基于BP神經(jīng)網(wǎng)絡的臭氧精確投加控制系統(tǒng)

沈愷樂，李宗強

(上海市水利工程設計研究院有限公司，上海 200063)

臭氧因其強氧化性，被廣泛應用于水處理中。目前，國內(nèi)許多水廠采用臭氧-活性炭深度處理工藝，因此，臭氧投加直接影響著出水水質(zhì)。其中預臭氧化的主要作用是去除色度、藻類，改善臭味和混凝條件。后臭氧化工藝主要是將大分子有機物降解為小分子物質(zhì)，易于后續(xù)生物活性炭濾池的吸附、降解，也為炭濾池提高溶解氧。

在使用臭氧工藝時，應注意進水中溴離子的濃度。有研究表明，當原水溴離子濃度小于20 μg/L時，一般不會形成溴酸鹽，當溴離子濃度在50～100 μg/L時有可能會形成溴酸鹽[1]。綜合考慮有機物的去除效果和溴酸鹽的因素，《室外給水設計標準》(GB 50013—2018)中給出預臭氧投加量0.5～1.0 mg/L及后臭氧投加量1.0～2.0 mg/L作為參考。

目前，自來水廠臭氧的投加量，通常根據(jù)化驗室的水質(zhì)檢測結(jié)果和操作人員的生產(chǎn)經(jīng)驗確定，往往精度不高。采用人工控制方法，若臭氧投加量過低，無法保障處理效果，增加后續(xù)工藝的運行負荷，若投加量過高，則會增加運行費用，提高處理工藝的制水成本，同時可能引起溴酸鹽超標。根據(jù)文獻和對部分水廠的調(diào)研發(fā)現(xiàn)，目前采用臭氧工藝的水廠大多存在臭氧投加量偏高的問題，尤其是后臭氧投加，導致臭氧浪費，造成水廠生產(chǎn)運行成本增高[2]。因此，需要研究一種臭氧自動投加控制系統(tǒng)，能根據(jù)進水相關(guān)參數(shù)自動調(diào)節(jié)臭氧投加量，降低水廠生產(chǎn)人員的工作量，提高制水效率，并進一步提高供水安全性。

由于臭氧投加是一個多干擾、非線性、多變量、時變、大滯后的流程，針對臭氧投加建立一個精確可靠的控制模型存在一定難度，常規(guī)加藥控制系統(tǒng)對模型具有較強的依賴性，很難滿足較高精度的控制要求。BP神經(jīng)網(wǎng)絡是利用誤差反向傳播訓練算法的神經(jīng)網(wǎng)絡，可以擬合出任意復雜的非線性關(guān)系，將其運用到水質(zhì)預測中，可以建立不同水質(zhì)參數(shù)間復雜的非線性關(guān)系，預測結(jié)果相對客觀，并能大大減少工作量[3-5]。

神經(jīng)網(wǎng)絡模型在90年代被證明可以逼近任意非線性函數(shù)，具有較好的自學習能力、自適應能力、抗干擾能力和魯棒性，因此，基于神經(jīng)網(wǎng)絡的投藥模型一直受到學者們的廣泛關(guān)注。BP神經(jīng)網(wǎng)絡模型最早被應用于混凝劑的投加預測中，Gagnon等[6]使用水廠運行的實際數(shù)據(jù)，以進水pH、渾濁度、導電率、溫度為輸入量，混凝劑投加量為輸出量，模型得到的預測值與實際值的平均相對誤差在5%左右，達到了較好的效果，而采用簡單的多元線性回歸方法相對誤差在10%以上。此后，基于神經(jīng)網(wǎng)絡的投藥研究層出不窮。方榮業(yè)等[7]針對城鎮(zhèn)污水廠PAC投加系統(tǒng)，建立了BP神經(jīng)網(wǎng)絡前饋預測-PID反饋控制的PAC自動投加控制統(tǒng)，證明該系統(tǒng)具有較強的自適應能力和較高的控制精度，出水CODMn達標率較人工控制提高了8.88%，活性炭日均消耗量削減了16.61%，取得了較好的經(jīng)濟效益。神經(jīng)網(wǎng)絡算法有能力利用實際運行數(shù)據(jù)進行學習，通過建立臭氧投加量預測模型，進一步探索基于數(shù)據(jù)驅(qū)動的、能夠進行在線學習的臭氧投加系統(tǒng)，在智慧水務的背景下，該項研究對于探索大數(shù)據(jù)技術(shù)在水務行業(yè)的應用是一項創(chuàng)新的嘗試。

1 材料與方法

1.1 水廠工藝流程

T水廠位于浙江省，設計供水能力為20萬m3/d，處理工藝流程包括預處理、常規(guī)處理和深度處理，其中，常規(guī)處理包括混凝、沉淀、砂濾和氯消毒，預處理為預臭氧化，深度處理為臭氧-活性炭工藝。工藝流程如圖1所示。

圖1 水廠工藝流程圖Fig.1 Process of Water Treatment Plant

1.2 試驗水質(zhì)

試驗原水為東太湖水，試驗期間內(nèi)原水的水質(zhì)情況如表1所示。

1.3 檢測方法

渾濁度采用Hach 2100Q型便攜式濁度儀測定；CODMn采用酸性高錳酸鉀法測定；UV254采用T6新世紀紫外可見光分光光度計測定；DOC采用TOC-LCPH總有機碳分析儀測定；NH3-N采用納式試劑比色法測定。

表1 原水水質(zhì)Tab.1 Water Quality Parameters

1.4 模型建立

BP神經(jīng)網(wǎng)絡的作用是在給定進水水質(zhì)條件下，對出水水質(zhì)或臭氧投加量進行預測。通過BP網(wǎng)絡的輸出值與實際出水水質(zhì)或?qū)嶋H臭氧投加量進行比較，不斷對網(wǎng)絡權(quán)值進行調(diào)整，使得誤差達到最小，盡可能逼近實際結(jié)果。利用神經(jīng)網(wǎng)絡的逼近能力及內(nèi)差和外推的良好特性，精確預測各種不同進水條件下的出水水質(zhì)和臭氧投加量。

為了解決同一數(shù)據(jù)集中不同的變量數(shù)量級不統(tǒng)一的問題，對數(shù)據(jù)采取離差標準化處理，將所有的值均映射到0～1，削弱了異常值對整體樣本的影響。離差標準化采用式(1)。

(1)

其中：min(x)——樣本的最小值；

max(x)——樣本的最大值；

Y(x)——x的離差標準化值。

隱含層節(jié)點數(shù)對神經(jīng)網(wǎng)絡的學習效果非常重要，最佳隱含層的節(jié)點數(shù)q參考式(2)進行計算。

(2)

其中：M——輸入節(jié)點數(shù)；

L——輸出節(jié)點數(shù)；

C——1～10的常數(shù)。

本次神經(jīng)網(wǎng)絡模型建立試驗研究，針對預臭氧工藝分為預臭氧出水水質(zhì)預測和預臭氧投加量預測兩部分。出水水質(zhì)預測神經(jīng)網(wǎng)絡結(jié)構(gòu)圖如圖2所示，模型以預臭氧投加量、預臭氧進水流量、渾濁度、CODMn、UV254、DOC、NH3-N作為輸入?yún)?shù)，以預臭氧出水渾濁度、CODMn、UV254、DOC作為輸出參數(shù)，預測模型采用3層BP神經(jīng)網(wǎng)絡，其中輸入層神經(jīng)元數(shù)為7個，隱含層神經(jīng)元數(shù)為10個，輸出層神經(jīng)元數(shù)為5個。

圖2 預臭氧出水水質(zhì)預測神經(jīng)網(wǎng)絡結(jié)構(gòu)Fig.2 Neural Network Structure of Pre-Ozonation Effluent Quality Prediction

預臭氧投加量預測神經(jīng)網(wǎng)絡結(jié)構(gòu)圖如圖3所示，以預臭氧進水流量、渾濁度、CODMn、UV254、DOC、NH3-N以及預臭氧預期出水渾濁度、CODMn、UV254、DOC作為輸入?yún)?shù)，以預臭氧投加量為輸出參數(shù)，預測模型采用3層BP神經(jīng)網(wǎng)絡，其中輸入層神經(jīng)元數(shù)為9個，隱含層神經(jīng)元數(shù)為11個，輸出層神經(jīng)元數(shù)為1個。

圖3 預臭氧投加量預測神經(jīng)網(wǎng)絡結(jié)構(gòu)Fig.3 Neural Network Structure of Pre-Ozone Dosage Prediction

本次建模研究從T水廠實際生產(chǎn)運行中選擇150組數(shù)據(jù)作為樣本，從中隨機選取120組作為訓練數(shù)據(jù)樣本，15組作為驗證數(shù)據(jù)樣本，15組作為測試數(shù)據(jù)樣本。

2 結(jié)果與討論

2.1 相關(guān)性分析

分析各水質(zhì)變量與預臭氧投加量的關(guān)系，采用Pearson相關(guān)系數(shù)、Spearman秩相關(guān)系數(shù)和Kendall相關(guān)系數(shù)進行分析。

Pearson相關(guān)系數(shù)是線性回歸中最常見的相關(guān)系數(shù)，絕對值越大，說明兩個變量之間的線性相關(guān)性越大。Spearman秩相關(guān)系數(shù)不僅能衡量線性相關(guān)關(guān)系，還可以衡量兩個變量的遞增和遞減關(guān)系，且異常值對其的影響較小。Kendall相關(guān)系數(shù)與Spearman秩相關(guān)系數(shù)類似，表達兩個變量序列之間的排序關(guān)系。

預臭氧投加量與進水水質(zhì)參數(shù)的相關(guān)系數(shù)如表2所示。由表2可知，同一參數(shù)使用3個不同的相關(guān)系數(shù)得到的變量相關(guān)性大小雖有不同，但很接近。預臭氧投加量與進水渾濁度、CODMn、DOC、UV254和NH3-N呈正相關(guān)，其中進水渾濁度、CODMn和DOC對預臭氧投加量影響較大。這是由于這些水質(zhì)指標代表著水中有機物的含量，而臭氧能夠改變水中有機物的官能團，對有機物中的不飽和鍵進行選擇性氧化，將大分子有機物的結(jié)構(gòu)破壞使其分解為小分子有機物[8]。預臭氧投加量與進水流量呈弱負相關(guān)，這是由于夏季流量較大時，進水水質(zhì)較好，所需的預臭氧投加量較小，而冬季進水流量較小時，進水有機物含量較高，所需預臭氧投加量較大。

表2 預臭氧投加量與進水水質(zhì)的相關(guān)系數(shù)Tab.2 Correlation Coefficient between Ozone Dosage and Influent Water Quality

2.2 水質(zhì)預測模型

建立1.4所述的T水廠預臭氧出水水質(zhì)參數(shù)預測的BP網(wǎng)絡模型，經(jīng)過仿真模擬，結(jié)果如圖4所示。擬合整體的相關(guān)系數(shù)為0.991 9，訓練集的相關(guān)系數(shù)為0.995 2，測試集的相關(guān)系數(shù)為0.977 1，均方根誤差RMSE=0.014 9，可知，本模型能較好地根據(jù)預臭氧進水水質(zhì)和預臭氧投加量擬合預臭氧出水水質(zhì)情況。

圖4 出水水質(zhì)預測模型訓練情況Fig.4 Training Results of Effluent Water Quality Prediction Model

樣本集中的15組數(shù)據(jù)經(jīng)過模擬后得到的水質(zhì)指標的預測值與實際值的對比如圖5所示。

圖5 水質(zhì)參數(shù)預測值與實際值的結(jié)果 (a)渾濁度； (b) CODMn； (c) DOC； (d) UV254； (e) NH3-NFig.5 Comparison of Water Quality Parameters Predictions and Real Values (a) Turbidity； (b) CODMn； (c) DOC； (d) UV254； (e) NH3-N

由圖5可知，各水質(zhì)指標的預測值和實際值呈現(xiàn)相同的變化趨勢，并且有著一定的預測精度。測試集的15組數(shù)據(jù)經(jīng)神經(jīng)網(wǎng)絡模型擬合后，渾濁度的擬合程度最好，預測值與實際值相對誤差的絕對值基本在10%以內(nèi)。代表有機物含量的CODMn、DOC以及UV254的擬合度也相對較好，基本在20%以內(nèi)。NH3-N的預測值和實際值的擬合程度相比另外4個水質(zhì)指標較差，測試集中超過一般的樣本預測值相對誤差基本都在25%以上，誤差最大值為48.6%，主要是原水NH3-N濃度較低，且投加臭氧的主要目的并不是去除水中的NH3-N，因而導致擬合誤差偏大。

2.3 臭氧投加量預測模型

建立1.4中所述的T水廠預臭氧投加量預測的BP網(wǎng)絡模型，經(jīng)仿真模擬，結(jié)果如圖6所示。擬合整體的相關(guān)系數(shù)為0.892 3，訓練集的相關(guān)系數(shù)為0.919 4，測試集的相關(guān)系數(shù)為0.793 5，說明通過輸入水質(zhì)參數(shù)的現(xiàn)狀值和預期值，可以建立其與預臭氧投加量間的聯(lián)系，本預測模型測試集的相關(guān)系數(shù)相比訓練集較低，但整體仍有較好的擬合效果和預測精度。在訓練次數(shù)為132次時，校正均方根誤差RMSE達到最小，為0.013 9，此時，訓練集和測試集的RMSE也已穩(wěn)定到了一定的低值，分別為0.012 0和0.014 9?？梢?，BP神經(jīng)網(wǎng)絡模型具有良好的自學習能力，而且模型的泛化性能高。

圖6 臭氧投加量預測模型訓練情況Fig.6 Training Results of Ozone Dosage Prediction Model

樣本集中的15組數(shù)據(jù)經(jīng)過模擬后得到的預臭氧投加量的預測值，與實際值的對比如圖7所示。

圖7 臭氧投加量預測值與實際值的結(jié)果Fig.7 Comparison of Ozone Dosage Predictions and Real Values

由圖7可知，預測模型在給定的進水工藝條件和預期的出水水質(zhì)條件下，能夠較好地預測臭氧的投加量。測試集的15組數(shù)據(jù)經(jīng)神經(jīng)網(wǎng)絡模型擬合后，與實際值的相對誤差的絕對值最大為25.5%，最小為3.63%，其中8組預測值與實際值的偏差在10%以內(nèi)。預臭氧投加量較大時的預測精度大于投加量較小時，當預臭氧投加量大于1 mg/L時，預測值與實際值的相對誤差均在6%以內(nèi)。因此，本模型對于預臭氧投加量的預測有著較好的精度，若基于更多數(shù)據(jù)進行預測，能有更好的預測準確性。

2.4 模型應用

T水廠采用東太湖水作為原水，2019年原水渾濁度平均值為44.1 NTU，CODMn平均值為3.98 mg/L，DO平均值為8.9 mg/L，BOD5平均值為2.84 mg/L，NH3-N平均值為0.25 mg/L。原水曾因上游養(yǎng)殖廢水的排放，原水中溴離子濃度較高。現(xiàn)原水上游養(yǎng)殖場已關(guān)閉，溴離子濃度有了大幅下降，經(jīng)檢測，2019年T水廠原水平均溴離子濃度為41.7 μg/L，當臭氧濃度較高時，依舊存在一定的溴酸鹽生成風險。根據(jù)T水廠實際生產(chǎn)運行情況，對其臭氧投加系統(tǒng)進行優(yōu)化。根據(jù)原水溴離子濃度和高錳酸鹽指數(shù)情況，綜合考慮有機物去除和預防溴酸鹽生成，擬定T水廠總臭氧投加量為1.5 mg/L，其中預臭氧投加量通過BP神經(jīng)網(wǎng)絡模型確定，后臭氧投加量為總臭氧投加量減去預臭氧投加量?？刂屏鞒倘鐖D8所示。

圖8 臭氧投加控制系統(tǒng)圖Fig.8 Ozone Dosing Control System

由于水廠在線檢測儀器僅能在線檢測渾濁度、CODMn，無法在線檢測UV254、DOC等指標，而CODMn與UV254、DOC都可以代表水中有機物的含量。由2.1節(jié)可知，臭氧投加量與該3項水質(zhì)指標的相關(guān)系數(shù)接近，因此，在水廠運行控制中采用CODMn作為有機物指標即可。基于BP神經(jīng)網(wǎng)絡的臭氧投加量模型，以進水流量、進水渾濁度和進水CODMn作為輸入，并設定預期的預臭氧出水渾濁度和CODMn，基于神經(jīng)網(wǎng)絡預測模型計算得到所需預臭氧投加量，將控制指令信號傳輸至臭氧制備車間的投加控制系統(tǒng)中，投加控制系統(tǒng)對預臭氧和后臭氧接觸池進行臭氧投加。

T水廠僅在原水進水端安裝渾濁度和CODMn在線檢測儀，未在后臭氧接觸池前安裝在線檢測裝置，因而，本BP神經(jīng)網(wǎng)絡預測模型僅針對預臭氧工藝。后續(xù)若條件允許，將進行基于BP神經(jīng)網(wǎng)絡的后臭氧投加量的預測，進一步完善水廠臭氧投加量自動化控制系統(tǒng)。

3 結(jié)論

(1)根據(jù)相關(guān)性分析，進水流量與臭氧投加量呈負相關(guān)，進水渾濁度、CODMn、DOC、UV254、NH3-N與臭氧投加量呈正相關(guān)，其中CODMn、DOC、UV254的相關(guān)系數(shù)更大。

(2)運用BP神經(jīng)網(wǎng)絡建立出水水質(zhì)系統(tǒng)預測模型和臭氧投加量預測模型，通過輸入臭氧投加量和進水水質(zhì)參數(shù)，可以預測出水水質(zhì)情況，也可通過輸入進水水質(zhì)參數(shù)和預期出水參數(shù)來預測臭氧投加量。在給定的工藝參數(shù)條件下，都有著較高的預測精度，相關(guān)系數(shù)和均方誤差較好，說明該模型具有良好的泛化能力，能滿足水處理預測的實際要求，對在線控制有指導意義。

(3)將來可應用臭氧投加量預測模型建立臭氧投加控制系統(tǒng)，為臭氧—活性炭深度處理運行的自動化控制提出了新的理論思路。