基于神经网络的混凝投药系统预测模型

白桦， 李圭白
(哈尔滨工业大学市政环境工程学院， 黑龙江哈尔滨 150090)

　　摘　要：对目前水厂实际运行过程中混凝剂投量的确定及影响因素进行了分析，通过引入神经网络预测理论建立了混凝剂投量的预测模型，并以某水厂的实际运行数据对该模型的性能进行了验证。结果表明，网络预测模型具有很强的自学习性、自适应性和容错性，通过网络的在线自学习，可使预测结果的准确度明显提高。利用该模型可实现混凝剂投量的在线预测控制，为实现混凝剂的最优投加提供了一条有效途径。?
　　关键词：混凝投药 神经网络；预测模型；优化?
　　中图分类号：TU991.22
　　文献标识码：C
　　文章编号：1000-4602(2002)06-0046-02

　　对混凝剂用量实施预测控制的关键是如何建立系统的预测模型。一种建模方法是基于系统的物理化学反应关系。由于混凝过程是一个复杂的物理化学反应过程，目前还很难通过对其反应机理的研究来准确地建立反应过程的数学模型；另一种建模方法是根据系统的输入/出特性(数据) 建模。由于传统的数学模型(基于系统输入/出数据采用多元线性回归方式建立)^[2]自身不具备容错性和自学习性而大大限制了其应用。由此，笔者提出一种基于人工神经网络、具有很强的容错性和自学习、自适应能力的方法，这种方法将推进混凝投药智能化自动控制系统的研究。

1 神经网络预测模型的建立

1.1 混凝投药过程的特点 ?
　　水处理流程一般包括凝聚、絮凝、沉淀、过滤4个阶段。其中混凝过程是主要环节，直接关系到出水的水质，而在这一过程中混凝剂的投量又是一个决定性因素，要求其能够根据原水水质参数的变化而不断改变药剂量以满足出水水质的要求。分析混凝剂投加后的化学反应过程得出，浊度、pH值、TOC或CODMn、色度、温度、流量等几个主要原水参数将影响混凝剂的投量和混凝效果^[1]。对于大多数水厂，混凝的控制指标大都以出水浊度衡量。
1.2 预测模型
　　预测模型结构见图1。

　　找出影响混凝效果的主要因素之后可以建立系统输入参数—影响混凝投药效果的主要因素与系统输出参数—混凝剂投量之间的神经网络模型。考虑到参数的在线可连续测量性，初步选取输入层节点数为5个，分别为原水浊度、pH值、色度、温度、流量；输出层节点数为1个(混凝剂的投量)。隐层节点数和层数可根据神经网络计算理论中的有关公式通过试验确定，输入层参数的选取可根据水源参数的具体特征修改。依据此网络结构可实现当已知原水状况时预测混凝剂的投量，预测值的准确程度取决于选取训练样本的准确性与样本数据的代表性和全面性。?

2 实例分析

　　依据上述的混凝投药神经网络结构和BP网络算法流程，对某处理水量为22.5×10⁴m³/d 的水厂进行了投药量预测。该水厂以松花江水为水源，地处哈尔滨段，水厂实际运行采用定时烧杯试验的方法确定投药量。
　　样本数据选择的全面性与丰富性直接关系到网络的自学习性能，对于一定的水域，各年的水质状况存在一定的差别，为此选取1997年、1998年的实际运行数据作为网络的训练样本，分别对1999年的3月、7月的投药量进行预测；同时为体现网络的自学习性、自适应性及网络对不同年份水质的适应性，分别将1999年的1月、2月数据和1月～6月数据添加到网络的学习样本数据中，分别对网络进行训练，再用训练好的网络分别对3月、7月的投药量进行预测，测试结果见图2～5。

　　从图2～5中可以看出，由于各年的水质存在差异，单纯以1997、1998年数据作为训练样本 建立的网络对1999年的3月、7月的运行状况进行预测的结果存在较大偏差，但以1999年1月、2月和1月～6月数据添入训练样本建立的网络对1999年的3月、7月的运行状况进行预测的准确度提高，且随着样本数据的增加，网络预测的平均相对误差减小，准确度明显提高，自学习性能显著(见表1)。准确度是预测结果中可靠数据占总体数据的程度，反映了网络预测结果的可信度，是网络性能的一个衡量指标^[3]。

表1　预测结果 项 目 3月 7月 网络预测结果 网络再学习预测结果 网络预测结果 网络再学习预测结果 平均相对误差(%) 6.72 3.5*9 5.9 3.5 准确度*(%) 73.08 80.77 85.9 96.43 准确度**(%) 46.15 61.54 57.1 78.57 注：*相对误差＜10%；**相对误差＜6%。

3 结论

　　利用所建立的混凝投药系统神经网络预测模型对某水厂的实际运行数据进行预测，取得了较为满意的结果。特别是随着水厂实际运行数据的不断增加，并将新数据添入训练样本数据中，可大大提高网络的学习性能。由此得出，基于神经网络的混凝投药系统预测模型具有较强的自学习、自适应性，可在此基础上实现前馈神经网络预测控制以实现混凝剂的最优投加。

参考文献：

　　[1]Collins Anthony G,Ellis Glenn W.Information processing coupled with expert syste ms for water treatment plants[J].ISA Transactions，1992,31(1):61-72.
　　[2]于东江.水厂最佳投矾剂量的确定[J].给水排水.1992,18(5):41-42.
　　[3]赵振宇，徐用懋.模糊理论和神经网络的基础与应用[M].北京:清华大学出版社,1997.

---

　　电　　话：(0451)6282175 6323815
　　E-mail:bh70@sina.com
　　收稿日期：2001-10-11