CN115759399A - 投加控制方法、装置、设备及存储介质 - Google Patents
投加控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115759399A CN115759399A CN202211433244.XA CN202211433244A CN115759399A CN 115759399 A CN115759399 A CN 115759399A CN 202211433244 A CN202211433244 A CN 202211433244A CN 115759399 A CN115759399 A CN 115759399A
- Authority
- CN
- China
- Prior art keywords
- historical
- adding amount
- preset
- learner
- learners
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 144
- 239000000654 additive Substances 0.000 claims abstract description 86
- 230000000996 additive effect Effects 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000004062 sedimentation Methods 0.000 claims abstract description 19
- 238000000746 purification Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 34
- 238000001556 precipitation Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 abstract description 12
- 230000006870 function Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 229910052720 vanadium Inorganic materials 0.000 description 10
- LEONUFNNVUYDNQ-UHFFFAOYSA-N vanadium atom Chemical compound [V] LEONUFNNVUYDNQ-UHFFFAOYSA-N 0.000 description 10
- 238000003066 decision tree Methods 0.000 description 6
- 239000003814 drug Substances 0.000 description 6
- 229940037003 alum Drugs 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000015271 coagulation Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000008399 tap water Substances 0.000 description 1
- 235000020679 tap water Nutrition 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Control Of Non-Electrical Variables (AREA)
Abstract
本申请提供了一种投加控制方法、装置、设备及存储介质，其中，该方法包括：获取预设净水系统中沉淀容器的当前进水参数，根据当前进水参数，采用预设添加物的投加量预测模型进行预测，得到预设添加物的目标投加量，投加量预测模型为预先根据沉淀容器的多组历史进水参数训练得到的学习器模型，多组历史进水参数分别标注有预设添加物的历史投加量，根据目标投加量，控制投加设备向沉淀容器中投加目标投加量的预设添加物。采用投加量预测模型能够对预设添加物的投加量进行准确预测，并基于多个投加量预测值，确定目标投加量，以及基于目标投加量实现投加自动控制，控制更加精准和及时，节省了生产成本。
Description
技术领域
本申请涉及计算机技术领域，具体而言，涉及一种投加控制方法、装置、设备及存储介质。
背景技术
自来水厂作为城市重要的基础设施，是城市建设和人民生活的重要组成部分，为提供符合标准的生活生产用水，必须保证水厂的每个工艺都要符合标准。其中，水厂的第一个工艺混凝反应中就需要用到药品矾，矾作为最常用的絮凝剂，也是水厂的重要生产成本之一，所以合理的控制加矾量对水厂生产作用明显。
目前，已经生产运行的水厂数量众多，往往需要人工根据工作经验设定加钒量大小，以控制出水浊度。
然而，由于人工控制，控制的频率和准确性难以保证，可能会出现控制不及时，造成出水浊度异常，也可能因为控制的不精准，造成矾耗偏高，造成生产成本高，药品的浪费。
发明内容
有鉴于此，本申请实施例提供了一种投加控制方法、装置、设备及存储介质，以解决投加量设置不准确，投加控制不精准的问题。
第一方面，本申请实施例提供了一种投加控制方法，包括：
获取预设净水系统中沉淀容器的当前进水参数；
根据所述当前进水参数，采用预设添加物的投加量预测模型进行预测，得到所述预设添加物的目标投加量，所述投加量预测模型为预先根据所述沉淀容器的多组历史进水参数训练得到的学习器模型，所述多组历史进水参数分别标注有所述预设添加物的历史投加量；
根据所述目标投加量，控制投加设备向所述沉淀容器中投加所述目标投加量的预设添加物。
在一可选的实施方式中，所述根据所述当前进水参数，采用预设添加物的投加量预测模型进行预测，得到所述预设添加物的目标投加量之前，所述方法还包括：
根据多个学习器，分别对每组历史进水参数进行处理，得到所述多个学习器对应的所述预设添加物的多个历史投加量预测值；
根据所述多个历史投加量预测值和所述每组历史进水参数的所述历史投加量，对所述多个学习器进行模型训练，得到所述投加量预测模型。
在一可选的实施方式中，所述根据多个学习器，分别对每组历史进水参数进行处理，得到所述多个学习器对应的所述预设添加物的多个历史投加量预测值，包括：
根据所述多个学习器中的初始学习器，对所述每组历史进水参数进行处理，得到所述初始学习器对应的历史投加量预测值；
根据所述初始学习器对应的历史投加量预测值和所述每组历史进水参数的所述历史投加量，计算所述初始学习器对应的残差值；
根据所述初始学习器的下一个学习器，对所述每组历史进水参数和所述初始学习器对应的残差值进行处理，得到所述下一个学习器对应的历史投加量预测值，直至得到所述多个学习器中其它学习器对应的历史投加量预测值。
在一可选的实施方式中，所述根据所述初始学习器的下一个学习器，对所述每组历史进水参数和所述初始学习器对应的残差值进行处理，得到所述下一个学习器对应的历史投加量预测值，直至得到所述多个学习器中其它学习器对应的历史投加量预测值，包括：
根据所述下一个学习器，对所述每组历史进水参数和所述初始学习器对应的残差值进行处理，得到所述下一个学习器对应的历史投加量预测值；
根据所述初始学习器对应的残差值和所述下一个学习器对应的历史投加量预测值，计算所述下一个学习器对应的残差值，直至得到所述其它学习器对应的历史投加量预测值。
在一可选的实施方式中，所述根据所述多个历史投加量预测值和所述每组历史进水参数的所述历史投加量，对所述多个学习器进行模型训练，得到所述投加量预测模型，包括：
对所述多个历史投加量预测值进行加权和，得到历史总投加量预测值；
根据所述历史总投加量预测值和所述历史投加量，对所述多个学习器进行模型训练，得到所述投加量预测模型。
在一可选的实施方式中，所述根据所述目标投加量，控制投加设备向所述沉淀容器中投加所述目标投加量的预设添加物，包括：
判断所述目标投加量是否满足预设投加量条件；
若所述目标投加量满足所述预设投加量条件，则控制所述投加设备向所述沉淀容器中投加所述目标投加量的所述预设添加物。
在一可选的实施方式中，所述历史进水参数包括：历史进水流量、历史进水浊度、历史进水温度中的至少一种。
第二方面，本申请实施例还提供了一种投加控制装置，包括：
获取模块，用于获取预设净水系统中沉淀容器的当前进水参数；
预测模块，用于根据所述当前进水参数，采用预设添加物的投加量预测模型进行预测，得到所述预设添加物的目标投加量，所述投加量预测模型为预先根据所述沉淀容器的多组历史进水参数训练得到的学习器模型，所述多组历史进水参数分别标注有所述预设添加物的历史投加量；
控制模块，用于根据所述目标投加量，控制投加设备向所述沉淀容器中投加所述目标投加量的预设添加物。
在一可选的实施方式中，所述装置还包括：
处理模块，用于根据多个学习器，分别对每组历史进水参数进行处理，得到所述多个学习器对应的所述预设添加物的多个历史投加量预测值；
训练模块，用于根据所述多个历史投加量预测值和所述每组历史进水参数的所述历史投加量，对所述多个学习器进行模型训练，得到所述投加量预测模型。
在一可选的实施方式中，所述处理模块，具体用于：
根据所述多个学习器中的初始学习器，对所述每组历史进水参数进行处理，得到所述初始学习器对应的历史投加量预测值；
根据所述初始学习器对应的历史投加量预测值和所述每组历史进水参数的所述历史投加量，计算所述初始学习器对应的残差值；
根据所述初始学习器的下一个学习器，对所述每组历史进水参数和所述初始学习器对应的残差值进行处理，得到所述下一个学习器对应的历史投加量预测值，直至得到所述多个学习器中其它学习器对应的历史投加量预测值。
在一可选的实施方式中，所述处理模块，具体用于：
根据所述下一个学习器，对所述每组历史进水参数和所述初始学习器对应的残差值进行处理，得到所述下一个学习器对应的历史投加量预测值；
根据所述初始学习器对应的残差值和所述下一个学习器对应的历史投加量预测值，计算所述下一个学习器对应的残差值，直至得到所述其它学习器对应的历史投加量预测值。
在一可选的实施方式中，所述训练模块，具体用于：
对所述多个历史投加量预测值进行加权和，得到历史总投加量预测值；
根据所述历史总投加量预测值和所述历史投加量，对所述多个学习器进行模型训练，得到所述投加量预测模型。
在一可选的实施方式中，所述控制模块，具体用于：
判断所述目标投加量是否满足预设投加量条件；
若所述目标投加量满足所述预设投加量条件，则控制所述投加设备向所述沉淀容器中投加所述目标投加量的所述预设添加物。
在一可选的实施方式中，所述历史进水参数包括：历史进水流量、历史进水浊度、历史进水温度中的至少一种。
第三方面，本申请实施例还提供了一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行第一方面任一所述的投加控制方法。
第四方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行第一方面任一所述的投加控制方法。
本申请提供了一种投加控制方法、装置、设备及存储介质，其中，该方法包括：获取预设净水系统中沉淀容器的当前进水参数，根据当前进水参数，采用预设添加物的投加量预测模型进行预测，得到预设添加物的目标投加量，投加量预测模型为预先根据沉淀容器的多组历史进水参数训练得到的学习器模型，多组历史进水参数分别标注有预设添加物的历史投加量，根据目标投加量，控制投加设备向沉淀容器中投加目标投加量的预设添加物。在本申请中，采用投加量预测模型能够对预设添加物的投加量进行准确预测，并基于多个投加量预测值，确定目标投加量，以及基于目标投加量实现投加自动控制，控制更加精准和及时，节省了生产成本。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的投加控制方法的流程示意图一；
图2为本申请实施例提供的投加控制方法的流程示意图二；
图3为本申请实施例提供的投加控制方法的流程示意图三；
图4为本申请实施例提供的学习器的示意图；
图5为本申请实施例提供的投加控制方法的流程示意图四；
图6为本申请实施例提供的投加量预测模型的训练和应用整体过程示意图；
图7为本申请实施例提供的投加控制装置的结构示意图；
图8为本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
由于已经生产运行的水厂数量众多，而且当前设备大部分只是解决了自动加药的问题，对于加多少药还是需要人工设置，并根据工作经验设定加药流量大小来控制出水浊度，而人工设置就存在不能时刻进行动态调整参数，不能保证参数设置的一致性和准确性，对于进水水质的变化也不能及时微调。
综上，由于人工控制，控制的频率和准确性都难以保证，可能会出现控制不及时，造成出水浊度异常，也可能因为控制的不精准，造成矾耗偏高，进而造成生产成本高，药品的浪费。基于此，本申请为解决了现有人工控制加药量的不精准和不及时性的问题，如加药量长时间不调整、加药量错误设置等，结合水厂水质比较稳定的前提下，尽量选取较少的参数，依靠已有的正常历史样本数据，训练出高效、准确的投加量预测模型，为操作人员提供优于经验值的投加方式，进而实现真正的无人自动控制加药。
下面结合几个具体实施例对本申请提供的投加控制方法进行说明。
图1为本申请实施例提供的投加控制方法的流程示意图一，本实施例的执行主体可以为电子设备，如终端、服务器等。
如图1所示，该方法可以包括：
S101、获取预设净水系统中沉淀容器的当前进水参数。
预设净水系统可以为水厂的净水系统，预设净水系统中沉淀容器可以为水厂的净水系统中的沉淀池。
通常情况下，在净水环节中，需要将水流入沉淀容器，并在沉淀容器投加预设添加物对水进行净化。沉淀容器的当前进水参数可以包括：当前进水流量、当前进水浊度、当前进水温度中的至少一种。
S102、根据当前进水参数，采用预设添加物的投加量预测模型进行预测，得到预设添加物的目标投加量。
预设添加物可以为用于净水的物品，如药品钒。
将当前进水参数作为模型输入，采用预设添加物的投加量预测模型进行处理，预测得到预设添加物的目标投加量，其中，投加量预测模型为预先根据沉淀容器的多组历史进水参数训练得到的学习器模型，多组历史进水参数分别标注有预设添加物的历史投加量。
由于大部分水厂的水质比较稳定，数据范围比较集中，可以使用适合对在稠密数据，泛化能力和表达能力都不错算法类型，所以投加量预测模型可以为梯度提升树算法(Gradient Boosting Decision Tree，GBDT)模型，以对实时工艺参数进行比较准确的预测。GBDT模型包括多个训练好的学习器，采用多个训练好的学习器，对当前进水参数进行预测，可得到预设添加物的多个投加量预测值。
历史进水参数可以包括：历史进水流量、历史进水浊度、历史进水温度中的至少一种。
以预设添加物为药品钒为例，通过监测预设沉淀容器的加药工艺生产参数，包括：历史进水温度、历史进水PH、历史进水流量、历史进水浊度、历史出水浊度、历史钒耗(钒投加量)，并按照时间为存储标识(Identity document，ID)，每隔一段时间记录一条数据，如每隔一分钟记录一次数据。
然后，对监测数据进行预处理，主要包括：删除非正常信号下的数据、对数据变化超过一倍的数据进行删除、剔除重复数据等。通过分析发现该水厂水源水质比较稳定，变化较大的参数主要为历史进水流量、历史进水浊度以及历史进水温度，因此可以选择历史进水流量、历史进水浊度以及历史进水温度作为历史进水参数，这是因为变化较小的参数对加钒反应效果比较差。
当然，还可以选取80％的数据作为训练集用于训练模型，20％的数据作为测试集和验证集用于模型的测试和评估验证，关于模型训练和模型验证的具体方式可以参见现有技术中的相关描述，在此不再赘述。
需要说明的是，投加量预测模型为训练得到的学习器模型，包括多个学习器，在模型预测过程中，采用各学习器分别对当前进水参数进行处理，得到各学习器对应的投加量预测值，然后根据多个投加量预测值，计算目标投加量，可以根据预设加权系数，对多个投加量预测值进行加权和运算得到目标投加量，预设加权系数可以根据实际情况选取，或者对多个投加量预测值进行求和运算，得到目标投加量。
S103、根据目标投加量，控制投加设备向沉淀容器中投加目标投加量的预设添加物。
设备可以与投加设备通信连接，确定出目标投加量之后，设备可以向向投加设备发送投加指令，以控制投加设备向沉淀容器中投加目标投加量的预设添加物，其中，投加指令中携带有：预设添加物的标识以及目标投加量。
在本实施例的投加控制方法中，基于当前进水参数，采用预设添加物的投加量预测模型进行预测，可得到预设添加物的目标投加量，然后根据目标投加量，控制投加设备向沉淀容器中投加目标投加量的预设添加物。采用投加量预测模型能够对预设添加物的投加量进行准确预测，以及基于目标投加量实现投加自动控制，控制更加精准和及时，节省了生产成本。
下面结合图2-图5对投加量预测模型的实现方式进行说明。
图2为本申请实施例提供的投加控制方法的流程示意图二，如图2所示，根据当前进水参数，采用预设添加物的投加量预测模型进行预测，得到预设添加物的目标投加量之前，该方法还可以包括：
S201、根据多个学习器，分别对每组历史进水参数进行处理，得到多个学习器对应的预设添加物的多个历史投加量预测值。
S202、根据多个历史投加量预测值和每组历史进水参数的历史投加量，对多个学习器进行模型训练，得到投加量预测模型。
采用多个学习器，分别对每组历史进水参数进行处理，得到多个学习器对应的预设添加物的多个历史投加量预测值，其中，每个学习器对应一个历史投加量预测值，然后根据多个历史投加量预测值和每组历史进水参数的历史投加量，对多个学习器进行模型训练，得到投加量预测模型，投加量预测模型包括：多个训练好的学习器。
在一些实施例中，可以根据多个历史投加量预测值，确定历史总投加量预测值，然后根据历史总投加量预测值和每组历史进水参数的历史投加量，对多个学习器进行模型训练，得到投加量预测模型，其中，可对多个历史投加量预测值进行加权和，得到历史总投加量预测值，并根据历史总投加量预测值和历史投加量，对多个学习器进行模型训练，得到投加量预测模型，其中，可根据历史总投加量预测值和历史投加量计算损失函数，并基于损失函数对多个学习器进行模型训练，得到投加量预测模型。
或者，对多个历史总投加量预测值进行求和运算，得到历史总投加量，并根据历史总投加量预测值和历史投加量，对多个学习器进行模型训练，得到投加量预测模型。
图3为本申请实施例提供的投加控制方法的流程示意图三，如图3所示，根据多个学习器，分别对每组历史进水参数进行处理，得到多个学习器对应的预设添加物的多个历史投加量预测值，包括：
S301、根据多个学习器中的初始学习器，对每组历史进水参数进行处理，得到初始学习器对应的历史投加量预测值。
S302、根据初始学习器对应的历史投加量预测值和每组历史进水参数的历史投加量，计算初始学习器对应的残差值。
其中，初始学习器可以为多个学习器中的第一个学习器，采用初始学习器，对每组历史进水参数进行处理，得到初始学习器对应的历史投加量预测值，并根据每组历史进水参数的历史投加量和初始学习器对应的历史投加量预测值，可计算初始学习器对应的残差值。
S303、根据初始学习器的下一个学习器，对每组历史进水参数和初始学习器对应的残差值进行处理，得到下一个学习器对应的历史投加量预测值，直至得到多个学习器中其它学习器对应的历史投加量预测值。
多个学习器的数量可以根据实际情况配置，本实施例对此不做特别限定。
初始学习器的下一个学习器可以为多个学习器中的第二个学习器，将每组历史进水参数和初始学习器对应的残差值作为第二个学习器的输入，采用下一个学习器进行处理，得到下一个学习器对应的历史投加量预测值，重复该步骤，直至得到多个学习器中其它学习器对应的历史投加量预测值，其中，其它学习器可以为多个学习器中除了初始学习器和初始学习器的下一个学习器之外的学习器。
在一些实施例中，可以根据下一个学习器，对每组历史进水参数和初始学习器对应的残差值进行处理，得到下一个学习器对应的历史投加量预测值；根据初始学习器对应的残差值和下一个学习器对应的历史投加量预测值，计算下一个学习器对应的残差值，直至得到其它学习器对应的历史投加量预测值。
也就是说，采用下一个学习器，对每组历史进水参数和残差值进行处理，得到下一个学习器对应的历史投加量预测值，并将初始学习器对应的残差值作为真值，根据初始学习器对应的残差值和下一个学习器对应的历史投加量预测值，计算下一个学习器对应的残差值，重复该步骤，直至得到其它学习器对应的历史投加量预测值，即，对于各学习器，将其上一个学习器的残差作为该学习器的真值，并将上一个学习器的残差值和每组历史进水参数作为该学习器的输入，得到该学习器对应的历史投加量预测值。
需要说明的是，每一个学习器的实际值和预测值的差即为残差，上一轮的残差作为下一个学习器的真实值输入，与新的预测值对比，形成新的残差，循环迭代至最后一学习器。
图4为本申请实施例提供的学习器的示意图，如图4所示，对于三个学习器，将历史进水参数作为学习器1的输入，预测得到学习器1对应的历史投加量预测值1，并计算学习器1对应的残差值1(即历史投加量和历史投加量1的差值)；并将学习器1对应的残差值和历史进水参数作为学习器2的输入，得到学习器2对应的历史投加量预测值2，并计算学习器2对应的残差值2(即学习器1对应的残差值和历史投加量预测值2的差值)；将学习器2对应的残差值和历史进水参数作为学习器3的输入，得到学习器3对应的历史投加量预测值3。
之后，基于历史投加量预测值1-3计算历史总投加量预测值，并根据历史总投加量预测值和历史投加量，对学习器进行模型训练，得到投加量预测模型。
下面结合图5对控制投加预设添加物的实现方式进行说明。
图5为本申请实施例提供的投加控制方法的流程示意图四，如图5所示，根据目标投加量，控制投加设备向沉淀容器中投加目标投加量的预设添加物，包括：
S401、判断目标投加量是否满足预设投加量条件。
S402、若目标投加量满足预设投加量条件，则控制投加设备向沉淀容器中投加目标投加量的预设添加物。
预设投加量条件可以包括：预设投加量范围，也就是说，为了自动控制的安全性，可设置投加量范围。判断目标投加量是否在预设投加量范围内，若目标投加量在预设投加量范围内，则可以针对预设添加物输入投加操作，以控制投加设备向沉淀容器中投加目标投加量的预设添加物。
其中，可提供一可视化的投加控制页面，可在投加控制页面上设置预设投加量范围的上下限安全值并打开投加控制按钮，模型预测后可在投加控制页面上显示目标投加量，设备可自动判断目标投加量是否在预设投加量范围内，若在，则控制投加设备向沉淀容器中投加目标投加量的预设添加物。
当然，操作人员也可以跟进页面上显示的目标投加量是否满足预设投加量条件，若满足，则可输入针对预设添加物的投加操作，如针对页面上的投加控制按钮输入选择操作，即通过手动下发控制投加设备向沉淀容器中投加目标投加量的预设添加物。
需要说明的是，还可以在平台上设置预测间隔，例如一分钟，表示每隔一分钟模型对预设添加物的投加量进行一次预测，并自动下发控制投加设备向沉淀容器中投加对应投加量的预设添加物。
在本实施例的投加控制方法中，经过人工确认后进行自动加药控制，可以显著提高投加量控制的准确性和及时性，另外通过设置预测间隔，可以根据当前进水参数动态调整投加量，在安全的前提下，达到节省水厂运行生产成本的能力，并且通过实时加药量的预测，提供结果的实时展示及控制按钮，可以实现加药量的自控控制。
图6为本申请实施例提供的投加量预测模型的训练和应用整体过程示意图，如图6所示，以预设添加物为药品钒为例，包括如下几个过程：
(1)、数据存储：监测并存储预设沉淀容器的工艺生产参数。
(2)、数据预处理：对监测到的工艺生产参数进行数据预处理，以确定历史进水参数。
(3)、模型训练：基于初始化模型，采用训练集对投加量预测模型进行模型训练。
(4)、模型优化：采用测试集验证集对训练好的模型进行测试和验证。
(5)、模型预测：基于实时数据(当前进水参数)采用训练好的模型预测投加量。
(6)、控制加钒量：根据设定的上下限控制加钒量，并自动控制投加设备进行加钒。
基于上述实施例，下面对GBDT的实现过程进行具体说明：
GBDT由模型(model)、参数(parameters)、目标函数(objective function)三部分组成。
(1)模型
模型是以决策树作为基函数，由M棵树组成的加法模型。以决策树为基函数的提升方法称为提升决策树，简称提升树，树模型的数学表达式为：
其中，Tm(x)表示第m颗提升树，M为树的个数。
(2)参数
由于GBDT使用了CART回归决策树，因此它的参数基本来源于决策树类。如树的数量，树的最大深度，叶子节点最少样本数，叶子节点最小的样本权重，最大叶子节点数等，根据具体数据由人为调参给定。
(3)目标函数
目标函数可以根据实际需求设定，这里可以选用平方损失函数作为目标函数，其数学表达式为：
其中y为真实值，c为预测值
GBDT这里引入残差的思想，y-c，即真实值与预测值的偏差。而残差本质上就是二次损失函数的导数的负数，即：
也就是对应二次损失函数的负梯度，这也就是Gradient boosting的梯度下降的思想。
回归问题的提升树算法如下：
模型输入：训练数据集Τ＝{(x1,y1),(x2,y2),…,(xn,yn)}，其中xi表示历史进水流量、历史进水浊度、历史进水温度在某一时刻的一组数值，yi表示xi数值的预设添加物的历史投加量。
输出：回归树fM(x)在i时刻的预设添加物的历史投加量预测值。
模型具体训练步骤包括：
(1)初始化弱学习器，模型如下：
f0(x)为弱学习器，n表示样本数量(多组历史进水参数的组数)，L(y,c)损失函数为平方损失，因为平方损失函数是一个凸函数，直接对c求导：
另导数等于0，得：
初始化时，c取值为所有训练样本中加矾量(历史投加量)的均值。此时得到的初始学习器：
f0(x)＝c
(2)迭代训练m＝1，2，…，M棵树
a、对每个样本i＝1，2，…，M，计算负梯度，即残差：
其中，M为超参数，可根据实际需求设定，残差rmi是真实值与预测值的差。
b、将(a)得到的残差rmi作为新一轮样本新的真实值，并将数据(xi，rmi)作为下棵树的训练数据输入，重复(a)过程，得到一颗新回归树，依次类推，得到M棵树。其对应的叶子节点区域Rmj，j＝1，2，…，J。其中j为回归树的叶子节点的个数，取值范围为1至J。
c、对j＝1，2，…，J个叶子节点，计算最佳拟合值：
cmj是Rmj的平方损失最小值。
d、更新强学习器：
其中，I为指示函数，表示若x∈Rmj，则I＝1；否则I＝0
(3)得到最终学习器GBDT：
基于同一发明构思，本申请实施例中还提供了与投加控制方法对应的投加控制装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述投加控制方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
图7为本申请实施例提供的投加控制装置的结构示意图，该装置可以集成在电子设备中。如图7所示，该装置可以包括：
获取模块501，用于获取预设净水系统中沉淀容器的当前进水参数；
预测模块502，用于根据当前进水参数，采用预设添加物的投加量预测模型进行预测，得到预设添加物的目标投加量，投加量预测模型为预先根据沉淀容器的多组历史进水参数训练得到的学习器模型，多组历史进水参数分别标注有预设添加物的历史投加量；
控制模块503，用于根据目标投加量，控制投加设备向沉淀容器中投加目标投加量的预设添加物。
在一可选的实施方式中，该装置还包括：
处理模块504，用于根据多个学习器，分别对每组历史进水参数进行处理，得到多个学习器对应的预设添加物的多个历史投加量预测值；
训练模块505，用于根据多个历史投加量预测值和每组历史进水参数的历史投加量，对多个学习器进行模型训练，得到投加量预测模型。
在一可选的实施方式中，处理模块504，具体用于：
根据多个学习器中的初始学习器，对每组历史进水参数进行处理，得到初始学习器对应的历史投加量预测值；
根据初始学习器对应的历史投加量预测值和每组历史进水参数的历史投加量，计算初始学习器对应的残差值；
根据初始学习器的下一个学习器，对每组历史进水参数和初始学习器对应的残差值进行处理，得到下一个学习器对应的历史投加量预测值，直至得到多个学习器中其它学习器对应的历史投加量预测值。
在一可选的实施方式中，处理模块504，具体用于：
根据下一个学习器，对每组历史进水参数和初始学习器对应的残差值进行处理，得到下一个学习器对应的历史投加量预测值；
根据初始学习器对应的残差值和下一个学习器对应的历史投加量预测值，计算下一个学习器对应的残差值，直至得到其它学习器对应的历史投加量预测值。
在一可选的实施方式中，训练模块505，具体用于：
对多个历史投加量预测值进行加权和，得到历史总投加量预测值；
根据历史总投加量预测值和历史投加量，对多个学习器进行模型训练，得到投加量预测模型。
在一可选的实施方式中，控制模块503，具体用于：
判断目标投加量是否满足预设投加量条件；
若目标投加量满足预设投加量条件，则控制投加设备向沉淀容器中投加目标投加量的预设添加物。
在一可选的实施方式中，历史进水参数包括：历史进水流量、历史进水浊度、历史进水温度中的至少一种。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明，这里不再详述。
图8为本申请实施例提供的电子设备的结构示意图，如图8所示，该设备可以包括：包括：处理器601、存储器602和总线603，存储器602存储有处理器601可执行的机器可读指令，当电子设备运行时，处理器601与存储器602之间通过总线603通信，处理器601执行机器可读指令，以执行上述方法实施例提供的投加控制方法。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行，所述处理器执行上述方法实施例提供的投加控制方法。
在本申请实施例中，该计算机程序被处理器运行时还可以执行其它机器可读指令，以执行如实施例中其它所述的方法，关于具体执行的方法步骤和原理参见实施例的说明，在此不再详细赘述。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种投加控制方法，其特征在于，包括：
获取预设净水系统中沉淀容器的当前进水参数；
根据所述当前进水参数，采用预设添加物的投加量预测模型进行预测，得到所述预设添加物的目标投加量，所述投加量预测模型为预先根据所述沉淀容器的多组历史进水参数训练得到的学习器模型，所述多组历史进水参数分别标注有所述预设添加物的历史投加量；
根据所述目标投加量，控制投加设备向所述沉淀容器中投加所述目标投加量的预设添加物。
2.根据权利要求1所述的方法，其特征在于，所述根据所述当前进水参数，采用预设添加物的投加量预测模型进行预测，得到所述预设添加物的目标投加量之前，所述方法还包括：
根据多个学习器，分别对每组历史进水参数进行处理，得到所述多个学习器对应的所述预设添加物的多个历史投加量预测值；
根据所述多个历史投加量预测值和所述每组历史进水参数的所述历史投加量，对所述多个学习器进行模型训练，得到所述投加量预测模型。
3.根据权利要求2所述的方法，其特征在于，所述根据多个学习器，分别对每组历史进水参数进行处理，得到所述多个学习器对应的所述预设添加物的多个历史投加量预测值，包括：
根据所述多个学习器中的初始学习器，对所述每组历史进水参数进行处理，得到所述初始学习器对应的历史投加量预测值；
根据所述初始学习器对应的历史投加量预测值和所述每组历史进水参数的所述历史投加量，计算所述初始学习器对应的残差值；
根据所述初始学习器的下一个学习器，对所述每组历史进水参数和所述初始学习器对应的残差值进行处理，得到所述下一个学习器对应的历史投加量预测值，直至得到所述多个学习器中其它学习器对应的历史投加量预测值。
4.根据权利要求3所述的方法，其特征在于，所述根据所述初始学习器的下一个学习器，对所述每组历史进水参数和所述初始学习器对应的残差值进行处理，得到所述下一个学习器对应的历史投加量预测值，直至得到所述多个学习器中其它学习器对应的历史投加量预测值，包括：
根据所述下一个学习器，对所述每组历史进水参数和所述初始学习器对应的残差值进行处理，得到所述下一个学习器对应的历史投加量预测值；
根据所述初始学习器对应的残差值和所述下一个学习器对应的历史投加量预测值，计算所述下一个学习器对应的残差值，直至得到所述其它学习器对应的历史投加量预测值。
5.根据权利要求2所述的方法，其特征在于，所述根据所述多个历史投加量预测值和所述每组历史进水参数的所述历史投加量，对所述多个学习器进行模型训练，得到所述投加量预测模型，包括：
对所述多个历史投加量预测值进行加权和，得到历史总投加量预测值；
根据所述历史总投加量预测值和所述历史投加量，对所述多个学习器进行模型训练，得到所述投加量预测模型。
6.根据权利要求1所述的方法，其特征在于，所述根据所述目标投加量，控制投加设备向所述沉淀容器中投加所述目标投加量的预设添加物，包括：
判断所述目标投加量是否满足预设投加量条件；
若所述目标投加量满足所述预设投加量条件，则控制所述投加设备向所述沉淀容器中投加所述目标投加量的所述预设添加物。
7.根据权利要求1-6任一所述的方法，其特征在于，所述历史进水参数包括：历史进水流量、历史进水浊度、历史进水温度中的至少一种。
8.一种投加控制装置，其特征在于，包括：
获取模块，用于获取预设净水系统中沉淀容器的当前进水参数；
预测模块，用于根据所述当前进水参数，采用预设添加物的投加量预测模型进行预测，得到所述预设添加物的目标投加量，所述投加量预测模型为预先根据所述沉淀容器的多组历史进水参数训练得到的学习器模型，所述多组历史进水参数分别标注有所述预设添加物的历史投加量；
控制模块，用于根据所述目标投加量，控制投加设备向所述沉淀容器中投加所述目标投加量的预设添加物。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行权利要求1至7任一所述的投加控制方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一所述的投加控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211433244.XA CN115759399A (zh) | 2022-11-16 | 2022-11-16 | 投加控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211433244.XA CN115759399A (zh) | 2022-11-16 | 2022-11-16 | 投加控制方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115759399A true CN115759399A (zh) | 2023-03-07 |
Family
ID=85372002
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211433244.XA Pending CN115759399A (zh) | 2022-11-16 | 2022-11-16 | 投加控制方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115759399A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116947189A (zh) * | 2023-09-19 | 2023-10-27 | 武汉科迪智能环境股份有限公司 | 混凝剂投加控制方法、装置及存储介质 |
| CN117874409A (zh) * | 2024-03-11 | 2024-04-12 | 榕湾科技(成都)有限公司 | 基于水质预测的制水反馈调控方法、系统、终端及介质 |
| CN118586746A (zh) * | 2024-08-06 | 2024-09-03 | 浙江中控信息产业股份有限公司 | 一种多水源切换下的自来水厂智能混凝剂投加方法 |
-
2022
- 2022-11-16 CN CN202211433244.XA patent/CN115759399A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116947189A (zh) * | 2023-09-19 | 2023-10-27 | 武汉科迪智能环境股份有限公司 | 混凝剂投加控制方法、装置及存储介质 |
| CN116947189B (zh) * | 2023-09-19 | 2023-12-08 | 武汉科迪智能环境股份有限公司 | 混凝剂投加控制方法、装置及存储介质 |
| CN117874409A (zh) * | 2024-03-11 | 2024-04-12 | 榕湾科技(成都)有限公司 | 基于水质预测的制水反馈调控方法、系统、终端及介质 |
| CN117874409B (zh) * | 2024-03-11 | 2024-05-31 | 榕湾科技(成都)有限公司 | 基于水质预测的制水反馈调控方法、系统、终端及介质 |
| CN118586746A (zh) * | 2024-08-06 | 2024-09-03 | 浙江中控信息产业股份有限公司 | 一种多水源切换下的自来水厂智能混凝剂投加方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115759399A (zh) | 投加控制方法、装置、设备及存储介质 | |
| CN101825870B (zh) | 一种控制水处理絮凝剂投放量的方法及系统 | |
| Santin et al. | Fuzzy control and model predictive control configurations for effluent violations removal in wastewater treatment plants | |
| JP4906788B2 (ja) | 上下水処理場の監視制御システム | |
| CN106802563B (zh) | 一种基于果蝇优化和lssvm的污水过程优化控制方法 | |
| KR102440371B1 (ko) | 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 | |
| CN114380378B (zh) | 智能控磷药品投加方法、装置及存储介质 | |
| CN116235600A (zh) | 用于确定最佳凝结剂剂量的过程、系统和计算机可读存储介质 | |
| CN102531121A (zh) | 水处理混凝剂最佳投量预测系统及预测方法 | |
| CN118071177B (zh) | 一种污水处理模拟调控方法和系统 | |
| CN102096406B (zh) | 生物废水处理进水量非稳态变化模拟控制系统及控制方法 | |
| JP2011197714A (ja) | プロセス制御システム | |
| Syu et al. | Back-propagation neural network adaptive control of a continuous wastewater treatment process | |
| CN117690518A (zh) | 一种用于处理水煤浆废水的药品投加量确定方法及系统 | |
| CN114488973B (zh) | 再生水厂全流程工艺参数优化方法、装置及电子设备 | |
| CN115312138A (zh) | 污水硬度预测方法、装置、电子设备和存储介质 | |
| CN114819376A (zh) | 一种沉淀池泥量预测系统及方法 | |
| CN118771624A (zh) | 一种基于多模型融合的给水处理智能投药控制方法 | |
| CN118811908A (zh) | 一种污染地下水自适应智能加药净化控制系统及方法 | |
| CN117233346A (zh) | 一种高浓度工业污水处理的监测的方法及系统 | |
| JP2002062927A (ja) | 排水処理プロセスシミュレータ | |
| CN112723613B (zh) | 一种污水处理站智能远程监管方法及终端 | |
| CN108958033A (zh) | 一种城市污水曝气处理智能控制方法 | |
| Kettunen et al. | Data-based, fault-tolerant model predictive control of a complex industrial dearomatization process | |
| JPH05204406A (ja) | プロセス制御装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |