申请/专利权人：浙江浙能台州第二发电有限责任公司

申请日：2022-04-07

公开（公告）日：2024-06-11

公开（公告）号：CN114781249B

主分类号：G06F30/27

分类号：G06F30/27;G06F18/24;G06N3/0442;G06N3/0464;G06N3/048;G06N3/08;C02F1/52

优先权：

专利状态码：有效-授权

法律状态：2024.06.11#授权;2022.08.09#实质审查的生效;2022.07.22#公开

摘要：本发明涉及种原水预处理高密度澄清池加药量预测方法技术领域，尤其涉及一种基于多维评分模型的高密度澄清池加药量预测及控制方法。S1、基于矾花历史图像，将矾花的特性分为分布密度、矾花形态规则程度、矾花粒径大小，对矾花历史图像进行打标签和数据预处理，从而形成矾花训练数据；利用预处理后的矾花训练数据训练絮凝区矾花深度卷积神经网络识别模型，利用训练好的模型对新采集的矾花图像进行识别并输出三个特性的分数，若某个特性评分不合格则报警；与现有的技术相比优点在于：通过多维评分方式，建立了可靠的混凝剂和助凝剂加药量预测模型，可实现准确的混凝剂和助凝剂加药量控制。

主权项：1.一种基于多维评分模型的高密度澄清池加药量预测及控制方法，其特征在于，包括以下步骤：S1、基于矾花历史图像，将矾花的特性分为分布密度、矾花形态规则程度、矾花粒径大小，对矾花历史图像进行打标签和数据预处理，利用预处理后的训练数据训练絮凝区矾花深度卷积神经网络识别模型，利用训练好的模型对新采集的矾花图像进行识别并输出三个特性的分数，若某个特性评分不合格则报警；S2、基于清水区历史图像，通过与色卡的比对，对清水区出水颜色进行打标签和数据预处理，利用预处理后的训练数据训练高密度澄清池清水区颜色评分深度卷积神经网络模型，利用训练好的模型对新采集的清水区图像进行颜色识别并评分；当颜色评分不合格则报警；S3、采集足够量的清水区图像，基于步骤S2得到清水区颜色分数与图像采集时实时检测的清水区出水浊度对比映射，通过多项式拟合获取出水浊度估算公式，并使得出水浊度拟合值与出水浊度实测值差方和ST最小；当出水浊度未超浊度仪量程时以浊度仪显示数据为准，作为浊度输出数据；当出水浊度超量程时以出水浊度估算公式计算所得数据为准，作为浊度输出数据；S4、基于步骤S1得到的矾花特性分数、步骤S3得到的浊度输出数据、日期、时间、天气、气温和其他参数加药量相关参数作为LSTM神经网络预测模型的输入，混凝剂和助凝剂加药量作为LSTM神经网络预测模型的输出，训练用于混凝剂和助凝剂加药量预测的LSTM神经网络预测模型；S5、将由步骤S4得到的混凝剂和助凝剂加药量预测值与实测所需混凝剂和助凝剂加药量值进行比对，并通过计算均方根误差RMSE的方式计算预测误差；设置误差阈值，验证LSTM神经网络预测模型输出的混凝剂和助凝剂加药量预测值是否准确；S6、LSTM神经网络预测模型建立完毕，并且通过步骤S5验证LSTM神经网络预测模型的准确性，即若由步骤S5计算得到的预测误差不大于误差阈值，则说明LSTM的输出是可靠的，以LSTM神经网络预测模型的混凝剂和助凝剂加药量预测值来指导混凝剂和助凝剂加药量控制；若由步骤S5计算得到的预测误差大于误差阈值，则采集更多历史数据，返回执行步骤S1～步骤S5，重新训练LSTM神经网络预测模型，直至由步骤S5计算得到的预测误差小于等于误差阈值；S7、基于步骤S6得到的可靠LSTM神经网络预测模型输出的混凝剂和助凝剂加药量预测值和当前加药流量的偏差，构建混凝剂泵和助凝剂泵的变频PID控制系统，实现智能加药控制；在步骤S3中，通过多项式拟合获取出水浊度估算公式为：fx＝p0xn+p1xn-1+p2xn-2+…+pn-1x+pn上式中，fx表示清水区出水浊度拟合值,x表示清水区颜色分数，P＝[p0,p1,…pn-1,pn]表示多项式函数中的系数；在步骤S4中其他参数加药量相关参数为：高密度澄清池进水温度、进水浊度、进水流量、进水pH、出水pH、出水浊度、泥位高度、混凝剂浓度、混凝剂加药泵频率、混凝剂加药泵进口阀开度、混凝剂加药泵出口阀开度、混凝剂加药泵冲程、助凝剂浓度、助凝剂加药泵频率、助凝剂加药泵进口阀开度、助凝剂加药泵出口阀开度、助凝剂加药泵冲程。

全文数据：

权利要求：

百度查询： 浙江浙能台州第二发电有限责任公司 基于多维评分模型的高密度澄清池加药量预测及控制方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD