第三届“泰迪杯” 全国大学生数据挖掘竞赛优秀作品.pdf

第三届“泰迪杯” 全国大学生数据挖掘竞赛 优 秀 作 品 作品名称：城市供水处理混凝投药过程的建模与控制 荣获奖项：一等奖 作品单位：东北大学秦皇岛分校 作品成员：李起旺 唐鑫桂 指导教师： 泰迪杯大学生数据挖掘竞赛论文报告 基于非线性预测建模的混凝投药过程控制 摘 要： 针对水厂混凝投药过程，本文根据广东省某水厂历史数据，建立了进水流量、浊度、PH值、加 药量和沉淀池出水浊度之间的四个阶段性数学模型，并对模型进行优化最终建立了最佳投药量的闭 环预测系统，实现对投药量的实时控制。 [3] 第一阶段：忽略PH对投药量的影响，综合已有文献 中的投药量与各因素间的指数关系，建立 了基于非线性回归辨识指数模型，并采用取对数方法将其转换为线性回归问题，最终求得出水浊度 与投药量、原水浊度及取水量之间的函数表达式（可信度为99% ），并通过式（2-5 ）计算反应到沉 淀结束的时间为90min 。 第二阶段：考虑时间的滞后性，本文建立了基于改进的BP神经网络的非线性黑箱投药控制模型， 将原水PH、原水浊度、取水量以及投药量作为输入参数，出水浊度作为输出参数。通过设置学习参 数和动量系数，并控制出水浊度达到标准值，最终确定了4- 12- 1最佳的神经网络结构，其泛化误差为 0.0014 。运用此模型，计算了在不同原水条件下的最佳投药量，具体可见表2-6；并分析了原水PH、 原水浊度及取水量对最佳投药量的影响，可见图2-7、2-8、2-9 。 第三阶段：鉴于混凝投药过程是一个反馈控制过程，在投药时混凝剂量不仅与控制本次出水浊 度有关，还与上次的出水浊度相关，模型二只是通过控制出水浊度来寻找最佳的投药量的正向反馈。 为使模型更有效，与实际情况更接近，本文在模型二基础上，增加出水浊度作为输入量，投药量作 为输出量建立新的BP神经网络模型，并通过样本数据的训练和误差控制确定了最佳网络结构。出水 浊度作为反馈参数实现对最佳投药量的反馈控制：以1.0NTU为临界点，大于1.0NTU会使投加量增加， 且越大增加越多，小于1.0NTU会使投加量减少，且越小减少越多，具体可见表2-7和图2- 12. 第四阶段：由于温度会影响分子的布朗运动和水的动力粘度，最终会影响到最佳PAC量的投加， 故需要将温度也作为输入参数，研究温度对最佳PAC量投加影响，其模型是在模型三基础上增加温 度作为输入量构建新的神经网络模型，从气象局搜集到2013年8月22 日到2014年9月5 日的气温数据， [11] 并利用文献 气温与水温函数关系计算得日均水温数据，同时将附件数据集预处理后的数据进行日 均化后与温度数据进行标准化处理后作为输入参数进行网络训练，最终确定较优的神经网络结构， 0 在10-25 C时最佳投药量几乎不变，而在温度升高投药量降低；反之升高，具体可见图2- 17. 最后，本文根据BP 神经网络的缺陷，设计了基于RBF 神经网络结构的投药控制模型，并基于 之前的模型最终设计出最佳投药量的闭环预测系统（图2-20 ），实现对投药量在水发生变化情况下 的实时控制。 关键词：混凝投药，非线性预测，回归模型，BP 神经网络，RBF 神经网络 第1 页 泰迪杯大学生数据挖掘竞赛论文报告 Process Control of Coagulant Dosage Based on the Nonlinear Predictive Modeling Abstract: