[发明专利]一种基于模型预测的海水混凝加药方法

说明书

本发明公开了一种基于模型预测的海水混凝加药方法，首先获取海淡厂实际运行的原始数据并处理，将数据序列化，建立基于输入结构优化及序列编解码网络的海水混凝模型，模型输出为出水浊度，选取与模型输入加药量变化趋势相同的入水管瞬时流量作为对标特征量；根据入水管瞬时流量的大小对加药量进行缩减，实现加药量的控制。本发明以编解码网络海水混凝模型作为前馈模型，提出了一种基于流量变化的海水混凝过程加药控制方法，能够在保证出水浊度符合生产需求的基础上，有效减少海水混凝过程的加药量，降低成本。

技术领域

本发明涉及海水淡化预处理海水混凝领域，尤指一种基于模型预测的海水混凝加药方法。

背景技术

海水混凝过程是海水淡化前处理中的重要步骤，利用絮凝剂与助凝剂使水中的微小胶体颗粒聚合形成较大胶体颗粒，去除有害杂质，保证后续工艺顺利进行。

该过程机理复杂，影响因素较多，目前主要采用经验和试验相结合的方法确定絮凝剂及助凝剂的种类及投放量。实际生产中，尚未有一套行之有效的自动化加药方案，一般由人工控制投药量，具有较大不确定性，且易造成用药浪费。因此有必要提出一种新的加药控制方法，以在保证出水浊度满足生产需求的同时，减少用药量，降低成本。

海水混凝过程具有复杂非线性和大滞后的特点，传统自动控制方法很难适应。樊琦利用遗传算法结合BP神经网络构建了混凝投药控制模型，在微涡流混凝净水试验中取得了很好的效果(樊琦.基于遗传算法和BP神经网络的微涡流混凝投药控制模型研究[D].华东交通大学,2018.)，蒋绍阶等利用短程反馈BP神经网络构筑了混凝投药控制模型，并在实际水厂净水的过程中得以应用(蒋绍阶,仇洪建,段果,冯海翔.基于短程反馈BP神经网络的混凝投药控制中试[J].中国给水排水,2013,29(11):26-29.)。

上述方法能够对混凝过程进行较为精确的控制，但整体而言控制方案较为复杂，控制器成本较高，不适用于海水混凝过程的控制。由于海水混凝过程本身大时滞、控制精度要求不高等特点，为其设计投药量控制方案是本领域的难题之一，目前尚未出现一种完全针对于海水混凝过程领域的控制方案。

基于序列编解码网络的海水混凝模型能够有效对海水混凝的物理过程进行数值化模拟。该模型将大时滞的海水混凝过程建模问题转换为序列模型的建模问题，采用序列到序列架构，GRU网络及线性网络作为特征提取器，能够快速对原始数据特征进行学习。

发明内容

本发明目的在于针对现有技术的不足，提出一种基于模型预测的海水混凝加药方法，该方法通过对人工加药下，海淡厂实际运行数据的分析，认为流量是影响人工加药方法的重要因素，尚未有文献证明流量大小在这一过程中的实际作用。利用不可控变量流量作为基准变量，结合基于序列编解码网络的海水混凝模型，根据流量大小对人工加药量实施减量控制，能够在保证出水浊度满足生产需求的同时，减少用药量，降低成本，对海水淡化工艺的进步有重要意义。

为实现本发明的目的，本发明采取的技术方案是：一种基于模型预测的海水混凝加药方法，包括如下步骤：

S100，获取海淡厂实际运行的原始数据，并对原始数据进行数据清洗，去除野值与噪声；利用归一化方法对数据进行预处理，并利用先验经验公式对数据进行结构化处理，得到结构化数据；将结构化数据序列化，得到模型输入变量与输出变量的时间序列；

S200，训练基于输入结构优化及序列编解码网络的海水混凝模型，该模型包括输入层，数据处理层，编码器层，解码器层以及输出层五个部分。输入层和数据处理层用于处理数据以加速模型训练过程；编码器层与解码器层利用GRU解析网络与线性解析网络的组合提取原始序列特征，并利用特征均值化方法压缩特征，压缩后的特征可进行解码以拟合输出数据；输出层用于数据反变换，将网络输出数据结构转换为真实数据结构；

S300，根据S200中模型的输入输出选取影响出水浊度的特征量，绘制原始特征量数据曲线，选取与模型输入加药量变化趋势相同的入水管瞬时流量作为对标特征量；