[发明专利]自来水混凝剂加药量的预测方法及系统

说明书

本发明提供了一种自来水混凝剂加药量的预测方法及系统，包括：步骤S1：利用深度学习算法建立混凝剂投加量计算模型；步骤S2：将自来水混凝剂投加量的影响因素输入混凝剂投加量计算模型，预测混凝剂加药量。本发明为自来水处理过程的混凝剂投加系统的优化控制提供了一种药剂投加量的计算方法，解决了混凝剂投加量难以准确计算的问题，对优化混凝剂投加量，稳定沉淀处理后的出水浊度、保障供水水质安全具有重要意义。

技术领域

本发明涉及水厂净化工艺领域，具体地，涉及一种自来水混凝剂加药量的预测方法及系统。

背景技术

在采用地表水作为水源的自来水厂生产过程中，混凝沉淀工艺的过程控制、优化一直是技术难点，其中，混凝剂投加量的多少又是整个混凝处理过程实现自动化、精细化控制优化的重中之重。通常情况下，混凝沉淀工艺位于自来水处理工艺的前端，通过向原水中投加混凝剂使水中的杂质颗粒物形成较大的絮体，经过沉淀、过滤工艺予以去除。一般情况下，原水的浊度为几十至几百NTU，经过混凝、沉淀、过滤处理后，出水浊度可以达到几个NTU。在这个过程中，混凝剂的投加量直接决定了混凝沉淀效果，混凝剂投加量少，不能有效去除水中的悬浮颗粒物，将影响后续处理工艺的生产成本和处理效果，严重时甚至影响供水水质；混凝剂投加过多，一方面，造成了药剂浪费，提高了药剂成本；另一方面，过量投加混凝剂，由于水解作用造成pH变化，进而混凝效果会出现拐点，使得出水浊度升高。因此，在保证出水浊度的前提下，准确控制混凝剂投加量、达到成本最小化，是给水行业长期以来普遍关心又亟待解决的难题。

自来水厂混凝剂投加过程复杂，涉及到物理、化学等多个过程，从混凝剂的投加，经过混凝、絮凝、凝聚、沉淀环节，系统具有大时滞、大惯性、非线性等特点，而且影响混凝沉淀效果的因素有很多，如出水水量、浊度、混凝剂投加种类及浓度、混凝剂投加点搅拌强度、温度、pH、是否有前加药除藻环节等，单纯依靠出水浊度信号作为反馈信号的简单控制回路，难以保障出水浊度的控制准确度、响应及时性。

随着经济迅速发展和城市化进程的加快，国内自来水厂的水源地水质质量总体上呈下降趋势，如以江河为水源时，上游污染物类型、排放量、排放时间、断面流量等参数经常发生变化，这就为自来水厂现有的混凝剂控制方式带来了一定的挑战。以致全国范围内大多数水厂都采用手动方式控制混凝剂投加，手动投加使得沉淀池运行严重依赖人工干预，而人工操作误差大，响应时间长，对操作人员经验和责任心要求高，尤其对于近年来流行的高密度沉淀池，其对于混凝剂投加的精确性和调整响应时间提出了更高要求，实现混凝剂全自动投加十分必要。部分水厂在建设初期也尝试采用全自动解决方案，例如采用沉淀池出水浊度或游动电位仪作为实测输入参数的闭环控制系统，但在使用过程中，以上控制方式由于其理论缺陷或不能有效修正加药泵的机械误差等因素，造成加药量时常出现反方向漂移或频繁较大波动，尤其在进厂水质频繁波动的雷雨季节更为明显，无奈之下不得不回到手动控制方式。

专利文献CN106168759A(申请号：201610545257.4)公开了一种基于人工神经网络算法的混凝投药控制方法和系统，所述方法包括以下步骤：S1、建立神经网络；S2、混凝投药样本数据获取及预处理，得到样本值；S3、初始化神经网络权值，在神经网络模型输入样本值；S4、计算输入层、隐含层、输出层和承接层数值；S5、计算神经网络的函数误差并更新神经网络权值，对神经网络进行训练，完成神经网络的学习；S6、判断更新后的权值是否满足设定的精度或训练次数，并通过训练好的模型进行实际投药量预测。该专利以源水流量、源水浊度、温度、滤前浊度和药流量作为模型的输入，一定程度上解决了混凝剂投加量难以计算的难题。但是，除该专利列出的影响混凝剂投加量的因素外，混凝剂投加量还受到源水pH、混凝过程中的搅拌强度、沉后浊度目标值等因素的显著影响，由于复杂气候条件以及藻类数量等因素造成源水pH处于6～9的较大范围内波动、混凝过程中的搅拌强度直接影响生成矾花时间和矾花大小、间接影响矾花沉淀效果以及沉后浊度，因此，忽略源水pH、搅拌强度以及沉后浊度目标值等因素所建立模型的计算结果与实际药剂需求量存在较大误差，对实际使用效果造成不利影响。