水处理中线性回归和BPNN预测混凝投药量的比较_阎有运

水处理中线性回归和BPNN预测混凝投药量的比较阎有运常波(河南理工大学河南焦作454003)摘要BP神经网络和线性回归模型是混凝投药前馈控制中2种不同的预测混凝投药量的方法。分别用这2种方法建立了混凝投药量前馈控制模型,并基于同一样本数据进行仿真比较。结果表明,该3层结构BP模型通过学习可以根据原水水质进行投药量的有效预测,优于传统的线性回归模型,具有较强的自适应性和实用性。但对某些水质的投药预测值还存在一定误差。关键词BP神经网络线性回归模型混凝投药前馈控制器ComparisonofForecastCoagulationDosageBetweenLinearRegressionandBPNNinWaterTreatmentYANYou-yunCHANGBo(HenanPolytechnicUniversityJiaozuo,Henan454003)AbstractBPneuralnetwork(BPNN)andlinearregressionmodelaretwodifferentdosagepredictioncoagulationmethodsinthecoagulantdosingfeedforwardcontrol.Thisarticlehasestablishedcoagulantdosagefeedforwardcontrolmodelsbyusingthetwokindsofmethods,whichhasalsobeensimulatedandcomparedbasedonthesamesampledata.Theresultsshow:throughthestudyofBPmodelofthree-tierstruc-turetheeffectivedosageforecastcanbeconductedaccordingtotherawwaterquality,superiortothelinearregressionmodel,anditisalsoself-adaptiveandpractical,buttherestillexistsomelimitations,somedifferencesindosageforecastforsomewaterquality.KeywordsBPnerualnetwork(BPNN)linearregressionmodelcoagulantdosingfeedforwardcontroller水处理工程中,混凝环节是最基本、最重要的操作环节之一,准确的投加混凝剂可以有效减轻过滤、消毒设备的负担,是提高水质、取得良好混凝效果及经济效益的关键。目前国内众多水厂采用的混凝投药控制主要是基于传统数学模型的前馈投药控制和基于流动电流的反馈投药控制[1],控制效果都不太理想,存在沉淀池出水浊度波动大、药剂浪费严重等问题。如何在线得到适合水质变化的最佳混凝剂量,实现混凝剂量的最佳投加,是目前水工业中亟待解决的问题。混凝过程是大滞后、非线性、时变系统,难以按传统的控制方法进行有效的投药控制。蓬勃发展的智能控制理论[2-5]为这一问题的解决提供了新的思路。本文介绍了一种基于3层结构BP神经网络的前馈投药控制系统,并与基于传统数学模型的前馈投药控制进行仿真比较。1数据来源烧杯试验法控制投药量在净水处理的历史上占有重要地位,烧杯试验控制数据反映了操作者的经验,它的数据可参考性很高。因而,在本研究中借助烧杯试验进行投药控制模型的研究设计。本文所考察的是来自岷江水系某水厂的水源,使用的混凝剂为PAC,跟据水质特点,主要考虑原水浊度、pH、温度、碱度参数对投药量的影响。选用该厂2007年成功的烧杯试验历史数据(每天进行1次烧杯试验)中233个数据点作为仿真样本数据,这些样本反映水质随季节变化特性,数据图见图1。2投药量的神经网络前馈控制器2.1BP神经网络控制器的设计图1烧杯试验数据样本前馈控制器采用3层结构的BP神经网络模型。输入量x1,x2,x3,x4分别为原水特性参数:浊度、温度、碱度和pH值,输出量u为最优投药量。由于这里BP网络模型的根本任务是对输入输出数据的函数关系进行辨识建模,所以对样本数据的学习采用批处理方式。网络通过离线训练,进行参数自适应调整,对样本的学习结果以权值的形式保存下来。2.1.1数据归一化将烧杯试验样本数据点中的原水浊度、温度、碱度、pH·5·2009年第35卷第11期November2009工业安全与环保IndustrialSafetyandEnvironmentalProtection值按式(1)作归一化处理,后面小节中提到的样本指归一化后的样本数据。x＊i=xi-xminxmax-xmin(1)式中,xmax,xmin分别为该项参数数据中的最大值、最