[发明专利]一种基于机器学习的饮用水加氯量优化方法

说明书

本发明公开了一种基于机器学习的饮用水加氯量优化方法，涉及饮用水加氯量优化技术领域，解决了人工通过经验控制加氯量精确度低的技术问题；获取时间序列结构数据；选择时间间隔和时间序列长度，训练机器学习模型，根据评价指标选择最优模型；设定余氯限值初始值，通过优化算法求解对应时刻的次氯酸钠投加量；设定余氯限值范围，在测试集上计算余氯限值与次氯酸钠投加量节省率的函数曲线；修正余氯限值初始值，重新得到并输出最终的次氯酸钠投加量计算模型；实现了加氯量由机器学习模型和优化算法给出，无需人工通过经验控制加氯；改变了通用的饱和加氯模式，通过优化算法，显著降低加氯量，具有经济效率和社会价值，保障受众人群的健康。

技术领域

本发明属于机器学习领域，涉及饮用水加氯量优化技术，具体是一种基于机器学习的饮用水加氯量优化方法。

背景技术

在水厂处理过程中，消毒是饮用水生物安全的保障步骤。目前国内饮用水消毒工艺多为氯消毒工艺，我国生活饮用水标准规定出厂水游离余氯量在接触30min后不低于0.3mg/L，管网末梢不低于0.05mg/L，后者的余氯量虽然仍具有消毒能力，但对再次污染的消毒仍有不足。氯化消毒时，投氯量一般应满足杀灭细菌以达到指定的消毒指标和氧化有机物等所消耗的需氯量及抑制水中残存致病菌的再度繁殖所需要的余氯量。同时，投加量过高易产生致癌物质三氯甲烷、四氯甲烷等。因此，在水处理过程中正确控制加氯量至关重要。

为此，提出一种基于机器学习的饮用水加氯量优化方法。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于机器学习的饮用水加氯量优化方法，该一种基于机器学习的饮用水加氯量优化方法解决了人工通过经验控制加氯量精确度低的问题。

为实现上述目的，根据本发明的第一方面的实施例提出一种基于机器学习的饮用水加氯量优化方法，包括以下步骤：

步骤一：对实时历史数据集进行预处理，得到时间序列结构数据；其中，所述时间序列结构数据包括：每一时刻的原水流量、次氯酸钠投加量、沉淀池出口处的浊度、沉淀池出口处的PH值、沉淀池出口处的余氯、滤池出口处的浊度、滤池出口处的PH值以及滤池出口处的余氯；

步骤二：选择时间间隔和时间序列长度，训练滤池出口处的余氯预测的机器学习模型，根据评价指标选择最优模型；

步骤三：设定滤池出口处的余氯限值初始值，通过优化算法求解对应时刻的次氯酸钠投加量；

步骤四：设定滤池出口处的余氯限值范围，在测试集上计算余氯限值与次氯酸钠投加量节省率的函数曲线；

步骤五：根据所需要的次氯酸钠投加量节省率，修正余氯限值初始值，返回步骤三，得到并输出最终的次氯酸钠投加量计算模型。

优选的，所述原水流量标记为Current(t)；

所述次氯酸钠投加量标记为Dose(t)；

所述沉淀池出口处的浊度标记为X_Turbidity(t)；

所述沉淀池出口处的PH值标记为X_PH(t)；

所述沉淀池出口处的余氯标记为X_Residual Chlorine(t)；

所述滤池出口处的浊度标记为Y_Turbidity(t)；

所述滤池出口处的PH值标记为Y_PH(t)；

所述滤池出口处的余氯量标记为Y_Residual Chlorine(t)。

优选的，所述机器学习模型包括：DecisionTree模型、RandomForest模型、SVR模型、AdaBoost模型、ADR模型、BavesianRidge模型、TheilSen模型以及GradientBoosting模型。