技术领域
[0001] 本
发明涉及
水处理技术，特别涉及一种供水厂的智能投药控制方法。
背景技术
[0002] 水资源是人类生存和发展的
基础，在社会进步中发挥着不可替代的作用。随着经济的不断发展，人们对水资源的需求量不断上升，对水质的要求也越来越高；然而，随着工业的现代化，水资源短缺越来越严重，水质越来越恶劣，因此，社会发展对供水厂的净水要求也越来越高。然而，我国的
污水处理厂普遍存在高能耗、低效率的缺点，因此，供水厂的净水工艺亟待提高。而混凝投药技术是提高水厂净水效率的重要技术，因此如何精准投药，在保证水质的前提下控制成本，具有至关重要的现实意义。
[0003] 我国在很长一段时间内，都应用人工来控制混凝投药量，这对操作员的经验要求很高。近三十年来，我国进入投药自动控制阶段，应用计算机判断结合人工调节的方法来进行投药。近些年来，投药控制系统迈入智能控制的起步阶段，国内智能水务相关的研究较少，智能投药控制正是一个蓬勃发展的研究领域。在已有的投药控制系统研究中，主要只关注投药量和实时水务数据，但实际上，混凝投药过程是一个复杂的物理、化学反应过程，它具有时滞性和非线性性。另外，当前的混凝投药控制方法还存在一些不足：其一，烧杯实验法要求每天或每周频繁进行实验，对输出水质影响很大且耗时多；其二，流动
电流法中，检测器的
精度会在使用过程中逐渐降低，且在高
浊度和污染严重的水中无法使用；其三，数学模型法因为混凝过程十分复杂，难以同时满足高精度、高可靠性的要求，所以当情况发生变化时，模型会失效。总体看来，目前投药控制方法的鲁棒性较差，没有自适应水质的控制方法。
[0004] 因此，现有的投药控制系统具有时滞性，且抗干扰能
力较差，不能适应控制情况的变化，需要改进。
发明内容
[0005] 为了解决背景技术中水处理絮凝沉淀过程中的投药量控制问题，本发明提供了一种混凝剂投药量控制方法，实现对污水处理自动化的实时控制。
[0006] 本发明解决其技术问题所采用的技术方案是：：一种水处理絮凝沉淀过程中混凝剂投药量控制方法，包括如下步骤：
[0007] 步骤1)对净水厂设备终端进行
数据采集并作预处理；
[0008] 步骤2)根据采集的数据计算
原水添加混凝剂反应到沉淀结束出水的最佳滞后时间；
[0009] 步骤3)以所述最佳滞后时间为时间间隔生成训练样本，建立基于有限次残差拟合的BP神经网络模型；
[0010] 步骤4)通过BP神经网络模型仿真得到混凝剂投放曲线，根据实际的出水浊度需求，确定混凝剂投药方案
[0011] 具体的，所述步骤(1)中，需要对水处理过程中，
传感器等设备终端收集的的原始数据进行预处理。原始数据包括
采样时间窗口、传感器检测的PH值、原水浊度、
沉淀池出水浊度、取水量、供水量、混凝剂投放量等。处理方法包括缺失值和异常值的处理、时间窗口的转换等。
[0012] (1.1)缺失值和异常值处理：缺失值的产生通常是因为传感器故障等设备原因造成的，为保证时间连贯性，此时可以采用线性插值法进行处理。异常值通常出现在取水量和供水量两个特征上，其异常的原因通常是水厂运营模式的不定期调整，将多个时间段的任务量累积到一个时间段，此时需要将峰值时间段的取供水量分摊到数据缺失的时间段。
[0013] (1.2)时间窗口变换：步骤2在计算混凝剂反应时间时，需要原数据样本以分钟为间隔。若采样数据为其他维度，比如以小时为间隔，需要进行线性插样，转换时间窗口。
[0014] 进一步的，所述步骤(2)中，通过分析净水效果和混凝剂投放量的相关关系，确定混凝剂的反应时间。
[0015] (2.1)构造净水效果指标：用Qt表示净水效果指标，Dt与Wt分别表示t时刻的原水浊度和取水量，Dt+n与Wt+n表示经过n分钟后沉淀池浓度和供水量，考虑到净水过程中水的损耗，
净化后的浊度需要进行一定的折算，公式如下：
[0016]
[0017] (2.2)计算净水效果Qt与混凝剂投放量之间的相关系数
[0018]
[0019] 取相关系数ρn最大时的n值作为混凝剂投放量与净水效果之间相关性最强的最佳滞后时间；
[0020] 其中，Dt与Wt分别为t时刻的原水浊度和取水量，Dt+n与Wt+n为经过n分钟后沉淀池浓度和供水量，Qn为净水效果指标序列，PACn为混凝剂投放量序列，cov(Qn,PACn)表示两列数据的协方差，σn和σpac分别表示两列数据的标准差。
[0021] 进一步的，所述步骤(3)中，基于有限次残差拟合的BP神经网络模型，建立PH值、原水浊度、出水浊度、取水量和混凝剂投放量之间的数学模型。
[0022] (3.1)根据步骤(2)计算出的混凝剂反应时间n，生成训练样本。假设共有N条记录，则对于PH值、原水浊度、取水量和混凝剂投放量4个特征，取前N-n条记录，对于出水浊度特征，取第n+1到第N条记录。
[0023] (3.2)经典的BP神经网络模型，由于初始
阈值是随机选取的，容易陷入局部极小值。为提升训练精度，本发明对传统的BP神经网络模型进行改进，考虑到若训练陷入局部极小值时，其拟合残差仍然含有可预测的信息，本发明采用重复构建神经网络对残差进行学习的方法，提高预测精度，模型构建如下：
[0024] 1)以X＝(X1,X2,…,Xn)作为输入变量，其中X1为PH值，X2为原水浊度，X3为沉淀池浊度，X4为取水量；以PAC投药量Y＝(Y1,Y2,…,Ym)作为预测变量建立BP神经网络，第一轮输出的预测PAC投药量记为O＝(O1,O2,…,Om)，预测残差为
[0025] 2)以(X,O)作为输入变量，以e1作为预测变量构建第2个BP神经网络，对第1个神经网络的残差将那些预测，其预测输出为 其残差为
[0026] 3)再以 作为输入对象，以e2作为预测变量构建第3个神经网络，对第2个神经网络的残差进行预测，如此往复；
[0027] 4)假定对残差进行了M次拟合，则输
节点Yk的最终预测结果为：
[0028]
[0029] (3.3)除了对经典的BP神经网络进行残差拟合改进外，为解决传统的
梯度下降法收敛速度慢，容易陷入局部极小值的缺点，本发明采用Levenberg-Marguardt
算法(又称阻尼最小二乘法)对神经网络进行训练。该方法是一种非线性最小二乘
优化算法，介于
牛顿法与梯度下降法之间，能有效解决冗余参数问题，减小代价函数陷入局部极小值的可能性。
[0030] 神经网络误差训练过程中，误差函数定义为：
[0031]
[0032] 其中，tk为
输出层第k个神经元的目标值，a2k为其输出值，s2为输出层神经元个数。传统的梯度下降法在优化误差函数时通常采用一阶导数(即梯度)，计算简单但收敛速度慢，与之相比，牛顿法考虑了二阶导数(即Hessian矩阵)的信息，计算复杂但收敛速度快。
[0033] 记H为E(W,B)的Hessian矩阵，它的第i,j个元素可以表示为：
[0034]
[0035] 其中，∈p表示第p个样本的预测与目标的偏差。若忽略上式中的第二项，则Hessian矩阵可以近似表示为H＝JTJ，梯度可以表示为g＝JTe，其中，JT为雅克比矩阵，表示误差函数对权值和偏差的一阶导数；e是误差向量。LM算法的
迭代公式为：
[0036] ωn+1＝ωn-[JTJ+μI]-1JTe
[0037] 其中，μ表示阻尼因子。可以看出，LM算法利用雅克比矩阵近似计算的思想，在不计算Hessian矩阵的情况下获得了高阶的训练速度。在迭代过程中，LM算法通过自适应调整阻尼因子来达到收敛，若训练成功，误差减小，则减少μ；若训练失败，误差增大，则增加μ。
[0038] 可以发现，当μ很大时，LM算法退化为梯度下降法：
[0039]
[0040] 当μ＝0时，LM算法退化为拟牛顿法：
[0041] ωn+1＝ωn-[JTJ]-1JTe
[0042] 进一步的，所述步骤(4)中，将当前设备终端测量的PH值、原水浊度、供水量代入已训练模型，对沉淀池出水浊度和混凝剂投药量进行数值实验，水厂决策者可以根据实际的出水浊度需求，选择最合适的投药方案。
[0043] 本发明的有益效果是：本发明充分考虑了混凝剂反应时间对于模型预测的影响，
结合水处理絮凝沉淀的实际流程，针对不同的供水需求提供了多种混凝剂投药方案。
附图说明
[0044] 图1为本发明
实施例的絮凝沉淀
流程图。
[0045] 图2为本发明实施例的总体流程图。
[0046] 图3为本发明实施例的相关系数坐标图。
[0047] 图4为本发明实施例的平均绝对误差坐标图。
[0048] 图5为本发明实施例的预测误差
频率直方图。
[0049] 图6为本发明实施例的混凝剂投放浓度与出水浊度坐标图。
[0050] 图7为本发明实施例的混凝剂投放浓度与去浊率坐标图。
[0051] 图8为本发明实施例的样本格式表。
具体实施方式
[0052] 下面结合附图对本发明实施例作进一步说明：
[0053] 本发明以广州某净水厂作为实施例研究对象，其絮凝沉淀流程如图1所示，絮凝沉淀是水处理的初始环节，是悬浮颗粒、胶体等杂质处理的必需工艺。影响絮凝效果的因素很多，包括原水流量、原水浊度、原水pH值、原水
温度、混凝剂投加量和原水中藻类等等。投药控制就是综合考虑这些因素进行混凝剂投放，从而达到满意的絮凝效果。投药控制方案研究过程如图2所示，下面对各步骤进行详细说明。
[0054] 步骤1：采样数据的预处理
[0055] 以净水厂投药控制系统的实时数据作为实施例原始样本，数据均为瞬时测量值，取水量是原水的流速，供水量是出厂水的流速(沉淀池后还有部分工艺会造成水的损耗)，取水量和供水量的单位是m3/h(立方米每小时)，PAC耗是混凝剂PAC的消耗，单位是mg/L(1L原水消耗PAC的量)。样本格式如图8所示。
[0056] 原始数据时间窗口
覆盖2013.08.08—2014.09.05，一共9397条数据，按照步骤1所述数据预处理方法，删除288条PAC投药量缺失的样本记录，占总数据的3.06％，发现2014.03.28，2014.05.27，2014.06.20，2014.09.04这4天，取水量与供水量数据异常，采用线性插值处理，增加的数据量占总数据量的0.51％。原始样本时间间隔为1小时，为方便计算投药反应时间，采用线性插值方法，转化为以分钟为间隔，处理后的样本数据共有547381条。
[0057] 步骤2：计算原水添加混凝剂反应到沉淀结束出水的时间
[0058] 根据前文所述方法，构造净水效果指标，计算其与PAC混凝剂投放量之间的相关系数，如图3所示。可以发现，当滞后阶段取125分钟时，PAC混凝剂投放量与净水效果之间的相关性最强，故本实施例取滞后反应时间为125分钟。
[0059] 步骤3：建立关于原水水质、取水量、出水浊度、混凝剂投放量的数学模型[0060] 根据步骤2计算出的混凝剂反应时间生成训练样本。经过步骤1预处理后的样本数据共有547381条，对于PH值、原水浊度、取水量和混凝剂投放量4个特征，取前547256条记录，对于出水浊度特征，取第126到第547381条记录，处理后的数据集一共有547256条记录。按照训练集80％，测试集20％的比例分割数据集，得到训练集437805条数据，测试集109451条数据。
[0061] 将数据集代入前文所述的残差拟合BP神经网络进行训练和测试，第1次训练以PH值、原水浊度、沉淀池浊度、取水量作为自变量，PAC投药量作为因变量，后4次训练为残差拟合训练。神经网络隐藏神经元个数取经验值2I+1，其中I表示输入神经元个数。5次训练输入神经元分别为4,5,6,7,8；隐藏神经元个数分别为9,11,13,15,17，模型在测试集上的平均绝对误差如图4所示，预测误差的分布如图5所示。
[0062] 步骤4：求解当前最优的混凝剂投放量
[0063] 给定当前水处理参数：PH＝6.8，原始浊度为100NTU，取水量为9000m3/h，即150m3/min，要求沉淀池出水浊度小于1.1NTU，进行仿真实验如下：
[0064] 取出水浊度区间为[0.6,1.1]，每隔0.5取一个实验样本，代入训练好的模型，得到出水浊度与PAC混凝剂投放浓度关系如图7所示。定义去浊率＝(原水浊度-出水浊度)/原水浊度，得到去浊率与PAC混凝剂投放浓度关系如图7所示。可以看出，PAC混凝剂投放的去浊效果，存在着边际递减效应，净水厂可以根据实际的出水浊度要求，选择最经济的PAC投放浓度。
[0065] 各位技术人员须知：虽然本发明已按照上述具体实施方式做了描述，但是本发明的发明思想并不仅限于此发明，任何运用本发明思想的改装，都将纳入本
专利专利权保护范围内。
