西安交大模拟赛.pptVIP

城市供水处理混凝投药过程的建模与控制 第二次模拟赛答辩 问题分析 水是生命的源泉，是人类生活不可缺少的成分，然而随着工业发展迅速，人类活动范围的快速扩大，水资源受到的污染日益严重。因此，怎么样有效地对水进行净化处理，成为了当今国内外学者研究的热点问题。 水处理混凝投加过程是一个复杂的物理、化学反应过程，具有时滞和非线性特性。影响絮凝效果的因素很多，包括原水流量、原水浊度、原水pH值、原水温度、混凝剂投加量和原水中藻类等等。投药控制就是综合考虑这些因素进行混凝剂最少最经济投加，而达到最优的絮凝效果。 目标任务 问题一：根据历史原水水质数据、原水流量数据、混凝剂投加量和沉淀池出水浊度数据，求出原水添加混凝剂反应到沉淀结束出水需要的时间。 问题二：考虑需求1结果的滞后性，根据历史原水水质数据、原水流量数据和混凝剂投加量数据，建立数学模型，求出最佳混凝剂投药量。 问题三：考虑需求1结果的滞后性，考虑增加沉淀池浊度作为输入参数，结合历史原水水质数据、原水流量数据和混凝剂投加量数据，建立数学模型，求出最佳混凝剂投药量； 主要思路 水的混凝是一个复杂的过程。影响出水浊度的因素很多，且本题给出的数据量较大，因此适于使用神经网络模型进行建模。 首先基于神经网络的阶跃响应，求得混凝剂反应时间；然后再利用程序算法对投药量进行了优化，得到最佳混凝剂投药量；最后，我们改进建立了回归反馈神经网络模型，配合优化程序算法得到最佳混凝剂投药量。 神经网络的简单理解及构建方法 神经网络模型是一种具有自学习特性的数学模型，简单的讲，它通过多个节点的相互关系可以充分逼近数据之间的非线性关系。 MATLAB带有神经网络构建的工具箱，选择合理的输入数据与输出数据后，软件在中间层设置10个节点，并默认选择70%的数据进行不断迭代来确定各个结点之间的关系（即为“训练”），并用15%的数据来确认其正确性，如此反复“学习”至误差最小，最后用15%的数据来测试其精确性。因此这种方法得到的网络能够比较准确地反映输出和输入的关系。 基本假设 1）出水浊度即为沉淀池1和沉淀池2浊度的平均值； 2）供水的浊度较低以至不考虑供水量对出水浊度的影响； 3）PAC投加后的时滞为1小时； 4）出水浊度自身反馈效应的时滞为1小时； 5）不考虑温度其他可能因素的影响。 模型一：神经网络阶跃模型 建立模型前的数据处理： 1.剔除不合理的值； 2.归一化：一个比较简单的方法是 （x-xmin)/(xmax-xmin); 归一化是方便神经网络快速的学习,掌握数据之 间的逻辑关系。不归一化也可以。 3.插值：简单起见采用线性插值。每2个点之 间插入9个点，这样原来的时间间隔1小时就变为了 6分钟。 建立模型 选择原数据的82组，插值后变为811组，输入的数据为： 原水PH，原水流量（取水量），原水浊度，PAC投加量，大致结构如下： 模型求解 将构建网络时的输入数据作为网络的输入，得到的输出与实际输出对比如下： 对此网络，给予一个这样的输入：其他量和原数据保持不变，以尽量减少其对结果的影响，PAC投加量为有限持续的阶跃信号，分析其输出值，并选取其中一段光滑数据进行指数拟合，类比信号与系统中的时间常数，即可求出结果： 模型二：神经网络优化模型 和模型一构建方法一样，只不过需要考虑时滞。简单地说，即8点的输入实际上对应于9点的输出（假设时滞为1小时），这样对于9062组数据，令输入为前9061组数据，输出为后9061组数据。 优化算法的基本思路 ①假定PAC投加量的范围是4-300.从数据中可以看出，PAC投加量的最小值约为4,而由于神经网络的复杂性，为了防止其计算出的最佳投药量过大，设定一个上限300.此值约为所给数据中最大投药量的两倍； ②首先判断出水浊度是否在1.1附近，标准和③中所述一样。如果是，则直接输出此时的PAC投加量为最佳投加量；否则进入③； ③让PAC投加量从4递增，当通过神经网络输出的出水浊度在略小于1.1的一个范围内，认为达到要求，取此时的PAC值即为最佳投药量； ④若求得的PAC值超过300，说明递增过程中出水浊度没有达到要求，此时寻找使其出水浊度最小的PAC投加量。 以此思路编写程序，并将程序中获得的数据反归一化后输出，即为最佳投药量。程序见于附录。 考虑时滞的投药量优化结果 由于程序自身需要大量循环，且还需要调用所得到的代号为’net’的神经网络，所以耗时较大，为了简单起见，随机选取一段时间的数据来运行程序，下图为选取第121~160之间40组数据所得到的最佳投药量： 模型三：回归反馈神经网络优化模型 考虑反馈之后，即在建立神经网络过程中，将输出项也作为