CN111484124A - 一种污水处理智能控制与生化工艺集约方法及系统 - Google Patents

一种污水处理智能控制与生化工艺集约方法及系统 Download PDF

Info

Publication number
CN111484124A
CN111484124A CN201910076973.6A CN201910076973A CN111484124A CN 111484124 A CN111484124 A CN 111484124A CN 201910076973 A CN201910076973 A CN 201910076973A CN 111484124 A CN111484124 A CN 111484124A
Authority
CN
China
Prior art keywords
control
intelligent
dissolved oxygen
sewage treatment
biochemical process
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
CN201910076973.6A
Other languages
English (en)
Inventor
龙靖
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.)
Kemico Shanghai Environmental Protection Technology Co ltd
Original Assignee
Kemico Shanghai Environmental Protection 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 Kemico Shanghai Environmental Protection Technology Co ltd filed Critical Kemico Shanghai Environmental Protection Technology Co ltd
Priority to CN201910076973.6A priority Critical patent/CN111484124A/zh
Publication of CN111484124A publication Critical patent/CN111484124A/zh
Pending legal-status Critical Current

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
    • C02F3/02—Aerobic processes
    • C02F3/12—Activated sludge processes
    • 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

本发明公开了一种污水处理智能控制与生化工艺集约方法及系统，包括，以溶解氧智能控制为核心，将计算机和仪表控制统一集成到一个系统当中，根据进水水质、水量和水温，综合考虑出水达标和节能降耗，确定合理的运行控制参数，具体包括以下步骤：根据污水处理工艺流程，建立仿真模拟平台；确定溶解氧控制目标值；计算供总风量和各控制分区风量并进行风量分配；进行加药智能控制；可在工艺稳定运行的基础上节约能耗10％以上，智能加药节约20％以上。

Description

一种污水处理智能控制与生化工艺集约方法及系统
技术领域
本发明涉及污水处理技术领域，尤其涉及一种污水处理智能控制与生化工艺集约方法及系统。
背景技术
污水处理厂原大多采用典型A/A/O工艺，为提升出水标准，将现有工艺改造成五阶Bardenpho工艺，并在主好氧区投加悬浮填料以确保氨氮去除效果，其流程如下图所示，后置缺氧区投加碳源强化TN去除效果，生化反应池末端投加混凝剂强化除磷效果。
该工艺在南非称5阶段Phoredox工艺,或简称Phoredox工艺,在美国称之为改良型Bardenpho工艺，如图1所示。
目前并没有一种能智能控制上述工艺各过程的系统，以实现低能耗。
发明内容
鉴于目前存在的上述不足，本发明提供一种污水处理智能控制与生化工艺集约方法及系统，以生化反应池DO(溶解氧)控制为核心，以精确投加碳源和化学药剂为重点，确保污水处理厂高效低耗运行。
为达到上述目的，本发明的实施例采用如下技术方案：
一种污水处理智能控制与生化工艺集约方法，所述污水处理智能控制与生化工艺集约方法包括，以溶解氧智能控制为核心，将计算机和仪表控制统一集成到一个系统当中，根据进水水质、水量和水温，综合考虑出水达标和节能降耗，确定合理的运行控制参数，具体包括以下步骤：
根据污水处理工艺流程，建立仿真模拟平台；
确定溶解氧控制目标值；
计算供总风量和各控制分区风量并进行风量分配；
进行加药智能控制。
依照本发明的一个方面，所述溶解氧智能控制包括：根据污水处理工艺流程，建立仿真模拟平台，在此基础上确定各主要运行工况达标处理所需的最低溶解氧浓度，并根据污水处理厂溶解氧探头的安装位置及硝化安全余量，确定溶解氧控制目标值。
依照本发明的一个方面，所述计算供总风量和各控制分区风量并进行风量分配包括：根据各控制区耗氧污染物去除的实际需氧量，结合气液传质方程，并通过现场校核，建立溶解氧波动与分量之间的关系模型，实时计算供总风量和各控制分区风量，结合鼓风机调控和阀门调节，合理分配风量。
依照本发明的一个方面，所述进行加药智能控制包括：根据在线仪表数据确定需要通过外加碳源去除的氮浓度，再利用动力学模型计算所需投加的碳源量，并通过智能加药系统精确投加。
依照本发明的一个方面，所述溶解氧智能控制包括：以溶解氧偏差最小为目标，利用自学习能力优化网络结构和参数，再根据偏差e及偏差变化率ec由智能控制在线修改控制器的Kp、Ki、Kd参数，最好通过控制器的智能系统实际的控制量，作用于被控制对象。
依照本发明的一个方面，所述溶解氧智能控制具有非线性表达能力，通过对系统性能的自学习寻找最佳的规则和参数，使系统的输出对应于溶解氧偏差值最小这一目标下最优的PID控制参数，各可调参数与学习算法如下：
Figure BDA0001959178180000021
Figure BDA0001959178180000022
Figure BDA0001959178180000023
式中，η1，η2，η3为各可调参数的学习速率。由于
Figure BDA0001959178180000024
无法求出，用符
号函数近似代替:
Figure BDA0001959178180000025
依照本发明的一个方面，所述溶解氧智能控制包括：溶解氧预估模型G(s)＝[K/(T0s+1)]e-τs；式中，K为对象的开环增益，T为预估模型时间常数，τ为滞后时间。
依照本发明的一个方面，所述溶解氧智能控制的误差算法为e∑＝(1-a)e+a·ê，式中，e∑为DO综合误差,e为DO实际误差，ê为溶解氧预估误差，a为误差权系数。
依照本发明的一个方面，所述污水处理智能控制与生化工艺集约方法包括：根据误差的大小将系统响应分为几个区间，在不同区间采用不同的控制策略。
一种污水处理智能控制与生化工艺集约系统，所述系统至少包括智能溶解氧控制系统和智能加药系统，所述智能溶解氧控制系统包括：控制柜、MCP、生化池和鼓风机组，其中控制柜收集生化池信号结合阀门调节、流量信号和压力信号传输给MCP，再通过MCP设定信号以控制鼓风机组。
本发明实施的优点：本发明所述的污水处理智能控制与生化工艺集约方法，包括，以溶解氧智能控制为核心，将计算机和仪表控制统一集成到一个系统当中，根据进水水质、水量和水温，综合考虑出水达标和节能降耗，确定合理的运行控制参数，具体包括以下步骤：根据污水处理工艺流程，建立仿真模拟平台；确定溶解氧控制目标值；计算供总风量和各控制分区风量并进行风量分配；进行加药智能控制；智能DO控制系统建立主要运行工况的智能DO及溶解氧波动与风量之间的关系模型，结合在线监测数据，以曝气池供氧效率和DO为控制目标，通过好氧区供风支管阀门最大开度法及后置缺氧区供风支管电动截止阀的自动启与开度，合理分配好氧区前后端的供风，动态地优化与调整曝气、回流和排泥等主要运行参数，可在工艺稳定运行的基础上节约能耗10％以上，智能加药节约20％以上。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明背景技术所述的工艺流程示意图；
图2为本发明所述的溶解氧浓度对硝化过程的影响示意图；
图3为本发明所述的智能DO控制系统结果图；
图4为本发明所述的溶解氧(DO)智能控制系统的控制原理图；
图5为本发明所述的智能控制系统策略控制框图；
图6为本发明所述的智能控制系统控制算法流程图；
图7为本发明所述的智能预测控制系统框图；
图8为本发明所述的二阶响应曲线图；
图9为本发明所述的智能DO控制器系统图；
图10为本发明所述的智能DO控制结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图2至图10所示，一种污水处理智能控制与生化工艺集约方法，所述污水处理智能控制与生化工艺集约方法包括，以溶解氧智能控制为核心，将计算机和仪表控制统一集成到一个系统当中，根据进水水质、水量和水温，综合考虑出水达标和节能降耗，确定合理的运行控制参数，具体包括以下步骤：
根据污水处理工艺流程，建立仿真模拟平台；
确定溶解氧控制目标值；
计算供总风量和各控制分区风量并进行风量分配；
进行加药智能控制。
在实际应用中，所述溶解氧智能控制包括：根据污水处理工艺流程，建立仿真模拟平台，在此基础上确定各主要运行工况达标处理所需的最低溶解氧浓度，并根据污水处理厂溶解氧探头的安装位置及硝化安全余量，确定溶解氧控制目标值。
在实际应用中，所述计算供总风量和各控制分区风量并进行风量分配包括：根据各控制区耗氧污染物去除的实际需氧量，结合气液传质方程，并通过现场校核，建立溶解氧波动与分量之间的关系模型，实时计算供总风量和各控制分区风量，结合鼓风机调控和阀门调节，合理分配风量。
在实际应用中，所述进行加药智能控制包括：根据在线仪表数据确定需要通过外加碳源去除的氮浓度，再利用动力学模型计算所需投加的碳源量，并通过智能加药系统精确投加。
在实际应用中，所述溶解氧智能控制包括：以溶解氧偏差最小为目标，利用自学习能力优化网络结构和参数，再根据偏差e及偏差变化率ec由智能控制在线修改控制器的Kp、Ki、Kd参数，最好通过控制器的智能系统实际的控制量，作用于被控制对象。
在实际应用中，所述溶解氧智能控制具有非线性表达能力，通过对系统性能的自学习寻找最佳的规则和参数，使系统的输出对应于溶解氧偏差值最小这一目标下最优的PID控制参数，各可调参数与学习算法如下：
Figure BDA0001959178180000051
Figure BDA0001959178180000052
Figure BDA0001959178180000053
式中，η1，η2，η3为各可调参数的学习速率。由于
Figure BDA0001959178180000054
无法求出，用符
号函数近似代替:
Figure BDA0001959178180000055
在实际应用中，所述溶解氧智能控制包括：溶解氧预估模型G(s)＝[K/(T0s+1)]e-τs；式中，K为对象的开环增益，T为预估模型时间常数，τ为滞后时间。
在实际应用中，所述溶解氧智能控制的误差算法为e∑＝(1-a)e+a·ê，式中，e∑为DO综合误差,e为DO实际误差，ê为溶解氧预估误差，a为误差权系数。
在实际应用中，所述污水处理智能控制与生化工艺集约方法包括：根据误差的大小将系统响应分为几个区间，在不同区间采用不同的控制策略。
一种污水处理智能控制与生化工艺集约系统，所述系统至少包括智能溶解氧控制系统和智能加药系统，所述智能溶解氧控制系统包括：控制柜、MCP、生化池和鼓风机组，其中控制柜收集生化池信号结合阀门调节、流量信号和压力信号传输给MCP，再通过MCP设定信号以控制鼓风机组。
以生化反应池DO(溶解氧)、MLSS(COD、氨氮、硝氮、磷酸盐)等关键参数控制为核心，以精确投加碳源和化学药剂为重点，确保污水处理厂高效低耗运行。
(1)智能DO控制系统
智能DO控制系统就是将计算机和仪表控制统一集成到一个自动化的污水处理系统当中，通过动态地优化与调整曝气、回流和排泥等主要运行参数，达到使稳定运行的和节约能耗的目的。溶解氧控制是整个工艺控制的核心，其思路如下：
1)溶解氧控制目标值确定
根据污水处理工艺流程，建立仿真模拟平台，在此基础上确定各主要运行工况达标处理所需的最低溶解氧浓度，并根据污水处理厂溶解氧探头的安装位置及硝化安全余量，确定溶解氧控制目标值。
溶解氧浓度对硝化过程的影响如图2所示，污水处理厂反应池容积以最不利工况设计，在硝化容量富余的情况下，生化处理系统可以低溶解氧状态运行。
2)供风量计算
根据各控制区耗氧污染物去除的实际需氧量，结合气液传质方程，并通过现场校核，建立溶解氧波动与分量之间的关系模型，实时计算供总风量和各控制分区风量。
3)风量分配
结合鼓风机调控和阀门调节，合理分配风量是溶解氧智能控制技术关键之一，其重点是好氧区前后端的的供氧分配。
(2)智能加药控制系统
智能加药控制系统主要指碳源精确投加控制，根据在线仪表数据确定需要通过外加碳源去除的氮浓度，再利用动力学模型计算所需投加的碳源量，并通过智能加药系统精确投加。其中后置反硝化区出水硝酸盐浓度确定需综合考虑有机物分解和生物除磷过程。
集约工艺模型
根据进水水质、水量和水温，综合考虑出水达标和节能降耗，确定合理的运行控制参数，实现污水处理的综合效益最大化。
(1)虽然鼓风机的设置是按照可生化的有机物(BOD5)总量来计算选择的，由于其没有在线仪表，故用CODCr总量来代替，BOD5∶COD0.3～0.5，根据进水水质的不同来选择。
(2)将鼓风机的风量按照不同的台数进行排列组合，以对应需去除的有机物(CODCr)总量Cia和溶解氧O2；
Cia＝Q×CODcr×24×3600/1000(kg/d)。
(3)将溶解氧设置在一个范围：1.0～1.5，1.5～2.0，2.0～2.5，2.5～3.0。
(4)为了使鼓风机不频繁启停，可以设置其最短运行时间。
生化工艺集约系统的仿真数学模型如下：
Figure BDA0001959178180000071
Figure BDA0001959178180000072
Figure BDA0001959178180000073
式中：SS为易生物降解有机底物，SSF为可发酵的易生物降解有机物，So为溶解氧，fp为生物固体的惰性组分值，XH为异氧菌，qF为发酵的最大速率，V为反应器容积，KS为异氧菌半饱和系数，KOH为异氧菌的氧半饱和系数，bH为异氧菌的衰减系数，μH为异氧菌最大生长速率，YH为异氧菌产率系数。
智能DO控制系统在上述生物处理模型做了充分验证，在进水水量、水质变化等各种干扰下，智能DO控制系统均能对溶解氧(DO)给出很好的控制结果，如图3所示。
如图4所示，为溶解氧(DO)智能控制系统的控制原理，加药智能控制类似。
如图5所示，为智能控制系统策略控制框图，智能控制系统策略以溶解氧偏差最小为目标，利用智能系统的自学习能力优化网络结构(规则)和参数(隶属函数)，再根据偏差e及偏差变化率ec由智能控制在线修改控制器的Kp、Ki、Kd参数，最好通过控制器的智能系统实际的控制量，作用于被控制对象。
如图6所示，为智能控制系统控制算法流程图，智能控制系统以遗传算法离线优化得出的全局近似解为初值，进行在线学习，细化调整智能网络的参数和规则；分智能控制部分和PID部分。
智能控制系统具有非线性表达能力，通过对系统性能的自学习寻找最佳的规则和参数，使系统的输出对应于溶解氧偏差值最小这一目标下最优的PID控制参数。智能控制系统中各可调参数与学习算法如下。
Figure BDA0001959178180000081
Figure BDA0001959178180000082
Figure BDA0001959178180000083
式中，η1，η2，η3为各可调参数的学习速率。由于
Figure BDA0001959178180000084
无法求出，用符
号函数近似代替
Figure BDA0001959178180000085
控制系统模型
智能控制系统的溶解氧预估模型为：G(s)＝[K/(T0s+1)]e-τs，式中：K为对象的开环增益，T为预估模型时间常数，τ为滞后时间。
根据溶解氧(DO)具有滞后特性，建立溶解氧智能控制预测控制系统，智能预测控制系统框图如图7所示。
控制系统误差模型
DO智能控制的误差算法e∑＝(1-a)e+a·ê，式中：e∑为DO综合误差,e为DO实际误差，ê为DO预估误差，a为误差权系数。
控制系统鲁棒性分析
污水处理过程属于复杂的生化反应过程，它的完成不但需要较长的时间而且具有很大的不确定性，溶解氧(DO)浓度受曝气量、进水流量、水质、污水温度等因素的影响，无法通过控制单一参数保持DO浓度的恒定，而且与鼓风机的送风量间存在非线性、时滞、强耦合等特点，因而建立的数学模型应该考虑控制算法对模型参数的鲁棒性。
溶解氧(DO)与加药智能控制系统的控制策略采用基于二阶系统阶跃响应的动态性能。曲线组中a为系统阶跃响应曲线，b为系统误差曲线，c为误差变化率曲线。二阶响应曲线如图8所示。
智能控制根据响应的不同阶段采用不同的控制信号。在智能控制中，根据误差的大小将系统响应分为几个区间，在不同区间采用不同的控制策略，从而增加想控制精度。控制思想将误差大小分为4个等级区间，分包是当|e|>1.5时，系统超调过大，控制策略采用粗调控制策略，即给系统加大控制信号，使系统加快向稳态方向靠近；当0.75<|e|<1.5时，系统超调为中等，控制策略采用中调，即给系统中等控制信号；当0.2<|e|<0.75时，系统超调不大，控制策略采用细调；当|e|<0.2时，系统超调较小，如果加过大的控制信号，会使系统的超调向过大的趋势发展，因此给系统加个微小的控制信号，使系统逐渐趋向稳定。各等级区间控制信号的正负，由误差的正负来决定。在同一个误差等级中又根据误差和误差变化率的乘积来决定控制信号的大小，误差和误差变化率乘积大于零时，说明系统偏离给定值的方向，所以控制信号较大，使系统加快向给定值靠近；反之，误差和误差变化率乘积小于零，则说明系统向给定至方向趋近，控制作用不宜太强，否则会出现超调，所以控制系统加的信号较小。
总之，溶解氧与加药智能控制器采用这样的控制思路，当DO或加药浓度偏离较大时，采用较大的控制量(风机转速或加药泵变化较高)，以体现纠偏迅速的特点；当DO或加药浓度偏差较小时，采用较慎微的控制量输出，以减少过调；并提高对误差(e)和误差变化率(ec)的分辨率，提高调节精度。
智能DO控制器
智能DO控制系统建立主要运行工况的智能DO及溶解氧波动与风量之间的关系模型，结合在线监测数据，以曝气池供氧效率和DO为控制目标，通过好氧区供风支管阀门最大开度法及后置缺氧区供风支管电动截止阀的自动启与开度，合理分配好氧区前后端的供风，动态地优化与调整曝气、回流和排泥等主要运行参数，可在工艺稳定运行的基础上节约能耗10％以上。
智能DO控制器系统如图9所示；
智能DO控制结构如图10所示；
智能DO控制器功能
活性污泥系统中参与污水处理的是以好氧菌为主体的微生物，通过微生物的生化反应来处理污水中的有机污染物，决定其处理效果的关键因素是曝气池内的溶解氧质量浓度。因此，溶解氧质量浓度是污水处理进程的主要影响因素，通常通过曝气装置对其进行控制。曝气池中氧气不足或过量都会导致污泥生存环境恶化,所以研究采用生化工艺集约控制系统智能控制DO浓度。
生化工艺集约控制系统智能DO控制器配置1套PLC控制器和1套工业计算机，主要控制范围是生化工艺集约控制系统内所有机械设备及配套阀门、在线仪表等。
生化工艺集约控制系统智能DO控制器实时采集水质仪表在线运行数据，进出水质数据，采用智能预测控制模型根据工艺要求自行计算运行机制，多参数的智能化运行控制风机风量、蝶阀、回流污泥量等；并且在自动控制方式下可通过该以太网接口接受生化工艺集约控制系统信号控制生化工艺设备开停，参数修改。
智能DO控制器亮点
智能控制从根本上说是要仿效人的智能行为进行控制与决策。智能控制器在控制过程中模拟人的控制行为功能，最大限度的识别和利用控制系统动态过程所提供的特征信息，进行启发和直觉推理，从而实现对象进行有效的控制。
生化工艺集约控制系统智能DO控制器实现了以下功能：
采用智能预测控制策略来解决实际问题，建立预测模型，建立溶解氧智能预测控制系统，控制具有快速响应能力。
采用多个曝气单元之间协同的控制机制，多参数的智能化运行控制。
溶解氧智能控制策略采用了抗干扰控制，具有较强的鲁棒性，控制效果好。
采用全流程节能降耗的最好控制信号集，在线调整算法参数，使智能控制更好的适应系统的状态。
采用在线检测数据进行数据库的储存以及记录，这是为了满足工艺优化的需要。
本发明实施的优点：本发明所述的污水处理智能控制与生化工艺集约方法，包括，以溶解氧智能控制为核心，将计算机和仪表控制统一集成到一个系统当中，根据进水水质、水量和水温，综合考虑出水达标和节能降耗，确定合理的运行控制参数，具体包括以下步骤：根据污水处理工艺流程，建立仿真模拟平台；确定溶解氧控制目标值；计算供总风量和各控制分区风量并进行风量分配；进行加药智能控制；智能DO控制系统建立主要运行工况的智能DO及溶解氧波动与风量之间的关系模型，结合在线监测数据，以曝气池供氧效率和DO为控制目标，通过好氧区供风支管阀门最大开度法及后置缺氧区供风支管电动截止阀的自动启与开度，合理分配好氧区前后端的供风，动态地优化与调整曝气、回流和排泥等主要运行参数，可在工艺稳定运行的基础上节约能耗10％以上，智能加药节约20％以上。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域技术的技术人员在本发明公开的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种污水处理智能控制与生化工艺集约方法，其特征在于，所述污水处理智能控制与生化工艺集约方法包括，以溶解氧智能控制为核心，将计算机和仪表控制统一集成到一个系统当中，根据进水水质、水量和水温，综合考虑出水达标和节能降耗，确定合理的运行控制参数，具体包括以下步骤：
根据污水处理工艺流程，建立仿真模拟平台；
确定溶解氧控制目标值；
计算供总风量和各控制分区风量并进行风量分配；
进行加药智能控制。
2.根据权利要求1所述的污水处理智能控制与生化工艺集约方法，其特征在于，所述溶解氧智能控制包括：根据污水处理工艺流程，建立仿真模拟平台，在此基础上确定各主要运行工况达标处理所需的最低溶解氧浓度，并根据污水处理厂溶解氧探头的安装位置及硝化安全余量，确定溶解氧控制目标值。
3.根据权利要求1所述的污水处理智能控制与生化工艺集约方法，其特征在于，所述计算供总风量和各控制分区风量并进行风量分配包括：根据各控制区耗氧污染物去除的实际需氧量，结合气液传质方程，并通过现场校核，建立溶解氧波动与分量之间的关系模型，实时计算供总风量和各控制分区风量，结合鼓风机调控和阀门调节，合理分配风量。
4.根据权利要求1所述的污水处理智能控制与生化工艺集约方法，其特征在于，所述进行加药智能控制包括：根据在线仪表数据确定需要通过外加碳源去除的氮浓度，再利用动力学模型计算所需投加的碳源量，并通过智能加药系统精确投加。
5.根据权利要求1至4之一所述的污水处理智能控制与生化工艺集约方法，其特征在于，所述溶解氧智能控制包括：以溶解氧偏差最小为目标，利用自学习能力优化网络结构和参数，再根据偏差e及偏差变化率ec由智能控制在线修改控制器的Kp、Ki、Kd参数，最好通过控制器的智能系统实际的控制量，作用于被控制对象。
6.根据权利要求5所述的污水处理智能控制与生化工艺集约方法，其特征在于，所述溶解氧智能控制具有非线性表达能力，通过对系统性能的自学习寻找最佳的规则和参数，使系统的输出对应于溶解氧偏差值最小这一目标下最优的PID控制参数，各可调参数与学习算法如下：
Figure FDA0001959178170000021
Figure FDA0001959178170000022
Figure FDA0001959178170000023
式中，η1，η2，η3为各可调参数的学习速率。由于
Figure FDA0001959178170000024
无法求出，用符
号函数近似代替:
Figure FDA0001959178170000025
7.根据权利要求5所述的污水处理智能控制与生化工艺集约方法，其特征在于，所述溶解氧智能控制包括：溶解氧预估模型G(s)＝[K/(T0s+1)]e-τs；式中，K为对象的开环增益，T为预估模型时间常数，τ为滞后时间。
8.根据权利要求7所述的污水处理智能控制与生化工艺集约方法，其特征在于，所述溶解氧智能控制的误差算法为e∑＝(1-a)e+a·ê，式中，e∑为DO综合误差,e为DO实际误差，ê为溶解氧预估误差，a为误差权系数。
9.根据权利要求8所述的污水处理智能控制与生化工艺集约方法，其特征在于，所述污水处理智能控制与生化工艺集约方法包括：根据误差的大小将系统响应分为几个区间，在不同区间采用不同的控制策略。
10.一种污水处理智能控制与生化工艺集约系统，其特征在于，所述系统至少包括智能溶解氧控制系统和智能加药系统，所述智能溶解氧控制系统包括：控制柜、MCP、生化池和鼓风机组，其中控制柜收集生化池信号结合阀门调节、流量信号和压力信号传输给MCP，再通过MCP设定信号以控制鼓风机组。
CN201910076973.6A 2019-01-27 2019-01-27 一种污水处理智能控制与生化工艺集约方法及系统 Pending CN111484124A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910076973.6A CN111484124A (zh) 2019-01-27 2019-01-27 一种污水处理智能控制与生化工艺集约方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910076973.6A CN111484124A (zh) 2019-01-27 2019-01-27 一种污水处理智能控制与生化工艺集约方法及系统

Publications (1)

Publication Number Publication Date
CN111484124A true CN111484124A (zh) 2020-08-04

Family

ID=71795796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910076973.6A Pending CN111484124A (zh) 2019-01-27 2019-01-27 一种污水处理智能控制与生化工艺集约方法及系统

Country Status (1)

Country Link
CN (1) CN111484124A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112130450A (zh) * 2020-09-03 2020-12-25 北京工业大学 城市污水处理自动控制虚拟仿真实验教学系统
CN113341711A (zh) * 2021-05-24 2021-09-03 天津大学 一种地表与地下多水源智能循环分配控制系统
CN115981153A (zh) * 2022-12-30 2023-04-18 浙江问源环保科技股份有限公司 基于深度学习的a2o工艺间歇性低碳曝气方法及控制系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102411308A (zh) * 2011-12-24 2012-04-11 北京工业大学 基于递归神经网络模型的溶解氧的自适应控制方法
CN103771582A (zh) * 2013-12-06 2014-05-07 浙江浙大中控信息技术有限公司 污水处理的曝气控制方法
CN105843036A (zh) * 2016-04-09 2016-08-10 北京工业大学 一种基于神经网络的污水处理过程控制方法
CN106495321A (zh) * 2016-10-11 2017-03-15 美尚生化环境技术（上海）有限公司 生物池工艺优化及运行控制系统及其控制方法
CN108569756A (zh) * 2017-03-09 2018-09-25 大连安能杰科技有限公司 一种智能化污水处理工艺控制新方法（ebis）

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102411308A (zh) * 2011-12-24 2012-04-11 北京工业大学 基于递归神经网络模型的溶解氧的自适应控制方法
CN103771582A (zh) * 2013-12-06 2014-05-07 浙江浙大中控信息技术有限公司 污水处理的曝气控制方法
CN105843036A (zh) * 2016-04-09 2016-08-10 北京工业大学 一种基于神经网络的污水处理过程控制方法
CN106495321A (zh) * 2016-10-11 2017-03-15 美尚生化环境技术（上海）有限公司 生物池工艺优化及运行控制系统及其控制方法
CN108569756A (zh) * 2017-03-09 2018-09-25 大连安能杰科技有限公司 一种智能化污水处理工艺控制新方法（ebis）

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
（芬）雷高阔等: "《造纸过程控制与维护管理 中文版》", 30 September 2017, 中国轻工业出版社 *
王德望等: "污水处理系统溶解氧的BP-PID控制算法", 《软件导刊》 *
辅小荣等: "《计算机控制技术》", 31 January 2012, 国防工业出版社 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112130450A (zh) * 2020-09-03 2020-12-25 北京工业大学 城市污水处理自动控制虚拟仿真实验教学系统
CN113341711A (zh) * 2021-05-24 2021-09-03 天津大学 一种地表与地下多水源智能循环分配控制系统
CN113341711B (zh) * 2021-05-24 2023-09-12 天津大学 一种地表与地下多水源智能循环分配控制系统
CN115981153A (zh) * 2022-12-30 2023-04-18 浙江问源环保科技股份有限公司 基于深度学习的a2o工艺间歇性低碳曝气方法及控制系统
CN115981153B (zh) * 2022-12-30 2023-08-04 浙江问源环保科技股份有限公司 基于深度学习的a2o工艺间歇性低碳曝气方法及控制系统

Similar Documents

Publication Publication Date Title
CN106873379B (zh) 一种基于迭代adp算法的污水处理最优控制方法
Guerrero et al. Multi-criteria selection of optimum WWTP control setpoints based on microbiology-related failures, effluent quality and operating costs
CN100361909C (zh) A/o生物脱氮反应器、硝化过程的调节方法及其在线模糊控制装置、方法
CN110577275B (zh) 一种污水处理智能化曝气控制系统及方法
CN101576734B (zh) 基于动态径向基神经网络的溶解氧的控制方法
CN107986428B (zh) 一种污水处理精确曝气方法
US8308947B2 (en) Methods of providing an aerobic medium in a wastewater treatment bioreactor compartment
CN111484124A (zh) 一种污水处理智能控制与生化工艺集约方法及系统
CN106495321B (zh) 生物池工艺优化及运行控制系统及其控制方法
CN111847634A (zh) 一种用于泥膜复合污水处理工艺的曝气和碳源投加优化控制系统及方法
AU2021100130A4 (en) Intelligent control method and system for sewage treatment aeration based on deep learning
CN109592804B (zh) 一种污水处理趋近循优精确曝气方法
CN103064290A (zh) 基于自组织径向基神经网络的溶解氧模型预测控制方法
CN103499982A (zh) 一种污水处理过程自组织控制方法
CN105439285A (zh) 一种污水处理的调控方法
CN112875859A (zh) 基于aoa工艺的污水脱氮除磷控制系统
Zhao et al. A novel control strategy for improved nitrogen removal in an alternating activated sludge process—Part I. Process analysis
CN110104778A (zh) 一种风量控制系统
Chen et al. Smart energy savings for aeration control in wastewater treatment
JP2006055683A (ja) 活性汚泥方式排水処理方法及び活性汚泥方式排水処理装置
JP4188200B2 (ja) プラントワイド最適プロセス制御装置
KR20220024245A (ko) 하수처리장용 통합제어 시스템
KR20180104413A (ko) 하모니서치 알고리즘을 이용한 활성슬러지 공정의 산소공급량 제어 시스템
JP3487092B2 (ja) 生物学的水処理装置の制御方法
CN111399558B (zh) 一种基于知识选择的污水处理过程多目标优化控制方法

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