混凝剂投加控制方法、装置及存储介质

技术领域

本申请涉及水处理技术领域，具体涉及一种混凝剂投加控制方法、装置及存储介质。

背景技术

自来水厂的源水通常取自江河湖泊里的天然水，其中经常含有很多细小的悬浮物、胶体物质等，在进行水处理的过程中，需要去除这些悬浮物，通常采用投加明矾或者硫酸铝等混凝剂，使这些杂质聚集成矾花，形成较大的颗粒而沉淀分离出来，其直接表现为将源水的浊度降低到后续工艺需要的范围内。

目前自来水厂的混凝剂的投加操作，基本依赖于操作人员的经验来对混凝剂投加量进行控制，药剂投加到反应沉淀池的进水端后，需要经过2-3小时才能在反应沉淀池的末端，通过观察浊度变化来判断投加药剂的量是否合适，也即混凝剂投加操作是一个大滞后的工艺，该大滞后工艺会使混凝剂控制难度加大，效果不稳定，改变药剂投加量后，2-3小时才能知道改变的投加量是否能使反应沉淀池末端浊度控制在目标范围内，且沉淀池的出水浊度存在较大幅度的波动，控制效果波动较大，混凝剂的消耗量也存在浪费的现象。

发明内容

本申请实施例提供一种混凝剂投加控制方法、系统、计算机设备及介质，以解决混凝剂控制难度大、控制效果不稳定的技术问题。

一方面，本申请提供一种混凝剂投加控制方法，

获取目标沉淀池在当前周期的实时水质数据，所述实时水质数据包括混凝剂实时投加量和出水浊度，其中，所述出水浊度为所述目标沉淀池末端的浊度；

根据所述实时水质数据确定所述目标沉淀池在当前周期的当前工况类型；

根据预设的工况类型标识与混凝剂投加控制模型的对应关系表，确定所述当前工况类型对应的目标混凝剂投加控制模型，其中，所述混凝剂投加控制模型是利用大数据技术和基于罗克韦尔的过程控制模型构建工具构建得到；

将所述实时水质数据输入所述目标混凝剂投加控制模型，所述目标混凝剂投加控制模型输出当前周期的第一投加量和预测浊度；当检测到下一周期的实时水质数据时，基于所述下一周期的实时水质数据、所述第一投加量、所述预测浊度和预设浊度变化趋势，对所述下一周期的实时水质数据进行更新，将更新后的实时水质数据作为所述下一周期的实时水质数据，继续执行所述根据所述实时水质数据确定所述目标沉淀池在当前周期的当前工况类型的步骤。

一方面，本申请提供一种混凝剂投加量控制装置，包括：

获取模块，用于获取目标沉淀池在当前周期的实时水质数据，所述实时水质数据包括混凝剂实时投加量和出水浊度，其中，所述出水浊度为所述目标沉淀池末端的浊度；

第一确定模块，用于根据所述实时水质数据确定所述目标沉淀池在当前周期的当前工况类型；

第二确定模块，用于根据预设的工况类型标识与混凝剂投加控制模型的对应关系表，确定所述当前工况类型对应的目标混凝剂投加控制模型，其中，所述混凝剂投加控制模型是利用大数据技术和基于罗克韦尔的过程控制模型构建工具构建得到；

预测模块，用于将所述实时水质数据输入所述目标混凝剂投加控制模型，所述目标混凝剂投加控制模型输出当前周期的第一投加量和预测浊度，并获取所述目标沉淀池在当前周期的出水浊度；

循环预测模块，用于当检测到下一周期的实时水质数据时，基于所述下一周期的实时水质数据、所述第一投加量、所述预测浊度和预设浊度变化趋势，对所述下一周期的实时水质数据进行更新，将更新后的实时水质数据作为所述下一周期的实时水质数据，继续执行所述根据所述实时水质数据确定所述目标沉淀池在当前周期的当前工况类型的步骤。

一方面，本申请提供一种计算机设备，所述计算机设备包括存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，所述处理器执行计算机程序时实现上述混凝剂投加控制方法中的步骤。

一方面，本申请提供一种计算机可读介质，所述计算机可读介质存储有计算机程序，所述计算机程序被处理器执行时实现上述混凝剂投加控制方法中的步骤。

本申请实施例提供了一种混凝剂投加控制方法，该方法通过获取目标沉淀池在当前周期的实时水质数据，实时水质数据包括混凝剂实时投加量和出水浊度，其中，出水浊度为目标沉淀池末端的浊度；根据实时水质数据确定目标沉淀池在当前周期的当前工况类型；根据预设的工况类型标识与混凝剂投加控制模型的对应关系表，确定当前工况类型对应的目标混凝剂投加控制模型，其中，混凝剂投加控制模型是利用大数据技术和基于罗克韦尔的过程控制模型构建工具构建得到；将实时水质数据输入目标混凝剂投加控制模型，目标混凝剂投加控制模型输出当前周期的第一投加量和预测浊度；当检测到下一周期的实时水质数据时，基于下一周期的实时水质数据、第一投加量、预测浊度和预设浊度变化趋势，对下一周期的实时水质数据进行更新，将更新后的实时水质数据作为下一周期的实时水质数据，继续执行根据实时水质数据确定目标沉淀池在当前周期的当前工况类型的步骤，本申请中，根据目标沉淀池的工况类型，采用相对应的混凝剂投加控制模型对混凝剂投加量进行预测，充分考虑了不同工况中混凝剂投加量对混凝效果的影响，使得预测的第一投加量更为精准，同时，利用混凝剂投加控制模型预测第一投加量，将混凝剂投加工艺中的滞后时间计算到了模型当中，能够根据影响因素的变化，预测混凝剂投加量，确保在达到混凝效果的同时，使混凝剂的投加量尽量少，提升了混凝剂投加控制效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

其中：

图1为一个实施例中混凝剂投加控制方法的流程图；

图2为一个实施例中混凝剂投加量控制装置的结构框图；

图3为一个实施例中计算机设备的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，在一个实施例中，提供了一种混凝剂投加控制方法，该基于混凝剂投加控制方法既可以应用于终端，也可以应用于服务器，本实施例以应用于服务器举例说明。该混凝剂投加控制方法具体包括以下步骤：

步骤102，获取目标沉淀池在当前周期的实时水质数据，所述实时水质数据包括混凝剂实时投加量和出水浊度，其中，所述出水浊度为所述目标沉淀池末端的浊度。

其中，目标沉淀池是指自来水厂进行混凝剂投加的反应沉淀池。当前周期是指当前执行混凝剂投加的时段。实时水质数据是指目标沉淀池在当前周期的与水质相关的实时数据，如沉淀池进水端的进水流量、液体温度、液体PH值、进水浊度、沉淀池末端的出水浊度，以及混凝剂实时投加量，其中的出水浊度为目标沉淀池末端的浊度，混凝剂实时投加量是指在当前周期，向目标沉淀池中投加混凝剂的数量，该混凝剂实时投加量可以是预先通过预测模型预测确定，也可以预先设定。实时水质数据中的其他数据可以通过相关的检测设备采集，如，进水浊度可以是通过目标沉淀池前端安装的浊度检测仪检测得到。也可以对采集到的数据进行预处理，如去除异常值等，作为本实施例的优选，对采集到的数据进行预处理，以提高实时水质数据的准确性。

可以理解地，本实施例中，通过获取目标沉淀池在当前周期的实时水质数据，且实时水质数据包括混凝剂实时投加量和出水浊度，以使得出水浊度作为反馈数据对混凝剂实时投加量进行预测分析，提高混凝剂投加量预测的准确性。

步骤104，根据所述实时水质数据确定所述目标沉淀池在当前周期的当前工况类型。

其中，当前工况类型是指正在进行混凝剂投加控制时，目标沉淀池的水处理生产过程的工况类型，如高温高浊工况，即温度较高且浊度较高的工况、高温低浊工况，即温度较高且浊度较低的工况等。

具体地，可以根据目标沉淀池的水质情况确定当前工况类型，示例性地，可以根据实时水质数据与工况类型的水质数据的阈值进行分析，判定当前工况类型。可以理解地，由于自来水厂在投矾加药的过程中，混凝剂投加量的大小、目标反应沉淀池混凝效果的好坏，在不同的工况下，存在着较大的差异，因此，本实施例根据实时水质数据确定目标沉淀池在当前周期的当前工况类型，以便后续针对不同的当前工况类型，采取不同的混凝剂投加策略，有利于提高混凝剂投加控制效率。

步骤106，根据预设的工况类型标识与混凝剂投加控制模型的对应关系表，确定所述当前工况类型对应的目标混凝剂投加控制模型，其中，所述混凝剂投加控制模型是利用大数据技术和基于罗克韦尔的过程控制模型构建工具构建得到。

其中，混凝剂投加控制模型是指用于执行混凝剂投加控制的过程控制模型，该过程控制模型可以是数学模型、模糊模型或者神经网络模型等。作为本实施例的优选，采用大数据技术和基于罗克韦尔的过程控制模型（Rockwell公司的模型预测专用控制模块）构建工具构建混凝剂投加控制模型，以利用过程模型考虑当前时刻t以后的一段时间内的过程特性，选择给定输入的未来变化规律，使得预测响应能够更好地满足控制目标的特点，提高混凝剂投加控制模型对目标沉淀池的混凝剂投加控制效果。

预设的工况类型标识与混凝剂投加控制模型的对应关系表是指预先配置的各个工况类型与各自对应的混凝剂投加控制模型的映射表，该对应关系表记录了工况类型标识与混凝剂投加控制模型的标识对应关系。目标混凝剂投加控制模型是指与当前工况类型对应的混凝剂投加控制模型。

具体地，根据当前工况类型，从对应关系表中查找对应的当前工况类型标识，并将当前工况类型标识对应的混凝剂投加控制模型确定为目标混凝剂投加控制模型。本实施例中，根据当前工况类型确定对应的目标混凝剂投加控制模型，从而确保目标混凝剂投加控制模型更为适配当前工况类型对应的生产过程，使得后续的混凝剂投加控制更有针对性，提高混凝剂投加控制的精准性。

步骤108，将所述实时水质数据输入所述目标混凝剂投加控制模型，所述目标混凝剂投加控制模型输出当前周期的第一投加量和预测浊度。

其中，第一投加量是一种外部参数，是指在当前周期时，目标沉淀池中需要投加的混凝剂数量的预测值，预测浊度是一种内部参数，是指在当前周期时，目标沉淀池的出水浊度的预测值，用于在下个周期，判断预测结果准确度的一个参考因素。

具体地，将实时水质数据作为目标混凝剂投加控制模型的输入，目标混凝剂投加控制模型输出第一投加量和预测浊度。

步骤110，当检测到下一周期的实时水质数据时，基于所述下一周期的实时水质数据、所述第一投加量、所述预测浊度和预设浊度变化趋势，对所述下一周期的实时水质数据进行更新，将更新后的实时水质数据作为所述下一周期的实时水质数据，继续执行所述根据所述实时水质数据确定所述目标沉淀池在当前周期的当前工况类型的步骤。

其中，预设浊度变化趋势是预先设定的用于判断预测浊度和实时水质数据中的出水浊度之间的变化趋势是否满足一定的条件（例如是否收敛）的浊度变化率的临界值，如0.5%至1%。

具体地，当检测到下一周期的实时水质数据时，根据下一周期的实时水质数据中的出水浊度、预测浊度和预设浊度变化趋势，根据第一投加量对下一周期的实时水质数据中的混凝剂实时投加量进行更新，得到更新后的混凝剂实时投加量，基于更新后的混凝剂实时投加量和下一周期的实时水质数据，得到更新后的实时水质数据，作为下一周期的实时水质数据，并继续重复步骤104-步骤108，即继续根据下一周期的实时水质数据，确定对应的第一投加量，并按照第一投加量进行混凝剂投加控制，实现对目标沉淀池的混凝剂投加控制，本实施例中，根据目标沉淀池的工况类型，采用相对应的混凝剂投加控制模型对混凝剂投加量进行预测，充分考虑了不同工况中混凝剂投加量对混凝效果的影响，使得预测的第一投加量更为精准，同时，利用混凝剂投加控制模型预测第一投加量，将混凝剂投加工艺中的滞后时间计算到了模型当中，能够根据影响因素的变化，预测混凝剂投加量，确保在达到混凝效果的同时，使混凝剂的投加量尽量少，提升了混凝剂投加控制效果。

上述混凝剂投加控制方法，获取目标沉淀池在当前周期的实时水质数据，实时水质数据包括混凝剂实时投加量和出水浊度，其中，出水浊度为目标沉淀池末端的浊度；根据实时水质数据确定目标沉淀池在当前周期的当前工况类型；根据预设的工况类型标识与混凝剂投加控制模型的对应关系表，确定当前工况类型对应的目标混凝剂投加控制模型，其中，混凝剂投加控制模型是利用大数据技术和基于罗克韦尔的过程控制模型构建工具构建得到；将实时水质数据输入目标混凝剂投加控制模型，目标混凝剂投加控制模型输出当前周期的第一投加量和预测浊度；当检测到下一周期的实时水质数据时，基于下一周期的实时水质数据、第一投加量、预测浊度和预设浊度变化趋势，对下一周期的实时水质数据进行更新，将更新后的实时水质数据作为下一周期的实时水质数据，继续执行根据实时水质数据确定目标沉淀池在当前周期的当前工况类型的步骤，根据目标沉淀池的工况类型，采用相对应的混凝剂投加控制模型对混凝剂投加量进行预测，充分考虑了不同工况中混凝剂投加量对混凝效果的影响，使得预测的第一投加量更为精准，同时，利用混凝剂投加控制模型预测第一投加量，将混凝剂投加工艺中的滞后时间计算到了模型当中，能够根据影响因素的变化，预测混凝剂投加量，确保在达到混凝效果的同时，使混凝剂的投加量尽量少，提升了混凝剂投加控制效果。

在一个实施例中，所述基于所述下一周期的实时水质数据、所述第一投加量、所述预测浊度和预设浊度变化趋势，对所述下一周期的实时水质数据进行更新，将更新后的实时水质数据作为所述下一周期的实时水质数据，包括：确定所述出水浊度与所述预测浊度之间的当前浊度变化趋势；根据所述当前浊度变化趋势与所述预设浊度变化趋势，对所述第一投加量进行修正，得到修正后的第一投加量，将所述修正后的第一投加量作为所述下一周期的混凝剂实时投加量，得到更新后的实时水质数据；将更新后的实时水质数据作为所述下一周期的实时水质数据。

具体地，计算出水浊度与预测浊度的差值，将该差值的绝对值与出水浊度的比值，作为当前浊度变化趋势，若当前浊度变化趋势小于或者等于预设浊度变化趋势，则将第一投加量作为修正后的投加量，若当前浊度变化趋势小于或者等于预设浊度变化趋势，则按照预设修正规则对第一投加量进行修正，其中的预设修正规则可以是根据出水浊度与预测浊度之间的变化方向和变化大小，对第一投加量进行一定幅度的增加或者减少，得到修正后的第一投加量，将所修正后的第一投加量作为下一周期的混凝剂实时投加量，也即实现了对下一周期的混凝剂实时投加量的修正，提高了下一周期的实时水质数据的准确性。

在一个实施例中，所述实时水质数据包括液体温度和进水浊度，所述进水浊度为输入所述目标沉淀池的液体浊度；所述根据所述实时水质数据确定所述目标沉淀池在当前周期的当前工况类型，包括：获取预设的工况阈值数据，所述工况阈值数据包括温度上限值、温度下限值、浊度上限值、浊度下限值；若所述液体温度小于或等于所述温度下限值，且所述进水浊度小于或等于所述浊度下限值，判定所述当前工况类型为低温低浊工况；若所述液体温度小于或等于所述温度下限值，且所述进水浊度大于或等于所述浊度上限值，判定所述当前工况类型为低温高浊工况；若所述液体温度大于所述温度下限值且小于所述温度上限值，或，所述进水浊度大于所述浊度下限值且小于所述浊度上限值，判定所述当前工况类型为常温或常浊工况；若所述液体温度大于或等于所述温度上限值，且所述进水浊度小于或等于所述浊度下限值，判定所述当前工况类型为高温低浊工况；若所述液体温度大于或等于所述温度上限值，且所述进水浊度大于或等于所述浊度上限值，判定所述当前工况类型为高温高浊工况。

其中，预设的工况阈值数据包括温度上限值、温度下限值、浊度上限值、浊度下限值，如温度上限值为30℃、温度下限值为10℃、浊度上限值为100NTU、浊度上限值为20NTU。

具体地，根据液体温度、进水浊度和工况阈值数据确定目标沉淀池的当前工况类型。其中，当前工况类型分为五种，分别是常温或常浊工况、高温高浊工况、高温低浊工况、低温高浊工况、低温低浊工况。

在一个示例中，以上述工况阈值数据为例，五种工况类型分别如下：

低温低浊工况：当液体温度小于或等于10℃，且进水浊度小于或等于20NTU，判定当前工况类型为低温低浊工况，此时水体中颗粒碰撞速率大大减少，布朗运动缓慢，混凝效果差，水体中的颗粒悬浮物很难通过混凝沉淀去除。此时单纯通过加大混凝剂投加量，无法起到改善混凝效果的作用，此时需要自来水厂结合自身特点通过其他处理方法来降低目标反应沉淀池的水体浊度，达到预期混凝效果。

低温高浊工况：当液体温度小于或等于10℃，且进水浊度大于或等于100NTU，判定当前工况类型为低温高浊工况，此时水体中颗粒或者悬浮物较大或者浓度较高。通过加大混凝剂投加量，可以使水体的浊度下降到一定的水平，但是此时的浊度达到了低温低浊工况的特点，需要按照低温低浊工况的处理方法进行处理才能达到预期的混凝效果。

常温或常浊工况：若液体温度大于10℃且小于30℃，或，进水浊度大于20NTU且小于100NTU，此时最适宜水体中的颗粒或者悬浮物进行布朗运行，然后絮凝沉淀。常温或常浊工况也是自来水厂进行投矾混凝的常规工况，此时根据源水浊度的变化，调节混凝剂投加量的大小，即可达到较好的混凝效果。

高温低浊工况：当液体温度大于或等于30℃，且进水浊度小于或等于20NTU，判定当前工况类型为高温低浊工况，此时水体中的颗粒或者悬浮物的布朗运行增强，混凝效果也会比常温时增强，此时相较于常温或者常浊工况，投加少量的混凝剂，即可达到预期的混凝效果。

高温高浊工况：若液体温度大于或等于30℃，且进水浊度大于或等于100NTU，判定当前工况类型为高温高浊工况，此时水体中的颗粒或者悬浮物的布朗运行增强，但同时也增加了絮体发生碰撞破碎的概率，因此只有通过加大混凝剂投加量，使水体的浊度下降到低浊的水平后，才能使工况达到高温低浊工况的特点，此时按照高温低浊工况时混凝剂的投加操作，即可达到预期的混凝效果。

在一个实施例中，所述根据预设的工况类型标识与混凝剂投加控制模型的对应关系表，确定所述当前工况类型对应的目标混凝剂投加控制模型，包括：若所述当前工况类型为所述低温低浊工况，确定所述目标混凝剂投加控制模型为第一混凝剂投加控制模型，所述第一混凝剂投加控制模型为基于物理法配置的混凝剂投加控制模型；若所述当前工况类型为所述低温高浊工况，确定所述目标混凝剂投加控制模型为第二混凝剂投加控制模型，所述第二混凝剂投加控制模型包括第一混凝剂投加量控制模型和所述第一混凝剂投加控制模型，所述第一混凝剂投加量控制模型是采用基于罗克韦尔的第一过程控制模型构建得到，所述第一过程控制模型包括第一传递函数；若所述当前工况类型为所述常温或常浊工况，确定所述目标混凝剂投加控制模型为第三混凝剂投加控制模型，所述第三混凝剂投加控制模型是采用基于罗克韦尔的第二过程控制模型构建得到，所述第二过程控制模型包括第二传递函数；若所述当前工况类型为所述高温低浊工况，确定所述目标混凝剂投加控制模型为第四混凝剂投加控制模型，所述第四混凝剂投加控制模型包括第二混凝剂投加量控制模型和所述第三混凝剂投加控制模型，第二混凝剂投加量控制模型是采用基于罗克韦尔的第三过程控制模型构建得到，所述第三过程控制模型包括第三传递函数；若所述当前工况类型为所述高温高浊工况，确定所述目标混凝剂投加控制模型为第五混凝剂投加控制模型，所述第五混凝剂投加控制模型包括所述高浊第三混凝剂投加量控制模型和所述第四混凝剂投加控制模型，所述第三混凝剂投加量控制模型是采用基于罗克韦尔的第四过程控制模型构建得到，所述第四过程控制模型包括第四传递函数。

其中，第一传递函数、第二传递函数、第三传递函数、第四传递函数可是一阶函数，如

具体地，若当前工况类型为低温低浊工况，确定目标混凝剂投加控制模型为第一混凝剂投加控制模型，第一混凝剂投加控制模型为基于物理法配置的混凝剂投加控制模型，采用预先配置的物理方式进行混凝剂投加控制。

若当前工况类型为低温高浊工况，确定目标混凝剂投加控制模型为第二混凝剂投加控制模型，第二混凝剂投加控制模型包括第一混凝剂投加量控制模型和第一混凝剂投加控制模型，第一混凝剂投加量控制模型是采用基于罗克韦尔的第一过程控制模型构建得到，第一过程控制模型包括第一传递函数，通过第一混凝剂投加量控制模型确定混凝剂投加量，将低温高浊工况转化为低温低浊工况，然后，利用第一混凝剂投加控制模型进行混凝剂投加控制。

若当前工况类型为常温或常浊工况，确定目标混凝剂投加控制模型为第三混凝剂投加控制模型，第三混凝剂投加控制模型是采用基于罗克韦尔的第二过程控制模型构建得到，第二过程控制模型包括第二传递函数。

若当前工况类型为所述高温低浊工况，确定目标混凝剂投加控制模型为第四混凝剂投加控制模型，第四混凝剂投加控制模型包括第二混凝剂投加量控制模型和第三混凝剂投加控制模型，第二混凝剂投加量控制模型是采用基于罗克韦尔的第三过程控制模型构建得到，第三过程控制模型包括第三传递函数，通过第二混凝剂投加量控制模型确定混凝剂投加量，将高温低浊工况转化为常温或常浊工况，然后，利用第三混凝剂投加控制模型进行混凝剂投加控制。

若当前工况类型为高温高浊工况，确定目标混凝剂投加控制模型为第五混凝剂投加控制模型，第五混凝剂投加控制模型包括高浊第三混凝剂投加量控制模型和第四混凝剂投加控制模型，所述第三混凝剂投加量控制模型是采用基于罗克韦尔的第四过程控制模型构建得到，第四过程控制模型包括第四传递函数，通过第三混凝剂投加量控制模型确定混凝剂投加量，将高温高浊工况转化为高温低浊工况，然后，利用第四混凝剂投加控制模型进行混凝剂投加控制。

在一个实施例中，在所述根据预设的工况类型标识与混凝剂投加控制模型的对应关系表之前，还包括：针对所述低温低浊工况，预先配置投加策略，将所述配置的投加策略作为所述第一混凝剂投加控制模型；获取所述低温高浊工况、常温或常浊工况、高温低浊工况和高温低浊工况下，各自对应的历史水质数据集，每个所述历史水质数据集包括多个时序周期对应的多个历史水质数据，每个所述历史水质数据包括混凝剂历史投加量、历史流量、历史浊度、历史温度、历史PH值和历史出水浊度；分别将各个历史水质数据集中的所述历史浊度、历史流量和历史温度作为干扰变量，将所述混凝剂历史投加量作为可控变量，以及将所述历史出水浊度作为受控变量，对基于罗克韦尔的过程控制模型进行学习，生成所述低温高浊工况、常温或常浊工况、高温低浊工况和高温低浊工况对应的部分模型/完整模型；基于所述部分模型/完整模型及所述第一混凝剂投加控制模型，生成所述低温高浊工况、常温或常浊工况、高温低浊工况和高温低浊工况各自对应的目标混凝剂投加控制模型。

其中，部分模型是指混凝剂投加控制模型中的子模型，完整模型是指多个混凝剂投加控制模型中的一种模型。

具体地，对于低温低浊工况，预先配置投加策略，将配置的投加策略作为所述第一混凝剂投加控制模型；获取低温高浊工况、常温或常浊工况、高温低浊工况和高温低浊工况下，各自对应的历史水质数据集，每个历史水质数据集包括多个时序周期对应的多个历史水质数据，每个历史水质数据包括混凝剂历史投加量、历史流量、历史浊度、历史温度、历史PH值和历史出水浊度；分别将各个历史水质数据集中的历史浊度、历史流量和历史温度作为干扰变量，将混凝剂历史投加量作为可控变量，以及将历史出水浊度作为受控变量，对基于罗克韦尔的过程控制模型进行学习，生成低温高浊工况、常温或常浊工况、高温低浊工况和高温低浊工况对应的部分模型/完整模型；基于部分模型/完整模型及第一混凝剂投加控制模型，生成低温高浊工况、常温或常浊工况、高温低浊工况和高温低浊工况各自对应的目标混凝剂投加控制模型。

在一个实施例中，所述基于罗克韦尔的过程控制模型，包括第一控制模型和第二控制模型；所述部分模型包括第一部分模型、第二部分模型和第三部分模型；所述分别将各个历史水质数据集中的所述历史浊度、历史流量和历史温度作为干扰变量，将所述混凝剂历史投加量作为可控变量，以及将所述历史出水浊度作为受控变量，对基于罗克韦尔的过程控制模型进行学习，生成所述低温高浊工况、常温或常浊工况、高温低浊工况和高温低浊工况对应的部分模型/完整模型，包括：将所述低温高浊工况对应的所述历史水质数据集中的所述历史浊度、历史流量和历史温度作为干扰变量，将所述混凝剂历史投加量作为可控变量，以及将所述历史出水浊度作为受控变量，对所述第一过程控制模型进行学习，生成所述第一部分模型，所述第一部分模型为所述第一混凝剂投加量控制模型；将所述常温或常浊工况对应的所述历史水质数据集中的所述历史浊度、历史流量和历史温度作为干扰变量，将所述混凝剂历史投加量作为可控变量，以及将所述历史出水浊度作为受控变量，对所述第二过程控制模型进行学习，生成所述完整模型；将所述高温低浊工况对应的所述历史水质数据集中的所述历史浊度、历史流量和历史温度作为干扰变量，将所述混凝剂历史投加量作为可控变量，以及将所述历史出水浊度作为受控变量，对所述第三过程控制模型进行学习，生成所述第二部分模型，所述第二部分模型为所述第二混凝剂投加量控制模型；将所述高温高浊工况对应的所述历史水质数据集中的所述历史浊度、历史流量和历史温度作为干扰变量，将所述混凝剂历史投加量作为可控变量，以及将所述历史出水浊度作为受控变量，对所述第四过程控制模型进行学习，生成所述第四部分模型，所述第四部分模型为所述第三混凝剂投加量控制模型。

具体地，将低温高浊工况对应的历史水质数据集中的历史浊度、历史流量和历史温度作为干扰变量，将混凝剂历史投加量作为可控变量，以及将历史出水浊度作为受控变量，对第一过程控制模型进行学习，生成第一部分模型；将常温或常浊工况对应的历史水质数据集中的历史浊度、历史流量和历史温度作为干扰变量，将混凝剂历史投加量作为可控变量，以及将历史出水浊度作为受控变量，对第二过程控制模型进行学习，生成完整模型；将高温低浊工况对应的历史水质数据集中的历史浊度、历史流量和历史温度作为干扰变量，将混凝剂历史投加量作为可控变量，以及将历史出水浊度作为受控变量，对第三过程控制模型进行学习，生成第二部分模型，第二部分模型为第二混凝剂投加量控制模型；将高温高浊工况对应的历史水质数据集中的历史浊度、历史流量和历史温度作为干扰变量，将混凝剂历史投加量作为可控变量，以及将历史出水浊度作为受控变量，对第四过程控制模型进行学习，生成第四部分模型，第四部分模型为第三混凝剂投加量控制模型。

在一个实施例中，所述基于所述部分模型/完整模型及所述第一混凝剂投加控制模型，生成所述低温高浊工况、常温或常浊工况、高温低浊工况和高温低浊工况各自对应的目标混凝剂投加控制模型，包括：将所述第一部分模型和所述第一混凝剂投加控制模型进行级联，生成所述第二混凝剂投加控制模型；将所述完整模型确定为所述第三混凝剂投加控制模型；将所述第二部分模型和所述完整模型进行级联，生成所述第四混凝剂投加控制模型；将所述第三部分模型和所述第四混凝剂投加控制模型进行级联，生成所述第五混凝剂投加控制模型。

具体地，将第一部分模型和第一混凝剂投加控制模型进行级联，生成第二混凝剂投加控制模型；将完整模型确定为第三混凝剂投加控制模型；将第二部分模型和完整模型进行级联，生成第四混凝剂投加控制模型；将第三部分模型和第四混凝剂投加控制模型进行级联，生成第五混凝剂投加控制模型。

在一个实施例中，所述获取目标沉淀池在当前周期的实时水质数据，包括：采集当前周期的第一水质数据，并获取下一周期的第二水质数据；计算所述第一水质数据和所述第二水质数据之间的变化率；若所述变化率在预设变化率阈值内，将所述第一水质数据作为所述当前周期的实时水质数据；若所述变化率不在预设变化率阈值内，根据预设的数据变化速度和所述第二水质数据的变化方向，确定所述实时水质数据。

具体地，采集当前周期的第一水质数据，并获取下一周期的第二水质数据，计算第一水质数据和所述第二水质数据之间的变化率；若变化率在预设变化率阈值内，将第一水质数据作为所述当前周期的实时水质数据；若变化率不在预设变化率阈值内，根据预设的数据变化速度和第二水质数据的变化方向，确定实时水质数据，从而避免进行采集的第一水质数据可能存在异常导致实时水质数据不准确的问题，提高了实时水质数据的准确性。

如图2所示，在一个实施例中，提出了一种混凝剂投加量控制装置，包括：

获取模块202，用于获取目标沉淀池在当前周期的实时水质数据，所述实时水质数据包括混凝剂实时投加量和出水浊度，其中，所述出水浊度为所述目标沉淀池末端的浊度；

第一确定模块204，用于根据所述实时水质数据确定所述目标沉淀池在当前周期的当前工况类型；

第二确定模块206，用于根据预设的工况类型标识与混凝剂投加控制模型的对应关系表，确定所述当前工况类型对应的目标混凝剂投加控制模型，其中，所述混凝剂投加控制模型是利用大数据技术和基于罗克韦尔的过程控制模型构建工具构建得到；

预测模块208，用于将所述实时水质数据输入所述目标混凝剂投加控制模型，所述目标混凝剂投加控制模型输出当前周期的第一投加量和预测浊度，并获取所述目标沉淀池在当前周期的出水浊度；

循环预测模块210，用于当检测到下一周期的实时水质数据时，基于所述下一周期的实时水质数据、所述第一投加量、所述预测浊度和预设浊度变化趋势，对所述下一周期的实时水质数据进行更新，将更新后的实时水质数据作为所述下一周期的实时水质数据，继续执行所述根据所述实时水质数据确定所述目标沉淀池在当前周期的当前工况类型的步骤。

在一个实施例中，循环预测模块包括：

第一确定单元，用于确定所述出水浊度与所述预测浊度之间的当前浊度变化趋势；

修正单元，用于根据所述当前浊度变化趋势与所述预设浊度变化趋势，对所述第一投加量进行修正，得到修正后的第一投加量，将所述修正后的第一投加量作为所述下一周期的混凝剂实时投加量，得到更新后的实时水质数据；

第二确定单元，用于将更新后的实时水质数据作为所述下一周期的实时水质数据。

在一个实施例中，所述实时水质数据包括液体温度和进水浊度，所述进水浊度为输入所述目标沉淀池的液体浊度；第一确定模块包括：

第一获取单元，用于获取预设的工况阈值数据，所述工况阈值数据包括温度上限值、温度下限值、浊度上限值、浊度下限值；

第一判定单元，用于若所述液体温度小于或等于所述温度下限值，且所述进水浊度小于或等于所述浊度下限值，判定所述当前工况类型为低温低浊工况；

第二判定单元，用于若所述液体温度小于或等于所述温度下限值，且所述进水浊度大于或等于所述浊度上限值，判定所述当前工况类型为低温高浊工况；

第三判定单元，用于若所述液体温度大于所述温度下限值且小于所述温度上限值，或，所述进水浊度大于所述浊度下限值且小于所述浊度上限值，判定所述当前工况类型为常温或常浊工况；

第四判定单元，用于若所述液体温度大于或等于所述温度上限值，且所述进水浊度小于或等于所述浊度下限值，判定所述当前工况类型为高温低浊工况；

第五判定单元，用于若所述液体温度大于或等于所述温度上限值，且所述进水浊度大于或等于所述浊度上限值，判定所述当前工况类型为高温高浊工况。

在一个实施例中，第二确定模块包括：

第三确定单元，用于若所述当前工况类型为所述低温低浊工况，确定所述目标混凝剂投加控制模型为第一混凝剂投加控制模型，所述第一混凝剂投加控制模型为基于物理法配置的混凝剂投加控制模型；

第四确定单元，用于若所述当前工况类型为所述低温高浊工况，确定所述目标混凝剂投加控制模型为第二混凝剂投加控制模型，所述第二混凝剂投加控制模型包括第一混凝剂投加量控制模型和所述第一混凝剂投加控制模型，所述第一混凝剂投加量控制模型是采用基于罗克韦尔的第一过程控制模型构建得到，所述第一过程控制模型包括第一传递函数；

第五确定单元，用于若所述当前工况类型为所述常温或常浊工况，确定所述目标混凝剂投加控制模型为第三混凝剂投加控制模型，所述第三混凝剂投加控制模型是采用基于罗克韦尔的第二过程控制模型构建得到，所述第二过程控制模型包括第二传递函数；

第六确定单元，用于若所述当前工况类型为所述高温低浊工况，确定所述目标混凝剂投加控制模型为第四混凝剂投加控制模型，所述第四混凝剂投加控制模型包括第二混凝剂投加量控制模型和所述第三混凝剂投加控制模型，第二混凝剂投加量控制模型是采用基于罗克韦尔的第三过程控制模型构建得到，所述第三过程控制模型包括第三传递函数；

第七确定单元，用于若所述当前工况类型为所述高温高浊工况，确定所述目标混凝剂投加控制模型为第五混凝剂投加控制模型，所述第五混凝剂投加控制模型包括所述第三混凝剂投加量控制模型和所述第四混凝剂投加控制模型，所述第三混凝剂投加量控制模型是采用基于罗克韦尔的第四过程控制模型构建得到，所述第四过程控制模型包括第四传递函数。

在一个实施例中，该混凝剂投加量控制装置还包括：

第三确定模块，用于针对所述低温低浊工况，预先配置投加策略，将所述配置的投加策略作为所述第一混凝剂投加控制模型；

第一获取模块，用于获取所述低温高浊工况、常温或常浊工况、高温低浊工况和高温低浊工况下，各自对应的历史水质数据集，每个所述历史水质数据集包括多个时序周期对应的多个历史水质数据，每个所述历史水质数据包括混凝剂历史投加量、历史流量、历史浊度、历史温度、历史PH值和历史出水浊度；

第一生成模块，用于分别将各个历史水质数据集中的所述历史浊度、历史流量和历史温度作为干扰变量，将所述混凝剂历史投加量作为可控变量，以及将所述历史出水浊度作为受控变量，对基于罗克韦尔的过程控制模型进行学习，生成所述低温高浊工况、常温或常浊工况、高温低浊工况和高温低浊工况对应的部分模型/完整模型；

第二生成模块，用于基于所述部分模型/完整模型及所述第一混凝剂投加控制模型，生成所述低温高浊工况、常温或常浊工况、高温低浊工况和高温低浊工况各自对应的目标混凝剂投加控制模型。

在一个实施例中，所述基于罗克韦尔的过程控制模型，包括第一控制模型和第二控制模型；所述部分模型包括第一部分模型、第二部分模型和第三部分模型；第一生成模块包括：

第一生成单元，用于将所述低温高浊工况对应的所述历史水质数据集中的所述历史浊度、历史流量和历史温度作为干扰变量，将所述混凝剂历史投加量作为可控变量，以及将所述历史出水浊度作为受控变量，对所述第一过程控制模型进行学习，生成所述第一部分模型，所述第一部分模型为所述第一混凝剂投加量控制模型；

第二生成单元，用于将所述常温或常浊工况对应的所述历史水质数据集中的所述历史浊度、历史流量和历史温度作为干扰变量，将所述混凝剂历史投加量作为可控变量，以及将所述历史出水浊度作为受控变量，对所述第二过程控制模型进行学习，生成所述完整模型；

第三生成单元，用于将所述高温低浊工况对应的所述历史水质数据集中的所述历史浊度、历史流量和历史温度作为干扰变量，将所述混凝剂历史投加量作为可控变量，以及将所述历史出水浊度作为受控变量，对所述第三过程控制模型进行学习，生成所述第二部分模型，所述第二部分模型为所述第二混凝剂投加量控制模型；

第四生成单元，用于将所述高温高浊工况对应的所述历史水质数据集中的所述历史浊度、历史流量和历史温度作为干扰变量，将所述混凝剂历史投加量作为可控变量，以及将所述历史出水浊度作为受控变量，对所述第四过程控制模型进行学习，生成所述第四部分模型，所述第四部分模型为所述第三混凝剂投加量控制模型。

在一个实施例中，获取模块包括：

采集单元，用于采集当前周期的第一水质数据，并获取下一周期的第二水质数据；

计算单元，用于计算所述第一水质数据和所述第二水质数据之间的变化率；

第八确定单元，用于若所述变化率在预设变化率阈值内，将所述第一水质数据作为所述当前周期的实时水质数据；

第九确定单元，用于若所述变化率不在预设变化率阈值内，根据预设的数据变化速度和所述第二水质数据的变化方向，确定所述实时水质数据。

图3示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是服务器，所述服务器包括但不限于高性能计算机和高性能计算机集群。如图3所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现混凝剂投加控制方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行混凝剂投加控制方法。本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，本申请提供的混凝剂投加控制方法可以实现为一种计算机程序的形式，计算机程序可在如图3所示的计算机设备上运行。计算机设备的存储器中可存储组成混凝剂投加量控制装置的各个程序模板。比如，获取模块202，第一确定模块204，第二确定模块206，预测模块208，循环预测模块210。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述混凝剂投加量控制方法中的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述混凝剂投加量控制方法中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。