基于GA‑SVM的水岛加药在线控制方法和装置与流程

本发明属于火电厂水处理
技术领域：
，具体涉及一种基于GA-SVM的水岛加药在线控制方法和装置，可用于自动控制加药量。
背景技术：
：火力发电厂简称火电厂，是利用煤、石油、天然气作为燃料生产电能的工厂，它的基本生产过程是：燃料在锅炉中燃烧加热水产生蒸汽，将燃料的化学能转变成热能，然后由蒸汽压力推动汽轮机旋转，将热能转换成机械能，最后汽轮机带动发电机旋转，将机械能转变成电能。在现代300MW以上的火力发电厂中，水处理系统基本实现了DCS自动化控制系统。水处理系统包括凝结水加氨处理，给水加氨、加联氨处理，加氯处理，气泡炉的加磷酸盐处理等，由于来水的水量、水质成分差异较大，而且水中不同成分之间会发生多种反应，尤其强酸强碱中和过程具有复杂的非线性特性。为了减少来水水质对火电厂正常运行的影响，会通过添加药剂进行调节。目前水处理系统通常根据处理完的出水水质来判断药剂添加量的多少，进而反复调试至满足要求，浪费了大量的时间和人工，具有明显的滞后性；其次加药剂的添加量一旦确定后，基本属于长期恒定状态，不但造成药品的无形浪费，而且由于来水水质的时变特性，出水指标无法满足用户的实时要求。综上所述，针对现有技术中存在的上述问题，目前尚未提出有效的解决方案。技术实现要素：为解决上述问题，本发明的目的在于提供一种基于GA-SVM的水岛加药在线控制方法和装置，以解决目前火电厂水处理过程中加药量确定方法工作效率低、药品浪费和无法满足出水达标要求的问题。依据本发明的一个方面，提供了一种基于GA-SVM的水岛加药在线控制方法，该方法包括：获取出水指标符合要求的、来水监测指标的M组历史参数值，以及对应于每组所述历史参数值的加药剂的历史加药量，其中，所述来水监测指标包括多个指标，每组所述历史参数值包括所述多个指标的参数值；基于支持向量机建立在线控制SVM模型，其中，所述历史参数值为所述SVM模型的输入向量，所述历史加药量为所述SVM模型的输出向量；对所述SVM模型执行GA算法，求解所述SVM模型中的参数的最优解；将求解得到的所述最优解输入所述SVM模型，得到水岛的加药模型；实时监测所述来水监测指标以得到一组实时参数值；以及将所述实时参数值输入所述水岛的加药模型，以确定当前时刻所述加药剂的加药量。进一步地基于支持向量机建立在线控制SVM模型的步骤具体包括：设置所述SVM模型的输入向量为所述来水监测指标的数字信号的时间序列xi，设置所述SVM模型的输出向量为对应于所述时间序列xi的加药剂的历史加药量的时间序列yi，其中，i＝1，2，...，N，N＜M；将由所述时间序列xi和所述时间序列yi构成的时间序列集(xi，yi)采用非线性映射执行向高维空间的映射，并构造所述SVM模型的函数为其中，i＝1，2，...，N，xi∈Rq，yi∈R，q为所述来水监测指标中指标的个数，w为权向量，b为常数；引入松弛变量ξ和惩罚因子C，建立所述SVM模型的目标函数为约束条件为其中，ξ≥0，C＞0，i＝1，2，...，N；确定所述SVM模型的核函数为径向基函数其中，σ＞0；建立所述SVM模型为其中，αi＝Cξi，为拉格朗日系数。进一步地，对所述SVM模型执行GA算法，求解所述SVM模型中的参数的最优解的步骤包括：步骤A：设定GA算法的参数，确定初始种群规模G、全局迭代次数、变异概率、交叉概率，确定松弛变量ξ、惩罚因子C和核参数σ为GA算法的决策变量；步骤B：令迭代次数为1，初始化所述SVM模型的参数，并对初始化后的所述SVM模型的参数进行二进制编码，基于混沌理论产生G组初始种群；步骤C：采用下述循环步骤，确定松弛变量ξ、惩罚因子C和核参数σ的最优解：步骤C1：根据适应度函数计算种群中各个体的适应度函数值，步骤C2：判断当前迭代次数是否达到全局迭代次数，若达到，则输出最优个体，结束步骤C，若未达到，则把适应度函数值最高的最优个体保存下来，并记录适应度函数值最低的最差个体序号，令迭代次数加1，进行选择、交叉、变异遗传操作，并用保存的最优个体替换序号为所述最差个体序号的新个体，产生新的种群，返回步骤C1。进一步地，所述适应度函数为为以所述时间序列集(xi，yi)中第i组数据作为所述SVM模型的输入向量计算得到的计算机模拟值，为所述时间序列集(xi，yi)中yi的平均值。进一步地，求解所述SVM模型中的参数的最优解的步骤还包括：步骤D：将求解得到的所述最优解作为所述SVM模型的参数，将所述来水监测指标的数字信号的时间序列xp输入所述SVM模型，得到对应于所述时间序列xp的加药剂的模拟加药量的时间序列其中，p＝N+1，N+2，...，M；步骤E：根据对应于所述时间序列xp的加药剂的历史加药量的时间序列yp和所述时间序列计算所述SVM模型的确定性系数；步骤F：判断所述确定性系数是否大于预设系数值，若大于，则结束求解所述SVM模型中的参数的最优解的步骤，若不大于，则返回步骤A。进一步地，步骤B具体包括：步骤B1，随机选取3N个[0，1]范围值构成初始序列ε0＝(ε1，0，ε2，0，...，ε3N，0)，通过Logistic映射εn，j+1＝μεn，j(1-εn，j)，得到G个轨迹不同的混沌序列εj，其中，εn，0为初始参数，εn，j∈(0，1)，μ∈(0，4)为控制参数，n＝1，2，...，3N-1，j＝1，2，...，G；步骤B2，定义决策变量范围Xmin，Xmax：Xmin＝[ξ1，min，ξ2，min，...，ξN，min，C1，min，C2，min，...，CN，min，σ1，min，σ2，min，...，σN，min]，Xmax＝[ξ1，max，ξ2，max，...，ξN，max，C1，max，C2，max，...，CN，max，σ1，max，σ2，max，...，σN，max]；步骤B3，将所述混沌序列按Xn，j＝Xn，min+(Xn，max-Xn，min)εn，j放大各决策变量的取值范围，得到G个代表SVM模型参数序列构成初始种群：(X1，1，X1，2，...，X1，3N)，(X2，1，X2，2，...，X2，3N)，......，(XG，1，XG，2，...，XG，3N)，其中，Xn，j为第j个体的第n个决策变量值，Xn，max为第n个体的最大值，Xn，min为第N个体的最小值，j＝1，2，...，G，j＝1，2，...，3N。进一步地，在步骤C2中，选择操作采用轮盘选择，交叉操作的交叉算子采用单点，变异操作的变异概率选择自适应概率，其中，交叉概率采用以下公式进行计算：变异概率采用以下公式进行计算：其中，f为当前个体的非支配等级，fmax为当前种群中个体非支配等级的最大值，Pc1为常数，Pm1为限制变异概率的最小值，k1∈(0，1)，k2∈(0，1)。进一步地，步骤B1中εn，0不包括0，0.25，0.5，0.75和1。进一步地，所述来水监测指标包括水流量、PH值、浊度值、氯离子含量和氨氮含量，所述加药剂为硫酸、氢氧化钠、杀菌剂、助凝剂、混凝剂或还原剂。依据本发明的另一个方面，提供了一种基于GA-SVM的水岛加药在线控制装置，该装置包括：历史数据获取模块，用于获取出水指标符合要求的、来水监测指标的M组历史参数值，以及对应于每组所述历史参数值的加药剂的历史加药量，其中，所述来水监测指标包括多个指标，每组所述历史参数值包括所述多个指标的参数值；模型建立模块，用于基于支持向量机建立在线控制SVM模型，其中，所述历史参数值为所述SVM模型的输入向量，所述历史加药量为所述SVM模型的输出向量；参数优化模块，用于对所述SVM模型执行GA算法，求解所述SVM模型中的参数的最优解，并将求解得到的所述最优解输入所述SVM模型，得到水岛的加药模型；实时监测模块，用于实时监测所述来水监测指标的一组实时参数值；以及加药量控制模块，用于将所述实时参数值输入所述水岛的加药模型，以确定当前时刻所述加药剂的加药量。通过本发明的方案，利用历史来水监测指标和加药量的数据建立水岛的加药模型，其中采用支持向量机建立模型，并通过GA算法确定模型的参数，利用了GA算法的全局搜索能力，得到更好的支持向量机参数，增强了模型的解释和预测能力，采用该模型进行加药量的确定，克服了来水水质时变特性对运行过程造成的不利影响，并且能够根据当前水质情况实时动态更新最优加药量，实现了加药过程的在线控制，减少了药剂的浪费、降低了人工和运行成本，实时满足出水的水质要求。附图说明图1是本发明实施例一提供的基于GA-SVM的水岛加药在线控制方法的流程图；图2是本发明实施例二提供的基于GA-SVM的水岛加药在线控制方法中步骤3的流程图；图3至图7分别是本发明实施例二提供的来水监测指标中PH值、来水流量、来水浊度、氯离子含量和氨氮含量的变化曲线图；图8是本发明实施例二提供的硫酸的加药量的实际-拟合曲线图；图9是本发明实施例二提供的硫酸的加药量的实际-预测曲线图；以及图10是本发明实施例三提供的基于GA-SVM的水岛加药在线控制装置的框图。具体实施方式为使本发明的目的、技术方案和优点更加清楚。下面将对本发明的技术方案进行清楚完整的描述，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明的实施例，本领域的普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。在介绍本申请实施例之前，首先就本申请中使用的方法说明如下：支持向量机(SupportVectorMachine，SVM)是CorinnaCortes和Vapnik等提出的一种解决小样本、非线性及高维数问题的学习方法，具有坚实的理论基础，能够较好地克服神经网络方法固有的局部极小、过学习以及结构和类型的选择过分依赖经验等缺陷。遗传算法(GeneticAlgorithm，GA)通过对生物遗传和进化过程中选择、交叉、变异机理的模仿，来完成对问题最优解的自适应搜索过程。可实现SVM参数选取的自动化，有效提高预测精度。实施例一参照图1，示出了一种基于GA-SVM的水岛加药在线控制方法的实施例，该实施例针对目前火电厂水处理加药系统具有明显的滞后性以及恒定性，结合SVM非线性时间序列预测以及GA参数优选的特性，选择历史出水指标符合要求的对应时段的来水监测指标以及加药量为样本，利用SVM模型进行样本训练，并应用GA算法进行SVM模型参数的优选，最终得到水岛的加药模型，通过该模型实现智能动态实时加药，该实施例的方法具体包括如下的步骤S102至步骤S112。步骤S102：获取出水指标符合要求的、来水监测指标的M组历史参数值，以及对应于每组历史参数值的加药剂的历史加药量。来水监测指标是指水岛进水时的监测指标，优选包括来水流量、PH值、浊度值、氯离子含量和氨氮含量等多个指标；加药剂的种类包括硫酸、氢氧化钠、杀菌剂、助凝剂、混凝剂或还原剂等。在火电厂水处理加药系统的历史数据中，筛选出出水指标符合要求时段的数据，包括该时段中每个时间点的来水监测指标中各个指标的参数值，以及每个时间点的加药剂的加药量。其中，来水监测指标的一组历史参数值中包括各个指标的参数值，共获取M组历史参数值。步骤S104：基于支持向量机建立在线控制SVM模型，其中，历史参数值为SVM模型的输入向量，历史加药量为SVM模型的输出向量。在该步骤中，通过支持向量机理论建立一种在线控制SVM模型，将上述M组历史参数值中的部分或全部作为该模型的输入向量，相应地，将对应于作为输入向量的历史参数值的历史加药量作为模型的输出向量，得到一种在线控制SVM模型。步骤S106：对SVM模型执行GA算法，求解SVM模型中的参数的最优解。对上述步骤S104得到的模型执行GA算法，实现SVM模型中的参数的全局寻优，最终可得到SVM模型中的参数的最优解。步骤S108：将求解得到的最优解输入SVM模型，得到水岛的加药模型。步骤S110：实时监测来水监测指标的实时参数值。步骤S112：将实时参数值输入水岛的加药模型，以确定当前时刻加药剂的加药量。在通过上述步骤得到水岛的加药模型之后，针对实时监测到的来水监测指标的参数值，只需将其输入至加药模型，即可得到当前时刻加药剂的加药量，实现了加药过程的在线控制，能够根据当前水质情况实时更新最优加药量，克服了来水水质时变特性对运行过程造成的不利影响，减少了药剂的浪费、降低了人工和运行成本，实时满足出水的水质要求。同时，在该模型的建立过程中，采用支持向量机建立模型，并通过GA算法确定模型的参数，利用了GA算法的全局搜索能力，得到更好的支持向量机参数，增强了模型的解释和预测能力。实施例二该实施例示出了一种在上述实施例一的基础上的优选实施例，该实施例中提供的基于GA-SVM的水岛加药在线控制方法，针对目前对火电厂水处理生产过程仅仅依靠经验和传统加药模型难以保证加药量的在线优化分析，以及GA算法的熟问题、局部收敛、初始种群分布性差的问题，利用混沌理论生成初始种群、采用自适应交叉变异概率操作实现GA全局寻优的能力，并将GA引用到SVM之中训练样本确定最优参数，实现智能化动态水处理加药。具体说明如下：步骤1，获取出水指标符合要求的M组历史来水监测指标的数字信号及其对应加药剂的加药量，确定数字化水岛的GA-SVM加药模型的输入向量和输出向量，其中，样本数为M，训练集的样本数为N，测试集的样本数为M-N。其中，来水监测指标包括来水流量、PH值、浊度值、氯离子含量、氨氮含量，加药剂种类包括硫酸、氢氧化钠、杀菌剂、助凝剂、混凝剂、还原剂等。来水监测指标中的五个指标参数均作为模型的输入向量，输出向量是其中一种加药剂的加药量，每种加药剂的加药量均可采用该实施例的方法来控制。步骤2，基于支持向量机建立加药量和来水监测指标的在线控制SVM模型其中，K(xi，yi)为核函数，b为常数，αi为拉格朗日乘子，i＝1，2，...，N，其中，N＜M。该步骤具体包括：步骤21，将来水监测指标的数字信号的时间序列xi作为模型输入向量，并将数字信号对应的历史加药量的时间序列yi作为模型的输出向量，其中，i＝1，2，...，N。步骤22，将时间序列集(xi，yi)采用非线性映射执行向高维空间的映射，并构造在线控制SVM模型的函数为其中，i＝1，2，...，N，xi∈Rq，yi∈R，q为来水监测指标中指标的个数，在该实施例中，q＝5，w为权向量，b为常数。步骤23，引入松弛变量ξ和惩罚因子C，建立SVM模型的目标函数和约束条件为其中，ξ≥0，C＞0，i＝1，2，...，N，其中，需要说明的是，按照本领域技术人员的公知常识，s·t·也即约束条件的意义表达。步骤24，引入径向基RBF核函数其中，σ＞0。其中，除径向基RBF核函数之外，还可选择的核函数包括线性核函数、多项式核函数、以及Sigmoid核函数。其中，线性核函数是径向基核函数的一个特例；多项式核函数一般应用在较高维数的特征空间时，会出现计算量激增现象，甚至在某些情况下得到的解不正确；Sigmoid核函数只有在特定的条件下才能成为有效的核函数，且其精确度要低于径向基核函数。因此，该实施例中采用径向基函数作为核函数。步骤25，建立在线控制SVM模型为其中，αi＝Cξi，为拉格朗日系数。步骤3，对在线控制SVM模型执行GA算法，对SVM模型中的松弛变量ξ、惩罚因子C和核参数σ进行全局寻优，得到各参数的最优解，并将最优参数的输入步骤2中的SVM模型，得到数字化水岛的GA-SVM加药模型。如图2所示，具体包括：步骤31，设定GA算法的参数，确定初始种群规模G，全局迭代次数MAXGEN，也即最大遗传代数，变异概率Pm1，交叉概率Pc1，选择SVM模型的参数范围：松弛变量[ξmin，ξmax]、惩罚因子[Cmin，Cmax]和[σmin，σmax]核参数，其中，ξmin为松弛变量最小值，ξmax为松弛变量最大值，Cmin为惩罚因子最小值，Cmax为惩罚因子最大值，σmin为核参数最小值，σmax为核参数最大值，确定松弛变量ξ、惩罚因子C和核参数σ为决策变量。步骤32，令GEN＝1，初始化所述SVM模型的决策参数，并对这些参数进行二进制编码，基于混沌理论产生G组初始种群，具体包括：步骤S1，随机选取3N个[0，1]范围值构成初始序列ε0＝(ε1，0，ε2，0，...，ε3N，0)，通过Logistic映射εn，j+1＝μεn，j(1-εn，j)，得到G个轨迹不同的混沌序列εj，其中εn，0为初始参数值(选取的初始值不包括0，0.25，0.5，0.75和1这5个值)，εn，j∈(0，1)，μ∈(0，4)为控制参数，n＝1，2，...，3N-1，j＝1，2，...，G。步骤S2，定义决策变量范围Xmin，Xmax：Xmin＝[ξ1，min，ξ2，min，...，ξN，min，C1，min，C2，min，...，CN，min，σ1，min，σ2，min，...，σN，min]，Xmax＝[ξ1，max，ξ2，max，...，ξN，max，C1，max，C2，max，...，CN，max，σ1，max，σ2，max，...，σN，max]。步骤S3，将混沌序列按Xi，j＝Xi，min+(Xi，max-Xi，min)εi，j放大各决策参数的取值范围，得到G个代表SVM模型参数序列构成初始种群：(X1，1，X1，2，...，X1，3N)，(X2，1，X2，2，...，X2，3N)，......，(XG，1，XG，2，...，XG，3N)，其中，Xi，j为第i个体第j个决策变量值，Xi，max为第i个体的最大值，Xi，min为第i个体的最小值，i＝1，2，...，G，j＝1，2，...，3N。步骤33，将种群送入SVM模型进行训练，并根据适应度函数计算种群中各个体的适应度函数值，其中，SVM模型在训练样本集上的确定性系数DC1的倒数为适应度函数yi为第i个训练样本值，为第i个计算机模拟值，也即，以xi作为所述SVM模型的输入向量时计算得到的计算机模拟值，为训练样本平均值，i＝1，2，...，N。步骤34，判断当前迭代次数GEN是否达到全局迭代次数MAXGEN，若满足终止要求，则输出最优个体，得到最优参数ξ、C和σ，并进行步骤37，若不满足，则进行步骤35。步骤35，把适应度函数值最高的最优个体保存下来，防止优秀基因遗传算子操作被丢失，并记录适应度函数值最低的最差个体序号Index。步骤36，令GEN＝GEN+1，进行选择、交叉、变异遗传操作，产生新的种群，并用步骤35保存的最优个体替换序号为Index的新个体，产生新的种群，返回步骤33。其中，选择操作采用轮盘选择，交叉操作的交叉算子采用单点、变异操作的变异概率选择自适应概率。其中，交叉概率计算：Pc=Pc1-k1(f-f‾)fmax-f‾f≥f‾Pc1f<f‾.]]>其中，式中：f为当前个体的非支配等级；为选择的非支配等级，一般可取fmax表示当前种群中个体非支配等级的最大值；Pc1为一常数，用于限制交叉概率的最小值，有利于进化的稳定性和有效性；k1∈(0，1)，用于控制交叉概率的变化幅度。变异概率计算：Pm=Pm1-k2(f-f‾)fmax-f‾f≥f‾Pm1f<f‾;]]>式中：Pm1用于限制变异概率的最小值；k2∈(0，1)，用于控制交叉概率的变化幅度；其余变量的意义同前。步骤37，将最优参数输入SVM模型，利用测试样本集对数据进行参数验证，也即，将所述来水监测指标的数字信号的时间序列xp输入所述SVM模型，得到对应于所述时间序列xp的加药剂的模拟加药量的时间序列其中，p＝N+1，N+2，...，M，并计算测试样本集的确定性系数DC2：DC2=(1-Σp=N+1M(yp-yp^)2Σp=N+1M(yp-y‾)2)-1]]>若DC2＞0.75，满足要求，则输出最优参数，否则转入进入32。步骤4，将实时监测得到的来水监测指标作为输入向量输入数字化水岛GA-SVM加药模型，确定当前时刻的最优加药量。在一种具体应用中，采用上述实施例的方法，对火电厂水处理加药量进行预测，该厂的来水监测指标包括来水流量、PH值、浊度值、氯离子含量和氨氮含量，选取2014年10月11日～2015年7月24日之间水处理系统来水的5个监测指标的时间序列作为GA-SVM加药模型的输入变量，该时段内硫酸的加药量的时间序列作为GA-SVM加药模型的输出变量。其中，PH值、来水流量、来水浊度、氯离子含量和氨氮含量的变化曲线如图3、图4、图5、图6和图7所示。采用上述实施例的方法进行计算，首先通过GA算法寻优得到模型的最优参数为：C＝62.206，ξ＝3.164及σ＝1.16。将这些最优参数输入GA-SVM加药模型对上述时间段的数据进行学习训练，并对计算得到输出向量进行拟合，其中，训练集模型拟合的确定性系数DC1＝0.889，测试集模型拟合的确定性系数DC2＝0.873，得到硫酸加药量的实际——拟合曲线，如图8所示。采用该水岛2015年7月25日～2015年8月25日的来水的监测指标作为模型的输入变量，输入上述建立的GA-SVM加药模型，求解硫酸的最优加药量，得到预测确定性系数DC＝0.773，得到该时段内硫酸的加药量的实际——预测曲线，如图9所示。如图8、图9所示以及拟合预测的确定性系数可以看出GA-SVM加药模型的拟合精度较高，而且具有较好的泛化能力。其他药剂如氢氧化钠、杀菌剂、助凝剂、混凝剂、还原剂等的最佳加药量的计算均可根据本实施例的方法来计算得到。实施例三如图10所示，该实施例提供了一种基于GA-SVM的水岛加药在线控制装置，该控制装置应用于火电厂的水处理系统中，具体包括历史数据获取模块10、模型建立模块20、参数优化模块30、实时监测模块40和加药量控制模块50。其中，历史数据获取模块10用于获取出水指标符合要求的、来水监测指标的M组历史参数值，以及对应于每组历史参数值的加药剂的历史加药量；模型建立模块20用于基于支持向量机建立在线控制SVM模型，其中，历史参数值为SVM模型的输入向量，历史加药量为SVM模型的输出向量；参数优化模块30用于对SVM模型执行GA算法，求解SVM模型中的参数的最优解，并将求解得到的最优解输入SVM模型，得到水岛的加药模型；实时监测模块40用于实时监测来水监测指标的实时参数值；以及加药量控制模块50用于将实时参数值输入水岛的加药模型，以确定当前时刻加药剂的加药量。优选地，模型建立模块20在建立在线控制SVM模型时，执行具体步骤包括：设置SVM模型的输入向量为来水监测指标的数字信号的时间序列xi，设置SVM模型的输出向量为对应于时间序列xi的加药剂的历史加药量的时间序列yi，其中，i＝1，2，...，N，N＜M；将由时间序列xi和时间序列yi构成的时间序列集(xi，yi)采用非线性映射执行向高维空间的映射，并构造SVM模型的函数为其中，i＝1，2，...，N，xi∈Rq，yi∈R，q为来水监测指标中指标的个数，w为权向量，b为常数；引入松弛变量ξ和惩罚因子C，建立SVM模型的目标函数为约束条件为其中，ξ≥0，C＞0，i＝1，2，...，N；确定SVM模型的核函数为径向基函数其中，σ＞0；建立SVM模型为其中，αi＝Cξi，为拉格朗日系数。优选地，参数优化模块30在求解SVM模型中的参数的最优解时，执行的步骤具体包括：步骤A：设定GA算法的参数，确定初始种群规模G、全局迭代次数、变异概率、交叉概率，确定松弛变量ξ、惩罚因子C和核参数σ为GA算法的决策变量；步骤B：令迭代次数为1，初始化SVM模型的参数，并对初始化后的SVM模型的参数进行二进制编码，基于混沌理论产生G组初始种群；步骤C：采用下述循环步骤，确定松弛变量ξ、惩罚因子C和核参数σ的最优解：步骤C1：根据适应度函数计算种群中各个体的适应度函数值，步骤C2：判断当前迭代次数是否达到全局迭代次数，若达到，则输出最优个体，结束步骤C，若未达到，则把适应度函数值最高的最优个体保存下来，并记录适应度函数值最低的最差个体序号，令迭代次数加1，进行选择、交叉、变异遗传操作，并用保存的最优个体替换序号为最差个体序号的新个体，产生新的种群，返回步骤C1。优选地，在上述步骤C1中，适应度函数为为以时间序列集(xi，yi)中第i组数据作为SVM模型的输入向量计算得到的计算机模拟值，为时间序列集(xi，yi)中yi的平均值。优选地，参数优化模块30在求解SVM模型中的参数的最优解时，执行的步骤具体还包括：步骤D：将求解得到的最优解作为SVM模型的参数，将来水监测指标的数字信号的时间序列xp输入SVM模型，得到对应于时间序列xp的加药剂的模拟加药量的时间序列其中，p＝N+1，N+2，...，M；步骤E：根据对应于时间序列xp的加药剂的历史加药量的时间序列yp和时间序列计算SVM模型的确定性系数；步骤F：判断确定性系数是否大于预设系数值，若大于，则结束求解SVM模型中的参数的最优解的步骤，若不大于，则返回步骤A。优选地，参数优化模块30在初始化SVM模型的参数，并基于混沌理论产生G组初始种群时，具体执行的步骤包括：步骤B1，随机选取3N个[0，1]范围值构成初始序列ε0＝(ε1，0，ε2，0，...，ε3N，0)，其中，εn，0不包括0，0.25，0.5，0.75和1。通过Logistic映射εn，j+1＝μεn，j(1-εn，j)，得到G个轨迹不同的混沌序列εj，其中，εn，0为初始参数，εn，j∈(0，1)，μ∈(0，4)为控制参数，n＝1，2，...，3N-1，j＝1，2，...，G；步骤B2，定义决策变量范围Xmin，Xmax：Xmin＝[ξ1，min，ξ2，min，...，ξN，min，C1，min，C2，min，...，CN，min，σ1，min，σ2，min，...，σN，min]，Xmax＝[ξ1，max，ξ2，max，...，ξN，max，C1，max，C2，max，...，CN，max，σ1，max，σ2，max，...，σN，max]；步骤B3，将混沌序列按Xn，j＝Xn，min+(Xn，max-Xn，min)εn，j放大各决策变量的取值范围，得到G个代表SVM模型参数序列构成初始种群：(X1，1，X1，2，...，X1，3N)，(X2，1，X2，2，...，X2，3N)，......，(XG，1，XG，2，...，XG，3N)，其中，Xn，j为第j个体的第n个决策变量值，Xn，max为第n个体的最大值，Xn，min为第N个体的最小值，j＝1，2，...，G，j＝1，2，...，3N。优选地，参数优化模块30中选择操作采用轮盘选择，交叉操作的交叉算子采用单点，变异操作的变异概率洗择白话应概率，其中，交叉概率采用以下公式进行计算：变异概率采用以下公式进行计算：其中，f为当前个体的非支配等级，fmax为当前种群中个体非支配等级的最大值，Pc1为常数，Pm1为限制变异概率的最小值，k1∈(0，1)，k2∈(0，1)。优选地，来水监测指标包括水流量、PH值、浊度值、氯离子含量和氨氮含量，加药剂为硫酸、氢氧化钠、杀菌剂、助凝剂、混凝剂或还原剂。对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域的技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为根据本发明，某些步骤可以采用其他顺去或同时执行；其次，本领域技术人员也应该知悉，上述方法实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。对于前述的各装置实施例，为了简单描述，故将其都表述为一系列的模块组合，但是本领域的技术人员应该知悉，本发明并不受所描述的模块组合的限制，因为根据本发明，某些模块可以采用其他模块执行；其次，本领域技术人员也应该知悉，上述装置实施例均属于优选实施例，所涉及的模块并不一定是本发明所必须的。本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。以上对本发明所提供的一种基于GA-SVM的水岛加药在线控制方法和装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。当前第1页1 2 3