發(fā)布時間：2018-6-1 14:55:05  中國污水處理工程網(wǎng)

　　申請日2013.10.23

　　公開(公告)日2014.02.19

　　IPC分類號G05B13/04; G05D7/06

　　摘要

　　本發(fā)明公開了一種通過預(yù)測泵站流量實(shí)現(xiàn)污水網(wǎng)管投藥量有效控制的方法，首先判斷泵站是否裝有輸入流量檢測裝置，若有則進(jìn)行下一步，若沒有則需先將泵站的事件式離散的輸出流量轉(zhuǎn)換為連續(xù)的泵站輸入流量;之后利用ARMA模型對泵站的輸入流量進(jìn)行建模和預(yù)測，同時利用遞推最小二乘法對ARMA模型進(jìn)行迭代辨識，最終獲得泵站輸入流量的預(yù)測結(jié)果，最后根據(jù)泵站輸入流量的預(yù)測結(jié)果，及時調(diào)整投藥，從而實(shí)現(xiàn)污水網(wǎng)管內(nèi)細(xì)菌的有效抑制，為污水管網(wǎng)的投藥優(yōu)化提供更多的便利。

　　權(quán)利要求書

　　1.一種通過預(yù)測泵站流量實(shí)現(xiàn)污水網(wǎng)管投藥量有效控制的方法，其特征在 于：首先判斷泵站是否裝有輸入流量檢測裝置，若有則進(jìn)行下一步，若沒有則 需先將泵站的事件式離散的輸出流量轉(zhuǎn)換為連續(xù)的泵站輸入流量;之后利用 ARMA模型對泵站的輸入流量進(jìn)行建模和預(yù)測，同時利用遞推最小二乘法對ARMA 模型進(jìn)行迭代辨識，最終獲得泵站輸入流量的預(yù)測結(jié)果，最后根據(jù)泵站輸入流 量的預(yù)測結(jié)果，及時調(diào)整投藥，從而實(shí)現(xiàn)污水網(wǎng)管內(nèi)細(xì)菌的有效抑制。

　　2.根據(jù)權(quán)利要求1所述的一種通過預(yù)測泵站流量實(shí)現(xiàn)污水網(wǎng)管投藥量有效 控制的方法，其特征在于，包括以下步驟：

　　1)判斷泵站是否裝有輸入流量檢測裝置，若有則直接進(jìn)行步驟2)，若沒有 則需進(jìn)行如下步驟后，再進(jìn)行步驟2)：

　�、俦谜据斎肓髁縌in的計算

　　$Q_{\mathrm{in}}=Q_{\mathrm{out}}+\frac{\mathrm{dV}}{\mathrm{dt}}$

　　其中，Qin是輸入流量，Qout是輸出流量，是泵站內(nèi)污水體積的變化;

　�、诶�用了3σ的方法對離群點(diǎn)進(jìn)行檢測

　　mean|Qin|≤3σ

　　此外，受天氣影響泵站的輸入流量主要有晴天、中雨和暴雨三種工作模式， 離群點(diǎn)的檢測只需將各個模式下的均值按上述公式進(jìn)行分類計算;

　�、郾谜镜妮斎肓髁渴且粋�隨機(jī)變量所代表的自回歸過程,在同一樣本區(qū)間 內(nèi)的一個變量可以作為它們過去值的線性函數(shù)

　　A(Z-1)y(t)=C(z-1)v(t)

　　其中，Z是滯后因子,z-1y(t)=y(t-1),v(t)是0均值的高斯白噪聲，y(t)是 觀測數(shù)據(jù),

　　$A\left(Z^{-1}\right)=1+a_1{z}^{-1}+...+a_{n_a}{z}^{-n_a}$

　　$C\left(z^{-1}\right)=1+c_1{z}^{-1}+...+c_{n_c}{z}^{-n_c}$

　　其中，na，nc是A(z-1)，C(z-1)的階次;

　　2)差分階次辨識

　　ARMA模型存在著明顯的隨機(jī)序列的特性，由自相關(guān)函數(shù)ACF和偏相關(guān)函數(shù) PACF決定，ACF和PACF若能收斂，說明這是一個穩(wěn)定序列，在ACF和PACF的 分析過程中，其收斂行為非常重要，ACF的計算如下：

　　${\rho }_j=\frac{{\Sigma }_{t=1}^{n-j}(y\left(t\right)-\stackrel{\‾}{y})(y(t+j)-\stackrel{\‾}{y})}{{\Sigma }_{t=1}^n{(y\left(t\right)-\stackrel{\‾}{y})}^2}$

　　其中,t=1,2,…,n;j=1,2,…，n,-1;n是數(shù)據(jù)序列的個數(shù)，是y(t)的均 值，ACF的分析主要關(guān)于ARMA模型AR部分的模型階次和差分階次，而另一個可 以描述數(shù)據(jù)序列相關(guān)性能的是偏相關(guān)系數(shù)PACF，PACF計算如下：

　　Φ11=ρ1

　　${\Phi }_{j+1,j+1}=({\rho }_j+1-\underset{i=1}{\overset{j}{\Sigma }}{\rho }_j+1-i{\Phi }_{j,i}){(1-\underset{i=1}{\overset{j}{\Sigma }}{\rho }_j{\Phi }_{\mathrm{ji}})}^{-1}$

　　Φj+1，i=Φji-Φj+1，j+Φj，j+1-i

　　其中，i=1,2,…,j;Φjj是關(guān)于j的函數(shù)即是PACF，通常正確的差分階 次能使得隨機(jī)變量圍繞均值附近波動，同時ACF能迅速衰退到0且在95%的區(qū)間 內(nèi)，但如果ACF經(jīng)過長期的衰減仍然無法達(dá)到穩(wěn)定，則說明模型需要更高的差 分階次，其中0階的差分如下：

　　$X\left(t\right)=a_{1}X(t-1)+...+a_{n_a}X(t-n_a)+c_{1}v(t-1)+...+c_{n_c}v(t-n_c)+v\left(t\right)$

　　其中，X(t)=y(t)-μ是0階差分，即y(t)=X(t)+μ，而對于1和2階來 說，分別等于y(t-1)-y(t-2)和y(t-1)-2y(t-2)+y(t-3);

　　3)差分模型參數(shù)和階次辨識

　�、倌Ｐ偷碾A次可通過統(tǒng)計學(xué)F分布測試和貝葉斯信息原則BIC參數(shù)離線方 式獲得，模型的階次過高會增加模型的計算量，反之會降低模型的預(yù)測精度， 因此，需要選擇合適的模型參數(shù)，利用BIC參數(shù)進(jìn)行模型階次辨識：

　　$\mathrm{BIS}\left(n\right)=N\ln {\sigma }_a^2+n\ln N$

　　其中，N是數(shù)據(jù)點(diǎn)的個數(shù)，n=na+nc是ARMA模型的模型階次，而 ${\sigma }_a^2=\frac{1}{N-n}{\Sigma }_{t=n+1}^N{(y_t-{\Sigma }_{i=1}^{\mathrm{na}}{a}_i{y}_{t-i}-{\Sigma }_{i=1}^{\mathrm{nc}}{b}_i{v}_{t-i})}^2,$N是總的樣 本個數(shù);

　　②在每次BIC的確認(rèn)過程中，參數(shù)ai，ci由遞推最小二乘法RELS辨識獲得， 而參數(shù)矩陣θ和則表示如下：

　　$\theta ={[a_1,a_2,...,a_{n_a},c_1,c_{2,,...,}{c}_{n_c}]}^T$

　　其中，T是轉(zhuǎn)置，而v(t)則由下式估計：

　　同時由上述公式估計得到，

　　$\hat{\theta }\left(t\right)=\hat{\theta }(t-1)+L\left(t\right)$

　　其中，L(t)和P(t)分別是估計參數(shù)、增益矩陣和協(xié)方差矩陣，L(t)和P(t) 可視為的過度參數(shù);

　　4)ARMA模型的多步預(yù)測

　　在辨識階次和參數(shù)的基礎(chǔ)上，多步預(yù)測變量具體如下式所示：

　　當(dāng)1

　　$\hat{y}(t+k|t)=\underset{i=1}{\overset{n_a}{\Sigma }}{a}_i\hat{y}(t+k-i|t)+\underset{i=k}{\overset{n_c}{\Sigma }}{c}_i\hat{v}(t+k-i)$

　　其中，$\hat{v}\left(t\right),\hat{v}(t-1),...,\hat{v}(t+k-n_c)$由噪聲發(fā)生函數(shù)產(chǎn)生得到;

　　當(dāng)k>nc時，

　　$\hat{y}(t+k|t)=\underset{i=1}{\overset{n_a}{\Sigma }}{a}_i\hat{y}(t+k-i|t)$

　　當(dāng)t+k-i≤t時，假定L>nc，多步最優(yōu)預(yù)測 k-1，2，...L可以在所辨識的參數(shù)ai，ci的基礎(chǔ)上獲得;

　　5)基于上述ARMA模型泵站入水流量的預(yù)測值，確定本網(wǎng)段的投藥量：

　　M=KP·Ypre

　　其中，M為單位時間內(nèi)投藥量，Kp為比例系數(shù)矩陣，Ypre為泵站入水流量預(yù) 測序列，而比例系數(shù)矩陣由歷史數(shù)據(jù)回歸得到。

　　說明書

　　通過預(yù)測泵站流量實(shí)現(xiàn)污水網(wǎng)管投藥量有效控制的方法

　　技術(shù)領(lǐng)域

　　本發(fā)明涉及城市污水處理的技術(shù)領(lǐng)域，尤其是指一種通過預(yù)測泵站流量實(shí) 現(xiàn)污水網(wǎng)管投藥量有效控制的方法。

　　背景技術(shù)

　　在城市污水處理系統(tǒng)中，污水管網(wǎng)起到污水收集、運(yùn)輸?shù)淖饔谩Ｓ捎谖鬯?管網(wǎng)覆蓋面積廣，污水管道需要在地下埋深，為了減少后續(xù)輸送管道的埋深， 在污水輸送的中途設(shè)置提升泵站，污水經(jīng)提升后再通過污水管道送到更遠(yuǎn)的地 方(污水處理廠或下一個污水提升泵站)，所以污水提升泵站是污水收集中轉(zhuǎn)站。 泵站泵的啟動和停止基于本泵站進(jìn)水池水位上下限的限制值，即液位達(dá)到上限 值開泵而在下限時停泵，而且對于大多數(shù)泵站來說，為了減少泵的故障率，對 單機(jī)運(yùn)行有時間限制，所以，各個泵站一般會在抽水達(dá)到最低水位時候進(jìn)行水 泵相互間的切換。由于泵的開停使得污水在管網(wǎng)長期滯留，從而導(dǎo)致厭氧條件 的長期存在，使得存在于生物膜或管網(wǎng)沉淀物中的細(xì)菌代謝，特別是SRB細(xì)菌 代謝會產(chǎn)生了大量的H2S。與此同時，H2S在從液態(tài)到氣態(tài)的轉(zhuǎn)化過程中會產(chǎn)生 管網(wǎng)腐蝕、惡臭，這些都會導(dǎo)致安全生產(chǎn)事故。解決該問題的一種主要方式是 在污水管網(wǎng)中投加藥劑，如氫氧化鎂，鐵鹽，硝酸鹽，壓硝酸鹽等等。而污水 在管網(wǎng)的停留時間(HRT，水力停留時間)與泵站出水流量有很大的關(guān)系，因 此，通過預(yù)測流量從而控制投藥量的在線方法給投藥控制系統(tǒng)的改善提供了可 能性。

　　發(fā)明內(nèi)容

　　本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種安全可靠的通過預(yù)測泵 站流量實(shí)現(xiàn)污水網(wǎng)管投藥量有效控制的方法。

　　為實(shí)現(xiàn)上述目的，本發(fā)明所提供的技術(shù)方案為：一種通過預(yù)測泵站流量實(shí) 現(xiàn)污水網(wǎng)管投藥量有效控制的方法，首先判斷泵站是否裝有輸入流量檢測裝置， 若有則進(jìn)行下一步，若沒有則需先將泵站的事件式離散的輸出流量轉(zhuǎn)換為連續(xù) 的泵站輸入流量;之后利用ARMA模型對泵站的輸入流量進(jìn)行建模和預(yù)測，同時 利用遞推最小二乘法對ARMA模型進(jìn)行迭代辨識，最終獲得泵站輸入流量的預(yù)測 結(jié)果，最后根據(jù)泵站輸入流量的預(yù)測結(jié)果，及時調(diào)整投藥，從而實(shí)現(xiàn)污水網(wǎng)管 內(nèi)細(xì)菌的有效抑制。

　　所述通過預(yù)測泵站流量實(shí)現(xiàn)污水網(wǎng)管投藥量有效控制的方法，包括以下步 驟：

　　1)判斷泵站是否裝有輸入流量檢測裝置，若有則直接進(jìn)行步驟2)，若沒有 則需進(jìn)行如下步驟后，再進(jìn)行步驟2)：

　�、俦谜据斎肓髁縌in的計算

　　$Q_{\mathrm{in}}=Q_{\mathrm{out}}+\frac{\mathrm{dV}}{\mathrm{dt}}$

　　其中，Qin是輸入流量，Qout是輸出流量，是泵站內(nèi)污水體積的變化;

　　③利用了3σ的方法對離群點(diǎn)進(jìn)行檢測

　　mean|Qin|≤3σ

　　此外，受天氣影響泵站的輸入流量主要有晴天、中雨和暴雨三種工作模式， 離群點(diǎn)的檢測只需將各個模式下的均值按上述公式進(jìn)行分類計算;

　　③泵站的輸入流量是一個隨機(jī)變量所代表的自回歸過程,在同一樣本區(qū)間 內(nèi)的一個變量可以作為它們過去值的線性函數(shù)

　　A(Z-1)y(t)=C(z-1)v(t)

　　其中，Z是滯后因子,z-1y(t)=y(t-1),v(T)是0均值的高斯白噪聲，y(t)是 觀測數(shù)據(jù),

　　$A\left(Z^{-1}\right)=1+a_1{z}^{-1}+...+a_{n_a}{z}^{-n_a}$

　　$C\left(z^{-1}\right)=1+c_1{z}^{-1}+...+c_{n_c}{z}^{-n_c}$

　　其中，na，nc是A(z-1)，C(z-1)的階次;

　　2)差分階次辨識

　　ARMA模型存在著明顯的隨機(jī)序列的特性，由自相關(guān)函數(shù)ACF和偏相關(guān)函數(shù) PACF決定，ACF和PACF若能收斂，說明這是一個穩(wěn)定序列，在ACF和PACF的 分析過程中，其收斂行為非常重要，ACF的計算如下：

　　${\rho }_j=\frac{{\Sigma }_{t=1}^{n-j}(y\left(t\right)-\stackrel{\‾}{y})(y(t+j)-\stackrel{\‾}{y})}{{\Sigma }_{t=1}^n{(y\left(t\right)-\stackrel{\‾}{y})}^2}$

　　其中,t=1,2,…,n;j=1,2,…，n,-1;n是數(shù)據(jù)序列的個數(shù)，是y(t)的均 值，ACF的分析主要關(guān)于ARMA模型AR部分的模型階次和差分階次，而另一個可 以描述數(shù)據(jù)序列相關(guān)性能的是偏相關(guān)系數(shù)PACF，PACF計算如下：

　　Φ11=ρ1

　　${\Phi }_{j+1,j+1}=({\rho }_{j+1}-\underset{i=1}{\overset{j}{\Sigma }}{\rho }_{j+1-i}{\Phi }_{j,i})(1-\underset{i=1}{\overset{j}{\Sigma }}{\rho }_j{\Phi }_{\mathrm{ji}}{)}^{-1}$

　　Φj+1，i=Φji-Φj+1，j+1Φj，j+1-i

　　其中，i=1,2,…,j;Φjj是關(guān)于j的函數(shù)即是PACF，通常正確的差分階 次能使得隨機(jī)變量圍繞均值附近波動，同時ACF能迅速衰退到0且在95%的區(qū)間 內(nèi)，但如果ACF經(jīng)過長期的衰減仍然無法達(dá)到穩(wěn)定，則說明模型需要更高的差 分階次，其中0階的差分如下：

　　$X\left(t\right)=a_{1}X(t-1)+...+a_{n_a}X(t-n_a)+c_{1}v(t-1)+...+c_{n_c}v(t-n_c)+v\left(t\right)$

　　其中，X(t)=y(t)-μ是0階差分，即y(t)=X(t)+μ，而對于1和2階來 說，分別等于y(t-1)-y(t-2)和y(t)1)-2y(t-2)+y(t-3);

　　3)差分模型參數(shù)和階次辨識

　�、倌Ｐ偷碾A次可通過統(tǒng)計學(xué)F分布測試和貝葉斯信息原則BIC參數(shù)離線方 式獲得，模型的階次過高會增加模型的計算量，反之會降低模型的預(yù)測精度， 因此，需要選擇合適的模型參數(shù)，利用BIC參數(shù)進(jìn)行模型階次辨識：

　　$\mathrm{BIS}\left(n\right)=N\ln {\sigma }_a^2+n\ln N$

　　其中，N是數(shù)據(jù)點(diǎn)的個數(shù)，n=na+nc是ARMA模型的模型階次，而 ${\sigma }_a^2=\frac{1}{N-n}{\Sigma }_{t=n+1}^N{(y_t-{\Sigma }_{i=1}^{\mathrm{na}}{a}_i{y}_{t-i}-{\Sigma }_{i=1}^{\mathrm{nc}}{b}_i{v}_{t-i})}^2,$N是總的樣 本個數(shù);

　　②在每次BIC的確認(rèn)過程中，參數(shù)ai，ci由遞推最小二乘法RELS辨識獲得， 而參數(shù)矩陣θ和則表示如下：

　　$\theta ={[a_1,a_2,...,a_{n_a},c_1,c_{2,,...,}{c}_{n_c}]}^T$

　　其中，T是轉(zhuǎn)置，而v(t)則由下式估計：

　　同時由上述公式估計得到，

　　$\hat{\theta }\left(t\right)=\hat{\theta }(t-1)+L\left(t\right)$

　　其中，L(t)和P(t)分別是估計參數(shù)、增益矩陣和協(xié)方差矩陣，L(t)和P(t) 可視為的過度參數(shù);

　　4)ARMA模型的多步預(yù)測

　　在辨識階次和參數(shù)的基礎(chǔ)上，多步預(yù)測變量具體如下式所示：

　　當(dāng)1

　　$\hat{y}(t+k|t)=\underset{i=1}{\overset{n_a}{\Sigma }}{a}_i\hat{y}(t+k-i|t)+\underset{i=k}{\overset{n_c}{\Sigma }}{c}_i\hat{v}(t+k-i)$

　　其中，$\hat{v}\left(t\right),\hat{v}(t-1),...,\hat{v}(t+k-n_c)$由噪聲發(fā)生函數(shù)產(chǎn)生得到;

　　當(dāng)k>nc時，

　　$\hat{y}(t+k|t)=\underset{i=1}{\overset{n_a}{\Sigma }}{a}_i\hat{y}(t+k-i|t)$

　　當(dāng)t+k-i≤t時，假定L>nc，多步最優(yōu)預(yù)測 k=1，2，...，L可以在所辨識的參數(shù)ai，ci的基礎(chǔ)上獲得;

　　5)基于上述ARMA模型泵站入水流量的預(yù)測值，確定本網(wǎng)段的投藥量：

　　M=KP·Ypre

　　其中，M為單位時間內(nèi)投藥量，Kp為比例系數(shù)矩陣，Ypre為泵站入水流量預(yù) 測序列，而比例系數(shù)矩陣由歷史數(shù)據(jù)回歸得到。

　　本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點(diǎn)與有益效果：

　　1、利用泵站儲液池的工作原理，可以將事件式離散的輸出流量轉(zhuǎn)換為連續(xù) 的輸入流量，以便于連續(xù)建模方法的處理;

　　2、利用ARMA模型對連續(xù)的輸入流量進(jìn)行建模和預(yù)測，在此基礎(chǔ)上再次利 用泵站儲液池的工作原理預(yù)測泵站的輸入流量，進(jìn)而為污水管網(wǎng)的投藥優(yōu)化提 供更多的便利。