本發(fā)明屬于火電廠水處理技術(shù)領(lǐng)域，具體涉及一種基于GA-SVR的水島加藥在線控制方法和裝置，可用于自動(dòng)控制加藥量。

背景技術(shù)：

火力發(fā)電廠簡稱火電廠，是利用煤、石油、天然氣作為燃料生產(chǎn)電能的工廠，它的基本生產(chǎn)過程是：燃料在鍋爐中燃燒加熱水產(chǎn)生蒸汽，將燃料的化學(xué)能轉(zhuǎn)變成熱能，然后由蒸汽壓力推動(dòng)汽輪機(jī)旋轉(zhuǎn)，將熱能轉(zhuǎn)換成機(jī)械能，最后汽輪機(jī)帶動(dòng)發(fā)電機(jī)旋轉(zhuǎn)，將機(jī)械能轉(zhuǎn)變成電能。

在現(xiàn)代火電廠中，水處理的過程是一個(gè)復(fù)雜的物理、化學(xué)反應(yīng)過程，該反應(yīng)過程受來水水質(zhì)、環(huán)境、天氣等多種因素影響，因此火電廠中水處理過程具有大時(shí)滯、大慣性和非線性的特性。

為了減少來水水質(zhì)對(duì)火電廠正常運(yùn)行的影響，會(huì)通過添加藥劑進(jìn)行調(diào)節(jié)。目前，運(yùn)行人員通常根據(jù)調(diào)試的出水水質(zhì)來判斷藥劑的添加量，通過反復(fù)增減添加量至出水水質(zhì)滿足要求來確定加藥量，工作效率低，并且造成了藥品的無形浪費(fèi)，而且當(dāng)來水水質(zhì)變化激烈時(shí)，控制品質(zhì)會(huì)明顯降低，無法滿足出水達(dá)標(biāo)要求。

綜上所述，針對(duì)現(xiàn)有技術(shù)中存在的上述問題，目前尚未提出有效的解決方案。

技術(shù)實(shí)現(xiàn)要素：

為解決上述問題，本發(fā)明的目的在于提供一種基于GA-SVR的水島加藥在線控制方法和裝置，以解決目前火電廠水處理過程中加藥量確定方法工作效率低、藥品浪費(fèi)和無法滿足出水達(dá)標(biāo)要求的問題。

依據(jù)本發(fā)明的一個(gè)方面，提供了一種基于GA-SVR的水島加藥在線控制方法，該方法包括：

獲取出水指標(biāo)符合要求的、來水監(jiān)測指標(biāo)的m組歷史參數(shù)值，以及對(duì)應(yīng)于每組所述歷史參數(shù)值的加藥劑的歷史加藥量，其中，來水監(jiān)測指標(biāo)包括多個(gè)指標(biāo)，每組歷史參數(shù)值包括該多個(gè)指標(biāo)的參數(shù)值；基于支持向量回歸機(jī)建立在線控制SVR模型，其中，所述歷史參數(shù)值為所述SVR模型的輸入向量，所述歷史加藥量為所述SVR模型的輸出向量；對(duì)所述SVR模型執(zhí)行GA算法，求解所述SVR模型中的參數(shù)的最優(yōu)解；將求解得到的所述最優(yōu)解輸入所述SVR模型，得到水島的加藥模型；實(shí)時(shí)監(jiān)測所述來水監(jiān)測指標(biāo)的實(shí)時(shí)參數(shù)值；以及將所述實(shí)時(shí)參數(shù)值輸入所述水島的加藥模型，以確定當(dāng)前時(shí)刻所述加藥劑的加藥量。

進(jìn)一步地，基于支持向量回歸機(jī)建立在線控制SVR模型的步驟具體包括：設(shè)置所述SVR模型的輸入向量為所述來水監(jiān)測指標(biāo)的數(shù)字信號(hào)的時(shí)間序列x_i，設(shè)置所述SVR模型的輸出向量為對(duì)應(yīng)于所述時(shí)間序列x_i的加藥劑的歷史加藥量的時(shí)間序列y_i，其中，i＝1，2，...，n，n＜m；將由所述時(shí)間序列x_i和所述時(shí)間序列y_i構(gòu)成的時(shí)間序列集(x_i，y_i)采用非線性映射執(zhí)行向高維空間的映射，并構(gòu)造所述SVR模型的函數(shù)為其中，i＝1，2，...，n，x_i∈R^q，y_i∈R，q為所述來水監(jiān)測指標(biāo)中指標(biāo)的個(gè)數(shù)，w為權(quán)向量，b為常數(shù)；引入松弛變量ξ和懲罰因子C，建立所述SVR模型的目標(biāo)函數(shù)為約束條件為其中，ξ≥0，C＞0，i＝1，2，...，n；確定所述SVR模型的核函數(shù)為徑向基函數(shù)其中，σ＞0；建立所述SVR模型為其中，α_i＝Cξ_i，為拉格朗日系數(shù)。

進(jìn)一步地，對(duì)所述SVR模型執(zhí)行GA算法，求解所述SVR模型中的參數(shù)的最優(yōu)解的步驟包括：步驟A：設(shè)定GA算法的參數(shù)，確定初始種群規(guī)模G、全局迭代次數(shù)、變異概率、交叉概率，確定松弛變量ξ、懲罰因子C和核參數(shù)σ為GA算法的決策變量；步驟B：令迭代次數(shù)為1，初始化所述SVR模型的參數(shù)，并對(duì)初始化后的所述SVR模型的參數(shù)進(jìn)行二進(jìn)制編碼，產(chǎn)生G組初始種群；步驟C：采用下述循環(huán)步驟，確定松弛變量ξ、懲罰因子C和核參數(shù)σ的最優(yōu)解：步驟C1：根據(jù)適應(yīng)度函數(shù)計(jì)算種群中各個(gè)體的適應(yīng)度函數(shù)值，步驟C2：判斷當(dāng)前迭代次數(shù)是否達(dá)到全局迭代次數(shù)，若達(dá)到，則輸出最優(yōu)個(gè)體，結(jié)束步驟C，若未達(dá)到，則把適應(yīng)度函數(shù)值最高的最優(yōu)個(gè)體保存下來，并記錄適應(yīng)度函數(shù)值最低的最差個(gè)體序號(hào)，令迭代次數(shù)加1，進(jìn)行選擇、交叉、變異遺傳操作，并用保存的最優(yōu)個(gè)體替換序號(hào)為所述最差個(gè)體序號(hào)的新個(gè)體，產(chǎn)生新的種群，返回步驟C1。

進(jìn)一步地，所述適應(yīng)度函數(shù)為為以所述時(shí)間序列集(x_i，y_i)中第i組數(shù)據(jù)作為所述SVR模型的輸入向量計(jì)算得到的計(jì)算機(jī)模擬值。

進(jìn)一步地，求解所述SVR模型中的參數(shù)的最優(yōu)解的步驟還包括：步驟S4：將求解得到的所述最優(yōu)解作為所述SVR模型的參數(shù)，將所述來水監(jiān)測指標(biāo)的數(shù)字信號(hào)的時(shí)間序列x_p輸入所述SVR模型，得到對(duì)應(yīng)于所述時(shí)間序列x_p的加藥劑的模擬加藥量的時(shí)間序列其中，p＝n+1，n+2，...，m；步驟S5：根據(jù)對(duì)應(yīng)于所述時(shí)間序列x_p的加藥劑的歷史加藥量的時(shí)間序列y_p和所述時(shí)間序列計(jì)算所述SVR模型的均方根誤差；步驟S6：判斷所述均方根誤差是否小于預(yù)設(shè)誤差值，若小于，則結(jié)束求解所述SVR模型中的參數(shù)的最優(yōu)解的步驟，若不小于，則返回步驟A。

進(jìn)一步地，所述來水監(jiān)測指標(biāo)包括水流量、PH值、濁度值、氯離子含量和氨氮含量。

進(jìn)一步地，所述加藥劑為硫酸、氫氧化鈉、殺菌劑、助凝劑、混凝劑或還原劑。

依據(jù)本發(fā)明的另一個(gè)方面，提供了一種基于GA-SVR的水島加藥在線控制裝置，該裝置包括：歷史數(shù)據(jù)獲取模塊，用于獲取出水指標(biāo)符合要求的、來水監(jiān)測指標(biāo)的m組歷史參數(shù)值，以及對(duì)應(yīng)于每組所述歷史參數(shù)值的加藥劑的歷史加藥量，其中，來水監(jiān)測指標(biāo)包括多個(gè)指標(biāo)，每組歷史參數(shù)值包括多個(gè)指標(biāo)的參數(shù)值；模型建立模塊，用于基于支持向量回歸機(jī)建立在線控制SVR模型，其中，所述歷史參數(shù)值為所述SVR模型的輸入向量，所述歷史加藥量為所述SVR模型的輸出向量；參數(shù)優(yōu)化模塊，用于對(duì)所述SVR模型執(zhí)行GA算法，求解所述SVR模型中的參數(shù)的最優(yōu)解，并將求解得到的所述最優(yōu)解輸入所述SVR模型，得到水島的加藥模型；實(shí)時(shí)監(jiān)測模塊，用于實(shí)時(shí)監(jiān)測所述來水監(jiān)測指標(biāo)以得到一組實(shí)時(shí)參數(shù)值；以及加藥量控制模塊，用于將所述實(shí)時(shí)參數(shù)值輸入所述水島的加藥模型，以確定當(dāng)前時(shí)刻所述加藥劑的加藥量。

進(jìn)一步地，所述模型建立模塊在建立所述SVR模型時(shí)，執(zhí)行的步驟具體包括：設(shè)置所述SVR模型的輸入向量為所述來水監(jiān)測指標(biāo)的數(shù)字信號(hào)的時(shí)間序列x_i，設(shè)置所述SVR模型的輸出向量為對(duì)應(yīng)于所述時(shí)間序列x_i的加藥劑的歷史加藥量的時(shí)間序列y_i，其中，i＝1，2，...，n，n＜m；將由所述時(shí)間序列x_i和所述時(shí)間序列y_i構(gòu)成的時(shí)間序列集(x_i，y_i)采用非線性映射執(zhí)行向高維空間的映射，并構(gòu)造所述SVR模型的函數(shù)為其中，i＝1，2，...，n，x_i∈R^q，y_i∈R，q為所述來水監(jiān)測指標(biāo)中指標(biāo)的個(gè)數(shù)，w為權(quán)向量，b為常數(shù)；引入松弛變量ξ和懲罰因子C，建立所述SVR模型的目標(biāo)函數(shù)為約束條件為其中，ξ≥0，C＞0，i＝1，2，...，n；確定所述SVR模型的核函數(shù)為徑向基函數(shù)其中，σ＞0；建立所述SVR模型為其中，α_i＝Cξ_i，為拉格朗日系數(shù)。

進(jìn)一步地，所述參數(shù)優(yōu)化模塊在求解所述SVR模型中的參數(shù)的最優(yōu)解時(shí)，執(zhí)行的步驟具體包括：步驟A：設(shè)定GA算法的參數(shù)，確定初始種群規(guī)模G、全局迭代次數(shù)、變異概率、交叉概率，確定松弛變量ξ、懲罰因子C和核參數(shù)σ為GA算法的決策變量；步驟B：令迭代次數(shù)為1，初始化所述SVR模型的參數(shù)，并對(duì)初始化后的所述SVR模型的參數(shù)進(jìn)行二進(jìn)制編碼，產(chǎn)生G組初始種群；步驟C：采用下述循環(huán)步驟，確定松弛變量ξ、懲罰因子C和核參數(shù)σ的最優(yōu)解：步驟C1：根據(jù)適應(yīng)度函數(shù)計(jì)算種群中各個(gè)體的適應(yīng)度函數(shù)值，步驟C2：判斷當(dāng)前迭代次數(shù)是否達(dá)到全局迭代次數(shù)，若達(dá)到，則輸出最優(yōu)個(gè)體，結(jié)束步驟C，若未達(dá)到，則把適應(yīng)度函數(shù)值最高的最優(yōu)個(gè)體保存下來，并記錄適應(yīng)度函數(shù)值最低的最差個(gè)體序號(hào)，令迭代次數(shù)加1，進(jìn)行選擇、交叉、變異遺傳操作，并用保存的最優(yōu)個(gè)體替換序號(hào)為所述最差個(gè)體序號(hào)的新個(gè)體，產(chǎn)生新的種群，返回步驟C1。

通過本發(fā)明的方案，利用歷史來水監(jiān)測指標(biāo)和加藥量的數(shù)據(jù)建立水島的加藥模型，其中采用支持向量回歸機(jī)建立模型，并通過GA算法確定模型的參數(shù)，利用了GA算法的全局搜索能力，得到更好的支持向量回歸機(jī)參數(shù)，增強(qiáng)了模型的解釋和預(yù)測能力，采用該模型進(jìn)行加藥量的確定，克服了來水水質(zhì)時(shí)變特性對(duì)運(yùn)行過程造成的不利影響，并且能夠根據(jù)當(dāng)前水質(zhì)情況實(shí)時(shí)更新最優(yōu)加藥量，實(shí)現(xiàn)了加藥過程的在線控制，減少了藥劑的浪費(fèi)、降低了人工和運(yùn)行成本，實(shí)時(shí)滿足出水的水質(zhì)要求。

附圖說明

圖1是本發(fā)明實(shí)施例一提供的基于GA-SVR的水島加藥在線控制方法的流程圖；

圖2是本發(fā)明實(shí)施例二提供的基于GA-SVR的水島加藥在線控制方法中步驟3的流程圖；

圖3至圖7分別是本發(fā)明實(shí)施例二提供的來水監(jiān)測指標(biāo)中PH值、來水流量、來水濁度、氯離子含量和氨氮含量的變化曲線圖；

圖8是本發(fā)明實(shí)施例二提供的硫酸的加藥量的實(shí)際-擬合曲線圖；

圖9是本發(fā)明實(shí)施例二提供的硫酸的加藥量的實(shí)際-預(yù)測曲線圖；以及

圖10是本發(fā)明實(shí)施例三提供的基于GA-SVR的水島加藥在線控制裝置的框圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚。下面將對(duì)本發(fā)明的技術(shù)方案進(jìn)行清楚完整的描述，顯然所描述的實(shí)施例是本發(fā)明的一部分實(shí)施例，而不是全部實(shí)施例?；诒景l(fā)明的實(shí)施例，本領(lǐng)域的普通技術(shù)人員在沒有作出創(chuàng)造性勞動(dòng)的前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

在介紹本申請實(shí)施例之前，首先就本申請中使用的方法說明如下：

支持向量機(jī)(Support Vector Machine，SVM)是Corinna Cortes和Vapnik等提出的一種解決小樣本、非線性及高維數(shù)問題的學(xué)習(xí)方法，本申請中支持向量回歸機(jī)(Support Vector Machine for Regression，SVR)是建立在SVM思想上的回歸算法，具有堅(jiān)實(shí)的理論基礎(chǔ)，能夠較好地克服神經(jīng)網(wǎng)絡(luò)方法固有的局部極小、過學(xué)習(xí)以及結(jié)構(gòu)和類型的選擇過分依賴經(jīng)驗(yàn)等缺陷。

遺傳算法(Genetic Algorithm，GA)一種借鑒生物界自然選擇原理和自然遺傳進(jìn)化機(jī)制發(fā)展起來的全局自適應(yīng)搜索算法，它通過對(duì)生物遺傳和進(jìn)化過程中選擇、交叉、變異機(jī)理的模仿，來完成對(duì)問題最優(yōu)解的自適應(yīng)搜索過程，具有強(qiáng)大的全局搜索特性，在本申請中，可實(shí)現(xiàn)SVR參數(shù)選取的自動(dòng)化，有效提高預(yù)測精度。

實(shí)施例一

參照圖1，示出了一種基于GA-SVR的水島加藥在線控制方法的實(shí)施例，該實(shí)施例針對(duì)目前火電廠水處理加藥系統(tǒng)具有明顯的滯后性以及恒定性，結(jié)合SVR非線性時(shí)間序列預(yù)測以及GA參數(shù)優(yōu)選的特性，選擇歷史出水指標(biāo)符合要求的對(duì)應(yīng)時(shí)段的來水監(jiān)測指標(biāo)以及加藥量為樣本，利用SVR模型進(jìn)行樣本訓(xùn)練，并應(yīng)用GA算法進(jìn)行SVR模型參數(shù)的優(yōu)選，最終得到水島的加藥模型，通過該模型實(shí)現(xiàn)智能動(dòng)態(tài)實(shí)時(shí)加藥，該實(shí)施例的方法具體包括如下的步驟S102至步驟S112。

步驟S102：獲取出水指標(biāo)符合要求的、來水監(jiān)測指標(biāo)的m組歷史參數(shù)值，以及對(duì)應(yīng)于每組歷史參數(shù)值的加藥劑的歷史加藥量。

來水監(jiān)測指標(biāo)是指水島進(jìn)水時(shí)的監(jiān)測指標(biāo)，優(yōu)選包括來水流量、PH值、濁度值、氯離子含量和氨氮含量等多個(gè)指標(biāo)；加藥劑的種類包括硫酸、氫氧化鈉、殺菌劑、助凝劑、混凝劑或還原劑等。

在火電廠水處理加藥系統(tǒng)的歷史數(shù)據(jù)中，篩選出出水指標(biāo)符合要求時(shí)段的數(shù)據(jù)，包括該時(shí)段中每個(gè)時(shí)間點(diǎn)的來水監(jiān)測指標(biāo)中各個(gè)指標(biāo)的參數(shù)值，以及每個(gè)時(shí)間點(diǎn)的加藥劑的加藥量。

其中，來水監(jiān)測指標(biāo)的一組歷史參數(shù)值中包括各個(gè)指標(biāo)的參數(shù)值，共獲取m組歷史參數(shù)值。

步驟S104：基于支持向量回歸機(jī)建立在線控制SVR模型，其中，歷史參數(shù)值為SVR模型的輸入向量，歷史加藥量為SVR模型的輸出向量。

在該步驟中，通過支持向量回歸機(jī)理論建立一種在線控制SVR模型，將上述m組歷史參數(shù)值中的部分或全部作為該模型的輸入向量，相應(yīng)地，將對(duì)應(yīng)于作為輸入向量的歷史參數(shù)值的歷史加藥量作為模型的輸出向量，從而得到一種在線控制SVR模型。

步驟S106：對(duì)SVR模型執(zhí)行GA算法，求解SVR模型中的參數(shù)的最優(yōu)解。

對(duì)上述步驟S104得到的模型執(zhí)行GA算法，實(shí)現(xiàn)SVR模型中的參數(shù)的全局尋優(yōu)，最終可得到SVR模型中的參數(shù)的最優(yōu)解。

步驟S108：將求解得到的最優(yōu)解輸入SVR模型，得到水島的加藥模型。

步驟S110：實(shí)時(shí)監(jiān)測來水監(jiān)測指標(biāo)的實(shí)時(shí)參數(shù)值。

步驟S112：將實(shí)時(shí)參數(shù)值輸入水島的加藥模型，以確定當(dāng)前時(shí)刻加藥劑的加藥量。

在通過上述步驟得到水島的加藥模型之后，針對(duì)實(shí)時(shí)監(jiān)測到的來水監(jiān)測指標(biāo)的參數(shù)值，只需將其輸入至加藥模型，即可得到當(dāng)前時(shí)刻加藥劑的加藥量，實(shí)現(xiàn)了加藥過程的在線控制，能夠根據(jù)當(dāng)前水質(zhì)情況實(shí)時(shí)更新最優(yōu)加藥量，克服了來水水質(zhì)時(shí)變特性對(duì)運(yùn)行過程造成的不利影響，減少了藥劑的浪費(fèi)、降低了人工和運(yùn)行成本，實(shí)時(shí)滿足出水的水質(zhì)要求。同時(shí)，在該模型的建立過程中，采用支持向量回歸機(jī)建立模型，并通過GA算法確定模型的參數(shù)，利用了GA算法的全局搜索能力，得到更好的支持向量回歸機(jī)參數(shù)，增強(qiáng)了模型的解釋和預(yù)測能力。

實(shí)施例二

該實(shí)施例示出了一種在上述實(shí)施例一的基礎(chǔ)上的優(yōu)選實(shí)施例，該實(shí)施例中提供的基于GA-SVR的水島加藥在線控制方法具體說明如下：

步驟1，獲取出水指標(biāo)符合要求的m組歷史來水監(jiān)測指標(biāo)的數(shù)字信號(hào)及其對(duì)應(yīng)加藥劑的加藥量，確定數(shù)字化水島的GA-SVR加藥模型的輸入變量和輸出變量，其中，樣本數(shù)為m，訓(xùn)練集的樣本數(shù)為n，測試集的樣本數(shù)為m-n。其中，來水監(jiān)測指標(biāo)包括來水流量、PH值、濁度值、氯離子含量和氨氮含量，加藥劑種類包括硫酸、氫氧化鈉、殺菌劑、助凝劑、混凝劑或還原劑等。來水監(jiān)測指標(biāo)中的五個(gè)指標(biāo)參數(shù)均作為模型的輸入向量，輸出向量是其中一種加藥劑的加藥量，每種加藥劑的加藥量均可采用該實(shí)施例的方法來控制。

步驟2，基于支持向量回歸機(jī)建立加藥量、來水監(jiān)測指標(biāo)的在線控制SVR模型其中，K(x_i，y_i)為核函數(shù)，b為常數(shù)，α_i為拉格朗日乘子，α_i＝Cξ_i，i＝1，2，...，n，其中，n＜m。該步驟具體包括：

步驟21，將正常運(yùn)行期內(nèi)的來水監(jiān)測指標(biāo)的數(shù)字信號(hào)的時(shí)間序列x_i作為模型輸入向量，并將相應(yīng)時(shí)段內(nèi)的歷史加藥量的時(shí)間序列y_i作為模型的輸出向量，其中，i＝1，2，...，n。

步驟22，將時(shí)間序列集(x_i，y_i)采用非線性映射執(zhí)行向高維空間的映射，并構(gòu)造在線控制SVR模型的函數(shù)為其中，i＝1，2，...，n，x_i∈R^q，y_i∈R，q為來水監(jiān)測指標(biāo)中指標(biāo)的個(gè)數(shù)，在該實(shí)施例中，q＝5，w為權(quán)向量，b為常數(shù)。

步驟23，引入松弛變量ξ和懲罰因子C，建立SVR模型的目標(biāo)函數(shù)為約束條件為其中，ξ≥0，C＞0，i＝1，2，...，n，其中，需要說明的是，按照本領(lǐng)域技術(shù)人員的公知常識(shí)，s·t·也即約束條件的意義表達(dá)。

步驟24，引入徑向基RBF核函數(shù)其中，σ＞0。

其中，除徑向基RBF核函數(shù)之外，還可選擇的核函數(shù)包括線性核函數(shù)、多項(xiàng)式核函數(shù)、以及Sigmoid核函數(shù)。其中，線性核函數(shù)是徑向基核函數(shù)的一個(gè)特例；多項(xiàng)式核函數(shù)一般應(yīng)用在較高維數(shù)的特征空間時(shí)，會(huì)出現(xiàn)計(jì)算量激增現(xiàn)象，甚至在某些情況下得到的解不正確；Sigmoid核函數(shù)只有在特定的條件下才能成為有效的核函數(shù)，且其精確度要低于徑向基核函數(shù)。因此，該實(shí)施例中采用徑向基函數(shù)作為核函數(shù)。

步驟25，最終建立在線控制SVR模型為其中，α_i＝Cξ_i，為拉格朗日系數(shù)。

步驟3，對(duì)所述在線控制SVR模型執(zhí)行GA算法，對(duì)所述SVR模型中的松弛變量ξ、懲罰因子C和核參數(shù)σ進(jìn)行全局尋優(yōu)，得到各參數(shù)的最優(yōu)解，并將最優(yōu)參數(shù)輸入步驟2中的所述SVR模型，得到數(shù)字化水島的GA-SVR加藥模型。如圖2所示，具體包括：

步驟31，設(shè)定GA算法的參數(shù)，確定初始種群規(guī)模G，全局迭代次數(shù)MAXGEN，也即最大遺傳代數(shù)，變異概率P_m，交叉概率P_c，選擇SVR模型的參數(shù)范圍：松弛變量[ξ_min，ξ_max]、懲罰因子[C_min，C_max]以及核參數(shù)[σ_min，σ_max]，其中，ξ_min為松弛變量最小值，ξ_max為松弛變量最大值，C_min為懲罰因子最小值，C_max為懲罰因子最大值，σ_min為核參數(shù)最小值，σ_max為核參數(shù)最大值，確定松弛變量ξ、懲罰因子C和核參數(shù)σ為決策變量；

步驟32，令GEN＝1，初始化所述SVR模型的參數(shù)，并對(duì)這些參數(shù)進(jìn)行二進(jìn)制編碼，產(chǎn)生G組初始種群；

步驟33，根據(jù)適應(yīng)度函數(shù)計(jì)算種群中各個(gè)體的適應(yīng)度函數(shù)值，其中，適應(yīng)度函數(shù)為所述SVR模型在訓(xùn)練樣本集上的均方根RMSE₁：

其中，為時(shí)間序列集(x_i，y_i)中第i組數(shù)據(jù)作為所述SVR模型的輸入向量計(jì)算得到的計(jì)算機(jī)模擬值；

步驟34，判斷當(dāng)前迭代次數(shù)GEN是否達(dá)到全局迭代次數(shù)MAXGEN，若滿足終止要求，則輸出最優(yōu)個(gè)體，得到最優(yōu)參數(shù)ξ、C和σ，并進(jìn)行步驟36，若不滿足，則進(jìn)行步驟35；

步驟35，令GEN＝GEN+1，則把適應(yīng)度函數(shù)值最高的最優(yōu)個(gè)體保存下來，并記錄適應(yīng)度函數(shù)值最低的最差個(gè)體序號(hào)，令迭代次數(shù)加1，進(jìn)行輪盤賭法選擇、單點(diǎn)交叉、均勻變異遺傳操作，并用保存的最優(yōu)個(gè)體替換序號(hào)為所述最差個(gè)體序號(hào)的新個(gè)體，產(chǎn)生新的種群，返回步驟33；

步驟36，將最優(yōu)參數(shù)輸入所述SVR模型，利用測試樣本集對(duì)數(shù)據(jù)進(jìn)行參數(shù)驗(yàn)證，也即，將所述來水監(jiān)測指標(biāo)的數(shù)字信號(hào)的時(shí)間序列x_p輸入所述SVR模型，得到對(duì)應(yīng)于所述時(shí)間序列x_p的加藥劑的模擬加藥量的時(shí)間序列其中，p＝n+1，n+2，...，m，并計(jì)算測試樣本集的均方根RMSE₂：

若RMSE₂＜0.2，滿足要求，則輸出最優(yōu)參數(shù)，否則轉(zhuǎn)入32。

步驟4，將實(shí)時(shí)監(jiān)測得到的來水監(jiān)測指標(biāo)作為輸入向量輸入數(shù)字化水島的GA-SVR加藥模型，確定當(dāng)前時(shí)刻的最優(yōu)加藥量。

在一種具體應(yīng)用中，采用上述實(shí)施例的方法，對(duì)火電廠水處理加藥量進(jìn)行預(yù)測，該廠的來水監(jiān)測指標(biāo)包括來水流量、PH值、濁度值、氯離子含量和氨氮含量，選取2014年10月11日～2015年7月24日之間水處理系統(tǒng)來水的5個(gè)監(jiān)測指標(biāo)的時(shí)間序列作為GA-SVR加藥模型的輸入變量，該時(shí)段內(nèi)硫酸的加藥量的時(shí)間序列作為GA-SVR加藥模型的輸出變量。其中，PH值、來水流量、來水濁度、氯離子含量和氨氮含量的變化曲線如圖3、圖4、圖5、圖6和圖7所示。

采用上述實(shí)施例的方法進(jìn)行計(jì)算，首先通過GA算法尋優(yōu)得到模型的最優(yōu)參數(shù)為：C＝0.9984，ξ＝3.164，σ＝0.9875。將這些最優(yōu)參數(shù)輸入GA-SVR加藥模型對(duì)上述時(shí)間段的數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，并對(duì)計(jì)算得到輸出向量進(jìn)行擬合，其中，訓(xùn)練集模型擬合的均方根RMSE₁＝0.0973，測試集模型擬合的均方根RMSE₂＝0.0192，得到硫酸加藥量的實(shí)際——擬合曲線，如圖8所示。

采用該水島2015年7月25日～2015年8月25日的來水的監(jiān)測指標(biāo)作為模型的輸入變量，輸入上述建立的GA-SVR加藥模型，求解硫酸的最優(yōu)加藥量，得到預(yù)測均方根RMSE＝0.167，得到該時(shí)段內(nèi)硫酸的加藥量的實(shí)際——預(yù)測曲線，如圖9所示。如圖8、圖9所示以及擬合預(yù)測的均方根可以看出GA-SVR加藥模型的擬合精度較高，而且具有較好的泛化能力。

其他藥劑如氫氧化鈉、殺菌劑、助凝劑、混凝劑、還原劑等的最佳加藥量的計(jì)算均可根據(jù)本實(shí)施例的方法來計(jì)算得到。

實(shí)施例三

如圖10所示，該實(shí)施例提供了一種基于GA-SVR的水島加藥在線控制裝置，該控制裝置應(yīng)用于火電廠的水處理系統(tǒng)中，具體包括歷史數(shù)據(jù)獲取模塊10、模型建立模塊20、參數(shù)優(yōu)化模塊30、實(shí)時(shí)監(jiān)測模塊40和加藥量控制模塊50。

其中，歷史數(shù)據(jù)獲取模塊10用于獲取出水指標(biāo)符合要求的、來水監(jiān)測指標(biāo)的m組歷史參數(shù)值，以及對(duì)應(yīng)于每組歷史參數(shù)值的加藥劑的歷史加藥量；模型建立模塊20用于基于支持向量回歸機(jī)建立在線控制SVR模型，其中，歷史參數(shù)值為SVR模型的輸入向量，歷史加藥量為SVR模型的輸出向量；參數(shù)優(yōu)化模塊30用于對(duì)SVR模型執(zhí)行GA算法，求解SVR模型中的參數(shù)的最優(yōu)解，并將求解得到的最優(yōu)解輸入SVR模型，得到水島的加藥模型；實(shí)時(shí)監(jiān)測模塊40用于實(shí)時(shí)監(jiān)測來水監(jiān)測指標(biāo)以得到一組實(shí)時(shí)參數(shù)值；以及加藥量控制模塊50用于將實(shí)時(shí)參數(shù)值輸入水島的加藥模型，以確定當(dāng)前時(shí)刻加藥劑的加藥量。

優(yōu)選地，模型建立模塊20在建立SVR模型時(shí)，執(zhí)行的步驟具體包括：

設(shè)置SVR模型的輸入向量為來水監(jiān)測指標(biāo)的數(shù)字信號(hào)的時(shí)間序列x_i，設(shè)置SVR模型的輸出向量為對(duì)應(yīng)于時(shí)間序列x_i的加藥劑的歷史加藥量的時(shí)間序列y_i，其中，i＝1，2，...，n，n＜m；

將由時(shí)間序列x_i和時(shí)間序列y_i構(gòu)成的時(shí)間序列集(x_i，y_i)采用非線性映射執(zhí)行向高維空間的映射，并構(gòu)造SVR模型的函數(shù)為其中，i＝1，2，...，n，x_i∈R^q，y_i∈R，q為所述來水監(jiān)測指標(biāo)中指標(biāo)的個(gè)數(shù)，w為權(quán)向量，b為常數(shù)；

引入松弛變量ξ和懲罰因子C，建立SVR模型的目標(biāo)函數(shù)為約束條件為其中，ξ≥0，C＞0，i＝1，2，...，n；

確定SVR模型的核函數(shù)為徑向基函數(shù)其中，σ＞0；

建立SVR模型為其中，α_i＝Cξ_i，為拉格朗日系數(shù)。

優(yōu)選地，參數(shù)優(yōu)化模塊30在求解SVR模型中的參數(shù)的最優(yōu)解時(shí)，執(zhí)行的步驟具體包括：

步驟A：設(shè)定GA算法的參數(shù)，確定初始種群規(guī)模G、全局迭代次數(shù)、變異概率、交叉概率，確定松弛變量ξ、懲罰因子C和核參數(shù)σ為GA算法的決策變量；

步驟B：令迭代次數(shù)為1，初始化SVR模型的參數(shù)，并對(duì)初始化后的SVR模型的參數(shù)進(jìn)行二進(jìn)制編碼，產(chǎn)生G組初始種群；

步驟C：采用下述循環(huán)步驟，確定松弛變量ξ、懲罰因子C和核參數(shù)σ的最優(yōu)解：步驟C1：根據(jù)適應(yīng)度函數(shù)計(jì)算種群中各個(gè)體的適應(yīng)度函數(shù)值，步驟C2：判斷當(dāng)前迭代次數(shù)是否達(dá)到全局迭代次數(shù)，若達(dá)到，則輸出最優(yōu)個(gè)體，結(jié)束步驟C，若未達(dá)到，則把適應(yīng)度函數(shù)值最高的最優(yōu)個(gè)體保存下來，并記錄適應(yīng)度函數(shù)值最低的最差個(gè)體序號(hào)，令迭代次數(shù)加1，進(jìn)行選擇、交叉、變異遺傳操作，并用保存的最優(yōu)個(gè)體替換序號(hào)為所述最差個(gè)體序號(hào)的新個(gè)體，產(chǎn)生新的種群，返回步驟C1。

優(yōu)選地，在參數(shù)優(yōu)化模塊30執(zhí)行的上述步驟C1中，適應(yīng)度函數(shù)為為以時(shí)間序列集(x_i，y_i)中第i組數(shù)據(jù)作為SVR模型的輸入向量計(jì)算得到的計(jì)算機(jī)模擬值。

優(yōu)選地，參數(shù)優(yōu)化模塊30在求解SVR模型中的參數(shù)的最優(yōu)解時(shí)，執(zhí)行的步驟具還包括：

步驟D：將求解得到的最優(yōu)解作為SVR模型的參數(shù)，將來水監(jiān)測指標(biāo)的數(shù)字信號(hào)的時(shí)間序列x_p輸入SVR模型，得到對(duì)應(yīng)于時(shí)間序列x_p的加藥劑的模擬加藥量的時(shí)間序列，其中，p＝n+1，n+2，...，m；

步驟E：根據(jù)對(duì)應(yīng)于時(shí)間序列x_p的加藥劑的歷史加藥量的時(shí)間序列y_p和時(shí)間序列計(jì)算SVR模型的均方根誤差；

步驟F：判斷均方根誤差是否小于預(yù)設(shè)誤差值，若小于，則結(jié)束求解SVR模型中的參數(shù)的最優(yōu)解的步驟，若不小于，則返回步驟A。

優(yōu)選地，來水監(jiān)測指標(biāo)包括水流量、PH值、濁度值、氯離子含量和氨氮含量。

優(yōu)選地，加藥劑為硫酸、氫氧化鈉、殺菌劑、助凝劑、混凝劑或還原劑。

對(duì)于前述的各方法實(shí)施例，為了簡單描述，故將其都表述為一系列的動(dòng)作組合，但是本領(lǐng)域的技術(shù)人員應(yīng)該知悉，本發(fā)明并不受所描述的動(dòng)作順序的限制，因?yàn)楦鶕?jù)本發(fā)明，某些步驟可以采用其他順去或同時(shí)執(zhí)行；其次，本領(lǐng)域技術(shù)人員也應(yīng)該知悉，上述方法實(shí)施例均屬于優(yōu)選實(shí)施例，所涉及的動(dòng)作和模塊并不一定是本發(fā)明所必須的。

對(duì)于前述的各裝置實(shí)施例，為了簡單描述，故將其都表述為一系列的模塊組合，但是本領(lǐng)域的技術(shù)人員應(yīng)該知悉，本發(fā)明并不受所描述的模塊組合的限制，因?yàn)楦鶕?jù)本發(fā)明，某些模塊可以采用其他模塊執(zhí)行；其次，本領(lǐng)域技術(shù)人員也應(yīng)該知悉，上述裝置實(shí)施例均屬于優(yōu)選實(shí)施例，所涉及的模塊并不一定是本發(fā)明所必須的。本說明書中的各個(gè)實(shí)施例均采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說明的都是與其他實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同相似的部分互相參見即可。對(duì)于裝置實(shí)施例而言，由于其與方法實(shí)施例基本相似，所以描述的比較簡單，相關(guān)之處參見方法實(shí)施例的部分說明即可。

以上對(duì)本發(fā)明所提供的一種基于GA-SVR的水島加藥在線控制方法和裝置進(jìn)行了詳細(xì)介紹，本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時(shí)，對(duì)于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實(shí)施方式及應(yīng)用范圍上均會(huì)有改變之處，綜上，本說明書內(nèi)容不應(yīng)理解為對(duì)本發(fā)明的限制。