本发明属于水处理，涉及一种基于机器学习与图像识别的混凝澄清池精准加药方法及系统。
背景技术：
1、随着我国工业化不断发展，对于用水水质的标准与要求与日俱增。混凝澄清作为重要的水处理单元，广泛应用于原水预处理、生活污水及工业废水处理等诸多领域。火力发电厂取水量大，对工业用水等水质要求较高。为缓解后续除盐水、循环水等水质处理压力，降低水质处理成本，需提高火力发电厂原水预处理的效率与出水水质。
2、原水预处理的难题在于传统混凝澄清工艺采用人工或泵送方式投加药剂，极易造成药剂过量投加或投加不足，使原水浊度的去除效率与出水水质不稳定；传统混凝澄清工艺从投加药剂到澄清池出水反应时间较长，投加药剂的滞后性会导致澄清池出水水质不稳定、药剂用量较大等问题；硬度较大的原水采用石灰预处理时会产生大量的污泥，澄清池排泥量太少容易引起翻池现象，排泥量太大会降低澄清池沉淀效率，澄清池排泥量对混凝效果影响较大，应作为混凝过程的影响因素。目前基于机器学习的精准加药研究准确度较高，但对原始数据的质量要求较高，训练样本须具有很强的代表性，否则会影响神经网络预测准确性，采用原始数据与絮体图像结合的方式，可提升加药准确性；火力发电厂用药成本占总成本比例较大，实现混凝剂乃至全厂用药点的精准加药，对火力发电厂成本控制具有较大收益。在保证澄清池出水水质基础上节约药剂成本，实现精准控制混凝剂与助凝剂的加药量，是目前亟待解决的问题。
技术实现思路
1、本发明的目的在于克服上述现有技术的缺点，提供了一种基于机器学习与图像识别的混凝澄清池精准加药方法及系统，该方法及系统能够对混凝剂及助凝剂的加药量进行精确控制。
2、为达到上述目的，本发明采用如下技术方案：
3、本发明一方面，本发明提供了一种基于机器学习与图像识别的混凝澄清池精准加药方法，包括：
4、获取原水水质参数、助凝剂加药量、混凝剂加药量及出水浊度；获取絮凝池出口处的絮体图像；
5、将所述原水水质参数输入到精准加药系统第一模型中，预测得到混凝剂投加量、助凝剂投加量及澄清池排泥量，根据预测得到的混凝剂投加量、助凝剂投加量及澄清池排泥量对混凝剂加药泵的加药量、助凝剂加药泵的加药量以及澄清池排泥量进行前馈控制；
6、将絮体图像输入到所述精准加药系统第二模型中，得到絮体图像参数；
7、将澄清池排泥量及絮体图像参数输入到精准加药系统第三模型中，预测得到混凝剂投加量及助凝剂投加量，根据预测得到的混凝剂投加量及助凝剂投加量对混凝剂加药泵的加药量及助凝剂加药泵的加药量进行反馈控制；
8、将混凝剂投加量及助凝剂投加量输入到精准加药系统第四模型中，预测得到出水浊度，根据预测得到的出水浊度对混凝剂加药泵的加药量及助凝剂加药泵的加药量进行反馈控制。
9、本发明所述基于机器学习与图像识别的混凝澄清池精准加药方法进一步的改进在于：
10、进一步的，所述原水水质参数包括原水的流量、水温、ph及浊度。
11、进一步的，所述絮体图像参数包括分形维数、絮体密度、絮体个数和平均等效粒径。
12、进一步的，所述精准加药系统第一模型基于xgboost、pso-bp神经网络及支持向量机建立而成。
13、进一步的，所述精准加药系统第二模型基于open cv库构建而成。
14、进一步的，所述精准加药系统第三模型基于pso-bp神经网络构建而成。
15、进一步的，所述精准加药系统第四模型基于pso-bp神经网络构建而成。
16、本发明二方面，本发明提供了一种基于机器学习与图像识别的混凝澄清池精准加药系统，包括：
17、获取模块，用于获取原水水质参数、助凝剂加药量、混凝剂加药量及出水浊度；获取絮凝池出口处的絮体图像；
18、前馈模块，用于将所述原水水质参数输入到精准加药系统第一模型中，预测得到混凝剂投加量、助凝剂投加量及澄清池排泥量，根据预测得到的混凝剂投加量、助凝剂投加量及澄清池排泥量对混凝剂加药泵的加药量、助凝剂加药泵的加药量以及澄清池排泥量进行前馈控制；
19、预测模块，用于将絮体图像输入到所述精准加药系统第二模型中，得到絮体图像参数；
20、第一反馈控制模块，用于将澄清池排泥量及絮体图像参数输入到精准加药系统第三模型中，预测得到混凝剂投加量及助凝剂投加量，根据预测得到的混凝剂投加量及助凝剂投加量对混凝剂加药泵的加药量及助凝剂加药泵的加药量进行反馈控制；
21、第二反馈控制模块，用于将混凝剂投加量及助凝剂投加量输入到精准加药系统第四模型中，预测得到出水浊度，根据预测得到的出水浊度对混凝剂加药泵的加药量及助凝剂加药泵的加药量进行反馈控制。
22、本发明所述基于机器学习与图像识别的混凝澄清池精准加药系统进一步的改进在于：
23、进一步的，所述原水水质参数包括原水的流量、水温、ph及浊度。
24、进一步的，所述絮体图像参数包括分形维数、絮体密度、絮体个数和平均等效粒径。
25、本发明具有以下有益效果：
26、本发明所述的基于机器学习与图像识别的混凝澄清池精准加药方法及系统在具体操作时，基于“单前馈+双反馈”的多参数控制模式，并采用絮体图像参数辅助提高模型预测的准确性，结合前馈与反馈信号，模型实时计算药剂投加值，控制加药泵流量与频率，实现混凝澄清过程的精准加药，可实现对以多水源供水的火力发电厂原水预处理的精准加药，有效缓解后续除盐水、循环水等水质处理压力，降低水质处理成本；实现火力发电厂原水混凝澄清过程的精准加药，在保证澄清池出水水质基础上节约药剂成本，对火力发电厂的药剂成本控制具有较大收益。另外，本发明考虑澄清池排泥量对混凝澄清过程精准加药及模型准确性、稳定性的影响，避免加药量不当等因素导致澄清池出现翻池等不利现象。
1.一种基于机器学习与图像识别的混凝澄清池精准加药方法，其特征在于，包括：
2.根据权利要求1所述的基于机器学习与图像识别的混凝澄清池精准加药方法，其特征在于，所述原水水质参数包括原水的流量、水温、ph及浊度。
3.根据权利要求1所述的基于机器学习与图像识别的混凝澄清池精准加药方法，其特征在于，所述絮体图像参数包括分形维数、絮体密度、絮体个数和平均等效粒径。
4.根据权利要求1所述的基于机器学习与图像识别的混凝澄清池精准加药方法，其特征在于，所述精准加药系统第一模型基于xgboost、pso-bp神经网络及支持向量机建立而成。
5.根据权利要求1所述的基于机器学习与图像识别的混凝澄清池精准加药方法，其特征在于，所述精准加药系统第二模型基于open cv库构建而成。
6.根据权利要求1所述的基于机器学习与图像识别的混凝澄清池精准加药方法，其特征在于，所述精准加药系统第三模型基于pso-bp神经网络构建而成。
7.根据权利要求1所述的基于机器学习与图像识别的混凝澄清池精准加药方法，其特征在于，所述精准加药系统第四模型基于pso-bp神经网络构建而成。
8.一种基于机器学习与图像识别的混凝澄清池精准加药系统，其特征在于，包括：
9.根据权利要求8所述的基于机器学习与图像识别的混凝澄清池精准加药系统，其特征在于，所述原水水质参数包括原水的流量、水温、ph及浊度。
10.根据权利要求8所述的基于机器学习与图像识别的混凝澄清池精准加药系统，其特征在于，所述絮体图像参数包括分形维数、絮体密度、絮体个数和平均等效粒径。