基于BP神经网络数学模型在净水厂自动加矾中的应用研究

刘振东

南京水务集团有限公司 江苏南京 210009

摘要 本文针对水厂运行单体无人值守的发展趋势和比例加矾在平流沉淀池应用中具有较长滞后性，无法及时响应原水因素的突变从而造成水质不稳定性和不可靠性的弊端，以及混凝沉淀过程具有非线性的特点，提出基于BP神经网络的自动加矾数学模型。该模型以原水流量、浊度、温度、pH值、沉淀水浊度控制指标为输入量，以矾耗为输出量。该模型对南京水务集团某水厂某一系列平流沉淀池的矾投加量等生产数据具有较好的拟合性，证明该模型可应用于自动加矾生产领域，以弥补人工经验投加或按水量比例投加的不足。

关键词 净水厂 自动加矾 BP神经网络 数学模型

1 问题的提出

在净水厂的生产运行中，投加净水剂混凝是一个重要的工艺环节。如何在线获取最佳混凝剂投加量，使其与水质变化相符，从而实现净水剂实时最佳投加, 是当前实现智慧水厂需要解决的一个问题。

加矾流量是混凝效果的主要影响因素，目前普遍采用的方法是值班人员针对当前进水流量以及原水水质条件等因素，结合经验确定加矾流量。这样存在着人工调整不够及时，总体效率不够高的缺点^[1]。

基于BP神经网络的自动加矾数学模型在前馈控制中充分考虑到原水流量、浊度、温度、pH值、矾的配比浓度、排泥方式、沉淀水浊度控制指标等对加矾量的非线性影响，可及时对原水水质参数在短时间出现较大变化做出及时响应，给出合适的投加量，以弥补平流沉淀池通过沉淀水浊度反馈控制的滞后性。

2 模型的建立

2.1 模型的算法介绍

本数学模型采用三层结构即输入层—隐含层—输出层，建立BP神经网络模型。输入层根据影响混凝剂投加量的因素设置5个神经元，分别是原水的流量、浊度、温度、pH值及控制系统浊度的给定值(用x₁，…，x₅表示)，输出层为混凝投药量神经元1个(用u表示)，隐含层神经元个数对神经网络的运行性能有着较大影响，如果太少会降低神经网络的容错能力，太多又会影响神经网络的泛化能力^[2]，因此，合适的隐含层节点数是选定一个人工神经网络模型好坏的重要参数之一。该参数可通过参数校合确定^[3]。

2.2 模型的目标函数

人工神经网络作为前馈预测模型，模型输入量有：原水的流量、浊度、温度、pH值及沉淀水浊度控制值，模型输出量是计量泵投加的矾耗值。设输入向量为 ={流量；浊度；温度；pH值，沉淀水浊度等}，输出量为矾耗Y。

模型的目标函数为^[4]：

式中：

Y：模型输出（矾耗）；

：输入向量：{进水流量，原水浊度，原水温度，pH值，沉淀后水浊度}；

m：隐含层神经元个数；

：输入向量到隐含层第i个神经元的权值（即输入向量中各影响因素在处理单元所占的权重）；

：第i个神经元的阈值；

k：隐含层到输出层的系数；

：输入向量各因子的最大值和最小值；目标函数的最大值和最小值；

其中：m， ， ，k为模型参数。其校合的目标函数为^[4]：

min

式中：

：模型的计算输出；

：样本实际值；

：瞬时输出误差；

：训练集的样本总数。

3 模型参数的拟合

样本数据选用南京某水厂某一系列平流沉淀池的83组数据（统计周期为时平均），沉淀池目标浊度控制在2.5NTU—3.5NTU之间，考虑到pH值全年都变化不大，未纳入输入量。输入量为：沉淀池进水流量，原水浊度，原水温度，沉后水控制浊度。模型输出为矾耗。

模型函数的拟合结果（图3，图4）：

图3 模型函数拟合曲线图

图4 模型函数拟合误差图

此外，对2010年—2012年该水厂化验室搅拌实验数据进行了模型参数拟合。选取的输入量为GT值，水温、浊度、以及目标浊度3NTU。

模型参数拟合的结果为：（图5，图6）

图5 模型函数化验室小型搅拌实验拟合曲线图

图6 模型函数化验室小型搅拌实验拟合误差图

模型参数拟合结果分析：

①模型分别对样本量为83和样本量为70的数据进行拟合，从总的趋势看，模型输出矾耗曲线与实际曲线是一致的。

②从误差百分比曲线看，误差在±10%之内的样本数占总样本数的75%，决定拟合精度的主要因素是样本数量和样本数据的准确性。

③样本数量及数据的准确性直接决定了模型各参数的拟合的精度，而模型参数拟合的精度直接决定了模型所能揭示的输入和输出之间的客观物理规律，也就是模型的优劣。

4模型的验证

通过对样本数据的学习，将参数训练好的模型应用于加矾的前馈预测。随机从实际生产数据（统计周期为时平均）中抽取20组数据进行模型的验证，验证结果见图7。

图7 模型验证结果对比曲线图

验证结果分析：

①将参数拟合好的模型应用于对20组随机生产数据的预测看，部分数据预测误差很大，主要原因是该模型的参数拟合的样本容量偏小，模型训练不充分。

②从预测得好的数据来看，这些数据都是在模型训练时，学习类似情况比较多的类型，证明了神经网络模型是一种能够具有自适应、自学习功能的数学模型，只要能够保证足够的学习样本量，就能保证具有较好的学习精度，从而达到预测结果逐步收敛、逐步优化。

5 结语

（1）、基于BP神经网络的数学模型，能够应用在充分逼近复杂的非线性系统中，这样可解决原水浊度、温度、水量、pH值等因素对矾投加量的非线性影响，优于人工经验投加和按水量的比例的比例投加。

（2）、基于BP神经网络的自动加矾数学模型中涉及到的参数拟合的质量主要受样本数据库样本容量的影响，即使数据库样本中有小部分数据出现偏离或具有较大误差，由于大量神经元之间的广泛连接，不会影响整个系统的功能，所以该模型具有较强的容错性；。

（3）、随着大数据和云计算技术的快速发展，神经网络模型可采用并行分布式处理，使得数据处理分析快速、高效，从而在净水厂的生产实践中具有较好的应用前景。

参考文献：

[1]刘兆和，周新建，张国进，智能加矾在供水系统中的实现[J]，2005,26（8），794-795.

[2]袁曾任，人工神经元网络及其应用[M]，北京：清华大学出版社，1999,1-120.

[3]王永骥，涂健，神经元网络控制[M]，北京：机械工业出版社，1998,1-30.

[4]罗四维，大规模人工神经网络理论基础[M]，北京：清华大学出版社，2004，3-20