CN110378533B - 一种基于大数据分析的智能曝气管理方法 - Google Patents

一种基于大数据分析的智能曝气管理方法 Download PDF

Info

Publication number
CN110378533B
CN110378533B CN201910658822.1A CN201910658822A CN110378533B CN 110378533 B CN110378533 B CN 110378533B CN 201910658822 A CN201910658822 A CN 201910658822A CN 110378533 B CN110378533 B CN 110378533B
Authority
CN
China
Prior art keywords
orp
control
aeration
data
big data
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
CN201910658822.1A
Other languages
English (en)
Other versions
CN110378533A (zh
Inventor
易振宏
邢小
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.)
Zhongzhan Huanneng Beijing Technology Co ltd
Original Assignee
Zhongzhan Huanneng Beijing Technology 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 Zhongzhan Huanneng Beijing Technology Co ltd filed Critical Zhongzhan Huanneng Beijing Technology Co ltd
Priority to CN201910658822.1A priority Critical patent/CN110378533B/zh
Publication of CN110378533A publication Critical patent/CN110378533A/zh
Application granted granted Critical
Publication of CN110378533B publication Critical patent/CN110378533B/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
    • C02F7/00—Aeration of stretches of water
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
    • G05B19/054—Input/output
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Automation & Control Theory (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Organic Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Environmental & Geological Engineering (AREA)
  • Hydrology & Water Resources (AREA)
  • Activated Sludge Processes (AREA)

Abstract

本发明公开了一种基于大数据分析的智能曝气管理方法，用于根据进水水质、进水水量不同及环境参数不同来精确控制曝气风机，包括以下步骤：采集污水处理工艺中的水质数据，将采集到的水质数据传输至大数据平台；建立水质数据的SQL数据库，并采用剔除异点数据和数据归一化方法进行数据预处理，形成大数据汇总；结合水处理的目的，进行初步分析特征工程，明确模型的输入和输出，并设定必要参数；建立基于BP神经网络的DO‑ORP模型，训练神经网络并进行模型验证，并根据测试结果重新调整DO‑ORP模型；以ORP与DO同时作为污水处理曝气控制对象，前期阶段利用DO控制曝气量，当设定的曝气时间到达时，转为利用ORP控制。通过2个参数的联合调控，既保证了出水水质又实现了节能降耗。

Description

一种基于大数据分析的智能曝气管理方法
技术领域
本发明属于污水处理技术领域，具体为一种基于大数据分析的智能曝气管理方法。
背景技术
污水处理是一个复杂系统，其处理过程受到很多因素的影响。其中，对曝气池中溶解氧的含量精准控制是污水处理系统的重要环节，当溶解氧含量过高或过低时，都会对污水处理效率造成相应影响。传统的曝气管理方法普遍存在曝气滞后、能耗高、溶解氧波动大等问题。
目前行业内采用三种曝气管理方法及特点：1.传统曝气：传统曝气直接打开风机，不作任何调整，溶解氧浓度波动大，消耗电量非常大，完全无法根据设计参数、实践参数、溶解氧变化、进水水量变化、进水水质变化、氧传导时间调整风机运转情况。2.PLC控制曝气：根据设计依据和实践值，将风机频率固定在某一个频率上，能节约部分电耗，但不能根据溶解氧变化、进水水量变化、进水水质变化氧传导时间调整风机运转情况。3.在线水质仪控制精确曝气：能根据设计参数、实践参数、溶解氧变化细化调整风机运转情况，相对更PLC控制曝气方法节约，但不能根据进水水量变化、进水水质变化氧传导时间调整风机运转情况。
目前，尚未有能根据进水水质、进水水量不同及环境参数不同来精确控制曝气风机的方法出现。
在中国专利CN108821425 A中，公开了一种基于大数据的污水处理方法，该方法首先通过PH值监测器和化学成分分析仪监测各排污口的污水PH值以及化学组分，然后将监测数据反馈至服务器端，由服务器端汇总各工厂的污水监测数据，并从中匹配出两种或多种能够相互起中和反应的污水，通过数控技术驱动污水控制终端按设定策略进行排污，并同时驱动电控曝气池运转，将酸性污水与碱性污水互相中和，充分利用酸、碱污水相互中和或利用废碱(渣)中和酸性污水，达到以废治废的目的。然而，该方法重点是根据PH值来进行调控，并不能根据进水水质、进水水量不同及环境参数不同来精确控制曝气风机。
在中国专利CN108002532 A中，公开了基于物联网和大数据技术的污水处理模型动态核验方法，该方法通过采用物联网实时采集污水处理点的数值数据，并通过大数据平台将采集到的出水水质数据与ASM1模型评价标准进行比对，判断出水水质数据是否超标，得到超标数据及问题原因，并给出调整建议。然而，由于污水处理是一个典型的具有随机性、时变性、非线性、模糊性和非稳定性的复杂的处理过程，对其过程特性很难用严格的数学方法进行描述。该专利中采用活性污泥数学模型，虽然ASM1属于比较成熟的模型，但是相对于复杂的污水处理过程来说仍具有一定的局限性。
为此，将大数据分析技术应用于污水处理的曝气调控过程中，结合BP神经网络算法，提出了曝气调控实践珞径，经多维数据统计、多维数据拟合计算和应用与反馈3个环节，求得该生物池曝气环节中不同时段最优鼓风机功率的动态调控图，为污水处理过程中曝气调控过程的优化提供了参考。
发明内容
本发明的目的在于提供一种基于大数据分析的智能曝气管理方法，以克服现有技术中存在的不能根据多维数据精确控制曝气风机、只能套用现有数学模型等的不足，以达到根据进水水质、进水水量不同及环境参数不同来精确控制曝气风机的目的。
本发明公开了一种基于大数据分析的智能曝气管理方法，用于根据进水水质、进水水量不同及环境参数不同来精确控制曝气风机，其特征在于，包括以下步骤：
1)采集污水处理工艺中的水质数据，将采集到的水质数据传输至大数据平台；
2)建立水质数据的SQL数据库，并采用剔除异点数据和数据归一化方法进行数据预处理，形成大数据汇总；
3)结合水处理的目的，进行初步分析特征工程，明确模型的输入和输出，并设定必要参数；
4)将大数据汇总切分为两组，第一组作为训练数据样本，第二组作为测试数据样本；
5)建立基于BP神经网络的DO-ORP模型，利用第一组训练数据样本训练神经网络；
6)利用第二组测试数据样本进行模型验证，并根据测试结果重新调整DO-ORP模型；
7)建立时间轴，划分为“DO控制时间阶段”和“ORP控制时间阶段”；设置控制参数DOH和DOL,所述DOH为溶解氧控制高限，所述DOL为溶解氧控制低限，设置控制参数ORPH和ORPL，所述ORPH为ORP控制高限，所述ORPL为ORP的控制低限；
8)在“DO控制时间阶段”内，控制曝气机频率，使溶解氧保持在控制参数DOH和DOL之间；
9)当曝气池出口溶解氧DO高于DOL，“DO控制时间阶段”结束，进入“ORP控制时间阶段”，控制曝气机频率，使曝气池出口ORP控制在参数ORPH和ORPL之间；
10)当“ORP控制时间阶段”结束，退出ORP控制阶段并重新进入步骤8)；
其中，所述BP神经网络为基于梯度下降的最优化算法,通过调节连接权值,使系统误差函数极小化；所述DO为溶解氧；所述ORP为氧化还原电位；以DO、ORP作为输出信号，建立基于BP神经网络的DO-ORP模型，以DO为主要控制对象、ORP为辅助控制对象，前期阶段利用DO控制曝气量，当设定的曝气时间到达时，转为利用ORP控制曝气量。
进一步，所述水质数据包括化学需氧量CODcr、生化需氧量BOD5、水温T、SV30、SVI、pH值、混合液悬浮固体浓度MLSS、悬浮物SS、溶解氧DO值、氧化还原电位ORP。
进一步，所述基于BP神经网络的DO-ORP模型结构为MIMO模型，即多输入多输出模型，其中,输入信号为化学需氧量CODcr、生化需氧量BOD5、水温T、SV30、SVI、pH值、混合液悬浮固体浓度MLSS、悬浮物SS；输出信号为DO、ORP。
进一步，所述BP神经网络由输入层、输出层以及一个或多个隐含层组成，所述输入信号从输入节点依次经过各隐含层,最终到达输出节点。
进一步，所述隐含层的层数和节点数由仿真程序来确定：
输入层对第一层隐含层的表达式：
Figure GDA0003965918050000031
第一层隐含层对第二层的表达式：
Figure GDA0003965918050000032
第二层隐含层对输出层表达式：
Figure GDA0003965918050000033
式中,χ1,χ2,……,χ8为输入信号，分别代表化学需氧量CODcr、生化需氧量BOD5、水温T、SV30、SVI、pH值、混合液悬浮固体浓度MLSS、悬浮物SS；ωk1,ωk2,……,ωkp为输入层对第一层隐含层中神经元k的权值,αk1,αk2,……，αkp为第一层隐含层对第二层隐含层中神经元k的权值,uk为线性组合结果；θk为阀值；
Figure GDA0003965918050000034
为激活函数；y为模型的输出。
进一步，所述隐含层有2层,第一隐含层的节点有80个,第二个为隐含层的节点有60个。
进一步，所述“DO控制时间阶段”与“ORP控制时间阶段”之和小于等于2小时。
进一步，可采用PLC程序实现对曝气机频率的控制。
本发明的所达到的有益效果如下：
1.采用大数据分析、人工智能学习，经过长时间数据累积后可预测短时间(大于氧传导时间)内进水水量、进水水质；经数据分析后可得出不同条件下(温度、水质)氧传导时间；结合设生物池设计参数，从而预判所需要风机运行参数，进行精确调整。从而实现精确曝气、节能降耗的目的。
2.仅需大量统计各时段的进水量、鼓风机功率与溶解氧浓度，即可以此为数据源进行模型运算，计算出曝气所需的鼓风机功率，无需安装相关系统或在线水质仪等仪器即可优化曝气现状；
3.采用BP神经网络建立的DO-ORP预测模型,具有高维性、并行分布处理性，以及自适应、自组织、自学习等优良特性，在水质预测等复杂问题研究中表现出了很好的适用性。可根据输入的变化及时预测出DO值,克服DO在线检测仪的滞后性,最终达到快速有效控制的目的。
4.单独以DO或ORP作为控制对象，难以达到节能降耗与水质达标的双重目的。以ORP与DO同时作为污水处理曝气控制对象，前期阶段利用DO控制曝气量，当设定的曝气时间到达时，转为利用ORP控制。通过2个参数的联合调控，既保证了出水水质又实现了节能降耗。
附图说明
图1是现有技术中一种基于大数据的污水处理系统结构示意图。
图2是现有技术中一种基于物联网和大数据技术的污水处理模型动态核验方法原理示意图。
图3是本发明一种基于大数据分析的智能曝气管理方法的整体流程示意图。
图4是本发明一种基于大数据分析的智能曝气管理方法的基于BP神经网络的DO-ORP预测模型结构示意图。
图5是本发明一种基于大数据分析的智能曝气管理方法中DO-ORP预测模型的拟合曲线图。
图6是本发明一种基于大数据分析的智能曝气管理方法中DO-ORP预测模型的预测曲线图。
图7是本发明一种基于大数据分析的智能曝气管理方法试验池与对比池100小时时段内DO数据对比图。
具体实施例
图1为现有技术中一种基于大数据的污水处理系统，并提供了一种基于大数据的企业污水处理方法，该方法利用上述基于大数据的污水处理系统实现，所述的企业污水处理方法具体包括以下步骤：步骤1)利用设置于排污口处的PH值监测器1和化学成分分析仪2实时监测各工厂所排污水的PH值和化学组分，并将生成的监测信号通过污水控制终端3上设置的区块数据传输器20发送至区块链；步骤2)通过服务器端从区块链接收监测信号，并利用该监测信号进行分析后生成各工厂排污口的开闭执行策略和电控曝气池5的净化处理策略，所述的开闭执行策略包括：各工厂排污口的开启时间、开启时长、污水流速的设定，所述的净化处理策略包括为完成污水中和反应需电控曝气池5执行的操作工序；步骤3)利用步骤2)中得到的开闭执行策略和净化处理策略分别控制污水控制终端3及电控曝气池5的运行。该方法重点是根据PH值来进行调控，并不能根据进水水质、进水水量不同及环境参数不同来精确控制曝气风机。
图2为现有技术中一种基于物联网和大数据技术的污水处理模型动态核验方法原理示意图，包括以下步骤：1)通过物联网网关实时采集污水处理点的水质数据；将物联网网关与污水处理环节中的设备传感器相连，以便采集水质数据和设备数据；需要连接的设备包括：曝气风机、提升泵、回流泵、清水泵、液位开关、流量计、PH计、温度计。图2中①～⑦描述了各个污水处理环节需要采集的水质、设备及环境数据；2)将采集到的水质数据通过网络传输至大数据平台；3)将上述水质数据中的出水水质数据与活性污泥模型(ASM1)的评价标准进行比对，判断排放是否超标，若未超标，则数据正常，步骤结束；若超标，则进入步骤4)；4)发出预警通知，并得到出水水质中哪种参数超标；5)通过大数据平台定位超标原因，找到问题数据出现的环节，并给出调整建议；大数据平台通过大量的数据积累，进行数据关联分析，找到上述五种出水水质数据如果出现超标，可能关联的环节是哪一步，并根据ASM1及时将该环节的设备、水位、温度、化学试剂进行调整。然而，该专利中采用活性污泥数学模型，虽然ASM1属于比较成熟的模型，但是相对于复杂的污水处理过程来说仍具有一定的局限性。
图3是本发明一种基于大数据分析的智能曝气管理方法的整体流程示意图。本发明公开了一种基于大数据分析的智能曝气管理方法，用于根据进水水质、进水水量不同及环境参数不同来精确控制曝气风机，包括以下步骤：1)采集污水处理工艺中的水质数据，将采集到的水质数据传输至大数据平台；2)建立水质数据的SQL数据库，并采用剔除异点数据和数据归一化方法进行数据预处理，形成大数据汇总；3)结合水处理的目的，进行初步分析特征工程，明确模型的输入和输出，并设定必要参数；4)将大数据汇总切分为两组，第一组作为训练数据样本，第二组作为测试数据样本；5)建立基于BP神经网络的DO-ORP模型，利用第一组训练数据样本训练神经网络；6)利用第二组测试数据样本进行模型验证，并根据测试结果重新调整DO-ORP模型；7)建立时间轴，划分为“DO控制时间阶段”和“ORP控制时间阶段”；设置控制参数DOH和DOL,所述DOH为溶解氧控制高限，所述DOL为溶解氧控制低限，设置控制参数ORPH和ORPL，所述ORPH为ORP控制高限，所述ORPL为ORP的控制低限；8)在“DO控制时间阶段”内，控制曝气机频率，使溶解氧保持在控制参数DOH和DOL之间；9)当曝气池出口溶解氧DO高于DOL，“DO控制时间阶段”结束，进入“ORP控制时间阶段”，控制曝气机频率，使曝气池出口ORP控制在参数ORPH和ORPL之间。10)当“ORP控制时间阶段”结束，退出ORP控制阶段并重新进入步骤8)。
有鉴于大数据时代数据的“4V”特征(Volume，Variety，Velocity，Virtual)，将其与曝气结合，仅需大量统计各时段的进水量、鼓风机功率与溶解氧浓度等多维数据，即可以此为数据源进行模型运算，计算出曝气所需的鼓风机功率，无需安装相关系统或在线水质仪等仪器即可优化曝气现状。
接下来，将收集到的大量的多维数据进行预处理。本发明采用杜奇(Tukey)出的数学方法剔除异点，其基本思路是产生一个曲线的平滑估计，然后把它从数据中识别出来，本发明利用了“中位数”是均值的鲁棒估计这一事实。还需进行数据归一化处理。由于污水处理过程中所测量的数据有不同的工程单位，各变量的大小在数值上差异很大，直接使用原始测量数据进行计算可能丢失信息和引起数值计算的不稳定，因此对各参数作标准化处理，将数据处理为区间[0，1]之间的数据。归一化方法有很多种形式，本文采用下式：
Figure GDA0003965918050000061
BP神经网络是一种基于梯度下降的最优化算法,通过调节连接权值,使系统误差函数或其它形式的代价函数极小化。算法由2部分组成：信息的正向传递与误差的反向传播BP神经网络由输入层、输出层以及一个或多个隐含层组成；输入信号从输入节点依次经过各隐含层，最终到达输出节点。
结合水处理的目的，进行初步分析特征工程，将大数据汇总切分为两组，第一组作为训练数据样本，第二组作为测试数据样本组。建立基于BP神经网络的DO-ORP模型结构为MIMO模型，即多输入多输出模型,如图4所示。其中,输入信号为化学需氧量CODcr、生化需氧量BOD5、水温T、SV30、SVI、pH值、混合液悬浮固体浓度MLSS、悬浮物SS；输出信号为DO、ORP；隐含层的层数和节点数由仿真计算来确定。
所述隐含层的层数和节点数由仿真程序来确定：
输入层对第一层隐含层的表达式：
Figure GDA0003965918050000062
第一层隐含层对第二层的表达式：
Figure GDA0003965918050000063
第二层隐含层对输出层表达式：
Figure GDA0003965918050000064
式中,χ1,χ2,……,χ8为输入信号，分别代表化学需氧量CODcr、生化需氧量BOD5、水温T、SV30、SVI、pH值、混合液悬浮固体浓度MLSS、悬浮物SS；ωk1,ωk2,……,
ωkp为输入层对第一层隐含层中神经元k的权值,αk1,αk2,……，αkp为第一层隐含层对第二层隐含层中神经元k的权值,uk为线性组合结果；θk为阀值；
Figure GDA0003965918050000071
为激活函数；y为模型的输出。激活函数(也称传递函数)按照BP网络的常规方法确定：隐含层激活函数选为双曲正切S型函数；输出层激活函数选用线性函数。
可取300组训练数据样本来训练神经网络；网络训练次数设为1800；期望均方误差设为0.001；经过MATLAB反复仿真研究，确定隐含层有2层，第一隐含层的节点有80个,第二个为隐含层的节点有60个。此处训练数据样本数量越多，训练次数越多，结果越精确。然而考虑到后期会有反馈与调整步骤，该环节也可适当减少训练数据样本的数量以及训练次数，如取200组样本或250组样本、训练次数取1500次或1600次等，均可，对建模及后期输出结果影响不大。
以下为样本数据采集样表：
Figure GDA0003965918050000072
表1：大数据采集样表
图5是本发明一种基于大数据分析的智能曝气管理方法中DO-ORP预测模型的拟合曲线图。采用300组训练样本数据训练基于BP神经网络的DO-ORP模型，其拟合的效果如图5所示，从图中可以看出，实际值和拟合值比较吻合,达到了我们预期的效果。
进一步采用80组预测样本进行模型验证，其预测效果如图6所示。从图中可以看出，实际值和预测值也比较吻合，可以比较准确地预测出DO值。图6是本发明一种基于大数据分析的智能曝气管理方法中基于BP神经网络的DO-ORP模型的预测曲线图。
本发明设计之初仅以DO作为BP神经网络模型的输出信号，正如现有技术中大多数工艺将DO作为控制对象。也有一些工艺利用ORP与COD去除及硝化之间存在较好相关性，采用ORP来控制生化池好氧区曝气量。但由于污水处理是一个典型的具有随机性、时变性、非线性、模糊性和非稳定性的复杂的处理过程，其过程特性概括起来可归纳为：(1)过程时滞的未知性和时变性；(2)过程参数的未知性、时变性、随机性和分散性；(3)过程环境干扰的未知性、多样性和随机性；(4)过程各变量间的关联性；(5)过程严重的非线性。单独以DO或ORP作为控制对象，难以达到节能降耗与水质达标的双重目的。通过对实际工艺的测试，提出将DO、ORP均作为控制对象，实现分阶段联动控制达到工艺要求。因此，以DO、ORP作为输出信号，建立基于BP神经网络的DO-ORP模型，以DO为主要控制对象、ORP为辅助控制对象。
目前，在环保水质分析监测中，对ORP(Oxidetion Reduction Potentiol，氧化还原电位)的测量尚未被规定为必做项目，但是其数值大小对了解水质污染治理效果判断十分重要，对一个水体来说，往往存在多种氧化还原对，构成复杂氧化还原体系，而其ORP是多种氧化物与还原物质发生氧化还原反应的综合结果。这一指标虽然不能作为某种氧化物质与还原物质浓度的指标，但有助于了解水质电化学特性，分析水体性质，以作出防范或治理的决策。水质的ORP都是采用现场测定，其方法是用铂电极作测量电极、饱和甘汞电极作参比电极，与水样组成原电池，用电子毫伏计或pH计测定铂电极相对于甘汞电极的氧化还原电位。
从pH测量原理可知，溶液的pH值即为测量氢离子的活度，由此可以推论，ORP是由溶液中的电子活度所决定。该定义虽然本质上是正确的，但其表示方法十分抽象，因为自由电子并不会在溶液中存在，实际上ORP可看作是某种物质对电子结合或失去难易程度的度量。
如以氧化物Ox为，还原物为Red，电子为e，电子数为η时，氧化还原反应为：
Red Ox+ηe  (1)
氧化还原电位由能斯特方程式表示：
Figure GDA0003965918050000081
式中Eo——标准氧化还原电位(即[Ox]＝[Red]时的E)
R——气体常数，R＝8.314J/K·mol
T——以K表示的绝对温度
F——法拉弟常数，9.649×104c/mol
n——参与反应的电子数
在式(2)活度比项中，分子是参加反应的氧化物活度[Ox]，分母是反应生成还原物的活度[Red]。
Figure GDA0003965918050000091
项作为能斯特电位，EN已知(O℃时，EN＝54.2mv；25℃时，EN＝59.2mv；5O℃时，EN＝64.1mv。)。
ORP的测定是电位势能的测量，在电位测量过程中，实际并没有电流通过水溶液。因电解作用引起的化学成分变化是可以忽略的，在氧化还原电极的表面也不存在极化现象的发生。在ORP形成过程中，电子可从电极流向氧化还原体系，或反向流动。在金属表面电荷的析出导致电位的形成，此电位又抵抗电子进一步迁移。当达到平衡状态时，电化学力(电位)和化学力(氧化力或还原力)相互平衡，这样溶液的ORP将随其氧化能力的大小而呈比例增减，所测出的ORP值呈典型的线性关系。
至此，在DO-ORP调控程序中建立时间轴，划分为“DO控制时间阶段”和“ORP控制时间阶段”；并设置控制参数DOH和DOL,所述DOH为溶解氧控制高限，所述DOL为溶解氧控制低限，设置控制参数ORPH和ORPL，所述ORPH为ORP控制高限，所述ORPL为ORP的控制低限。所述的“DO控制时间阶段”始于曝气池出口溶解氧DO高于DOL开始计算。
在“DO控制时间阶段”内，控制曝气机频率，使溶解氧保持在控制参数DOH和DOL之间；当曝气池出口溶解氧DO高于DOL，“DO控制时间阶段”结束，进入“ORP控制时间阶段”，控制曝气机频率，使曝气池出口ORP控制在参数ORPH和ORPL之间。当“ORP控制时间阶段”结束，退出ORP控制阶段并重新进入“DO控制时间阶段”。所述“DO控制时间阶段”与“ORP控制时间阶段”之和小于等于2小时。如果在实践中遇到污泥膨胀等特殊情况时，应及时缩短所述“ORP控制时间阶段”。
在DO-ORP调控的阶段，可采用PLC程序实现对曝气机频率的控制。此时可方便地按照时间轴分布，设计“DO控制时间程序”以及“ORP控制时间程序”，交替运行该两段程序，实现参数联调控制。
将本发明所述一种基于大数据分析的智能曝气管理方法应用于实验曝气池中，将使用该方法100小时的实验池DO数据与未使用该方法的对比池100小时数据进行对比。如附图7所示，可得出以下结论：
1).在实验期间，经本发明之方法调节后试验池的曝气量明显低于对比池的曝气量，连续记录了100小时的曝气流量数据，发现试验池相对对比池节约曝气量约30.51％；检测同期出水结果无明显变化。
2).基本实现了溶解氧DO的稳定控制。将预测的DO值作为目标值，转化为爆气风机频率的设定值，经测试52％的时间内实现了±0.2范围内的波动，在91％的时间内实现了在±0.5范围内的波动。
3).实现了节能曝气，以较低的曝气量满足工艺上的要求。在实际实验过程中，与之前运行风机相比少开1台鼓风机。
综上所述，本发明所达到的有益效果如下：
1.采用大数据分析、人工智能学习，经过长时间数据累积后可预测短时间(大于氧传导时间)内进水水量、进水水质；经数据分析后可得出不同条件下(温度、水质)氧传导时间；结合设生物池设计参数，从而预判所需要风机运行参数，进行精确调整。从而实现精确曝气、节能降耗的目的。
2.仅需大量统计各时段的进水量、鼓风机功率与溶解氧浓度，即可以此为数据源进行模型运算，计算出曝气所需的鼓风机功率，无需安装相关系统或在线水质仪等仪器即可优化曝气现状；
3.采用BP神经网络建立DO-ORP的预测模型,具有高维性、并行分布处理性，以及自适应、自组织、自学习等优良特性，在水质预测等复杂问题研究中表现出了很好的适用性。可根据输入的变化及时预测出DO值,克服DO在线检测仪的滞后性,最终达到快速有效控制的目的。
4.以ORP与DO同时作为污水处理曝气控制对象，前期阶段利用DO控制曝气量，当设定的曝气时间到达时，转为利用ORP控制。通过2个参数的联合调控，既保证了出水水质又实现了节能降耗。
本领域的技术人员都可以认为在本发明专利所阐述的技术方案、优点和特性的各种组合以及变型、简单的改造，这种技术方案的变化都构成了在本发明专利中所公开的技术方案。

Claims (8)

1.一种基于大数据分析的智能曝气管理方法，用于根据进水水质、进水水量不同及环境参数不同来精确控制曝气风机，其特征在于，包括以下步骤：
1)采集污水处理工艺中的水质数据，将采集到的水质数据传输至大数据平台；
2)建立水质数据的SQL数据库，并采用剔除异点数据和数据归一化方法进行数据预处理，形成大数据汇总；
3)结合水处理的目的，进行初步分析特征工程，明确模型的输入和输出，并设定必要参数；
4)将大数据汇总切分为两组，第一组作为训练数据样本，第二组作为测试数据样本；
5)建立基于BP神经网络的DO-ORP模型，利用第一组训练数据样本训练神经网络；
6)利用第二组测试数据样本进行模型验证，并根据测试结果重新调整DO-ORP模型；
7)建立时间轴，划分为“DO控制时间阶段”和“ORP控制时间阶段”；设置控制参数DOH和DOL,所述DOH为溶解氧控制高限，所述DOL为溶解氧控制低限，设置控制参数ORPH和ORPL，所述ORPH为ORP控制高限，所述ORPL为ORP的控制低限；
8)在“DO控制时间阶段”内，控制曝气机频率，使溶解氧保持在控制参数DOH和DOL之间；
9)当曝气池出口溶解氧DO高于DOL，“DO控制时间阶段”结束，进入“ORP控制时间阶段”，控制曝气机频率，使曝气池出口ORP控制在参数ORPH和ORPL之间；
10)当“ORP控制时间阶段”结束，退出ORP控制阶段并重新进入步骤8)；
其中，所述BP神经网络为基于梯度下降的最优化算法,通过调节连接权值,使系统误差函数极小化；所述DO为溶解氧；所述ORP为氧化还原电位；以DO、ORP作为输出信号，建立基于BP神经网络的DO-ORP模型，以DO为主要控制对象、ORP为辅助控制对象，前期阶段利用DO控制曝气量，当设定的曝气时间到达时，转为利用ORP控制曝气量。
2.根据权利要求1所述的一种基于大数据分析的智能曝气管理方法，其特征在于，所述水质数据包括化学需氧量CODcr、生化需氧量BOD5、水温T、SV30、SVI、pH值、混合液悬浮固体浓度MLSS、悬浮物SS、溶解氧DO值、氧化还原电位ORP。
3.根据权利要求2所述的一种基于大数据分析的智能曝气管理方法，其特征在于，所述基于BP神经网络的DO-ORP模型结构为MIMO模型，即多输入多输出模型，其中,输入信号为化学需氧量CODcr、生化需氧量BOD5、水温T、SV30、SVI、pH值、混合液悬浮固体浓度MLSS、悬浮物SS；输出信号为DO、ORP。
4.根据权利要求3所述的一种基于大数据分析的智能曝气管理方法，其特征在于，所述BP神经网络由输入层、输出层以及一个或多个隐含层组成，所述输入信号从输入节点依次经过各隐含层,最终到达输出节点。
5.根据权利要求4所述的一种基于大数据分析的智能曝气管理方法，其特征在于，所述隐含层的层数和节点数由仿真程序来确定：
输入层对第一层隐含层的表达式：
Figure FDA0003979520110000021
第一层隐含层对第二层的表达式：
Figure FDA0003979520110000022
第二层隐含层对输出层表达式：
Figure FDA0003979520110000023
式中,χ1,χ2,……,χ8为输入信号，分别代表化学需氧量CODcr、生化需氧量BOD5、水温T、SV30、SVI、pH值、混合液悬浮固体浓度MLSS、悬浮物SS；ωk1,ωk2,……,ωkp为输入层对第一层隐含层中神经元k的权值,αk1,αk2,……，αkp为第一层隐含层对第二层隐含层中神经元k的权值,uk为线性组合结果；θk为阀值；
Figure FDA0003979520110000024
为激活函数；y为模型的输出。
6.根据权利要求5所述的一种基于大数据分析的智能曝气管理方法，其特征在于，所述隐含层有2层,第一隐含层的节点有80个,第二个为隐含层的节点有60个。
7.根据权利要求6所述的一种基于大数据分析的智能曝气管理方法，其特征在于，所述“DO控制时间阶段”与“ORP控制时间阶段”之和小于等于2小时。
8.根据权利要求7所述的一种基于大数据分析的智能曝气管理方法，其特征在于，可采用PLC程序实现对曝气机频率的控制。
CN201910658822.1A 2019-07-22 2019-07-22 一种基于大数据分析的智能曝气管理方法 Active CN110378533B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910658822.1A CN110378533B (zh) 2019-07-22 2019-07-22 一种基于大数据分析的智能曝气管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910658822.1A CN110378533B (zh) 2019-07-22 2019-07-22 一种基于大数据分析的智能曝气管理方法

Publications (2)

Publication Number Publication Date
CN110378533A CN110378533A (zh) 2019-10-25
CN110378533B true CN110378533B (zh) 2023-04-18

Family

ID=68254564

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910658822.1A Active CN110378533B (zh) 2019-07-22 2019-07-22 一种基于大数据分析的智能曝气管理方法

Country Status (1)

Country Link
CN (1) CN110378533B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112180858B (zh) * 2020-09-21 2024-04-26 河南华东工控技术有限公司 一种基于大数据的多污染源废水分类处理系统的控制方法
CN112099458A (zh) * 2020-10-16 2020-12-18 中泰信达环保科技(武汉)有限公司 一种人工智能污水运营系统
CN112782975A (zh) * 2020-12-02 2021-05-11 海天水务集团股份公司 一种基于深度学习的污水处理曝气智能控制方法及系统
CN112661259A (zh) * 2020-12-15 2021-04-16 海天水务集团股份公司 一种曝气过程自适应控制方法及系统
CN113033917B (zh) * 2021-04-19 2022-04-12 重庆工商大学 一种基于外围数据的污水处理厂预测规划运行管理方法
CN113889194A (zh) * 2021-10-14 2022-01-04 上海上实龙创智能科技股份有限公司 一种污水生化处理中溶解氧的预测方法
CN113867233B (zh) * 2021-11-03 2022-06-03 龙游县河道疏浚砂资源开发有限公司 一种基于中试研究的颗粒污泥处理的控制方法及系统
CN114249437B (zh) * 2021-12-21 2023-09-29 北控(秦皇岛)水务有限责任公司 一种应用于污水处理的控制方法和装置
CN114275912B (zh) 2021-12-25 2022-10-21 盐城工学院 一种基于自适应神经网络模型的曝气系统溶解氧控制方法
CN115259357B (zh) * 2022-07-25 2023-05-23 河南大学 基于人工智能的微生物降解控制方法及系统
CN115806344B (zh) * 2022-11-22 2023-08-04 曲誉环境综合治理有限公司 一种orp控制精准曝气的系统
CN116307191B (zh) * 2023-03-22 2023-11-07 中国地质大学（北京） 一种基于人工智能算法的水资源配置方法、装置和设备
CN117610942B (zh) * 2024-01-22 2024-03-29 广东智环创新环境科技有限公司 基于物联网的产业园区环保监督管理预警方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106007202A (zh) * 2016-07-04 2016-10-12 张芳 污水处理厂关键工艺参数的智能控制系统及其控制方法
CN107358021A (zh) * 2017-06-01 2017-11-17 华南理工大学 一种基于优化bp神经网络的do预测模型建立方法
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
CN109928493A (zh) * 2019-02-25 2019-06-25 北控水务(中国)投资有限公司 一种基于大数据与进化算法的精确溶氧控制调节方法
CN109932496A (zh) * 2019-03-27 2019-06-25 浙江大学 一种基于多参数耦合交叉的水质在线监测方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106007202A (zh) * 2016-07-04 2016-10-12 张芳 污水处理厂关键工艺参数的智能控制系统及其控制方法
CN107358021A (zh) * 2017-06-01 2017-11-17 华南理工大学 一种基于优化bp神经网络的do预测模型建立方法
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
CN109928493A (zh) * 2019-02-25 2019-06-25 北控水务(中国)投资有限公司 一种基于大数据与进化算法的精确溶氧控制调节方法
CN109932496A (zh) * 2019-03-27 2019-06-25 浙江大学 一种基于多参数耦合交叉的水质在线监测方法和系统

Also Published As

Publication number Publication date
CN110378533A (zh) 2019-10-25

Similar Documents

Publication Publication Date Title
CN110378533B (zh) 一种基于大数据分析的智能曝气管理方法
CN107358021B (zh) 一种基于优化bp神经网络的do预测模型建立方法
US20230047297A1 (en) Control method based on adaptive neural network model for dissolved oxygen of aeration system
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
CN106295800B (zh) 一种基于递归自组织rbf神经网络的出水总氮tn智能检测方法
CN104376380B (zh) 一种基于递归自组织神经网络的氨氮浓度预测方法
CN104965971B (zh) 一种基于模糊神经网络的氨氮浓度软测量方法
CN109492265B (zh) 基于动态非线性pls软测量方法的废水出水指标预测方法
US9747544B2 (en) Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network
CN111354423A (zh) 一种基于多元时间序列分析的自组织递归模糊神经网络的出水氨氮浓度预测方法
CN111291937A (zh) 基于支持向量分类与gru神经网络联合的处理污水水质预测方法
CN105510546A (zh) 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法
CN108088974B (zh) 一种厌氧同时反硝化产甲烷过程出水硝氮的软测量方法
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
CN112782975A (zh) 一种基于深度学习的污水处理曝气智能控制方法及系统
CN203772781U (zh) 一种基于特征变量的污水总磷测量装置
CN103809436A (zh) 活性污泥法污水处理过程智能建模方法
CN110981021A (zh) 一种基于模糊bp神经网络的废水高级氧化处理智能加药系统及方法
CN111125907B (zh) 一种基于混合智能模型的污水处理氨氮软测量方法
US20220267169A1 (en) Intelligent Detection System of Effluent Total Nitrogen based on Fuzzy Transfer Learning Algorithm
CN110146122B (zh) 一种农村生活污水处理设施运行有效性的预测方法
Baeza et al. In-line fast OUR (oxygen uptake rate) measurements for monitoring and control of WWTP
CN117776336A (zh) 水预处理方法及厌氧氨氧化水处理工艺
CN113627506A (zh) 一种基于信息融合-区间二型模糊神经网络的出水总磷智能检测方法
CN116969616A (zh) 基于软测量的一体化污水处理设施控制方法、装置及设备

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