申请日2018.04.10
公开(公告)日2018.08.17
IPC分类号C02F1/52; G06K9/62; G06N3/04
摘要
本发明公开了一种用于废水处理的在线加药控制方法及系统，该方法包括：获取当前时刻来水监测指标数据，并将当前时刻来水监测指标数据输入到在线加药控制模型中，得到当前时刻最优加药量;其中，在线加药模型是采用主成分分析算法、遗传算法以及神经网络模型算法建立而成;本发明通过主成分分析算法降低训练样本的维度，提高BP神经网络模型的速度，提高加药量计算的速度;通过遗传算法优化BP神经网络模型的连接权值和阈值，使BP神经网络模型的预测精度提高并且不易陷入局部最优;因此，采用本发明提供的在线加药控制模型克服废水处理过程中加药方式难以准确确定加药剂量的缺陷，实现快速、精确的在线加药控制过程。
权利要求书
1.一种用于废水处理的在线加药控制方法，其特征在于，所述在线加药控制方法包括：
获取当前时刻来水监测指标数据;
将所述当前时刻来水监测指标数据输入到在线加药控制模型中，得到当前时刻最优加药量;其中，所述在线加药控制模型的输入为所述当前时刻来水监测指标数据;所述在线加药控制模型的输出为所述当前时刻最优加药量;所述在线加药控制模型是依据主成分分析算法、遗传算法以及神经网络模型算法建立而成;所述在线加药控制模型的建立方法具体包括：
获取训练样本;所述训练样本包括多个样本对;每个样本对均包括多个输入、一个输出;所述输入为符合出水水质的来水监测指标数据;所述输出为所述来水监测指标数据对应的最优加药量;
采用主成分分析算法，对所述训练样本中的样本对进行处理，得到主成分矢量矩阵及主成分分量的个数;
根据所述主成分矢量矩阵及所述主成分分量的个数，建立BP神经网络模型;所述BP神经网络模型为多输入单输出的三层模型;所述BP神经网络模型的输入为所述主成分矢量矩阵;所述BP神经网络模型的输出为最优加药量;所述BP神经网络模型的输入神经元的个数为所述主成分分量的个数;
采用遗传算法，对所述BP神经网络模型的连接权值和阈值进行优化，得到最优连接权值和最优阈值;
根据所述最优连接权值和所述最优阈值，更新所述BP神经网络模型;更新后的BP神经网络模型为所述在线加药控制模型。
2.根据权利要求1所述的在线加药控制方法，其特征在于，所述样本对为输入时间序列信号和输出时间序列信号组成的时间序列集(X,Y);
所述输入时间序列信号为所述样本对的输入值;所述输入时间序列信号为X=[xij]nⅹp，i=1,2,……n，j=1,2,……p，n为所述训练样本中所述来水监测指标数据的样本个数，p为所述来水监测指标数据的个数;所述来水监测指标数据包括浊度值、PH值、氨氮含量、COD值;
所述输出时间序列信号为所述样本对的输出值;所述输出时间序列信号为Y=[yi]nⅹ1，i=1,2,……n，n为所述训练样本中加药量数据的样本个数。
3.根据权利要求1所述的在线加药控制方法，其特征在于，所述采用主成分分析算法，对所述训练样本中的样本对进行处理，得到主成分矢量矩阵及主成分分量的个数，具体包括：
计算所述训练样本中所述来水监测指标数据的相关系数矩阵R;
根据特征方程|λI-R|=0，计算特征值，所述特征值为λj,j=1,2,...,p，并按从大到小的顺序排序所述特征值，λ1≥λ2≥…≥λp，其中，I表示单位矩阵;
计算每个所述特征值λj,j=1,2,...,p对应的特征向量ej,j=1,2,...,p;其中，||ej||=1;
根据所述特征值，计算累计贡献率，选取所述累计贡献率达85%～95%的特征值，并将所述累计贡献率达85%～95%的特征值的个数确定为所述主成分分量的个数;所述累计贡献率的计算公式：
根据所述特征值以及所述特征向量，计算主成分载荷;所述主成分载荷的计算公式为：
根据所述主成分载荷，确定主成分矢量矩阵;所述主成分矢量矩阵为：
4.根据权利要求3所述的在线加药控制方法，其特征在于，所述相关系数矩阵其中，rab为所述训练样本中xa与xb的相关系数，为变量xa的样本均值，为变量xb的样本均值。
5.根据权利要求1所述的在线加药控制方法，其特征在于，所述根据所述主成分矢量矩阵及所述主成分分量的个数，建立BP神经网络模型，具体包括：
建立BP神经网络结构;所述主成分分量的个数为所述BP神经网络结构的输入神经元的个数，所述主成分矢量矩阵为所述BP神经网络结构的输入量;所述BP神经网络结构的输出目标为最优加药量;所述BP神经网络结构为多输入单输出三层模型;
初始化所述BP神经网络结构的连接权值及阈值，并将样本计数器及学习次数计数器置1，确定最小误差和迭代次数;所述连接权值包括隐含层到输入层之间的权值、输出层到隐含层之间的权值;所述阈值包括隐含层中每个神经元节点的阈值、输出层中每个神经元节点的阈值;
将所述训练样本中第c个样本对输入到所述BP神经网络结构，计算隐含层中各个神经元节点的输入和输出、输出层中各个神经元节点的输入和输出;
根据所述隐含层中各个神经元节点的输入和输出、所述输出层中各个神经元节点的输入和输出，计算输出层中各个神经元节点的校正误差、隐含层各个神经元节点的校正误差，确定所述第c个样本对的误差;
根据所述第c个样本对的误差，调整所述连接权值及所述阈值;
判断所述训练样本中所有的样本对是否都被训练;
若否，则返回步骤将所述训练样本中第c个样本对输入到所述BP神经网络结构，计算隐含层中各个神经元节点的输入和输出、输出层中各个神经元节点的输入和输出;
若是，则更新学习次数，计算全局误差，并判断所述全局误差是否小于设定的所述最小误差或者所述学习次数是否达到设定的所述迭代次数;
若是，则根据调整后的连接权值及阈值，建立BP神经网络模型;
若否，则返回步骤将所述训练样本中第c个样本对输入到所述BP神经网络结构，计算隐含层中各个神经元节点的输入和输出、输出层中各个神经元节点的输入和输出。
6.根据权利要求1所述的在线加药控制方法，其特征在于，所述采用遗传算法，对所述BP神经网络模型的连接权值和阈值进行优化，得到最优连接权值和最优阈值，具体包括：
将所述BP神经网络模型中的连接权值和阈值组合作为一个染色体，构成遗传算法的个体，并确定初始种群的个体数S、遗传迭代次数N;
随机生成初始化种群，并对初始化后的种群进行二进制编码，确定S个个体组成的初始种群，并置进化次数为1;
确定所述遗传算法的适应度函数;所述适应度函数为所述BP神经网络模型的误差函数;
根据所述适应度函数，计算所述初始种群中每个个体的适应度函数值;
判断当前进化次数是否达到设定的所述遗传迭代次数;
若是，则输出最优个体;所述最优个体为所述初始种群中适应度函数值最大的个体;
若否，则进化次数增1，将所述初始种群中适应度函数值最大的个体进行选择、交叉、变异遗传操作，更新初始种群，返回步骤根据所述适应度函数，计算所述初始种群中每个个体的适应度函数值。
7.一种用于废水处理的在线加药控制系统，其特征在于，所述在线加药控制系统包括：
来水监测指标数据获取模块，用于获取当前时刻来水监测指标数据;
最优加药量获取模块，用于将所述当前时刻来水监测指标数据输入到在线加药控制模型中，得到当前时刻最优加药量;其中，所述在线加药控制模型的输入为所述当前时刻来水监测指标数据;所述在线加药控制模型的输出为所述当前时刻最优加药量;所述在线加药控制模型是依据主成分分析算法、遗传算法以及神经网络模型算法建立而成;所述在线加药控制模型的建立子系统具体包括：
训练样本获取模块，用于获取训练样本;所述训练样本包括多个样本对;每个样本对均包括多个输入、一个输出;所述输入为符合出水水质的来水监测指标数据;所述输出为所述来水监测指标数据对应的最优加药量;
主成分矢量矩阵及主成分分量个数获取模块，用于采用主成分分析算法，对所述训练样本中的样本对进行处理，得到主成分矢量矩阵及主成分分量的个数;
BP神经网络模型建立模块，用于根据所述主成分矢量矩阵及所述主成分分量的个数，建立BP神经网络模型;所述BP神经网络模型为多输入单输出的三层模型;所述BP神经网络模型的输入为所述主成分矢量矩阵;所述BP神经网络模型的输出为最优加药量;所述BP神经网络模型的输入神经元的个数为所述主成分分量的个数;
最优连接权值和最优阈值获取模块，用于采用遗传算法，对所述BP神经网络模型的连接权值和阈值进行优化，得到最优连接权值和最优阈值;
BP神经网络模型更新模块，用于根据所述最优连接权值和所述最优阈值，更新所述BP神经网络模型;更新后的BP神经网络模型为所述在线加药控制模型。
8.根据权利要求7所述的在线加药控制系统，其特征在于，所述主成分矢量矩阵及主成分分量个数获取模块，具体包括：
相关系数矩阵计算单元，用于计算所述训练样本中所述来水监测指标数据的相关系数矩阵R;
特征值计算单元，用于根据特征方程|λI-R|=0，计算特征值，所述特征值λj,j=1,2,...,p，并按从大到小的顺序排序所述特征值，λ1≥λ2≥…≥λp，其中，I表示单位矩阵;
特征向量计算单元，用于计算每个所述特征值λj,j=1,2,...,p对应的特征向量ej,j=1,2,...,p;其中，||ej||=1;
累计贡献率计算单元，用于根据所述特征值，计算累计贡献率，选取所述累计贡献率达85%～95%的特征值，并将所述累计贡献率达85%～95%的特征值的个数确定为所述主成分分量的个数;所述累计贡献率的计算公式：
主成分载荷计算单元，用于根据所述特征值以及所述特征向量，计算主成分载荷;所述主成分载荷的计算公式为：
主成分矢量矩阵确定单元，用于根据所述主成分载荷，确定主成分矢量矩阵;所述主成分矢量矩阵为：
9.根据权利要求7所述的在线加药控制系统，其特征在于，所述BP神经网络模型建立模块，具体包括：
BP神经网络结构建立单元，用于建立BP神经网络结构;所述主成分分量的个数为所述BP神经网络结构的输入神经元的个数，所述主成分矢量矩阵为所述BP神经网络结构的输入量;所述BP神经网络结构的输出目标为最优加药量;所述BP神经网络结构为多输入单输出三层模型;
第一初始化单元，用于初始化所述BP神经网络结构的连接权值及阈值，并将样本计数器及学习次数计数器置1，确定最小误差和迭代次数;所述连接权值包括隐含层到输入层之间的权值、输出层到隐含层之间的权值;所述阈值包括隐含层中每个神经元节点的阈值、输出层中每个神经元节点的阈值;
输入输出计算单元，用于将所述训练样本中第c个样本对输入到所述BP神经网络结构，计算隐含层中各个神经元节点的输入和输出、输出层中各个神经元节点的输入和输出;
样本对误差确定单元，用于根据所述隐含层中各个神经元节点的输入和输出、所述输出层中各个神经元节点的输入和输出，计算输出层中各个神经元节点的校正误差、隐含层各个神经元节点的校正误差，确定所述第c个样本对的误差;
连接权值及阈值调整单元，用于根据所述第c个样本对的误差，调整所述连接权值及所述阈值;
第一判断单元，用于判断所述训练样本中所有的样本对是否都被训练;
第一返回单元，用于当所述训练样本中有样本对未被训练时，返回步骤将所述训练样本中第c个样本对输入到所述BP神经网络结构，计算隐含层中各个神经元节点的输入和输出、输出层中各个神经元节点的输入和输出;
第二判断单元，用于当所述训练样本中所有的样本对都被训练时，更新学习次数，计算全局误差，并判断所述全局误差是否小于设定的所述最小误差或者所述学习次数是否达到设定的所述迭代次数;
BP神经网络模型建立单元，用于当所述全局误差小于设定的所述最小误差或者所述学习次数达到设定的所述迭代次数时，根据调整后的连接权值及阈值，建立BP神经网络模型;
第二返回单元，用于当所述全局误差小于设定的所述最小误差且所述学习次数达到设定的所述迭代次数时，返回步骤将所述训练样本中第c个样本对输入到所述BP神经网络结构，计算隐含层中各个神经元节点的输入和输出、输出层中各个神经元节点的输入和输出。
10.根据权利要求7所述的在线加药控制系统，其特征在于，所述最优连接权值和最优阈值获取模块，具体包括：
第二初始化单元，用于将所述BP神经网络模型中的连接权值和阈值组合作为一个染色体，构成遗传算法的个体，并确定初始种群的个体数S、遗传迭代次数N;
初始种群确定单元，用于随机生成初始化种群，并对初始化后的种群进行二进制编码，确定S个个体组成的初始种群，并置进化次数为1;
适应度函数确定单元，用于确定所述遗传算法的适应度函数;所述适应度函数为所述BP神经网络模型的误差函数;
适应度函数值计算单元，用于根据所述适应度函数，计算所述初始种群中每个个体的适应度函数值;
第三判断单元，用于判断当前进化次数是否达到设定的所述遗传迭代次数;
最优个体输出单元，用于当所述当前进化次数达到设定的所述遗传迭代次数时，输出最优个体;所述最优个体为所述初始种群中适应度函数值最大的个体;
初始种群更新单元，用于当所述当前进化次数未达到设定的所述遗传迭代次数时，进化次数增1，将所述初始种群中适应度函数值最大的个体进行选择、交叉、变异遗传操作，更新初始种群，返回步骤根据所述适应度函数，计算所述初始种群中每个个体的适应度函数值。
说明书
一种用于废水处理的在线加药控制方法及系统
技术领域
本发明涉及火电厂废水处理技术领域，特别涉及一种用于废水处理的在线加药控制方法及系统。
背景技术
火电厂废水处理过程是一个多变量、大滞后、动态性、干扰严重的非线性动态系统，是一种难以控制的复杂工业过程。实现火电厂废水处理自动化是实现现代化处理与现代化管理的必要条件，是提高废水处理效果、降低成本的必要手段。火电厂废水处理过程中，混凝、絮凝等工艺是不可缺少的重要部分，其过程是一个复杂的物理化学反应过程，对加药种类及剂量的控制精度要求较高，传统上药剂添加量是运行人员通过出水水质来判断，为了达到出水水质要求通过反复调整药剂添加量，浪费了大量的时间和人工，属于“后知后觉”行为，具有明显的滞后性;其次药剂的添加量一旦确定后，基本属于长期恒定状态，不但造成药品的无形浪费，而且由于来水水质的时变特性，出水指标无法满足用户的实时要求。
因此电厂水处理的加药过程表现出随机性、滞后性、非线性性及传统处理方法的缺陷，实现在线加药控制是火电厂废水处理行业一个亟待解决的问题。
发明内容
本发明的目的是提供了一种用于废水处理的在线加药控制方法及系统，克服废水处理过程中传统加药方式难以准确确定加药剂量的缺陷，实现快速、精确的在线加药控制过程。
为实现上述目的，本发明提供了如下方案：
一种用于废水处理的在线加药控制方法，所述在线加药控制方法包括：
获取当前时刻来水监测指标数据;
将所述当前时刻来水监测指标数据输入到在线加药控制模型中，得到当前时刻最优加药量;其中，所述在线加药控制模型的输入为所述当前时刻来水监测指标数据;所述在线加药控制模型的输出为所述当前时刻最优加药量;所述在线加药控制模型是依据主成分分析算法、遗传算法以及神经网络模型算法建立而成;所述在线加药控制模型的建立方法具体包括：
获取训练样本;所述训练样本包括多个样本对;每个样本对均包括多个输入、一个输出;所述输入为符合出水水质的来水监测指标数据;所述输出为所述来水监测指标数据对应的最优加药量;
采用主成分分析算法，对所述训练样本中的样本对进行处理，得到主成分矢量矩阵及主成分分量的个数;
根据所述主成分矢量矩阵及所述主成分分量的个数，建立BP神经网络模型;所述BP神经网络模型为多输入单输出的三层模型;所述BP神经网络模型的输入为所述主成分矢量矩阵;所述BP神经网络模型的输出为最优加药量;所述BP神经网络模型的输入神经元的个数为所述主成分分量的个数;
采用遗传算法，对所述BP神经网络模型的连接权值和阈值进行优化，得到最优连接权值和最优阈值;
根据所述最优连接权值和所述最优阈值，更新所述BP神经网络模型;更新后的BP神经网络模型为所述在线加药控制模型。
可选的，所述样本对为输入时间序列信号和输出时间序列信号组成的时间序列集(X,Y);
所述输入时间序列信号为所述样本对的输入值;所述输入时间序列信号为X=[xij]nⅹp，i=1,2,……n，j=1,2,……p，n为所述训练样本中所述来水监测指标数据的样本个数，p为所述来水监测指标数据的个数;所述来水监测指标数据包括浊度值、PH值、氨氮含量、COD值;
所述输出时间序列信号为所述样本对的输出值;所述输出时间序列信号为Y=[yi]nⅹ1，i=1,2,……n，n为所述训练样本中加药量数据的样本个数。
可选的，所述采用主成分分析算法，对所述训练样本中的样本对进行处理，得到主成分矢量矩阵及主成分分量的个数，具体包括：
计算所述训练样本中所述来水监测指标数据的相关系数矩阵R;
根据特征方程|λI-R|=0，计算特征值，所述特征值为λj,j=1,2,...,p，并按从大到小的顺序排序所述特征值，λ1≥λ2≥…≥λp，其中，I表示单位矩阵;
计算每个所述特征值λj,j=1,2,...,p对应的特征向量ej,j=1,2,...,p;其中，||ej||=1;
根据所述特征值，计算累计贡献率，选取所述累计贡献率达85%～95%的特征值，并将所述累计贡献率达85%～95%的特征值的个数确定为所述主成分分量的个数;所述累计贡献率的计算公式：可选的，所述根据所述主成分矢量矩阵及所述主成分分量的个数，建立BP神经网络模型，具体包括：
建立BP神经网络结构;所述主成分分量的个数为所述BP神经网络结构的输入神经元的个数，所述主成分矢量矩阵为所述BP神经网络结构的输入量;所述BP神经网络结构的输出目标为最优加药量;所述BP神经网络结构为多输入单输出三层模型;
初始化所述BP神经网络结构的连接权值及阈值，并将样本计数器及学习次数计数器置1，确定最小误差和迭代次数;所述连接权值包括隐含层到输入层之间的权值、输出层到隐含层之间的权值;所述阈值包括隐含层中每个神经元节点的阈值、输出层中每个神经元节点的阈值;
将所述训练样本中第c个样本对输入到所述BP神经网络结构，计算隐含层中各个神经元节点的输入和输出、输出层中各个神经元节点的输入和输出;
根据所述隐含层中各个神经元节点的输入和输出、所述输出层中各个神经元节点的输入和输出，计算输出层中各个神经元节点的校正误差、隐含层各个神经元节点的校正误差，确定所述第c个样本对的误差;
根据所述第c个样本对的误差，调整所述连接权值及所述阈值;
判断所述训练样本中所有的样本对是否都被训练;
若否，则返回步骤将所述训练样本中第c个样本对输入到所述BP神经网络结构，计算隐含层中各个神经元节点的输入和输出、输出层中各个神经元节点的输入和输出;
若是，则更新学习次数，计算全局误差，并判断所述全局误差是否小于设定的所述最小误差或者所述学习次数是否达到设定的所述迭代次数;
若是，则根据调整后的连接权值及阈值，建立BP神经网络模型;
若否，则返回步骤将所述训练样本中第c个样本对输入到所述BP神经网络结构，计算隐含层中各个神经元节点的输入和输出、输出层中各个神经元节点的输入和输出。
可选的，所述采用遗传算法，对所述BP神经网络模型的连接权值和阈值进行优化，得到最优连接权值和最优阈值，具体包括：
将所述BP神经网络模型中的连接权值和阈值组合作为一个染色体，构成遗传算法的个体，并确定初始种群的个体数S、遗传迭代次数N;
随机生成初始化种群，并对初始化后的种群进行二进制编码，确定S个个体组成的初始种群，并置进化次数为1;
确定所述遗传算法的适应度函数;所述适应度函数为所述BP神经网络模型的误差函数;
根据所述适应度函数，计算所述初始种群中每个个体的适应度函数值;
判断当前进化次数是否达到设定的所述遗传迭代次数;
若是，则输出最优个体;所述最优个体为所述初始种群中适应度函数值最大的个体;
若否，则进化次数增1，将所述初始种群中适应度函数值最大的个体进行选择、交叉、变异遗传操作，更新初始种群，返回步骤根据所述适应度函数，计算所述初始种群中每个个体的适应度函数值。
本发明还提供了一种用于废水处理的在线加药控制系统，所述在线加药控制系统包括：
来水监测指标数据获取模块，用于获取当前时刻来水监测指标数据;
最优加药量获取模块，用于将所述当前时刻来水监测指标数据输入到在线加药控制模型中，得到当前时刻最优加药量;其中，所述在线加药控制模型的输入为所述当前时刻来水监测指标数据;所述在线加药控制模型的输出为所述当前时刻最优加药量;所述在线加药控制模型是依据主成分分析算法、遗传算法以及神经网络模型算法建立而成;所述在线加药控制模型的建立子系统具体包括：
训练样本获取模块，用于获取训练样本;所述训练样本包括多个样本对;每个样本对均包括多个输入、一个输出;所述输入为符合出水水质的来水监测指标数据;所述输出为所述来水监测指标数据对应的最优加药量;
主成分矢量矩阵及主成分分量个数获取模块，用于采用主成分分析算法，对所述训练样本中的样本对进行处理，得到主成分矢量矩阵及主成分分量的个数;
BP神经网络模型建立模块，用于根据所述主成分矢量矩阵及所述主成分分量的个数，建立BP神经网络模型;所述BP神经网络模型为多输入单输出的三层模型;所述BP神经网络模型的输入为所述主成分矢量矩阵;所述BP神经网络模型的输出为最优加药量;所述BP神经网络模型的输入神经元的个数为所述主成分分量的个数;
最优连接权值和最优阈值获取模块，用于采用遗传算法，对所述BP神经网络模型的连接权值和阈值进行优化，得到最优连接权值和最优阈值;
BP神经网络模型更新模块，用于根据所述最优连接权值和所述最优阈值，更新所述BP神经网络模型;更新后的BP神经网络模型为所述在线加药控制模型。
可选的，所述主成分矢量矩阵及主成分分量个数获取模块，具体包括：
相关系数矩阵计算单元，用于计算所述训练样本中所述来水监测指标数据的相关系数矩阵R;
特征值计算单元，用于根据特征方程|λI-R|=0，计算特征值，所述特征值λj,j=1,2,...,p，并按从大到小的顺序排序所述特征值，λ1≥λ2≥…≥λp，其中，I表示单位矩阵;
特征向量计算单元，用于计算每个所述特征值λj,j=1,2,...,p对应的特征向量ej,j=1,2,...,p;其中，||ej||=1;
可选的，所述BP神经网络模型建立模块，具体包括：
BP神经网络结构建立单元，用于建立BP神经网络结构;所述主成分分量的个数为所述BP神经网络结构的输入神经元的个数，所述主成分矢量矩阵为所述BP神经网络结构的输入量;所述BP神经网络结构的输出目标为最优加药量;所述BP神经网络结构为多输入单输出三层模型;
第一初始化单元，用于初始化所述BP神经网络结构的连接权值及阈值，并将样本计数器及学习次数计数器置1，确定最小误差和迭代次数;所述连接权值包括隐含层到输入层之间的权值、输出层到隐含层之间的权值;所述阈值包括隐含层中每个神经元节点的阈值、输出层中每个神经元节点的阈值;
输入输出计算单元，用于将所述训练样本中第c个样本对输入到所述BP神经网络结构，计算隐含层中各个神经元节点的输入和输出、输出层中各个神经元节点的输入和输出;
样本对误差确定单元，用于根据所述隐含层中各个神经元节点的输入和输出、所述输出层中各个神经元节点的输入和输出，计算输出层中各个神经元节点的校正误差、隐含层各个神经元节点的校正误差，确定所述第c个样本对的误差;
连接权值及阈值调整单元，用于根据所述第c个样本对的误差，调整所述连接权值及所述阈值;
第一判断单元，用于判断所述训练样本中所有的样本对是否都被训练;
第一返回单元，用于当所述训练样本中有样本对未被训练时，返回步骤将所述训练样本中第c个样本对输入到所述BP神经网络结构，计算隐含层中各个神经元节点的输入和输出、输出层中各个神经元节点的输入和输出;
第二判断单元，用于当所述训练样本中所有的样本对都被训练时，更新学习次数，计算全局误差，并判断所述全局误差是否小于设定的所述最小误差或者所述学习次数是否达到设定的所述迭代次数;
BP神经网络模型建立单元，用于当所述全局误差小于设定的所述最小误差或者所述学习次数达到设定的所述迭代次数时，根据调整后的连接权值及阈值，建立BP神经网络模型;
第二返回单元，用于当所述全局误差小于设定的所述最小误差且所述学习次数达到设定的所述迭代次数时，返回步骤将所述训练样本中第c个样本对输入到所述BP神经网络结构，计算隐含层中各个神经元节点的输入和输出、输出层中各个神经元节点的输入和输出。
可选的，所述最优连接权值和最优阈值获取模块，具体包括：
第二初始化单元，用于将所述BP神经网络模型中的连接权值和阈值组合作为一个染色体，构成遗传算法的个体，并确定初始种群的个体数S、遗传迭代次数N;
初始种群确定单元，用于随机生成初始化种群，并对初始化后的种群进行二进制编码，确定S个个体组成的初始种群，并置进化次数为1;
适应度函数确定单元，用于确定所述遗传算法的适应度函数;所述适应度函数为所述BP神经网络模型的误差函数;
适应度函数值计算单元，用于根据所述适应度函数，计算所述初始种群中每个个体的适应度函数值;
第三判断单元，用于判断当前进化次数是否达到设定的所述遗传迭代次数;
最优个体输出单元，用于当所述当前进化次数达到设定的所述遗传迭代次数时，输出最优个体;所述最优个体为所述初始种群中适应度函数值最大的个体;
初始种群更新单元，用于当所述当前进化次数未达到设定的所述遗传迭代次数时，进化次数增1，将所述初始种群中适应度函数值最大的个体进行选择、交叉、变异遗传操作，更新初始种群，返回步骤根据所述适应度函数，计算所述初始种群中每个个体的适应度函数值。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种用于废水处理的在线加药控制方法及系统，所述在线加药控制方法包括：获取当前时刻来水监测指标数据，并将当前时刻来水监测指标数据输入到在线加药控制模型中，得到当前时刻最优加药量;其中，所述在线加药控制模型是采用主成分分析算法、遗传算法以及神经网络模型算法建立而成;本发明通过主成分分析算法降低训练样本的维度，简化BP神经网络模型的结构，提高了BP神经网络模型的速度，进而提高加药量计算的速度。本发明通过遗传算法优化BP神经网络模型的连接权值和阈值，将得到的最优连接权值和阈值赋予BP神经网络模型，从而使BP神经网络模型的预测精度提高并且不易陷入局部最优。本发明采用在线加药控制模型克服废水处理过程中传统加药方式难以准确确定加药剂量的缺陷，实现快速、精确的在线加药控制过程。
