基于GA‑SVR的水岛加药在线控制方法和装置与流程

技术特征：

1.一种基于GA-SVR的水岛加药在线控制方法，其特征在于，包括：

获取出水指标符合要求的、来水监测指标的m组历史参数值，以及对应于每组所述历史参数值的加药剂的历史加药量，其中，所述来水监测指标包括多个指标，每组所述历史参数值包括所述多个指标的参数值；

基于支持向量回归机建立在线控制SVR模型，其中，所述历史参数值为所述SVR模型的输入向量，所述历史加药量为所述SVR模型的输出向量；

对所述SVR模型执行GA算法，求解所述SVR模型中的参数的最优解；

将求解得到的所述最优解输入所述SVR模型，得到水岛的加药模型；

实时监测所述来水监测指标的一组实时参数值；以及

将所述实时参数值输入所述水岛的加药模型，以确定当前时刻所述加药剂的加药量。

2.根据权利要求1所述的基于GA-SVR的水岛加药在线控制方法，其特征在于，基于支持向量回归机建立在线控制SVR模型的步骤具体包括：

设置所述SVR模型的输入向量为所述来水监测指标的数字信号的时间序列x_i，设置所述SVR模型的输出向量为对应于所述时间序列x_i的加药剂的历史加药量的时间序列y_i，其中，i＝1，2，...，n，n＜m；

将由所述时间序列x_i和所述时间序列y_i构成的时间序列集(x_i，y_i)采用非线性映射执行向高维空间的映射，并构造所述SVR模型的函数为其中，i＝1，2，...，n，x_i∈R^q，y_i∈R，q为所述来水监测指标中指标的个数，w为权向量，b为常数；

引入松弛变量ξ和惩罚因子C，建立所述SVR模型的目标函数为约束条件为其中，ξ≥0，C＞0，i＝1，2，...，n；

确定所述SVR模型的核函数为径向基函数其中，σ＞0；

建立所述SVR模型为其中，α_i＝Cξ_i，为拉格朗日系数。

3.根据权利要求2所述的基于GA-SVR的水岛加药在线控制方法，其特征在于，对所述SVR模型执行GA算法，求解所述SVR模型中的参数的最优解的步骤包括：

步骤A：设定GA算法的参数，确定初始种群规模G、全局迭代次数、变异概率、交叉概率，确定松弛变量ξ、惩罚因子C和核参数σ为GA算法的决策变量；

步骤B：令迭代次数为1，初始化所述SVR模型的参数，并对初始化后的所述SVR模型的参数进行二进制编码，产生G组初始种群；

步骤C：采用下述循环步骤，确定松弛变量ξ、惩罚因子C和核参数σ的最优解：步骤C1：根据适应度函数计算种群中各个体的适应度函数值，步骤C2：判断当前迭代次数是否达到全局迭代次数，若达到，则输出最优个体，结束步骤C，若未达到，则把适应度函数值最高的最优个体保存下来，并记录适应度函数值最低的最差个体序号，令迭代次数加1，进行选择、交叉、变异遗传操作，并用保存的最优个体替换序号为所述最差个体序号的新个体，产生新的种群，返回步骤C1。

4.根据权利要求3所述的基于GA-SVR的水岛加药在线控制方法，其特征在于，所述适应度函数为为以所述时间序列集(x_i，y_i)中第i组数据作为所述SVR模型的输入向量计算得到的计算机模拟值。

5.根据权利要求4所述的基于GA-SVR的水岛加药在线控制方法，其特征在于，求解所述SVR模型中的参数的最优解的步骤还包括：

步骤D：将求解得到的所述最优解作为所述SVR模型的参数，将所述来水监测指标的数字信号的时间序列x_p输入所述SVR模型，得到对应于所述时间序列x_p的加药剂的模拟加药量的时间序列其中，p＝n+1，n+2，...，m；

步骤E：根据对应于所述时间序列x_p的加药剂的历史加药量的时间序列y_p和所述时间序列计算所述SVR模型的均方根误差；

步骤F：判断所述均方根误差是否小于预设误差值，若小于，则结束求解所述SVR模型中的参数的最优解的步骤，若不小于，则返回步骤A。

6.根据权利要求1所述的基于GA-SVR的水岛加药在线控制方法，其特征在于，所述来水监测指标包括水流量、PH值、浊度值、氯离子含量和氨氮含量。

7.根据权利要求1所述的基于GA-SVR的水岛加药在线控制方法，所述加药剂为硫酸、氢氧化钠、杀菌剂、助凝剂、混凝剂或还原剂。

8.一种基于GA-SVR的水岛加药在线控制装置，其特征在于，包括：

历史数据获取模块，用于获取出水指标符合要求的、来水监测指标的m组历史参数值，以及对应于每组所述历史参数值的加药剂的历史加药量，，其中，所述来水监测指标包括多个指标，每组所述历史参数值包括所述多个指标的参数值；

模型建立模块，用于基于支持向量回归机建立在线控制SVR模型，其中，所述历史参数值为所述SVR模型的输入向量，所述历史加药量为所述SVR模型的输出向量；

参数优化模块，用于对所述SVR模型执行GA算法，求解所述SVR模型中的参数的最优解，并将求解得到的所述最优解输入所述SVR模型，得到水岛的加药模型；

实时监测模块，用于实时监测所述来水监测指标以得到一组实时参数值；以及

加药量控制模块，用于将所述实时参数值输入所述水岛的加药模型，以确定当前时刻所述加药剂的加药量。

9.根据权利要求8所述的基于GA-SVR的水岛加药在线控制装置，其特征在于，所述模型建立模块在建立所述SVR模型时，执行的步骤具体包括：

设置所述SVR模型的输入向量为所述来水监测指标的数字信号的时间序列x_i，设置所述SVR模型的输出向量为对应于所述时间序列x_i的加药剂的历史加药量的时间序列y_i，其中，i＝1，2，...，n，n＜m；

将由所述时间序列x_i和所述时间序列y_i构成的时间序列集(x_i，y_i)采用非线性映射执行向高维空间的映射，并构造所述SVR模型的函数为其中，i＝1，2，...，n，x_i∈Rq，y_i∈R，q为所述来水监测指标中指标的个数，w为权向量，b为常数；

引入松弛变量ξ和惩罚因子C，建立所述SVR模型的目标函数为约束条件为其中，ξ≥0，C＞0，i＝1，2，...，n；

确定所述SVR模型的核函数为径向基函数其中，σ＞0；

建立所述SVR模型为其中，α_i＝Cξ_i，为拉格朗日系数。

10.根据权利要求9所述的基于GA-SVR的水岛加药在线控制装置，其特征在于，所述参数优化模块在求解所述SVR模型中的参数的最优解时，执行的步骤具体包括：

步骤A：设定GA算法的参数，确定初始种群规模G、全局迭代次数、变异概率、交叉概率，确定松弛变量ξ、惩罚因子C和核参数σ为GA算法的决策变量；

步骤B：令迭代次数为1，初始化所述SVR模型的参数，并对初始化后的所述SVR模型的参数进行二进制编码，产生G组初始种群；

步骤C：采用下述循环步骤，确定松弛变量ξ、惩罚因子C和核参数σ的最优解：步骤C1：根据适应度函数计算种群中各个体的适应度函数值，步骤C2：判断当前迭代次数是否达到全局迭代次数，若达到，则输出最优个体，结束步骤C，若未达到，则把适应度函数值最高的最优个体保存下来，并记录适应度函数值最低的最差个体序号，令迭代次数加1，进行选择、交叉、变异遗传操作，并用保存的最优个体替换序号为所述最差个体序号的新个体，产生新的种群，返回步骤C1。