摘要
目前，国内大部分水厂消毒药剂投加量主要依靠人工经验确定，具有滞后性和不确定性，特别是在原水水质和流量突变的情况下，消毒药剂投量过少会影响出水水质，而过量投加不但会增加生产成本，且消毒副产物也会增加，影响水质安全。随着人们生活质量的提高和信息数字化的发展及应用领域的不断扩大，水厂滤后消毒投药量预测面临着机遇与挑战。自来水消毒作为社会经济有序发展和保障人民生命健康的重要环节，城市水务全面进入从“粗放式”到“高质量”发展，从“传统模式”到“智能模式”的变革期。面对越来越高的水质要求和成倍增长的供水需求，运营者需花费更多的时间和资源来监测水质，以确保水质安全。如何更准确地控制消毒剂的投加量、保障城市水质安全并提高水务企业的管理能力，成为水厂普遍关注的问题。因此，研究一套有效的水厂滤后消毒投药集成组合预测模型，提高消毒投药预测的稳定性和准确性，避免药剂投加盲目性，降低水生产成本，保障出厂水水质安全，是智慧水务的重要课题。 在此背景下，本研究以昆明某水厂的实测数据，研究基于支持向量机模型（SVM）和径向基神经网络模型（RBF）的集成组合算法，并进行了对比分析与仿真预测。本论文主要工作总结如下： （1）对水厂滤后水浊度（NTU）、滤后水余氯（Clinto）、滤后水流量（Qinto）、消毒药剂投加量、出厂水余氯（Clout）、耗氧量（CODMn）、pH值、水中藻类数量、氨氮含量（NH3-N）、铁、锰离子、温度11个影响因子进行相关性分析，选取NTU、Clinto、Qinto、Clout、pH、CODMn6个影响因子作为消毒投药集成组合预测模型的输入因子，为后续模型建立奠定基础。 （2）鉴于RBF中扩展因子（σ）和SVM中扩展因子（σ）、惩罚因子（C）是随机生成的，预测过程中易陷入局部最优解。而有着很好的全局寻优能力。因此，本文采用粒子群算法（PSO）、随机游走算法（RW）和鲸鱼算法（WOA）对RBF和SVM进行优化，得到六种组合预测模型（PSO-RBF、PSO-SVM、RW-RBF、RW-SVM、WOA-RBF、WOA-SVM）。经实测数据对组合预测模型进行仿真测试，发现PSO-RBF、RW-RBF、WOA-RBF、PSO-SVM、RW-SVM、WOA-SVM相对平均误差分别为6.84%、3.79%、6.85%、5.32%、7.28%、7.88%，决定系数分别为0.51、0.84、0.51、0.70、0.53、0.39，均方根误差分别为2.14、1.24、2.17、1.68、2.11、2.41，PSO-RBF、RW-RBF、WOA-RBF相较于RBF，平均相对误差分别降低了2.53%、5.58%、2.52%，决定系数分别提高了0.39、0.73、0.39，均方根误差分别降低了0.77、1.66、0.75。PSO-SVM、RW-SVM、WOA-SVM相较于SVM，平均相对误差分别降低了2.99%、1.03%、0.43%，决定系数分别提高了0.64、0.47、0.33，均方根误差分别降低了1.31、0.88、0.58。表明，RW-RBF和PSO-SVM相对其他组合预测模型具有更好的预测性能。 （3）因水厂各影响因子存在大时变，导致组合预测模型抗干扰能力弱，预测精度差。为进一步提升模型稳定性和预测精度，建立了异质集成组合预测模型（Bagging-PSO-SVM、Bagging-RW-RBF、随机森林），经仿真测试得到Bagging-RW-RBF、Bagging-PSO-SVM、随机森林相对平均误差分别为3.60%、6.52%、8.58%，决定系数分别为0.89、0.86、0.53，均方根误差分别为1.46、2.34、4.40，剩余预测残差分别为2.59、2.08、1.46。Bagging-PSO-SVM相较于PSO-SVM平均相对误差分别降低了1.2，决定系数分别提高了0.16，均方根误差分别降低了0.66；Bagging-RW-RBF相较于RW-RBF平均相对误差分别降低了0.19%，决定系数分别提高了0.05，均方根误差分别下降了0.22。表明异质集成组合预测模型较组合预测模型预测精度上有明显提升，在三种集成组合预测模型中Bagging-RW-RBF稳定性和预测精度更好。 （4）为验证Bagging-RW-RBF在不同数据样本下仍能保持良好的预测精度，分别采用500、800组实测样本数据对Bagging-RW-RBF进行仿真验证，其相对平均误差分别为3.64%、3.31%，决定系数分别为0.85、0.78，均方根误差分别为1.05、1.12，剩余预测残差分别为2.71、2.37。表明Bagging-RW-RBF在不同数据样本下依然能够保持较好的预测精度和稳定性。
NETL