基于PSO‑LSSVM的水岛加药在线控制方法技术

本发明专利技术公开了一种基于PSO‑LSSVM的水岛加药在线控制方法和装置。该方法包括：获取出水指标符合要求的、来水监测指标的M组历史参数值，以及对应于每组历史参数值的加药剂的历史加药量；基于最小二乘支持向量机建立在线控制LSSVM模型，其中，历史参数值为LSSVM模型的输入向量，历史加药量为LSSVM模型的输出向量；对LSSVM模型执行PSO算法，求解LSSVM模型中的参数的最优解；将求解得到的最优解输入LSSVM模型，得到水岛的加药模型；实时监测来水监测指标以得到一组实时参数值；以及将实时参数值输入水岛的加药模型，以确定当前时刻加药剂的加药量。通过本发明专利技术的方法，能够克服来水水质对运行过程的影响，实时更新加药量，减少药剂浪费、降低成本。

【技术实现步骤摘要】

本专利技术属于火电厂水处理
，具体涉及一种基于PSO-LSSVM的水岛加药在线控制方法和装置，可用于自动控制加药量。
技术介绍
火力发电厂简称火电厂，是利用煤、石油、天然气作为燃料生产电能的工厂，它的基本生产过程是：燃料在锅炉中燃烧加热水产生蒸汽，将燃料的化学能转变成热能，然后由蒸汽压力推动汽轮机旋转，将热能转换成机械能，最后汽轮机带动发电机旋转，将机械能转变成电能。在现代300MW以上的火力发电厂中，水处理系统基本实现了DCS自动化控制系统。水处理系统包括凝结水加氨处理，给水加氨、加联氨处理，加氯处理，气泡炉的加磷酸盐处理等，由于来水的水量、水质成分差异较大，而且水中不同成分之间会发生多种反应，尤其强酸强碱中和过程具有复杂的非线性特性。为了减少来水水质对火电厂正常运行的影响，会通过添加药剂进行调节。目前水处理系统通常根据处理完的出水水质来判断药剂添加量的多少，进而反复调试至满足要求，浪费了大量的时间和人工，具有明显的滞后性；其次加药剂的添加量一旦确定后，基本属于长期恒定状态，不但造成药品的无形浪费，而且由于来水水质的时变特性，出水指标无法满足用户的实时要求。综上所述，针对现有技术中存在的上述问题，目前尚未提出有效的解决方案。
技术实现思路
为解决上述问题，本专利技术的目的在于提供一种基于PSO-LSSVM的水岛加药在线控制方法和装置，以解决目前火电厂水处理过程中加药量确定方法工作效率低、药品浪费和无法满足出水达标要求的问题。依据本专利技术的一个方面，提供了一种基于PSO-LSSVM的水岛加药在线控制方法，该方法包括：获取出水指标符合要求的、来水监测指标的M组历史参数值，以及对应于每组所述历史参数值的加药剂的历史加药量，其中，所述来水监测指标包括多个指标，每组所述历史参数值包括所述多个指标的参数值；基于最小二乘支持向量机建立在线控制LSSVM模型，其中，所述历史参数值为所述LSSVM模型的输入向量，所述历史加药量为所述LSSVM模型的输出向量；对所述LSSVM模型执行PSO算法，求解所述LSSVM模型中的参数的最优解；将求解得到的所述最优解输入所述LSSVM模型，得到水岛的加药模型；实时监测所述来水监测指标以得到一组实时参数值；以及将所述实时参数值输入所述水岛的加药模型，以确定当前时刻所述加药剂的加药量。进一步地，基于最小二乘支持向量机建立在线控制LSSVM模型的步骤具体包括：设置所述LSSVM模型的输入向量为所述来水监测指标的数字信号的时间序列xi，设置所述LSSVM模型的输出向量为对应于所述时间序列xi的加药剂的历史加药量的时间序列yi，其中，i＝1，2，...，N，N＜M；将由所述时间序列xi和所述时间序列yi构成的时间序列集(xi，yi)采用非线性映射执行向高维空间的映射，并构造所述LSSVM模型的函数为其中，i＝1，2，...，N，xi∈Rq，yi∈R，q为所述来水监测指标中指标的个数，w为权向量，b为常数；根据结构风险最小化方法确定所述LSSVM模型的参数w和b，结构风险的计算式为其中，C为正规化参数，Remp为损失函数，ξi为所述LSSVM模型对所述时间序列集(xi，yi)的预测误差，确定LSSVM模型的目标函数为约束条件为其中，ξ≥0，C＞0，i＝1，2，...，N；确定所述LSSVM模型的核函数为径向基函数其中，σ＞0；建立所述LSSVM模型为其中，αi＝[α1，α2，....，αN]为拉格朗日乘子，αi和b通过以下线性方程求解：进一步地，对所述LSSVM模型执行PSO算法，求解所述LSSVM模型中的参数的最优解的步骤包括：步骤A：设定PSO算法的参数，确定初始种群规模G、搜索空间为D维、全局迭代次数、惯性权重系数w，决策变量离子速度[Vmin，Vmax]、正规化参数[Cmin，Cmax]和核参数[σmin，σmax]，其中，Vmin为离子速度最小值，Vmax为离子速度最大值，Cmin为正规化参数最小值，Cmax为正规化参数最大值，σmin为核参数最小值，σmax为核参数最大值，Xj＝(xj1，xj2，...，xjD)，速度表示为向量Vj＝(vj1，vj2，...，vjD)，历史最优位置表示为QVj＝(qj1，qj2，...，qjD)；步骤B：令迭代次数为1，对所述离子速度V、所述正规化参数C和所述核参数σ初始化后进行二进制编码，基于混沌理论产生G组初始种群、初始位置向量与初始速度向量；步骤C：采用下述循环步骤，确定所述离子速度V、所述正规化参数C和所述核参数σ的最优解：步骤C1：根据适应度函数计算种群中各个体的适应度函数值，其中，初始种群的个体极值为全局极值为其中，表示第1次迭代第j个粒子极值；步骤C2：分别利用和更新粒子当前的速度和位置，并且保证其中，B1和B2为加速因子，r1和r2为[0，1]范围之间的随机数，w为权重，表示第t次迭代第j个粒子第n决策变量的飞行速度，表示第t次迭代第j个粒子第n决策变量位置，表示第j个粒子第n决策变量的历史最优位置，qgn表示第n决策变量的历史全局最优位置；步骤C3：根据更新当前个体至最优pbest，同时根据更新群体至最优gbest，其中，t表示第t代循环，分别表示第t、t+1次迭代第j个粒子，表示第t、t+1次迭代第j个粒子适应度函数值；步骤C4：令迭代次数加1，判断当前迭代次数是否达到全局迭代次数，若达到，则输出最优个体，结束步骤C，若未达到，则返回步骤C1。进一步地，所述适应度函数为为以所述时间序列集(xi，yi)中第i组数据作为所述LSSVM模型的输入向量计算得到的计算机模拟值，为所述时间序列集(xi，yi)中yi的平均值。进一步地，求解所述LSSVM模型中的参数的最优解的步骤还包括：步骤D：将求解得到的所述最优解作为所述LSSVM模型的参数，将所述来水监测指标的数字信号的时间序列xp输入所述LSSVM模型，得到对应于所述时间序列xp的加药剂的模拟加药量的时间序列其中，p＝N+1，N+2，...，M；步骤E：根据对应于所述时间序列xp的加药剂的历史加药量的时间序列yp和所述时间序列计算所述LSSVM模型的一致性指标；步骤F：判断所述一致性指标是否大于预设指标值，若大于，则结束求解所述LSSVM模型中的参数的最优解的步骤，若不大于，则返回步骤A。进一步地，所述步骤C2中B1＝B2＝2，r1和r2服从正态分布。进一步地，步骤B具体包括：步骤B1，随机选取D个[0，1]范围值构成初始序列ε0＝(ε01，ε02，...，ε0D)，通过Logistic映射εj+1n＝μεjn(1-εjn)，得到G个轨迹不同的混沌序列εj，其中εn，0为初始参数，εjn∈(0，1)，μ∈(0，4)，n＝1，2，...，D，j＝1，2，...，G-1；步骤B2，定义Xmin，Xmax：Xmin＝[Vmin，Cmin，σmin]；Xmax＝[Vmax，Cmax，σmax]；步骤B3，将所述混沌序列按Xjn＝Xn，min+(Xn，max-Xn，min)εjn放大各参数的取值范围，得到G个代表LSSVM模型参数序列构成初始种群：(X1，1，X1，２，...，X1，D)，(X2，1，X2，2，...，X2，D)，......，(XG，1，XG，2，...，XG，D)，本文档来自技高网...

【技术保护点】
一种基于PSO‑LSSVM的水岛加药在线控制方法，其特征在于，包括：获取出水指标符合要求的、来水监测指标的M组历史参数值，以及对应于每组所述历史参数值的加药剂的历史加药量，其中，所述来水监测指标包括多个指标，每组所述历史参数值包括所述多个指标的参数值；基于最小二乘支持向量机建立在线控制LSSVM模型，其中，所述历史参数值为所述LSSVM模型的输入向量，所述历史加药量为所述LSSVM模型的输出向量；对所述LSSVM模型执行PSO算法，求解所述LSSVM模型中的参数的最优解；将求解得到的所述最优解输入所述LSSVM模型，得到水岛的加药模型；实时监测所述来水监测指标以得到一组实时参数值；以及将所述实时参数值输入所述水岛的加药模型，以确定当前时刻所述加药剂的加药量。

【技术特征摘要】
1.一种基于PSO-LSSVM的水岛加药在线控制方法，其特征在于，包括：获取出水指标符合要求的、来水监测指标的M组历史参数值，以及对应于每组所述历史参数值的加药剂的历史加药量，其中，所述来水监测指标包括多个指标，每组所述历史参数值包括所述多个指标的参数值；基于最小二乘支持向量机建立在线控制LSSVM模型，其中，所述历史参数值为所述LSSVM模型的输入向量，所述历史加药量为所述LSSVM模型的输出向量；对所述LSSVM模型执行PSO算法，求解所述LSSVM模型中的参数的最优解；将求解得到的所述最优解输入所述LSSVM模型，得到水岛的加药模型；实时监测所述来水监测指标以得到一组实时参数值；以及将所述实时参数值输入所述水岛的加药模型，以确定当前时刻所述加药剂的加药量。2.根据权利要求1所述的基于PSO-LSSVM的水岛加药在线控制方法，其特征在于，基于最小二乘支持向量机建立在线控制LSSVM模型的步骤具体包括：设置所述LSSVM模型的输入向量为所述来水监测指标的数字信号的时间序列xi，设置所述LSSVM模型的输出向量为对应于所述时间序列xi的加药剂的历史加药量的时间序列yi，其中，i＝1，2，...，N，N＜M；将由所述时间序列xi和所述时间序列yi构成的时间序列集(xi，yi)采用非线性映射执行向高维空间的映射，并构造所述LSSVM模型的函数为其中，i＝1，2，...，N，xi∈Rq，yi∈R，q为所述来水监测指标中指标的个数，w为权向量，b为常数；根据结构风险最小化方法确定所述LSSVM模型的参数w和b，结构风险的计算式为其中，C为正规化参数，Remp为损失函数，ξi为所述LSSVM模型对所述时间序列集(xi，yi)的预测误差，确定LSSVM模型的目标函数为约束条件为其中，ξ≥0，C＞0，i＝1，2，...，N；确定所述LSSVM模型的核函数为径向基函数其中，σ＞0；建立所述LSSVM模型为其中，αi＝[α1，α2，....，αN]为拉格朗日乘子，αi和b通过以下线性方程求解：3.根据权利要求2所述的基于PSO-LSSVM的水岛加药在线控制方法，其特征在于，对所述LSSVM模型执行PSO算法，求解所述LSSVM模型中的参数的最优解的步骤包括：步骤A：设定PSO算法的参数，确定初始种群规模G、搜索空间为D维、全局迭代次数、惯性权重系数w，决策变量离子速度[Vmin，Vmax]、正规化参数[Cmin，Cmax]和核参数[σmin，σmax]，其中，Vmin为离子速度最小值，Vmax为离子速度最大值，Cmin为正规化参数最小值，Cmax为正规化参数最大值，σmin为核参数最小值，σmax为核参数最大值，Xj＝(xj1，xj2，...，xjD)，速度表示为向量Vj＝(vj1，vj2，..，vjD)，历史最优位置表示为QVj＝(qj1，qj2，..，qjD)；步骤B：令迭代次数为1，对所述离子速度V、所述正规化参数C和所述核参数σ初始化后进行二进制编码，基于混沌理论产生G组初始种群、初始位置向量与初始速度向量；步骤C：采用下述循环步骤，确定所述离子速度V、所述正规化参数C和所述核参数σ的最优解：步骤C1：根据适应度函数计算种群中各个体的适应度函数值，其中，初始种群的个体极值为全局极值为其中，Pj1表示第1次迭代第j个粒子极值；步骤C2：分别利用和更新粒子当前的速度和位置，并且保证xjnt+1=xn,minifxjnt+1<xn,minxn,maxifxjnt+1>xn,maxxjnt+1esle,]]>其中，B1和B2为加速因子，r1和r2为[0，1]范围之间的随机数，w为权重，表示第t次迭代第j个粒子第n决策变量的飞行速度，表示第t次迭代第j个粒子第n决策变量位置，表示第j个粒子第n决策变量的历史最优位置，qgn表示第n决策变量的历史全局最优位置；步骤C3：根据更新当前个体至最优pbest，同时根据更新群体至最优gbest，其中，t表示...

【专利技术属性】
技术研发人员：秦栋，陈慧艳，刘宁，
申请(专利权)人：大唐北京水务工程技术有限公司，
类型：发明
国别省市：北京;11