(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210903635.7 (22)申请日 2022.07.28 (71)申请人 上海城市水资源开发利用国家工程 中心有限公司 地址 200082 上海市杨 浦区许昌路23 0号1 幢 (72)发明人 张双翼　张晓平　冼峰　吕玉龙　 戴毓文　陆劲蓉　宋瑜　徐鸿凯　 徐彦琨　魏宁　夏萍　 (74)专利代理 机构 上海海钧知识产权代理事务 所(特殊普通 合伙) 31330 专利代理师 许兰　姜波 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01)G06F 30/27(2020.01) C02F 1/52(2006.01) (54)发明名称 一种建立混凝智能监控联动系统的方法 (57)摘要 本发明公开了一种建立混凝智能监控联动 系统的方法， 包括平流式沉淀池 出水浊度预测模 型的建立、 平 流式沉淀池混凝剂投加量推荐模型 的建立及混凝智能监控 联动系统的建立， 平流式 沉淀池出水浊度预测模型的建立用于对平流式 沉淀池出水浊度的预判， 平流式沉淀池混凝剂投 加量推荐模型的建立用于混凝剂投加的精准控 制， 混凝智能监控联动系统的建立整合了平流式 沉淀池出水浊度预测模型和平流式沉淀池混凝 剂投加量推荐模 型， 在推荐的混凝剂投加量下预 判沉后水浊度， 并在浊度出现异常时反馈将出水 浊度拉回期望值的混凝剂投加量。 本发明在水质 实时监控的基础上， 达到混凝效果的精确控制、 降低药耗、 水质预警和智 能联动的功能， 使混凝 沉淀工艺出水水质更稳定 。 权利要求书3页 说明书11页 附图4页 CN 115375009 A 2022.11.22 CN 115375009 A 1.一种建立混凝智能监控联动系统的方法， 其特 征在于， 包括： S1， 建立平流式沉淀池出水浊度预测模型， 用于对平流式沉淀池的出水浊度进行预判， 包括： S11， 采集 时刻的混凝工艺结构化数据 和 时刻的矾花量化数据 根据各数据 采集点的采样时间差对采集的数据进 行数据对齐处理； 所述平流式沉淀池 出水浊度预测模 型根据 时刻的混凝工艺结构化数据 以及 时刻的矾花量化数据 预测水流到达 沉淀池出 水口处 时刻的沉后水 浊度 S12， 对平流式沉淀池出 水浊度预测模型进行选型； S13， 采用持续增量学习的方式对平流式沉淀池出 水浊度预测模型进行持续训练； S2， 建立平流式沉淀池混凝剂投加量推荐模型， 用于根据沉后水浊度的期望值， 智能反 馈混凝剂投加量的推荐值， 包括： S21， 平流式沉淀池混凝剂投加量推荐模型根据沉淀池出水口处 时刻的沉后水浊度 的期望值 以及 时刻的混凝工艺结构化数据 和矾花量化数据 输出 时刻的混 凝剂投加量的推荐值； S21， 对平流式沉淀池混凝剂投加量推荐模型进行选型； S23， 采用持续增量学习的方式对平流式沉淀池混凝剂投加量推荐模型进行持续训练； S3， 基于步骤S1的平流式沉淀池出水浊度预测模型和步骤S2的平流式沉淀池混凝剂投 加量推荐模型， 建立适用于自来水厂平流式沉淀池的混凝智能监控联动系统， 所述混凝智 能监控联动系统采用所述混凝剂投加 量的推荐值， 能够预测沉后水浊度， 并在预测的沉后 水浊度出现异常时反馈将出 水浊度拉回期望值的混凝剂投加量； 其中， Δt1为水流从混凝工艺结构化数据的采集点到 矾花量化数据的采集点的采样时间差， Δt2为水流从矾花量化数据的采集点到沉后水数据 的采集点的采样时间差； 步骤S13和步骤S23中， 采用所述持续增量学习的方式进行模型训 练， 均是使用基础数据集和 最近数据集持续进行模型训练， 训练后的最新模型作为后一天 的生产模型， 所述基础数据集包括日常生产范围内的正常数据和实验中 收集的异常范围的 数据， 所述 最近数据集包括 最近NR天的历史数据。 2.根据权利要求1所述的一种建立混凝智能监控联动系统的方法， 其特征在于， 所述平 流式沉淀池出水浊度预测模型和所述平流式沉淀池混凝剂投加 量推荐模型的训练数据均 包括矾花量化数据和混凝工艺结构化数据， 模型数据频率为每分钟一次； 其中， 矾花量化数 据包括蓬松矾花、 片状矾花和模糊矾花的矾花个数、 分类置信度平均数、 分类置信度中位 数、 矾花面积平均数和矾花面积中位数， 混凝工艺结构化数据包括原水结构化数据和沉淀 池结构化数据， 原水结构化数据包括浊度、 水温、 pH值、 氨氮、 余氯、 耗氧量和亚硝酸盐， 沉淀 池结构化数据包括沉淀池瞬间进水流量、 沉淀池液位、 加氯量和加矾量， 其中， 加矾量在平 流式沉淀池出水浊度预测模型中为输入值， 在平 流式沉淀池混凝剂投加量推荐模型中为输 出值。 3.根据权利要求2所述的一种建立混凝智能监控联动系统的方法， 其特征在于， 所述矾 花量化数据是通过摄像头图像采集获得的， 所述混凝工艺结构化数据是通过在线仪表采集权　利　要　求　书 1/3 页 2 CN 115375009 A 2获得的。 4.根据权利要求1所述的一种建立混凝智能监控联动系统的方法， 其特征在于， 步骤 S11中， 所述 根据各数据采集 点的采样时间差对 采集的数据进行 数据对齐处 理， 包括： 沿水流流向， 依次定义混凝工艺结构化数据的采集点为P0、 对应水流流经P0处的时刻 为 矾花量化数据的采集点为P1、 对应水流流经P1处的时刻为 沉后水数据的采集点 为P2、 对应水流流经P2处的时刻为 则 其中， Δt1为水流 从P0到P1的采样时间差， Δt2为水流从P1到P2的采样时间差； 依据采样时间差 Δt1和采样时间差 Δt2决定数据的时间延迟。 5.根据权利要求4所述的一种建立混凝智能监控联动系统的方法， 其特征在于， 水流从 P0到P1的采样时间差Δt1取水流平均停留时间； 水流从P1到P2的采样时间差Δt2是通过最 小化水流流过的距离与平流式沉淀池长度 的差值的绝对值进行计算的， 具体包括如下步 骤： A1， 根据沉淀池的分钟进水量和分钟液位， 计算当前分钟沉淀池水流速度， 即当前分钟 水流流动的距离： 式中， vi表示第i分钟水流的速度， 即当前分钟水流流动的距离， 单位： 米/分钟； Hi表示 第i分钟平流式沉淀池的液位高度， 单位： 米； W表示平流式沉淀池宽度， 单位： 米； Pi表示第i 分钟平流式沉淀池的进水量， 单位： 立方米/分钟； A2， 根据每分钟频率的数据， 在时间维度上积分求得P1到P2的时间， 即水流流过的距离 与平流式沉淀池长度的差值 的绝对值 达到最小化时， 水流流动的时间N 的取 值： 式中， L表示平流式沉淀池长度， 单位： 米； N＝Δt2， 表示水流从P1流向P2的时间， 单位： 分钟； li表示第i分钟水流 流过的距离， 单位： 米。 6.根据权利要求1所述的一种建立混凝智能监控联动系统的方法， 其特征在于， 步骤 S12中， 所述对平流式沉淀池出 水浊度预测模型进行选型， 具体包括如下步骤： 分别使用单模型算法以及集成模型算法对平流式沉淀池出水浊度 预测模型进行训练， 计算决定系数R2作为模型的得分， 对模型的预测效果进行评价， 得分越高代表模型性能越 好， 选择得分最高的模型作为平流式沉淀池出 水浊度预测模型； 其中， 式中， 分别表示第i个样本的预测值和真实值， M表示测试集样本个数， 表示 测试集真实值的平均值。 7.根据权利要求6所述的一种建立混凝智能监控联动系统的方法， 其特征在于， 所述平 流式沉淀池混凝剂投加 量推荐模型采用的模型算法与所述平流式沉淀池出水浊度预测模权　利　要　求　书 2/3 页 3 CN 115375009 A 3