基于sfla-svm的数字化水岛在线加药控制方法
【技术领域】
[0001] 本发明涉及火电厂水处理技术领域，具体而言，涉及一种基于SFLA-SVM的数字化 水岛在线加药控制方法。
【背景技术】
[0002] 在现代300MW以上火力发电厂中，90%以上实现了DCS自动控制系统，但电厂水处 理系统基本实现了 DCS自动化控制系统，但系统的智能优化分析投入率非常低，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。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，属于"后知后觉"行为，具 有明显的滞后性;其次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。
[0003] 支持向量机（Support Vector Machine，SVM)是Corinna Cortes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，有坚实的理论基础，能够较好地克服 人工神经网络"过拟合"的问题。SVM的关键在于核函数，由于确定核函数的已知数据也存在 一定的误差，考虑到推广性问题，因此引入了松弛系数以及惩罚系数两个参变量来加以校 正，这两个参变量的选择对预测精度影响较大。
[0004] 混合娃跳算法（Shuffled Frog Leaping Algorithm，SFLA)是一种基于群体智能 的后启发式计算技术，于2003年由Eusuff和Lansey提出并应用于水资源管网分配问题，因 其兼顾了模因演算法(MA)与粒子群算法(PS0)两者的优点，具有概念简单、算法参数设置 少，局部搜索与全局搜索并重的特点，计算速度快，易于实现的特点，逐渐在模式识别、信号 与信息处理和函数优化领域取得成功应用。
[0005] 对于火电厂水处理这类强非线性、滞后性较大的系统，目前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，造成物力和财力的大量损失，难以有 效指导实际生产。
【发明内容】
[0006] 为解决上述问题，本发明的目的在于提供一种基于SFLA-SVM的数字化水岛在线加 药控制方法，解决火电厂水岛传统加药方式难以准确确定数量、无法实现在线更新模型等 问题，实现数字化水岛加药过程的在线控制。
[0007] 本发明提供了一种基于SFLA-SVM的数字化水岛在线加药控制方法，包括：
[0008] 步骤1，获取在出水指标符合要求时的来水监测指标的数字信号和历史加药量，确 定数字化水岛的SFLA-SVM加药模型的目标函数和决策变量；
[0009] 步骤2，基于支持向量机建立加药量、监测指标的在线控制S VM模型 ，并进行降噪处理，其中，K(Xl，n)为核函数，b为常数，〇1为拉格朗 日乘子；
[0010] 步骤3,对所述在线控制SVM模型采用混沌混合蛙跳算法，以及交叉验证CV意义下 的准确率作为SFLA中的适应度函数，用SFLA对所述SVM模型中的松弛变量ξ和惩罚因子C进 行全局寻优，得到各参数的最优解；
[0011] 步骤4,将步骤3计算得到的最优解的各参数的训练集带入步骤2中的SVM模型进行 学习训练，并进行加药量的拟合，建立数字化水岛的SFLA-SVM加药模型；
[0012] 步骤5,将步骤1监测得到的来水监测指标输入步骤4中的SFLA-SVM加药模型，确定 当前时刻的最优加药量。
[0013] 作为本发明进一步的改进，步骤1具体包括：
[0014] 步骤11，将来水监测指标的数字信号的时间序列Xl作为模型输入向量，其中，i = 1，2,."η;
[0015]步骤12,将历史加药量的时间序列yi作为模型的输出向量，其中，? = 1，2，···η。
[0016] 作为本发明进一步的改进，步骤2具体包括：
[0017] 步骤21，将时间序列集(Xi，yi)采用非线性映射供(·)执行向高维空间的映射，并构 造在线控制SVM模型的函数/(.vi = Η·7?/;(χ) + /) >其中，i = l，2,…114￡1?111，5^已1^为权向量， b为常数；
[0018] 步骤22,引入松弛变量ξ和惩罚因子C，建立函f
和函数
其中，ξ20,00，? = 1，2，···，1;
[0019] 步骤23,引入径向基RBF核函数
$中，〇>0;
[0020] 步骤24,建立在线控制SVM模型为
[0021] 作为本发明进一步的改进，步骤3具体包括：
[0022] 步骤31，设定所述在线控制SVM模型中的参数，确定初始群规模G，子种群数Ν，每个 子种群个数数量Μ，全局迭代次数GEN，子种群迭代次数Κ;
[0023]步骤32,采用混沌理论初始化种群；
[0024]步骤33，对所述在线控制SVM模型执行混合蛙跳算法。
[0025] 作为本发明进一步的改进，步骤32具体包括：
[0026] 步骤Α1，随机选取Τ个区间在[0,1]内不同初始值构成初始序列ε〇= (ε^ο, ε2,〇,… ετ,ο)，通过Logistic映射得到G个轨迹不同的混纯序列ε」，其中，j = l ,2,…，G;
[0027] 步骤A2,将混沌序列放大到决策变量的取值范围，得到G个代表两个序列构成初始 种群Xi，其中，第i个个体表不为Xi = (Xi,i，Xi,2，…，Xi,T)，i = l，2^"，G。
[0028] 作为本发明进一步的改进，步骤33具体包括：
[0029] 步骤B1，计算G个个体的性能指标，根据CV意义下的准确率对G个个体降序排列P = {Xi}，其中，i = l表示个体性能最好，记录最好个体为Pm = Xl;
[0030] 步骤B2，将G个个体分成N个子种群，每个子种群包含Μ个个体，将第一个个体放入 Λ、第二个个体放入Ν2,直到第Μ+1个个体放入他，选择子种群中第一个个体和第Μ个个体为 子种群最优解和最差解，分别记为P b和Pw;
[0031] 步骤B3,进入局部搜索，调整子种群的最差解，对各个子群中的Pw进行更新，P'=Pw +rand X(Pb~Pw)；
[0032] 其中，P'为更新后的解，rand是0至1之间的随机数；
[0033] 步骤B4,判断P'是否优于Pw，如果P'优于Pw，则PW=P'，否则将P m替换Pm后重新执行 步骤B3,再次判断P'是否优于卩|，如果P'仍然不优于Pw，则随机产生一个解代替卩|，针对各个 子群，当子种群的迭代次数达到K次时，完成当前子种群的更新迭代，重复步骤B3和Μ进行 下一子种群的局部搜索，直至所有子种群全部完成局部搜索；
[0034]步骤Β5,在各个子种群全部完成局部搜索后，将所有个体混合，重新组合成G个个 体的的种群；
[0035] 步骤Β6,判断全局的迭代次数是否达到预定的全局迭代次数GEN，如果没有达到则 进行步骤Β5,继续下一轮的全局搜索，否则算法结束输出各参数的最优解Pm。
[0036]作为本发明进一步的改进，步骤1中来水监测指标的包括来水流量、PH值、浊度值、 氯尚子含量和氨氮含量。
[0037]作为本发明进一步的改进，步骤A1中选取的初始值不包括0，0.25，0.5，0.75和1这 5个值。
[0038]本发明的有益效果为：
[0039] 1、解决了现有技术中只能依靠出水水质指标反复调试的滞后性加药方法，操作人 员不需要根据出水水质指标的实时测量，就能得到出当前时刻的加药量的最优值，克服了 来水水质时变特性对运行过程造成的不利影响；
[0040] 2、根据来水水质变化，实时更新最优加药量，实现了加药过程的在线控制，既减少 了药剂的浪费、降低了人工和运行成本，又可以满足出水的水质要求；
[0041 ] 3、采用SFLA求解SVM模型中的关键参数，提高了加药模型的计算速度和精度，避免 了陷入局部最优问题，较好地解决了非线性问题，增强了模型的解释和预测能力。
【附图说明】
[0042] 图1为本发明实施例所述的一种基于SFLA-SVM的数字化水岛在线加药控制方法的 流程是意图；
[0043] 图2为图1中步骤1的具体流程示意图；
[0044] 图3为图1中步骤2的具体流程示意图；
[0045] 图4为图1中步骤3的具体流程示意图；
[0046] 图5为图4中步骤32的具体流程示意图；
[0047] 图6为图4中步骤33的具体流程示意图；
[0048] 图7为来水监测指标中PH值的具体变化曲线；
[0049] 图8为来水监测指标中来水流量的具体变化曲线；
[0050] 图9为来水监测指标中来水浊度的具体变化曲线；
[0051] 图10为来水监测指标中氯离子含量的具体变化曲线；
[0052] 图11为来水监测指标中氨氮含量的具体变化曲线；
[0053]图12为具体使用时加药量的实际一一拟合曲线；
[0054]图13为具体使用时加药量的实际一一预测曲线。
【具体实施方式】
[0055]下面通过具体的实施例并结合附图对本发明做进一步的详细描述。
[0056]实施例1，如图1所示，本发明实施例的一种基于SFLA-SVM的数字化水岛在线加药 控制方法，包括：
[0057]步骤1，获取系统在正常运行期内、出水指标符合要求条件下的来水监测指标的数 字信号和相应运行时段内的历史加药量，确定数字化水岛的SFLA-SVM加药模型的目标函数 和决策变量，来水监测指标作为决策变量，加药量作为目标函数，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，加药的药剂种类包括硫酸、氢氧化钠、杀菌 剂、助凝剂、混凝剂、还原剂等，来水监测指标的5个参数在建模过程中均作为输入向量，而 输出向量是其中一种药剂的加药量，但每种药剂的加药量均可按照本发明的方法建模计算 得到最优加药量，如图2所示，具体包括：
[0058]步骤11，将正常运行期内的来水监测指标的数字信号的时间序列Xl作为模型输入 向量，其中，? = 1，2，···η;
[0059] 步骤12,将出水指标符合要求条件下对应相应时段内的历史加药量的时间序列yi 作为模型的输出向量，其中，i = l，2,…η;
[0060] 步骤2，基于支持向量机建立加药量、监测指标的在线控制S VM模型
，并进行降噪处理，其中，K(Xl，y〇为核函数，b为常数，其中， 〇1为拉 格朗日乘子，i = 1，2，···]!，如图3所示，具体包括：
[0061] 步骤21，将时间序列集(X i，y i)采用非线性映射〇执行向高维空间的映射，并构 造在线控制SVM模型的函数/(.v) = η'7柯v) + d，其中，i = 1，2，…