close

Вход

Забыли?

вход по аккаунту

?

Разработка моделей алгоритмов и программ прогнозирования показателей качества питьевой воды в системе водоочистки

код для вставкиСкачать
На правах рукописи
Бубырь Дмитрий Сергеевич
РАЗРАБОТКА МОДЕЛЕЙ, АЛГОРИТМОВ И ПРОГРАММ
ПРОГНОЗИРОВАНИЯ ПОКАЗАТЕЛЕЙ КАЧЕСТВА
ПИТЬЕВОЙ ВОДЫ В СИСТЕМЕ ВОДООЧИСТКИ
Специальность
05.13.18 – Математическое моделирование,
численные методы и комплексы программ
АВТОРЕФЕРАТ
диссертации на соискание ученой степени
кандидата технических наук
Ульяновск - 2017
Работа выполнена на кафедре прикладной математики и информатики
в федеральном государственном бюджетном образовательном учреждении
высшего образования «Ульяновский государственный технический университет»
Научный руководитель:
доктор технических наук, профессор
Клячкин Владимир Николаевич
Официальные оппоненты:
Егоров Юрий Петрович,
доктор технических наук, профессор,
Федеральный научно-производственный центр
АО «НПО «Марс» (г. Ульяновск),
главный научный сотрудник КНИО-2
Капитанчук Василий Вячеславович,
кандидат технических наук, доцент,
Федеральное государственное бюджетное
образовательное учреждение высшего образования
«Ульяновский институт гражданской авиации имени
Главного маршала авиации Б.П. Бугаева»,
доцент кафедры «Информатика»
Ведущая организация:
АО «Концерн «Моринформсистема – Агат»
(г. Москва)
Защита состоится «19» апреля 2017 года в 1000 часов на заседании диссертационного совета Д 212.278.02 при ФГБОУ ВО «Ульяновский государственный университет», расположенном по адресу: Ульяновск, ул. Набережная р. Свияги, 106, корп. 1,
ауд. 703.
С диссертацией и авторефератом диссертации можно ознакомиться в научной библиотеке Ульяновского государственного университета и на сайте ВУЗа
http://www.ulsu.ru и http://new.ulsu.ru, а так же с авторефератом можно ознакомиться на сайте Высшей аттестационной комиссии при Министерстве образования и
науки РФ – http://vak.ed.gov.ru.
Отзывы на автореферат в двух экземплярах, заверенные печатью организации, просим направлять по адресу: 432017, г. Ульяновск, ул. Л. Толстого, д. 42, УлГУ, Отдел подготовки кадров высшей квалификации.
Автореферат разослан «… » __________ 201.. г.
Ученый секретарь
диссертационного совета
Волков М.А.
2
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность работы
Усложнившаяся экологическая ситуация, возникшая в результате воздействия
на промышленном и бытовом уровне, привела к росту интереса к процедуре очистки воды. Загрязнение воды оказывает, в частности, существенное влияние на заболеваемость населения1. Для получения воды требуемого качества используется
комплекс сооружений в виде современных водопроводных очистных станций, который реализует ряд специальных технологических процессов 2,3.
Первоначально вода выкачивается из источника водоснабжения с помощью водозаборных сооружений для подачи в систему водоочистки. Перед началом очистки проводится измерение основных физико-химических параметров, характеризующих состояние полученной воды из водоисточника (температура, мутность,
цветность, значение pH и другие). Важным этапом очистки является дозирование
реагентов: обычно используют коагулянты и флокулянты, вызывающие образование хлопьев из загрязнений и выпадение осадка, который удаляется на станции.
Дозы этих реагентов оказывают непосредственное влияние на качество очистки.
После очистки измеряются показатели качества питьевой воды. К важным показателям относятся мутность, цветность, содержание остаточного хлора и другие. Полученные значения показателей проверяют на соблюдение допустимых граничных
значений, установленных СанПин 2.1.4.1074-014. При выходе контролируемых показателей качества очищенной питьевой воды за допустимые границы (что является нештатной ситуацией) в систему водоотведения подаётся питьевая вода, хранящаяся в резервуарах, а сама система водоочистки временно останавливается для
выяснения причин нарушения и, при необходимости, внесения корректировок. Таким образом, реагирование на возникающее нарушение осуществляется по факту
его наступления.
Как следствие постоянно меняющейся экологической обстановки и роста уровня загрязнения водоёмов, станциям водоочистки становится всё сложнее поддерживать качество очищенной воды на требуемом уровне. Повышению эффективности системы водоочистки, то есть уменьшению времени на ликвидацию нештатных
ситуаций, способствует своевременное реагирование на прогнозируемое нарушение качества очистки воды. Для раннего предупреждения о возможности нештатной ситуации необходим программный блок, обеспечивающий корректировку доз
реагентов в случае прогноза возможного выхода параметров за коридор допустимых значений. Анализ исследований по прогнозированию качества воды показал,
что, как правило, применяются стандартные методы, не учитывающие возможную
1
Ермолаева С.В., Журавлев В.М., Смагин А.А., Липатова С.В. Система поддержки принятия решений для
оценки воздействия факторов среды на здоровье населения на основе моделирования // Экология человека.
2016. №3. С. 9-17.
2
Герасимов Г.Н. Технический справочник по обработке воды: в 2 т. Т.1: пер. с фр. – СПб.: Новый журнал,
2007. – 1736 с
3
Шагапов А.П. Автоматизация и диспетчеризация систем водоснабжения // Сантехника. 2015. №1. С. 46-48
4
СанПиН 2.1.4.1074-01 «Питьевая вода. Гигиенические требования к качеству воды централизованных систем питьевого водоснабжения. Контроль качества»
3
взаимосвязь входных параметров; не всегда корректно исследуется влияние доз
добавляемых реагентов на качество воды. Обеспечение необходимой точности
прогнозирования выступает важным критерием в управлении дозированием реагентов, что в итоге даст возможность повысить эффективность функционирования
системы водоочистки и обеспечит поддержание качества питьевой воды.
Всё это предопределило актуальность темы диссертационного исследования.
Таким образом, является актуальной тема диссертации, связанная с повышением
точности прогнозирования параметров очищенной воды и предупреждением о возможности выхода этих параметров за допустимые пределы.
Объектом исследования в диссертационной работе является система очистки
воды.
Предмет исследования – математические модели, алгоритмы и соответствующие программы, обеспечивающие работу программного блока раннего предупреждения о возможном нарушении качества очистки питьевой воды.
Цель работы
– повышение эффективности системы водоочистки на основе прогноза показателей
качества питьевой воды.
Для достижения поставленной цели решаются задачи:
- анализ структуры и принципа работы системы водоочистки по обеспечению качества очистки воды;
- разработка математических моделей и алгоритмов прогнозирования физикохимических показателей качества воды, поступающей из водоисточника, а также
показателей качества питьевой воды после процесса ее очистки;
- оценка влияния доз добавляемых реагентов на качество очистки воды;
- разработка программного блока для системы водоочистки, обеспечивающего раннее предупреждение о возможном нарушении качества очистки воды и корректировку значений доз реагентов;
- оценка эффективности системы водоочистки по обеспечению качества очищенной воды при применении разработанного программного блока; при этом в качестве критерия эффективности может использоваться среднее суммарное время простоя, необходимого для корректировки работы системы так, чтобы показатели качества питьевой воды лежали в допустимых пределах.
Методы исследования
При решении поставленных задач использовались методы теории вероятности,
математической статистики, анализа временных рядов, теории надёжности и численных методов. Разработка программного обеспечения осуществлялась с применением методов объектно-ориентированного программирования.
Научной новизной обладают:
- впервые предложенные математические модели и алгоритмы прогнозирования физико-химических показателей водоисточника на основе векторной авторегрессии;
4
- впервые предложенные модели прогноза показателей качества воды после
очистки на базе кусочной регрессии с элементами авторегрессии;
- численный метод выбора математической модели, обеспечивающий минимум
средней ошибки прогноза за счет изменения структуры модели и объема обучающей выборки;
- программный комплекс на базе этих методов и моделей, обеспечивающий работу блока раннего предупреждения о возможном нарушении показателей очистки
воды с целью повышения эффективности функционирования системы водоочистки
за счёт корректировки доз реагентов.
Достоверность. Достоверность положений диссертации обеспечивается корректным использованием математических методов и подтверждается результатами
статистических испытаний, а также эффективностью функционирования алгоритмов и программного комплекса при внедрении.
Теоретическая значимость работы состоит в разработке новых алгоритмов
моделирования и прогнозирования качества очистки воды, используемых в работе
программного блока и обеспечивающих повышение эффективности системы водоочистки.
Практическая значимость работы заключается в том, что комплекс программ, разработанный на основе предложенных алгоритмов моделирования и прогнозирования, позволяет диспетчерам системы водоочистки на основе полученного
прогноза качества воды корректировать параметры, влияющие на процесс водоочистки.
Основные научные положения, выносимые на защиту:
1) Разработанные математические модели и алгоритмы на основе совместного использования векторной авторегрессии (для физико-химических показателей водоисточника) и кусочной регрессии (для показателей качества после водоочистки) с
учетом доз реагентов позволяют повысить точность прогнозирования показателей
качества питьевой воды;
2) Численный метод выбора математической модели, учитывающий совместное
влияние структуры модели и размера обучающей выборки, обеспечивает повышение точности прогноза показателей качества по критерию минимума средней
ошибки прогноза;
3) Комплекс программ, разработанный на основе предложенных моделей и алгоритмов, при его использовании в системе водоочистки обеспечивает предупреждение о возможном нарушении качества воды и корректировку доз реагентов;
4) Эффективность функционирования системы водоочистки с применением блока
раннего предупреждения повышается за счет сокращения времени простоя, связанного с реагированием на нарушение качества очистки воды.
Реализация и внедрение результатов работы.
Диссертационная работа выполнялась при поддержке гранта по Федеральной
целевой программе "Научные и научно-педагогические кадры инновационной Рос5
сии" (соглашение 14.B37.21.672) и грантов Российского фонда фундаментальных
исследований по проектам №15-48-02038 и №16-38-00211. По результатам работы
получено звание лауреата конкурса научно-технического творчества молодежи
Приволжского федерального округа (2015 г.) и медаль «За успехи в научнотехническом творчестве и научно-исследовательской работе», а также стипендия
губернатора Ульяновской области «Имени Ефима Евграфовича Горина» за исследования по информационным технологиям.
Результаты исследования внедрены в ЗАО «Системы водоочистки» (г. Ульяновск) при разработке системы водоочистки на водоканале Санкт-Петербурга, источник водоснабжения – «Западный Кронштадт» (акт прилагается).
Результаты диссертационной работы также используются в учебном процессе
Ульяновского государственного технического университета в дисциплинах «Теория надёжности», «Статистический контроль и управление процессами»,
«Статистическое моделирование», читаемых студентам, обучающимся в
бакалавриате и магистратуре по направлению «Прикладная математика», а также
«Статистические методы в управлении качеством» по направлению «Управление
качеством» (справка прилагается).
Апробация работы. Теоретические положения и практические результаты работы докладывались на ежегодных научно-технических конференциях Ульяновского государственного технического университета в 2014 – 2016 г.г., на ХII Всероссийском совещании по проблемам управления в Институте проблем управления
им. В.А. Трапезникова Российской академии наук (Москва, 2014 г.), международной научно-практической конференции «Технологии очистки воды Техновод2014» (Сочи, Красная Поляна), научно-практической internet-конференции «Междисциплинарные исследования в области математического моделирования и информатики» (Тольятти, 2014 г.), международной научно-практической конференции «Молодёжный форум: технические и математические науки» (Воронеж, 2015
г.), Российской научно-технической конференции аспирантов, студентов и молодых ученых «Информатика и вычислительная техника» (Ульяновск, 2015 г.), Всероссийской научно-практической конференции «Современные проблемы проектирования, производства и эксплуатации радиотехнических систем» (с участием
стран СНГ) (Ульяновск, 2013 и 2015 г.), Всероссийской школе-семинаре аспирантов, студентов и молодых ученых «Информатика, моделирование, автоматизация
проектирования» (Ульяновск, 2015 г.) и других.
Публикация результатов работы. Результаты исследований по теме диссертации изложены в 24 научных работах (из них 9 статей без соавторов), в том числе
в семи статьях в журналах по перечню ВАК. Получены два свидетельства о государственной регистрации программ для ЭВМ.
Личный вклад автора. Постановка задач исследования осуществлялась совместно с научным руководителем. Все основные теоретические и практические
исследования проведены автором диссертационной работы самостоятельно.
6
Структура и объем работы. Диссертационная работа состоит из введения, четырёх глав, заключения, списка использованных источников из 107 наименований
и двух приложений. Объём диссертации составляет 145 страниц, включая 43 рисунка и 20 таблиц.
СОДЕРЖАНИЕ РАБОТЫ
Введение содержит обоснование актуальности темы диссертационной работы,
в нем сформулированы цель и задачи исследования, научная новизна, теоретическая и практическая значимость полученных результатов, приведены сведения об
использовании, реализации и апробации результатов работы.
В первой главе рассмотрены устройство и работа системы водоочистки, выполнен обзор методов и моделей прогнозирования качества воды.
Анализ принципов работы системы водоочистки показал, что эффективность
функционирования этой системы в значительной мере определяется достоверностью информации о состоянии водоисточника и прогнозирования физикохимических показателей качества поступающей воды, возможностью корректировки управляющих воздействий при прогнозировании нарушений показателей качества воды, а также качеством прогнозирования состояния питьевой воды после
очистки5. В существующих системах водоочистки прогнозирование качества воды
применяется редко, а там, где применяется, процент ошибки прогноза достаточно
высок (больше 10%). Реагирование на возникающие нарушения качества очистки
воды осуществляется по факту его наступления. В частности, определение доз реагентов, необходимых для очистки воды, проводится на основе эмпирических соотношений, принятых на данной водоочистительной станции, которые учитывают
лишь текущее состояние некоторых параметров качества воды.
Использование
программного
блока,
решающего
задачи
раннего
предупреждения, позволит повысить эффективность функционирования системы
водоочистки за счёт своевременного реагирования на возникающие нарушения
очистки (рисунок 1). Существенную роль при реализации такого комплекса раннего предупреждения приобретает разработка математических моделей и алгоритмов
прогнозирования качества воды с учётом управляемых параметров.
Для решения задачи прогнозирования качества воды можно использовать
рассмотренные6 в7 обзоре8 статистические6-8 и/или нейросетевые методы9, однако
они не всегда учитывают взаимосвязанность и значимую коррелированность
5
Журба М.Г., Соколов Л.И., Говорова Ж.М. Водоснабжение. Проектирование систем и сооружений: издание второе, переработанное и дополненное в 3-х томах. Том 2. – М.: Издательство АСВ, 2004. – 496 с.
6
Душкин С.С., Благодарная Г.И.. Разработка научных основ ресурсосберегающих технологий подготовки
экологически чистой питьевой воды: Монография; Харьковская Нац. Акад. городского хоз-ва.– Харьков:
ХНАГХ, 2009. – 95 с.
7
Alferes J., Copp J. B., Vanrolleghem P. A. Forecasting techniques applied to water quality time series in view of
water quality assessment. 11th International Conference on Hydroinformatics HIC 2014, New York, 5 pp.
8
Клячкин В.Н., Кувайскова Ю.Е., Алексеева В.А. Статистические методы анализа данных. – М. : Финансы и
статистика, 2016. - 240 с.
9
Thair S.K., Abdul Hameed M. J., Ayad S. M. Prediction of water quality of Euphrates river by using artificial
neural network model (spatial and temporal study. - International Research Journal of Natural Sciences, 2014. Vol.2, No.3, pp.25-38.
7
факторов, характеризующих состояние водоисточника, что приводит к снижению
точности прогнозирования. Кроме того, в модели прогнозирования необходимо
наличие управляемых факторов для возможности отслеживания их влияния на
результирующее качество питьевой воды.
Отсюда вытекают сформулированные выше основные задачи исследования.
Рисунок 1 – Схема системы водоочистки с блоком раннего предупреждения
Во второй главе разработана методика раннего предупреждения на основе построения математических моделей для физико-химических показателей качества
поступающей воды из водоисточника и питьевой воды после очистки.
Моделирование и прогнозирование состояния водоисточника.
Предположим, что состояние водоисточника характеризуется K физикохимическими
параметрами.
Рассмотрим
K
временных
рядов
X 1 (t ), X 2 (t ), , X K (t ) . Необходимо спрогнозировать поведение этих рядов на некоторый горизонт T по имеющимся N наблюдениям. На основании сравнительного исследования различных подходов к прогнозированию взаимосвязанных временных рядов было принято решение об использовании модели векторной авторегрессии (VAR)10,11 в сочетании с элементами адаптивного динамического регрессионного моделирования12:
10
Sims C.A. Macroeconomics and Reality // Econometrica, 1980. 48. рр.1–48.
Stock J.H., Watson M.W. Vector Autoregressions // Journal of Economic Perspectives, 2001. V.15, pp.101–115.
12
Валеев С.Г. Регрессионное моделирование при обработке данных. – Казань: ФЭН, 2001. – 295 с.
11
8
K
K
K

1
1
1
X
(
t
)

a

a
X
(
t

1
)

a
X
(
t

2
)

...

a1pk X k (t  p)



0
1k k
2k k
 1
k 1
k 1
k 1

K
K
K

2
2
2
2
 X 2 (t )  a0   a1k X k (t  1)   a 2k X k (t  2)  ...   a pk X k (t  p )

k 1
k 1
k 1


K
K
K

K
K
K
K
 X K (t )  a0   a1k X k (t  1)   a 2k X k (t  2)  ...   a pk X k (t  p )
k 1
k 1
k 1

(1)
X k (t ), k  1 K – k-й временной ряд, t  1, 2, , N , p – порядок авторегрессии.
В начале процедуры моделирования исходная выборка делится на обучающую
(размера (N – V)×K) и контрольную части (размера V×K). Обучающая выборка используется для непосредственного оценивания параметров a kjk ( j  1, 2,  , p ) и построения модели VAR. Оставшаяся часть исходных данных, представленная в виде
контрольной выборки, используется для оценки качества полученной модели. При
моделировании проводится поиск оптимального порядка модели векторной авторегрессии по критерию оптимальности:
1 K
    0,
K k 1 k
(2)
где   k – среднеквадратичное отклонение контрольной выборки для k-го ряда;
V
2
  k    ik /(V  p ) ,
(3)
i 1
~
~
где V – объём контрольной выборки;  i  X i  Xˆ i ; X i – результат i-го наблюдения;
X̂ i – прогнозируемое значение по построенной модели.
Моделирование и прогнозирование качества питьевой воды.
Рассмотрим систему водоочистки, как техническую систему, результат работы
которой характеризуется выходными параметрами (показателями качества функционирования системы, в данном случае – показателями качества питьевой воды
после очистки) Ys (s = 1...S). Эти параметры зависят от набора физико-химических
показателей водоисточника Xk (k = 1… K) и управляемых параметров (реагентов,
добавление которых оказывает влияние на качество очистки) Dh (h = 1 … H).
Возникает задача моделирования и прогнозирования показателей качества питьевой воды, а также предупреждения о возможном выходе этих показателей за допустимые пределы.
При неоднородности физических свойств объекта модели, построенные для
всей области, то есть глобальные, могут обладать недостаточно высокой точностью. Для повышения точности целесообразно применить принцип кусочности модели и перейти от глобальной модели к локальным. В качестве модели, используемой для прогнозирования состояния технической системы, предлагается использовать кусочную регрессию с разрывом по отклику13. Линейный вариант модели может быть представлен следующим образом:
13
Smith H. Draper N. R. Applied Regression Analysis. Wiley India Pvt Ltd; 3rd edition (2012), pp. 728.
9
 11 X 1 (t )  ...   K 1 X K (t )  [ K 1,1 D1 (t )  ...   K  H ,1 DH (t )], Ys (t )  c,
Ys (t )  
 12 X 1 (t )  ...   K 2 X K (t )  [  K 1, 2 D1 (t )  ...   K  H , 2 DH (t )], Ys (t )  c,
(4)
где Ys (t ) – s-й показатель качества питьевой воды (отклик); X 1 (t ), X 2 (t ),..., X K (t ) –
физико-химические показатели водоисточника в момент времени t; D1 (t ),..., D H (t ) –
управляемые параметры в момент времени t; c – точка разрыва. Фактически данная
модель состоит из двух регрессий, каждая из которых применяется для определённого уровня отклика.
Одним из способов повышения качества модели может служить учёт поведения
рассматриваемого показателя в предыдущие моменты: к кусочной регрессии добавим элемент авторегрессии. Модель примет вид:
 11 X 1 (t )  ...   K 1 X K (t )  [  K 1,1 D1 (t )  ...   K  H ,1 D H (t )] 

  K  H 1,1Ys (t  1)  ...   K  H  p ,1Ys (t  p ), Ys (t )  c,
Ys (t )  
 12 X 1 (t )  ...   K 2 X K (t )  [  K 1, 2 D1 (t )  ..   K  H , 2 D H (t )] 
 
 K  H 1, 2Ys (t  1)  ...   K  H  p, 2Ys (t  p ), Ys (t )  c,
(5)
где p – порядок авторегрессии; Ys(t –1)… Ys(t – p) – значение s-го отклика в предыдущие моменты времени.
Если модель (5) для s-го показателя качества воды Ys (t ) спрогнозировала выход
за пределы коридора допустимых значений, то с помощью этих же уравнений производится соответствующая корректировка доз реагентов.
Численный метод поиска структуры модели
В процессе моделирования ведётся поиск структуры модели и одновременно
осуществляется поиск соответствующего объема обучающей выборки (размера
входных данных).
Пусть имеется выборка исходных данных качества питьевой воды размера
N×S (N – число наблюдений, S – количество переменных). Для вычисления процента ошибки прогноза исходная выборка делится на обучающую (размера P× S) и
контрольную (размера Q×S, где Q = N – P). По обучающей выборке строится модель, по контрольной – прогноз. В процессе поиска размера выборки, обеспечивающего наилучший прогноз, ведётся постепенное уменьшение объёма обучающей
выборки с P до M, где M – минимально допустимый размер обучающей выборки,
которого будет достаточно для моделирования и оценивания параметров модели. В
итоге средний процент ошибки находится по формуле:
es 
1 Q
 esi ,
Q i 1
(6)
Здесь
esi 
| Ysi  Yˆsi |
 100% ,
Ysi
(7)
Ysi – исходное значение s-го показателя качества в i-е наблюдение; Yˆsi – прогнози-
руемое значение s-го показателя качества в i-м наблюдении.
10
В результате для каждого показателя качества воды Ysi получается своя кусочная модель и соответствующий размер выборки, которые можно использовать непосредственно для прогнозирования качества очистки воды.
Совместное использование модели VAR и кусочной регрессии.
Пусть результаты наблюдений представлены в виде матрицы исходных данных
размера N×U (N – число наблюдений, U – количество переменных), содержащей
информацию о состоянии источника воды, управляемых параметрах и о результатах очистки воды. На основе этой информации нужно смоделировать и спрогнозировать будущее состояние водоисточника и результаты водоочистки. Для этого необходимо выделить из имеющегося множества данных три подмножества: N×K –
исходные данные по физико-химическим параметрам водоисточника; N×H –
управляемые параметры; N×S – исходные данные качества питьевой воды, полученной после очистки.
В результате получим данные для построения трех блоков временных рядов. С
их помощью вначале моделируем состояние водоисточника методом векторной авторегрессии: оцениваем параметры и формируем модель VAR. Далее осуществляем прогнозирование на заданный горизонт. После этого проводим моделирование
качества питьевой воды с использованием кусочно-линейной регрессии с разрывом
по отклику. После получения моделей с использованием прогноза водоисточника
методом векторной авторегрессии, а также с добавлением значений управляемых
параметров, проводим прогнозирование результатов очистки воды.
В третьей главе описан разработанный комплекс программ для раннего предупреждения о нарушении качества очистки воды и принцип его работы при использовании в системе водоочистки.
Комплекс программ включает два взаимодействующих программных обеспечения:
1) Программное
обеспечение
«Система
прогнозирования
состояния
водоисточника»;
2) Программное обеспечение «Система прогнозирования качества питьевой
воды».
На рисунке 2 показана схема взаимодействия элементов комплекса.
Рисунок 2 – Схема взаимодействия элементов комплекса раннего предупреждения.
В качестве примера на рисунке 3 представлен интерфейс (вид программы после
построения моделей прогнозирования), а на рисунке 4 алгоритм работы программного обеспечения «Система прогнозирования качества питьевой воды».
11
Разработанный программный продукт имеет характеристики: тип операционной системы – Windows XP и выше; среда разработки – Borland Delphi и C++
Builder; общий размер программ – 7,47 Мбайт.
Рисунок 3 – Результаты построения моделей и прогноза в программном обеспечении «Система
прогнозирования качества питьевой воды»
Использование комплекса в системе водоочистки позволяет проверять и корректировать значения доз реагентов, предварительно полученные по результатам
контроля, на основе прогноза показателей качества питьевой воды.
Процесс управления в системе при использовании программного блока раннего
предупреждения можно описать следующим образом. После анализа имеющейся
входной информации и принятия предварительных решений происходит их проверка. В данном случае – это проверка правильности решений относительно предварительно рассчитанных доз реагентов. При успешном прохождении блока раннего предупреждения (нет прогнозируемых нарушений), с помощью ЭВМ верхнего
уровня передаётся команда на насос-дозаторы для подачи реагентов рассчитанных
доз. Если же прогнозируются нарушения, то решается вопрос о корректировке доз
реагентов для введения показателей качества питьевой воды в коридор допустимых
значений (рисунок 5).
12
Начало
Загрузка
данных
Формирование рабочей выборки для
очередного отклика Ys
Деление выборки на обучающую и
контрольную
Перебор выборок для каждой модели, подсчёт
процента ошибки для каждого случая
Выбор модели и размера выборки с
минимальным процентом ошибки
Прогнозирование с использованием модели определённого
вида, построенной по выборке оптимального размера
нет
s=s+1
Просмотрены все
отклики? (s >= S)
да
Сравнение прогнозных значений с границами для каждого отклика
Есть
нарушения?
да
Вывод сообщения о
возможном нарушении
Корректировка значений
доз реагентов
нет
Сохранение
данных
Сохранить
данные
Дальнейшие
действия
Построить
график
Построение графика
Закончить
работу
Конец
Рисунок 4 – Алгоритм работы программного обеспечения «Система прогнозирования качества
питьевой воды»
13
Рисунок 5 – Процесс управления в системе при внедрении блока предупреждения
В четвертой главе описаны результаты численного исследования и методика
оценки эффективности системы водоочистки при применении программного блока
раннего предупреждения.
Численное исследование практического применения разработанных моделей,
алгоритмов и комплекса программ рассматривается на примере системы водоочистки Санкт-Петербургского водоканала, в которой контролируется семь показателей качества питьевой воды, шесть физико-химических параметров водоисточника
«Западный Кронштадт», а также два управляемых параметра (дозы коагулянта и
флокулянта, используемых при очистке воды).
Вначале проводится моделирование состояния водоисточника. Например, для
параметра «температура» получена следующая модель (рисунок 6):
X 1 (t )  16,945  0,857  X 1 (t  1)  0, 262  X 1 (t  2)  0,436  X 1 (t  3)  0,102  X 2 (t  1) 
 0,017  X 2 (t  2)  0,082  X 2 (t  3)  0,023  X 3 (t  1)  0,031  X 3 (t  2)  0,024  X 3 (t  3) 
 1,052  X 4 (t  1)  0,986  X 4 (t  2)  0,852  X 4 (t  3)  3,813  X 5 (t  1)  11,867  X 5 (t  2) 
 3,050  X 5 (t  3)  0,072  X 6 (t  1)  0,388  X 6 (t  2)  0,069  X 6 (t  3),
где X1 – температура ( C ), X2 – цветность (град.), X3 – мутность (мг/дм3), X4 – pH,
X5 – щёлочность (ммоль/дм3), X6 – окисляемость (мг/дм3).
14
Рисунок 6 – Графики исходного, аппроксимированного и прогнозируемого рядов
для показателя источника водоснабжения «температура»
Далее осуществляется прогнозирование на заданный горизонт. После этого
проводится моделирование показателей качества питьевой воды с использованием
кусочно-линейной регрессии с разрывом по отклику. Пример модели, полученной
для показателя Y3 – pH, показан ниже, в данном случае наилучшей получилась модель кусочно-линейной регрессии с элементом авторегрессии 1-го порядка (рисунок 7):
0,002  X 1 (t )  0,140  X 2 (t )  0,002  X 3 (t )  0,256  X 4 (t )  0,009  X 5 (t ) 
 0,000  X (t )  1,374  D (t )  0,859  D (t )  0,055  Y (t  1), Y (t )  6,321;
6
1
2
3
3

Y3 (t )  
 0,016  X (t )  0,052  X (t )  0,040  X (t )  0,429  X (t )  2,183  X (t ) 
1
2
3
4
5

 0,006  X 6 (t )  0,552  D1 (t )  0,979  D2 (t )  0,700  Y3 (t  1), Y3 (t )  6,321.
После получения моделей с использованием прогноза водоисточника и с добавлением значений управляемых параметров, проводится процедура прогнозирования результатов очистки воды. Затем прогнозы проверяются на нарушение допустимых значений и, при необходимости, кусочная регрессия используется для
корректировки доз реагентов с целью введения показателей качества питьевой воды в коридор допустимых значений.
Рисунок 7 – Графики исходного, аппроксимированного и прогнозируемого рядов
показателя качества воды pH
15
Оценка эффективности системы водоочистки проводилась по среднему суммарному времени простоя tp (в днях), необходимому для устранения нарушения:
t p   а  Pп р  t к  t а  PF  t к  t н ,
(8)
где  а – среднее количество нарушений за один день (плотность потока нарушений); Pп р – оценка вероятности пропуска нарушения: а  Pп р – среднее количество
пропусков нарушений за один день (плотность потока пропусков); а  Pп р  t к ––
среднее количество пропущенных нарушений за время t к ; t а – время устранения
одного нарушения; PF – оценка вероятности ложной тревоги за один день (плотность потока ложных тревог); PF  t к – среднее количество ложных тревог за время
t к ; t н – время контроля и наладки после выданной команды на остановку.
При использовании разработанного комплекса программ среднее суммарное
время простоя в рассматриваемом примере системы водоочистки СанктПетербургского водоканала сокращается в 1,3 раза по сравнению со временем простоя, получаемого при использовании для прогнозирования традиционных методов
пакета STATISTICA, и в 1,7 раз – по сравнению с реагированием на критические
ситуации без блока раннего предупреждения (рисунок 8).
Рисунок 8 – Зависимость среднего суммарного времени простоя ( t p )
от среднего времени между двумя нарушениями (τа, дней)
Также оценивался коэффициент готовности системы Kг . При среднем времени между двумя нарушениями, равном 1 месяцу (30 дней), среднее суммарное время простоя при использовании разработанного комплекса программ составит 2,35
дней ( Kг = 0,96), при использовании пакета STATISTICA – 3 дня ( Kг = 0,949), в
случае реагирования на критические ситуации без раннего предупреждения – 4 дня
( Kг =0,933).
16
Заключение
Поставленная цель работы – повышение эффективности системы водоочистки
на основе прогноза показателей качества питьевой воды – достигнута.
Получены следующие основные результаты:
1) Для повышения эффективности системы водоочистки предложено использовать
программный блок раннего предупреждения о возможном нарушении качества
очистки воды. При этом среднее суммарное время простоя за два месяца снижается
с 48 – 98 часов до 28 – 57 часов (в 1,3 – 1,7 раз), коэффициент готовности повышается с 0,88 до 0,97.
2) Предложен способ построения математических моделей для физико-химических
показателей качества поступающей воды из водоисточника и питьевой воды после
очистки.
3) Разработан алгоритм прогнозирования качества питьевой воды, основанный на
совместном применении векторной авторегрессии и кусочной регрессии.
4) Предложен численный метод выбора модели для прогнозирования, учитывающая совместное влияние структуры математической модели и размера обучающей
выборки на точность прогноза.
5) Проведенное численное исследование на реальных данных системы водоочистки
Санкт-Петербургского водоканала показало снижение средней ошибки прогноза
показателей качества питьевой воды с 10% при использовании предлагаемых стандартных методов прогнозирования (АРПСС, линейная регрессия и др.) до 4,6% при
применении разработанного блока раннего предупреждения.
Основные положения диссертационной работы изложены
в следующих работах:
Статьи, опубликованные в журналах, рекомендованных ВАК РФ:
1. Клячкин В.Н. Прогнозирование состояния технического объекта на основе кусочно-линейных регрессий / Клячкин В.Н., Бубырь Д.С. // Радиотехника. №7,
2014. С. 137–140.
2. Бубырь Д.С. Использование бинарных переменных при регрессионном моделировании состояния технического объекта / Бубырь Д.С., Клячкин В.Н., Карпунина И.Н. // Известия Самарского научного центра РАН. 2014. №6(2). С. 371-373.
3. Кувайскова Ю.Е. Оценка состояния объекта по регрессионным зависимостям
при прогнозировании входных параметров / Кувайскова Ю.Е., Бубырь Д.С.,
Клячкин В.Н. // Известия Самарского научного центра РАН. 2014. №6(2). С. 483486.
4. Бубырь Д.С. Система прогнозирования качества питьевой воды / Бубырь Д.С.,
Булыжев Е.М., Ю. А. Грехов, В.Н. Клячкин, Г.А. Орлов. // Автоматизация. Современные технологии. 2015. №7. С. 42-45.
5. Бубырь Д.С. Прогнозирование физико-химических показателей
водоисточника / Бубырь Д.С., Булыжев Е.М., Ю. А. Грехов, В.Н. Клячкин, Ю.Е. Кувайскова, Г.А. Орлов. // Автоматизация. Современные технологии. 2015. №5. С. 14-17.
17
6. Бубырь Д.С. Система раннего предупреждения о нарушении показателей качест-
ва питьевой воды / Бубырь Д.С. // Программные продукты и системы №2 (110),
2015. С. 119–123.
7. Клячкин В.Н. Прогнозирование состояния объекта с использованием систем
временных рядов / Клячкин В.Н., Кувайскова Ю.Е., Бубырь Д.С. // Радиотехника
№6, 2015. С.45–47.
Публикации в других изданиях:
8. Бубырь, Д. С. Задача прогнозирования временного ряда с множеством дискретных состояний / Д. С. Бубырь, Ю. С. Донцова // Современные проблемы создания и эксплуатации радиотехнических систем. Ульяновск, 2013. С. 199–201.
9. Бубырь Д.С. Регрессионные зависимости при оценке качества питьевой воды /
Бубырь Д.С. // Вузовская наука в современных условиях. В 3 ч. Ч 2. Ульяновск:
УлГТУ, 2014. С. 255–258.
10. Крашенинников В.Р. Кусочно-квадратичное моделирование регрессионных зависимостей при оценке качества питьевой воды / Крашенинников В.Р., Бубырь
Д.С. // Междисциплинарные исследования в области математического моделирования и информатики. Ульяновск: SIMJET, 2014. С. 233-236.
11. Бубырь Д.С. Выявление регрессионных зависимостей при оценке качества
питьевой воды / Бубырь Д.С. / Междисциплинарные исследования в области математического моделирования и информатики. Ульяновск: SIMJET, 2014. С. 128132.
12. Кувайскова Ю.Е. Прогнозирование состояния технического объекта на основе
мониторинга его параметров / Кувайскова Ю.Е., Клячкин В.Н., Бубырь Д.С. //
ХII Всероссийское совещание по проблемам управления: Труды. [Электронный
ресурс]. М.: Институт проблем управления им. В.А. Трапезникова РАН, 2014. С.
7616-7626.
13. Бубырь Д.С. Система раннего предупреждения на станции очистки воды / Бубырь Д.С. // Вузовская наука в современных условиях. В 3 ч. Ч 2. Ульяновск:
УлГТУ, 2015. С. 115–118.
14. Бубырь Д.С. Управление дозами реагентов на станции очистки воды / Бубырь
Д.С., Клячкин В.Н. // Вестник Ульяновского государственного технического
университета. 2015. №. 2. (70). C. 46–50.
15. Бубырь Д.С. Контроль качества очистки воды с помощью системы раннего
предупреждения / Бубырь Д.С.// Вестник Ульяновского государственного технического университета. 2015. №. 3. (71). C. 23–25.
16. Бубырь Д.С. Выявление аномальных ситуаций в системе управления водоочисткой / Бубырь Д.С., Клячкин В.Н. //Информатика и вычислительная техника
Ульяновск: УлГТУ, 2015. С. 39–42.
17. Бубырь Д.С. Применение принципа кусочности при прогнозировании состояния технической системы / Бубырь Д.С. // Современные проблемы проектирования, производства и эксплуатации радиотехнических систем. Ульяновск : УлГТУ, 2015. С. 223–225.
18. Бубырь Д.С. Разработка системы раннего предупреждения о нарушении показателей качества питьевой воды / Д. С. Бубырь // Молодежный инновационный
форум Приволжского федерального округа: Сборник аннотаций проектов. В 2 т.
Ульяновск: УлГТУ, 2015. Т. 1. С. 29–33.
18
19. Бубырь Д.С. Раннее предупреждение в системе управления водоочисткой / Д.
С. Бубырь // Актуальные направления научных исследований XXI века: теория и
практика. – Воронеж: ФГБОУ ВО «ВГЛТУ», 2015. № 7 (18-3). С. 401–404.
20. Бубырь Д.С. Разработка математических моделей и программ для обеспечения
надёжности функционирования системы управления водоочисткой. / Бубырь
Д.С., Клячкин В.Н. / Информатика, моделирование, автоматизация проектирования. Ульяновск: УлГТУ, 2015. С. 85–89.
21. Бубырь Д.С. Особенности работы системы управления водоочисткой при использовании программного блока обнаружения нарушений / Бубырь Д.С.// Вестник Ульяновского государственного технического университета. 2016. №. 1.
(73). C. 40–42.
22. Кувайскова Ю.Е. Прогнозирование состояния источника водоснабжения в целях обеспечения качества воды. / Кувайскова Ю.Е., Булыжев Е.М., Клячкин
В.Н., Бубырь Д.С. / Справочник. Инженерный журнал с приложением. 2016. № 5
(230). С. 37–42.
Свидетельства о регистрации программы:
23. Бубырь Д.С. Система прогнозирования качества питьевой воды / Бубырь Д.С.,
Булыжев Е.М., Ю. А. Грехов, В.Н. Клячкин, Г.А. Орлов // Свидетельство о государственной регистрации программы для ЭВМ № 2015610115.
24. Бубырь Д.С. Система прогнозирования состояния водоисточника / Бубырь Д.С.,
Булыжев Е.М., Ю. А. Грехов, В.Н. Клячкин, Ю.Е. Кувайскова, Г.А. Орлов //
Свидетельство о государственной регистрации программы для ЭВМ №
2015610117.
19
1/--страниц
Пожаловаться на содержимое документа