[發明專利]一種控制水處理絮凝劑投放量的方法及系統

有效

• 申請號: 201010182234.4
• 申請日: 2010-05-18
• 公開（公告）號: CN101825870A
• 公開（公告）日: 2010-09-08
• 發明（設計）人: 趙寅軍;張伯立;徐永燦;楊俊宇;孫建彬
• 申請（專利權）人: 浙江浙大中控信息技術有限公司
• 主分類號: G05B13/02
• 分類號: G05B13/02
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 逯長明

1.一種控制水處理絮凝劑投放量的方法，其特征在于，包括：

a、在當前時刻絮凝劑投放量的基礎上，選取具有待定系數的階躍基函 數作為下一時刻絮凝劑投放量的增量，預設以后每一時刻絮凝劑投放量的增 量為前一時刻絮凝劑投放量的增量乘以預先給定的遺傳因子，所述遺傳因子 小于1；

b、通過濾前水濁度預測模型y_m(k+i)=f(u(k+i))對當前時刻和未來時刻的 濾前水濁度進行預測輸出，得到一條在預測時域內的濾前水濁度預測輸出軌 跡，其中，f(x)是所述預測模型的函數式，所述y_m為預測模型的濾前水濁度 預測輸出曲線，所述u為在具有遺傳因子的階躍函數的作用下的控制輸入曲 線，所述u(k+i)為在k+i時刻預設的控制輸入，所述k為當前時刻，所述i的 取值范圍為從1到H，所述H為控制時域的步數，對當前時刻的濾前水濁度 和未來時刻的濾前水濁度進行誤差補償，得到當前時刻補償后的預測輸出的 濾前水濁度y_p(k)=y(k)+y_m(k)-y_m(k-L)，其中，所述y_p是進行誤差補償后的 預測輸出曲線，所述y(k)為當前時刻實際所測得的濾前水濁度，L為對當前 時刻產生影響的滯后時間，y_m(k-L)為k-L時刻的預測輸出，得到未來時刻補 償后的濾前水濁度y_p(k+i)=y_m(k+i)+e(k+i)，e(k+i)=y(k)-y_m(k)，其中，所述 e(k+i)為當前k時刻的實際輸出和預測輸出的差值，所述y_p(k+i)為k+i時刻 對未來時刻的預測輸出進行補償后的預測輸出，并由當前時刻和未來時刻補 償后的濾前水濁度的預測輸出繪出補償后的預測輸出軌跡；

c、由當前時刻補償后的預測輸出和給定的濾前水濁度的期望值確定一 條期望輸出的軌跡，所述期望輸出的軌跡對應在預測時域內由當前時刻的濾 前水濁度預測輸出出發到給定的濾前水濁度的期望值，且所述期望輸出的軌 跡為y_r(k+i)=(1-e^-i)Tu+e^-iy_p(k)，其中，所述Tu為濾前水濁度設定值，所述 y_p(k)為當前k時刻補償后的預測輸出，所述e為自然對數；

d、利用根據最小二乘原理對評價函數進行求 導、取極值的方式將所述濾前水濁度補償后的預測輸出軌跡和期望輸出軌跡 進行擬合，求得階躍基函數的系數，從而得出下一時刻的絮凝劑投放量；

e、應用BP神經網絡原理建立一個模型參數-水質參數和殘差的三層網 絡修正模型，通過該網絡修改模型并根據殘差和水質參數對所述預測模型進 行在線修正，然后執行步驟a。

2.根據權利要求1所述的方法，其特征在于，所述步驟e具體為：神經 網絡根據殘差和水質參數對所述預測模型進行在線修正，然后執行步驟a；

其中：

所述殘差為預測輸出和實際輸出的差值；

所述水質參數為水的流量、濁度、PH值或溫度。

3.根據權利要求1或2所述的方法，其特征在于，所述預測輸出包括自 由響應和受迫響應；其中，所述自由響應是由前一時刻控制輸入引起的模型 響應，所述受迫響應是由當前時刻控制輸入的增量引起的模型響應。

4.一種基于權利要求1所述方法的控制水處理絮凝劑投放量的系統， 其特征在于，包括：控制輸入模塊、預測輸出子模塊、補償子模塊、優化模 塊和修正模塊；

其中：

所述控制輸入模塊用來選取待定系數的階躍基函數作為下一時刻絮凝劑 投放量的增量，同時預設以后每一時刻絮凝劑投放量的增量為前一時刻絮凝 劑投放量的增量乘以預先給定的遺傳因子，所述遺傳因子小于1；

所述預測輸出子模塊采用預測模型y_m(k+i)=f(u(k+i))對當前時刻和控制 輸入模塊作用下的未來時刻的濾前水濁度進行預測輸出，同時得到一條在預 測時域內的濾前水濁度預測輸出軌跡；

所述補償子模塊對當前時刻的濾前水濁度和未來時刻的濾前水濁度進行 誤差補償，得到當前時刻補償后的預測輸出的濾前水濁度 y_p(k)=y(k)+y_m(k)-y_m(k-L)和未來時刻補償后的濾前水濁度 y_p(k+i)=y_m(k+i)+e(k+i)，e(k+i)=y(k)-y_m(k)；

所述優化模塊用來根據當前時刻補償后的濾前水濁度預測輸出和給定的 濾前水濁度的期望值確定一個在預測時域內由當前時刻預測輸出到期望值的 期望輸出的軌跡，并利用根據最小二乘原理對評價函數 進行求導、取極值的方式將所述濾前水濁度預測輸出 軌跡和期望輸出軌跡進行擬合，求得階躍基函數的系數；

所述修正模塊用來通過應用BP神經網絡原理建立一個模型參數-水質參 數和殘差的三層網絡修正模型，通過該網絡修正模型并根據殘差和水質參數 對所述預測輸出模塊進行在線修正。