CN111268780B - 一种污水处理方法 - Google Patents

一种污水处理方法 Download PDF

Info

Publication number
CN111268780B
CN111268780B CN202010159598.4A CN202010159598A CN111268780B CN 111268780 B CN111268780 B CN 111268780B CN 202010159598 A CN202010159598 A CN 202010159598A CN 111268780 B CN111268780 B CN 111268780B
Authority
CN
China
Prior art keywords
dosing
turbidity
water
prediction
parameters
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
CN202010159598.4A
Other languages
English (en)
Other versions
CN111268780A (zh
Inventor
张璟涵
汤槟
张涛
毛尚伟
余云飞
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.)
CISDI Chongqing Information Technology Co Ltd
CISDI Shanghai Engineering Co Ltd
CISDI Research and Development Co Ltd
Original Assignee
CISDI Chongqing Information Technology Co Ltd
CISDI Shanghai Engineering Co Ltd
CISDI Research and Development 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 CISDI Chongqing Information Technology Co Ltd, CISDI Shanghai Engineering Co Ltd, CISDI Research and Development Co Ltd filed Critical CISDI Chongqing Information Technology Co Ltd
Priority to CN202010159598.4A priority Critical patent/CN111268780B/zh
Publication of CN111268780A publication Critical patent/CN111268780A/zh
Application granted granted Critical
Publication of CN111268780B publication Critical patent/CN111268780B/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
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/52—Treatment of water, waste water, or sewage by flocculation or precipitation of suspended impurities
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Environmental & Geological Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Water Supply & Treatment (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Hydrology & Water Resources (AREA)
  • Separation Of Suspended Particles By Flocculating Agents (AREA)

Abstract

本发明公开了一种污水处理方法，包括:获取待处理污水处理池当前时刻的第一预测参数；利用所述第一预测参数预测得到当前污水池内水的第一预测浊度；基于所述第一预测浊度判断水质是否达标；若水质不达标，则构建一个或多个预测加药方案；根据所述一个或多个预测加药方案确定一个或多个第二预测参数；根据所述一个或多个第二预测参数预测加药后污水池内水的一个或多个第二预测浊度；基于所述一个或多个第二预测浊度确定候一个或多个选加药方案；根据所述一个或多个候选加药方案确定目标加药方案；基于所述候选加药方案对所述待处理污水池内的污水进行处理。本发明不仅能够有效地减少人力投入，同时也能够快速对水质情况变化进行反馈，使得整个污水处理过程更加高效、环保。

Description

一种污水处理方法
技术领域
本发明涉及污水处理领域，特别是涉及一种污水处理方法。
背景技术
在污水处理的过程，加药环节起着至关重要的作用，直接决定了污水处理的效果以及处理成本。
目前，在冶金、化工、电力和环境工程等所一应用的污水处理系统中普遍采用人工通过肉眼判断以及经验决策的方式进行加药，这一过程存在着用人成本高、反馈不及时、加药量不稳定的缺点,可能会导致出水的浊度差、用药成本高等现象。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种污水处理方法，用于解决现有技术的缺陷。
为实现上述目的及其他相关目的，本发明提供一种污水处理方法，包括：
获取待处理污水处理池当前时刻的第一预测参数；
利用所述第一预测参数预测得到当前污水池内水的第一预测浊度；
基于所述第一预测浊度判断水质是否达标；
若水质不达标，则构建一个或多个预测加药方案；根据所述一个或多个预测加药方案确定一个或多个第二预测参数；
根据所述一个或多个第二预测参数预测加药后污水池内水的一个或多个第二预测浊度；
基于所述一个或多个第二预测浊度确定候选加药方案；
根据所述候选加药方案确定目标加药方案；
基于所述候选加药方案对所述待处理污水池内的污水进行处理。
可选地，利用所述第一预测参数预测得到当前污水池内水的第一预测浊度，包括：
将所述待处理污水处理池当前时刻的第一预测参数输入至预先训练好的水浊度预测模型中，输出水的第一预测浊度。
可选地，根据所述一个或多个第二预测参数预测加药后污水池内水的一个或多个第二预测浊度，包括：
将所述待处理污水处理池当前时刻的一个或多个第二预测参数输入至预先训练好的水浊度预测模型中，输出水的一个或多个第二预测浊度。
可选地，所述水浊度预测模型通过以下方法获得：
获取一段时间内污水处理池的训练参数，并基于所述训练参数构建模型训练集；
利用所述模型训练集对LightGBM回归模型/XGBoost模型进行训练得到水浊度预测模型。
可选地，所述训练参数包括图像参数、水质参数、加药方案、水的浊度，其中图像参数、水质参数、加药方案作为输入，水的浊度作为输出。
可选地，所述第一预测参数包括当前时刻的图像参数、当前时刻的水质参数、当前时刻的加药方案。
可选地，所述第二预测参数包括第一预测浊度对应的图像参数、第一预测浊度对应的水质参数、第二预测浊度对应的加药方案。
可选地，还包括对所述第一预测参数或/和所述第二预测参数进行预处理；所述预处理包括：
数据平滑处理；
对图像参数、水质参数、加药方案进行时间匹配。
可选地，匹配的时间通过以下公式得到：
Δt＝V/Qw
其中，Δt表示实际反应时间，V表示污水处理池的体积，Qw为废水进水量。
可选地，所述加药方案包括加药种类，以及加药间隔；所述加药种类包括混凝剂和絮凝剂，所述加药间隔包括混凝剂的加药间隔和絮凝剂的加药间隔。
可选地，所述混凝剂的加药间隔通过以下公式得到：
Figure BDA0002405276250000021
其中，PACmax表示混凝剂加药量调整间隔，n表示同时启用加药装置的数量，qmax表示加药装置的最大流量，ωPAC表示混凝剂药液浓度；ρPAC表示混凝剂药液密度；Qw表示废水进水量。
可选地，所述絮凝剂的加药间隔通过以下公式得到：
Figure BDA0002405276250000022
其中，PAMmax表示絮凝剂加药量调整间隔，n表示同时启用加药装置的数量，qmax表示加药装置的最大流量，ωPAM表示絮凝剂药液浓度，ρPAM表示絮凝剂药液密度，Qw表示废水进水量。
如上所述，本发明的一种水处理方法，具有以下有益效果：
本发明通过对传统污水处理过程中人工加药判断及经验加药量确定的替代，不仅能够有效地减少人力投入，同时也能够快速对水质情况变化进行反馈，并且在保证出水质量的前提下，尽可能地降低用药成本，使得整个污水处理过程更加高效、环保。
附图说明
图1为本发明一实施例一种污水处理方法的流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
如图1所示，一种污水处理方法，包括：
S11获取待处理污水处理池当前时刻的第一预测参数；
S12利用所述第一预测参数预测得到当前污水池内水的第一预测浊度；
S13基于所述第一预测浊度判断水质是否达标；
S14若水质不达标，则构建一个或多个预测加药方案；根据所述预测加药方案确定一个或多个第二预测参数；
S15根据所述一个或多个第二预测参数预测加药后污水池内水的一个或多个第二预测浊度；
S16基于所述一个或多个第二预测浊度确定候选加药方案；
S17根据所述候选加药方案确定目标加药方案；
S18基于所述候选加药方案对所述待处理污水池内的污水进行处理。
本发明通过对传统污水处理过程中人工加药判断及经验加药量确定的替代，不仅能够有效地减少人力投入，同时也能够快速对水质情况变化进行反馈，并且在保证出水质量的前提下，尽可能地降低用药成本，使得整个污水处理过程更加高效、环保。
由于水的浊度不同，其图像表现形式不一样。污水中存在颗粒等，光源的光线会被散射，图像中会产生一个模糊的光影，浊度不同，其模糊程亦不相同，因此，可以根据图像来对水的浊度进行判断。
水质参数包括泥土、砂粒、微细的有机物和无机物、浮游生物和胶体物质等，这些因素中的其中一个或多个的组合都会对的浊度产生影响，因此可以根据这些参数来对水的浊度进行判断。
加案方案，即向污水中加入什么样的药品，加入药品的计量，加入药品的时间等都对水的浊度产生影响，因此，可以根据加药方案来对水的浊度进行判断。
在本实施例中，将图像参数、水质参数、加药方案作为输入，水的浊度作为输出组合成训练参数来对水的浊度进行训练，获得一个水浊度预测模型，通过水浊度预测模型就可以预测在不同因素条件下水的浊度。
本发明是通过构建水浊度预测模型来预测水的浊度，然后再根据预测的浊度来确定药方案。因此，在获得最后的加药方案过程中，需要先训练一个水浊度预测模型来预测水的浊度。具体地，所述水浊度预测模型通过以下方法获得：
获取一段时间内污水处理池的训练参数，并基于所述训练参数构建模型训练集；利用所述模型训练集对LightGBM回归模型/XGBoost模型进行训练得到水浊度预测模型。
LigthGBM(Light Gradient Boosting Machine)是boosting集合模型中的成员，采用损失函数的负梯度作为当前决策树的残差近似值，去拟合新的决策树；XGBoost(eXtreme Gradient Boosting),极端梯度提升。
在一实施例中，利用所述第一预测参数预测得到当前污水池内水的第一预测浊度，包括：
将所述待处理污水处理池当前时刻的第一预测参数输入至预先训练好的水浊度预测模型中，输出水的第一预测浊度。
其中，所述第一预测参数包括当前时刻的图像参数、当前时刻的水质参数、当前时刻的加药方案。
在一实施例中，根据所述一个或多个第二预测参数预测加药后污水池内水的一个或多个第二预测浊度，包括：
将所述待处理污水处理池当前时刻的一个或多个第二预测参数输入至预先训练好的水浊度预测模型中，输出水的一个或多个第二预测浊度。
其中，第二预测参数包括第一预测浊度对应的图像参数、第一预测浊度对应的水质参数、第二预测浊度对应的加药方案。
由于，在训练水浊度预测模型和在利用水浊度预测模型对水浊度进行预测的过程中，由于参数变化是一个持续的过程，因为对第一预测参数和第二预测参数进行平滑处理；然后根据动态污水流量，对图像参数、水质参数、加药量与出水浊度进行匹配，匹配包括时间匹配，即计算实际反应时间，将特征与其所对应的目标值相对应，匹配时间由如下公式获得：
Δt＝V/Qw
上式中，Δt表示实际反应时间，V表示污水处理池的体积，Qw为废水进水量。
在一实施例中，所述加药方案包括加药种类，以及加药间隔；具体地，所述加药种类包括混凝剂和絮凝剂，所述加药间隔包括混凝剂的加药间隔和絮凝剂的加药间隔。
在一实施例中，所述混凝剂的加药间隔通过以下公式得到：
Figure BDA0002405276250000051
其中，PACmax表示混凝剂加药量调整间隔，单位mg/L；1×106表示重量换算系数，常数，单位为mg/kg；fmax表示加药装置最大频率，加药装置铭牌数据，单位为Hz；n表示同时启用加药装置的数量；qmax表示加药装置最大流量，加药装置铭牌数据，单位为m3/h；ωPAC表示混凝剂药液浓度，手动设定数据，单位为％；ρPAC表示混凝剂药液密度，单位为kg/m3；1×103表示体积换算系数，常数，单位为L/m3；Qw表示废水进水量，自动获取数据，单位为m3/h。
在一实施例中，所述絮凝剂的加药间隔通过以下公式得到：
Figure BDA0002405276250000052
其中，PAMmax表示絮凝剂加药量调整间隔，单位mg/L；1×106表示重量换算系数，常数，单位为mg/kg；fmax表示加药装置最大频率，加药装置铭牌数据，单位为Hz；n表示同时启用加药装置的数量；qmax表示加药装置最大流量，加药装置铭牌数据，单位为m3/h；ωPAM表示絮凝剂药液浓度，手动设定数据，单位为％；ρPAM表示絮凝剂药液密度，单位为kg/m3；1×103表示体积换算系数，常数，单位为L/m3；Qw表示废水进水量，自动获取数据，单位为m3/h。
在一实施例中，加药装置为计量泵。
在一实施例中，可以构建一个或多个预测加药方案，每个预测加药方案都包括加药种类，以及加药间隔；相应地，每个预测加药方案都对应一个第二预测浊度。基于基于所述一个或多个第二预测浊度确定候一个或多个选加药方案，即筛选出水质合格时对应的加药方案作为候选加药方案，这里可能包括了多个加药方案。在具体实施时，从多个候选加药方案中筛选出一个作为目标加药方案。一般来说，选择成本最低的加药方案作为目标加药方案，利用该目标加药方案对污水进行处理。
本发明提供一种基于LightGBM算法的污水处理方法，实现对出水的浊度的优化控制，主要适用于污水处理过程中混凝剂和絮凝剂的添加判断以及添加量的自动计算，由构造模型训练集、回归模型训练、出水的浊度预测以及加药方案确定四个模块组成，通过此算法可以及时地对入水水质改变进行反馈、同时也可以精确地对混凝剂、絮凝剂添加量进行控制，改变了工厂工人通过肉眼及经验进行药物添加的现状，通过该算法判断确定药物添加量，不仅能够有效地减少人力投入，同时也能够快速对水质情况变化进行反馈，并且在保证出水质量的前提下，尽可能地降低用药成本，使得整个污水处理过程更加高效、环保。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器((RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (8)

1.一种污水处理方法，其特征在于，包括：
获取待处理污水处理池当前时刻的第一预测参数；
利用所述第一预测参数以及预先训练好的水浊度预测模型预测得到当前污水池内水的第一预测浊度；
基于所述第一预测浊度判断水质是否达标；
若水质不达标，则构建一个或多个预测加药方案；根据所述一个或多个预测加药方案确定一个或多个第二预测参数；
根据所述一个或多个第二预测参数以及预先训练好的水浊度预测模型预测加药后污水池内水的一个或多个第二预测浊度；
基于所述一个或多个第二预测浊度确定候一个或多个选加药方案；
根据所述一个或多个候选加药方案确定目标加药方案；
基于所述候选加药方案对所述待处理污水池内的污水进行处理；
所述水浊度预测模型通过以下方法获得：
获取一段时间内污水处理池的训练参数，并基于所述训练参数构建模型训练集；
利用所述模型训练集对LightGBM回归模型/XGBoost模型进行训练得到水浊度预测模型；
所述训练参数包括图像参数、水质参数、加药方案、水的浊度，其中图像参数、水质参数、加药方案作为输入，水的浊度作为输出；
所述第一预测参数包括当前时刻的图像参数、当前时刻的水质参数、当前时刻的加药方案；
所述第二预测参数包括第一预测浊度对应的图像参数、第一预测浊度对应的水质参数、第二预测浊度对应的加药方案。
2.根据权利要求1所述的污水处理方法，其特征在于，利用所述第一预测参数预测得到当前污水池内水的第一预测浊度，包括：
将所述待处理污水处理池当前时刻的第一预测参数输入至预先训练好的水浊度预测模型中，输出水的第一预测浊度。
3.根据权利要求1所述的污水处理方法，其特征在于，根据所述一个或多个第二预测参数预测加药后污水池内水的一个或多个第二预测浊度，包括：
将所述待处理污水处理池当前时刻的一个或多个第二预测参数输入至预先训练好的水浊度预测模型中，输出水的一个或多个第二预测浊度。
4.根据权利要求1所述的污水处理方法，其特征在于，还包括对所述第一预测参数或/和第二预测参数进行预处理；所述预处理包括：
数据平滑处理；
对图像参数、水质参数、加药方案进行时间匹配。
5.根据权利要求4的述的污水处理方法，其特征在于，匹配的时间通过以下公式得到：
Figure 686108DEST_PATH_IMAGE001
其中，
Figure 999321DEST_PATH_IMAGE002
表示实际反应时间，V表示污水处理池的体积，Q w 为废水进水量。
6.根据权利要求1所述的污水处理方法，其特征在于，所述加药方案包括加药种类，以及加药间隔；所述加药种类包括混凝剂和絮凝剂，所述加药间隔包括混凝剂的加药间隔和絮凝剂的加药间隔。
7.根据权利要求6所述的污水处理方法，其特征在于，所述混凝剂的加药间隔通过以下公式得到：
Figure 185582DEST_PATH_IMAGE003
其中，PAC max 表示混凝剂加药量调整间隔，n表示同时启用加药装置的数量，q max 表示加药装置的最大流量，ω PAC 表示混凝剂药液浓度；ρ PAC 表示混凝剂药液密度；Q w 表示废水进水量。
8.根据权利要求6或7所述的污水处理方法，其特征在于，所述絮凝剂的加药间隔通过以下公式得到：
Figure 705426DEST_PATH_IMAGE004
其中，PAM max 表示絮凝剂加药量调整间隔，n表示同时启用加药装置的数量，q max 表示加药装置的最大流量，ω PAM 表示絮凝剂药液浓度，ρ PAM 表示絮凝剂药液密度，Q w 表示废水进水量。
CN202010159598.4A 2020-03-10 2020-03-10 一种污水处理方法 Active CN111268780B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010159598.4A CN111268780B (zh) 2020-03-10 2020-03-10 一种污水处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010159598.4A CN111268780B (zh) 2020-03-10 2020-03-10 一种污水处理方法

Publications (2)

Publication Number Publication Date
CN111268780A CN111268780A (zh) 2020-06-12
CN111268780B true CN111268780B (zh) 2022-06-14

Family

ID=70993001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010159598.4A Active CN111268780B (zh) 2020-03-10 2020-03-10 一种污水处理方法

Country Status (1)

Country Link
CN (1) CN111268780B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114663405B (zh) * 2022-03-27 2022-12-06 扬州市苏灵农药化工有限公司 用于农药生产企业的废水处理控制方法
CN114626642B (zh) * 2022-05-16 2022-09-06 武汉华信数据系统有限公司 投药系统控制方法、装置、存储介质及电子设备
CN117819683B (zh) * 2024-03-05 2024-06-18 江苏牧格机械有限公司 一种塑料回收清洗线专用污水处理系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101825870A (zh) * 2010-05-18 2010-09-08 浙江浙大中控信息技术有限公司 一种控制水处理絮凝剂投放量的方法及系统
CN103011356A (zh) * 2012-08-15 2013-04-03 重庆水务集团股份有限公司 一种高浊度水系自动投药控制方法
CN105301960A (zh) * 2015-10-10 2016-02-03 杨晓林 一种自来水凝絮剂投加量的控制方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4146610B2 (ja) * 2000-10-17 2008-09-10 株式会社山武 濁度予測システム、濁度制御システムおよび濁度管理システム
CN101020128A (zh) * 2006-11-29 2007-08-22 东南大学 自来水厂混凝系统投药量的多模型综合动态矩阵控制方法
CN201139974Y (zh) * 2007-10-17 2008-10-29 成都齐力水处理科技有限公司 混凝剂自动加药控制系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101825870A (zh) * 2010-05-18 2010-09-08 浙江浙大中控信息技术有限公司 一种控制水处理絮凝剂投放量的方法及系统
CN103011356A (zh) * 2012-08-15 2013-04-03 重庆水务集团股份有限公司 一种高浊度水系自动投药控制方法
CN105301960A (zh) * 2015-10-10 2016-02-03 杨晓林 一种自来水凝絮剂投加量的控制方法

Also Published As

Publication number Publication date
CN111268780A (zh) 2020-06-12

Similar Documents

Publication Publication Date Title
CN111268780B (zh) 一种污水处理方法
JP2020065964A (ja) 排水処理方法および排水処理システム
CN110717671B (zh) 一种确定参与方贡献度的方法及装置
CN111233118A (zh) 一种高密度沉淀池智能控制系统及控制方法
CN115108617B (zh) 混凝加药方法及系统
JP6422901B2 (ja) 管理支援システム、管理支援方法及び管理支援プログラム
US10988394B2 (en) Cost control of wastewater treatment based on regulatory period
US20230257283A1 (en) Process, system, and computer readable storage medium for determining optimal coagulant dosage
JP7083269B2 (ja) 凝集を伴う水処理プラントの制御方法および制御装置
JPWO2020021688A1 (ja) 水処理プラントおよび水処理プラントの運転方法
CN115759399A (zh) 投加控制方法、装置、设备及存储介质
JPWO2020021689A1 (ja) 水処理プラントおよび水処理プラントの運転方法
CN112132700A (zh) 用于调控水质的配方决策方法
CN114488973A (zh) 再生水厂全流程工艺参数优化方法、装置及电子设备
CN115231668B (zh) 一种多维融合自动化药物投加方法、装置与设备
CN115849530A (zh) 一种污水处理方法、系统及可读存储介质
JP2016139243A (ja) 評価値算出システム、支援システム、評価値算出方法、及び評価値算出プログラム
TW202349289A (zh) 資訊處理方法、資訊處理裝置、電腦程式產品及排水處理系統
CN116081797A (zh) 污水处理厂全流程控制量的动态优化方法、装置和设备
CN112723613B (zh) 一种污水处理站智能远程监管方法及终端
JPH06335694A (ja) 排水の生物学的処理装置の制御装置
CN107915356A (zh) 一种一体化污水处理系统及方法
Fei et al. Recursive regression and Wiener deconvolution for coagulation optimization in water treatment plant
JP7558922B2 (ja) 教師データ選定装置、予測モデル構築装置、および教師データ選定方法
JP2023097171A (ja) 注入率予測システム、水処理システム、および注入率予測方法

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
CP03 Change of name, title or address

Address after: 401329 No. 5-6, building 2, No. 66, Nongke Avenue, Baishiyi Town, Jiulongpo District, Chongqing

Patentee after: MCC CCID information technology (Chongqing) Co.,Ltd.

Patentee after: CISDI SHANGHAI ENGINEERING Co.,Ltd.

Patentee after: CISDI RESEARCH & DEVELOPMENT Co.,Ltd.

Address before: Building 1, No. 11, Huijin Road, North New District, Yubei District, Chongqing

Patentee before: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd.

Patentee before: CISDI SHANGHAI ENGINEERING Co.,Ltd.

Patentee before: CISDI RESEARCH & DEVELOPMENT Co.,Ltd.

CP03 Change of name, title or address