技术领域
[0001] 本
发明涉及一种火电厂含煤
废水处理混凝剂投加量精确控制方法，属于废水处理技术领域。
背景技术
[0002] 火电厂含煤废水主要为含
煤粉的高悬浮物废水，而且该废水的水质情况变化较大，处理起来是比较困难的，如
申请号为201620747117.0的中国
专利。目前混凝沉淀及过滤工艺是火电厂
净化含煤废水的一种主要方法，其中投加混凝剂是关键步骤。混凝剂的除浊效果主要取决于混凝剂的投加量和废水水质(包括悬浮物浓度、水温、pH等因素)。对于不同的进水水质，固定的混凝剂投加量显然是不合适的，尤其是对于火电厂含煤废水这样悬浮物含量、pH值、水温等变化比较明显的情况。因此就混凝剂投加量和出水
浊度及废水水质之间的关系，建立恰当的数学模型，对于精确控制药剂投加量，提高废水处理的运行水平将会有很大的帮助。但是由于混凝除浊过程是—个复杂的物理化学过程，目前还很难通过对其化学反应机理的研究，准确地建立起基于反应过程的数学模型。现普遍实际采用的混凝剂投加方法不能及时
跟踪含煤废水进水水质(浊度、pH、水温等)的变化，反应滞后，造成出水水质不稳定的情况。
发明内容
[0003] 本发明的目的在于克服
现有技术中存在的上述不足，而提供一种设计合理的火电厂含煤废水处理混凝剂投加量精确控制方法，以有效保证出水水质，并节省投药量。
[0004] 本发明解决上述问题所采用的技术方案是：一种火电厂含煤废水处理混凝剂投加量精确控制方法，其特征在于：所述控制方法包括如下步骤：
[0005] (1)确定影响火电厂含煤废水处理混凝剂投加量因素：包括进水浊度、进水水温、进水pH值和出水浊度，并将其作为BP神经网络模型的输入变量，将混凝剂投加量作为BP神经网络模型的输出变量；
[0006] (2)应用均匀设计方法构筑神经网络模型的训练样本。均匀设计是我国数学家独创的一
门试验设计技术，它着重在试验范围内考虑试验点均匀散布以求通过较少的试验来获得最多的信息，因此其代表性比
正交实验等其他的部分因子实验要好得多，特别适合于多因素多水平的试验和系统模型完全未知的情况。用均匀设计方法来构筑神经网络的训练样本是保证样本
质量和数量的一条可行途径。以含煤废水进水浊度、进水
温度、进水pH值、出水浊度等指标为试验因素，并确定其取值范围。选用合适的四因素均匀设计表，例如四因素四水平的U12(44)、U16(44)，四因素五水平的U15(54)、U20(54)，四因素六水平的U18(64)、U24(64)等。具体选择时应综合考虑，做到样本点数目不能太少，实验次数又不能太多。按照选用的均匀设计表，进行现场或实验室试验并获得多组相关试验结果，为神经网络模型的建立提供质量高且数量适当的训练样本，提高神经网络建模效果和效率。
[0007] (3)采用BP神经网络建立混凝剂投加量
预测模型。
人工神经网络(Artificial Neural Network，ANN)是模仿大脑神经元网络结构和功能而建立的一种信息处理系统。神经网络不需要设计任何数学模型，可以处理模糊的、非线性的、甚至含有噪声的数据，它基本上类似黑箱理论，即只根据输入数据和输出数据来建立模型，网络的统计信息贮存在数量巨大的加权矩阵内，可以反映十分复杂的关系，非常适合复杂非线性系统的建模。但人工神经网络并不是万能的，它是靠已经获得的数据，通过学习和训练来解决问题的。由于网络靠学习来记住问题应有的模式，所以
训练数据应尽可能的包含问题的全部模式，即要有足够的代表性。为此选择质量高而数量适当的训练样本是提高神经网络建模效果和效率的一种有效手段。
[0008] 神经网络的类型多种多样，它们是从不同
角度对
生物神经系统不同层次的抽象和模拟。从功能特性和学习特性来分，典型的神经网络模型主要包括
感知器、线性神经网络、BP网络、径向基函数网络、
自组织映射网络和反馈神经网络等。BP神经网络通常是指基于误差反向传播
算法的多层前向神经网络，该模型已成为目前最为广泛应用和研究的神经网络。BP网络一般具有1个或多个隐含层，隐含层通常采用对数或正切Sigmoid性传递函数，而
输出层神经元则采用线性传递函数。理论上已经证明3层BP网络，只要隐含层数目足够多，就可以以任意
精度逼近1个有有限个间断点的非线性函数，即能实现输入与输出间的任意非线性映射，这使得它在函数逼近、
模式识别、
数据压缩等诸多领域有着广泛的应用。
[0009] 以含煤废水进水浊度、进水水温、进水pH值和出水浊度为输入变量，以混凝剂投加量为输出变量。先通过线性变换将试验数据变换到[0，1]，用变换后的数据作为学习样本。经过多次试验比较，隐含层单元数最终被确定。隐含层采用对数Sigmoid传递函数，输出层则采用线性传递函数。限于梯度下降算法的固有缺点，标准的BP算法通常具有收敛速度慢、易陷入局部极小值等缺点，故训练算法采用收敛速度较快的、能有效抑制局部极小的Levenberg-Marquardt
优化算法，目标误差设定为1×10-5。网络的权值矩阵和偏置的初始化方法设为Nguyen-Widrow方法。该方法可以使每个神经元的激活区域均匀地分布在输入空间，从而避免神经元的浪费，同时提高了训练效率。神经网络经过训练达到稳定，由此得到收敛时的连接权值和偏置(包括
输入层与隐含层的连接权值和偏置、输出层与隐含层连接权值和偏置)，这样便确定了火电厂含煤废水处理混凝剂投加量的神经网络控
制模型。
[0010] (4)BP神经网络的测试。BP神经网络对训练样本具有很高的逼近精度，但是人工神经网络模型的性能主要不是看它对训练样本的拟合能
力，而是看它对测试样本(非训练样本)的泛化预测能力。因此利用训练样本以外的试验数据作为测试样本，对模型进行性能检测评估，并将预测与实测结果进行比较，考察所建立的模型是否较好地考虑了因素间的相互影响和作用，是否具有良好的泛化预测能力。
[0011] (5)检验成功后，保存以上具有良好泛化预测能力的模型。在实际应用中，将火电厂含煤废水的在线浊度、pH、温度等实时数据及要求的出水浊度指标作为输入，通过所建模型计算输出即可获得混凝剂的实时投加量，从而可以通过计量
泵控制加药流量，实现精确加药。
[0012] 本发明与现有技术相比，具有以下优点和效果：本发明应用均匀设计方法来构筑神经网络的训练样本，可以大大提高网络的学习性能和准确度。采用BP神经网络模型对含煤废水处理混凝剂投加量进行计算，能实现在线控制，所建立的BP人工神经网络模型具有准确、简单、快捷的特点，能实现混凝剂投加量的精确控制，取得良好的经济和环境效益。
附图说明
[0013] 图1是本发明
实施例的BP神经网络模型示意图。
具体实施方式
[0014] 下面结合附图并通过实施例对本发明作进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
[0015] 实施例。
[0016] 参见图1，本实施例中的火电厂含煤废水处理混凝剂投加量精确控制方法，包括如下步骤：
[0017] (1)确定影响火电厂含煤废水处理混凝剂投加量因素：包括进水浊度、进水水温、进水pH值和出水浊度，并将其作为BP神经网络模型的输入变量，将混凝剂投加量作为输出变量；
[0018] (2)应用均匀设计方法构筑神经网络模型的训练样本。均匀设计是着重在试验范围内考虑试验点均匀散布以求通过较少的试验来获得最多的信息，因此其代表性比正交实验等其他的部分因子实验要好得多，特别适合于多因素多水平的试验和系统模型完全未知的情况。用均匀设计方法来构筑神经网络的训练样本是保证样本质量和数量的一条可行途径。以含煤废水进水浊度、进水温度、进水pH值和出水浊度这四个指标为试验因素，并确定其取值范围。考虑到样本点数目不能太少，实验次数又不能太多，故选用四因素六水平均匀设计表U18(64)，其具体内容见表1。按照均匀设计表U18(64)，进行现场或实验室试验并获得18组相关试验结果，为神经网络模型的建立提供质量高且数量适当的训练样本，提高神经网络建模效果和效率。
[0019] 表1均匀设计表U18(64)
[0020]
[0021] (3)采用BP神经网络建立混凝剂投加量预测模型。人工神经网络(Artificial Neural Network，ANN)是模仿大脑神经元网络结构和功能而建立的一种信息处理系统。神经网络不需要设计任何数学模型，可以处理模糊的、非线性的、甚至含有噪声的数据，它基本上类似黑箱理论，即只根据输入数据和输出数据来建立模型，网络的统计信息贮存在数量巨大的加权矩阵内，可以反映十分复杂的关系，非常适合复杂非线性系统的建模。但人工神经网络并不是万能的，它是靠已经获得的数据，通过学习和训练来解决问题的。由于网络靠学习来记住问题应有的模式，所以训练数据应尽可能的包含问题的全部模式，即要有足够的代表性。为此选择质量高而数量适当的训练样本是提高神经网络建模效果和效率的一种有效手段。
[0022] BP神经网络通常是指基于
误差反向传播算法的多层前向神经网络，该模型已成为目前最为广泛应用和研究的神经网络。BP网络一般具有1个或多个隐含层，隐含层通常采用对数或正切Sigmoid性传递函数，而输出层神经元则采用线性传递函数。理论上已经证明3层BP网络，只要隐含层数目足够多，就可以以任意精度逼近1个有有限个间断点的非线性函数，即能实现输入与输出间的任意非线性映射。
[0023] 以含煤废水进水浊度、进水水温、进水pH值和出水浊度为输入变量，以混凝剂投加量为输出变量。先通过线性变换将试验数据变换到[0，1]，用变换后的数据作为学习样本。经过多次试验比较，隐含层单元数最终确定为9个，整个神经网络为4-9-1结构。隐含层采用对数Sigmoid传递函数，输出层则采用线性传递函数。利用数学
软件MATLAB中的神经网络工具箱对系统进行辨识。限于梯度下降算法的固有缺点，标准的BP算法通常具有收敛速度慢、易陷入局部极小值等缺点，故训练算法采用收敛速度较快的、能有效抑制局部极小的Levenberg-Marquardt优化算法，目标误差设定为1×10-5。网络的权值矩阵和偏置的初始化方法设为Nguyen-Widrow方法。该方法可以使每个神经元的激活区域均匀地分布在输入空间，从而避免神经元的浪费，同时提高了训练效率。BP神经网络模型如图1所示。神经网络经过训练达到稳定，由此得到收敛时的连接权值和偏置(包括输入层与隐含层的连接权值和偏置、输出层与隐含层连接权值和偏置)，这样便确定了火电厂含煤废水处理混凝剂投加量的神经网络控制模型。
[0024] (4)BP神经网络的测试。BP神经网络对训练样本具有很高的逼近精度，但是人工神经网络模型的性能主要不是看它对训练样本的拟合能力，而是看它对测试样本(非训练样本)的泛化预测能力。因此利用训练样本以外的试验数据作为测试样本，对模型进行性能检测评估，并将预测与实测结果进行比较，考察所建立的模型是否较好地考虑了因素间的相互影响和作用，是否具有良好的泛化预测能力。
[0025] (5)检验成功后，保存以上具有良好泛化预测能力的模型。在实际应用中，将火电厂含煤废水的在线浊度、pH、温度等实时数据及要求的出水浊度指标作为输入，通过所建模型计算输出即可获得混凝剂的实时投加量，从而可以通过
计量泵控制加药流量，实现精确加药。
[0026] 虽然本发明以实施例公开如上，但其并非用以限定本发明的保护范围，任何熟悉该项技术的技术人员，在不脱离本发明的构思和范围内所作的更动与润饰，均应属于本发明的保护范围。
