一种面向自来水厂絮凝剂智能投加方法及其系统与流程

本发明属于自来水厂净水工艺，涉及一种面向自来水厂絮凝剂智能投加方法及其系统。

背景技术：

1、自来水肩负着城市经济发展的重任，保证出厂水质从而让居民用上安全水、放心水是自来水厂的使命。混凝投药是原水处理工艺流程中的重要环节，也是复杂的物理化学反应过程，而过度投药极易导致水中铝离子浓度过高，从而影响人的身体健康，并对水质及输水系统产生不良影响。同时，混凝剂费用是仅次于电费的第二大制水成本。基于此，如何在保证制水质量的前提下，节约混凝剂消耗，是降低净水成本、保证供水质量的重要措施，经济意义十分重大。

2、当前，自来水厂投药所面临的核心问题是效果反馈存在大滞后性，即当前处理后的水质情况需要等1-2个小时后才能得到结果，且存在非线性的特征。如申请号为：202111005572.5，专利名称为：自来水混凝剂加药量的预测方法及系统，和申请号为：201510653769.8，专利名称为：一种自来水凝絮剂投加量的控制方法的专利均采用神经网络模型实现待滤浊度的精准预测，从而达到“前馈”目的，解决了大滞后问题，但其忽略了以下两个方面：

3、其一，未对异常值进行有效识别和处理。由于在线仪表长期所处环境较为复杂，极易产生异常值，同时，由于处理过程进水流量的突变、日常的排泥等工艺的影响，同样会使得采集数据存在片面的问题。

4、其二，尚未考虑后反馈的问题，上述专利采用预测模型实现对待滤浊度的前馈，但模型预测肯定会存在偏差，不对及时对模型输出进行调整，其存在很大的隐患。

5、因此，大部分水厂为了保证水质，采取的投药方案是饱和式等比例的投药策略，具体而言，就是基于水厂原水水质情况，依赖个人经验，采用等比例的方式进行投药，而这种方式存在出水水质不稳定、药耗成本提升、人力成高的问题。

技术实现思路

1、有鉴于此，本发明提供一种面向自来水厂絮凝剂智能投加方法及其系统，解决了饱和式等比例的投药策略导致出水水质不稳定、药耗成本提升、人力成高的问题。

2、本发明所采用的技术方案是，

3、一种面向自来水厂絮凝剂智能投加方法，其特征在于，步骤为：

4、步骤1：数据采集及接入

5、收集在线仪表采集到的生产数据和系统参数数据

6、在线仪表采集到的生产数据围绕自来水厂絮凝沉淀工艺，从scada系统中获取所需要的测点数据，测点数据包括：进水浊度s、进水流量iq、进水温度w、进水ph值ph、絮凝剂投加量pa c、待滤浊度os；

7、系统参数数据包括：絮凝剂可调投加量p，待滤浊度目标值l、运行频率h、沉降工艺设计时长t、a表示状态矩阵，b表示控制矩阵；h是浊度仪的参数，q表示系统噪声的协方差矩阵、r表示测量噪声的协方差矩阵；

8、步骤2：异常数据识别及处理

9、对采集到的生产数据中的异常值和缺失值进行识别，并对异常值和缺失值进行补充；

10、所述的异常值识别采用箱形图法，异常值定义为小于q1-1.5iqr(下界)或大于q3+1.5iqr(上界)的值，对在线仪表采集到的任意一条数据判断否为异常值或者缺失值，其判别公式如下：

11、

12、其中：

13、iqr＝q3-q1

14、上式中，q1表示下四分位数、q3表示上四分位数，0表示正常值，1表示为异常值；

15、对异常值和缺失值进行处理，处理采用临近值插补法，将异常值上下不为异常值和缺失值的均值作为当前异常值和缺失值处理后的值；

16、步骤3：特征及数据构造

17、针对进水浊度数据，采用卡尔曼滤波算法对其进行平滑处理，具体处理方法为：

18、(1)时间更新

19、

20、

21、(2)状态更新

22、

23、

24、

25、上式中，表示k时刻系统状态值；yk是k时刻的进水浊度测量值；表示k时刻滤波后的浊度值；a表示状态矩阵，b表示控制矩阵；h是浊度仪的参数，q表示系统噪声的协方差矩阵、r表示测量噪声的协方差矩阵，uk是k时刻对系统的控制量；pk表示误差协方差；kk表示卡尔曼增益；

26、针对待滤浊度数据，将其前置处理：

27、首先，将待滤浊度指标采集时间节点统一加t小时；

28、其次，将处理后的待滤浊度与进水浊度、进水流量、进水温度、进水ph值、絮凝剂投加量、待滤浊度按照采集时间进行对齐；

29、最后，将重构后的数据进行保存；

30、步骤4：自来水厂絮凝剂智能投加模型构建

31、对于步骤2、3处理后的历史数据，构建絮凝剂估计模型，设置自变量为进水浊度、进水流量、进水温度、进水ph值、待滤浊度，变量为絮凝剂投加量，并借助回归模型进行训练，从而实现絮凝剂投加量的预测；对当前水质情况进行预判并利用絮凝剂估计模型进行基础投加量求解；进而，根据当前反馈的待滤浊度及反馈灵敏度参数对基础投加量进行调整；最后，根据上一时刻絮凝剂投加量情况对当前调整后的絮凝剂投加量进行优化；

32、步骤5：模型评估及参数调优

33、购建模型为回归预测模型，采用平均绝对值误差mae作为评估指标，计算公式如下：

34、

35、上式中，yi表示第i时刻待真实值，表示第i时刻预测值；

36、参数调优针对絮凝剂估计模型中3种回归模型，基于每个模型评估结果选择mae最小的一个模型作为最终应用的模型。

37、步骤6：模型部署及应用

38、将上述步骤2、3、4、5逻辑和方法进行封装，并依托自来水厂絮凝剂智能投加系统将其导入到系统中，进而根据水厂实际的自来水加工过工艺，创建对应的应用。

39、进一步，步骤4的具体方法为：

40、(1)絮凝剂估计模型

41、该模型输入指标为：进水浊度、进水流量、进水温度、进水ph值、待滤浊度；输出指标为絮凝剂单位投加量，其中，回归模型分别是随机森林归回模型、极端梯度提升回归模型、bp神经网络模型；

42、(2)进水浊度趋势预判

43、将上一个时间点与当前时间点进水浊度的变化量作为当前时间点到下个时间节点的变化量来处理，进水浊度的变化量超过2倍，进水浊度趋势预判将作为当前时间点进水浊度指标值输入值絮凝剂估计模型中；

44、(3)絮凝剂投加量稳定性优化

45、当上一时间点投加药量与当前输出投加药量偏差在絮凝剂可调投加量p范围内，将当前时间点投加药量调整为上个时间点投加量。

46、一种面向自来水厂絮凝剂智能投加方法所采用的系统，包括数据采集及存储模块、模型管理模块、应用管理模块、絮凝沉降工艺监控模块和模型输出结果下发模块；

47、所述的数据采集及存储模块用于在线仪表测点配制和数据管理；依据系统及模型的数据需求清单，通过该功能模块数据采集配置功能，将在线仪表所采集到的数据同步至本系统中，并按照指定的数据结构、采集频率对原始数据进行处理和存储；

48、所述的模型管理模块用于本系统中自来水厂絮凝剂智能投加模型的管理，主要功能包括模型新增、修改、删除以及模型版本的管理；

49、所述的应用管理模块，用于将模型管理模块中的模型，通过配置不同的参数进而创建成不同的应用，并提供对所创建应用的参数修改功能及应用的启动功能和暂停功能。

50、所述的絮凝沉降工艺监控模块用于实时监控自来水厂絮凝沉淀工艺所涉及到关键采集项的详情情况及可视化功能。

51、所述的模型输出结果下发模块用于将模型应用所输出的絮凝剂投加量下发至scada系统。

52、进一步，模型输出结果下发模块的结果数据下发支持2种模式，

53、第一种为将结果存储到指定的数据库表中，scada系统从该表中进行获取；

54、第二种为api接口服务模式，即通过http请求相关结果，并将结果以参数或者返回值的形式发送给scada系统。

55、本发明的有益效果是

56、1、本发明采用卡尔曼滤波算法对进水浊度数据进行处理，从而有效避免了因进水流量突变、在线仪表污染等问题导致模型预测的混凝剂投加量偏离实际情况等问题。

57、2、本发明采用“模型+后反馈”的机制，及时对模型预测偏差进行修正，从而避免模型失效造成水质不达标的安全生产隐患。