王冬生 李世華 周杏鵬

(東南大學(xué)復(fù)雜工程系統(tǒng)測量與控制教育部重點實驗室，南京210096)

自來水生產(chǎn)過程是一個復(fù)雜的物理、化學(xué)反應(yīng)過程，受原水水溫、濁度和水質(zhì)的影響明顯.經(jīng)調(diào)查，現(xiàn)有的原水水質(zhì)評價還沒有用于自來水生產(chǎn)的過程控制之中，一方面由于發(fā)達(dá)國家水源地水質(zhì)較好，而我國在經(jīng)濟(jì)高速發(fā)展的同時不注重水資源環(huán)境的保護(hù)，導(dǎo)致水源地水體污染嚴(yán)重;另一方面現(xiàn)有的原水水質(zhì)評價研究以判別水源地水質(zhì)類別為目的，而自來水生產(chǎn)過程不僅與水質(zhì)類別有關(guān)，還受濁度和水溫的影響.此外，還與我國自來水處理技術(shù)及其自動化水平相對落后不無關(guān)系.因此，開展針對自來水生產(chǎn)過程的原水水質(zhì)評價研究，并由此改進(jìn)自來水生產(chǎn)過程的前饋控制水平，保障自來水供水安全，具有重要的現(xiàn)實意義.

目前，研究應(yīng)用較多的水質(zhì)評價方法有多元統(tǒng)計分析法、模糊綜合法和人工神經(jīng)網(wǎng)絡(luò)法等［1-3］.多元統(tǒng)計分析法可有效簡化多指標(biāo)數(shù)據(jù)，展示高維數(shù)據(jù)的內(nèi)在規(guī)律和復(fù)雜系統(tǒng)的結(jié)構(gòu)，是一種分析多指標(biāo)數(shù)據(jù)的有力工具［1］.模糊綜合法以隸屬度來描述水質(zhì)屬于某級別的“亦此亦彼”的“中間過渡不分明性”即模糊性［2］.人工神經(jīng)網(wǎng)絡(luò)具有良好的非線性逼近能力、自學(xué)習(xí)能力和并行處理能力，Zhang等［3］用BP神經(jīng)網(wǎng)絡(luò)法實施水質(zhì)評價.RBF神經(jīng)網(wǎng)絡(luò)具有比BP神經(jīng)網(wǎng)絡(luò)更快的收斂速度、更小的網(wǎng)絡(luò)結(jié)構(gòu)、更強(qiáng)的魯棒性，以及不容易陷入局部極小的優(yōu)點［4］.RBF神經(jīng)網(wǎng)絡(luò)參數(shù)訓(xùn)練方法的有效性直接關(guān)系到網(wǎng)絡(luò)的性能，粒子群優(yōu)化(PSO)算法是一種基于群體智能的全局優(yōu)化技術(shù)，優(yōu)越的記憶能力和群體協(xié)作能力使其在函數(shù)優(yōu)化和模型參數(shù)訓(xùn)練中具有廣泛的應(yīng)用［5-6］.本文通過對水廠實際生產(chǎn)過程數(shù)據(jù)分析，制定了面向自來水生產(chǎn)過程的原水水質(zhì)評價標(biāo)準(zhǔn)，采用粒子群優(yōu)化算法訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)評價模型，對蘇州市相城水廠的進(jìn)廠原水水質(zhì)實施在線評價.通過將原水水質(zhì)在線評價結(jié)果作為藥劑(礬和臭氧)投加控制過程的前饋量，提高了自來水生產(chǎn)過程應(yīng)對原水水質(zhì)變化的能力.

1 原水水質(zhì)評價分析

1.1 原水水質(zhì)評價標(biāo)準(zhǔn)

目前原水水質(zhì)的評價標(biāo)準(zhǔn)國際上還沒有統(tǒng)一的規(guī)范準(zhǔn)則，研究人員根據(jù)研究目的設(shè)定自己的評價標(biāo)準(zhǔn)，我國學(xué)者［2］大多數(shù)以《國家地表水環(huán)境質(zhì)量標(biāo)準(zhǔn)》(GB 3838—2002)［7］作為原水水質(zhì)評價標(biāo)準(zhǔn)，選取具有代表性的水質(zhì)指標(biāo)作為評價因子.但自來水生產(chǎn)過程，尤其是藥劑(礬和臭氧)投加過程不僅與水質(zhì)指標(biāo)有關(guān)，還受水溫和濁度的影響.根據(jù)蘇州市相城水廠技術(shù)人員的生產(chǎn)經(jīng)驗，并對水廠數(shù)據(jù)庫的進(jìn)廠原水水質(zhì)指標(biāo)值和生產(chǎn)運(yùn)行歷史數(shù)據(jù)進(jìn)行統(tǒng)計分析，選取對自來水生產(chǎn)過程影響明顯的水溫、濁度、溶解氧和氨氮4項水質(zhì)指標(biāo)作為原水水質(zhì)評價因子，制定了如表1所示的進(jìn)廠原水水質(zhì)評價標(biāo)準(zhǔn).其中，評價結(jié)果是根據(jù)滿足出水水質(zhì)要求的經(jīng)驗藥劑(礬和臭氧)投加量確定的，對應(yīng)的期望輸出值為:0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9.

表1 原水水質(zhì)評價標(biāo)準(zhǔn)

1.2 原水水質(zhì)評價方法設(shè)計

原水水質(zhì)評價方法設(shè)計，關(guān)鍵是原水水質(zhì)評價模型的建立，本文采用基于粒子群優(yōu)化算法訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)方法建立原水水質(zhì)評價模型.

1.2.1 RBF 神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)是一種單隱層結(jié)構(gòu)的前饋型神經(jīng)網(wǎng)絡(luò)，具有很強(qiáng)的分類和逼近任意非線性連續(xù)函數(shù)的能力［8］.RBF神經(jīng)網(wǎng)絡(luò)一般由輸入層、隱含層和輸出層組成.本文采用的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，其輸出可描述為

式中，Χ={x1，x2，x3，x4}為輸入向量，包括水溫、濁度、溶解氧和氨氮;ωk為第k個隱含層神經(jīng)元與輸出層神經(jīng)元的連接權(quán)值;φk為第k個隱含層神經(jīng)元的輸出，

式中，μk為中心;σk為方差.

隱含層神經(jīng)元數(shù)一般根據(jù)問題的復(fù)雜程度來確定，雖然越多的神經(jīng)元數(shù)會使網(wǎng)絡(luò)的精度越高，但是過多的神經(jīng)元數(shù)會使網(wǎng)絡(luò)訓(xùn)練時間過長，以及產(chǎn)生過擬合問題，本文經(jīng)過多次訓(xùn)練比較，最終選定隱含層神經(jīng)元數(shù)為3個.

圖1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

1.2.2 采用粒子群優(yōu)化算法訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)

3）幼果期藥劑盡量選擇水乳劑、懸浮劑等，避免選擇乳油類、不溶性粉劑、沉淀多（雜質(zhì)多）的劣質(zhì)產(chǎn)品。實踐證明，臨近蘋果套袋，一定要噴1次50%甲托懸浮劑1 000倍液+70%代森錳鋅1 000倍液+醇鈣600倍液+吡蟲啉5 000倍液，以預(yù)防蘋果黑點病和缺鈣造成的生理性病害。這次用藥很關(guān)鍵。

RBF神經(jīng)網(wǎng)絡(luò)參數(shù)(隱含層神經(jīng)元函數(shù)中心值μk和方差值σk、隱含層與輸出層的連接權(quán)值ωk)的訓(xùn)練方法對網(wǎng)絡(luò)的性能有重要影響.常用的訓(xùn)練方法有:聚類法、梯度下降法、正交最小二乘學(xué)習(xí)算法、偽逆法和智能搜索算法(如遺傳算法和模擬退火算法)等.

粒子群優(yōu)化算法是一種基于群體行為的智能搜索算法，該算法模擬鳥群覓食行為，通過個體之間的集體協(xié)作和競爭來實現(xiàn)全局搜索.PSO算法中，每個優(yōu)化問題的解都是搜索空間中的一只鳥，稱之為“粒子”.所有的粒子都有一個由被優(yōu)化的函數(shù)決定的適應(yīng)度(fitness value)，還有一個速度決定它們飛翔的方向和距離.PSO算法在每一次迭代過程中，粒子通過跟蹤2個極值(個體極值pi和全局極值pg)來更新自己的速度和位置:

式中，kmax為最大迭代次數(shù);h1=0.9 和 h2=0.4 分別為初始迭代權(quán)重和最終迭代權(quán)重，這樣可使粒子群在初始搜索階段具有較好的全局搜索能力，而在后期具有較好的局部搜索能力.

粒子的適應(yīng)度函數(shù)定義為

式中，N為訓(xùn)練樣本數(shù);Ri為參考輸出;yt為實際輸出.具體訓(xùn)練步驟如下:

①初始化粒子群迭代權(quán)重 h、最大迭代次數(shù)kmax;

③將粒子的當(dāng)前位置作為初始pi，從種群中找出適應(yīng)度最小的粒子作為初始pg;

④將當(dāng)前適應(yīng)度與pi的適應(yīng)度進(jìn)行比較，如果當(dāng)前適應(yīng)度更好，則更新pi;

⑤ 對于每個粒子，將其pi適應(yīng)度與pg適應(yīng)度進(jìn)行比較，如果更好，則更新pg;

⑥依據(jù)式(3)、(4)修改粒子的速度和位置;

⑦重復(fù)步驟④ ～⑥，直到滿足結(jié)束條件;

⑧ 將pg對應(yīng)的粒子作為RBF神經(jīng)網(wǎng)絡(luò)的參數(shù).

1.3 原水水質(zhì)評價測試及實施效果

將蘇州市相城水廠數(shù)據(jù)庫2008年1—12月的原水水質(zhì)數(shù)據(jù)以及滿足出水水質(zhì)要求的藥劑投加數(shù)據(jù)分成2部分:訓(xùn)練樣本和測試樣本.由于在不同季節(jié)和天氣條件下的水質(zhì)具有不同的特點，因此每部分的挑選都要有代表性，應(yīng)包含各時期的水質(zhì)情況.根據(jù)該挑選原則，得到訓(xùn)練樣本1 000組，測試樣本1 000組.

對于原水水質(zhì)評價模型精度的評價通過均方根誤差(RMSE)來體現(xiàn):

式中，yi為樣本真實值;^yi為模型輸出值;n為樣本個數(shù).

將所采用的PSO訓(xùn)練方法與傳統(tǒng)梯度下降訓(xùn)練方法的RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果和測試結(jié)果分別進(jìn)行比較，以驗證方法的有效性.由圖2可看出，隨著訓(xùn)練次數(shù)的增加，采用PSO訓(xùn)練方法所得到的訓(xùn)練結(jié)果的均方根誤差更小，且PSO訓(xùn)練方法在訓(xùn)練230次后，均方根誤差基本不變.由圖3可看出，采用PSO算法訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)具有更高的評價精度.因此可認(rèn)為，基于PSO-RBF神經(jīng)網(wǎng)絡(luò)方法建立的原水水質(zhì)評價模型具有較好的評價效果，滿足所需的精度要求.

圖2 2種訓(xùn)練方法的RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

圖3 2種訓(xùn)練方法的RBF神經(jīng)網(wǎng)絡(luò)測試結(jié)果

將訓(xùn)練好的原水水質(zhì)評價模型在蘇州市相城水廠的中央控制計算機(jī)上編程實現(xiàn)后，對進(jìn)廠原水水質(zhì)指標(biāo)(水溫、濁度、溶解氧和氨氮)實施在線評價.表2是蘇州市相城水廠2009年3月某段時間的進(jìn)廠原水水質(zhì)在線評價情況，可見進(jìn)廠原水水質(zhì)指標(biāo)會在短時間內(nèi)發(fā)生較明顯的變化，在線評價結(jié)果能夠為藥劑(礬和臭氧)投加過程控制提供及時、準(zhǔn)確的參考投加劑量.經(jīng)過分析，作者認(rèn)為蘇州市相城水廠進(jìn)廠原水水質(zhì)變化的原因主要有:①原水取水口位于太湖水源地的淺水水域，受風(fēng)向和暴雨等天氣因素的影響，容易引起湖底泥沙泛起使水體濁度升高，水中有機(jī)污染物含量增多;②太湖水體富營養(yǎng)化嚴(yán)重，夏季容易引起藍(lán)藻大面積滋生，水中溶解氧含量降低，并造成藻毒素污染;③ 工農(nóng)業(yè)排污和事故導(dǎo)致的有機(jī)污染和無機(jī)污染.

表2 相城水廠某段時間進(jìn)廠原水水質(zhì)在線評價表

2 水廠藥劑投加過程控制

蘇州市相城水廠是采用常規(guī)+臭氧-生物活性炭深度處理工藝過程的大型自來水廠，一期供水能力為3×105m3/d，其生產(chǎn)工藝流程如圖4所示.其中，沉淀池前的加礬過程和主臭氧接觸池前的主臭氧投加過程是整個自來水生產(chǎn)工藝的主要環(huán)節(jié)，直接影響出水水質(zhì).準(zhǔn)確投加所需的礬和臭氧劑量是獲取較高出水水質(zhì)的關(guān)鍵.

圖4 蘇州市相城水廠自來水生產(chǎn)工藝流程

2.1 水廠藥劑投加過程前饋-反饋控制方法

蘇州市相城水廠原加礬控制過程和主臭氧投加控制過程與國內(nèi)絕大多數(shù)水廠的控制過程一樣，均采用流量比例投加的PID反饋控制方式.

加礬過程和臭氧投加過程都是復(fù)雜的物理、化學(xué)反應(yīng)過程，具有非線性、純時滯的特點，受到配水流量、原水水質(zhì)、加礬量、加臭氧量等諸多因素的影響，單純采用流量比例投加的PID反饋控制方式很難實現(xiàn)出水水質(zhì)的穩(wěn)定.采用前文所述的進(jìn)廠原水水質(zhì)在線評價結(jié)果作為前饋量，分別增加加礬控制過程和主臭氧投加控制過程的前饋控制環(huán)節(jié)，如圖5和圖6所示.

圖5 加礬前饋-反饋控制系統(tǒng)結(jié)構(gòu)

圖6 主臭氧投加前饋-反饋控制系統(tǒng)結(jié)構(gòu)

2.2 水廠藥劑投加過程前饋-反饋控制應(yīng)用效果

蘇州市相城水廠從2009-11-01開始對加礬過程和主臭氧投加過程實施基于前饋-反饋結(jié)構(gòu)的控制方案.由于自來水生產(chǎn)工藝過程的復(fù)雜性，尤其是水泵啟停以及濾池反沖洗會對沉淀池和主臭氧接觸池的進(jìn)水流量產(chǎn)生沖擊，從而對過程出水水質(zhì)產(chǎn)生影響.為了體現(xiàn)在線評價結(jié)果作為藥劑投加過程前饋量的實施效果，分別在反饋和前饋-反饋控制方式下，以10 s為周期截取工況較為穩(wěn)定的連續(xù)9 h共3 240組數(shù)據(jù)，其曲線對比如圖7和圖8所示.

圖7 反饋控制方式過程出水水質(zhì)曲線

圖8 前饋-反饋控制方式過程出水水質(zhì)曲線

可見，由于將原水水質(zhì)在線評價結(jié)果作為藥劑投加過程控制的前饋量，使得藥劑投加過程可以根據(jù)原水水質(zhì)的變化及時調(diào)整藥劑投加量，使出水濁度和水中余臭氧波動更小.

3 結(jié)語

根據(jù)蘇州市相城水廠原水水質(zhì)對藥劑(礬和臭氧)投加過程影響的分析結(jié)果，采用一種粒子群優(yōu)化算法訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)模型對進(jìn)廠原水水質(zhì)實施在線評價，將其在線評價結(jié)果作為前饋量，增加了相城水廠藥劑(礬和臭氧)投加控制過程的前饋控制環(huán)節(jié).實際應(yīng)用效果表明，該方法改善了過程出水水質(zhì)，提高了水廠藥劑投加過程的前饋控制水平，具有良好的應(yīng)用推廣價值.

References)

［1］Simeonov V，Stratis J A，Samara C，et al.Assessment of the surface water quality in Northern Greece［J］.Water Research，2003，37(17):4119-4124.

［2］Liu L，Zhou J Z，An X L，et al.Using fuzzy theory and information entropy for water quality assessment in Three Gorges region，China［J］.Expert Systems with Applications，2010，37(3):2517-2521.

［3］Zhang Y Z，Pulliainen J，Koponen S，et al.Application of an empirical neural network to surface water quality estimation in the Gulf of Finland using combined optical data and microwave data［J］.Remote Sensing of Environment，2002，81(2):327-336.

［4］Leandro D S C，André A P S.A RBF neural network model with GARCH errors:application to electricity price forecasting ［J］.Electric Power Systems Research，2011，81(1):74-83.

［5］Lu W Z，F(xiàn)an H Y，Leung A Y T，et al.Analysis of pollutant levels in central Hong Kong applying neural network method with particle swarm optimization［J］.Environmental Monitoring and Assessment，2002，79(3):217-230.

［6］Lian G Y，Huang K L，Chen J H，et al.Training algorithm for radial basis function neural network based on quantum-behaved particle swarm optimization［J］.International Journal of Computer Mathematics，2010，87(3):629-641.

［7］國家環(huán)境保護(hù)局.GB 3838—2002國家地表水環(huán)境質(zhì)量標(biāo)準(zhǔn)［S］.北京:中國標(biāo)準(zhǔn)出版社，2002.

［8］Zhang A S，Zhang L.RBF neural networks for the prediction of building interference effects［J］.Computers and Structures，2004，82(27):2333-2339.