基于RBF网络水厂投药预测控制.pdfVIP

基于RBF 网络的水厂投药预测控制 刘思远，齐维贵 哈尔滨工业大学电气工程及其自动化学院，哈尔滨 (150001) E-mail：lsy_lh@163.com 摘 要：基于神经网络的智能预测控制具有很强的自学习和自适应能力，对于大滞后、非线 性的复杂系统有较好的控制效果。本文针对水处理中混凝投药过程的特点并结合国内目前投 药控制的现状，提出了一种带有前馈补偿的RBF 神经网络预测控制新方法。该方法利用神 经网络建立投药量的预测模型，然后用出水浊度与设定值间的预测偏差构成闭环控制。通过 实时的在线滚动优化，实现了投药量的最优投加。经过仿真试验表明，出水浊度保持稳定， 所需矾耗减少，控制效果明显。 关键词：混凝投药；浊度；RBF 网络；预测控制 1. 引言 在地表水处理工艺中，混凝投药环节是水处理的关键环节。混凝剂的投加量直接决定混 凝效果，准确地投加混凝剂可以有效减轻过滤、消毒设备的负担[1] 。然而由于受到原水浊度、 PH 值、配水流量、原水温度和其他水质污染的影响，混凝投药又是最为困难的环节。因为 它面对的是一个复杂的物理化学过程，是一个较强的非线性系统，投药环节难以运用数学模 型表示。同时水处理过程从混凝剂的投加，经过沉淀、过滤，至少要经过4 小时以上的时间 才能达到稳定状态[2] 。系统的大滞后、非线性使得无法依据出水指标来确定投药量。 目前，国内水厂的混凝投药控制系统普遍采用单因子闭环控制和前馈控制两种方式。前 者是利用流动电流检测器(SCD)实现对投药量的有效控制；后者主要依赖于建立原水参数与 投药量间的相关关系。由文献[3]可知，对于混凝投药这种非线性、大时滞的系统，采用以 上两种传统的控制方式很难对原水水质参数的变化做出快速响应，也就限制了其控制效果。 以哈尔滨某水厂为例，其中的混凝投药控制主要采用流量比例和人工手动调节的开环控制， 操作人员根据工作经验、或者观察絮凝池矾花生成情况，决定投药量。此种方法难以追随水 质水量等因素的变化，难以对投药量进行及时准确的调节。由于投药控制技术落后，造成药 剂的较大浪费，同时也严重影响了水处理的质量，容易发生水质安全事故。针对这一现状， 本文以该水厂的混凝投药系统的改造为对象，提出了一种具有前馈补偿的神经网络预测控制 新方法。 2. 具有前馈补偿的神经网络预测控制方案 2.1 投药系统的控制结构 水处理的混凝投药过程具有非线性，参数时变和结构不确定的特点，很难建立精确的数 学模型。而基于人工神经网络的预测控制技术对模型的要求低，抗干扰能力强，且具有自学 习、容错和自适应的性能，很适合不易建立精确数学模型且比较复杂的工业过程。 该水厂的原水取自松花江，原水浊度、pH值、温度、TOC等水质参数相对稳定，变化1缓 1本课题得到哈尔滨市科技创新人才研究专项资金和哈尔滨市中小企业创新基金资助（XK007001， 2007FG2CGD23）的资助。 - 1 - 慢。而原水流量主要取决于城市的供水需求，该过程变化缓慢且具有一定的规律性，可通过 前馈环节预先补偿。因此本文只将原水流量、矾耗和出水浊度作为混凝投药系统的输入、输 出控制信号，构建如图1所示的控制框图。该结构的输入信号有两个，即原水流量和矾耗。 控制的目的，就是要不断调整可控输入矾耗，克服原水流量和其他扰动对出水浊度的影响， 使出水浊度准确跟踪设定值的变化。 −1 Z −1 Z 图1 混凝投药系统控制结构 Fig 1 Control str