王冬生 李世華 周杏鵬

(東南大學復雜工程系統(tǒng)測量與控制教育部重點實驗室，南京210096)

自來水生產過程是一個復雜的物理、化學反應過程，受原水水溫、濁度和水質的影響明顯.經調查，現(xiàn)有的原水水質評價還沒有用于自來水生產的過程控制之中，一方面由于發(fā)達國家水源地水質較好，而我國在經濟高速發(fā)展的同時不注重水資源環(huán)境的保護，導致水源地水體污染嚴重;另一方面現(xiàn)有的原水水質評價研究以判別水源地水質類別為目的，而自來水生產過程不僅與水質類別有關，還受濁度和水溫的影響.此外，還與我國自來水處理技術及其自動化水平相對落后不無關系.因此，開展針對自來水生產過程的原水水質評價研究，并由此改進自來水生產過程的前饋控制水平，保障自來水供水安全，具有重要的現(xiàn)實意義.

目前，研究應用較多的水質評價方法有多元統(tǒng)計分析法、模糊綜合法和人工神經網絡法等［1-3］.多元統(tǒng)計分析法可有效簡化多指標數(shù)據(jù)，展示高維數(shù)據(jù)的內在規(guī)律和復雜系統(tǒng)的結構，是一種分析多指標數(shù)據(jù)的有力工具［1］.模糊綜合法以隸屬度來描述水質屬于某級別的“亦此亦彼”的“中間過渡不分明性”即模糊性［2］.人工神經網絡具有良好的非線性逼近能力、自學習能力和并行處理能力，Zhang等［3］用BP神經網絡法實施水質評價.RBF神經網絡具有比BP神經網絡更快的收斂速度、更小的網絡結構、更強的魯棒性，以及不容易陷入局部極小的優(yōu)點［4］.RBF神經網絡參數(shù)訓練方法的有效性直接關系到網絡的性能，粒子群優(yōu)化(PSO)算法是一種基于群體智能的全局優(yōu)化技術，優(yōu)越的記憶能力和群體協(xié)作能力使其在函數(shù)優(yōu)化和模型參數(shù)訓練中具有廣泛的應用［5-6］.本文通過對水廠實際生產過程數(shù)據(jù)分析，制定了面向自來水生產過程的原水水質評價標準，采用粒子群優(yōu)化算法訓練的RBF神經網絡評價模型，對蘇州市相城水廠的進廠原水水質實施在線評價.通過將原水水質在線評價結果作為藥劑(礬和臭氧)投加控制過程的前饋量，提高了自來水生產過程應對原水水質變化的能力.

1 原水水質評價分析

1.1 原水水質評價標準

目前原水水質的評價標準國際上還沒有統(tǒng)一的規(guī)范準則，研究人員根據(jù)研究目的設定自己的評價標準，我國學者［2］大多數(shù)以《國家地表水環(huán)境質量標準》(GB 3838—2002)［7］作為原水水質評價標準，選取具有代表性的水質指標作為評價因子.但自來水生產過程，尤其是藥劑(礬和臭氧)投加過程不僅與水質指標有關，還受水溫和濁度的影響.根據(jù)蘇州市相城水廠技術人員的生產經驗，并對水廠數(shù)據(jù)庫的進廠原水水質指標值和生產運行歷史數(shù)據(jù)進行統(tǒng)計分析，選取對自來水生產過程影響明顯的水溫、濁度、溶解氧和氨氮4項水質指標作為原水水質評價因子，制定了如表1所示的進廠原水水質評價標準.其中，評價結果是根據(jù)滿足出水水質要求的經驗藥劑(礬和臭氧)投加量確定的，對應的期望輸出值為:0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9.

表1 原水水質評價標準

1.2 原水水質評價方法設計

原水水質評價方法設計，關鍵是原水水質評價模型的建立，本文采用基于粒子群優(yōu)化算法訓練的RBF神經網絡方法建立原水水質評價模型.

1.2.1 RBF 神經網絡

RBF神經網絡是一種單隱層結構的前饋型神經網絡，具有很強的分類和逼近任意非線性連續(xù)函數(shù)的能力［8］.RBF神經網絡一般由輸入層、隱含層和輸出層組成.本文采用的RBF神經網絡結構如圖1所示，其輸出可描述為

式中，Χ={x1，x2，x3，x4}為輸入向量，包括水溫、濁度、溶解氧和氨氮;ωk為第k個隱含層神經元與輸出層神經元的連接權值;φk為第k個隱含層神經元的輸出，

式中，μk為中心;σk為方差.

隱含層神經元數(shù)一般根據(jù)問題的復雜程度來確定，雖然越多的神經元數(shù)會使網絡的精度越高，但是過多的神經元數(shù)會使網絡訓練時間過長，以及產生過擬合問題，本文經過多次訓練比較，最終選定隱含層神經元數(shù)為3個.

圖1 RBF神經網絡結構

1.2.2 采用粒子群優(yōu)化算法訓練RBF神經網絡

3）幼果期藥劑盡量選擇水乳劑、懸浮劑等，避免選擇乳油類、不溶性粉劑、沉淀多（雜質多）的劣質產品。實踐證明，臨近蘋果套袋，一定要噴1次50%甲托懸浮劑1 000倍液+70%代森錳鋅1 000倍液+醇鈣600倍液+吡蟲啉5 000倍液，以預防蘋果黑點病和缺鈣造成的生理性病害。這次用藥很關鍵。

RBF神經網絡參數(shù)(隱含層神經元函數(shù)中心值μk和方差值σk、隱含層與輸出層的連接權值ωk)的訓練方法對網絡的性能有重要影響.常用的訓練方法有:聚類法、梯度下降法、正交最小二乘學習算法、偽逆法和智能搜索算法(如遺傳算法和模擬退火算法)等.

粒子群優(yōu)化算法是一種基于群體行為的智能搜索算法，該算法模擬鳥群覓食行為，通過個體之間的集體協(xié)作和競爭來實現(xiàn)全局搜索.PSO算法中，每個優(yōu)化問題的解都是搜索空間中的一只鳥，稱之為“粒子”.所有的粒子都有一個由被優(yōu)化的函數(shù)決定的適應度(fitness value)，還有一個速度決定它們飛翔的方向和距離.PSO算法在每一次迭代過程中，粒子通過跟蹤2個極值(個體極值pi和全局極值pg)來更新自己的速度和位置:

式中，kmax為最大迭代次數(shù);h1=0.9 和 h2=0.4 分別為初始迭代權重和最終迭代權重，這樣可使粒子群在初始搜索階段具有較好的全局搜索能力，而在后期具有較好的局部搜索能力.

粒子的適應度函數(shù)定義為

式中，N為訓練樣本數(shù);Ri為參考輸出;yt為實際輸出.具體訓練步驟如下:

①初始化粒子群迭代權重 h、最大迭代次數(shù)kmax;

③將粒子的當前位置作為初始pi，從種群中找出適應度最小的粒子作為初始pg;

④將當前適應度與pi的適應度進行比較，如果當前適應度更好，則更新pi;

⑤ 對于每個粒子，將其pi適應度與pg適應度進行比較，如果更好，則更新pg;

⑥依據(jù)式(3)、(4)修改粒子的速度和位置;

⑦重復步驟④ ～⑥，直到滿足結束條件;

⑧ 將pg對應的粒子作為RBF神經網絡的參數(shù).

1.3 原水水質評價測試及實施效果

將蘇州市相城水廠數(shù)據(jù)庫2008年1—12月的原水水質數(shù)據(jù)以及滿足出水水質要求的藥劑投加數(shù)據(jù)分成2部分:訓練樣本和測試樣本.由于在不同季節(jié)和天氣條件下的水質具有不同的特點，因此每部分的挑選都要有代表性，應包含各時期的水質情況.根據(jù)該挑選原則，得到訓練樣本1 000組，測試樣本1 000組.

對于原水水質評價模型精度的評價通過均方根誤差(RMSE)來體現(xiàn):

式中，yi為樣本真實值;^yi為模型輸出值;n為樣本個數(shù).

將所采用的PSO訓練方法與傳統(tǒng)梯度下降訓練方法的RBF神經網絡訓練結果和測試結果分別進行比較，以驗證方法的有效性.由圖2可看出，隨著訓練次數(shù)的增加，采用PSO訓練方法所得到的訓練結果的均方根誤差更小，且PSO訓練方法在訓練230次后，均方根誤差基本不變.由圖3可看出，采用PSO算法訓練RBF神經網絡具有更高的評價精度.因此可認為，基于PSO-RBF神經網絡方法建立的原水水質評價模型具有較好的評價效果，滿足所需的精度要求.

圖2 2種訓練方法的RBF神經網絡訓練結果

圖3 2種訓練方法的RBF神經網絡測試結果

將訓練好的原水水質評價模型在蘇州市相城水廠的中央控制計算機上編程實現(xiàn)后，對進廠原水水質指標(水溫、濁度、溶解氧和氨氮)實施在線評價.表2是蘇州市相城水廠2009年3月某段時間的進廠原水水質在線評價情況，可見進廠原水水質指標會在短時間內發(fā)生較明顯的變化，在線評價結果能夠為藥劑(礬和臭氧)投加過程控制提供及時、準確的參考投加劑量.經過分析，作者認為蘇州市相城水廠進廠原水水質變化的原因主要有:①原水取水口位于太湖水源地的淺水水域，受風向和暴雨等天氣因素的影響，容易引起湖底泥沙泛起使水體濁度升高，水中有機污染物含量增多;②太湖水體富營養(yǎng)化嚴重，夏季容易引起藍藻大面積滋生，水中溶解氧含量降低，并造成藻毒素污染;③ 工農業(yè)排污和事故導致的有機污染和無機污染.

表2 相城水廠某段時間進廠原水水質在線評價表

2 水廠藥劑投加過程控制

蘇州市相城水廠是采用常規(guī)+臭氧-生物活性炭深度處理工藝過程的大型自來水廠，一期供水能力為3×105m3/d，其生產工藝流程如圖4所示.其中，沉淀池前的加礬過程和主臭氧接觸池前的主臭氧投加過程是整個自來水生產工藝的主要環(huán)節(jié)，直接影響出水水質.準確投加所需的礬和臭氧劑量是獲取較高出水水質的關鍵.

圖4 蘇州市相城水廠自來水生產工藝流程

2.1 水廠藥劑投加過程前饋-反饋控制方法

蘇州市相城水廠原加礬控制過程和主臭氧投加控制過程與國內絕大多數(shù)水廠的控制過程一樣，均采用流量比例投加的PID反饋控制方式.

加礬過程和臭氧投加過程都是復雜的物理、化學反應過程，具有非線性、純時滯的特點，受到配水流量、原水水質、加礬量、加臭氧量等諸多因素的影響，單純采用流量比例投加的PID反饋控制方式很難實現(xiàn)出水水質的穩(wěn)定.采用前文所述的進廠原水水質在線評價結果作為前饋量，分別增加加礬控制過程和主臭氧投加控制過程的前饋控制環(huán)節(jié)，如圖5和圖6所示.

圖5 加礬前饋-反饋控制系統(tǒng)結構

圖6 主臭氧投加前饋-反饋控制系統(tǒng)結構

2.2 水廠藥劑投加過程前饋-反饋控制應用效果

蘇州市相城水廠從2009-11-01開始對加礬過程和主臭氧投加過程實施基于前饋-反饋結構的控制方案.由于自來水生產工藝過程的復雜性，尤其是水泵啟停以及濾池反沖洗會對沉淀池和主臭氧接觸池的進水流量產生沖擊，從而對過程出水水質產生影響.為了體現(xiàn)在線評價結果作為藥劑投加過程前饋量的實施效果，分別在反饋和前饋-反饋控制方式下，以10 s為周期截取工況較為穩(wěn)定的連續(xù)9 h共3 240組數(shù)據(jù)，其曲線對比如圖7和圖8所示.

圖7 反饋控制方式過程出水水質曲線

圖8 前饋-反饋控制方式過程出水水質曲線

可見，由于將原水水質在線評價結果作為藥劑投加過程控制的前饋量，使得藥劑投加過程可以根據(jù)原水水質的變化及時調整藥劑投加量，使出水濁度和水中余臭氧波動更小.

3 結語

根據(jù)蘇州市相城水廠原水水質對藥劑(礬和臭氧)投加過程影響的分析結果，采用一種粒子群優(yōu)化算法訓練的RBF神經網絡模型對進廠原水水質實施在線評價，將其在線評價結果作為前饋量，增加了相城水廠藥劑(礬和臭氧)投加控制過程的前饋控制環(huán)節(jié).實際應用效果表明，該方法改善了過程出水水質，提高了水廠藥劑投加過程的前饋控制水平，具有良好的應用推廣價值.

References)

［1］Simeonov V，Stratis J A，Samara C，et al.Assessment of the surface water quality in Northern Greece［J］.Water Research，2003，37(17):4119-4124.

［2］Liu L，Zhou J Z，An X L，et al.Using fuzzy theory and information entropy for water quality assessment in Three Gorges region，China［J］.Expert Systems with Applications，2010，37(3):2517-2521.

［3］Zhang Y Z，Pulliainen J，Koponen S，et al.Application of an empirical neural network to surface water quality estimation in the Gulf of Finland using combined optical data and microwave data［J］.Remote Sensing of Environment，2002，81(2):327-336.

［4］Leandro D S C，André A P S.A RBF neural network model with GARCH errors:application to electricity price forecasting ［J］.Electric Power Systems Research，2011，81(1):74-83.

［5］Lu W Z，F(xiàn)an H Y，Leung A Y T，et al.Analysis of pollutant levels in central Hong Kong applying neural network method with particle swarm optimization［J］.Environmental Monitoring and Assessment，2002，79(3):217-230.

［6］Lian G Y，Huang K L，Chen J H，et al.Training algorithm for radial basis function neural network based on quantum-behaved particle swarm optimization［J］.International Journal of Computer Mathematics，2010，87(3):629-641.

［7］國家環(huán)境保護局.GB 3838—2002國家地表水環(huán)境質量標準［S］.北京:中國標準出版社，2002.

［8］Zhang A S，Zhang L.RBF neural networks for the prediction of building interference effects［J］.Computers and Structures，2004，82(27):2333-2339.