基于PSO-LSSVM的浓缩池溢流水浓度预测

邵 清 王然风

(太原理工大学矿业工程学院，山西省太原市，030024)

★ 煤炭科技·加工转化>★

基于PSO-LSSVM的浓缩池溢流水浓度预测

邵 清 王然风

(太原理工大学矿业工程学院，山西省太原市，030024)

目前针对溢流水浊度测量时存在的设备昂贵、可靠性差以及寿命短等问题，对浓缩池煤泥水处理过程带来的不利影响，提出了一种基于PSO-LSSVM的溢流水快速可靠的预测方法。根据现场获得的数据组建溢流水浊度数据库，并将其分为训练集与测试集，构建预测模型，并以粒子群算法(PSO)优化最小二乘支持向量机(LS-SVM)模型中的相关参数。经仿真验证，预测值精度可以达到92.38%，表明基于PSO-LSSVM的浓缩池溢流水浓度预测模型可以较好地实现溢流浊度的预测。

溢流浓度 粒子群算法 最小二乘支持向量机 煤泥水

煤泥水中含有较多细小的煤粉颗粒以及其他物质，如果直接排放会造成污染与资源浪费，因此对煤泥水的处理十分重要。煤泥水处理主要包括两个过程，分别是浓缩机浓缩与压滤机压滤，浓缩机浓缩对煤泥水的处理效果与浓缩池溢流浓度息息相关，溢流浓度的高低直接影响煤泥水处理的质量。因此对溢流水浓度的测量至关重要，现在选煤厂所使用的浊度仪中，国产浊度仪可靠性较差且使用寿命较短，容易被煤泥等遮挡感光口，造成测量数据不准或不能使用；国外浊度仪可靠性较高，并配备雨刷，但造价较为昂贵。

针对以上情况，本文提出了一种基于最小二乘支持向量机(LS-SVM)的煤泥水处理过程中溢流水浓度预测模型，并采用粒子群算法(PSO)对模型中关键参数进行优化处理，共同构建浓缩池溢流水浓度预测模型，该模型以预测算法代替浊度仪测量浊度，不仅降低了成本，而且提高了浊度测量的稳定性和可靠性。

1 浊度仪测量溢流水浊度原理及意义

目前，浊度测量主要为基于光电测量原理进行，浊度仪通过发光源发出光，通过感官部分接收光的强度等来确定液体浊度的大小。浓缩池浓缩效果主要通过底流浓度和溢流浓度来确定，同时根据底流和溢流浓度确定絮凝剂和凝聚剂的添加量，因此获得准确的溢流浓度对选煤厂煤泥水处理过程至关重要。底流浓度经过浓缩机浓缩过程，浓度较高可达到200～500 g/L，对于这一浓度的测量可使用普通的差压变送器就可以精确测量；溢流浓度通常都在50 g/L以下，此时普通差压式变送器很难精确测量，感光式浊度仪又存在可靠性较差、寿命较短以及价格昂贵等问题，所以实现溢流浓度预测对药剂添加以及整个煤泥水处理过程具有重要意义。

2 PSO-LSSVM模型原理

2.1 LS-SVM原理

LS-SVM以等式约束代替传统的不等式约束，解决了回归分类的研究问题，大大降低了计算的复杂程度，提高了求解速度。其基本原理如下：给定一个训练集S：{(x1,y1)…(xi,yi)}，其中xi为输入变量，xi∈Rn(n维实数空间)；yi为输出变量，yi∈R(实数集)；i=1,…,N(N为样本个数)。运用非线性映射φ(x)将输入变量映射到一个高维特征空间，从而得到一个预测模型见式(1)：

(1)

式中：ω——权向量，ω∈Rn；

T——转置；

b——偏移量，b∈R。

根据风险最小化原则同时引入拉格朗日乘子和优化条件得到最终预测函数见式(2)：

(2)

式中：αi——拉格朗日乘子；

K(xi,xj)——核函数。

2.2 PSO原理

在LS-SVM模型中，正则化参数(γ)与核函数参数(σ)对预测模型计算精度影响至关重要。γ和σ的大小决定了函数拟合误差与时长，故对于γ与σ的优化是模型建立的关键。粒子群优化算法(PSO)具有运算简单、参数少、拟合时间短的优点，因此本文采用PSO对LS-SVM的关键参数进行优化。

(3)

式中：ωmax——最大权向量；

ωmin——最小权向量；

kmax——最大迭代次数；

k——迭代次数。

3 基于PSO-LSSVM浓缩池溢流水浓度预测模型

3.1 构建模型数据库

本文对寺河选煤厂浓缩池溢流水浓度参数进行分析，该模型以影响参数作为输入变量，影响参数的主要原因有煤泥水浓度、煤泥水流量、絮凝剂添加量、凝聚剂添加量和底流浓度,LS-SVM模型的输出变量为溢流浓度。LS-SVM溢流水浓度预测模型的函数表达式见式(4)：

(4)

式中：y——溢流浓度，g/L；

x1——煤泥水浓度，g/L；

x2——煤泥水流量，m3/h；

x3——絮凝剂添加量，kg/t；

x4——凝聚剂添加量，kg/t；

x5——底流浓度，g/L。

核函数选取对于LS-SVM浓缩池溢流水浓度预测模型十分关键，本文选取了泛化能力高、学习收敛速度快的径向基函数(RBF)作为该模型的核函数见式(5)：

∕σ2

(5)

构建LS-SVM模型的所有数据均来自寺河选煤厂的真实数据，数据由各个传感器检测然后由PLC采集，最后传至上位机保存导出。本模型共采集90组数据，由于数据的量纲不一致，对比标准统一，所以为了获得较快的收敛速度和精准度，要对数据进行归一化处理，归一化方法采用Z-score标准化方法见式(6)：

(6)

xij——第j类变量中第i个值；

μj——第j类变量的均值；

σj——第j类变量的标准差。

最后进行反归一化处理得到对应值。

3.2 设置模型参数

图1 PSO模型流程图

3.3 评价指标

本文使用PSO-LSSVM预测模型对浓缩机溢流浓度进行预测，为了评价该模型的预测精度，引入均方根误差(RMSE)与平均绝对误差(MAPE)对预测结果进行评价，见式(7)和式(8)：

(7)

(8)

式中：yi——实测值；

3.4 预测结果

溢流浓度样本训练集与预测集对比图如图2所示。

图2 溢流浓度样本训练集与预测集对比图

由图2可以看出，基于PSO-LSSVM溢流水浓度预测模型中溢流水浓度预测值与样本训练集(实测值)基本一致。由公式(7)得到溢流浓度预测值与实测值均方根误差为0.189，由公式(8)得到溢流浓度预测值与实测值平均绝对百分误差为7.62%，预测精度为92.38%。基于PSO-LSSVM溢流水浓度预测模型预测精度较高，比较适合输入变量较少的模型预测，同时采用PSO优化LS-SVM模型中的关键参数σ与γ，提高了模型的泛化能力、降低了模型误差与时长。

4 控制系统构建

浓缩池溢流水预测系统主要由硬件系统和软件系统共同构成。硬件部分由传感器、PLC控制柜、上位机等构成，软件部分由PLC程序、组态与通讯等构成。

(1)传感器部分。本系统采用的传感器有测量煤泥水流量的流量计、测量煤泥水浓度的浓度计、测量溢流浓度的浊度仪、测量底流浓度的浓度传感器。测量溢流浓度的传感器选用奥泰斯TSC-10S散乱光式浊度仪，安装在01号浓缩池侧壁上。测量底流浓度和入料浓度的浓度传感器选用“E+H”的FMD633式差压式浓度传感器，测量底流浓度时，由于底流煤泥管倾斜，故采取倾斜安装的方式；测量入料浓度时则采取竖直安装的方式。测量煤泥水流量的传感器选用科隆OPTIFLUX2100C智能诊断型流量计。絮凝剂和凝聚剂添加量通过采集变频器的运行信号，在PLC内部程序转化获得。

(2)PLC控制柜。PLC选用AB公司Micro850PLC，CPU为2080-LC50-48QWB，数字量扩展模块为2085-IQ16，模拟量模块为2080-IF4，配2085-ECR型终端盖。

(3)上位机。上位机采用研华APC-4000型工控机。

PLC编程环境采用Connected Components Workbench软件进行编程，组态采用FTView进行组态，采用SQL Server2008数据库软件进行数据记录。控制流程如图3示。

图3 控制流程图

5 基于PSO-LSSVM溢流水浓度预测模型

寺河选煤厂现在使用两个一级浓缩池分别为01浓缩池和04事故浓缩池，直径均为45 m，两个二级浓缩池分别为02和03浓缩池，直径均为38 m。现根据使用情况、处理效果以及设备安装情况，决定以01号正常使用的一级浓缩池为实验对象。以安装在该浓缩池侧壁上的TSC-10S散乱光式浊度仪测量的浓度为溢流浓度实测值，基于PSO-LSSVM溢流水浓度预测模型预测数据为预测值，进行实验对比分析。选取90 min的溢流浓度实测值与预测值进行对比，对比结果如图4所示。

图4 溢流浓度实测值与预测值对比图

由图4可以看出，基于PSO-LSSVM溢流水浓度预测模型可以根据煤泥水浓度、煤泥水流量、絮凝剂和凝聚剂加药量以及底流浓度等数据自动输出一个浓度预测值，预测结果与浊度仪测量的浓度值基本吻合，在误差允许的范围内可以实现以预测模型预测浓度值代替浊度仪测量值。

6 结论

本文根据现有选煤厂测量浓缩池溢流水浓度时存在的测量设备成本较高、可靠性较差、使用寿命较短等问题，提出一种基于PSO-LSSVM溢流水浓度预测模型，模型以PSO优化LS-SVM模型中关键参数，根据各相关传感器获取数据作为模型输入变量，实现了以模型预测代替浊度仪测量溢流水浓度。经过现场试验对比分析，基于PSO-LSSVM溢流水浓度预测模型，在误差允许的范围内可以较好的实现浓缩池溢流水浓度预测，预测精度可以达到92.38%，该模型不仅降低了选煤厂设备成本，而且避免了浊度仪在使用过程中的可靠性低、寿命短以及维护问题，同时还为工人添加药剂提供了可靠依据，提高了选煤厂的整体效益。

[1] 亓欣,匡亚莉,林喆等. 高灰细泥煤泥水沉降实验研究[J]. 煤炭工程，2011 (2)

[2] 肖宁伟,张明青,曹亦俊. 选煤厂难沉降煤泥水性质及特点研究[J]. 中国煤炭，2012(6)

[3] 常建华,武煜,王志丹.基于偏振光的散射式浊度仪的设计与实现[J].半导体光电，2017 (1)

[4] 史晋森,赵敬国,葛觐铭等.三波段积分浑浊度仪的检测和校准[J].中国环境科学，2013 (8)

[5] 杨柳,孙金华,冯仲科等.基于PSO-LSSVM的森林地上生物量估测模型[J].农业机械学报，2016 (8)

[6] 唐俊. PSO算法原理及应用[J].计算机技术与发展，2010 (2)

[7] 烟贯发,张雪萍,王书玉等. 基于改进的PSO优化LSSVM参数的松花江哈尔滨段悬浮物的遥感反演[J]. 环境科学学报，2014(8)

(责任编辑 王雅琴)

PredictionforoverflowwaterconcentrationofconcentratedtankbasedonPSO-LSSVM

Shao Qing, Wang Ranfeng

(College of Mining Engineering, Taiyuan University of Technology, Taiyuan, Shanxi 030024, China)

Aiming at the adverse effects of high cost, relatively poor reliability and short service life of overflow water turbidity measurement equipment on concentrated tank slime water treatment process, a quick and reliable prediction approach of overflow water based on PSO-LSSVM was put forward. The overflow water turbidity data base on the basis of the actual data was built and divided into training set and test set to build forecasting model, and the particle swarm optimization (PSO) was used to optimize the relevant parameters of the least squares support vector machine (LS-SVM) model. Verified by simulation, the prediction accuracy could reach 92.38%, which showed that the overflow concentration prediction model of concentrated tank based on POS-LSSVM was able to preferably realize the overflow turbidity prediction.

overflow density, PSO, LS-SVM, slime water

邵清，王然风. 基于PSO-LSSVM的浓缩池溢流水浓度预测[J].中国煤炭，2017，43(8)：117-120. Shao Qing,Wang Ranfeng. Prediction for overflow water concentration of concentrated tank based on PSO-LSSVM[J].China Coal，2017，43(8)：117-120.

TD926

A

邵清(1991-)，男，山东菏泽人，在读研究生，主要从事仿真、控制与优化等方面的研究。