CN110132629B - 一种利用支持向量机预测农村生活污水处理设施运行有效性的方法 - Google Patents

一种利用支持向量机预测农村生活污水处理设施运行有效性的方法 Download PDF

Info

Publication number
CN110132629B
CN110132629B CN201910491864.0A CN201910491864A CN110132629B CN 110132629 B CN110132629 B CN 110132629B CN 201910491864 A CN201910491864 A CN 201910491864A CN 110132629 B CN110132629 B CN 110132629B
Authority
CN
China
Prior art keywords
conductivity
domestic sewage
sewage treatment
water
rural domestic
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.)
Active
Application number
CN201910491864.0A
Other languages
English (en)
Other versions
CN110132629A (zh
Inventor
郁强强
刘锐
陈吕军
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.)
Yangtze Delta Region Institute of Tsinghua University Zhejiang
Original Assignee
Yangtze Delta Region Institute of Tsinghua University Zhejiang
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 Yangtze Delta Region Institute of Tsinghua University Zhejiang filed Critical Yangtze Delta Region Institute of Tsinghua University Zhejiang
Priority to CN201910491864.0A priority Critical patent/CN110132629B/zh
Publication of CN110132629A publication Critical patent/CN110132629A/zh
Priority to US17/615,631 priority patent/US20220316994A1/en
Priority to PCT/CN2020/078401 priority patent/WO2020244265A1/zh
Application granted granted Critical
Publication of CN110132629B publication Critical patent/CN110132629B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F3/00—Biological treatment of water, waste water, or sewage
    • C02F3/006—Regulation methods for biological treatment
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F3/00—Biological treatment of water, waste water, or sewage
    • C02F3/02—Aerobic processes
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F3/00—Biological treatment of water, waste water, or sewage
    • C02F3/02—Aerobic processes
    • C02F3/12—Activated sludge processes
    • C02F3/1236—Particular type of activated sludge installations
    • C02F3/1263—Sequencing batch reactors [SBR]
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F3/00—Biological treatment of water, waste water, or sewage
    • C02F3/30—Aerobic and anaerobic processes
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F3/00—Biological treatment of water, waste water, or sewage
    • C02F3/32—Biological treatment of water, waste water, or sewage characterised by the animals or plants used, e.g. algae
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F3/00—Biological treatment of water, waste water, or sewage
    • C02F3/32—Biological treatment of water, waste water, or sewage characterised by the animals or plants used, e.g. algae
    • C02F3/327—Biological treatment of water, waste water, or sewage characterised by the animals or plants used, e.g. algae characterised by animals and plants
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/008—Subject matter not provided for in other groups of this subclass by doing functionality tests
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/001—Upstream control, i.e. monitoring for predictive control
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/005—Processes using a programmable logic controller [PLC]
    • C02F2209/006—Processes using a programmable logic controller [PLC] comprising a software program or a logic diagram
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/005—Processes using a programmable logic controller [PLC]
    • C02F2209/008—Processes using a programmable logic controller [PLC] comprising telecommunication features, e.g. modems or antennas
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/05—Conductivity or salinity
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/08—Chemical Oxygen Demand [COD]; Biological Oxygen Demand [BOD]
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/10—Solids, e.g. total solids [TS], total suspended solids [TSS] or volatile solids [VS]
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/14—NH3-N
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/16—Total nitrogen (tkN-N)
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/18—PO4-P
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F3/00—Biological treatment of water, waste water, or sewage
    • C02F3/02—Aerobic processes
    • C02F3/12—Activated sludge processes
    • C02F3/1236—Particular type of activated sludge installations
    • C02F3/1242—Small compact installations for use in homes, apartment blocks, hotels or the like
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W10/00—Technologies for wastewater treatment
    • Y02W10/10—Biological treatment of water, waste water, or sewage

Abstract

本发明公开了一种利用支持向量机预测农村生活污水处理设施运行有效性的方法，该方法同时采集进水电导率和出水电导率，并记录农村生活污水处理设施的运行情况；以进水电导率和出水电导率作为输入，农村生活污水处理设施的运行情况作为输出，利用支持向量机对训练集进行训练，构建农村生活污水处理设施运行有效性的预测模型；采集待预测的处理设施的进水电导率和出水电导率，输入至预测模型中，得到预测结果。本发明方法将进出水电导率检测指标与农村生活污水处理设施的运行有效性进行关联，并构建支持向量机模型获得预测模型，不仅预测准确性高，而且快速、廉价。

Description

一种利用支持向量机预测农村生活污水处理设施运行有效性 的方法
技术领域
本发明涉及废水处理技术领域，尤其涉及一种利用支持向量机预测农村生活污水处理设施运行有效性的方法。
背景技术
随着农村经济的迅速发展，农民生活水平得到了较大地提高，而农村的环境建设与经济发展却并不同步，水环境污染问题尤为严重，其中农村生活污水的处理越来越受到大家的重视。由于农村生活污水具有水量小和排放分散的特点，我国建设了大量的分散式农村生活污水处理设施，这些处理设施的规模较少，每天处理的水量一般为几吨至几百吨，且地理位置高度分散，每个县区的设施数量就能达到成百上千座，这些设施的长效运行对于农村生活污水的处理以及农村环境的改善尤为重要。
目前，农村生活污水处理设施的运行管理主要依靠人工进行，而设施运行的有效性尤其是对污水中COD、氨氮、TP等主要污染物的去除效果目前无法快速判断。如果基于国标法监测水质指标，在监管过程中取样与水质测试的成本较高、周期较长、工作量较大，难以实时指示设施的运行有效性。
对于数量众多且位置分散的农村生活污水处理设施而言，采样和水质测试的工作量十分巨大。并且，基于国标方法，检测的成本较高，时效性较差，无法通过获得实时出水结果来针对性的调控农村生活污水处理设施。而采用基于光谱法原理的COD、氨氮等指标的快速检测设备，不仅价格较为昂贵，且与国标法存在一定误差，因而通过这些快速水质检测仪器获得的结果来判断农村生活污水处理设施的运行情况时，往往因误差累积而使得判断结果失准。
因此，对农村生活污水处理设施运行有效性的监测是农村污水处理设施运维的难题。
发明内容
本发明提供了一种利用支持向量机预测农村生活污水处理设施运行有效性的方法，该方法将进出水电导率检测指标与农村生活污水处理设施的运行有效性进行关联，并构建支持向量机模型获得预测模型，不仅预测准确性高，而且快速、廉价。
具体技术方案如下：
一种利用支持向量机预测农村生活污水处理设施运行有效性的方法，包括以下步骤：
(1)选取若干农村生活污水处理设施作为训练集，同时采集训练集中农村生活污水处理设施的进水电导率和出水电导率，并记录相对应的农村生活污水处理设施的运行情况；
(2)以进水电导率和出水电导率作为输入，农村生活污水处理设施的运行情况作为输出，利用支持向量机对训练集进行训练，构建农村生活污水处理设施运行有效性的预测模型；
(3)采集待预测的农村生活污水处理设施的进水电导率和出水电导率，输入至步骤(2)所得的预测模型中，得到预测结果。
本发明中，所述的农村生活污水是指农村居民生活所产生的污水，具体包括三类污水，即：经化粪池处理后的粪尿污水、厨房污水和洗衣污水，其主要污染物为COD、总氮、氨氮、总磷以及悬浮物SS。所述农村生活污水处理设施是指用于处理农村生活污水的处理设置。
经试验发现，对于上述农村生活污水处理设施而言，进水电导率和出水电导率与农村生活污水处理设施的运行有效性之间存在相关性，可以将进水电导率和出水电导率作为输入代入支持向量机模型中，并根据农村生活污水处理设施的运行情况结果进行训练，构建农村生活污水处理设施运行有效性的预测模型，进而实现农村生活污水处理设施运行有效性的预测。
为保证预测模型的预测结果更为准确，步骤(1)中，所述训练集中样本数量至少大于120～150个。
由于电导率值与水温有关，本领域普遍以水温20℃或者25℃时的电导率值作为参比进行校正，且常规电导率仪一般会自动校正。本发明中只需保证测定的电导率采用相同标准进行校正即可。
本发明所述农村生活污水处理设施为A2O处理设施、人工湿地处理设施、SBR处理设施和曝气滤池处理设施中的至少一种。上述农村生活污水处理设施均由进水调节池和污水处理装置两部分组成，污水处理装置的出水处设有出水井。
步骤(1)中，所述运行情况为有效运行或无效运行；
所述有效运行和无效运行的判别方法为：若农村生活污水处理设施对农村生活污水的COD、氨氮、总磷和悬浮物中的任意一个指标的去除率≥百分比阈值，且没有出现COD、氨氮、总氮、总磷中任意两个指标的出水浓度大于进水浓度的情况，则判定为有效运行；反之则为无效运行；
所述百分比阈值为20％～70％。
百分比阈值可根据实际情况进行设定，试验发现，百分比阈值的大小设定不影响本发明方法的适用性。
进一步地，步骤(1)中，
所述进水电导率在农村生活污水处理设施的调节池内测定，测定时间为调节池内提升泵开启15min后；
所述出水电导率在农村生活污水处理设施的出水井内测定，与进水电导率同时测定；
进水电导率和出水电导率的测定方式为：采集调节池内或出水井内的水样测定电导率值；或者，直接采用在线监测电导率仪测定调节池内或出水井内的水。
作为优选，在提升泵开启15min后，同时各测定进水电导率和出水电导率一次，此后每隔15分钟各检测进水电导率和出水电导率一次，共连续测定3～4次，分别取平均值作为检测阶段的进水电导率值和出水电导率值；
在每次检测进水电导率和出水电导率的同时，均分别测定农村生活污水处理设施调节池和出水井中COD、氨氮、总氮、总磷和悬浮物的浓度，计算各污染物在进水和出水中浓度的平均值作为检测阶段的COD、氨氮、总氮、总磷和悬浮物的浓度，用于判断农村生活污水处理设施的运行情况。
进一步地，步骤(2)中，先分别将进水电导率和出水电导率代入mapminmax函数中进行归一化处理，再输入至支持向量机中；
mapminmax函数的公式为：y＝(x-xmin)/(xmax-xmin) (1)；
式(1)中，y为归一化处理后的进水电导率或出水电导率的实测数据，x为归一化处理前的进水电导率或出水电导率的实测数据，xmin为x中的最小值，xmax为x中的最大值；
将有效运行的农村生活污水处理设施标记为1，无效运行的农村生活污水处理设施标记为-1。
进一步地，步骤(2)中，利用Libsvm工具箱训练模型，所述训练包括惩罚参数c和RBF核函数参数g的优化；
所述优化依据K-CV交叉验证结合网格寻优进行，具体为采用SVMcgForClass函数对惩罚参数c和核函数参数g进行两轮优选，得到惩罚参数c和核函数参数g的最优解。
与现有技术相比，本发明具有以下有益效果：
(1)本发明方法将进出水电导率检测指标与农村生活污水处理设施的运行有效性进行关联，并构建支持向量机模型获得预测模型，不仅预测准确性高，而且快速、廉价。
(2)相对于常规的标准检测方法(最快需要30min左右的时间)，本发明预测方法可以实现快速预测，有利于后续设施调控的进行。
附图说明
图1为本发明利用支持向量机预测农村生活污水处理设施运行有效性的方法的流程图。
图2为实施例1中粗选过程最佳惩罚参数c和核函数参数g的选择结果图。
图3为实施例1中细选过程最佳惩罚参数c和核函数参数g的选择结果图。
图4为实施例1中预测结果与实际结果的对比图。
图5为实施例2中预测结果与实际结果的对比图。
图6为实施例3中预测结果与实际结果的对比图。
具体实施方案
下面结合具体实施例对本发明作进一步描述，以下列举的仅是本发明的具体实施例，但本发明的保护范围不仅限于此。
实施例1
一种利用支持向量机预测农村生活污水处理设施运行有效性的方法，具体步骤如下：
(1)选取长三角地区164个农村生活污水处理设施，该农村生活污水处理设施包含主流的A2O处理设施、人工湿地处理设施、SBR处理设施和曝气滤池设施，处理规模5-160t/d不等；所有设施均由调节池和污水处理装置两部分组成，进水调节池的进水端装有提升泵，污水处理装置的出水处设有出水井。上述设施处理的农村生活污水由经化粪池处理后的粪尿污水、厨房污水和洗衣污水组成，其主要污染物为COD、总氮、氨氮、总磷以及悬浮物；
测定农村生活污水处理设施的进水电导率和出水电导率，具体测定方法为：
在提升泵开启15min后，同时采集调节池和出水井内的水样，测定得到第一次进水电导率值和第一次出水电导率值；15分钟后，测定得到第二次进水电导率值和第二次出水电导率值；30分钟后，测定得到第三次进水电导率值和第三次出水电导率值；将三次进水电导率的值和进水电导率的值平均，得到平均进水电导率值和平均出水电导率值；
与此同时，测定三次农村生活污水处理设施调节池和出水井内水中的COD、氨氮、总氮、总磷和悬浮物的浓度，计算上述各污染物浓度的平均值作为检测阶段的COD、氨氮、总氮、总磷和悬浮物的浓度，用于判断农村生活污水处理设施的运行情况，记录测定电导率所对应的农村生活污水处理设施的运行情况，即：是有效运行还是无效运行；
若农村生活污水处理设施对农村生活污水的COD、氨氮、总磷和悬浮物中的任意一个指标的去除率≥20％，且没有出现COD、氨氮、总氮、总磷中任意两个指标的出水浓度大于进水浓度的情况，则为有效运行；反之，则为无效运行。
(2)以进水电导率和出水电导率作为输入，农村生活污水处理设施的运行情况作为输出，在164组数据中随机选取154组作为训练集，利用支持向量机进行训练，构建农村生活污水处理设施运行有效性的预测模型；
具体步骤为：
先分别将进水电导率和出水电导率代入mapminmax函数中进行归一化处理，再输入至支持向量机中；
mapminmax函数的公式为：y＝(x-xmin)/(xmax-xmin) (1)；
式(1)中，y为归一化处理后的进水电导率或出水电导率的实测数据，y为归一化处理前的进水电导率或出水电导率的实测数据，xmin为x中的最小值，xmax为x中的最大值；
将有效运行的农村生活污水设施标记为1，无效运行的农村生活污水设施标记为-1。
训练过程中，利用Libsvm工具箱实现支持向量机对训练集进行训练，构建农村生活污水处理设施运行出水达标情况的预测模型，进行惩罚参数c和RBF核函数参数g的优化；
依据K-CV交叉验证结合网格寻优进行参数优化，利用SVMcgForClass函数对惩罚参数c和核函数参数g进行两轮优选，得到惩罚参数c和核函数参数g的最优解；
其中，第一轮为粗选，惩罚参数c和核函数参数g的变化范围分别为[2-10,210]和[2-10,210]；第二轮为细选，惩罚参数c和核函数参数g的变化范围分别为[20,210]和[2-2,210]。
(3)剩余的10组数据作为预测集，将待预测的农村生活污水处理设施的进水电导率和出水电导率输入至步骤(2)所得的预测模型中，得到预测结果。
预测结果：9个设施的实际有效性与预测有效性相同，表明预测正确；1个设施的实际有效性与预测有效性不同，表明预测错误；故预测集的预测正确率为90％。
实施例2
本实施例除将有效运行的判定改为“农村生活污水处理设施对农村生活污水的COD、氨氮、总磷和SS中的任意一个指标的去除率≥30％且没有出现COD、氨氮、总氮、总磷中任意两个指标的出水浓度大于进水浓度”外，其余采用与实施例1完全相同的样本和预测方法。
预测结果：9个设施的实际有效性与预测有效性相同，表明预测正确；1个设施的实际有效性与预测有效性不同，表明预测错误；故预测集的预测正确率为90％。
实施例3
本实施例除将有效运行的判定改为“农村生活污水处理设施对农村生活污水的COD、氨氮、总磷和SS中的任意一个指标的去除率≥70％且没有出现COD、氨氮、总氮、总磷中任意两个指标的出水浓度大于进水浓度”外，其余采用与实施例1完全相同的样本和预测方法。
预测结果：8个设施的实际有效性与预测有效性相同，表明预测正确；2个设施的实际有效性与预测有效性不同，表明预测错误；故预测集的预测正确率为80％。

Claims (6)

1.一种利用支持向量机预测农村生活污水处理设施运行有效性的方法，其特征在于，包括以下步骤：
(1)选取若干农村生活污水处理设施作为训练集，同时采集训练集中农村生活污水处理设施的进水电导率和出水电导率，并记录相对应的农村生活污水处理设施的运行情况；
所述运行情况为有效运行或无效运行；
所述有效运行和无效运行的判别方法为：若农村生活污水处理设施对农村生活污水的COD、氨氮、总磷和悬浮物中的任意一个指标的去除率≥百分比阈值，且没有出现COD、氨氮、总氮、总磷中任意两个指标的出水浓度大于进水浓度的情况，则判定为有效运行；反之则为无效运行；
所述百分比阈值为20％～70％；
(2)以进水电导率和出水电导率作为输入，农村生活污水处理设施的运行情况作为输出，利用支持向量机对训练集进行训练，构建农村生活污水处理设施运行有效性的预测模型；
(3)采集待预测的农村生活污水处理设施的进水电导率和出水电导率，输入至步骤(2)所得的预测模型中，得到预测结果。
2.如权利要求1所述的利用支持向量机预测农村生活污水处理设施运行有效性的方法，其特征在于，步骤(1)中，所述农村生活污水处理设施为A2O处理设施、人工湿地处理设施、SBR处理设施和曝气滤池处理设施中的至少一种。
3.如权利要求1所述的利用支持向量机预测农村生活污水处理设施运行有效性的方法，其特征在于，步骤(1)中，
所述进水电导率在农村生活污水处理设施的调节池内测定，测定时间为调节池内提升泵开启15min后；
所述出水电导率在农村生活污水处理设施的出水井内测定，与进水电导率同时测定；
进水电导率和出水电导率的测定方式为：采集调节池内或出水井内的水样测定电导率值；或者，直接采用在线监测电导率仪测定调节池内或出水井内的水的电导率。
4.如权利要求3所述的利用支持向量机预测农村生活污水处理设施运行有效性的方法，其特征在于，在提升泵开启15min后，同时各测定进水电导率和出水电导率一次，此后每隔15分钟各检测进水电导率和出水电导率一次，共连续测定3～4次，分别取平均值作为检测阶段的进水电导率值和出水电导率值；
在每次检测进水电导率和出水电导率的同时，均分别测定农村生活污水处理设施调节池和出水井中COD、氨氮、总氮、总磷和悬浮物的浓度，计算各污染物在进水和出水中浓度的平均值作为检测阶段的COD、氨氮、总氮、总磷和悬浮物的浓度，用于判断农村生活污水处理设施的运行情况。
5.如权利要求1所述的利用支持向量机预测农村生活污水处理设施运行有效性的方法，其特征在于，步骤(2)中，先分别将进水电导率和出水电导率代入mapminmax函数中进行归一化处理至[0,1]，再输入至支持向量机中；
mapminmax函数的公式为：y＝(x-xmin)/(xmax-xmin) (1)；
式(1)中，y为归一化处理后的进水电导率或出水电导率的实测数据，x为归一化处理前的进水电导率或出水电导率的实测数据，xmin为x中的最小值，xmax为x中的最大值；
将有效运行的农村生活污水处理设施标记为1，无效运行的农村生活污水处理设施标记为-1。
6.如权利要求1所述的利用支持向量机预测农村生活污水处理设施运行有效性的方法，其特征在于，步骤(2)中，利用Libsvm工具箱训练模型，所述训练包括惩罚参数c和RBF核函数参数g的优化；
所述优化为采用SVMcgForClass函数对惩罚参数c和核函数参数g进行两轮优选，得到惩罚参数c和核函数参数g的最优解。
CN201910491864.0A 2019-06-06 2019-06-06 一种利用支持向量机预测农村生活污水处理设施运行有效性的方法 Active CN110132629B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910491864.0A CN110132629B (zh) 2019-06-06 2019-06-06 一种利用支持向量机预测农村生活污水处理设施运行有效性的方法
US17/615,631 US20220316994A1 (en) 2019-06-06 2020-03-09 A method for predicting operation effectiveness of decentralized sewage treatment facility by using support vector machine
PCT/CN2020/078401 WO2020244265A1 (zh) 2019-06-06 2020-03-09 一种利用支持向量机预测农村生活污水处理设施运行有效性的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910491864.0A CN110132629B (zh) 2019-06-06 2019-06-06 一种利用支持向量机预测农村生活污水处理设施运行有效性的方法

Publications (2)

Publication Number Publication Date
CN110132629A CN110132629A (zh) 2019-08-16
CN110132629B true CN110132629B (zh) 2020-03-10

Family

ID=67580645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910491864.0A Active CN110132629B (zh) 2019-06-06 2019-06-06 一种利用支持向量机预测农村生活污水处理设施运行有效性的方法

Country Status (3)

Country Link
US (1) US20220316994A1 (zh)
CN (1) CN110132629B (zh)
WO (1) WO2020244265A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110132629B (zh) * 2019-06-06 2020-03-10 浙江清华长三角研究院 一种利用支持向量机预测农村生活污水处理设施运行有效性的方法
CN112964843A (zh) * 2021-01-26 2021-06-15 清华大学 污水处理设施水质监测的物联网传感器系统及监测方法
CN113962493B (zh) * 2021-12-08 2022-08-19 云南省设计院集团有限公司 一种基于合流制溢流污水污染物去除率快速预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101712500A (zh) * 2009-10-30 2010-05-26 艾欧史密斯（上海）水处理产品有限公司 一种软水器控制阀
CN103235096A (zh) * 2013-04-16 2013-08-07 广州铁路职业技术学院 污水水质检测方法与装置
CN107741738A (zh) * 2017-10-20 2018-02-27 重庆华绿环保科技发展有限责任公司 一种污水处理过程监控智能预警云系统及污水处理监测预警方法
CN107977724A (zh) * 2016-10-21 2018-05-01 复凌科技（上海）有限公司 一种高锰酸盐指数的水质软测量预测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006110482A (ja) * 2004-10-15 2006-04-27 Mitsubishi Heavy Ind Ltd 液状有機性廃棄物の処理方法及び処理システム
JP5283831B2 (ja) * 2006-06-16 2013-09-04 栄児 長塚 下水処理施設及び下水処理方法
CN208436519U (zh) * 2018-03-02 2019-01-29 苏州爱利过滤技术有限公司 一种新型水净化控制系统
CN108665119B (zh) * 2018-08-03 2021-05-28 清华大学 一种供水管网异常工况预警方法
CN108931619B (zh) * 2018-08-28 2023-09-08 大唐（北京）水务工程技术有限公司 一种火电厂废水处理设备寿命预测方法及装置
CN109534501B (zh) * 2018-12-03 2019-11-05 浙江清华长三角研究院 一种农村生活污水处理设施的监管方法
CN110132629B (zh) * 2019-06-06 2020-03-10 浙江清华长三角研究院 一种利用支持向量机预测农村生活污水处理设施运行有效性的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101712500A (zh) * 2009-10-30 2010-05-26 艾欧史密斯（上海）水处理产品有限公司 一种软水器控制阀
CN103235096A (zh) * 2013-04-16 2013-08-07 广州铁路职业技术学院 污水水质检测方法与装置
CN107977724A (zh) * 2016-10-21 2018-05-01 复凌科技（上海）有限公司 一种高锰酸盐指数的水质软测量预测方法
CN107741738A (zh) * 2017-10-20 2018-02-27 重庆华绿环保科技发展有限责任公司 一种污水处理过程监控智能预警云系统及污水处理监测预警方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
水质自动监测参数的相关性分析及在水环境监测中的应用;张苒 等;《中国环境监测》;20150831;第31卷(第4期);正文第3节 *

Also Published As

Publication number Publication date
WO2020244265A1 (zh) 2020-12-10
CN110132629A (zh) 2019-08-16
US20220316994A1 (en) 2022-10-06

Similar Documents

Publication Publication Date Title
CN110186505B (zh) 一种基于支持向量机的农村生活污水处理设施出水达标情况的预测方法
CN110132629B (zh) 一种利用支持向量机预测农村生活污水处理设施运行有效性的方法
Wang et al. Statistical monitoring and dynamic simulation of a wastewater treatment plant: A combined approach to achieve model predictive control
CN110378533B (zh) 一种基于大数据分析的智能曝气管理方法
CN104360035B (zh) 一种基于自组织粒子群-径向基神经网络的污水总磷tp软测量方法
CN110146122B (zh) 一种农村生活污水处理设施运行有效性的预测方法
CN103235096A (zh) 污水水质检测方法与装置
CN106018359A (zh) 一种污水厂水质监测预警方法及系统
CN115470702A (zh) 一种基于机器学习的污水处理水质预测方法及系统
CN106290763A (zh) 一种污水处理运行参数趋势分析方法及系统
CN115793471A (zh) 一种基于污水处理监测的可调式控制方法及系统
US11370679B2 (en) Method for predicting discharge level of effluent from decentralized sewage treatment facilities
CN109542150B (zh) 一种农村生活污水处理设施进水负荷的调节方法
CN116881747B (zh) 基于医疗废水监测的智能处理方法及系统
CN114444914A (zh) 流域综合治理绩效评估的关键水质因子变化趋势分析方法
Pan et al. A new approach to estimating oxygen off-gas fraction and dynamic alpha factor in aeration systems using hybrid machine learning and mechanistic models
CN201330211Y (zh) 污水处理厂运行参数自寻优模拟系统
CN116263850A (zh) 结合离线模拟数据的在线污水水质预警方法
CN115809749A (zh) 污水处理综合性在线预测模型的建立方法及预测预警方法
CN203053955U (zh) 一种污水生物毒性在线监测系统
CN108491995B (zh) 一种用于饮用水风险因子识别的关键控制因素筛选方法
RU2497574C2 (ru) Способ распределения нагрузки между технологическими линиями цеха осушки газа газодобывающего комплекса
CN111007220A (zh) 一种生猪养殖污水水质敏捷监测的方法
US20170247275A1 (en) Sensing methods and systems
Fiorentino et al. Optimization of wastewater treatment plants monitoring in flow variation conditions due to rain events.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant