CN101833281A - 污水处理曝气节能控制方法 - Google Patents

污水处理曝气节能控制方法 Download PDF

Info

Publication number
CN101833281A
CN101833281A CN 201010118387 CN201010118387A CN101833281A CN 101833281 A CN101833281 A CN 101833281A CN 201010118387 CN201010118387 CN 201010118387 CN 201010118387 A CN201010118387 A CN 201010118387A CN 101833281 A CN101833281 A CN 101833281A
Authority
CN
China
Prior art keywords
execution
aeration
sewage treatment
control method
total error
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN 201010118387
Other languages
English (en)
Inventor
肖国强
罗飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Guangzhou Toshiba Baiyun Automation System Co Ltd
Guangzhou Toshiba Baiyun Control System Engineering Co Ltd
Original Assignee
South China University of Technology SCUT
Guangzhou Toshiba Baiyun Automation System Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT, Guangzhou Toshiba Baiyun Automation System Co Ltd filed Critical South China University of Technology SCUT
Priority to CN 201010118387 priority Critical patent/CN101833281A/zh
Publication of CN101833281A publication Critical patent/CN101833281A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Activated Sludge Processes (AREA)

Abstract

本发明公开了一种污水处理曝气节能控制方法，包括以下步骤：01、运行模式选择；11、建立模型；21、学习数据处理；31、神经网络方法学习；41、运行控制。本发明实现工艺处理设备的最优节能控制，并具备工艺参数自我分析、自我诊断及自动处理等自我管理功能；具备很强的自适应能力及鲁棒性，节能效果很好。本发明作为一种污水处理曝气节能控制方法广泛应用于污水处理过程中。

Description

污水处理曝气节能控制方法
技术领域
本发明涉及一种控制方法，特别是一种污水处理曝气节能控制方法。
背景技术
对污水处理的生化反应过程中，送氧鼓风量与溶解氧和氨的变化关系容易受到污水的浓度、天气、气温、时间变化等环境因素的影响，因而会产生非线性、时变、不确定性、时滞等问题。传统的污水处理过程中鼓风机的送氧量是固定不变的，如果鼓风机送氧量过少则会导致污水处理的生化反应过程不充分，严重影响污水处理的效果；如果鼓风机的送氧量过多，则虽然污水处理的生化反应过程充分，但是鼓风机浪费大量电能量，传统简单的污水处理曝气控制方法不能达到既满足送氧量又节省电能的效果。
发明内容
为了解决上述的技术问题，本发明的目的是提供一种实时监控、会自学习且节能环保的污水处理曝气节能控制方法。
本发明解决其技术问题所采用的技术方案是：
污水处理曝气节能控制方法，包括以下步骤：
01、运行模式选择；
11、建立模型；
21、学习数据处理；
31、神经网络方法学习；
41、运行控制。
进一步，所述步骤11包括以下步骤：
11、如果建立模型则执行步骤12，否则返回；
12、选择组态模型，确定输入/输出层参数；
13、保存模型参数。
进一步，所述步骤21包括以下步骤：
21、如果学习数据处理则执行步骤22，否则返回；
22、读取历史运行数据；
23、数据自动筛选并封装集；
24、人工手动高级筛选数据；
25、学习数据处理结束。
进一步，所述步骤31包括以下步骤：
31、如果神经网络方法学习则执行步骤32，否则返回；
32、初始参数设定；
33、选择学习数据集；
34、选择学习方式；
35、选择神经网络NNs函数；
36、学习处理结果分析；
37、保存学习结果。
进一步，所述步骤41包括以下步骤：
41、如果运行控制则执行步骤42，否则返回；
42、首次运行则执行步骤43，否则执行步骤45；
43、加载神经网络NNs模型数据；
44、加载神经网络NNs学习结果；
45、神经网络NNs预测运算；
46、预测值处理及输出。
进一步，所述神经网络学习流程包括以下步骤：
81、设定隐层节点数、初始权值、初始阀值、权值调节系数、阀值调节系数、最大学习次数、最小总误差；
82、输入所有学习样本数据，学习次数加1；
83、各节点一般化误差及输出总误差计算；
84、如果当前学习次数t等于设定最大学习次数T且输出总误差E不小于设定最小总误差Er则执行步骤85，如果当前学习次数t不等于设定最大学习次数T且输出总误差E不小于设定最小总误差Er则执行步骤87，如果输出总误差E小于设定最小总误差Er则执行步骤88；
85、输出总误差E减去设定最小总误差Er的差值小于一定数值δ则执行步骤88，否认执行步骤86；
86、对网络进行修正，增大最大学习次数或增大调节系数或增加隐节点数或改变初始权值和阀值大小，执行步骤82；
87、根据权值调节公式、阀值调节公式对权值、阀值调节，执行步骤82；
88、结束。
进一步，所述最大学习次数T为10000。
进一步，所述最小总误差Er为0.001。
进一步，所述步骤81初始权值Wij为-0.3至0.3中的随机数。
进一步，所述步骤81初始阀值为0.05。
本发明的有益效果是：本发明实现工艺处理设备的最优节能控制，并具备工艺参数自我分析、自我诊断及自动处理等自我管理功能；具备很强的自适应能力及鲁棒性，节能效果很好。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是本发明污水处理曝气节能控制方法流程图；
图2是本发明神经网络学习方法流程图。
具体实施方式
参照图1，污水处理曝气节能控制方法，包括以下步骤：
01、运行模式选择；
11、建立模型；
21、学习数据处理；
31、神经网络方法学习；
41、运行控制。
进一步，所述步骤11包括以下步骤：
11、如果建立模型则执行步骤12，否则返回；
12、选择组态模型，确定输入/输出层参数；
13、保存模型参数。
进一步，所述步骤21包括以下步骤：
21、如果学习数据处理则执行步骤22，否则返回；
22、读取历史运行数据；
23、数据自动筛选并封装集；
24、人工手动高级筛选数据；
25、学习数据处理结束。
进一步，所述步骤31包括以下步骤：
31、如果神经网络方法学习则执行步骤32，否则返回；
32、初始参数设定；
33、选择学习数据集；
34、选择学习方式；
35、选择神经网络NNs函数；
36、学习处理结果分析；
37、保存学习结果。
进一步，所述步骤41包括以下步骤：
41、如果运行控制则执行步骤42，否则返回；
42、首次运行则执行步骤43，否则执行步骤45；
43、加载神经网络NNs模型数据；
44、加载神经网络NNs学习结果；
45、神经网络NNs预测运算；
46、预测值处理及输出。
所述神经网络NNs模型是对人脑或自然神经网络(Natural NeuralNetwork)若干基本特性的抽象和模拟。人工神经网络以对大脑的生理研究成果为基础的，其目的在于模拟大脑的某些机理与机制，实现某个方面的功能。人工神经网络的定义就是：人工神经网络是由人工建立的以有向图为拓扑结构的动态系统，它通过对连续或断续的输入作状态相应并进行信息处理。
进一步参照图2，所述神经网络学习流程包括以下步骤：
81、设定隐层节点数、初始权值、初始阀值、权值调节系数、阀值调节系数、最大学习次数、最小总误差；
82、输入所有学习样本数据，学习次数加1；
83、各节点一般化误差及输出总误差计算；
84、如果当前学习次数t等于设定最大学习次数T且输出总误差E不小于设定最小总误差Er则执行步骤85，如果当前学习次数t不等于设定最大学习次数T且输出总误差E不小于设定最小总误差Er则执行步骤87，如果输出总误差E小于设定最小总误差Er则执行步骤88；
85、输出总误差E减去设定最小总误差Er的差值小于一定数值δ则执行步骤88，否认执行步骤86；
86、对网络进行修正，增大最大学习次数或增大调节系数或增加隐节点数或改变初始权值和阀值大小，执行步骤82；
87、根据权值调节公式、阀值调节公式对权值、阀值调节，执行步骤82；
88、结束。
进一步，所述最大学习次数T为10000。
进一步，所述最小总误差Er为0.001。
进一步，所述步骤81初始权值Wij为-0.3至0.3中的随机数。
进一步，所述步骤81初始阀值为0.05。
其中初始权值Wij，Wjk均取(-0.3，0.3)的随机数，初始阀值均取0.05，调节系数取0.1，最大学习次数为10000，最小总误差为0.001。
t为当前学习次数，T为设定最大学习次数；E为输出总误差，Er为设定最小总误差。δ的范围视具体数据值而定。
本发明对污水处理的生化反应过程中，送氧鼓风量与溶解氧和氨的变化关系易受到污水的浓度、天气、气温、时间变化等环境因素的影响所产生的非线性、时变、不确定性、时滞等问题，采用能适应环境变化的基于粗糙集的RBF神经网络污水生化处理过程的动态多变量模型，模拟污水生化处理中送氧鼓风量与溶解氧和氨的变化，使之能够较好的反映污水处理的生化反应过程，具有较好的鲁棒性。
针对污水处理中参数的随机多变性以及RBF神经网络容易陷入局部收敛的问题，采用基于混沌时间序列的最小二乘支持向量机污水生化处理过程的动态多变量模型，使之能够反映参数的随机多变性，保证模型的全局收敛性。
根据污水生化处理过程的动态多变量神经网络模型(输入层主要输入NH4-N、SS、T、MLSS、DO、ORP等实时参数，输出层主要为风量、总管压力等参数)，以及溶解氧和氨目标值与实际值的误差评价函数，求出最小鼓风量，实现最小送风量的多变量节能优化控制。
设计和实现基于溶解氧的污水生化自动控制系统，运用建模和最优控制的控制方法，使得污水处理厂每年节约电费10％以上。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.污水处理曝气节能控制方法，其特征在于：包括以下步骤：
01、运行模式选择；
11、建立模型；
21、学习数据处理；
31、神经网络方法学习；
41、运行控制。
2.根据权利要求1所述的污水处理曝气节能控制方法，其特征在于：所述步骤11包括以下步骤：
11、如果建立模型则执行步骤12，否则返回；
12、选择组态模型，确定输入/输出层参数；
13、保存模型参数。
3.根据权利要求1所述的污水处理曝气节能控制方法，其特征在于：所述步骤21包括以下步骤：
21、如果学习数据处理则执行步骤22，否则返回；
22、读取历史运行数据；
23、数据自动筛选并封装集；
24、人工手动高级筛选数据；
25、学习数据处理结束。
4.根据权利要求1所述的污水处理曝气节能控制方法，其特征在于：所述步骤31包括以下步骤：
31、如果神经网络方法学习则执行步骤32，否则返回；
32、初始参数设定；
33、选择学习数据集；
34、选择学习方式；
35、选择神经网络NNs函数；
36、学习处理结果分析；
37、保存学习结果。
5.根据权利要求1所述的污水处理曝气节能控制方法，其特征在于：所述步骤41包括以下步骤：
41、如果运行控制则执行步骤42，否则返回；
42、首次运行则执行步骤43，否则执行步骤45；
43、加载神经网络NNs模型数据；
44、加载神经网络NNs学习结果；
45、神经网络NNs预测运算；
46、预测值处理及输出。
6.根据权利要求1所述的污水处理曝气节能控制方法，其特征在于：所述神经网络学习流程包括以下步骤：
81、设定隐层节点数、初始权值、初始阀值、权值调节系数、阀值调节系数、最大学习次数、最小总误差；
82、输入所有学习样本数据，学习次数加1；
83、各节点一般化误差及输出总误差计算；
84、如果当前学习次数t等于设定最大学习次数T且输出总误差E不小于设定最小总误差Er则执行步骤85，如果当前学习次数t不等于设定最大学习次数T且输出总误差E不小于设定最小总误差Er则执行步骤87，如果输出总误差E小于设定最小总误差Er则执行步骤88；
85、输出总误差E减去设定最小总误差Er的差值小于一定数值δ则执行步骤88，否认执行步骤86；
86、对网络进行修正，增大最大学习次数或增大调节系数或增加隐节点数或改变初始权值和阀值大小，执行步骤82；
87、根据权值调节公式、阀值调节公式对权值、阀值调节，执行步骤82；
88、结束。
7.根据权利要求6所述的污水处理曝气节能控制方法，其特征在于：所述最大学习次数T为10000。
8.根据权利要求6所述的污水处理曝气节能控制方法，其特征在于：所述最小总误差Er为0.001。
9.根据权利要求6所述的污水处理曝气节能控制方法，其特征在于：所述步骤81初始权值Wij为-0.3至0.3中的随机数。
10.根据权利要求6所述的污水处理曝气节能控制方法，其特征在于：所述步骤81初始阀值为0.05。
CN 201010118387 2010-02-26 2010-02-26 污水处理曝气节能控制方法 Pending CN101833281A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201010118387 CN101833281A (zh) 2010-02-26 2010-02-26 污水处理曝气节能控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201010118387 CN101833281A (zh) 2010-02-26 2010-02-26 污水处理曝气节能控制方法

Publications (1)

Publication Number Publication Date
CN101833281A true CN101833281A (zh) 2010-09-15

Family

ID=42717381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201010118387 Pending CN101833281A (zh) 2010-02-26 2010-02-26 污水处理曝气节能控制方法

Country Status (1)

Country Link
CN (1) CN101833281A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102122134A (zh) * 2011-02-14 2011-07-13 华南理工大学 基于模糊神经网络的溶解氧控制的废水处理方法及系统
CN104591415A (zh) * 2015-01-19 2015-05-06 西安建筑科技大学 一种等温层曝气器优化运行方法
CN105404143A (zh) * 2015-12-07 2016-03-16 武汉重工铸锻有限责任公司 燃气炉窑炉膛压力计算机智能模糊控制节能方法
CN108921364A (zh) * 2018-09-30 2018-11-30 中冶华天工程技术有限公司 基于人工智能的污水处理厂鼓风机节能降耗方法
CN108958033A (zh) * 2018-07-27 2018-12-07 南宁学院 一种城市污水曝气处理智能控制方法
CN112939209A (zh) * 2021-02-03 2021-06-11 上海市城市建设设计研究总院（集团）有限公司 基于人工神经网络的污水处理曝气控制系统及其运行方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334395A (zh) * 2008-08-07 2008-12-31 北京工业大学 Cod软测量的方法
CN101387632A (zh) * 2008-10-17 2009-03-18 北京工业大学 一种污水处理过程中生化需氧量bod的软测量方法
CN101566612A (zh) * 2009-05-27 2009-10-28 复旦大学 一种污水化学需氧量软测量方法
CN101576734A (zh) * 2009-06-12 2009-11-11 北京工业大学 基于动态径向基神经网络的溶解氧的控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334395A (zh) * 2008-08-07 2008-12-31 北京工业大学 Cod软测量的方法
CN101387632A (zh) * 2008-10-17 2009-03-18 北京工业大学 一种污水处理过程中生化需氧量bod的软测量方法
CN101566612A (zh) * 2009-05-27 2009-10-28 复旦大学 一种污水化学需氧量软测量方法
CN101576734A (zh) * 2009-06-12 2009-11-11 北京工业大学 基于动态径向基神经网络的溶解氧的控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《微计算机信息》 20090930 梁斌等 基于人工神经网络的鼓风曝气控制的研究 64-65 1-10 第25卷, 第9-1期 2 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102122134A (zh) * 2011-02-14 2011-07-13 华南理工大学 基于模糊神经网络的溶解氧控制的废水处理方法及系统
CN104591415A (zh) * 2015-01-19 2015-05-06 西安建筑科技大学 一种等温层曝气器优化运行方法
CN105404143A (zh) * 2015-12-07 2016-03-16 武汉重工铸锻有限责任公司 燃气炉窑炉膛压力计算机智能模糊控制节能方法
CN105404143B (zh) * 2015-12-07 2017-12-22 武汉重工铸锻有限责任公司 燃气炉窑炉膛压力计算机智能模糊控制节能方法
CN108958033A (zh) * 2018-07-27 2018-12-07 南宁学院 一种城市污水曝气处理智能控制方法
CN108921364A (zh) * 2018-09-30 2018-11-30 中冶华天工程技术有限公司 基于人工智能的污水处理厂鼓风机节能降耗方法
CN112939209A (zh) * 2021-02-03 2021-06-11 上海市城市建设设计研究总院（集团）有限公司 基于人工神经网络的污水处理曝气控制系统及其运行方法

Similar Documents

Publication Publication Date Title
US9747544B2 (en) Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network
Huang et al. A neural network-based multi-zone modelling approach for predictive control system design in commercial buildings
CN102629106B (zh) 供水控制方法及系统
Zhang et al. Building energy management with reinforcement learning and model predictive control: A survey
CN103744293B (zh) 基于模糊神经网络的废水处理监控方法和系统
CN101833281A (zh) 污水处理曝气节能控制方法
CN112036633B (zh) 一种基于水库生态发电多目标中长期随机调度模型的优化调度方法
CN107909220A (zh) 一种电采暖负荷预测方法
WO2023070293A1 (zh) 一种工业副产煤气系统长期调度方法
CN110326008A (zh) 将机器学习集成到控制系统中
CN105676649A (zh) 一种基于自组织神经网络的污水处理过程控制方法
CN106026084B (zh) 一种基于虚拟发电部落的agc功率动态分配方法
CN113237135B (zh) 基于SD-LSTMs的公寓独立供热系统需热量预测及节能控制方法
CN115017584A (zh) 一种基于进化深度强化学习的商业建筑hvac控制方法及系统
CN113642803A (zh) 一种考虑水量预测的供水泵组优化调度方法
CN116907036A (zh) 一种基于冷负荷预测的深度强化学习冷水机组控制方法
CN117634707A (zh) 一种低碳污水处理过程多指标建模与优化运行方法
Dounis et al. Intelligent coordinator of fuzzy controller-agents for indoor environment control in buildings using 3-D fuzzy comfort set
CN117313948A (zh) 一种二次供水泵组优化调配方法
CN117190405A (zh) 一种基于强化学习的除湿机组系统的节能优化控制方法
CN105511270B (zh) 一种基于协同进化的pid控制器参数优化方法和系统
CN201749343U (zh) 污水处理控制系统
CN114036819B (zh) 基于自组织随机配置网络的污水总磷软测量方法及系统
CN114527716B (zh) 一种基于注意力机制和行为克隆模型的污水处理预测控制方法
CN115511218A (zh) 基于多任务学习与深度学习的间歇型电器负荷预测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C12 Rejection of a patent application after its publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20100915