂量将絮凝剂加注至所述机械混合器；
所述机械混合器用于混合原水和絮凝剂并送入所述絮凝沉淀池；
所述絮凝沉淀池用于将原水和絮凝剂水解形成的矾花沉淀，出口处装有出水浊度传感器，通过电连线将出水浊度信号传送至所述PLC从站3；
所述PLC从站1与原水流量传感器、原水浊度传感器、原水水温传感器、原水PH值传感器电性相连，用于采集原水流量、浊度、水温和PH值信息并上传至所述PLC网关；
所述PLC从站2与所述PLC网关网络相连，用于接收所述PLC网关下发的命令；
所述PLC从站1与出水浊度传感器电性相连，用于采集出水浊度信息并上传至所述PLC网关；
所述PLC网关分别与所述PLC从站1-3和所述云服务器网络相连，用于将所述PLC从站的MODBUS协议与所述云服务器的4G/5G协议相互转换；
所述气象服务网站与所述云服务器网络相连，用于获取水厂当地气象预报信息和实时信息并发送给云服务器；
所述云服务器用于接收传感器信号经所述PLC从站1、所述PLC从站3经所述PLC网关传送的数据，同时接收当地气象信息，在絮凝沉淀池出口处采集出水浊度，建立气象干扰通道函数，加入干扰条件，修正出水浊度传感器因气象变化引发的实际浊度滞后问题，最后云服务器采用基于SPPSO优化的IGPC预测算法和模糊RBF神经网络PID算法建立的前馈-反馈复合控制系统模型，计算最终絮凝剂剂量，并经过所述PLC网关经所述PLC从站2控制所述加药泵，实现絮凝剂剂量精确前馈-反馈控制。
本系统采用配水井、加药泵、机械混合器、絮凝沉淀池、PLC从站1、PLC从站2、PLC从站3、PLC网关、气象服务网站、云服务器实现了一种水厂混凝投药预测控制系统，该系统根据配水井中原水流量传感器、原水浊度传感器、原水水温传感器、原水PH值传感器，获取原水基本信息，通过气象服务网站接收当地气象信息，建立气象干扰通道函数，加入干扰条件，在絮凝沉淀池出口处出水浊度传感器获取净水后的浊度信息，采用基于SPPSO优化的IGPC预测算法和模糊RBF神经网络PID算法建立的前馈-反馈复合控制系统模型，计算絮凝剂剂量，并经过所述PLC网关和所述PLC从站2控制所述加药泵，实现絮凝剂剂量精确前馈-反馈控制；通过设计、仿真、验证，形成模块化产品，可实现不同平台间的快速移植，加速产品开发流程。
其中，所述气象干扰通道函数是，其中，K表示增益，表示延迟时间，T1和T2表示时间常数，这四个参数由存储在云服务器中的气温、湿度对应参数表中获得，e为自然常数；
所述最终絮凝剂剂量是，其中，表示时刻，表示t时刻计算的前馈絮凝剂控制量，表示t时刻计算的反馈絮凝剂控制量，表示权重系数。
所述前馈-反馈复合控制系统模型包括前馈控制器模型和反馈控制器模型；
所述前馈控制器模型采用基于SPPSO优化的IGPC预测算法，通过采集原水流量、原水浊度、原水水温和原水PH值得到与出水目标浊度条件下絮凝剂剂量函数关系，确定絮凝剂剂量目标值带入SPPSO粒子群算法获取寻优范围，确立适应度函数进行寻优，获得最优絮凝剂增量，计算所需前馈絮凝剂剂量；
所述反馈控制器模型是在获得出水浊度数据后采用模糊RBF神经网络PID算法，获得最优絮凝剂增量，计算所需反馈絮凝剂剂量；
其中，所述前馈控制器模型，包括如下步骤：
P1.设置给定出水目标浊度，初始化参数预测时域，控制时域，加权系数，柔化系数，学习因子，种群规模，种群迭代次数，速度限幅，求解IGPC预测模型；
P2.根据历史输入值求解预测输出值及参考轨迹，利用递推最小二乘法求取控制器参数G，根据絮凝剂控制增量约束范围设定SPPSO寻优范围；
P3.初始化粒子种群，设定寻优函数，，，其中，E{}表示数学期望，表示时刻，表示设定值，n表示预测时域，m表示控制时域，即m步后控制量相等，表示加权系数，表示参考轨迹，，获得前馈絮凝剂控制增量；
P4.根据式计算输出，其中，表示t时刻计算的前馈絮凝剂控制量；
P5.更新状态存储序列，重复步骤P2-P5，直至结束。
所述反馈控制器模型，包括如下步骤：
L1.获取输入出水实际浊度与出水目标浊度偏差e和单位时间内出水实际浊度与出水目标浊度偏差变化量ec，输入变量N=2，该层每个节点与输入参数关系为：，期中i=1···N；
L2.制定模糊化网络规则，使用负大、负中、负小、零、正小、正中、正大组成模糊子集节点；
L3.采用高斯函数生成隶属度函数，节点关系式为：，其中，i=1···N，j=1···M，cij和bij分别是第i个输入变量j个模糊集合中心和基宽；
L4.利用式计算输入数目和模糊子集点数量，得出节点数，其中，i1=1···M，i2=1···M，n=1···MN；
L5.利用式去模糊化后输出PID控制器的比例系数kp、积分系数ki和微分系数kd，其中为权值连接矩阵，i=1,2,3，
L6.将三个PID系数带入控制算法，其中，表示t时刻计算的反馈絮凝剂控制量,表示t时刻计算的絮凝剂控制增量，表示t时刻计算的出水实际浊度与出水目标浊度偏差，kp表示比例系数，ki表示积分系数，kd表示微分系数；
L7.神经网络整定指标为，分别通过梯度下降法计算，，，其中学习效率，更新三个PID系数，带入PID控制算法；
L8.获得PID控制输出反馈絮凝剂控制量并反馈，重复上述过程。
其中，前馈控制器模型和反馈控制器模型，使用MATLAB软件编译通过。
本实施例中的水厂混凝投药预测控制系统，采用采用配水井、加药泵、机械混合器、絮凝沉淀池、PLC从站1、PLC从站2、PLC从站3、PLC网关、气象服务网站、云服务器实现了一种水厂混凝投药预测控制系统，该系统根据配水井中原水流量传感器、原水浊度传感器、原水水温传感器、原水PH值传感器，获取原水基本信息，通过气象服务网站接收当地气象信息，建立气象干扰通道函数，加入干扰条件，在絮凝沉淀池出口处出水浊度传感器获取净水后的浊度信息，采用基于SPPSO优化的IGPC预测算法和模糊RBF神经网络PID算法建立的前馈-反馈复合控制系统模型，计算絮凝剂剂量，并经过所述PLC网关和所述PLC从站2控制所述加药泵，实现絮凝剂剂量精确前馈-反馈控制；通过设计、仿真、验证，形成模块化产品，可实现不同平台间的快速移植，加速产品开发流程。
实施例二
提供一种水厂混凝投药预测控制系统的使用方法，其采用了如实施例一所述的水厂混凝投药预测控制系统，其中，包括如下步骤：
S1.PLC从站1采集原水流量、原水浊度、原水水温和原水PH值信息经PLC网关至云服务器；
S2.云服务器根据确定的目标浊度，计算出水实际浊度与出水目标浊度偏差e和出水实际浊度与出水目标浊度偏差变化量ec；
S3.云服务器将偏差e和偏差变化量ec代入模糊RBF神经网络PID反馈控制器，计算反馈增量，获得反馈絮凝剂剂量；
S4.云服务器将原水流量、原水浊度、原水水温、原水PH值代入基于SPPSO优化的IGPC预测前馈控制器，计算前馈增量，获得前馈絮凝剂剂量；
S5.云服务器根据反馈絮凝剂剂量和前馈絮凝剂剂量计算加药量并通过PLC网关和PLC从站2控制加药泵加絮凝剂；
S6.絮凝剂经机械混合器混合后送入絮凝沉淀池形成矾花沉淀，清洁的水输出，同时云服务通过访问当地气象服务网站获取气象信息，产生干扰通道函数，加入干扰条件；
S7.PLC从站3采集出水浊度信息经PLC网关至云服务器，控制系统重复开始S1过程。
如图2-3所示，PLC从站采集原水流量、原水浊度、原水水温和原水PH值信息上传至云服务器，计算偏差和偏差变化量，代入模糊RBF神经网络PID反馈控制器，计算反馈增量，采用基于SPPSO优化的IGPC预测前馈控制器，计算预测前馈增量，并计算加药量，控制加药泵加絮凝剂，絮凝剂经机械混合器混合后送入絮凝沉淀池形成矾花沉淀，云服务器获取气象信息，加入干扰条件，PLC从站采集出水浊度信息上传至云服务器，重复完成净水控制。
本实施例中的水厂混凝投药预测控制系统及使用方法，采用MATLAB软件完成，采用模块化的设计方法，使用配水井、加药泵、机械混合器、絮凝沉淀池、PLC从站1、PLC从站2、PLC从站3、PLC网关、气象服务网站、云服务器实现了一种水厂混凝投药预测控制系统，该系统根据配水井中原水流量传感器、原水浊度传感器、原水水温传感器、原水PH值传感器，获取原水基本信息，通过气象服务网站接收当地气象信息，建立气象干扰通道函数，加入干扰条件，在絮凝沉淀池出口处出水浊度传感器获取净水后的浊度信息，采用基于SPPSO优化的IGPC预测算法和模糊RBF神经网络PID算法建立的前馈-反馈复合控制系统模型，计算絮凝剂剂量，并经过所述PLC网关和所述PLC从站2控制所述加药泵，实现絮凝剂剂量精确前馈-反馈控制。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种水厂混凝投药预测控制系统，其特征在于：包括配水井、加药泵、机械混合器、絮凝沉淀池、PLC从站1、PLC从站2、PLC从站3、PLC网关、气象服务网站、云服务器；
所述配水井用于储存水源，内部装有原水流量传感器、原水浊度传感器、原水水温传感器、原水PH值传感器，分别通过电连线将信号传送至所述PLC从站1；
所述加药泵与所述PLC从站2电性相连，用于接收所述PLC从站2的控制指令并按照控制命令的剂量将絮凝剂加注至所述机械混合器；
所述机械混合器用于混合原水和絮凝剂并送入所述絮凝沉淀池；
所述絮凝沉淀池用于将原水和絮凝剂水解形成的矾花沉淀，出口处装有出水浊度传感器，通过电连线将出水浊度信号传送至所述PLC从站3；
所述PLC从站1与原水流量传感器、原水浊度传感器、原水水温传感器、原水PH值传感器电性相连，用于采集原水流量、浊度、水温和PH值信息并上传至所述PLC网关；
所述PLC从站2与所述PLC网关网络相连，用于接收所述PLC网关下发的命令；
所述PLC从站1与出水浊度传感器电性相连，用于采集出水浊度信息并上传至所述PLC网关；
所述PLC网关分别与所述PLC从站1、PLC从站2、PLC从站3和所述云服务器网络相连，用于将所述PLC从站的MODBUS协议与所述云服务器的4G/5G协议相互转换；
所述气象服务网站与所述云服务器网络相连，用于获取水厂当地气象预报信息和实时信息并发送给云服务器；
所述云服务器用于接收传感器信号经所述PLC从站1、所述PLC从站3经所述PLC网关传送的数据，同时接收当地气象信息，在絮凝沉淀池出口处采集出水浊度，建立气象干扰通道函数，加入干扰条件，修正出水浊度传感器因气象变化引发的实际浊度滞后问题，最后云服务器采用基于SPPSO优化的IGPC预测算法和模糊RBF神经网络PID算法建立的前馈-反馈复合控制系统模型，计算最终絮凝剂剂量，并经过所述PLC网关经所述PLC从站2控制所述加药泵，实现絮凝剂剂量精确前馈-反馈控制。
2.如权利要求1所述水厂混凝投药预测控制系统，其特征在于：所述气象干扰通道函数是，其中，K表示增益，表示延迟时间，T1和T2表示时间常数，这四个参数由存储在云服务器中的气温、湿度对应参数表中获得，e为自然常数；
所述最终絮凝剂剂量是，其中，表示时刻，表示t时刻计算的前馈絮凝剂控制量，表示t时刻计算的反馈絮凝剂控制量，表示权重系数；所述前馈-反馈复合控制系统模型包括前馈控制器模型和反馈控制器模型；
所述前馈控制器模型采用基于SPPSO优化的IGPC预测算法，通过采集原水流量、原水浊度、原水水温和原水PH值得到与出水目标浊度条件下絮凝剂剂量函数关系，确定絮凝剂剂量目标值带入SPPSO粒子群算法获取寻优范围，确立适应度函数进行寻优，获得最优絮凝剂增量，计算所需前馈絮凝剂剂量；所述反馈控制器模型是在获得出水浊度数据后采用模糊RBF神经网络PID算法，获得最优絮凝剂增量，计算所需反馈絮凝剂剂量。
3.如权利要求2所述水厂混凝投药预测控制系统，其特征在于：
所述前馈控制器模型，包括如下步骤：
P1.设置给定出水目标浊度，初始化参数预测时域，控制时域，加权系数，柔化系数，学习因子，种群规模，种群迭代次数，速度限幅，求解IGPC预测模型；
P2.根据历史输入值求解预测输出值及参考轨迹，利用递推最小二乘法求取控制器参数G，根据絮凝剂控制增量约束范围设定SPPSO寻优范围；
P3.初始化粒子种群，设定寻优函数，，，其中，E{}表示数学期望，表示时刻，表示设定值，n表示预测时域，m表示控制时域，即m步后控制量相等，表示加权系数，表示参考轨迹，，获得前馈絮凝剂控制增量；
P4.根据式计算输出，其中，表示t时刻计算的前馈絮凝剂控制量；
P5.更新状态存储序列，重复步骤P2-P5，直至结束。
4.如权利要求2所述水厂混凝投药预测控制系统，其特征在于：
所述反馈控制器模型，包括如下步骤：
L1.获取输入出水实际浊度与出水目标浊度偏差e和单位时间内出水实际浊度与出水目标浊度偏差变化量ec，输入变量N=2，该层每个节点与输入参数关系为：，其中i=1···N；
L2.制定模糊化网络规则，使用负大、负中、负小、零、正小、正中、正大组成模糊子集节点；
L3.采用高斯函数生成隶属度函数，节点关系式为：，其中，i=1···N，j=1···M，cij和bij分别是第i个输入变量j个模糊集合中心和基宽；
L4.利用式计算输入数目和模糊子集点数量，得出节点数，其中，i1=1···M，i2=1···M，n=1···MN；
L5.利用式去模糊化后输出PID控制器的比例系数kp、积分系数ki和微分系数kd，其中为权值连接矩阵，i=1,2,3；
L6.将三个PID系数带入控制算法，其中，表示t时刻计算的反馈絮凝剂控制量,表示t时刻计算的絮凝剂控制增量，表示t时刻计算的出水实际浊度与出水目标浊度偏差，kp表示比例系数，ki表示积分系数，kd表示微分系数；
L7.神经网络整定指标为，分别通过梯度下降法计算，，，其中学习效率，更新三个PID系数，带入PID控制算法；
L8.获得PID控制输出反馈絮凝剂控制量并反馈，重复上述过程。
5.一种如权利要求1-4任一项所述一种水厂混凝投药预测控制系统的使用方法，其特征在于：包括如下步骤：
S1.PLC从站1采集原水流量、原水浊度、原水水温和原水PH值信息经PLC网关至云服务器；
S2.云服务器根据确定的目标浊度，计算出水实际浊度与出水目标浊度偏差e和出水实际浊度与出水目标浊度偏差变化量ec；
S3.云服务器将偏差e和偏差变化量ec代入模糊RBF神经网络PID反馈控制器，计算反馈增量，获得反馈絮凝剂剂量；
S4.云服务器将原水流量、原水浊度、原水水温、原水PH值代入基于SPPSO优化的IGPC预测前馈控制器，计算前馈增量，获得前馈絮凝剂剂量；
S5.云服务器根据反馈絮凝剂剂量和前馈絮凝剂剂量计算加药量并通过PLC网关和PLC从站2控制加药泵加絮凝剂；
S6.絮凝剂经机械混合器混合后送入絮凝沉淀池形成矾花沉淀，清洁的水输出，同时云服务通过访问当地气象服务网站获取气象信息，产生干扰通道函数，加入干扰条件；
S7.PLC从站3采集出水浊度信息经PLC网关至云服务器，控制系统重复开始S1过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410716244.3A CN118276500A (zh) | 2024-06-04 | 2024-06-04 | 一种水厂混凝投药预测控制系统及使用方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410716244.3A CN118276500A (zh) | 2024-06-04 | 2024-06-04 | 一种水厂混凝投药预测控制系统及使用方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118276500A true CN118276500A (zh) | 2024-07-02 |
Family
ID=91638834
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410716244.3A Pending CN118276500A (zh) | 2024-06-04 | 2024-06-04 | 一种水厂混凝投药预测控制系统及使用方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118276500A (zh) |
-
2024
- 2024-06-04 CN CN202410716244.3A patent/CN118276500A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR940005029B1 (ko) | 프로세스 운전지원방법 및 시스템 | |
| CN102385315B (zh) | 水厂智能混凝投药控制系统及其控制方法 | |
| CN103197539B (zh) | 污水处理智能优化控制曝气量的方法 | |
| CN101576734B (zh) | 基于动态径向基神经网络的溶解氧的控制方法 | |
| CN106802563B (zh) | 一种基于果蝇优化和lssvm的污水过程优化控制方法 | |
| CN102411308B (zh) | 基于递归神经网络模型的溶解氧的自适应控制方法 | |
| CN109052633B (zh) | 智慧型污水处理无级调控系统 | |
| CN105676814B (zh) | 基于sfla‑svm的数字化水岛在线加药控制方法 | |
| CN106371316B (zh) | 基于pso‑lssvm的水岛加药在线控制方法 | |
| CN115108617B (zh) | 混凝加药方法及系统 | |
| CN102616927B (zh) | 一种污水处理的工艺参数的调整方法及装置 | |
| CN113705898A (zh) | 自来水混凝剂加药量的预测方法及系统 | |
| CN115611393B (zh) | 一种多端协同的多水厂混凝剂投放方法和系统 | |
| CN113379029A (zh) | 基于物理定律和过程驱动的深度学习模型的水质预测方法 | |
| CN114781249B (zh) | 基于多维评分模型的高密度澄清池加药量预测及控制方法 | |
| CN106292296B (zh) | 基于ga‑svm的水岛加药在线控制方法和装置 | |
| CN203350635U (zh) | 一种动态模糊控制系统 | |
| CN114861535A (zh) | 利用cfd做数据预处理的水处理过程机器学习建模方法 | |
| CN106502093B (zh) | 基于ga‑svr的水岛加药在线控制方法 | |
| CN115356930A (zh) | 一种污水处理过程中的多目标优化控制系统及方法 | |
| CN118276500A (zh) | 一种水厂混凝投药预测控制系统及使用方法 | |
| CN104345636A (zh) | 一种基于改进差分算法的溶解氧控制方法 | |
| CN117375097A (zh) | 基于多代理协调控制策略与强化学习的光伏协调自治方法 | |
| CN106354018A (zh) | 基于rbf神经网络的溶解氧智能控制系统 | |
| CN115206444A (zh) | 基于fcm-anfis模型的最佳投药量预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication |