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-SVM的水島加藥在線控制方法和裝置，可用于自動控制加藥量。
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)帶動發(fā)電機(jī)旋轉(zhuǎn)，將機(jī)械能轉(zhuǎn)變成電能。在現(xiàn)代300MW以上的火力發(fā)電廠中，水處理系統(tǒng)基本實(shí)現(xiàn)了DCS自動化控制系統(tǒng)。水處理系統(tǒng)包括凝結(jié)水加氨處理，給水加氨、加聯(lián)氨處理，加氯處理，氣泡爐的加磷酸鹽處理等，由于來水的水量、水質(zhì)成分差異較大，而且水中不同成分之間會發(fā)生多種反應(yīng)，尤其強(qiáng)酸強(qiáng)堿中和過程具有復(fù)雜的非線性特性。為了減少來水水質(zhì)對火電廠正常運(yùn)行的影響，會通過添加藥劑進(jìn)行調(diào)節(jié)。目前水處理系統(tǒng)通常根據(jù)處理完的出水水質(zhì)來判斷藥劑添加量的多少，進(jìn)而反復(fù)調(diào)試至滿足要求，浪費(fèi)了大量的時間和人工，具有明顯的滯后性；其次加藥劑的添加量一旦確定后，基本屬于長期恒定狀態(tài)，不但造成藥品的無形浪費(fèi)，而且由于來水水質(zhì)的時變特性，出水指標(biāo)無法滿足用戶的實(shí)時要求。綜上所述，針對現(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-SVM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)明的一個方面，提供了一種基于GA-SVM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，所述來水監(jiān)測指標(biāo)包括多個指標(biāo)，每組所述歷史參數(shù)值包括所述多個指標(biāo)的參數(shù)值；基于支持向量機(jī)建立在線控制SVM模型，其中，所述歷史參數(shù)值為所述SVM模型的輸入向量，所述歷史加藥量為所述SVM模型的輸出向量；對所述SVM模型執(zhí)行GA算法，求解所述SVM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SVM模型，得到水島的加藥模型；實(shí)時監(jiān)測所述來水監(jiān)測指標(biāo)以得到一組實(shí)時參數(shù)值；以及將所述實(shí)時參數(shù)值輸入所述水島的加藥模型，以確定當(dāng)前時刻所述加藥劑的加藥量。進(jìn)一步地基于支持向量機(jī)建立在線控制SVM模型的步驟具體包括：設(shè)置所述SVM模型的輸入向量為所述來水監(jiān)測指標(biāo)的數(shù)字信號的時間序列xi，設(shè)置所述SVM模型的輸出向量為對應(yīng)于所述時間序列xi的加藥劑的歷史加藥量的時間序列yi，其中，i＝1，2，...，N，N＜M；將由所述時間序列xi和所述時間序列yi構(gòu)成的時間序列集(xi，yi)采用非線性映射執(zhí)行向高維空間的映射，并構(gòu)造所述SVM模型的函數(shù)為其中，i＝1，2，...，N，xi∈Rq，yi∈R，q為所述來水監(jiān)測指標(biāo)中指標(biāo)的個數(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SVM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SVM模型的核函數(shù)為徑向基函數(shù)其中，σ＞0；建立所述SVM模型為其中，αi＝Cξi，為拉格朗日系數(shù)。進(jìn)一步地，對所述SVM模型執(zhí)行GA算法，求解所述SVM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SVM模型的參數(shù)，并對初始化后的所述SVM模型的參數(shù)進(jìn)行二進(jìn)制編碼，基于混沌理論產(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)個體保存下來，并記錄適應(yīng)度函數(shù)值最低的最差個體序號，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)個體替換序號為所述最差個體序號的新個體，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)為為以所述時間序列集(xi，yi)中第i組數(shù)據(jù)作為所述SVM模型的輸入向量計(jì)算得到的計(jì)算機(jī)模擬值，為所述時間序列集(xi，yi)中yi的平均值。進(jìn)一步地，求解所述SVM模型中的參數(shù)的最優(yōu)解的步驟還包括：步驟D：將求解得到的所述最優(yōu)解作為所述SVM模型的參數(shù)，將所述來水監(jiān)測指標(biāo)的數(shù)字信號的時間序列xp輸入所述SVM模型，得到對應(yīng)于所述時間序列xp的加藥劑的模擬加藥量的時間序列其中，p＝N+1，N+2，...，M；步驟E：根據(jù)對應(yīng)于所述時間序列xp的加藥劑的歷史加藥量的時間序列yp和所述時間序列計(jì)算所述SVM模型的確定性系數(shù)；步驟F：判斷所述確定性系數(shù)是否大于預(yù)設(shè)系數(shù)值，若大于，則結(jié)束求解所述SVM模型中的參數(shù)的最優(yōu)解的步驟，若不大于，則返回步驟A。進(jìn)一步地，步驟B具體包括：步驟B1，隨機(jī)選取3N個[0，1]范圍值構(gòu)成初始序列ε0＝(ε1，0，ε2，0，...，ε3N，0)，通過Logistic映射εn，j+1＝μεn，j(1-εn，j)，得到G個軌跡不同的混沌序列εj，其中，εn，0為初始參數(shù)，εn，j∈(0，1)，μ∈(0，4)為控制參數(shù)，n＝1，2，...，3N-1，j＝1，2，...，G；步驟B2，定義決策變量范圍Xmin，Xmax：Xmin＝[ξ1，min，ξ2，min，...，ξN，min，C1，min，C2，min，...，CN，min，σ1，min，σ2，min，...，σN，min]，Xmax＝[ξ1，max，ξ2，max，...，ξN，max，C1，max，C2，max，...，CN，max，σ1，max，σ2，max，...，σN，max]；步驟B3，將所述混沌序列按Xn，j＝Xn，min+(Xn，max-Xn，min)εn，j放大各決策變量的取值范圍，得到G個代表SVM模型參數(shù)序列構(gòu)成初始種群：(X1，1，X1，2，...，X1，3N)，(X2，1，X2，2，...，X2，3N)，......，(XG，1，XG，2，...，XG，3N)，其中，Xn，j為第j個體的第n個決策變量值，Xn，max為第n個體的最大值，Xn，min為第N個體的最小值，j＝1，2，...，G，j＝1，2，...，3N。進(jìn)一步地，在步驟C2中，選擇操作采用輪盤選擇，交叉操作的交叉算子采用單點(diǎn)，變異操作的變異概率選擇自適應(yīng)概率，其中，交叉概率采用以下公式進(jìn)行計(jì)算：變異概率采用以下公式進(jìn)行計(jì)算：其中，f為當(dāng)前個體的非支配等級，fmax為當(dāng)前種群中個體非支配等級的最大值，Pc1為常數(shù)，Pm1為限制變異概率的最小值，k1∈(0，1)，k2∈(0，1)。進(jìn)一步地，步驟B1中εn，0不包括0，0.25，0.5，0.75和1。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，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)明的另一個方面，提供了一種基于GA-SVM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，所述來水監(jiān)測指標(biāo)包括多個指標(biāo)，每組所述歷史參數(shù)值包括所述多個指標(biāo)的參數(shù)值；模型建立模塊，用于基于支持向量機(jī)建立在線控制SVM模型，其中，所述歷史參數(shù)值為所述SVM模型的輸入向量，所述歷史加藥量為所述SVM模型的輸出向量；參數(shù)優(yōu)化模塊，用于對所述SVM模型執(zhí)行GA算法，求解所述SVM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SVM模型，得到水島的加藥模型；實(shí)時監(jiān)測模塊，用于實(shí)時監(jiān)測所述來水監(jiān)測指標(biāo)的一組實(shí)時參數(shù)值；以及加藥量控制模塊，用于將所述實(shí)時參數(shù)值輸入所述水島的加藥模型，以確定當(dāng)前時刻所述加藥劑的加藥量。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)時變特性對運(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)時動態(tài)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-SVM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-SVM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-SVM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)(SupportVectorMachine，SVM)是CorinnaCortes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，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(GeneticAlgorithm，GA)通過對生物遺傳和進(jìn)化過程中選擇、交叉、變異機(jī)理的模仿，來完成對問題最優(yōu)解的自適應(yīng)搜索過程。可實(shí)現(xiàn)SVM參數(shù)選取的自動化，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-SVM的水島加藥在線控制方法的實(shí)施例，該實(shí)施例針對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SVM非線性時間序列預(yù)測以及GA參數(shù)優(yōu)選的特性，選擇歷史出水指標(biāo)符合要求的對應(yīng)時段的來水監(jiān)測指標(biāo)以及加藥量為樣本，利用SVM模型進(jìn)行樣本訓(xùn)練，并應(yīng)用GA算法進(jìn)行SVM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)智能動態(tài)實(shí)時加藥，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)符合要求時段的數(shù)據(jù)，包括該時段中每個時間點(diǎn)的來水監(jiān)測指標(biāo)中各個指標(biāo)的參數(shù)值，以及每個時間點(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：基于支持向量機(jī)建立在線控制SVM模型，其中，歷史參數(shù)值為SVM模型的輸入向量，歷史加藥量為SVM模型的輸出向量。在該步驟中，通過支持向量機(jī)理論建立一種在線控制SVM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，得到一種在線控制SVM模型。步驟S106：對SVM模型執(zhí)行GA算法，求解SVM模型中的參數(shù)的最優(yōu)解。對上述步驟S104得到的模型執(zhí)行GA算法，實(shí)現(xiàn)SVM模型中的參數(shù)的全局尋優(yōu)，最終可得到SVM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SVM模型，得到水島的加藥模型。步驟S110：實(shí)時監(jiān)測來水監(jiān)測指標(biāo)的實(shí)時參數(shù)值。步驟S112：將實(shí)時參數(shù)值輸入水島的加藥模型，以確定當(dāng)前時刻加藥劑的加藥量。在通過上述步驟得到水島的加藥模型之后，針對實(shí)時監(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)時更新最優(yōu)加藥量，克服了來水水質(zhì)時變特性對運(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)時滿足出水的水質(zhì)要求。同時，在該模型的建立過程中，采用支持向量機(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-SVM的水島加藥在線控制方法，針對目前對火電廠水處理生產(chǎn)過程僅僅依靠經(jīng)驗(yàn)和傳統(tǒng)加藥模型難以保證加藥量的在線優(yōu)化分析，以及GA算法的熟問題、局部收斂、初始種群分布性差的問題，利用混沌理論生成初始種群、采用自適應(yīng)交叉變異概率操作實(shí)現(xiàn)GA全局尋優(yōu)的能力，并將GA引用到SVM之中訓(xùn)練樣本確定最優(yōu)參數(shù)，實(shí)現(xiàn)智能化動態(tài)水處理加藥。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)字信號及其對應(yīng)加藥劑的加藥量，確定數(shù)字化水島的GA-SVM加藥模型的輸入向量和輸出向量，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、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、還原劑等。來水監(jiān)測指標(biāo)中的五個指標(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，基于支持向量機(jī)建立加藥量和來水監(jiān)測指標(biāo)的在線控制SVM模型其中，K(xi，yi)為核函數(shù)，b為常數(shù)，αi為拉格朗日乘子，i＝1，2，...，N，其中，N＜M。該步驟具體包括：步驟21，將來水監(jiān)測指標(biāo)的數(shù)字信號的時間序列xi作為模型輸入向量，并將數(shù)字信號對應(yīng)的歷史加藥量的時間序列yi作為模型的輸出向量，其中，i＝1，2，...，N。步驟22，將時間序列集(xi，yi)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SVM模型的函數(shù)為其中，i＝1，2，...，N，xi∈Rq，yi∈R，q為來水監(jiān)測指標(biāo)中指標(biāo)的個數(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SVM模型的目標(biāo)函數(shù)和約束條件為其中，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，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，會出現(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，建立在線控制SVM模型為其中，αi＝Cξi，為拉格朗日系數(shù)。步驟3，對在線控制SVM模型執(zhí)行GA算法，對SVM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)的輸入步驟2中的SVM模型，得到數(shù)字化水島的GA-SVM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Pm1，交叉概率Pc1，選擇SVM模型的參數(shù)范圍：松弛變量[ξmin，ξmax]、懲罰因子[Cmin，Cmax]和[σmin，σmax]核參數(shù)，其中，ξmin為松弛變量最小值，ξmax為松弛變量最大值，Cmin為懲罰因子最小值，Cmax為懲罰因子最大值，σmin為核參數(shù)最小值，σmax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SVM模型的決策參數(shù)，并對這些參數(shù)進(jìn)行二進(jìn)制編碼，基于混沌理論產(chǎn)生G組初始種群，具體包括：步驟S1，隨機(jī)選取3N個[0，1]范圍值構(gòu)成初始序列ε0＝(ε1，0，ε2，0，...，ε3N，0)，通過Logistic映射εn，j+1＝μεn，j(1-εn，j)，得到G個軌跡不同的混沌序列εj，其中εn，0為初始參數(shù)值(選取的初始值不包括0，0.25，0.5，0.75和1這5個值)，εn，j∈(0，1)，μ∈(0，4)為控制參數(shù)，n＝1，2，...，3N-1，j＝1，2，...，G。步驟S2，定義決策變量范圍Xmin，Xmax：Xmin＝[ξ1，min，ξ2，min，...，ξN，min，C1，min，C2，min，...，CN，min，σ1，min，σ2，min，...，σN，min]，Xmax＝[ξ1，max，ξ2，max，...，ξN，max，C1，max，C2，max，...，CN，max，σ1，max，σ2，max，...，σN，max]。步驟S3，將混沌序列按Xi，j＝Xi，min+(Xi，max-Xi，min)εi，j放大各決策參數(shù)的取值范圍，得到G個代表SVM模型參數(shù)序列構(gòu)成初始種群：(X1，1，X1，2，...，X1，3N)，(X2，1，X2，2，...，X2，3N)，......，(XG，1，XG，2，...，XG，3N)，其中，Xi，j為第i個體第j個決策變量值，Xi，max為第i個體的最大值，Xi，min為第i個體的最小值，i＝1，2，...，G，j＝1，2，...，3N。步驟33，將種群送入SVM模型進(jìn)行訓(xùn)練，并根據(jù)適應(yīng)度函數(shù)計(jì)算種群中各個體的適應(yīng)度函數(shù)值，其中，SVM模型在訓(xùn)練樣本集上的確定性系數(shù)DC1的倒數(shù)為適應(yīng)度函數(shù)yi為第i個訓(xùn)練樣本值，為第i個計(jì)算機(jī)模擬值，也即，以xi作為所述SVM模型的輸入向量時計(jì)算得到的計(jì)算機(jī)模擬值，為訓(xùn)練樣本平均值，i＝1，2，...，N。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)個體，得到最優(yōu)參數(shù)ξ、C和σ，并進(jìn)行步驟37，若不滿足，則進(jìn)行步驟35。步驟35，把適應(yīng)度函數(shù)值最高的最優(yōu)個體保存下來，防止優(yōu)秀基因遺傳算子操作被丟失，并記錄適應(yīng)度函數(shù)值最低的最差個體序號Index。步驟36，令GEN＝GEN+1，進(jìn)行選擇、交叉、變異遺傳操作，產(chǎn)生新的種群，并用步驟35保存的最優(yōu)個體替換序號為Index的新個體，產(chǎn)生新的種群，返回步驟33。其中，選擇操作采用輪盤選擇，交叉操作的交叉算子采用單點(diǎn)、變異操作的變異概率選擇自適應(yīng)概率。其中，交叉概率計(jì)算：Pc=Pc1-k1(f-f‾)fmax-f‾f≥f‾Pc1f<f‾.]]>其中，式中：f為當(dāng)前個體的非支配等級；為選擇的非支配等級，一般可取fmax表示當(dāng)前種群中個體非支配等級的最大值；Pc1為一常數(shù)，用于限制交叉概率的最小值，有利于進(jìn)化的穩(wěn)定性和有效性；k1∈(0，1)，用于控制交叉概率的變化幅度。變異概率計(jì)算：Pm=Pm1-k2(f-f‾)fmax-f‾f≥f‾Pm1f<f‾;]]>式中：Pm1用于限制變異概率的最小值；k2∈(0，1)，用于控制交叉概率的變化幅度；其余變量的意義同前。步驟37，將最優(yōu)參數(shù)輸入SVM模型，利用測試樣本集對數(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)字信號的時間序列xp輸入所述SVM模型，得到對應(yīng)于所述時間序列xp的加藥劑的模擬加藥量的時間序列其中，p＝N+1，N+2，...，M，并計(jì)算測試樣本集的確定性系數(shù)DC2：DC2=(1-Σp=N+1M(yp-yp^)2Σp=N+1M(yp-y‾)2)-1]]>若DC2＞0.75，滿足要求，則輸出最優(yōu)參數(shù)，否則轉(zhuǎn)入進(jìn)入32。步驟4，將實(shí)時監(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GA-SVM加藥模型，確定當(dāng)前時刻的最優(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個監(jiān)測指標(biāo)的時間序列作為GA-SVM加藥模型的輸入變量，該時段內(nèi)硫酸的加藥量的時間序列作為GA-SVM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＝62.206，ξ＝3.164及σ＝1.16。將這些最優(yōu)參數(shù)輸入GA-SVM加藥模型對上述時間段的數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，并對計(jì)算得到輸出向量進(jìn)行擬合，其中，訓(xùn)練集模型擬合的確定性系數(shù)DC1＝0.889，測試集模型擬合的確定性系數(shù)DC2＝0.873，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-SVM加藥模型，求解硫酸的最優(yōu)加藥量，得到預(yù)測確定性系數(shù)DC＝0.773，得到該時段內(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)測的確定性系數(shù)可以看出GA-SVM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-SVM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用于基于支持向量機(jī)建立在線控制SVM模型，其中，歷史參數(shù)值為SVM模型的輸入向量，歷史加藥量為SVM模型的輸出向量；參數(shù)優(yōu)化模塊30用于對SVM模型執(zhí)行GA算法，求解SVM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SVM模型，得到水島的加藥模型；實(shí)時監(jiān)測模塊40用于實(shí)時監(jiān)測來水監(jiān)測指標(biāo)的實(shí)時參數(shù)值；以及加藥量控制模塊50用于將實(shí)時參數(shù)值輸入水島的加藥模型，以確定當(dāng)前時刻加藥劑的加藥量。優(yōu)選地，模型建立模塊20在建立在線控制SVM模型時，執(zhí)行具體步驟包括：設(shè)置SVM模型的輸入向量為來水監(jiān)測指標(biāo)的數(shù)字信號的時間序列xi，設(shè)置SVM模型的輸出向量為對應(yīng)于時間序列xi的加藥劑的歷史加藥量的時間序列yi，其中，i＝1，2，...，N，N＜M；將由時間序列xi和時間序列yi構(gòu)成的時間序列集(xi，yi)采用非線性映射執(zhí)行向高維空間的映射，并構(gòu)造SVM模型的函數(shù)為其中，i＝1，2，...，N，xi∈Rq，yi∈R，q為來水監(jiān)測指標(biāo)中指標(biāo)的個數(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SVM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SVM模型的核函數(shù)為徑向基函數(shù)其中，σ＞0；建立SVM模型為其中，αi＝Cξi，為拉格朗日系數(shù)。優(yōu)選地，參數(shù)優(yōu)化模塊30在求解SVM模型中的參數(shù)的最優(yōu)解時，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SVM模型的參數(shù)，并對初始化后的SVM模型的參數(shù)進(jìn)行二進(jìn)制編碼，基于混沌理論產(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)個體保存下來，并記錄適應(yīng)度函數(shù)值最低的最差個體序號，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)個體替換序號為最差個體序號的新個體，產(chǎn)生新的種群，返回步驟C1。優(yōu)選地，在上述步驟C1中，適應(yīng)度函數(shù)為為以時間序列集(xi，yi)中第i組數(shù)據(jù)作為SVM模型的輸入向量計(jì)算得到的計(jì)算機(jī)模擬值，為時間序列集(xi，yi)中yi的平均值。優(yōu)選地，參數(shù)優(yōu)化模塊30在求解SVM模型中的參數(shù)的最優(yōu)解時，執(zhí)行的步驟具體還包括：步驟D：將求解得到的最優(yōu)解作為SVM模型的參數(shù)，將來水監(jiān)測指標(biāo)的數(shù)字信號的時間序列xp輸入SVM模型，得到對應(yīng)于時間序列xp的加藥劑的模擬加藥量的時間序列其中，p＝N+1，N+2，...，M；步驟E：根據(jù)對應(yīng)于時間序列xp的加藥劑的歷史加藥量的時間序列yp和時間序列計(jì)算SVM模型的確定性系數(shù)；步驟F：判斷確定性系數(shù)是否大于預(yù)設(shè)系數(shù)值，若大于，則結(jié)束求解SVM模型中的參數(shù)的最優(yōu)解的步驟，若不大于，則返回步驟A。優(yōu)選地，參數(shù)優(yōu)化模塊30在初始化SVM模型的參數(shù)，并基于混沌理論產(chǎn)生G組初始種群時，具體執(zhí)行的步驟包括：步驟B1，隨機(jī)選取3N個[0，1]范圍值構(gòu)成初始序列ε0＝(ε1，0，ε2，0，...，ε3N，0)，其中，εn，0不包括0，0.25，0.5，0.75和1。通過Logistic映射εn，j+1＝μεn，j(1-εn，j)，得到G個軌跡不同的混沌序列εj，其中，εn，0為初始參數(shù)，εn，j∈(0，1)，μ∈(0，4)為控制參數(shù)，n＝1，2，...，3N-1，j＝1，2，...，G；步驟B2，定義決策變量范圍Xmin，Xmax：Xmin＝[ξ1，min，ξ2，min，...，ξN，min，C1，min，C2，min，...，CN，min，σ1，min，σ2，min，...，σN，min]，Xmax＝[ξ1，max，ξ2，max，...，ξN，max，C1，max，C2，max，...，CN，max，σ1，max，σ2，max，...，σN，max]；步驟B3，將混沌序列按Xn，j＝Xn，min+(Xn，max-Xn，min)εn，j放大各決策變量的取值范圍，得到G個代表SVM模型參數(shù)序列構(gòu)成初始種群：(X1，1，X1，2，...，X1，3N)，(X2，1，X2，2，...，X2，3N)，......，(XG，1，XG，2，...，XG，3N)，其中，Xn，j為第j個體的第n個決策變量值，Xn，max為第n個體的最大值，Xn，min為第N個體的最小值，j＝1，2，...，G，j＝1，2，...，3N。優(yōu)選地，參數(shù)優(yōu)化模塊30中選擇操作采用輪盤選擇，交叉操作的交叉算子采用單點(diǎn)，變異操作的變異概率洗擇白話應(yīng)概率，其中，交叉概率采用以下公式進(jìn)行計(jì)算：變異概率采用以下公式進(jìn)行計(jì)算：其中，f為當(dāng)前個體的非支配等級，fmax為當(dāng)前種群中個體非支配等級的最大值，Pc1為常數(shù)，Pm1為限制變異概率的最小值，k1∈(0，1)，k2∈(0，1)。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，加藥劑為硫酸、氫氧化鈉、殺菌劑、助凝劑、混凝劑或還原劑。對于前述的各方法實(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，所涉及的動作和模塊并不一定是本發(fā)明所必須的。對于前述的各裝置實(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。本說明書中的各個實(shí)施例均采用遞進(jìn)的方式描述，每個實(shí)施例重點(diǎn)說明的都是與其他實(shí)施例的不同之處，各個實(shí)施例之間相同相似的部分互相參見即可。對于裝置實(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。以上對本發(fā)明所提供的一種基于GA-SVM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)用了具體個例對本發(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，對于本領(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)用范圍上均會有改變之處，綜上，本說明書內(nèi)容不應(yīng)理解為對本發(fā)明的限制。當(dāng)前第1頁1 2 3