一种基于机器学习的快速获取加氯曲线的方法及装置

技术领域

本发明涉及水处理技术领域，涉及自来水水厂加氯消毒技术，尤其涉及一种基于机器学习的快速获取加氯曲线的方法及装置。

背景技术

目前，氯消毒是自来水厂常用的消毒方法。它通过向水中添加氯气、次氯酸钠等来杀死水中的细菌、病毒和其他病原体，有效地净化自来水，确保饮用水的安全性。

而当水中存在氨时，氨会与氯消毒剂发生反应，消耗氯消毒剂，降低其消毒效果，这就会导致水厂消毒工艺运行出现波动。特别地，水源水中氨的波动和超标具有典型的突跃性特点，不仅在季节交替等时段会发生急剧变化，有时还可能在一天之内突然发生暴发性浓度升高。当水厂发现氨突变时，必须采取紧急调控措施，调整消毒投加，保障出厂水水质达标安全。

在实际中通常采用传统消毒加调节方式的方法进行氯消毒，如下：

1、加氯系统+人工经验调节方法：

当氨突变或其他原因导致出厂水实测余氯浓度低于设定的余氯限值时，加氯系统根据预设的公式调整消毒剂投加流量，公式如下：

新投加浓度＝原投加浓度+余氯浓度限值－实测余氯浓度

实际控制时，也会根据工艺工程师对水质状况的经验判断，直接人为修改新投加浓度，确认修改后，加氯设备将按照修改后的加氯量实施加氯操作。

2、人工消毒试验获取加氯曲线方法：

人工开展消毒试验，是往特定体积的水样中加入梯度浓度的氯消毒剂，反应一定时间后，检测余氯量，以加氯量为横坐标、余氯量为纵坐标绘制加氯曲线，根据加氯曲线的趋势确定消毒投加量。反应用水样体积一般为1L以上，反应时间要求2h以上。

但是，由加氯系统按公式调整的方法待出厂水余氯降至设定值以下才自动增加加氯量，或人工依靠自身经验根据原水中氨氮含量的变化调节加氯量。当出厂时余氯含量低于设定限值且持续走低时，为确保出厂水消毒剂指标达标，一般会采取相对冒进的方式，猛然大幅度增加加氯量，导致出厂水余氯或总氯随后猛然增加至非常高的水平。

人工消毒试验获取加氯曲线的典型特点是用水量大、耗时长，极易造成消毒调节滞后，因此，水厂在实际运行中，常因试验费时而直接根据经验调节消毒投加，一边调节一边检测反馈，不可避免地会出现反复来回的调节，水质波动难控制。

因此，上述传统的消毒投加调节方式有很大缺陷：应对水中氨突变时调节响应滞后，以及加氯量过多造成过激响应，导致出厂水余氯低于限值或者导致过量添加造成浪费和水体气味异常。

发明内容

为此，本发明目的在于至少一定程度上解决现有技术中的不足，从而提出一种基于机器学习的快速获取加氯曲线的方法及装置。

第一方面，本发明提供了一种基于机器学习的快速获取加氯曲线的方法，所述方法包括：

预处理收集到的数据组，通过训练集数据建立多个修正模型，再通过测试集数据测试多个所述修正模型并进行比较，根据比较结果选取多个所述修正模型中的最优修正模型，所述数据组包括所述训练集数据和所述测试集数据；

将消毒剂按预设的M个梯度的氯投加浓度ADD加入至滤后水样进行反应得到反应液，并检测所述反应液的余氯量，再将所述余氯量输入至所述最优修正模型，得到修正余氯量，其中，M为大于等于5的自然数；

重复进行反应直至按所述预设的M个梯度的氯投加浓度ADD的消毒剂全部反应完成，得到M组反应数据，并根据M组所述反应数据绘制加氯曲线；

计算并记录所述加氯曲线与预设控制数据的交点坐标数据，根据所述交点坐标数据输出消毒投加建议。

第二方面，本发明提供了一种基于机器学习的快速获取加氯曲线的系统，所述系统包括：

选取模块：用于预处理收集到的数据组，通过训练集数据建立多个修正模型，再通过测试集数据测试多个所述修正模型并进行比较，根据比较结果选取多个所述修正模型中的最优修正模型，所述数据组包括所述训练集数据和所述测试集数据；

反应模块：用于将消毒剂按预设的M个梯度的氯投加浓度ADD加入至滤后水样进行反应得到反应液，并检测所述反应液的余氯量，再将所述余氯量输入至所述最优修正模型，得到修正余氯量，其中，M为大于等于5的自然数；

绘制模块：用于重复进行反应直至按所述预设的M个梯度的氯投加浓度ADD的消毒剂全部反应完成，得到M组反应数据，并根据M组所述反应数据绘制加氯曲线；

建议模块：用于计算并记录所述加氯曲线与预设控制数据的交点坐标数据，根据所述交点坐标数据输出消毒投加建议。

第三方面，本发明还提供了一种基于机器学习的快速获取加氯曲线的设备，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，实现如上述第一方面所述的基于机器学习的快速获取加氯曲线的方法中的各个步骤。

第四方面，本发明还提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如第一方面所述的基于机器学习的快速获取加氯曲线的方法中的各个步骤。

本发明提供了一种基于机器学习的快速获取加氯曲线的方法及装置，该方法包括：预处理收集到的数据组，通过训练集数据建立多个修正模型，再通过测试集数据测试多个所述修正模型并进行比较，根据比较结果选取多个所述修正模型中的最优修正模型，所述数据组包括所述训练集数据和所述测试集数据；将消毒剂按预设的M个梯度的氯投加浓度ADD加入至滤后水样进行反应得到反应液，并检测所述反应液的余氯量，再将所述余氯量输入至所述最优修正模型，得到修正余氯量，其中，M为大于等于5的自然数；重复进行反应直至按所述预设的M个梯度的氯投加浓度ADD的消毒剂全部反应完成，得到M组反应数据，并根据M组所述反应数据绘制加氯曲线；计算并记录所述加氯曲线与预设控制数据的交点坐标数据，根据所述交点坐标数据输出消毒投加建议。通过本发明提供的方法，结合试验检测和最优修正模型，可快速得到当前水质条件下的加氯曲线，且通过氯投加量建议能够辅助水厂工艺管理者快速进行正确的消毒投加决策；优化了消毒投加调节模型，不再单纯依靠经验，使得消毒剂投加量的设置不再盲目，水质有了安全保障，社会效益好，经济效益高；且解决了加氯曲线获取慢、不能有效响应实际应用和氨异常变化或突变时加氯消毒响应滞后以及加氯量过多导致的过激响应的问题。

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示出的结构获得其他的附图。

图1为本发明的基于机器学习的快速获取加氯曲线的方法的流程示意图；

图2为本发明的基于机器学习的快速获取加氯曲线的方法的子流程示意图；

图3为本发明的基于机器学习的快速获取加氯曲线的方法的另一子流程示意图；

图4为本发明的基于机器学习的快速获取加氯曲线的方法中的具体实施例中的加氯曲线示意图；

图5为本发明的基于机器学习的快速获取加氯曲线的方法的程序模块示意图。

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请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，而非全部实施例。基于本发明中的实施例，本领域技术人员在没有做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。

请参照图1，图1是本申请实施例中的基于机器学习的快速获取加氯曲线的方法的流程示意图，在本实施例中，上述基于机器学习的快速获取加氯曲线的方法包括：

步骤101、预处理收集到的数据组，通过训练集数据建立多个修正模型，再通过测试集数据测试多个所述修正模型并进行比较，根据比较结果选取多个所述修正模型中的最优修正模型，所述数据组包括所述训练集数据和所述测试集数据。

在本实施例中，先收集数据组，再将收集到的数据组进行预处理，可保证数据的有效性，其中，收集到的数据组中包括训练集数据和测试集数据，训练集数据可用于建立多个修正模型，修正模型用于对实验结果进行修正，从而可快速获取加氯曲线，而测试集数据则可以用于测试训练集数据建立的多个修正模型，并从多个修正模型中选择综合相对误差较小的修正模型作为最优修正模型。具体过程如下：

1、收集数据

同一时间点T

对于试验模块，反应a min后(a取值为0.5～10)，检测得到游离氯FC

水厂实际检测，在满足规定的接触时间后，检测得到游离氯FC

形成时间点T

对收集到的数据进行预处理，保证数据的有效性；

数据组数的要求：N≥50；

时间线上相邻的两组数据的时间间隔ΔT≥水厂消毒规定的接触时间；

2、分割数据

将上述数据分为训练集和测试集，数据量比例为：训练集:测试集≥4；

3、利用数据组中的训练集数据建立多个修正模型，其中，选用的多个修正模型，包括决策树、随机森林、神经网络、梯度提升模型，但不限于这些；

模型表达式：

4、再利用数据组中的测试集数据测试利用训练集数据建立的多个修正模型，根据各个修正模型在测试集数据上的表现选择最优修正模型。

将测试集中的“ADD，FLOW，NH3，FC

步骤102、将消毒剂按预设的M个梯度的氯投加浓度ADD加入至滤后水样进行反应得到反应液，并检测所述反应液的余氯量，再将所述余氯量输入至所述最优修正模型，得到修正余氯量，其中，M为大于等于5的自然数。

在本实施例中，先预先设置M个梯度的氯投加浓度ADD

步骤103、重复进行反应直至按所述预设的M个梯度的氯投加浓度ADD的消毒剂全部反应完成，得到M组反应数据，并根据M组所述反应数据绘制加氯曲线。

在本实施例中，重复步骤102，直至按预先设置的M个梯度的氯投加浓度ADD的消毒剂全部反应完成，从而可得到M组的反应数据，再根据M组反应数据绘制加氯曲线。

例如，设置有5个梯度的氯投加浓度ADD，则先将消毒剂按第一梯度的氯投加浓度ADD

步骤104、计算并记录所述加氯曲线与预设控制数据的交点坐标数据，根据所述交点坐标数据输出消毒投加建议。

在本实施例中，先预先设置水厂的控制数据，再计算预先设置的控制数据与加氯曲线的交点坐标数据，并进行记录，再根据计算得到的交点坐标数据输出消毒投加建议，可优化消毒投加调节模式，不再单纯依靠经验，使得消毒剂投加量的设置不再盲目，使得消毒剂投加量最合适，水质安全有保障，社会效益好，经济效益高。

本申请实施例提供了一种基于机器学习的快速获取加氯曲线的方法及装置，该方法包括：预处理收集到的数据组，通过训练集数据建立多个修正模型，再通过测试集数据测试多个所述修正模型并进行比较，根据比较结果选取多个所述修正模型中的最优修正模型，所述数据组包括所述训练集数据和所述测试集数据；将消毒剂按预设的M个梯度的氯投加浓度ADD加入至滤后水样进行反应得到反应液，并检测所述反应液的余氯量，再将所述余氯量输入至所述最优修正模型，得到修正余氯量，其中，M为大于等于5的自然数；重复进行反应直至按所述预设的M个梯度的氯投加浓度ADD的消毒剂全部反应完成，得到M组反应数据，并根据M组所述反应数据绘制加氯曲线；计算并记录所述加氯曲线与预设控制数据的交点坐标数据，根据所述交点坐标数据输出消毒投加建议。通过本发明提供的方法，结合试验检测和最优修正模型，可快速得到当前水质条件下的加氯曲线，且通过氯投加量建议能够辅助水厂工艺管理者快速进行正确的消毒投加决策；优化了消毒投加调节模型，不再单纯依靠经验，使得消毒剂投加量的设置不再盲目，水质有了安全保障，社会效益好，经济效益高；且解决了加氯曲线获取慢、不能有效响应实际应用和氨异常变化或突变时加氯消毒响应滞后以及加氯量过多导致的过激响应的问题。

进一步地，请参阅图2，图2为本申请实施例中基于机器学习的快速获取加氯曲线的方法的子流程示意图，在本实施例中，所述修正余氯量包括游离氯FC

步骤201、取1-100ml的滤后水样，再将所述消毒剂按所述预设的M个梯度的氯投加浓度ADD加入所述滤后水样进行反应；

步骤202、反应0.5-10分钟后得到反应液，再检测所述反应液的所述余氯量，结合水厂的流量数据和氨数据输入至所述最优修正模型，得到所述修正余氯量，其中，所述数据组包括所述水厂的流量数据和所述氨数据。

在本实施例中，先设置M个梯度的氯投加浓度ADD

进一步地，请参阅图3，图3为本申请实施例中基于机器学习的快速获取加氯曲线的方法的另一子流程示意图，在本实施例中，所述加氯曲线包括加氯量-游离氯曲线E、加氯量-总氯曲线F和加氯量-化合氯曲线G；所述重复进行反应直至按所述预设的M个梯度的氯投加浓度ADD的消毒剂全部反应完成，得到M组反应数据，并根据M组所述反应数据绘制加氯曲线，具体包括：

步骤301、依次将按所述预设的M个梯度的氯投加浓度ADD的所述消毒剂与所述滤后水样进行反应，直至按所述预设的M个梯度的氯投加浓度ADD的所述消毒剂全部反应完成，得到M组所述余氯量；

步骤302、将M组所述余氯量和所述水厂的流量数据和所述氨数据输入至所述最优修正模型中，得到M组所述修正余氯量，结合所述M个梯度的氯投加浓度ADD得到M组所述反应数据；

步骤303、将M组所述反应数据分别拆分为3组M个数据点，并根据所述3组M个数据点绘制所述加氯曲线，所述3组M个数据点包括(ADD

在本实施例中，依次将按M个梯度的氯投加浓度ADD的消毒剂加入滤后水样中进行反应，直至M个梯度的氯投加浓度的消毒剂全部反应完成，从而可得到M组余氯量，即FC

将M组修正余氯量和M个梯度的氯投加浓度ADD

再将上述M组反应数据一一拆分，分为3组M个数据点(ADD

进一步地，所述加氯曲线可采用线性拟合、分段线性拟合、多项式拟合、贝塞尔曲线拟合和B样条曲线拟合的方法建立。

在本实施例中，加氯曲线的数学关系的建立可采用线性拟合、分段线性拟合、多项式拟合、贝塞尔曲线拟合和B样条曲线拟合，根据实际选择适合建立加氯曲线的拟合方法，在此对加氯曲线的具体拟合方法不作限定。

在本实施例中，所述加氯曲线的坐标轴的横坐标为消毒剂的氯投加浓度ADD，纵坐标为所述修正余氯量。

进一步地，所述预设控制数据包括游离氯控制范围FC

进一步地，通过计算并记录加氯曲线与预设控制数据的交点坐标数据输出如下的消毒投加建议：

当ADD

当ADDTC

当ADD

当ADD

在本实施例中，获取消毒方式及相应的游离氯、总氯内控值下的氯投加量建议，辅助水厂工艺管理者快速进行正确的消毒投加决策。

具体地，游离氯消毒和总氯消毒的区别在于：发挥消毒作用的具体化学物质不同，其中，游离氯消毒的主要作用物质为次氯酸和次氯酸根，而总氯消毒的主要作用物质为一氯胺。两者消毒投加的药剂没有区别，都可以是氯气、液氯、次氯酸钠、次氯酸钙等氯化消毒的消毒剂。且，在投加量方面，根据不同消毒作用物质，水厂有相应的不同的消毒剂余量控制值，比如次氯酸和次氯酸根等游离氯性质的物质发挥主要消毒作用时，水中游离氯的测试值必须控制在某一个范围内，一氯胺等化合氯性质的物质发挥主要消毒作用时，水中总氯的测试值必须在某一个范围内。

进一步地，本申请实施例提供了一具体实施例，如下：

1、收集数据组并进行预处理，获得500组有效数据(ADD

2、分割数据组为训练集数据和测试集数据，(ADD

3、使用训练集数据建立多个修正模型，修正模型表达式：

4、使用测试集数据测试多个修正模型，将测试集数据中的“ADD，FLOW，NH3，FC

5、设置氯消毒剂的投加浓度：0.1mg/L、0.5mg/L、1.0mg/L、2.0mg/L、3.0mg/L、4.0mg/L、5.0mg/L、6.0mg/L、7.0mg/L、8.0mg/L、9.0mg/L、10.0mg/L、11.0mg/L、12.0mg/L、13.0mg/L、14.0mg/L。

6、取2mL滤后水样，按上述投加浓度加入消毒剂，反应2min后，检测反应液的游离氯FC

7、重复上述步骤6，得到15组数据

8、将上述数据按照(加氯量ADD，游离氯FC)、(加氯量ADD、总氯TC)、(加氯量ADD、化合氯CC)的形式分为3组数据，绘制相应的加氯曲线，加氯量-游离氯”曲线E、“加氯量-总氯”曲线F以及“加氯量-化合氯”曲线G，采用分段线性拟合的方式获取数学关系，请参照图4，图4为本具体实施例中的加氯曲线示意图。

曲线E方程：

y＝0.0063x+0.0381，0＜x≤6

y＝0.34x-1.96，6＜x≤7

y＝1.3835x-9.435，7＜x≤14

曲线F方程：

y＝0.9087x+0.0297，0＜x≤4

y＝0.16x+3.01，4＜x≤5

y＝-1.595x+11.78，5＜x≤7

y＝1.3643x-9.165，7＜x≤14

曲线G方程：

y＝0.9042x-0.0107，0＜x≤4

y＝0.15x+2.99，4＜x≤5

y＝-1.77x+12.64，5＜x≤7

y＝-0.0192x+0.27，7＜x≤14

9、依据水厂的游离氯控制范围0.5mg/L～1.0mg/L、总氯控制范围0.8mg/L～1.5mg/L，可得：

游离氯内控下线与曲线E的交点，坐标：(7.2，0.5)；

游离氯内控上线与曲线E的交点，坐标：(7.5，1.0)；

总氯内控下线与曲线F的交点，坐标：(0.8，0.8)；

总氯内控上线与曲线F的交点，坐标：(1.6，1.5)；

曲线G的峰值，坐标：(5.0，3.74)；

10、输出消毒投加建议

当ADD

当ADD

当ADD

当ADD

因：1.6＜5.0，即符合ADD

故：建议采用总氯消毒方式，投加量范围为0.8mg/L～1.6mg/L。

进一步地，本申请实施例还提供了一种基于机器学习的快速获取加氯曲线的系统400，图5为本申请实施例中基于机器学习的快速获取加氯曲线的系统的程序模块示意图，在本实施例中，上述基于机器学习的快速获取加氯曲线的系统400包括：

选取模块401：用于预处理收集到的数据组，通过训练集数据建立多个修正模型，再通过测试集数据测试多个所述修正模型并进行比较，根据比较结果选取多个所述修正模型中的最优修正模型，所述数据组包括所述训练集数据和所述测试集数据；

反应模块402：用于将消毒剂按预设的M个梯度的氯投加浓度ADD加入至滤后水样进行反应得到反应液，并检测所述反应液的余氯量，再将所述余氯量输入至所述最优修正模型，得到修正余氯量，其中，M为大于等于5的自然数；

绘制模块403：用于重复进行反应直至按所述预设的M个梯度的氯投加浓度ADD的消毒剂全部反应完成，得到M组反应数据，并根据M组所述反应数据绘制加氯曲线；

建议模块404：用于计算并记录所述加氯曲线与预设控制数据的交点坐标数据，根据所述交点坐标数据输出消毒投加建议。

本申请实施例中提供了一种基于机器学习的快速获取加氯曲线的系统，可以实现：预处理收集到的数据组，通过训练集数据建立多个修正模型，再通过测试集数据测试多个所述修正模型并进行比较，根据比较结果选取多个所述修正模型中的最优修正模型，所述数据组包括所述训练集数据和所述测试集数据；将消毒剂按预设的M个梯度的氯投加浓度ADD加入至滤后水样进行反应得到反应液，并检测所述反应液的余氯量，再将所述余氯量输入至所述最优修正模型，得到修正余氯量，其中，M为大于等于5的自然数；重复进行反应直至按所述预设的M个梯度的氯投加浓度ADD的消毒剂全部反应完成，得到M组反应数据，并根据M组所述反应数据绘制加氯曲线；计算并记录所述加氯曲线与预设控制数据的交点坐标数据，根据所述交点坐标数据输出消毒投加建议。通过本发明提供的方法，结合试验检测和最优修正模型，可快速得到当前水质条件下的加氯曲线，且通过氯投加量建议能够辅助水厂工艺管理者快速进行正确的消毒投加决策；优化了消毒投加调节模型，不再单纯依靠经验，使得消毒剂投加量的设置不再盲目，水质有了安全保障，社会效益好，经济效益高；且解决了加氯曲线获取慢、不能有效响应实际应用和氨异常变化或突变时加氯消毒响应滞后以及加氯量过多导致的过激响应的问题。

进一步地，本申请还提供了一种基于机器学习的快速获取加氯曲线的设备，包括存储区、处理器以及存储在所述处理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，实现上述的基于机器学习的快速获取加氯曲线的方法中的各个步骤。

进一步地，本申请还提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述的基于机器学习的快速获取加氯曲线的方法中的各个步骤。

在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。

基于这样的理解，本发明的说明书技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本发明所必须的。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

对于本领域的技术人员，依据本申请实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。