η，Xi eRm，yi e R，w为权向量， b为常数；
[0062] 步骤22,引入松弛变量ξ和惩罚因子C，建立函I
和函数
其中，ξ20,00，? = 1，2，···，1;
[0063] 步骤23,引入径向基RBF核函数
其中，σ>〇;
[0064] 步骤24,建立在线控制SVM模型^
其中，h为拉格朗日乘 子
[0065]步骤3,对在线控制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，如图4所示，具体包括：
[0066]步骤31，设定在线控制SVM模型中的参数，确定初始群规模G，子种群数N，每个子种 群个数数量Μ，全局迭代次数GEN，子种群迭代次数K;
[0067] 步骤32，采用混沌理论初始化种群，如图5所示，具体包括：
[0068] 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￡(6)=(8^0, 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，选取的初始 值不包括〇, 0.25,0.5,0.75和1这5个值；
[0069] 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;
[0070] 步骤33,对在线控制SVM模型执行混合蛙跳算法，如图6所示，具体包括：
[0071] 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;
[0072] 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;
[0073] 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)；
[0074] 其中，P'为更新后的解，rand是0至1之间的随机数；
[0075] 步骤Μ，判断P'是否优于?|，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；
[0076]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；
[0077] 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;
[0078] 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；
[0079] 步骤5，将步骤1监测得到的来水的监测指标输入步骤4中的SFLA-SVM加药模型，确 定当前时刻的最优加药量。
[0080] 具体使用时，对电厂水岛进行加药处理，该水岛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，选取该水岛2014年10月11日~2015年7月24日之间来 水的5个监测指标的时间序列作为水岛的SFLA-SVM加药模型的决策变量，该时段内硫酸的 加药量的时间序列作为水岛的SFLA-SVM加药模型的目标函数。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7、图8、图9、图10和图11所示。
[0081 ]采用SFLA-SVM加药模型进行建模计算，实现在线控制最优加药量目标。经反复测 试计算，确定SFLA求解参数优化问题的最佳参数为:G = 50、N = 10、Μ = 10、GEN = 2000、K = 15，通过SFLA寻优得到：C = 46.327，ξ = 2.164。输入SFLA-SVM加药模型学习训练并进行拟 合，模型拟合的复相关系数R=〇.985,均方差Std. =0.183,硫酸加药量的实际--拟合曲 线如图7所示。采用该水岛2015年7月25日~2015年8月25日共32组来水的监测指标作为模 型的决策变量，输入上述建立的SFLA-SVM加药模型，求解硫酸的最优加药量，得到预测均方 差Std. =1.213,对比该时段内硫酸的加药量的实际一一预测曲线如图8所示。如图7、图8所 示以及拟合预测的复相关系数和均方差可以看出SFLA-SVM加药模型的拟合精度较高，而且 具有较好的泛化能力。
[0082] 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 可根据本发明的方法来计算得到。
[0083] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技 术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修 改、等同替换、改进等，均应包含在本发明的保护范围之内。
【主权项】
1. 一种基于SFLA-SVM的数字化水岛在线加药控制方法，其特征在于，包括： 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； 步骤2，基于支持向量机建立加药量、来水监测指标的在线控制SVM模型，并进行降噪处理，其中，K(Xl，n)为核函数，b为常数， αι为拉格朗日 乘子，? = 1，2，···η; 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； 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； 步骤5，将步骤1监测得到的来水的监测指标输入步骤4中的SFLA-SVM加药模型，确定当 前时刻的最优加药量。2. 根据权利要求1所述的数字化水岛在线加药控制方法，其特征在于，步骤1具体包括： 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 = l，2r·· η； 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，i = l，2,…η。3. 根据权利要求1所述的数字化水岛在线加药控制方法，其特征在于，步骤2具体包括： 步骤21，将时间序列集(Xl， yi)采用非线性映射故·)执行向高维空间的映射，并构造在线 控制SVM模型的函数/_(.v.) = ny+ Λ，其中，i = l，2,…114三俨，7#1?，￥为权向量，13为常 数； 步骤22，引入松弛变量ξ和惩罚因子C，建立函数和函数 心/·太=>v>(x,) + 16 + 4，其中，ξ20,00，? = 1，2，···，1;4. 根据权利要求1所述的数字化水岛在线加药控制方法，其特征在于，步骤3具体包括： 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; 步骤32，采用混沌理论初始化种群； 步骤33,对所述在线控制SVM模型执行混合蛙跳算法。5. 根据权利要求4所述的数字化水岛在线加药控制方法，其特征在于，步骤32具体包 括： 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; 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个个体表示为Xi=(Xi,i，Xi,2，...，Xi,T)，i = l，2，...，G。6. 根据权利要求4所述的数字化水岛在线加药控制方法，其特征在于，步骤33具体包 括： 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= {XJ， 其中，i = 1表示个体性能最好，记录最好个体为Pm = Xl; 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Λ，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Pb和Pw; 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， randX (Pb_Pw); 其中，K为更新后的解，rand是0至1之间的随机数； 步骤B4,判断P'是否优于卩|，如果P'优于Pw，则PwzP'，否则将Pm替换卩》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； 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； 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。7. 根据权利要求1所述的数字化水岛在线加药控制方法，其特征在于，步骤1中来水监 测指标的包括来水流量、PH值、浊度值、氯离子含量和氨氮含量。8. 根据权利要求5所述的数字化水岛在线加药控制方法，其特征在于，步骤A1中选取的 初始值不包括〇，〇. 25，0.5，0.75和1这5个值。
【专利摘要】本发明公开了一种基于SFLA-SVM的数字化水岛在线加药控制方法，包括：获取来水监测指标，确定SFLA-SVM加药模型的目标函数和决策变量；基于支持向量机建立加药量、监测指标的SVM模型；对SVM模型采用混沌混合蛙跳算法，得到各参数的最优解；利用最优解对SVM模型进行学习训练，建立SFLA-SVM加药模型；将监测得到的来水的监测指标输入SFLA-SVM加药模型，确定当前时刻的最优加药量。本发明的有益效果：克服了来水水质时变特性对运行过程造成的不利影响；实时更新最优加药量，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，满足出水的水质要求；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，解决了非线性问题，增强了模型的解释和预测能力。
【IPC分类】G05B19/418
【公开号】CN105676814
【申请号】CN201610015833
【发明人】秦栋, 于新玉, 张子良, 刘涛
【申请人】大唐环境产业集团股份有限公司
【公开日】2016年6月15日
【申请日】2016年1月11日