發(fā)布時間：2018-6-1 16:57:11  中國污水處理工程網(wǎng)

　　申請日2013.10.23

　　公開(公告)日2016.05.04

　　IPC分類號G05D7/06; G05B13/04

　　摘要

　　本發(fā)明公開了一種通過預測泵站流量實現(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行建模和預測，同時利用遞推最小二乘法對ARMA模型進行迭代辨識，最終獲得泵站輸入流量的預測結果，最后根據(jù)泵站輸入流量的預測結果，及時調整投藥，從而實現(xiàn)污水網(wǎng)管內細菌的有效抑制，為污水管網(wǎng)的投藥優(yōu)化提供更多的便利。

　　權利要求書

　　1.一種通過預測泵站流量實現(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行建模和預測，同時利用遞推最小二乘法對ARMA模型進行迭代辨識，最終獲得泵站輸入流量的預測結果，最后根據(jù)泵站輸入流量的預測結果，及時調整投藥，從而實現(xiàn)污水網(wǎng)管內細菌的有效抑制;其包括以下步驟：

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

　�、俦谜据斎肓髁縌in的計算

　　$Q_{in}=Q_{out}+\frac{dV}{dt}$

　　其中，Qin是輸入流量，Qout是輸出流量，是泵站內污水體積的變化;

　�、诶�用了3σ的方法對離群點進行檢測

　　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，離群點的檢測只需將各個模式下的均值按上述公式進行分類計算;

　�、郾谜镜妮斎肓髁渴且粋�隨機變量所代表的自回歸過程,在同一樣本區(qū)間內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序列的特性，由自相關函數(shù)ACF和偏相關函數(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：

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

　　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)序列相關性能的是偏相關系數(shù)PACF，PACF計算如下：

　　Φ1，1=ρ1

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

　　Φj+1，i=Φj，i-Φj+1，j+1Φj，j+1-i

　　其中，i=1,2,…,j;Φj，j是關于j的函數(shù)即是PACF，通常正確的差分階次能使得隨機變量圍繞均值附近波動，但如果ACF經(jīng)過長期的衰減仍然無法達到穩(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，對應的差分值X(t)分別等于X(t)=y(t-1)-y(t-2)和X(t)=y(y-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測精度，因此，需要選擇合適的模型參數(shù)，利用BIC參數(shù)進行模型階次辨識：

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

　　其中，N是模型訓練集合數(shù)據(jù)點的個數(shù)，nt=na+nc是ARMA模型的模型階次，而 ${\sigma }_a^2=\frac{1}{N-n_t}{\Sigma }_{t=n_t+1}^N{\left(y\right(t)-{\Sigma }_{i=1}^{n_a}{a}_{i}y(t-i)-{\Sigma }_{i=1}^{n_c}{c}_{i}v(t-i\left)\right)}^2;$

　�、谠诿看蜝IC的確認過程中，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是轉置，而則由下式估計：

　　同時由下述公式估計得到，

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

　　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模型的多步預測

　　在辨識階次和參數(shù)的基礎上，多步預測變量具體如下式所示：

　　當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，由噪聲發(fā)生函數(shù)產(chǎn)生得到;

　　當k>nc時，

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

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

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

　　M=KP·Ypre

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

　　說明書

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

　　技術領域

　　本發(fā)明涉及城市污水處理的技術領域，尤其是指一種通過預測泵站流量實現(xiàn)污水網(wǎng)管投藥量有效控制的方法。

　　背景技術

　　在城市污水處理系統(tǒng)中，污水管網(wǎng)起到污水收集、運輸?shù)淖饔�。由于污水管網(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置提升泵站，污水經(jīng)提升后再通過污水管道送到更遠的地方(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站。泵站泵的啟動和停止基于本泵站進水池水位上下限的限制值，即液位達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，對單機運行有時間限制，所以，各個泵站一般會在抽水達到最低水位時候進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)沉淀物中的細菌代謝，特別是SRB細菌代謝會產(chǎn)生了大量的H2S。與此同時，H2S在從液態(tài)到氣態(tài)的轉化過程中會產(chǎn)生管網(wǎng)腐蝕、惡臭，這些都會導致安全生產(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系，因此，通過預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)明內容

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

　　為實現(xiàn)上述目的，本發(fā)明所提供的技術方案為：一種通過預測泵站流量實現(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行建模和預測，同時利用遞推最小二乘法對ARMA模型進行迭代辨識，最終獲得泵站輸入流量的預測結果，最后根據(jù)泵站輸入流量的預測結果，及時調整投藥，從而實現(xiàn)污水網(wǎng)管內細菌的有效抑制;其包括以下步驟：

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

　　①泵站輸入流量Qin的計算

　　$Q_{in}=Q_{out}+\frac{dV}{dt}$

　　其中，Qin是輸入流量，Qout是輸出流量，是泵站內污水體積的變化;

　�、诶�用了3σ的方法對離群點進行檢測

　　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，離群點的檢測只需將各個模式下的均值按上述公式進行分類計算;

　�、郾谜镜妮斎肓髁渴且粋�隨機變量所代表的自回歸過程,在同一樣本區(qū)間內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序列的特性，由自相關函數(shù)ACF和偏相關函數(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：

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

　　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)序列相關性能的是偏相關系數(shù)PACF，PACF計算如下：

　　Φ1，1=ρ1

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

　　Φj+1，i=Φj，i-Φj+1，j+1Φj，j+1-i

　　其中，i=1,2,…,j;Φj，i是關于j的函數(shù)即是PACF，通常正確的差分階次能使得隨機變量圍繞均值附近波動，但如果ACF經(jīng)過長期的衰減仍然無法達到穩(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，對應的差分值X(t)分別等于X(t)=y(t-1)-y(t-2)和X(t)=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測精度，因此，需要選擇合適的模型參數(shù)，利用BIC參數(shù)進行模型階次辨識：

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

　　其中，N是模型訓練集合數(shù)據(jù)點的個數(shù)，nt=na+nc是ARMA模型的模型階次，而 ${\sigma }_a^2=\frac{1}{N-n_t}{\Sigma }_{t=n_t+1}^N{\left(y\right(t)-{\Sigma }_{i=1}^{n_a}{a}_{i}y(t-i)-{\Sigma }_{i=1}^{n_c}{c}_{i}v(t-i\left)\right)}^2;$

　�、谠诿看蜝IC的確認過程中，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是轉置，而則由下式估計：

　　同時由下述公式估計得到，

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

　　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模型的多步預測

　　在辨識階次和參數(shù)的基礎上，多步預測變量具體如下式所示：

　　當1

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

　　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k>nc時，

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

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

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

　　M=KP·Ypre

　　其中，M為單位時間內投藥量，Kp為比例系數(shù)矩陣，Ypre為泵站入水流量預測序列，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)有技術相比，具有如下優(yōu)點與有益效果：

　　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)的輸入流量進行建模和預測，在此基礎上再次利用泵站儲液池的工作原理預測泵站的輸入流量，進而為污水管網(wǎng)的投藥優(yōu)化提供更多的便利。

　　附圖說明

　　圖1為基于ARMA模型流量預測管網(wǎng)投藥系統(tǒng)圖。

　　圖2為兩個小型泵站輸出流量的預測結果對比圖。

　　具體實施方式

　　下面結合具體實施例對本發(fā)明作進一步說明。

　　本實施例所述的通過預測泵站流量實現(xiàn)污水網(wǎng)管投藥量有效控制的方法，以小型泵站為例，實驗數(shù)據(jù)來自某污水管網(wǎng)中的兩個小型泵站,如圖1所示，給出了單管投藥系統(tǒng)控制圖，由于小型泵站一般只在管道輸出監(jiān)控流量，而輸入流量沒有儀表監(jiān)控，因此，在實施時需將事件式離散的輸出流量轉化為連續(xù)的輸入流量，在此基礎上用ARMA模型對連續(xù)的流量數(shù)據(jù)進行建模，最后對不超過6小時的輸出流量進行預測。流量的單位均為立方米/天。訓練和預測樣本各1天數(shù)據(jù)共135天和96天(包括輸出流量和當時的泵站液位，其中液位所得數(shù)據(jù)是按體積的百分比獲得)，儲水池的大小分別為100立方米和130立方米，具體的實現(xiàn)步驟如下：

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

　�、俦谜据斎肓髁縌in的計算

　　$Q_{in}=Q_{out}+\frac{dV}{dt}=Q_{out}+\frac{(L_1-L_2)*V}{0.0104}$

　　其中，Qout已知，采樣時間為0.0104天，V則對應相應的泵站體積;

　　②利用了3σ的方法分別對兩個泵站的離群點數(shù)據(jù)進行檢測，即

　　mean|Qin|≤3σ

　　此外，受天氣影響泵站的輸入流量主要有三種工作模式(晴天，中雨和暴雨)，離群點的檢測只需將各個模式下的均值按上述公式進行分類計算;

　�、郾谜镜妮斎肓髁渴且粋�隨機變量所代表的自回歸過程,在同一樣本區(qū)間內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序列的特性，由自相關函數(shù)ACF和偏相關函數(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：

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

　　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)序列相關性能的是偏相關系數(shù)PACF，PACF計算如下：

　　Φ1，1=ρ1

　　${\Phi }_{j+1,j+1}=\left({\rho }_{j+1}-{\Sigma }_{i=1}^j{\rho }_{j+1-i}{\Phi }_{j,i}\right){\left(1-{\Sigma }_{i=1}^j{\rho }_j{\Phi }_{j,i}\right)}^{-1}$

　　Φj+1，i=Φj，i-Φj+1，j+1Φj，j+1-i

　　其中，i=1,2,…,j;Φj，j是關于j的函數(shù)即是PACF，通常正確的差分階次能使得隨機變量圍繞均值附近波動，但如果ACF經(jīng)過長期的衰減仍然無法達到穩(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，對應的差分值X(t)分別等于X(t)=y(t-1)-y(t-2)和X(t)=y(t-1)-2y(t-2)+y(t-3)，由于上述i=19和j=18的時候ACF或PACF基本能處于收斂狀態(tài)，因此具體的0階差分如表1所示：

　　表1：泵站1和泵站2的ACF和PACF參數(shù)

　　從上表可知對于泵站1，PACF有明顯衰減而ACF無，說明模型傾向于AR模型，而且PACF衰減到7的時候已經(jīng)達到95%的限制，故na=7，nc=0。而對于泵站2，類似的PACF有明顯衰減而ACF無，說明模型傾向于AR模型，而且PACF衰減到7的時候已經(jīng)達到95%的限制，故na=3，nc=0。通過類似的方法計算1和2階的有明顯過差分的ACF和PACF，即ACF和PACF從1或2開始基本都是負值。

　　3)差分模型參數(shù)和階次辨識

　　①模型的階次可通過統(tǒng)計學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測精度，因此，需要選擇合適的模型參數(shù)，利用BIC參數(shù)進行模型階次辨識：

　　$BIC\left(R\right)={\mathrm{Nln\sigma }}_a^2+nlnN$

　　其中，N是模型訓練集合數(shù)據(jù)點的個數(shù)，nt=na+nc是ARMA模型的模型階次，而 ${\sigma }_a^2=\frac{1}{N-n_t}{\Sigma }_{t=n_t+1}^N{\left(y\right(t)-{\Sigma }_{i=1}^{n_a}{a}_{i}y(t-i)-{\Sigma }_{i=1}^{n_c}{c}_{i}v(t-i\left)\right)}^2;$

　�、谠诿看蜝IC的確認過程中，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是轉置，而則由下式估計：

　　同時由下述公式估計得到，

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

　　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);

　　由前述辨識可知對于泵站1和泵站2，其na分別為7和3，而nc均為0，再根據(jù)上述步驟①和②對歷史數(shù)據(jù)對模型進行辨識，最后得出參數(shù)θ，經(jīng)過辨識，兩個泵站的參數(shù)分別如表2所示：

　　表2：泵站1和泵站2的辨識參數(shù)

　　4)ARMA模型的多步預測

　　在辨識階次和參數(shù)的基礎上，多步預測變量具體如下式所示：

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

　　當k>nc時，

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

　　而在本實施例中，nc=0,k>nc

　　當t+k-i≤t時，假定L>nc，多步最優(yōu)預測k=1，2，...，L可以在所辨識的參數(shù)ai，ci的基礎上獲得，具體一個半小時的兩個泵站的輸入流量和輸出流量的預測效果如圖2所示。

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

　　M=KP·Ypre

　　其中，M為單位時間內投藥量，Kp為比例系數(shù)矩陣，這里對于泵站1和2分別為0,07和0.08，Ypre為泵站入水流量預測序列，而具體的比例系數(shù)矩陣由歷史數(shù)據(jù)回歸得到。

　　在采用以上方案后，本發(fā)明能有效確保污水管網(wǎng)投藥量的準確控制，充分考慮了泵站工作方式不同天氣狀況下的水流模式，可以對泵站的輸出流量做長達4～6小時的預測，從而為污水管網(wǎng)的投藥優(yōu)化提供更多的便利，值得推廣。

　　以上所述之實施例子只為本發(fā)明之較佳實施例，并非以此限制本發(fā)明的實施范圍，故凡依本發(fā)明之形狀、原理所作的變化，均應涵蓋在本發(fā)明的保護范圍內。