王冬生 李世华 周杏鹏

(东南大学复杂工程系统测量与控制教育部重点实验室，南京210096)

自来水生产过程是一个复杂的物理、化学反应过程，受原水水温、浊度和水质的影响明显.经调查，现有的原水水质评价还没有用于自来水生产的过程控制之中，一方面由于发达国家水源地水质较好，而我国在经济高速发展的同时不注重水资源环境的保护，导致水源地水体污染严重;另一方面现有的原水水质评价研究以判别水源地水质类别为目的，而自来水生产过程不仅与水质类别有关，还受浊度和水温的影响.此外，还与我国自来水处理技术及其自动化水平相对落后不无关系.因此，开展针对自来水生产过程的原水水质评价研究，并由此改进自来水生产过程的前馈控制水平，保障自来水供水安全，具有重要的现实意义.

目前，研究应用较多的水质评价方法有多元统计分析法、模糊综合法和人工神经网络法等［1-3］.多元统计分析法可有效简化多指标数据，展示高维数据的内在规律和复杂系统的结构，是一种分析多指标数据的有力工具［1］.模糊综合法以隶属度来描述水质属于某级别的“亦此亦彼”的“中间过渡不分明性”即模糊性［2］.人工神经网络具有良好的非线性逼近能力、自学习能力和并行处理能力，Zhang等［3］用BP神经网络法实施水质评价.RBF神经网络具有比BP神经网络更快的收敛速度、更小的网络结构、更强的鲁棒性，以及不容易陷入局部极小的优点［4］.RBF神经网络参数训练方法的有效性直接关系到网络的性能，粒子群优化(PSO)算法是一种基于群体智能的全局优化技术，优越的记忆能力和群体协作能力使其在函数优化和模型参数训练中具有广泛的应用［5-6］.本文通过对水厂实际生产过程数据分析，制定了面向自来水生产过程的原水水质评价标准，采用粒子群优化算法训练的RBF神经网络评价模型，对苏州市相城水厂的进厂原水水质实施在线评价.通过将原水水质在线评价结果作为药剂(矾和臭氧)投加控制过程的前馈量，提高了自来水生产过程应对原水水质变化的能力.

1 原水水质评价分析

1.1 原水水质评价标准

目前原水水质的评价标准国际上还没有统一的规范准则，研究人员根据研究目的设定自己的评价标准，我国学者［2］大多数以《国家地表水环境质量标准》(GB 3838—2002)［7］作为原水水质评价标准，选取具有代表性的水质指标作为评价因子.但自来水生产过程，尤其是药剂(矾和臭氧)投加过程不仅与水质指标有关，还受水温和浊度的影响.根据苏州市相城水厂技术人员的生产经验，并对水厂数据库的进厂原水水质指标值和生产运行历史数据进行统计分析，选取对自来水生产过程影响明显的水温、浊度、溶解氧和氨氮4项水质指标作为原水水质评价因子，制定了如表1所示的进厂原水水质评价标准.其中，评价结果是根据满足出水水质要求的经验药剂(矾和臭氧)投加量确定的，对应的期望输出值为:0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9.

表1 原水水质评价标准

1.2 原水水质评价方法设计

原水水质评价方法设计，关键是原水水质评价模型的建立，本文采用基于粒子群优化算法训练的RBF神经网络方法建立原水水质评价模型.

1.2.1 RBF 神经网络

RBF神经网络是一种单隐层结构的前馈型神经网络，具有很强的分类和逼近任意非线性连续函数的能力［8］.RBF神经网络一般由输入层、隐含层和输出层组成.本文采用的RBF神经网络结构如图1所示，其输出可描述为

式中，Χ={x1，x2，x3，x4}为输入向量，包括水温、浊度、溶解氧和氨氮;ωk为第k个隐含层神经元与输出层神经元的连接权值;φk为第k个隐含层神经元的输出，

式中，μk为中心;σk为方差.

隐含层神经元数一般根据问题的复杂程度来确定，虽然越多的神经元数会使网络的精度越高，但是过多的神经元数会使网络训练时间过长，以及产生过拟合问题，本文经过多次训练比较，最终选定隐含层神经元数为3个.

图1 RBF神经网络结构

1.2.2 采用粒子群优化算法训练RBF神经网络

3）幼果期药剂尽量选择水乳剂、悬浮剂等，避免选择乳油类、不溶性粉剂、沉淀多（杂质多）的劣质产品。实践证明，临近苹果套袋，一定要喷1次50%甲托悬浮剂1 000倍液+70%代森锰锌1 000倍液+醇钙600倍液+吡虫啉5 000倍液，以预防苹果黑点病和缺钙造成的生理性病害。这次用药很关键。

RBF神经网络参数(隐含层神经元函数中心值μk和方差值σk、隐含层与输出层的连接权值ωk)的训练方法对网络的性能有重要影响.常用的训练方法有:聚类法、梯度下降法、正交最小二乘学习算法、伪逆法和智能搜索算法(如遗传算法和模拟退火算法)等.

粒子群优化算法是一种基于群体行为的智能搜索算法，该算法模拟鸟群觅食行为，通过个体之间的集体协作和竞争来实现全局搜索.PSO算法中，每个优化问题的解都是搜索空间中的一只鸟，称之为“粒子”.所有的粒子都有一个由被优化的函数决定的适应度(fitness value)，还有一个速度决定它们飞翔的方向和距离.PSO算法在每一次迭代过程中，粒子通过跟踪2个极值(个体极值pi和全局极值pg)来更新自己的速度和位置:

式中，kmax为最大迭代次数;h1=0.9 和 h2=0.4 分别为初始迭代权重和最终迭代权重，这样可使粒子群在初始搜索阶段具有较好的全局搜索能力，而在后期具有较好的局部搜索能力.

粒子的适应度函数定义为

式中，N为训练样本数;Ri为参考输出;yt为实际输出.具体训练步骤如下:

①初始化粒子群迭代权重 h、最大迭代次数kmax;

③将粒子的当前位置作为初始pi，从种群中找出适应度最小的粒子作为初始pg;

④将当前适应度与pi的适应度进行比较，如果当前适应度更好，则更新pi;

⑤ 对于每个粒子，将其pi适应度与pg适应度进行比较，如果更好，则更新pg;

⑥依据式(3)、(4)修改粒子的速度和位置;

⑦重复步骤④ ～⑥，直到满足结束条件;

⑧ 将pg对应的粒子作为RBF神经网络的参数.

1.3 原水水质评价测试及实施效果

将苏州市相城水厂数据库2008年1—12月的原水水质数据以及满足出水水质要求的药剂投加数据分成2部分:训练样本和测试样本.由于在不同季节和天气条件下的水质具有不同的特点，因此每部分的挑选都要有代表性，应包含各时期的水质情况.根据该挑选原则，得到训练样本1 000组，测试样本1 000组.

对于原水水质评价模型精度的评价通过均方根误差(RMSE)来体现:

式中，yi为样本真实值;^yi为模型输出值;n为样本个数.

将所采用的PSO训练方法与传统梯度下降训练方法的RBF神经网络训练结果和测试结果分别进行比较，以验证方法的有效性.由图2可看出，随着训练次数的增加，采用PSO训练方法所得到的训练结果的均方根误差更小，且PSO训练方法在训练230次后，均方根误差基本不变.由图3可看出，采用PSO算法训练RBF神经网络具有更高的评价精度.因此可认为，基于PSO-RBF神经网络方法建立的原水水质评价模型具有较好的评价效果，满足所需的精度要求.

图2 2种训练方法的RBF神经网络训练结果

图3 2种训练方法的RBF神经网络测试结果

将训练好的原水水质评价模型在苏州市相城水厂的中央控制计算机上编程实现后，对进厂原水水质指标(水温、浊度、溶解氧和氨氮)实施在线评价.表2是苏州市相城水厂2009年3月某段时间的进厂原水水质在线评价情况，可见进厂原水水质指标会在短时间内发生较明显的变化，在线评价结果能够为药剂(矾和臭氧)投加过程控制提供及时、准确的参考投加剂量.经过分析，作者认为苏州市相城水厂进厂原水水质变化的原因主要有:①原水取水口位于太湖水源地的浅水水域，受风向和暴雨等天气因素的影响，容易引起湖底泥沙泛起使水体浊度升高，水中有机污染物含量增多;②太湖水体富营养化严重，夏季容易引起蓝藻大面积滋生，水中溶解氧含量降低，并造成藻毒素污染;③ 工农业排污和事故导致的有机污染和无机污染.

表2 相城水厂某段时间进厂原水水质在线评价表

2 水厂药剂投加过程控制

苏州市相城水厂是采用常规+臭氧-生物活性炭深度处理工艺过程的大型自来水厂，一期供水能力为3×105m3/d，其生产工艺流程如图4所示.其中，沉淀池前的加矾过程和主臭氧接触池前的主臭氧投加过程是整个自来水生产工艺的主要环节，直接影响出水水质.准确投加所需的矾和臭氧剂量是获取较高出水水质的关键.

图4 苏州市相城水厂自来水生产工艺流程

2.1 水厂药剂投加过程前馈-反馈控制方法

苏州市相城水厂原加矾控制过程和主臭氧投加控制过程与国内绝大多数水厂的控制过程一样，均采用流量比例投加的PID反馈控制方式.

加矾过程和臭氧投加过程都是复杂的物理、化学反应过程，具有非线性、纯时滞的特点，受到配水流量、原水水质、加矾量、加臭氧量等诸多因素的影响，单纯采用流量比例投加的PID反馈控制方式很难实现出水水质的稳定.采用前文所述的进厂原水水质在线评价结果作为前馈量，分别增加加矾控制过程和主臭氧投加控制过程的前馈控制环节，如图5和图6所示.

图5 加矾前馈-反馈控制系统结构

图6 主臭氧投加前馈-反馈控制系统结构

2.2 水厂药剂投加过程前馈-反馈控制应用效果

苏州市相城水厂从2009-11-01开始对加矾过程和主臭氧投加过程实施基于前馈-反馈结构的控制方案.由于自来水生产工艺过程的复杂性，尤其是水泵启停以及滤池反冲洗会对沉淀池和主臭氧接触池的进水流量产生冲击，从而对过程出水水质产生影响.为了体现在线评价结果作为药剂投加过程前馈量的实施效果，分别在反馈和前馈-反馈控制方式下，以10 s为周期截取工况较为稳定的连续9 h共3 240组数据，其曲线对比如图7和图8所示.

图7 反馈控制方式过程出水水质曲线

图8 前馈-反馈控制方式过程出水水质曲线

可见，由于将原水水质在线评价结果作为药剂投加过程控制的前馈量，使得药剂投加过程可以根据原水水质的变化及时调整药剂投加量，使出水浊度和水中余臭氧波动更小.

3 结语

根据苏州市相城水厂原水水质对药剂(矾和臭氧)投加过程影响的分析结果，采用一种粒子群优化算法训练的RBF神经网络模型对进厂原水水质实施在线评价，将其在线评价结果作为前馈量，增加了相城水厂药剂(矾和臭氧)投加控制过程的前馈控制环节.实际应用效果表明，该方法改善了过程出水水质，提高了水厂药剂投加过程的前馈控制水平，具有良好的应用推广价值.

References)

［1］Simeonov V，Stratis J A，Samara C，et al.Assessment of the surface water quality in Northern Greece［J］.Water Research，2003，37(17):4119-4124.

［2］Liu L，Zhou J Z，An X L，et al.Using fuzzy theory and information entropy for water quality assessment in Three Gorges region，China［J］.Expert Systems with Applications，2010，37(3):2517-2521.

［3］Zhang Y Z，Pulliainen J，Koponen S，et al.Application of an empirical neural network to surface water quality estimation in the Gulf of Finland using combined optical data and microwave data［J］.Remote Sensing of Environment，2002，81(2):327-336.

［4］Leandro D S C，André A P S.A RBF neural network model with GARCH errors:application to electricity price forecasting ［J］.Electric Power Systems Research，2011，81(1):74-83.

［5］Lu W Z，Fan H Y，Leung A Y T，et al.Analysis of pollutant levels in central Hong Kong applying neural network method with particle swarm optimization［J］.Environmental Monitoring and Assessment，2002，79(3):217-230.

［6］Lian G Y，Huang K L，Chen J H，et al.Training algorithm for radial basis function neural network based on quantum-behaved particle swarm optimization［J］.International Journal of Computer Mathematics，2010，87(3):629-641.

［7］国家环境保护局.GB 3838—2002国家地表水环境质量标准［S］.北京:中国标准出版社，2002.

［8］Zhang A S，Zhang L.RBF neural networks for the prediction of building interference effects［J］.Computers and Structures，2004，82(27):2333-2339.