CN105676814B - 基于sfla‑svm的数字化水岛在线加药控制方法 - Google Patents
基于sfla‑svm的数字化水岛在线加药控制方法 Download PDFInfo
- Publication number
- CN105676814B CN105676814B CN201610015833.4A CN201610015833A CN105676814B CN 105676814 B CN105676814 B CN 105676814B CN 201610015833 A CN201610015833 A CN 201610015833A CN 105676814 B CN105676814 B CN 105676814B
- Authority
- CN
- China
- Prior art keywords
- svm
- water
- population
- sfla
- models
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000003814 drug Substances 0.000 title claims abstract description 24
- 239000000126 substance Substances 0.000 claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000012706 support-vector machine Methods 0.000 claims abstract description 6
- 230000000739 chaotic effect Effects 0.000 claims abstract description 4
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 claims description 6
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 6
- 230000013016 learning Effects 0.000 abstract description 5
- 239000002699 waste material Substances 0.000 abstract description 4
- JEGUKCSWCFPDGT-UHFFFAOYSA-N h2o hydrate Chemical compound O.O JEGUKCSWCFPDGT-UHFFFAOYSA-N 0.000 abstract description 3
- 230000002411 adverse Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 10
- 230000008859 change Effects 0.000 description 8
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- OAKJQQAXSVQMHS-UHFFFAOYSA-N Hydrazine Chemical compound NN OAKJQQAXSVQMHS-UHFFFAOYSA-N 0.000 description 2
- 238000004176 ammonification Methods 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 239000000701 coagulant Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000016615 flocculation Effects 0.000 description 2
- 238000005189 flocculation Methods 0.000 description 2
- -1 flocculation aid Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013433 optimization analysis Methods 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 206010068052 Mosaicism Diseases 0.000 description 1
- 229910019142 PO4 Inorganic materials 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000000844 anti-bacterial effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003899 bactericide agent Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000005660 chlorination reaction Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 description 1
- 239000010452 phosphate Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 210000003765 sex chromosome Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Separation Of Suspended Particles By Flocculating Agents (AREA)
Abstract
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。
Description
技术领域
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
在现代300MW以上火力发电厂中，90％以上实现了DCS自动控制***，但电厂水处理***基本实现了DCS自动化控制***，但***的智能优化分析投入率非常低，水处理***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***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。
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。
混合蛙跳算法(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(PSO)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。
对于火电厂水处理这类强非线性、滞后性较大的***，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
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。
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：
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、监测指标的在线控制SVM模型并进行降噪处理，其中，K(xi,yi)为核函数，b为常数，αi为拉格朗日乘子；
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。
作为本发明进一步的改进，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xi作为模型输入向量，其中，i＝1,2,…n；
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＝1,2,…n。
作为本发明进一步的改进，步骤2具体包括：
步骤21，将时间序列集(xi,yi)采用非线性映射执行向高维空间的映射，并构造在线控制SVM模型的函数其中，i＝1,2,…n，xi∈Rm，yi∈R，w为权向量，b为常数；
步骤22，引入松弛变量ξ和惩罚因子C，建立函数和函数其中，ξ≥0，C＞0，i＝1,2,…,l；
步骤23，引入径向基RBF核函数其中，σ＞0；
步骤24，建立在线控制SVM模型为
作为本发明进一步的改进，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N，每个子种群个数数量M，全局迭代次数GEN，子种群迭代次数K；
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。
作为本发明进一步的改进，步骤32具体包括：
步骤A1，随机选取T个区间在[0,1]内不同初始值构成初始序列ε0＝(ε1,0,ε2,0,...εT,0)，通过Logistic映射得到G个轨迹不同的混沌序列εj，其中，j＝1,2,...,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,1,Xi,2,...,Xi,T)，i＝1,2,...,G。
作为本发明进一步的改进，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＝{Xi}，其中，i＝1表示个体性能最好，记录最好个体为Pm＝X1；
步骤B2，将G个个体分成N个子种群，每个子种群包含M个个体，将第一个个体放入N1、第二个个体放入N2，直到第M+1个个体放入N1，选择子种群中第一个个体和第M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，P'＝Pw+rand×(Pb-Pw)；
其中，P'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Pw，如果P'优于Pw，则Pw＝P'，否则将Pm替换Pm后重新执行步骤B3，再次判断P'是否优于Pw，如果P'仍然不优于Pw，则随机产生一个解代替Pw，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B4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B5，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B6，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B5，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。
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、氯离子含量和氨氮含量。
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。
本发明的有益效果为：
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；
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；
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
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；
图2为图1中步骤1的具体流程示意图；
图3为图1中步骤2的具体流程示意图；
图4为图1中步骤3的具体流程示意图；
图5为图4中步骤32的具体流程示意图；
图6为图4中步骤33的具体流程示意图；
图7为来水监测指标中PH值的具体变化曲线；
图8为来水监测指标中来水流量的具体变化曲线；
图9为来水监测指标中来水浊度的具体变化曲线；
图10为来水监测指标中氯离子含量的具体变化曲线；
图11为来水监测指标中氨氮含量的具体变化曲线；
图12为具体使用时加药量的实际——拟合曲线；
图13为具体使用时加药量的实际——预测曲线。
具体实施方式
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。
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：
步骤1，获取***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：
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xi作为模型输入向量，其中，i＝1,2,…n；
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＝1,2,…n；
步骤2，基于支持向量机建立加药量、监测指标的在线控制SVM模型并进行降噪处理，其中，K(xi,yi)为核函数，b为常数，其中，αi为拉格朗日乘子，i＝1,2,…n，如图3所示，具体包括：
步骤21，将时间序列集(xi,yi)采用非线性映射执行向高维空间的映射，并构造在线控制SVM模型的函数其中，i＝1,2,…n，xi∈Rm，yi∈R，w为权向量，b为常数；
步骤22，引入松弛变量ξ和惩罚因子C，建立函数和函数其中，ξ≥0，C＞0，i＝1,2,…,l；
步骤23，引入径向基RBF核函数其中，σ＞0；
步骤24，建立在线控制SVM模型为其中，αi为拉格朗日乘子，
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：
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M，全局迭代次数GEN，子种群迭代次数K；
步骤32，采用混沌理论初始化种群，如图5所示，具体包括：
步骤A1，随机选取T个区间在[0,1]内不同初始值构成初始序列ε0＝(ε1,0,ε2,0,...εT,0)，通过Logistic映射得到G个轨迹不同的混沌序列εj，其中，j＝1,2,...,G，选取的初始值不包括0，0.25，0.5，0.75和1这5个值；
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,1,Xi,2,...,Xi,T)，i＝1,2,...,G；
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：
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＝1表示个体性能最好，记录最好个体为Pm＝X1；
步骤B2，将G个个体分成N个子种群，每个子种群包含M个个体，将第一个个体放入N1、第二个个体放入N2，直到第M+1个个体放入N1，选择子种群中第一个个体和第M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，P'＝Pw+rand×(Pb-Pw)；
其中，P'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Pw，如果P'优于Pw，则Pw＝P'，否则将Pm替换Pm后重新执行步骤B3，再次判断P'是否优于Pw，如果P'仍然不优于Pw，则随机产生一个解代替Pw，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B4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B5，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B6，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B5，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；
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。
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。
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、M＝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＝0.985，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——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。
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。
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。
Claims (8)
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(xi,yi)为核函数，b为常数，αi为拉格朗日乘子，i＝1,2,…n；
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xi作为模型输入向量，其中，i＝1,2,…n；
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＝1,2,…n。
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(xi,yi)采用非线性映射执行向高维空间的映射，并构造在线控制SVM模型的函数其中，i＝1,2,…n，xi∈Rm，yi∈R，w为权向量，b为常数；
步骤22，引入松弛变量ξ和惩罚因子C，建立函数和函数其中，ξ≥0，C＞0，i＝1,2,…,l；
步骤23，引入径向基RBF核函数其中，σ＞0；
步骤24，建立在线控制SVM模型为
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N，每个子种群个数数量M，全局迭代次数GEN，子种群迭代次数K；
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A1，随机选取T个区间在[0,1]内不同初始值构成初始序列ε0＝(ε1,0,ε2,0,...,εT,0)，通过Logistic映射得到G个轨迹不同的混沌序列εj，其中，j＝1,2,...,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,1,Xi,2,...,Xi,T)，i＝1,2,...,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＝{Xi}，其中，i＝1表示个体性能最好，记录最好个体为Pm＝X1；
步骤B2，将G个个体分成N个子种群，每个子种群包含M个个体，将第一个个体放入N1、第二个个体放入N2，直到第M+1个个体放入N1，选择子种群中第一个个体和第M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，P'＝Pw+rand×(Pb-Pw)；
其中，P'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Pw，如果P'优于Pw，则Pw＝P'，否则将Pm替换Pm后重新执行步骤B3，再次判断P'是否优于Pw，如果P'仍然不优于Pw，则随机产生一个解代替Pw，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B4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B5，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B6，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B5，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0，0.25，0.5，0.75和1这5个值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610015833.4A CN105676814B (zh) | 2016-01-11 | 2016-01-11 | 基于sfla‑svm的数字化水岛在线加药控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610015833.4A CN105676814B (zh) | 2016-01-11 | 2016-01-11 | 基于sfla‑svm的数字化水岛在线加药控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105676814A CN105676814A (zh) | 2016-06-15 |
| CN105676814B true CN105676814B (zh) | 2017-12-29 |
Family
ID=56299870
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610015833.4A Active CN105676814B (zh) | 2016-01-11 | 2016-01-11 | 基于sfla‑svm的数字化水岛在线加药控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105676814B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106371316B (zh) * | 2016-10-25 | 2017-11-03 | 大唐（北京）水务工程技术有限公司 | 基于pso‑lssvm的水岛加药在线控制方法 |
| CN106502093B (zh) * | 2016-10-25 | 2017-09-05 | 大唐（北京）水务工程技术有限公司 | 基于ga‑svr的水岛加药在线控制方法 |
| CN106292296B (zh) * | 2016-10-25 | 2017-11-03 | 阳城国际发电有限责任公司 | 基于ga‑svm的水岛加药在线控制方法和装置 |
| CN106777642B (zh) * | 2016-12-08 | 2018-05-08 | 南京航空航天大学 | 一种平板气膜冷却结构流量系数的预测方法 |
| CN106951980B (zh) * | 2017-02-21 | 2021-07-09 | 河海大学 | 一种基于rcp情景的水库群适应性调度方法 |
| CN108408855B (zh) * | 2018-04-10 | 2019-02-12 | 大唐（北京）水务工程技术有限公司 | 一种用于废水处理的在线加药控制方法及*** |
| CN110980898A (zh) * | 2019-10-11 | 2020-04-10 | 浙江华晨环保有限公司 | 一种净水设备药剂投加*** |
| CN110794883B (zh) * | 2019-11-28 | 2023-05-23 | 湖北华电江陵发电有限公司 | 一种发电厂凝结水自动加氨的控制方法及*** |
| CN113377072B (zh) * | 2021-06-24 | 2023-02-07 | 华东交通大学 | 基于即时学习的稀土萃取过程药剂量优化设定方法 |
| CN114380379B (zh) * | 2022-02-22 | 2023-01-20 | 太原理工大学 | 一种煤泥水的加药控制方法及*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102231057A (zh) * | 2011-03-04 | 2011-11-02 | 江苏大学 | 基于混沌粒子群优化的赖氨酸发酵过程软测量方法 |
| CN102693451A (zh) * | 2012-06-14 | 2012-09-26 | 东北电力大学 | 基于多参数的氨法烟气脱硫效率预测方法 |
| CN103771581A (zh) * | 2013-12-06 | 2014-05-07 | 浙江浙大中控信息技术有限公司 | 污水处理逆向求解控制方法 |
| CN104637497A (zh) * | 2015-01-16 | 2015-05-20 | 南京工程学院 | 一种面向语音情感识别的语谱特征提取方法 |
-
2016
- 2016-01-11 CN CN201610015833.4A patent/CN105676814B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102231057A (zh) * | 2011-03-04 | 2011-11-02 | 江苏大学 | 基于混沌粒子群优化的赖氨酸发酵过程软测量方法 |
| CN102693451A (zh) * | 2012-06-14 | 2012-09-26 | 东北电力大学 | 基于多参数的氨法烟气脱硫效率预测方法 |
| CN103771581A (zh) * | 2013-12-06 | 2014-05-07 | 浙江浙大中控信息技术有限公司 | 污水处理逆向求解控制方法 |
| CN104637497A (zh) * | 2015-01-16 | 2015-05-20 | 南京工程学院 | 一种面向语音情感识别的语谱特征提取方法 |
Non-Patent Citations (4)
| Title |
|---|
| "Recognition of practical speech emotion using improved shuffled frog leaping algorithm*";ZHANG Xiaodan;《CHINESE JOURNAL OF ACOUSTICS》;20141231;第33卷(第4期);第441-456页 * |
| "基于SVM与图像处理技术的浮选加药控制方法研究";王玉昆;《Proceedings of the 31st Chinese Control Conference》;20120727;第7067-7070页 * |
| "基于改进混合蛙跳算法的SVM分类算法";李希婷;《信息化研究》;20111030;第37卷(第5期);第41-44页 * |
| "污水处理控制***设计与建模研究";宋岩;《中国优秀硕士学位论文全文数据库-工程科技I辑》;20090330;第B027-166页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105676814A (zh) | 2016-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105676814B (zh) | 基于sfla‑svm的数字化水岛在线加药控制方法 | |
| Zhou et al. | Employing artificial bee colony and particle swarm techniques for optimizing a neural network in prediction of heating and cooling loads of residential buildings | |
| Yuan et al. | Prediction of concrete compressive strength: Research on hybrid models genetic based algorithms and ANFIS | |
| Tian et al. | An optimization of artificial neural network model for predicting chlorophyll dynamics | |
| CN102854296B (zh) | 一种基于集成神经网络的污水处理软测量方法 | |
| CN106371316B (zh) | 基于pso‑lssvm的水岛加药在线控制方法 | |
| CN107705556A (zh) | 一种基于支持向量机和bp神经网络结合的交通流预测方法 | |
| Zhu et al. | Coke price prediction approach based on dense GRU and opposition-based learning salp swarm algorithm | |
| Zhang et al. | Study on water quality prediction of urban reservoir by coupled CEEMDAN decomposition and LSTM neural network model | |
| CN105069220A (zh) | 基于bp神经网络免疫遗传算法的微生物发酵优化方法 | |
| Wang et al. | A full-view management method based on artificial neural networks for energy and material-savings in wastewater treatment plants | |
| CN106292296B (zh) | 基于ga‑svm的水岛加药在线控制方法和装置 | |
| CN106502093B (zh) | 基于ga‑svr的水岛加药在线控制方法 | |
| CN116029612A (zh) | 一种基于深度学习的城镇污水厂外加碳源精准控制方法 | |
| CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
| CN105160422B (zh) | 基于自组织级联神经网络的污水处理出水总磷预测方法 | |
| CN114119277A (zh) | 一种基于人工智能神经网络的絮凝投药决策的分析方法 | |
| Sun et al. | Research on prediction of housing prices based on GA-PSO-BP neural network model: evidence from Chongqing, China | |
| CN114862062B (zh) | 环境承载力的预警方法、装置、电子设备和可读存储介质 | |
| Peng et al. | A fuzzy‐dependent chance multi‐objective programming for water resources planning of a coastal city under fuzzy environment | |
| Niu et al. | Soil Moisture Prediction in Peri-urban Beijing, China: Gene Expression Programming Algorithm. | |
| CN103675012A (zh) | Bp粒子群优化的工业熔融指数软测量仪表和方法 | |
| Liu et al. | The prediction of sports economic development prospect in different regions by improved artificial bee colony algorithm | |
| CN112836885A (zh) | 组合负荷预测方法、装置、电子设备和存储介质 | |
| Liu et al. | Establishment and Application of Steel Composition Prediction Model Based on t-Distributed Stochastic Neighbor Embedding (t-SNE) Dimensionality Reduction Algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |