劉 斌，周 迅，張 曾，陳鏡先

（中國水利水電第七工程局有限公司，成都 610213）

混凝制藥技術(shù)是自來水廠中常規(guī)使用的一種凈水工藝，也是一個(gè)非常復(fù)雜的過程，影響該過程的物理和化學(xué)因素非常多，特別是原水的水質(zhì)，比如水體的溫度、pH 值、濁度、耗氧量、天然有機(jī)物、藻類、電導(dǎo)率等，這些因素之間還存在相互影響，這就加大了投藥量精準(zhǔn)計(jì)算的難度。出水濁度優(yōu)劣的關(guān)鍵因素之一就是混凝劑投加量是否準(zhǔn)確，投加量較多或較少都會(huì)影響到膠體雜質(zhì)脫穩(wěn)效果。而投藥量的多少不僅關(guān)系到持續(xù)凈水過程和出水質(zhì)量，還會(huì)影響到水廠運(yùn)行成本。

文獻(xiàn)[1]提出最早的水質(zhì)預(yù)測概念，在實(shí)際生產(chǎn)中，使用的預(yù)測方法有機(jī)理模型預(yù)測[2]、回歸分析法[3-6]、人工神經(jīng)網(wǎng)絡(luò)等，但是機(jī)理模型計(jì)算過程復(fù)雜，且普適性不高，回歸分析法又難以真正分析出混凝復(fù)雜的非線性過程，很難得到高精度的模型。人工神經(jīng)網(wǎng)絡(luò)是一種大數(shù)據(jù)時(shí)代興起的非線性回歸技術(shù)，文獻(xiàn)[7]利用水廠數(shù)據(jù)，以水質(zhì)各項(xiàng)指標(biāo)數(shù)據(jù)為輸入，建立了基于前饋神經(jīng)網(wǎng)絡(luò)的混凝控制系統(tǒng)；文獻(xiàn)[8]第一次建立了神經(jīng)網(wǎng)絡(luò)投藥量預(yù)測模型；文獻(xiàn)[9-10]采用多層前饋神經(jīng)網(wǎng)絡(luò)與PID 控制系統(tǒng)、回歸模型相結(jié)合，得到水廠模擬模型；文獻(xiàn)[11-12]采用模糊控制（Fuzzy）與BP、PID 控制系統(tǒng)相結(jié)合的方法來提高預(yù)測的準(zhǔn)確率；文獻(xiàn)[13]采用Elman 神經(jīng)網(wǎng)絡(luò)對(duì)武漢市宗關(guān)水廠七期進(jìn)行投藥混凝模型建立；文獻(xiàn)[14]基于改進(jìn)煙花算法對(duì)BP 網(wǎng)絡(luò)進(jìn)行優(yōu)化得到混凝投藥量預(yù)測模型。

現(xiàn)有神經(jīng)網(wǎng)絡(luò)算法基本都是利用歷史原水水質(zhì)數(shù)據(jù)、歷史投藥數(shù)據(jù)和投藥后的出廠水水質(zhì)數(shù)據(jù)建立模型預(yù)測投藥量，運(yùn)行階段使用原水水質(zhì)數(shù)據(jù)和要求達(dá)到的衛(wèi)生標(biāo)準(zhǔn)對(duì)投藥量進(jìn)行預(yù)測，再按預(yù)測的投藥量進(jìn)行自動(dòng)投加。這類方法主要有2 個(gè)問題，一個(gè)問題是使用的出廠水水質(zhì)要求大多只使用濁度一個(gè)指標(biāo)，但自來水廠出水水質(zhì)有相應(yīng)的國家法規(guī)進(jìn)行規(guī)定（《生活飲用水衛(wèi)生標(biāo)準(zhǔn)》GB5749-2006 和《城市供水衛(wèi)生標(biāo)準(zhǔn)》CJ/T206-2005），檢測內(nèi)容包括濁度、氯化物、pH 值等若干指標(biāo)，若僅考慮濁度作為投藥的檢測標(biāo)準(zhǔn)顯然是不合適的；第二個(gè)問題即使在建模時(shí)考慮了多個(gè)出廠水水質(zhì)指標(biāo)，卻沒有在算法中驗(yàn)證按預(yù)測的投藥量進(jìn)行投加能夠保證多個(gè)水質(zhì)指標(biāo)均合格，只能在實(shí)際運(yùn)行中進(jìn)行實(shí)驗(yàn)。針對(duì)這2 個(gè)問題，本文提出一種兩段式神經(jīng)網(wǎng)絡(luò)模型，使用多個(gè)出廠水衛(wèi)生標(biāo)準(zhǔn)來訓(xùn)練模型，同時(shí)用出廠水水質(zhì)要求對(duì)投藥量預(yù)測網(wǎng)絡(luò)模型參數(shù)進(jìn)行二次調(diào)優(yōu)，在保證出廠水質(zhì)的基礎(chǔ)上實(shí)現(xiàn)投藥量自動(dòng)預(yù)測。

1 神經(jīng)網(wǎng)絡(luò)算法

1.1 LSTM 網(wǎng)絡(luò)

原始的RNN 由于梯度消失、梯度爆炸導(dǎo)致后面節(jié)點(diǎn)相對(duì)于跨度很大的前面時(shí)間節(jié)點(diǎn)的信息感知能力太弱，文獻(xiàn)[15]中提出長短記憶網(wǎng)絡(luò)LSTM，通過門控單元很好地解決了RNN 的長期依賴問題，其主要原理是使用門機(jī)制對(duì)信息的流通和控制進(jìn)行控制，若干個(gè)LSTM 單元按時(shí)間步方向展開，或者按深度展開可以得到不同類型的LSTM 網(wǎng)絡(luò)。

1.2 Seq2Seq 網(wǎng)絡(luò)

Seq2Seq 是RNN 的一個(gè)重要變種，是一種廣泛用于機(jī)器翻譯和不等長序列網(wǎng)絡(luò)的方法，最早是由Google 工程師在2014年提出。其輸入是一個(gè)長為n的序列，輸出是一個(gè)長為m 的序列，主要特點(diǎn)是n和m 可以不相等，并且m 可以是不定長的，本文只使用m 定長的情況。Seq2Seq 是Encoder-Decoder 結(jié)構(gòu)的網(wǎng)絡(luò)，在Encoder 中，將序列轉(zhuǎn)換成一個(gè)固定長度的向量，然后通過Decoder 將該向量轉(zhuǎn)換成想要的序列輸出出來。Encoder 和Decoder 一般都是RNN，通常為LSTM 或者GRU。

2 投藥量預(yù)測模型

如圖1 所示，完整的模型由Net1 和Net2 兩部分組成。其中Net1 為投藥量預(yù)測網(wǎng)絡(luò)，Net2 為出廠水水質(zhì)預(yù)測網(wǎng)絡(luò)，訓(xùn)練階段兩個(gè)網(wǎng)絡(luò)首先進(jìn)行獨(dú)立訓(xùn)練，然后進(jìn)行聯(lián)合訓(xùn)練。最終運(yùn)行階段只使用Net1 進(jìn)行投藥量預(yù)測。

圖1 兩階段投藥量預(yù)測模型Fig.1 Two-stage dosage prediction model

設(shè)第i 時(shí)刻原水水質(zhì)特征為InWi，投藥量為Mi，出廠水水質(zhì)特征為OutWi（由于原水在自來水廠中加工需要一定的時(shí)間，因此選用i 時(shí)刻1 h 后的出廠水水質(zhì)來定義OutWi），其中InWi，OutWi均為向量，包含若干個(gè)需要考慮的水質(zhì)指標(biāo)，原水指標(biāo)和出廠水指標(biāo)不一定相同。

2.1 投藥量預(yù)測網(wǎng)絡(luò)

Net1 使用單層LSTM 網(wǎng)絡(luò)。輸入特征為［InWi，OutWi］（i=t+1，…，t+n），標(biāo)簽為Mt+n，即t+1 到t+n-1時(shí)刻總時(shí)間步長為n 的水質(zhì)時(shí)序數(shù)據(jù)預(yù)測第t+n 時(shí)刻的投藥量。

在單獨(dú)訓(xùn)練階段，使用歷史投藥量作為標(biāo)簽，均方誤差為

作為損失函數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練水質(zhì)與投藥量之間的關(guān)系映射。

2.2 出廠水水質(zhì)預(yù)測網(wǎng)絡(luò)

Net2 使用Seq2Seq 網(wǎng)絡(luò)，其中的RNN 單元使用LSTM 單元。輸入特征為［InWi，Mi］（i=t+1，…，t+n），標(biāo)簽為OutWt+n，即t+1 到t+n-1 時(shí)刻總時(shí)間步長為n 的原水水質(zhì)數(shù)據(jù)和投藥量時(shí)序數(shù)據(jù)預(yù)測第t+n 時(shí)刻的出廠水水質(zhì)特征。

在單獨(dú)訓(xùn)練階段，使用歷史出廠水水質(zhì)作為標(biāo)簽，均方誤差為

作為損失函數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，構(gòu)建投藥量與水質(zhì)之間的關(guān)系映射（其中‖·‖2表示向量的歐氏模長，d 為出廠水水質(zhì)特征OutWi的維數(shù)）。

2.3 聯(lián)合訓(xùn)練

將Net1 與Net2 進(jìn)行拼接，其中Net1 的輸入接入Net2 輸入的最后一個(gè)時(shí)刻，輸入Net1 的出廠水水質(zhì)數(shù)據(jù)設(shè)為常數(shù)向量，每個(gè)分量按照《生活飲用水衛(wèi)生標(biāo)準(zhǔn)》和《城市供水衛(wèi)生標(biāo)準(zhǔn)》要求設(shè)置數(shù)值。衛(wèi)生標(biāo)準(zhǔn)分為兩類，一類是范圍標(biāo)準(zhǔn)，例如：標(biāo)準(zhǔn)要求出廠水pH 值為6.5～8.5，則將輸入數(shù)據(jù)設(shè)置為7；一類是上限標(biāo)準(zhǔn)，例如：出廠水濁度不超過1，則將輸入數(shù)據(jù)設(shè)置為比1 略小的數(shù)，比如0.9。Net2輸出的標(biāo)簽也統(tǒng)一設(shè)置為該常數(shù)值。

由于訓(xùn)練時(shí)兩個(gè)網(wǎng)絡(luò)均使用均方誤差進(jìn)行訓(xùn)練，預(yù)測結(jié)果將圍繞標(biāo)簽上下波動(dòng)，但是在實(shí)際運(yùn)行時(shí)，投藥量只需要使出廠水水質(zhì)滿足衛(wèi)生標(biāo)準(zhǔn)即可，對(duì)于范圍類型的衛(wèi)生標(biāo)準(zhǔn)，這不會(huì)有問題，但是對(duì)于上限類型的衛(wèi)生標(biāo)準(zhǔn)，這種方式就不太合適，例如出廠水濁度要求不超過1，但是在原水水質(zhì)本來就很好，濁度遠(yuǎn)小于1 的時(shí)候，就不能以0.9 為目標(biāo)進(jìn)行訓(xùn)練，因此需要專門設(shè)計(jì)目標(biāo)函數(shù)。本文算法在聯(lián)合訓(xùn)練階段的目標(biāo)函數(shù)按以下標(biāo)準(zhǔn)設(shè)計(jì)：①范圍類指標(biāo)：使用均方誤差；②上限類指標(biāo)：預(yù)測值大于標(biāo)簽時(shí)計(jì)算平方并乘上一個(gè)罰系數(shù)，小于標(biāo)簽時(shí)誤差取0。按此標(biāo)準(zhǔn)得到目標(biāo)函數(shù)：

式中：bound 代表范圍類型指標(biāo)；top 代表上限類型指數(shù)；大于0 時(shí)λj取一個(gè)大于0 的整數(shù)作為罰系數(shù)，小于0 時(shí)λj取0。

訓(xùn)練分為三步： 首先凍結(jié)Net1 的參數(shù)，僅對(duì)Net2 的參數(shù)進(jìn)行優(yōu)化；然后凍結(jié)Net2 的參數(shù)，調(diào)小學(xué)習(xí)率，僅對(duì)Net1 的參數(shù)進(jìn)行優(yōu)化；最后凍結(jié)Net1和Net2 的Encoder 部分參數(shù)，再次調(diào)不學(xué)習(xí)率，僅對(duì)Net2 的Decoder 部分參數(shù)進(jìn)行優(yōu)化。

經(jīng)過聯(lián)合訓(xùn)練，共同調(diào)參，使用實(shí)際出廠水質(zhì)需求對(duì)投藥量預(yù)測網(wǎng)絡(luò)進(jìn)行調(diào)優(yōu)，可以使投藥量預(yù)測網(wǎng)絡(luò)在運(yùn)行階段預(yù)測結(jié)果更可靠。

3 工程實(shí)例

3.1 工程概況

中電建夾江青衣水廠位于天府之國成都平原樂山市夾江縣青衣江畔，是近年新建的一家小型自來水廠，主要為夾江縣城提供生活自來水，絮凝工藝投加產(chǎn)品為PAC。試供水階段，水廠PAC 加投方式為根據(jù)原水水質(zhì)指標(biāo)按照PAC 耗藥量對(duì)照表計(jì)算得到，費(fèi)時(shí)費(fèi)力費(fèi)藥。水廠致力于實(shí)現(xiàn)全平臺(tái)智慧水務(wù)，建設(shè)自來水自動(dòng)化加工體系，絮凝自動(dòng)加藥系統(tǒng)也是水廠建設(shè)的重要部分。

3.2 數(shù)據(jù)及其預(yù)處理

數(shù)據(jù)采集于青衣水廠2020年07月24日～2021年08月22日，原始數(shù)據(jù)粒度為分鐘，總共包含13172838 條數(shù)據(jù)，其中包括進(jìn)廠水水質(zhì)特征數(shù)據(jù)：pH 值，溶解氧，高錳酸鹽指數(shù)，氨氮，總磷，生物毒性，進(jìn)廠水水流量；出廠水水質(zhì)特征數(shù)據(jù)：出廠水pH 值，出廠水濁度，出廠水余氯以及其他數(shù)據(jù)。另有水廠運(yùn)行期間按照PAC 耗藥量對(duì)照表計(jì)算出的投藥數(shù)據(jù)。

原始水質(zhì)數(shù)據(jù)粒度為分鐘，數(shù)據(jù)量非常大，但是投藥數(shù)據(jù)沒有這么小的粒度，因此將原始水質(zhì)數(shù)據(jù)按小時(shí)進(jìn)行平均，并將相同時(shí)間的不同特征數(shù)據(jù)整理成一條（其中所有出廠水水質(zhì)數(shù)據(jù)與前一小時(shí)其他數(shù)據(jù)進(jìn)行匹配），最終獲得9441 條小時(shí)粒度的數(shù)據(jù)。基于3 倍標(biāo)準(zhǔn)差原則對(duì)數(shù)據(jù)進(jìn)行識(shí)別，并用滑動(dòng)均值法對(duì)異常數(shù)據(jù)進(jìn)行修正，對(duì)缺失數(shù)據(jù)進(jìn)行填充。

3.3 模型訓(xùn)練與預(yù)測

將歷史數(shù)據(jù)2020年7月24日到2021年6月30日作為訓(xùn)練集，2021年7月1日到2021年8月22日作為測試集。

對(duì)于訓(xùn)練模型使用的三類特征。InW 中選取pH值，溶解氧，高錳酸鹽指數(shù)，氨氮，總磷，生物毒性，進(jìn)廠水水流量：OutW 中選取出廠水pH 值，出廠水濁度，出廠水余氯；M 為PAC 投加量。

圖2～圖5 分別為測試集上4 個(gè)指標(biāo)的預(yù)測結(jié)果。

圖2 出廠水pH 值預(yù)測結(jié)果Fig.2 Prediction of pH value of factory water

圖3 出廠水濁度預(yù)測結(jié)果Fig.3 Prediction of Turbidity of factory water

圖4 出廠水含氯量預(yù)測結(jié)果Fig.4 Prediction of chlorinity of factory water

圖5 PAC 投加量預(yù)測結(jié)果Fig.5 Prediction of adding amounts of PAC

根據(jù)預(yù)測投加量與測試集實(shí)際投加量對(duì)比，可以估算出如表1 所示節(jié)藥效果。可見，該加藥量預(yù)測模型有明顯的節(jié)藥效果。

表1 智能加藥效果估算Tab.1 Evaluation of intelligent dosing effect

4 結(jié)語

以實(shí)現(xiàn)青衣水廠PAC 智能加藥為目標(biāo)，本文以LSTM 和Seq2Seq 為基礎(chǔ)，構(gòu)建了兩段式投藥量預(yù)測模型。通過以出廠水衛(wèi)生標(biāo)準(zhǔn)為標(biāo)簽，分階段訓(xùn)練模型，用出廠水質(zhì)量指標(biāo)對(duì)投藥預(yù)測網(wǎng)絡(luò)參數(shù)進(jìn)行二次調(diào)優(yōu)，使模型預(yù)測的投藥量既符合投藥量與水質(zhì)特征的映射關(guān)系，又能保證按預(yù)測得到的投藥量進(jìn)行加投后出廠水的水質(zhì)能夠達(dá)到出廠標(biāo)準(zhǔn)。