基于BP神经网络的臭氧精确投加控制系统

沈恺乐，李宗强

(上海市水利工程设计研究院有限公司，上海 200063)

臭氧因其强氧化性，被广泛应用于水处理中。目前，国内许多水厂采用臭氧-活性炭深度处理工艺，因此，臭氧投加直接影响着出水水质。其中预臭氧化的主要作用是去除色度、藻类，改善臭味和混凝条件。后臭氧化工艺主要是将大分子有机物降解为小分子物质，易于后续生物活性炭滤池的吸附、降解，也为炭滤池提高溶解氧。

在使用臭氧工艺时，应注意进水中溴离子的浓度。有研究表明，当原水溴离子浓度小于20 μg/L时，一般不会形成溴酸盐，当溴离子浓度在50～100 μg/L时有可能会形成溴酸盐[1]。综合考虑有机物的去除效果和溴酸盐的因素，《室外给水设计标准》(GB 50013—2018)中给出预臭氧投加量0.5～1.0 mg/L及后臭氧投加量1.0～2.0 mg/L作为参考。

目前，自来水厂臭氧的投加量，通常根据化验室的水质检测结果和操作人员的生产经验确定，往往精度不高。采用人工控制方法，若臭氧投加量过低，无法保障处理效果，增加后续工艺的运行负荷，若投加量过高，则会增加运行费用，提高处理工艺的制水成本，同时可能引起溴酸盐超标。根据文献和对部分水厂的调研发现，目前采用臭氧工艺的水厂大多存在臭氧投加量偏高的问题，尤其是后臭氧投加，导致臭氧浪费，造成水厂生产运行成本增高[2]。因此，需要研究一种臭氧自动投加控制系统，能根据进水相关参数自动调节臭氧投加量，降低水厂生产人员的工作量，提高制水效率，并进一步提高供水安全性。

由于臭氧投加是一个多干扰、非线性、多变量、时变、大滞后的流程，针对臭氧投加建立一个精确可靠的控制模型存在一定难度，常规加药控制系统对模型具有较强的依赖性，很难满足较高精度的控制要求。BP神经网络是利用误差反向传播训练算法的神经网络，可以拟合出任意复杂的非线性关系，将其运用到水质预测中，可以建立不同水质参数间复杂的非线性关系，预测结果相对客观，并能大大减少工作量[3-5]。

神经网络模型在90年代被证明可以逼近任意非线性函数，具有较好的自学习能力、自适应能力、抗干扰能力和鲁棒性，因此，基于神经网络的投药模型一直受到学者们的广泛关注。BP神经网络模型最早被应用于混凝剂的投加预测中，Gagnon等[6]使用水厂运行的实际数据，以进水pH、浑浊度、导电率、温度为输入量，混凝剂投加量为输出量，模型得到的预测值与实际值的平均相对误差在5%左右，达到了较好的效果，而采用简单的多元线性回归方法相对误差在10%以上。此后，基于神经网络的投药研究层出不穷。方荣业等[7]针对城镇污水厂PAC投加系统，建立了BP神经网络前馈预测-PID反馈控制的PAC自动投加控制统，证明该系统具有较强的自适应能力和较高的控制精度，出水CODMn达标率较人工控制提高了8.88%，活性炭日均消耗量削减了16.61%，取得了较好的经济效益。神经网络算法有能力利用实际运行数据进行学习，通过建立臭氧投加量预测模型，进一步探索基于数据驱动的、能够进行在线学习的臭氧投加系统，在智慧水务的背景下，该项研究对于探索大数据技术在水务行业的应用是一项创新的尝试。

1 材料与方法

1.1 水厂工艺流程

T水厂位于浙江省，设计供水能力为20万m3/d，处理工艺流程包括预处理、常规处理和深度处理，其中，常规处理包括混凝、沉淀、砂滤和氯消毒，预处理为预臭氧化，深度处理为臭氧-活性炭工艺。工艺流程如图1所示。

图1 水厂工艺流程图Fig.1 Process of Water Treatment Plant

1.2 试验水质

试验原水为东太湖水，试验期间内原水的水质情况如表1所示。

1.3 检测方法

浑浊度采用Hach 2100Q型便携式浊度仪测定；CODMn采用酸性高锰酸钾法测定；UV254采用T6新世纪紫外可见光分光光度计测定；DOC采用TOC-LCPH总有机碳分析仪测定；NH3-N采用纳式试剂比色法测定。

表1 原水水质Tab.1 Water Quality Parameters

1.4 模型建立

BP神经网络的作用是在给定进水水质条件下，对出水水质或臭氧投加量进行预测。通过BP网络的输出值与实际出水水质或实际臭氧投加量进行比较，不断对网络权值进行调整，使得误差达到最小，尽可能逼近实际结果。利用神经网络的逼近能力及内差和外推的良好特性，精确预测各种不同进水条件下的出水水质和臭氧投加量。

为了解决同一数据集中不同的变量数量级不统一的问题，对数据采取离差标准化处理，将所有的值均映射到0～1，削弱了异常值对整体样本的影响。离差标准化采用式(1)。

(1)

其中：min(x)——样本的最小值；

max(x)——样本的最大值；

Y(x)——x的离差标准化值。

隐含层节点数对神经网络的学习效果非常重要，最佳隐含层的节点数q参考式(2)进行计算。

(2)

其中：M——输入节点数；

L——输出节点数；

C——1～10的常数。

本次神经网络模型建立试验研究，针对预臭氧工艺分为预臭氧出水水质预测和预臭氧投加量预测两部分。出水水质预测神经网络结构图如图2所示，模型以预臭氧投加量、预臭氧进水流量、浑浊度、CODMn、UV254、DOC、NH3-N作为输入参数，以预臭氧出水浑浊度、CODMn、UV254、DOC作为输出参数，预测模型采用3层BP神经网络，其中输入层神经元数为7个，隐含层神经元数为10个，输出层神经元数为5个。

图2 预臭氧出水水质预测神经网络结构Fig.2 Neural Network Structure of Pre-Ozonation Effluent Quality Prediction

预臭氧投加量预测神经网络结构图如图3所示，以预臭氧进水流量、浑浊度、CODMn、UV254、DOC、NH3-N以及预臭氧预期出水浑浊度、CODMn、UV254、DOC作为输入参数，以预臭氧投加量为输出参数，预测模型采用3层BP神经网络，其中输入层神经元数为9个，隐含层神经元数为11个，输出层神经元数为1个。

图3 预臭氧投加量预测神经网络结构Fig.3 Neural Network Structure of Pre-Ozone Dosage Prediction

本次建模研究从T水厂实际生产运行中选择150组数据作为样本，从中随机选取120组作为训练数据样本，15组作为验证数据样本，15组作为测试数据样本。

2 结果与讨论

2.1 相关性分析

分析各水质变量与预臭氧投加量的关系，采用Pearson相关系数、Spearman秩相关系数和Kendall相关系数进行分析。

Pearson相关系数是线性回归中最常见的相关系数，绝对值越大，说明两个变量之间的线性相关性越大。Spearman秩相关系数不仅能衡量线性相关关系，还可以衡量两个变量的递增和递减关系，且异常值对其的影响较小。Kendall相关系数与Spearman秩相关系数类似，表达两个变量序列之间的排序关系。

预臭氧投加量与进水水质参数的相关系数如表2所示。由表2可知，同一参数使用3个不同的相关系数得到的变量相关性大小虽有不同，但很接近。预臭氧投加量与进水浑浊度、CODMn、DOC、UV254和NH3-N呈正相关，其中进水浑浊度、CODMn和DOC对预臭氧投加量影响较大。这是由于这些水质指标代表着水中有机物的含量，而臭氧能够改变水中有机物的官能团，对有机物中的不饱和键进行选择性氧化，将大分子有机物的结构破坏使其分解为小分子有机物[8]。预臭氧投加量与进水流量呈弱负相关，这是由于夏季流量较大时，进水水质较好，所需的预臭氧投加量较小，而冬季进水流量较小时，进水有机物含量较高，所需预臭氧投加量较大。

表2 预臭氧投加量与进水水质的相关系数Tab.2 Correlation Coefficient between Ozone Dosage and Influent Water Quality

2.2 水质预测模型

建立1.4所述的T水厂预臭氧出水水质参数预测的BP网络模型，经过仿真模拟，结果如图4所示。拟合整体的相关系数为0.991 9，训练集的相关系数为0.995 2，测试集的相关系数为0.977 1，均方根误差RMSE=0.014 9，可知，本模型能较好地根据预臭氧进水水质和预臭氧投加量拟合预臭氧出水水质情况。

图4 出水水质预测模型训练情况Fig.4 Training Results of Effluent Water Quality Prediction Model

样本集中的15组数据经过模拟后得到的水质指标的预测值与实际值的对比如图5所示。

图5 水质参数预测值与实际值的结果 (a)浑浊度； (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

由图5可知，各水质指标的预测值和实际值呈现相同的变化趋势，并且有着一定的预测精度。测试集的15组数据经神经网络模型拟合后，浑浊度的拟合程度最好，预测值与实际值相对误差的绝对值基本在10%以内。代表有机物含量的CODMn、DOC以及UV254的拟合度也相对较好，基本在20%以内。NH3-N的预测值和实际值的拟合程度相比另外4个水质指标较差，测试集中超过一般的样本预测值相对误差基本都在25%以上，误差最大值为48.6%，主要是原水NH3-N浓度较低，且投加臭氧的主要目的并不是去除水中的NH3-N，因而导致拟合误差偏大。

2.3 臭氧投加量预测模型

建立1.4中所述的T水厂预臭氧投加量预测的BP网络模型，经仿真模拟，结果如图6所示。拟合整体的相关系数为0.892 3，训练集的相关系数为0.919 4，测试集的相关系数为0.793 5，说明通过输入水质参数的现状值和预期值，可以建立其与预臭氧投加量间的联系，本预测模型测试集的相关系数相比训练集较低，但整体仍有较好的拟合效果和预测精度。在训练次数为132次时，校正均方根误差RMSE达到最小，为0.013 9，此时，训练集和测试集的RMSE也已稳定到了一定的低值，分别为0.012 0和0.014 9。可见，BP神经网络模型具有良好的自学习能力，而且模型的泛化性能高。

图6 臭氧投加量预测模型训练情况Fig.6 Training Results of Ozone Dosage Prediction Model

样本集中的15组数据经过模拟后得到的预臭氧投加量的预测值，与实际值的对比如图7所示。

图7 臭氧投加量预测值与实际值的结果Fig.7 Comparison of Ozone Dosage Predictions and Real Values

由图7可知，预测模型在给定的进水工艺条件和预期的出水水质条件下，能够较好地预测臭氧的投加量。测试集的15组数据经神经网络模型拟合后，与实际值的相对误差的绝对值最大为25.5%，最小为3.63%，其中8组预测值与实际值的偏差在10%以内。预臭氧投加量较大时的预测精度大于投加量较小时，当预臭氧投加量大于1 mg/L时，预测值与实际值的相对误差均在6%以内。因此，本模型对于预臭氧投加量的预测有着较好的精度，若基于更多数据进行预测，能有更好的预测准确性。

2.4 模型应用

T水厂采用东太湖水作为原水，2019年原水浑浊度平均值为44.1 NTU，CODMn平均值为3.98 mg/L，DO平均值为8.9 mg/L，BOD5平均值为2.84 mg/L，NH3-N平均值为0.25 mg/L。原水曾因上游养殖废水的排放，原水中溴离子浓度较高。现原水上游养殖场已关闭，溴离子浓度有了大幅下降，经检测，2019年T水厂原水平均溴离子浓度为41.7 μg/L，当臭氧浓度较高时，依旧存在一定的溴酸盐生成风险。根据T水厂实际生产运行情况，对其臭氧投加系统进行优化。根据原水溴离子浓度和高锰酸盐指数情况，综合考虑有机物去除和预防溴酸盐生成，拟定T水厂总臭氧投加量为1.5 mg/L，其中预臭氧投加量通过BP神经网络模型确定，后臭氧投加量为总臭氧投加量减去预臭氧投加量。控制流程如图8所示。

图8 臭氧投加控制系统图Fig.8 Ozone Dosing Control System

由于水厂在线检测仪器仅能在线检测浑浊度、CODMn，无法在线检测UV254、DOC等指标，而CODMn与UV254、DOC都可以代表水中有机物的含量。由2.1节可知，臭氧投加量与该3项水质指标的相关系数接近，因此，在水厂运行控制中采用CODMn作为有机物指标即可。基于BP神经网络的臭氧投加量模型，以进水流量、进水浑浊度和进水CODMn作为输入，并设定预期的预臭氧出水浑浊度和CODMn，基于神经网络预测模型计算得到所需预臭氧投加量，将控制指令信号传输至臭氧制备车间的投加控制系统中，投加控制系统对预臭氧和后臭氧接触池进行臭氧投加。

T水厂仅在原水进水端安装浑浊度和CODMn在线检测仪，未在后臭氧接触池前安装在线检测装置，因而，本BP神经网络预测模型仅针对预臭氧工艺。后续若条件允许，将进行基于BP神经网络的后臭氧投加量的预测，进一步完善水厂臭氧投加量自动化控制系统。

3 结论

(1)根据相关性分析，进水流量与臭氧投加量呈负相关，进水浑浊度、CODMn、DOC、UV254、NH3-N与臭氧投加量呈正相关，其中CODMn、DOC、UV254的相关系数更大。

(2)运用BP神经网络建立出水水质系统预测模型和臭氧投加量预测模型，通过输入臭氧投加量和进水水质参数，可以预测出水水质情况，也可通过输入进水水质参数和预期出水参数来预测臭氧投加量。在给定的工艺参数条件下，都有着较高的预测精度，相关系数和均方误差较好，说明该模型具有良好的泛化能力，能满足水处理预测的实际要求，对在线控制有指导意义。

(3)将来可应用臭氧投加量预测模型建立臭氧投加控制系统，为臭氧—活性炭深度处理运行的自动化控制提出了新的理论思路。