一种火电厂脱硫废水智能处理方法及系统与流程

本发明涉及火电厂废水处理技术领域，特别涉及一种火电厂脱硫废水智能处理方法及系统。

背景技术

当前，我国脱硫废水排放标准的要求日益严格，尤其是2015年国务院发布《水污染防治行动计划》(简称“水十条”)后，国家对各类水体污染的治理提出了更为严格的要求。同时，国家“十三五”规划进一步严格控制水资源的使用将水环境保护上升到了国家战略层面。为了严格执行国家的法律法规和行业规范，火电厂作为用水、排水的大户，实现燃煤电厂“零排放”已迫在眉睫。

目前，火电厂大部分水处理系统都正在或者计划进行改造，实现废水的循环利用，但是脱硫废水作为电厂末端处理的一股水，该水质具有钙镁离子浓度高、悬浮物高、重金属含量高、氯离子含量高等特征。目前常采用“预处理+浓缩减量+末端固化”工艺，预处理操作是最基础的工作，目的是为了满足后续装置防结垢、浓缩减量等要求而设置的一套工艺，预处理过程中对来水中杂质离子的去除程度决定了后续膜浓缩以及烟道蒸发的工艺要求和成本。所以预处理在整个工艺流程中是较为关键的一个过程，常采用投加石灰na2so4+na2co3等药剂去除废水杂质。传统上投加药剂量都是运行人员通过出水水质或试验确定，很难达到精确投加量，浪费大量时间和人工，而且出水指标无法达到出水要求。

因此，基于传统脱硫废水加药过程中的缺陷，实现脱硫废水智能化加药是水处理行业面临的一个亟需解决的问题。

技术实现要素：

本发明的目的是提供一种火电厂脱硫废水智能处理方法及系统，克服传统脱硫废水预处理过程中难以准确确定加药剂量的缺陷，实现精确、有效的加药过程。

为实现上述目的，本发明提供了如下方案：

一种火电厂脱硫废水智能处理方法，所述方法包括：

获取训练样本，所述训练样本包括脱硫废水的水质历史监测指标数据和历史加药量数据；

根据所述水质历史监测指标数据和所述历史加药量数据，构建智能处理模型；

获取当前时刻脱硫废水水质监测指标数据；

将所述当前时刻脱硫废水水质监测指标数据输入所述智能预处理模型，得到当前脱硫废水的最优加药量。

可选的，所述根据所述水质历史监测指标数据和所述历史加药量数据，构建智能处理模型，具体包括：

根据所述水质历史监测指标数据和所述历史加药量数据得到训练样本；

基于多个单一核函数，采用加权的方式构建包含多个单一核函数的加权核函数，所述加权核函数包括核函数参数；

根据所述训练样本、所述核函数参数和设定svr参数，建立svr数学预测模型，所述svr参数包括惩罚系数和不敏感参数；

根据所述svr数学预测模型采用网格搜索法遍历参数范围；

根据所述参数范围采用五折交叉验证法，得到最优svr参数；

判断所述最优svr参数是否达到设定精度阈值范围；

若所述最优svr参数达到设定精度阈值范围，则根据所述最优svr参数范围建立智能处理模型；

若所述最优svr参数未达到设定精度阈值范围，则返回根据所述svr数学预测模型采用网格搜索法遍历参数范围。

可选的，所述训练样本为输入时间序列信号和输出时间序列信号组成的时间序列集(x,y)，其中，所述输入时间序列信号为所述脱硫废水的水质历史监测指标数据，所述输出时间序列信号为所述历史加药量数据；

所述输入时间序列信号为x＝[xij]nⅹp＝[x1,x2,…,xi,…,xn]，i＝1,2,……n，j＝1,2,……p，xi＝[xi1,xi2,…,xip]，n为所述训练样本中脱硫废水水质历史监测指标数据的样本数，p为所述脱硫废水水质历史监测指标数据；所述脱硫废水水质监测指标数据包括mg²⁺、ca²⁺、cl^-、so4^2-水质指标中的一种或多种；

所述输出时间序列信号为y＝[yi]nⅹ1，i＝1,2,……n，n为所述训练样本中脱硫废水历史加药量数据的样本个数；所述脱硫废水的历史加药量数据包括石灰、na2so4、na2co3、助凝剂或絮凝剂药剂中的一种或多种。

可选的，所述基于多个单一核函数，采用加权的方式构建包含多个单一核函数的加权核函数，具体包括：

通过设定的加权方式将不同的单核函数κt进行组合得到多核加权核函数κ，所述多核加权核函数κ通过下列公式表示：

其中，μt为不同核函数的权重系数，通过遗传算法得到，且κt为不同的单一核函数，所述单一核函数常为线性核函数、多项式核函数、高斯径向基核函数；t＝1,2……,m，m为单一核函数的个数，本次计算过程中，中采用全局型的多项式核函数和局部型的高斯径向基核函数。

可选的，所述根据所述多核加权核函数，建立svr数学预测模型，具体包括：

将所述所述多核加权核函数代入所述svr基本数学模型f(x)＝ω^tx+b，得到svr模型在高维空间的表达形式f(x)＝ω^tκ(xi,xj)+b，式中，ω表示权重矢量矩阵；b表示偏置，为常数；

所述svr数学模型转换为：

具体转换过程如下：

所述数学模型f(x)对应的目标函数为：

其对应的约束条件为：

yi-[ω^tκ(xi)+b]≤ε+ξi

s.t.[ω^tκ(xi)+b]-yi≤ε+ξi'

ξi,ξi'≥0,i＝1,2,…,n

上述问题的求解，需引入拉格朗日乘子并定义拉格朗日函数l：

分别对参数ω,b,ξi,求偏导数：

根据上式将目标函数转换成其对偶问题：

所述svr数学模型转换为：

符号含义解释如下：

ω表示权重矢量矩阵；b表示偏置，为常数；c为惩罚系数；n为所述训练样本中脱硫废水水质历史监测指标数据的样本数；ξi和ξi'为松弛因子；ε为不敏感参数；αi、ηi和为拉格朗日乘子；l为拉格朗日函数。

为实现上述目的，本发明提供了如下方案：

一种火电厂脱硫废水智能处理系统，所述系统包括：

第一获取模块，用于获取训练样本，所述训练样本包括脱硫废水的水质历史监测指标数据和历史加药量数据；

智能处理模型构建模块，用于根据所述水质历史监测指标数据和所述历史加药量数据，构建智能处理模型；

第二获取模块，用于获取当前时刻脱硫废水水质监测指标数据；

最优加药量确定模块，用于将所述当前时刻脱硫废水水质监测指标数据输入所述智能预处理模型，得到当前脱硫废水的最优加药量。

可选的，所述智能处理模型构建模块，具体包括：

训练样本确定单元，用于根据所述水质历史监测指标数据和所述历史加药量数据得到训练样本；

多核加权核函数建立单元，用于基于多个单一核函数，采用加权的方式构建包含多个单一核函数的加权核函数，所述加权核函数包括核函数参数；

svr数学预测模型建立单元，用于根据所述训练样本、所述核函数参数和设定svr参数，建立svr数学预测模型，所述svr参数包括惩罚系数和不敏感参数；

参数优化范围确定单元，用于根据所述svr数学预测模型采用网格搜索法遍历参数范围；

最优svr参数范围确定单元，用于根据所述参数范围采用五折交叉验证法，得到最优svr参数；；

判断单元，用于判断所述最优svr参数范围是否达到设定精度阈值范围；

第一判断结果单元，用于若所述最优svr参数范围达到设定精度阈值范围，则根据所述最优svr参数范围建立智能处理模型；

第二判断结果单元，用于若所述最优svr参数范围未达到设定精度阈值范围，则返回根据所述svr数学预测模型采用网格搜索法遍历参数范围。

可选的，所述训练样本为输入时间序列信号和输出时间序列信号组成的时间序列集(x,y)，其中，所述输入时间序列信号为所述脱硫废水的水质历史监测指标数据，所述输出时间序列信号为所述历史加药量数据；

所述输入时间序列信号为x＝[xij]nⅹp＝[x1,x2,…,xi,…,xn]，i＝1,2,……n，j＝1,2,……p，xi＝[xi1,xi2,…,xip]，n为所述训练样本中脱硫废水水质历史监测指标数据的样本数，p为所述脱硫废水水质历史监测指标数据；所述脱硫废水水质监测指标数据包括mg²⁺、ca²⁺、cl^-、so4^2-水质指标中的一种或多种；

所述输出时间序列信号为y＝[yi]nⅹ1，i＝1,2,……n，n为所述训练样本中脱硫废水历史加药量数据的样本个数；所述脱硫废水的历史加药量数据包括石灰、na2so4、na2co3、助凝剂或絮凝剂药剂中的一种或多种。

可选的，所述多核加权核函数建立单元，具体包括：

单核函数构建子单元，用于根据所述水质历史监测指标数据和所述历史加药量数据构建不同的单核函数；

多核加权核函数建立子单元，用于通过设定的加权方式将不同的单核函数κt进行组合得到多核加权核函数κ，所述多核加权核函数κ通过下列公式表示：

其中，μt为不同核函数的权重系数，且κt为不同的单一核函数，所述单一核函数为线性核函数、多项式核函数、高斯径向基核函数；t＝1,2……,m，m为单一核函数的个数。

可选的，所述svr数学预测模型建立单元，具体包括：

svr数学预测模型建立子单元，用于将所述所述多核加权核函数代入所述svr基本数学模型f(x)＝ω^tx+b，得到svr模型在高维空间的表达形式f(x)＝ω^tκ(xi,xj)+b，式中，ω表示权重矢量矩阵；b表示偏置，为常数；

所述svr数学模型转换为：

具体转换过程如下：

所述数学模型f(x)对应的目标函数为：

其对应的约束条件为：

yi-[ω^tκ(xi)+b]≤ε+ξi

s.t.[ω^tκ(xi)+b]-yi≤ε+ξi'

ξi,ξi'≥0,i＝1,2,…,n

上述问题的求解，需引入拉格朗日乘子并定义拉格朗日函数l：

分别对参数ω,b,ξi,求偏导数：

根据上式将目标函数转换成其对偶问题：

所述svr数学模型转换为：

符号含义解释如下：

ω表示权重矢量矩阵；b表示偏置，为常数；c为惩罚系数；n为所述训练样本中脱硫废水水质历史监测指标数据的样本数；ξi和ξi'为松弛因子；ε为不敏感参数；αi、ηi和为拉格朗日乘子；κ()为核函数；l为拉格朗日函数。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种火电厂脱硫废水智能预处理方法，所述智能预处理方法包括：获取训练样本，所述训练样本包括脱硫废水的水质历史监测指标数据和历史加药量数据；根据所述水质历史监测指标数据和所述历史加药量数据，构建智能处理模型；获取当前时刻脱硫废水水质监测指标数据；将所述当前时刻脱硫废水水质监测指标数据输入所述智能预处理模型，得到当前脱硫废水的最优加药量。通过建立智能处理模型，克服了传统脱硫废水加药量的精确计算问题，实现了快速、方便、有效的加药过程。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例火电厂脱硫废水智能处理方法流程图；

图2为本发明实施例构建智能处理模型方法流程图；

图3为本发明实施例火电厂脱硫废水智能处理系统结构图；

图4为本发明实施例智能处理模型构建模块结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

svr(supportvectorregression，支持向量回归)是支持向量机(supportvectormachine，svm)的重要应用分支，前者主要用于回归，后者主要用于分类。svm方法是由vanpik团队于1963年首次提出，随后platt和chih-jenlin等人更进一步将svm方法推向应用。在机器学习领域，svm/svr方法是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。该方法可以将非线性问题通过核函数转换到高维空间，使其线性可分。同时，该方法基于结构风险最小化理论，学习器能够得到全局最优化，并且使整个样本空间的期望风险以某个概率满足一定上界。

本发明提供了一种火电厂脱硫废水预处理方法及系统，该方法是在当前国家环保政策，以及当前脱硫废水预处理过程中加药系统存在投加药剂量精度低等问题的背景下提出。该方法通过多核加权核函数避免了svr模型中核函数设计的盲目性和局部最优等非线性优化问题，通过svr方法解决智能预测模型中的非线性问题，利用网格搜索方法优化svr模型的惩罚系数c、不敏感参数ε及核函数参数等参数，最终得到基于多核加权的svr智能预测模型，通过该模型实现脱硫废水智能预处理。

图1为本发明实施例火电厂脱硫废水智能处理方法流程图。如图1所示，一种火电厂脱硫废水智能处理方法，所述方法包括：

步骤101：获取训练样本，所述训练样本包括脱硫废水的水质历史监测指标数据和历史加药量数据；

步骤102：根据所述水质历史监测指标数据和所述历史加药量数据，构建智能处理模型；

步骤103：获取当前时刻脱硫废水水质监测指标数据；

步骤104：将所述当前时刻脱硫废水水质监测指标数据输入所述智能预处理模型，得到当前脱硫废水的最优加药量。

图2为本发明实施例构建智能处理模型方法流程图。如图2所示，构建智能处理模型方法，具体包括：

步骤1021：根据所述水质历史监测指标数据和所述历史加药量数据得到训练样本；

步骤1022：基于多个单一核函数，采用加权的方式构建包含多个单一核函数的加权核函数，所述加权核函数包括核函数参数；

步骤1023：根据所述训练样本、所述核函数参数和设定svr参数，建立svr数学预测模型，所述svr参数包括惩罚系数和不敏感参数；

步骤1024：根据所述svr数学预测模型采用网格搜索法遍历参数范围；

步骤1025：根据所述参数范围采用五折交叉验证法，得到最优svr参数；

步骤1026：判断所述最优svr参数是否达到设定精度阈值范围；

步骤1027：若所述最优svr参数达到设定精度阈值范围，则根据所述最优svr参数范围建立智能处理模型；

若所述最优svr参数未达到设定精度阈值范围，则返回步骤1022。

所述训练样本为输入时间序列信号和输出时间序列信号组成的时间序列集(x,y)，其中，所述输入时间序列信号为所述脱硫废水的水质历史监测指标数据，所述输出时间序列信号为所述历史加药量数据；

所述输入时间序列信号为x＝[xij]nⅹp＝[x1,x2,…,xi,…,xn]，i＝1,2,……n，j＝1,2,……p，xi＝[xi1,xi2,…,xip]，n为所述训练样本中脱硫废水水质历史监测指标数据的样本数，p为所述脱硫废水水质历史监测指标数据；所述脱硫废水水质监测指标数据包括mg²⁺、ca²⁺、cl^-、so4^2-水质指标中的一种或多种；

所述输出时间序列信号为y＝[yi]nⅹ1，i＝1,2,……n，n为所述训练样本中脱硫废水历史加药量数据的样本个数；所述脱硫废水的历史加药量数据包括石灰、na2so4、na2co3、助凝剂或絮凝剂药剂中的一种或多种。

步骤1021具体包括：

根据所述水质历史监测指标数据和所述历史加药量数据构建不同的单核函数；

通过设定的加权方式将不同的单核函数κt进行组合得到多核加权核函数κ，所述多核加权核函数κ通过下列公式表示：

其中，μt为不同核函数的权重系数，且κt为不同的单一核函数，所述单一核函数为线性核函数、多项式核函数、高斯径向基核函数；t＝1,2……,m，m为单一核函数的个数。

步骤1022具体包括：

将所述所述多核加权核函数代入所述svr基本数学模型f(x)＝ω^tx+b，得到svr模型在高维空间的表达形式f(x)＝ω^tκ(xi,xj)+b，式中，ω表示权重矢量矩阵；b表示偏置，为常数；

所述svr数学模型转换为：

具体转换过程如下：

所述数学模型f(x)对应的目标函数为：

其对应的约束条件为：

yi-[ω^tκ(xi)+b]≤ε+ξi

s.t.[ω^tκ(xi)+b]-yi≤ε+ξi'

ξi,ξi'≥0,i＝1,2,…,n

上述问题的求解，需引入拉格朗日乘子并定义拉格朗日函数l：

分别对参数ω,b,ξi,求偏导数：

根据上式将目标函数转换成其对偶问题：

所述svr数学模型转换为：

符号含义解释如下：

ω表示权重矢量矩阵；b表示偏置，为常数；c为惩罚系数；n为所述训练样本中脱硫废水水质历史监测指标数据的样本数；ξi和ξi'为松弛因子；ε为不敏感参数；αi、ηi和为拉格朗日乘子；l为拉格朗日函数。

所述svr参数包括惩罚系数c、不敏感参数ε及核函数参数；所述核函数参数，对于多项式核函数κ(x,xi)＝((xi,xj)+r)^d，其参数为r、d，r默认取值0；对于高斯核函数κ(x,xi)＝exp(-||xi-xj||/2σ²)，其参数为σ。

所述网格搜索方法是对指定参数值的一种穷举搜索方法，主要遍历惩罚系数c、不敏感参数ε及核函数参数等svr参数的取值范围。所述惩罚系数c的取值范围一般为[2^-5,2²⁵]；所述不敏感参数ε的取值范围一般为[0.002,0.1]；所述核函数选择高斯核函数时，其参数σ的取值范围一般为[2^-15,2¹⁵]，所述核函数选择多项式核函数时，其参数d取值范围一般为[1,10]。

所述5折交叉验证是将所述训练样本(x,y)分成5份，每次选择一份作为测试集，四份作为训练集。根据步骤5所述svr数学模型，计算均方误差，重复5次，并求取5次的均方误差作为最后的计算精度。

根据计算的精度进一步缩小惩罚系数c、不敏感参数ε及核函数参数等svr参数的范围，并重复上述所述步骤，直至计算精度达到最优精度，得到最优的智能化预测模型。

脱硫废水监测指标数据主要为mg²⁺、ca²⁺、cl^-及so4^2-等水质指标；加药类型主要为石灰、na2so4、na2co3、助凝剂或絮凝剂等；智能预处理模型是采用多核加权的svr(supportvectorregression，支持向量回归机)模型建立。本发明解决了针对复杂水质条件下，svr预测加药量过程单一核函数难以达到最优加药量的问题。同时多核加权的核函数避免了核函数选择的盲目性以及局部最优等非线性优化问题，有助于提高学习机的性能。因此，采用本发明提供的智能预处理模型克服脱硫废水处理过程中难以准确确定药剂量的缺陷，实现快速、精确的加药量。

图3为本发明实施例火电厂脱硫废水智能处理系统结构图。如图3所示，一种火电厂脱硫废水智能处理系统，所述系统包括：

第一获取模块201，用于获取训练样本，所述训练样本包括脱硫废水的水质历史监测指标数据和历史加药量数据；

智能处理模型构建模块202，用于根据所述水质历史监测指标数据和所述历史加药量数据，构建智能处理模型；

第二获取模块203，用于获取当前时刻脱硫废水水质监测指标数据；

最优加药量确定模块204，用于将所述当前时刻脱硫废水水质监测指标数据输入所述智能预处理模型，得到当前脱硫废水的最优加药量。

图4为本发明实施例智能处理模型构建模块结构图。如图4所示，所述智能处理模型构建模块202，具体包括：

训练样本确定单元2021，用于根据所述水质历史监测指标数据和所述历史加药量数据得到训练样本；

多核加权核函数建立单元2022，用于用于基于多个单一核函数，采用加权的方式构建包含多个单一核函数的加权核函数，所述加权核函数包括核函数参数；

svr数学预测模型建立单元2023，用于根据所述训练样本、所述核函数参数和设定svr参数，建立svr数学预测模型，所述svr参数包括惩罚系数和不敏感参数；

参数优化范围确定单元2024，用于根据所述svr数学预测模型采用网格搜索法遍历参数范围；

最优svr参数范围确定单元2025，用于根据所述参数范围采用五折交叉验证法，得到最优svr参数；

判断单元2026，用于判断所述最优svr参数范围是否达到设定精度阈值范围；

第一判断结果单元2027，用于若所述最优svr参数范围达到设定精度阈值范围，则根据所述最优svr参数范围建立智能处理模型；

第二判断结果单元2028，用于若所述最优svr参数范围未达到设定精度阈值范围，则返回根据所述多核加权核函数，建立svr数学预测模型。

所述训练样本为输入时间序列信号和输出时间序列信号组成的时间序列集(x,y)，其中，所述输入时间序列信号为所述脱硫废水的水质历史监测指标数据，所述输出时间序列信号为所述历史加药量数据；

所述输入时间序列信号为x＝[xij]nⅹp＝[x1,x2,…,xi,…,xn]，i＝1,2,……n，j＝1,2,……p，xi＝[xi1,xi2,…,xip]，n为所述训练样本中脱硫废水水质历史监测指标数据的样本数，p为所述脱硫废水水质历史监测指标数据；所述脱硫废水水质监测指标数据包括mg²⁺、ca²⁺、cl^-、so4^2-水质指标中的一种或多种；

所述输出时间序列信号为y＝[yi]nⅹ1，i＝1,2,……n，n为所述训练样本中脱硫废水历史加药量数据的样本个数；所述脱硫废水的历史加药量数据包括石灰、na2so4、na2co3、助凝剂或絮凝剂药剂中的一种或多种。

所述多核加权核函数建立单元2021，具体包括：

单核函数构建子单元，用于根据所述水质历史监测指标数据和所述历史加药量数据构建不同的单核函数；

多核加权核函数建立子单元，用于通过设定的加权方式将不同的单核函数κt进行组合得到多核加权核函数κ，所述多核加权核函数κ通过下列公式表示：

其中，μt为不同核函数的权重系数，且κt为不同的单一核函数，所述单一核函数为线性核函数、多项式核函数、高斯径向基核函数；t＝1,2……,m，m为单一核函数的个数。

所述svr数学预测模型建立单元2022，具体包括：

svr数学预测模型建立子单元，用于将所述所述多核加权核函数代入所述svr基本数学模型f(x)＝ω^tx+b，得到svr模型在高维空间的表达形式f(x)＝ω^tκ(xi,xj)+b，式中，ω表示权重矢量矩阵；b表示偏置，为常数；

所述数学模型f(x)对应的目标函数为：

其对应的约束条件为：

yi-[ω^tκ(xi)+b]≤ε+ξi

s.t.[ω^tκ(xi)+b]-yi≤ε+ξi'

ξi,ξi'≥0,i＝1,2,…,n

其对偶问题：

所述svr数学模型转换为：

符号含义解释如下：

ω表示权重矢量矩阵；b表示偏置，为常数；c为惩罚系数；n为所述训练样本中脱硫废水水质历史监测指标数据的样本数；ξi和ξi'为松弛因子；ε为不敏感参数；αi、ηi和为拉格朗日乘子；l为拉格朗日函数。

所述svr参数包括惩罚系数c、不敏感参数ε及核函数参数；所述核函数参数，对于多项式核函数κ(x,xi)＝((xi,xj)+r)^d，其参数为r、d，r默认取值0；对于高斯核函数κ(x,xi)＝exp(-||xi-xj||/2σ²)，其参数为σ。

所述网格搜索方法是对指定参数值的一种穷举搜索方法，主要遍历惩罚系数c、不敏感参数ε及核函数参数等svr参数的取值范围。所述惩罚系数c的取值范围一般为[2^-5,2²⁵]；所述不敏感参数ε的取值范围一般为[0.002,0.1]；所述核函数选择高斯核函数时，其参数σ的取值范围一般为[2^-15,2¹⁵]，所述核函数选择多项式核函数时，其参数d取值范围一般为[1,10]。

所述5折交叉验证是将所述训练样本(x,y)分成5份，每次选择一份作为测试集，四份作为训练集。根据步骤5所述svr数学模型，计算均方误差，重复5次，并求取5次的均方误差作为最后的计算精度。

根据计算的精度进一步缩小惩罚系数c、不敏感参数ε及核函数参数等svr参数的范围，并重复上述所述步骤，直至计算精度达到最优精度，得到最优的智能化预测模型。

与现有技术相比，本发明的有益效果为：

1、通过采用全局型的多项式核函数和局部型的高斯径向基核函数构成的加权核函数解决svr模型中核函数设计的盲目性和局部最优等非线性优化问题。

2、通过网格搜索算法，优化svr模型的惩罚系数c、不敏感参数ε及核函数参数，将得到的svr最优参数赋予svr数学模型，从而使svr模型的预测精度提高。

3、该智能预测模型解决了传统脱硫废水预处理过程中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。

本说明书中各个实施例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部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

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。综上所述，本说明书内容不应理解为对本发明的限制。