基于BP神經(jīng)網(wǎng)絡(luò)的臭氧精確投加控制系統(tǒng)

沈愷樂(lè)，李宗強(qiáng)

(上海市水利工程設(shè)計(jì)研究院有限公司，上海 200063)

臭氧因其強(qiáng)氧化性，被廣泛應(yīng)用于水處理中。目前，國(guó)內(nèi)許多水廠采用臭氧-活性炭深度處理工藝，因此，臭氧投加直接影響著出水水質(zhì)。其中預(yù)臭氧化的主要作用是去除色度、藻類(lèi)，改善臭味和混凝條件。后臭氧化工藝主要是將大分子有機(jī)物降解為小分子物質(zhì)，易于后續(xù)生物活性炭濾池的吸附、降解，也為炭濾池提高溶解氧。

在使用臭氧工藝時(shí)，應(yīng)注意進(jìn)水中溴離子的濃度。有研究表明，當(dāng)原水溴離子濃度小于20 μg/L時(shí)，一般不會(huì)形成溴酸鹽，當(dāng)溴離子濃度在50～100 μg/L時(shí)有可能會(huì)形成溴酸鹽[1]。綜合考慮有機(jī)物的去除效果和溴酸鹽的因素，《室外給水設(shè)計(jì)標(biāo)準(zhǔn)》(GB 50013—2018)中給出預(yù)臭氧投加量0.5～1.0 mg/L及后臭氧投加量1.0～2.0 mg/L作為參考。

目前，自來(lái)水廠臭氧的投加量，通常根據(jù)化驗(yàn)室的水質(zhì)檢測(cè)結(jié)果和操作人員的生產(chǎn)經(jīng)驗(yàn)確定，往往精度不高。采用人工控制方法，若臭氧投加量過(guò)低，無(wú)法保障處理效果，增加后續(xù)工藝的運(yùn)行負(fù)荷，若投加量過(guò)高，則會(huì)增加運(yùn)行費(fèi)用，提高處理工藝的制水成本，同時(shí)可能引起溴酸鹽超標(biāo)。根據(jù)文獻(xiàn)和對(duì)部分水廠的調(diào)研發(fā)現(xiàn)，目前采用臭氧工藝的水廠大多存在臭氧投加量偏高的問(wèn)題，尤其是后臭氧投加，導(dǎo)致臭氧浪費(fèi)，造成水廠生產(chǎn)運(yùn)行成本增高[2]。因此，需要研究一種臭氧自動(dòng)投加控制系統(tǒng)，能根據(jù)進(jìn)水相關(guān)參數(shù)自動(dòng)調(diào)節(jié)臭氧投加量，降低水廠生產(chǎn)人員的工作量，提高制水效率，并進(jìn)一步提高供水安全性。

由于臭氧投加是一個(gè)多干擾、非線性、多變量、時(shí)變、大滯后的流程，針對(duì)臭氧投加建立一個(gè)精確可靠的控制模型存在一定難度，常規(guī)加藥控制系統(tǒng)對(duì)模型具有較強(qiáng)的依賴(lài)性，很難滿(mǎn)足較高精度的控制要求。BP神經(jīng)網(wǎng)絡(luò)是利用誤差反向傳播訓(xùn)練算法的神經(jīng)網(wǎng)絡(luò)，可以擬合出任意復(fù)雜的非線性關(guān)系，將其運(yùn)用到水質(zhì)預(yù)測(cè)中，可以建立不同水質(zhì)參數(shù)間復(fù)雜的非線性關(guān)系，預(yù)測(cè)結(jié)果相對(duì)客觀，并能大大減少工作量[3-5]。

神經(jīng)網(wǎng)絡(luò)模型在90年代被證明可以逼近任意非線性函數(shù)，具有較好的自學(xué)習(xí)能力、自適應(yīng)能力、抗干擾能力和魯棒性，因此，基于神經(jīng)網(wǎng)絡(luò)的投藥模型一直受到學(xué)者們的廣泛關(guān)注。BP神經(jīng)網(wǎng)絡(luò)模型最早被應(yīng)用于混凝劑的投加預(yù)測(cè)中，Gagnon等[6]使用水廠運(yùn)行的實(shí)際數(shù)據(jù)，以進(jìn)水pH、渾濁度、導(dǎo)電率、溫度為輸入量，混凝劑投加量為輸出量，模型得到的預(yù)測(cè)值與實(shí)際值的平均相對(duì)誤差在5%左右，達(dá)到了較好的效果，而采用簡(jiǎn)單的多元線性回歸方法相對(duì)誤差在10%以上。此后，基于神經(jīng)網(wǎng)絡(luò)的投藥研究層出不窮。方榮業(yè)等[7]針對(duì)城鎮(zhèn)污水廠PAC投加系統(tǒng)，建立了BP神經(jīng)網(wǎng)絡(luò)前饋預(yù)測(cè)-PID反饋控制的PAC自動(dòng)投加控制統(tǒng)，證明該系統(tǒng)具有較強(qiáng)的自適應(yīng)能力和較高的控制精度，出水CODMn達(dá)標(biāo)率較人工控制提高了8.88%，活性炭日均消耗量削減了16.61%，取得了較好的經(jīng)濟(jì)效益。神經(jīng)網(wǎng)絡(luò)算法有能力利用實(shí)際運(yùn)行數(shù)據(jù)進(jìn)行學(xué)習(xí)，通過(guò)建立臭氧投加量預(yù)測(cè)模型，進(jìn)一步探索基于數(shù)據(jù)驅(qū)動(dòng)的、能夠進(jìn)行在線學(xué)習(xí)的臭氧投加系統(tǒng)，在智慧水務(wù)的背景下，該項(xiàng)研究對(duì)于探索大數(shù)據(jù)技術(shù)在水務(wù)行業(yè)的應(yīng)用是一項(xiàng)創(chuàng)新的嘗試。

1 材料與方法

1.1 水廠工藝流程

T水廠位于浙江省，設(shè)計(jì)供水能力為20萬(wàn)m3/d，處理工藝流程包括預(yù)處理、常規(guī)處理和深度處理，其中，常規(guī)處理包括混凝、沉淀、砂濾和氯消毒，預(yù)處理為預(yù)臭氧化，深度處理為臭氧-活性炭工藝。工藝流程如圖1所示。

圖1 水廠工藝流程圖Fig.1 Process of Water Treatment Plant

1.2 試驗(yàn)水質(zhì)

試驗(yàn)原水為東太湖水，試驗(yàn)期間內(nèi)原水的水質(zhì)情況如表1所示。

1.3 檢測(cè)方法

渾濁度采用Hach 2100Q型便攜式濁度儀測(cè)定；CODMn采用酸性高錳酸鉀法測(cè)定；UV254采用T6新世紀(jì)紫外可見(jiàn)光分光光度計(jì)測(cè)定；DOC采用TOC-LCPH總有機(jī)碳分析儀測(cè)定；NH3-N采用納式試劑比色法測(cè)定。

表1 原水水質(zhì)Tab.1 Water Quality Parameters

1.4 模型建立

BP神經(jīng)網(wǎng)絡(luò)的作用是在給定進(jìn)水水質(zhì)條件下，對(duì)出水水質(zhì)或臭氧投加量進(jìn)行預(yù)測(cè)。通過(guò)BP網(wǎng)絡(luò)的輸出值與實(shí)際出水水質(zhì)或?qū)嶋H臭氧投加量進(jìn)行比較，不斷對(duì)網(wǎng)絡(luò)權(quán)值進(jìn)行調(diào)整，使得誤差達(dá)到最小，盡可能逼近實(shí)際結(jié)果。利用神經(jīng)網(wǎng)絡(luò)的逼近能力及內(nèi)差和外推的良好特性，精確預(yù)測(cè)各種不同進(jìn)水條件下的出水水質(zhì)和臭氧投加量。

為了解決同一數(shù)據(jù)集中不同的變量數(shù)量級(jí)不統(tǒng)一的問(wèn)題，對(duì)數(shù)據(jù)采取離差標(biāo)準(zhǔn)化處理，將所有的值均映射到0～1，削弱了異常值對(duì)整體樣本的影響。離差標(biāo)準(zhǔn)化采用式(1)。

(1)

其中：min(x)——樣本的最小值；

max(x)——樣本的最大值；

Y(x)——x的離差標(biāo)準(zhǔn)化值。

隱含層節(jié)點(diǎn)數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效果非常重要，最佳隱含層的節(jié)點(diǎn)數(shù)q參考式(2)進(jìn)行計(jì)算。

(2)

其中：M——輸入節(jié)點(diǎn)數(shù)；

L——輸出節(jié)點(diǎn)數(shù)；

C——1～10的常數(shù)。

本次神經(jīng)網(wǎng)絡(luò)模型建立試驗(yàn)研究，針對(duì)預(yù)臭氧工藝分為預(yù)臭氧出水水質(zhì)預(yù)測(cè)和預(yù)臭氧投加量預(yù)測(cè)兩部分。出水水質(zhì)預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2所示，模型以預(yù)臭氧投加量、預(yù)臭氧進(jìn)水流量、渾濁度、CODMn、UV254、DOC、NH3-N作為輸入?yún)?shù)，以預(yù)臭氧出水渾濁度、CODMn、UV254、DOC作為輸出參數(shù)，預(yù)測(cè)模型采用3層BP神經(jīng)網(wǎng)絡(luò)，其中輸入層神經(jīng)元數(shù)為7個(gè)，隱含層神經(jīng)元數(shù)為10個(gè)，輸出層神經(jīng)元數(shù)為5個(gè)。

圖2 預(yù)臭氧出水水質(zhì)預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Neural Network Structure of Pre-Ozonation Effluent Quality Prediction

預(yù)臭氧投加量預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3所示，以預(yù)臭氧進(jìn)水流量、渾濁度、CODMn、UV254、DOC、NH3-N以及預(yù)臭氧預(yù)期出水渾濁度、CODMn、UV254、DOC作為輸入?yún)?shù)，以預(yù)臭氧投加量為輸出參數(shù)，預(yù)測(cè)模型采用3層BP神經(jīng)網(wǎng)絡(luò)，其中輸入層神經(jīng)元數(shù)為9個(gè)，隱含層神經(jīng)元數(shù)為11個(gè)，輸出層神經(jīng)元數(shù)為1個(gè)。

圖3 預(yù)臭氧投加量預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Neural Network Structure of Pre-Ozone Dosage Prediction

本次建模研究從T水廠實(shí)際生產(chǎn)運(yùn)行中選擇150組數(shù)據(jù)作為樣本，從中隨機(jī)選取120組作為訓(xùn)練數(shù)據(jù)樣本，15組作為驗(yàn)證數(shù)據(jù)樣本，15組作為測(cè)試數(shù)據(jù)樣本。

2 結(jié)果與討論

2.1 相關(guān)性分析

分析各水質(zhì)變量與預(yù)臭氧投加量的關(guān)系，采用Pearson相關(guān)系數(shù)、Spearman秩相關(guān)系數(shù)和Kendall相關(guān)系數(shù)進(jìn)行分析。

Pearson相關(guān)系數(shù)是線性回歸中最常見(jiàn)的相關(guān)系數(shù)，絕對(duì)值越大，說(shuō)明兩個(gè)變量之間的線性相關(guān)性越大。Spearman秩相關(guān)系數(shù)不僅能衡量線性相關(guān)關(guān)系，還可以衡量?jī)蓚€(gè)變量的遞增和遞減關(guān)系，且異常值對(duì)其的影響較小。Kendall相關(guān)系數(shù)與Spearman秩相關(guān)系數(shù)類(lèi)似，表達(dá)兩個(gè)變量序列之間的排序關(guān)系。

預(yù)臭氧投加量與進(jìn)水水質(zhì)參數(shù)的相關(guān)系數(shù)如表2所示。由表2可知，同一參數(shù)使用3個(gè)不同的相關(guān)系數(shù)得到的變量相關(guān)性大小雖有不同，但很接近。預(yù)臭氧投加量與進(jìn)水渾濁度、CODMn、DOC、UV254和NH3-N呈正相關(guān)，其中進(jìn)水渾濁度、CODMn和DOC對(duì)預(yù)臭氧投加量影響較大。這是由于這些水質(zhì)指標(biāo)代表著水中有機(jī)物的含量，而臭氧能夠改變水中有機(jī)物的官能團(tuán)，對(duì)有機(jī)物中的不飽和鍵進(jìn)行選擇性氧化，將大分子有機(jī)物的結(jié)構(gòu)破壞使其分解為小分子有機(jī)物[8]。預(yù)臭氧投加量與進(jìn)水流量呈弱負(fù)相關(guān)，這是由于夏季流量較大時(shí)，進(jìn)水水質(zhì)較好，所需的預(yù)臭氧投加量較小，而冬季進(jìn)水流量較小時(shí)，進(jìn)水有機(jī)物含量較高，所需預(yù)臭氧投加量較大。

表2 預(yù)臭氧投加量與進(jìn)水水質(zhì)的相關(guān)系數(shù)Tab.2 Correlation Coefficient between Ozone Dosage and Influent Water Quality

2.2 水質(zhì)預(yù)測(cè)模型

建立1.4所述的T水廠預(yù)臭氧出水水質(zhì)參數(shù)預(yù)測(cè)的BP網(wǎng)絡(luò)模型，經(jīng)過(guò)仿真模擬，結(jié)果如圖4所示。擬合整體的相關(guān)系數(shù)為0.991 9，訓(xùn)練集的相關(guān)系數(shù)為0.995 2，測(cè)試集的相關(guān)系數(shù)為0.977 1，均方根誤差RMSE=0.014 9，可知，本模型能較好地根據(jù)預(yù)臭氧進(jìn)水水質(zhì)和預(yù)臭氧投加量擬合預(yù)臭氧出水水質(zhì)情況。

圖4 出水水質(zhì)預(yù)測(cè)模型訓(xùn)練情況Fig.4 Training Results of Effluent Water Quality Prediction Model

樣本集中的15組數(shù)據(jù)經(jīng)過(guò)模擬后得到的水質(zhì)指標(biāo)的預(yù)測(cè)值與實(shí)際值的對(duì)比如圖5所示。

圖5 水質(zhì)參數(shù)預(yù)測(cè)值與實(shí)際值的結(jié)果 (a)渾濁度； (b) CODMn； (c) DOC； (d) UV254； (e) NH3-NFig.5 Comparison of Water Quality Parameters Predictions and Real Values (a) Turbidity； (b) CODMn； (c) DOC； (d) UV254； (e) NH3-N

由圖5可知，各水質(zhì)指標(biāo)的預(yù)測(cè)值和實(shí)際值呈現(xiàn)相同的變化趨勢(shì)，并且有著一定的預(yù)測(cè)精度。測(cè)試集的15組數(shù)據(jù)經(jīng)神經(jīng)網(wǎng)絡(luò)模型擬合后，渾濁度的擬合程度最好，預(yù)測(cè)值與實(shí)際值相對(duì)誤差的絕對(duì)值基本在10%以?xún)?nèi)。代表有機(jī)物含量的CODMn、DOC以及UV254的擬合度也相對(duì)較好，基本在20%以?xún)?nèi)。NH3-N的預(yù)測(cè)值和實(shí)際值的擬合程度相比另外4個(gè)水質(zhì)指標(biāo)較差，測(cè)試集中超過(guò)一般的樣本預(yù)測(cè)值相對(duì)誤差基本都在25%以上，誤差最大值為48.6%，主要是原水NH3-N濃度較低，且投加臭氧的主要目的并不是去除水中的NH3-N，因而導(dǎo)致擬合誤差偏大。

2.3 臭氧投加量預(yù)測(cè)模型

建立1.4中所述的T水廠預(yù)臭氧投加量預(yù)測(cè)的BP網(wǎng)絡(luò)模型，經(jīng)仿真模擬，結(jié)果如圖6所示。擬合整體的相關(guān)系數(shù)為0.892 3，訓(xùn)練集的相關(guān)系數(shù)為0.919 4，測(cè)試集的相關(guān)系數(shù)為0.793 5，說(shuō)明通過(guò)輸入水質(zhì)參數(shù)的現(xiàn)狀值和預(yù)期值，可以建立其與預(yù)臭氧投加量間的聯(lián)系，本預(yù)測(cè)模型測(cè)試集的相關(guān)系數(shù)相比訓(xùn)練集較低，但整體仍有較好的擬合效果和預(yù)測(cè)精度。在訓(xùn)練次數(shù)為132次時(shí)，校正均方根誤差RMSE達(dá)到最小，為0.013 9，此時(shí)，訓(xùn)練集和測(cè)試集的RMSE也已穩(wěn)定到了一定的低值，分別為0.012 0和0.014 9。可見(jiàn)，BP神經(jīng)網(wǎng)絡(luò)模型具有良好的自學(xué)習(xí)能力，而且模型的泛化性能高。

圖6 臭氧投加量預(yù)測(cè)模型訓(xùn)練情況Fig.6 Training Results of Ozone Dosage Prediction Model

樣本集中的15組數(shù)據(jù)經(jīng)過(guò)模擬后得到的預(yù)臭氧投加量的預(yù)測(cè)值，與實(shí)際值的對(duì)比如圖7所示。

圖7 臭氧投加量預(yù)測(cè)值與實(shí)際值的結(jié)果Fig.7 Comparison of Ozone Dosage Predictions and Real Values

由圖7可知，預(yù)測(cè)模型在給定的進(jìn)水工藝條件和預(yù)期的出水水質(zhì)條件下，能夠較好地預(yù)測(cè)臭氧的投加量。測(cè)試集的15組數(shù)據(jù)經(jīng)神經(jīng)網(wǎng)絡(luò)模型擬合后，與實(shí)際值的相對(duì)誤差的絕對(duì)值最大為25.5%，最小為3.63%，其中8組預(yù)測(cè)值與實(shí)際值的偏差在10%以?xún)?nèi)。預(yù)臭氧投加量較大時(shí)的預(yù)測(cè)精度大于投加量較小時(shí)，當(dāng)預(yù)臭氧投加量大于1 mg/L時(shí)，預(yù)測(cè)值與實(shí)際值的相對(duì)誤差均在6%以?xún)?nèi)。因此，本模型對(duì)于預(yù)臭氧投加量的預(yù)測(cè)有著較好的精度，若基于更多數(shù)據(jù)進(jìn)行預(yù)測(cè)，能有更好的預(yù)測(cè)準(zhǔn)確性。

2.4 模型應(yīng)用

T水廠采用東太湖水作為原水，2019年原水渾濁度平均值為44.1 NTU，CODMn平均值為3.98 mg/L，DO平均值為8.9 mg/L，BOD5平均值為2.84 mg/L，NH3-N平均值為0.25 mg/L。原水曾因上游養(yǎng)殖廢水的排放，原水中溴離子濃度較高?，F(xiàn)原水上游養(yǎng)殖場(chǎng)已關(guān)閉，溴離子濃度有了大幅下降，經(jīng)檢測(cè)，2019年T水廠原水平均溴離子濃度為41.7 μg/L，當(dāng)臭氧濃度較高時(shí)，依舊存在一定的溴酸鹽生成風(fēng)險(xiǎn)。根據(jù)T水廠實(shí)際生產(chǎn)運(yùn)行情況，對(duì)其臭氧投加系統(tǒng)進(jìn)行優(yōu)化。根據(jù)原水溴離子濃度和高錳酸鹽指數(shù)情況，綜合考慮有機(jī)物去除和預(yù)防溴酸鹽生成，擬定T水廠總臭氧投加量為1.5 mg/L，其中預(yù)臭氧投加量通過(guò)BP神經(jīng)網(wǎng)絡(luò)模型確定，后臭氧投加量為總臭氧投加量減去預(yù)臭氧投加量?？刂屏鞒倘鐖D8所示。

圖8 臭氧投加控制系統(tǒng)圖Fig.8 Ozone Dosing Control System

由于水廠在線檢測(cè)儀器僅能在線檢測(cè)渾濁度、CODMn，無(wú)法在線檢測(cè)UV254、DOC等指標(biāo)，而CODMn與UV254、DOC都可以代表水中有機(jī)物的含量。由2.1節(jié)可知，臭氧投加量與該3項(xiàng)水質(zhì)指標(biāo)的相關(guān)系數(shù)接近，因此，在水廠運(yùn)行控制中采用CODMn作為有機(jī)物指標(biāo)即可。基于BP神經(jīng)網(wǎng)絡(luò)的臭氧投加量模型，以進(jìn)水流量、進(jìn)水渾濁度和進(jìn)水CODMn作為輸入，并設(shè)定預(yù)期的預(yù)臭氧出水渾濁度和CODMn，基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型計(jì)算得到所需預(yù)臭氧投加量，將控制指令信號(hào)傳輸至臭氧制備車(chē)間的投加控制系統(tǒng)中，投加控制系統(tǒng)對(duì)預(yù)臭氧和后臭氧接觸池進(jìn)行臭氧投加。

T水廠僅在原水進(jìn)水端安裝渾濁度和CODMn在線檢測(cè)儀，未在后臭氧接觸池前安裝在線檢測(cè)裝置，因而，本BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型僅針對(duì)預(yù)臭氧工藝。后續(xù)若條件允許，將進(jìn)行基于BP神經(jīng)網(wǎng)絡(luò)的后臭氧投加量的預(yù)測(cè)，進(jìn)一步完善水廠臭氧投加量自動(dòng)化控制系統(tǒng)。

3 結(jié)論

(1)根據(jù)相關(guān)性分析，進(jìn)水流量與臭氧投加量呈負(fù)相關(guān)，進(jìn)水渾濁度、CODMn、DOC、UV254、NH3-N與臭氧投加量呈正相關(guān)，其中CODMn、DOC、UV254的相關(guān)系數(shù)更大。

(2)運(yùn)用BP神經(jīng)網(wǎng)絡(luò)建立出水水質(zhì)系統(tǒng)預(yù)測(cè)模型和臭氧投加量預(yù)測(cè)模型，通過(guò)輸入臭氧投加量和進(jìn)水水質(zhì)參數(shù)，可以預(yù)測(cè)出水水質(zhì)情況，也可通過(guò)輸入進(jìn)水水質(zhì)參數(shù)和預(yù)期出水參數(shù)來(lái)預(yù)測(cè)臭氧投加量。在給定的工藝參數(shù)條件下，都有著較高的預(yù)測(cè)精度，相關(guān)系數(shù)和均方誤差較好，說(shuō)明該模型具有良好的泛化能力，能滿(mǎn)足水處理預(yù)測(cè)的實(shí)際要求，對(duì)在線控制有指導(dǎo)意義。

(3)將來(lái)可應(yīng)用臭氧投加量預(yù)測(cè)模型建立臭氧投加控制系統(tǒng)，為臭氧—活性炭深度處理運(yùn)行的自動(dòng)化控制提出了新的理論思路。