【技术实现步骤摘要】
一种基于随机森林算法的水厂智能PAC投加方法及系统
[0001]本专利技术涉及水厂智能加药
，特别涉及了一种基于随机森林算法的水厂智能PAC投加方法及系统。
技术介绍
[0002]自来水作为生产生活不可缺少的一部分，每年都有着规模庞大的消耗量。水厂的净水处理过程中，PAC投加环节是净化工艺中的核心工艺，PAC是聚合氯化铝，是一种无机物，一种新兴净水材料、无机高分子混凝剂，简称聚铝。传统的水厂PAC投加量主要依赖工作人员的经验值判断，并且在药剂投放过程中存在非线性、大滞后、水质突变等情况，人为操作很难准确进行投加或应对现场突发情况。
[0003]如中国专利局2018年7月6日公开了一种名称为水厂智能加药控制系统及其控制方法的专利技术，其公开号为CN108255056A，该专利技术包括智能加药装置以及智能配药装置，还包括加药上位机、水厂上位机以及信号采集装置，智能加药装置包括加药控制柜，加药控制柜中集成有加药PAC控制器，通过人工神经网络不断学习，根据滤前水浊度设定值和实际值之间的差值，采用模糊控制的方法，精细微调...
【技术保护点】
【技术特征摘要】
1.一种基于随机森林算法的水厂智能PAC投加方法，其特征在于，它包括下列步骤：S1：利用基于随机森林的机器学习算法，构建随机森林PAC投加预测模型；S2：根据模型测试正确率自动选择最优的随机森林PAC投加预测模型；S3：利用多种其他机器学习算法，构建多种算法下的PAC投加预测模型；S4：根据所设指标数据的变化动态调节使用优选的PAC投加预测模型进行PAC投加。2.根据权利要求1所述的一种基于随机森林算法的水厂智能PAC投加方法，其特征在于，所述的步骤S1的具体步骤为：S1.1：从历史数据库中读取指标数据，去除异常数据，建立数据样本，其中一部分作为训练样本，剩下的作为测试样本；S1.2：对为N行的训练样本里面的样本进行N次重复抽样，得到含N个样本的训练子集，重复m次，得到m个含N个样本的训练子集；S1.3：构建决策树，直到决策树数目达到默认值a，完成随机森林PAC投加预测模型的创建；S1.4：利用测试样本，对随机森林PAC投加预测模型进行验证并对测试结果进行评估，计算模型的预测正确率。3.根据权利要求3所述的一种基于随机森林算法的水厂智能PAC投加方法，其特征在于，所述的步骤S1.1中：指标数据包括：自变量和因变量，自变量包括进水浊度、出水浊度、进水流量、出水流量、温度以及PH，因变量包括实际PAC投加流量。4.根据权利要求3或4所述的一种基于随机森林算法的水厂智能PAC投加方法，其特征在于，所述的步骤S1.2中，进行N次重复抽样：从行数为N的训练样本中随机取出一个样本放入采样集中，再把该样本放回训练样本中，经过N次随机采样操作，得到含N个样本的采样集。5.根据权利要求3或4所述的一种基于随机森林算法的水厂智能PAC投加方法，其特征在于，所述的步骤S1.3中，构建决策树：A1：创建根节点，开始递归检查；A2：判断创建的根节点是否是叶子节点，若是，则标记为真，并用叶子的类标记Class；A3：创建一个左右节点并将它们的引用保存在该节点的左右字段中，随机挑选出Ms个特征；A4：对于所有Ms特征，首先按某一个特征对数据记录进行排序，然后从最低到最高查看数据记录中的值，若值i不等于值i+1，则在列表中记录i，若列表中的索引数量大于默认值，则只检查每个索引的熵，否则检查所有的熵；A5：如果总熵值低于迄今为止的最小值，则将其设为最小值，依次计算每一个特征的总熵值，得到最小的总熵值，记录该特征，设为左右节点；A6：检查新生成的左右节点，若节点只有一条记录，将其标记为叶子并将其类设置为等于记录的类，如果它的记录少于最小节点数，那么我们将其标记为叶子并将其类设置为多数类；如果它有更多，那么我们对其数据样本进行手动检查，如果所有记录都具有相同的类，则将其标记为叶子，如果没有，那么我们在该节点上继续递归检查。6.根据权利要求1所述的一种基于随机森林算法的水厂智能PAC投加方法，其特征在
于，所述的步骤S1.4中，验证测试数据：测试样本记录中的一个样本值根据每个节点表示的变量遍历其中一颗决策树，最终到达一个叶节点，基于该样本值结束的叶节点的值...
【专利技术属性】
技术研发人员：柯智元，金红达，何琦枫，孙建彬，谢建勋，李梦茹，付炜炜，
申请(专利权)人：浙江中控信息产业股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。