[发明专利]一种基于输入结构优化及序列编解码网络的海水混凝建模方法

说明书

本发明公开了一种基于输入结构优化及序列编解码网络的海水混凝建模方法，首先获取海淡厂实际运行原始数据并进行数据处理，得到结构化数据后再进行序列化，得到输入变量与输出变量的时间序列，建立基于输入结构优化及序列编解码网络的海水混凝模型，用于海水混凝过程的快速建模与在线模拟，通过改变模型输入端的变量值得到各输入变量与输出变量之间的定性关系。通过本发明构筑的海水混凝过程模型，可以在不进行物理试验的前提下初步实现对该过程的模拟，有利于研究整个海水混凝过程各变量之间的关联性。

技术领域

本发明涉及海水淡化预处理海水混凝领域，尤指一种基于输入结构优化及序列编解码网络的海水混凝建模方法。

背景技术

海水混凝是海水淡化前处理中的重要步骤，利用絮凝剂与助凝剂使水中的微小胶体颗粒聚合形成较大胶体颗粒，去除有害杂质，保证后续工艺顺利进行。

该过程机理复杂，影响因素较多，目前主要采用经验和试验相结合的方法确定絮凝剂及助凝剂的种类及投放量。实际生产中，尚未有一套行之有效的自动化加药方案，一般由人工控制投药量，具有较大不确定性，且易造成用药浪费。设计一种智能化的加药方案，需要对混凝过程进行准确建模，以减少成本，提高效率，这是本领域的难题，目前学界尚未提出一种被广泛承认的建模方法。

由于海水混凝过程具有复杂非线性和大滞后等特点，给建模带来很大困难。邹振裕等利用分段线性建模法初步实现了该过程的建模(邹振裕,罗永恒,李展峰,等.沙口水厂混凝剂优化投加的研究及实践[J].中国给水排水,2009,025(017):51-53.)，郭钰锋等则利用机理建模法进一步提高了模型的精度(郭钰锋,马军,于达仁,范轶,翟学东.给水处理投药控制的非线性数学模型及仿真[J].哈尔滨工业大学学报,2009,41(05):64-68.)。但由于传统建模方法将实际过程理想化，存在准确度不高，结构复杂等缺点。基于机器学习的建模方法能够有效解决非线性问题，有利于海水混凝过程的建模。

序列到序列(sequence to sequence,seq2seq)模型属于编码器解码器(encoder-decoder)模型的一种，主要用于序列到序列形式问题的建模，能够对序列中的复杂特征进行提取与解析。该模型常被用于自然语言处理任务中。

门控循环单元(Gate Recurrent Unit,GRU)是长短期记忆网络(Long-Short TermMemory,LSTM)的一种变体，主要用于序列模型。相比LSTM而言，GRU的结构更加简单，但是效果相同，可以解决循环神经网络(Recurrent Neural Network,RNN)中的长依赖问题。在模型中引入GRU，能够提升seq2seq模型的训练效率，解决LSTM中训练速度慢的问题。

大滞后系统主要指过程通道中存在纯滞后的系统，这种纯滞后使得被控量不能及时反映系统所承受的扰动。海水混凝过程即是一个大滞后系统，为其建模及控制带来了较大的难题。

发明内容

本发明目的在于针对现有技术的不足，将海水混凝大时滞过程转换为序列建模过程，对输入变量进行结构优化，并利用序列编解码网络结合GRU进行建模，最终采用多种技术手段对模型进行优化。这种对大时滞问题的转换能够减少系统整体的不确定性，此类方法尚未见报道。利用该模型可对海水混凝过程中各量之间的关系进行探究，对海水淡化工艺的进步有重要意义。

为实现本发明的目的，本发明采取的技术方案是：一种基于输入结构优化及序列编解码网络的海水混凝建模方法，包括如下步骤：

S100，获取海淡厂实际运行原始数据，将原始数据分类整理，设定输出量，计算各类别数据与输出量之间的互相关系数，对原始数据进行初步筛选，即选取互相关系数超过设定阈值的类别作为模型输入；

S200，将初步筛选后的数据进行数据清洗，利用滑动平均方法降低数据采样过程中引入的噪声，利用归一化方法对数据进行预处理，并利用先验经验公式对数据进行结构化处理，得到结构化数据；