[发明专利]基于SFLA‑SVM的数字化水岛在线加药控制方法

说明书

技术领域

本发明涉及火电厂水处理技术领域，具体而言，涉及一种基于SFLA-SVM的数字化水岛在线加药控制方法。

背景技术

在现代300MW以上火力发电厂中，90％以上实现了DCS自动控制系统，但电厂水处理系统基本实现了DCS自动化控制系统，但系统的智能优化分析投入率非常低，水处理系统包括凝结水加氨处理，给水加氨、加联氨处理，加氯处理，气泡炉的加磷酸盐处理等，由于来水的水量、水质成分差异较大，而且水中不同成分之间会发生多种反应，尤其强酸强碱中和过程具有复杂的非线性特性。目前水处理系统通常根据处理完的出水水质来判断药剂添加量的多少，进而反复调试至满足要求，浪费了大量的时间和人工，属于“后知后觉”行为，具有明显的滞后性；其次药剂的添加量一旦确定后，基本属于长期恒定状态，不但造成药品的无形浪费，而且由于来水水质的时变特性，出水指标无法满足用户的实时要求。

支持向量机(Support Vector Machine，SVM)是Corinna Cortes和Vapnik等提出的一种解决小样本、非线性及高维数问题的学习方法，有坚实的理论基础，能够较好地克服人工神经网络“过拟合”的问题。SVM的关键在于核函数，由于确定核函数的已知数据也存在一定的误差，考虑到推广性问题，因此引入了松弛系数以及惩罚系数两个参变量来加以校正，这两个参变量的选择对预测精度影响较大。

混合蛙跳算法(Shuffled Frog Leaping Algorithm，SFLA)是一种基于群体智能的后启发式计算技术，于2003年由Eusuff和Lansey提出并应用于水资源管网分配问题，因其兼顾了模因演算法(MA)与粒子群算法(PSO)两者的优点，具有概念简单、算法参数设置少，局部搜索与全局搜索并重的特点，计算速度快，易于实现的特点，逐渐在模式识别、信号与信息处理和函数优化领域取得成功应用。

对于火电厂水处理这类强非线性、滞后性较大的系统，目前生产过程仅仅依靠经验和传统加药模型难以保证加药量的在线优化分析，造成物力和财力的大量损失，难以有效指导实际生产。

发明内容

为解决上述问题，本发明的目的在于提供一种基于SFLA-SVM的数字化水岛在线加药控制方法，解决火电厂水岛传统加药方式难以准确确定数量、无法实现在线更新模型等问题，实现数字化水岛加药过程的在线控制。

本发明提供了一种基于SFLA-SVM的数字化水岛在线加药控制方法，包括：

步骤1，获取在出水指标符合要求时的来水监测指标的数字信号和历史加药量，确定数字化水岛的SFLA-SVM加药模型的目标函数和决策变量；

步骤2，基于支持向量机建立加药量、监测指标的在线控制SVM模型并进行降噪处理，其中，K(x_i,y_i)为核函数，b为常数，α_i为拉格朗日乘子；

步骤3，对所述在线控制SVM模型采用混沌混合蛙跳算法，以及交叉验证CV意义下的准确率作为SFLA中的适应度函数，用SFLA对所述SVM模型中的松弛变量ξ和惩罚因子C进行全局寻优，得到各参数的最优解；

步骤4，将步骤3计算得到的最优解的各参数的训练集带入步骤2中的SVM模型进行学习训练，并进行加药量的拟合，建立数字化水岛的SFLA-SVM加药模型；

步骤5，将步骤1监测得到的来水监测指标输入步骤4中的SFLA-SVM加药模型，确定当前时刻的最优加药量。

作为本发明进一步的改进，步骤1具体包括：

步骤11，将来水监测指标的数字信号的时间序列x_i作为模型输入向量，其中，i＝1,2,…n；

步骤12，将历史加药量的时间序列y_i作为模型的输出向量，其中，i＝1,2,…n。

作为本发明进一步的改进，步骤2具体包括：

步骤21，将时间序列集(x_i,y_i)采用非线性映射执行向高维空间的映射，并构造在线控制SVM模型的函数其中，i＝1,2,…n，x_i∈R^m，y_i∈R，w为权向量，b为常数；

步骤22，引入松弛变量ξ和惩罚因子C，建立函数和函数其中，ξ≥0，C＞0，i＝1,2,…,l；

步骤23，引入径向基RBF核函数其中，σ＞0；

步骤24，建立在线控制SVM模型为

作为本发明进一步的改进，步骤3具体包括：