CN111533290B - 污水处理工艺优化运行预案库生成与复杂场景的应用方法 - Google Patents

污水处理工艺优化运行预案库生成与复杂场景的应用方法 Download PDF

Info

Publication number
CN111533290B
CN111533290B CN202010367847.9A CN202010367847A CN111533290B CN 111533290 B CN111533290 B CN 111533290B CN 202010367847 A CN202010367847 A CN 202010367847A CN 111533290 B CN111533290 B CN 111533290B
Authority
CN
China
Prior art keywords
time
parameters
water quality
treatment
sewage treatment
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
CN202010367847.9A
Other languages
English (en)
Other versions
CN111533290A (zh
Inventor
王建辉
曲斌
钟成
郑旭煦
高旭
郭智威
冯东
季久翠
彭玉
李超
阳虎
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.)
Chongqing Water Environment Holding Group Co ltd
Chongqing Jiaotong University
Chongqing Technology and Business University
Original Assignee
Chongqing Water Environment Holding Group Co ltd
Chongqing Jiaotong University
Chongqing Technology and Business University
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 Chongqing Water Environment Holding Group Co ltd, Chongqing Jiaotong University, Chongqing Technology and Business University filed Critical Chongqing Water Environment Holding Group Co ltd
Priority to CN202010367847.9A priority Critical patent/CN111533290B/zh
Publication of CN111533290A publication Critical patent/CN111533290A/zh
Application granted granted Critical
Publication of CN111533290B publication Critical patent/CN111533290B/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
    • C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
    • 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
    • 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

  • Life Sciences & Earth Sciences (AREA)
  • Hydrology & Water Resources (AREA)
  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Water Supply & Treatment (AREA)
  • Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Activated Sludge Processes (AREA)

Abstract

本发明属于污水处理技术领域，尤其涉及污水处理工艺优化运行预案库生成与复杂场景的应用方法，包括：S1，利用机理模型、数据分析模型等方式汇总生成预案库；S2，采集进水端初始水质参数，匹配预案库内处理方案；S3，用匹配出的处理方案进行污水处理；S4，处理时间达到预设时长后，采集进水端水质参数；S5，采集出水参数并判断是否达到目标参数；若未达到则转到S6；否则转到S7；S6，从本次采集的水质参数与上次采集的水质参数中，选出较大的水质参数并匹配出处理方案转到S3；S7，匹配下一个处理方案，进行污水处理过程控制，根据当前处理方案的已处理时长调整实时处理参数；并转到S4。本申请能进一步提高污水处理的效率。

Description

污水处理工艺优化运行预案库生成与复杂场景的应用方法
技术领域
本发明属于污水处理技术领域，尤其涉及污水处理工艺优化运行预案库生成及其在复杂场景下的应用方法。
背景技术
水污染控制是保护生态环境、维持社会经济可持续发展的重要内容，而污水处理是控制水污染的主要手段。当前污水处理的任务主要由集中型和分散型污水处理厂(站)承担。随着排放标准的日益严格，政府和公众对污水处理的稳定性、可靠性以及经济性都提出了更高的要求。传统的污水处理过程高度依赖人工经验，管理过程精细化程度不高；为确保出水达标，存在过度曝气和加药的情况。近年来，随着大数据、物联网等技术的飞速发展及其在交通、电力等领域的成功应用，污水处理也正朝着智能控制、精细化管理的方向发展。
目前已有一些基于实验室或中试级别的相关研究，直接采用在线控制模型，将采集到污水处理数据，运用ASM等机理模型进行计算分析，或者利用神经网络算法等数据处理方式分析处理，但是在现阶段往往计算时间较长，若投入实际应用则其时效性不强。另外，在检测设备维护不佳或出现故障等情况时，可能生成与实际情况偏离较多的污水处理方案，进而导致污水处理效果达不到排放标准，发生较为严重的处理事故。虽然发展智慧水务是必然趋势，但是在在线模型尚未成熟之前的过渡阶段，解决决策方案的时效性、可信性问题是当前污水处理过程优化控制面临的难点。
为了避免发生上述情况，出现了运用预案库来进行污水处理的智能化处理方法。预案库是基于历史数据，利用数据模型或机理模型的高级实验(如局部敏感性分析、全局敏感性分析、参数表估计和不确定性分析)等功能，对污水处理厂的运行数据经过模型分析计算，以黑箱模型(经验模型)、PDCA模型(污水厂绩效评估模型)、能耗模型(污水厂能源损耗)、MCDA模型(污水进水BOD预测模型)等模型的输出结果作为污水厂优化运行的预案，形成预案库，并部分整合专家经验形成新的预案库。
预案库是一种作为新型高级实验类型的参数运行调优方案的集合，可以在面对突发状况时或较大情景波动条件下，从预案库中快速找到最接近的处置方案，提高响应速度，节省决策时间。除此，与直接使用神经网络对污水排放的相关参数进行分析相比，预案库中的方案经过与专家经验的整合和审查后，其匹配出的方案具有很强的可靠性，这就意味着用预案库来进行污水处理，即使是检测设备出现问题，其匹配出来的处理方案仍可以对污水进行相对较好地处理，可以避免极端运行工况出现，导致严重的处理事故，安全性较好。
但是，使用预案库技术，在匹配好处理方案后，一般是直接按照该处理方案进行污水处理，直到水质到达下一个状态点(新的水质值可以直接从预案库中匹配出新的处理方案)，但两个水质状态检测期间的时间段，如果按照固定的处理策略，而不随着水质的改变而相应调整水质处理方案，就会导致在水质处理的过程中，水质的具体的情况与污水处理方案在大部分时间都不匹配，效率和效果都有待优化。
因此，需要一种污水处理工艺优化运行预案库生成与复杂场景的应用方法，能够使污水处理过程控制更加动态化、精细化，进一步提高污水处理的效率，改善污水处理效果。
发明内容
本发明的目的，在于提供一种污水处理工艺优化运行预案库生成及其在复杂场景下的应用方法，使污水处理过程控制更加动态化、精细化，进一步提高污水处理的效率，改善污水处理效果。
本发明提供的基础方案为：
污水处理工艺优化运行预案库生成与复杂场景的应用方法，包括：
S1，采集近N个月进水端的水质参数，根据采集的水质参数的波动范围，设置M个不同的水质参数梯度，用模拟仿真的方法，生成不同水质参数下的处理方案，处理方案包括处理参数及目标参数，处理参数包括进水负荷、水力停留时间和曝气量，并汇总形成预案库；
S2，采集污水处理时进水端的初始水质参数，用初始水质参数从预案库中匹配出对应的处理方案；
S3，用匹配出的处理方案进行污水处理；
S4，处理时间达到预设时长后，再次采集进水端的水质参数；
S5，采集水质参数时，同步采集污水处理池中核心工艺段的出水参数，并判断此次出水参数是否达到了上次进水端采集参数匹配的污水处理方案的目标参数；若未达到，则转到S6；否则，则转到S7；
S6，从本次采集的水质参数与上次采集的水质参数中，选出较大的水质参数并匹配出对应的处理方案，并转到S3；
S7，根据本次采集的水质参数匹配出下一个处理方案，并用匹配出的处理方案进行污水处理过程控制，在控制过程中，根据当前处理方案的已处理时长调整实时处理参数；并转到S4。
基础方案工作过程及有益效果：
采集近N个月进水端的水质参数，根据采集的水质参数的波动范围，设置M个不同的水质参数梯度，用模拟仿真的方法，生成不同水质参数下的处理方案，并汇总形成预案库。
开始进行污水处理时，采集进水端的初始水质参数，用初始水质参数从元苦衷匹配出对应的处理方案，在用匹配出的处理方案进行污水处理。这样，在处理的开始阶段，能够达到较好地污水处理效果。
当处理的试件达到预设时长后，再次采集进水端的水质参数，同步采集污水处理池中核心工艺段的出水参数，并判断此次出水参数是否达到了上次进水端采集参数匹配的污水处理方案的目标参数。这样，可以了解当前阶段的污水处理效果是否达到了预期效果。
如果未达到预期效果，说明处理过程中出现了意外(如进水端水质突然发生变化)，则从本次采集的水质参数与上次采集的水质参数中，选出较大的水质参数并匹配出对应的处理方案，并用此次匹配的处理方案进行污水处理，强化处理效果。
若达到了处理效果，则说明污水处理工作正顺利进行。因此，根据本次采集的水质参数匹配出下一个处理方案，并用匹配出的处理方案进行污水处理过程控制，在控制过程中，根据当前处理方案的已处理时长调整实时处理参数。由于污水处理工作正顺利进行，若在下一个阶段若一直用匹配出的处理方案的处理参数，则很容易出现现有技术中的问题，即，并不能随着水质的改善而实时调整水质处理方案，进而导致水质整改的过程中，水质的具体的情况与污水处理方案在大部分时间都不匹配。
因此，在判断污水处理工作正顺利进行时，采用了上述控制方法，这样，能够在污水处理的过程中，随着时间的推移(水质的改善)而实时调整处理参数，使水质的具体的情况与实际运行的处理参数尽量的匹配。再之后，重复上述处理过程，直到完成污水处理工作。
与现有技术相比，本申请进一步提高了污水处理的效率，改善了污水处理效果。
进一步，S2、S6及S7中，若水质参数包含在预案库的匹配条件中，直接匹配出对应的处理方案；否则，根据水质参数用插值法在预案库中匹配出处理方案。
由于预案库无法覆盖所有的水质参数，使用插值法，可根据已有的预案库中的方案，以及实际的检测数据，快速得到与实际需求较为贴合的初始化预案。和现有技术直接根据初始水质值，在从预案库中快速找到与初始水质值最接近的水质值对应的处理方案相比，本方案得到的初始的处理方案，更加符合污水处理时的实际需求。
进一步，水质参数包括COD浓度；S2、S6及S7中，依据COD浓度从预案库中匹配出处理方案。
在污水处理过程中，COD浓度时最为重要的指标之一，同时也是最难以达标的指标。以COD浓度进行匹配，可以保证污水处理的整体效果(若COD浓度能有效处理，其余的指标自然也能得到解决)。
进一步，S7中，根据反应池内曝气与否的差异，而采用不同的实时处理参数调整方式。
不同类型反应池的曝气不同，使用相同的参数，达到的处理效果会存在不小的差异，因此，根据反应池曝气情况，而采用不同的实时处理参数调整方式，能够使不同类型反应池达到较为接近处理效果，使本方案的适用范围更大。
进一步，S7中，当反应池为不曝气反应池时，污水处理的实时处理参数SNA(t)＝S(0)+[S(HRT)-S(0)]*t/HRT；其中，SNA(t)为不曝气实时处理参数，S(0)为本次检测出水参数时正执行的处理参数，S(HRT)为本次出水参数匹配出的处理方案的处理参数，t为此次匹配出的处理方案的已运行时长，HRT为水力停留时间。
不曝气反应池的工作方式，接近于推流式反应器PFR的不曝气混合反应池。处理过程中，假设在采集出水参数1h前C(-1)浓度对应的运行策略S(-1)持续了1h，当前时刻为0时刻(即本次测量时)，C(-1)对应的运行策略S(-1)就是现在的运行策略，即S(-1)＝S(0)；即，S(0)为采集出水参数时正运行的处理参数。采用这样的方式，能够保证处理过程的连续性，即处理参数的变化在每个阶段之间仍是连续的。在匹配出处理方案后，如果进水以C(0)(即处理方案的处理参数)浓度稳定持续了HRT的时间，理论上池体内的液体会被完全置换。而在t时间，并未完全置换，其置换的比例是t/HRT。所以在t时刻，采取运行策略就是：SNA(t)＝S(0)+[S(HRT)-S(0)]*t/HRT。按照此方式，根据时间动态调整运行策略，直到下一次测量，能够较好地使水质的具体的情况与实际运行的处理参数相匹配。水力停留时间的HRT计算公式为现有技术HRT＝V/Q(t)，其中V为反应池有效体积，Q(t)表示t时刻进水流量，由于进水的工业流程已经较为标准化，因此，可以默认在两次监测间隔内进水流量不变。
采用这样的方式，当反应池为不曝气反应池时，能够使水质的具体情况与实际运行的处理参数尽量匹配，且处理效果较为理想。
进一步，S7中，当反应池为完全曝气反应池时，实时处理参数SAE(t)＝S(HRT)+e-HRT[S(0)-S(HRT)]；其中，e为自然底数，SAE(t)为完全曝气实时处理参数，S(0)为本次检测出水参数时正执行的处理参数，S(HRT)为本次出水参数匹配出的处理方案的处理参数，t为此次匹配出的处理方案的已运行时长，HRT为水力停留时间。
与不曝气反应池类似，采用这样的方式，当反应池为完全曝气反应池时，能够使水质的具体情况与实际运行的处理参数尽量匹配，且处理效果较为理想。
进一步，S7中，当反应池为介于不曝气和完全曝气之间的反应池时，实时处理参数SMIX(t)＝ηSAE(t)+(1-η)SNA(t)；其中，SAE(t)＝S(HRT)+e-HRT[S(0)-S(HRT)]；SNA(t)＝S(0)+[S(HRT)-S(0)]*t/HRT；e为自然底数，SMIX(t)为混合反应池实时处理参数，S(0)为本次检测出水参数时正执行的处理参数，S(HRT)为本次出水参数匹配出的处理方案的处理参数，t为此次匹配出的处理方案的已运行时长，HRT为水力停留时间；η为混合程度，η＝A(t)/AMAX；A(t)为t时刻的实际曝气量；AMAX为预案库内所有处理方案中曝气量的最大值。
由于实际在污水处理时，实际的曝气池都介于完全曝气反应池(如连续搅拌罐式反应器CSTR)与不曝气反应池(如推流式反应器PFR)之间，采用这样的方法，能够较好地与实际情况相契合。
进一步，S4中，预设时长小于3小时。
这样的检测周期，在结合现有COD浓度检测能力的基础上，采样周期的时长相对较短，能够防止进水端COD浓度突然大幅度变化导致出现污水处理事故的风险。
进一步，水质参数、出水参数及目标参数均包括COD浓度、DO浓度、总氮浓度及SS浓度。
这样的设置，能够保证污水处理策略计算中，应用水质参数的完整度。
进一步，S1-S7中的所有运算过程均在本地处理器上进行。
与在云端服务器进行处理相比，即使在网络状况不佳的情况下，仍然可以持续高效的进行污水处理。
附图说明
图1为本发明污水处理工艺优化运行预案库生成与复杂场景的应用方法实施例一的流程图。
具体实施方式
下面通过具体实施方式进一步详细说明：
实施例一
需要说明的是，本实施例中的反应池为不曝气反应池，本实施例中的计算及控制过程在本地自动化控制装置(如工业PC)上进行，在其他实施例中，也可以在云端服务器上进行。
本实施例中，水质参数、出水参数及目标参数均包括COD浓度、DO浓度、总氮浓度及SS浓度。
如图1所示，污水处理工艺优化运行预案库生成与复杂场景的应用方法，包括：
S1，采集近N个月进水端的水质参数，根据采集的水质参数的波动范围，设置M个不同的水质参数梯度，用模拟仿真的方法，生成不同水质参数下的处理方案，处理方案包括处理参数及目标参数，处理参数包括进水负荷、水力停留时间和曝气量，并汇总形成预案库。采集水质参数所使用的传感器及模拟仿真方法均属于现有技术，在此不再赘述。本实施例中，N的数值为12，M的数值为20。本实施例中仿真模拟时采用的模型为机理模型，在其他实施例中也可以采用数据分析模型或其他模型。
S2，采集污水处理时进水端的初始水质参数，用初始水质参数从预案库中匹配出对应的处理方案。
S3，用匹配出的处理方案进行污水处理。
S4，处理时间达到预设时长后，再次采集进水端的水质参数；预设时长小于3小时，本实施例中，预设时长为2小时。这样的检测周期，在结合现有COD浓度检测能力的基础上，采样周期的时长相对较短，能够防止进水端COD浓度突然大幅度变化导致出现污水处理事故的风险。
S5，采集水质参数时，同步采集污水处理池中核心工艺段的出水参数，并判断此次出水参数是否达到了上次进水端采集参数匹配的污水处理方案的目标参数；若未达到，则转到S6；否则，则转到S7。采集出水参数所使用的传感器及方法均属于现有技术，在此不再赘述。
S6，从本次采集的水质参数与上次采集的水质参数中，选出较大的水质参数并匹配出对应的处理方案，并转到S3。
S7，根据本次采集的水质参数匹配出下一个处理方案，并用匹配出的处理方案进行污水处理过程控制，在控制过程中，根据当前处理方案的已处理时长调整实时处理参数；并转到S4。
其中，S2、S6及S7中，若水质参数(本实施例中，采用COD浓度)包含在预案库的匹配条件中，直接匹配出对应的处理方案；否则，根据水质参数用插值法在预案库中匹配出处理方案。由于预案库无法覆盖所有的水质参数，使用插值法，可根据已有的预案库中的方案，以及实际的检测数据，快速得到与实际需求较为贴合的初始化预案。和现有技术直接根据初始水质值，在从预案库中快速找到与初始水质值最接近的水质值对应的处理方案相比，本方案得到的初始的处理方案，更加符合污水处理时的实际需求。
S7中，由于本实施例中反应池为不曝气反应池，污水处理的实时处理参数SNA(t)＝S(0)+[S(HRT)-S(0)]*t/HRT；其中，SNA(t)为不曝气实时处理参数，S(0)为本次检测出水参数时正执行的处理参数，S(HRT)为本次出水参数匹配出的处理方案的处理参数，t为此次匹配出的处理方案的已运行时长，HRT为水力停留时间。水力停留时间的HRT计算公式为现有技术HRT＝V/Q(t)，其中V为反应池有效体积，Q(t)表示t时刻进水流量，由于进水的工业流程已经较为标准化，因此，可以默认在两次监测间隔内进水流量不变。
具体实施过程如下：
采集近N个月进水端的水质参数，根据采集的水质参数的波动范围，设置M个不同的水质参数梯度，用模拟仿真的方法，生成不同水质参数下的处理方案，并汇总形成预案库。
开始进行污水处理时，采集进水端的初始水质参数，用初始水质参数从元苦衷匹配出对应的处理方案，在用匹配出的处理方案进行污水处理。这样，在处理的开始阶段，能够达到较好地污水处理效果。
当处理的试件达到预设时长后，再次采集进水端的水质参数，同步采集污水处理池中核心工艺段的出水参数，并判断此次出水参数是否达到了上次进水端采集参数匹配的污水处理方案的目标参数。这样，可以了解当前阶段的污水处理效果是否达到了预期效果。
如果未达到预期效果，说明处理过程中出现了意外(如进水端水质突然发生变化)，则从本次采集的水质参数与上次采集的水质参数中，选出较大的水质参数并匹配出对应的处理方案，并用此次匹配的处理方案进行污水处理，强化处理效果。
若达到了处理效果，则说明污水处理工作正顺利进行。因此，根据本次采集的水质参数匹配出下一个处理方案，并用匹配出的处理方案进行污水处理过程控制，在控制过程中，根据当前处理方案的已处理时长调整实时处理参数。由于污水处理工作正顺利进行，若在下一个阶段若一直用匹配出的处理方案的处理参数，则很容易出现现有技术中的问题，即，并不能随着水质的改善而实时调整水质处理方案，进而导致水质整改的过程中，水质的具体的情况与污水处理方案在大部分时间都不匹配。
因此，在判断污水处理工作正顺利进行时，采用了上述控制方法，这样，能够在污水处理的过程中，随着时间的推移(水质的改善)而实时调整处理参数，使水质的具体的情况与实际运行的处理参数尽量的匹配。
具体的，处理过程中，假设在采集出水参数1h前C(-1)浓度对应的运行策略S(-1)持续了1h，当前时刻为0时刻(即本次测量时)，C(-1)对应的运行策略S(-1)就是现在的运行策略，即S(-1)＝S(0)；即，S(0)为采集出水参数时正运行的处理参数。采用这样的方式，能够保证处理过程的连续性，即处理参数的变化在每个阶段之间仍是连续的。
在匹配出处理方案后，如果进水以C(0)(即处理方案的处理参数)浓度稳定持续了HRT的时间，理论上池体内的液体会被完全置换。而在t时间，并未完全置换，其置换的比例是t/HRT。所以在t时刻，采取运行策略就是：SNA(t)＝S(0)+[S(HRT)-S(0)]*t/HRT。按照此方式，根据时间动态调整运行策略，直到下一次测量，能够较好地使水质的具体的情况与实际运行的处理参数相匹配。
采用这样的方式，当反应池为不曝气反应池时，能够使水质的具体情况与实际运行的处理参数尽量匹配，且处理效果较为理想。
再之后，重复上述匹配及判断过程，直到完成污水处理工作。与现有技术相比，本申请进一步提高了污水处理的效率，改善了污水处理效果。
当方法使用一段时间后，工作人员可以通过查看方法运行过程记录，若某个参数匹配出的处理方案，出现过处理结果达不到目标参数的情况，就需要对该方案出现问题的原因进行进一步分析，若是方案本身问题(如处理参数设置不当或目标参数设置不当等)，则应对该方案进行优化，使其能够在运行过程中稳定地发挥作用。
实施例二
与实施例一相比，不同的是，本实施例中，反应池为完全曝气反应池。
S7中，实时处理参数SAE(t)＝S(HRT)+e-HRT[S(0)-S(HRT)]；其中，e为自然底数，SAE(t)为完全曝气实时处理参数，S(0)为本次检测出水参数时正执行的处理参数，S(HRT)为本次出水参数匹配出的处理方案的处理参数，t为此次匹配出的处理方案的已运行时长，HRT为水力停留时间。
与完全曝气反应池类似，采用这样的方式，当反应池为不曝气反应池时，能够使水质的具体情况与实际运行的处理参数尽量匹配，且处理效果较为理想。
实施例三
与实施例一相比，不同的是，本实施例中，反应池为介于不曝气和完全曝气之间的反应池。
本实施例的S7中，实时处理参数SMIX(t)＝ηSAE(t)+(1-η)SNA(t)；其中，SAE(t)＝S(HRT)+e-HRT[S(0)-S(HRT)]；SNA(t)＝S(0)+[S(HRT)-S(0)]*t/HRT；e为自然底数，SMIX(t)为混合反应池实时处理参数，S(0)为本次检测出水参数时正执行的处理参数，S(HRT)为本次出水参数匹配出的处理方案的处理参数，t为此次匹配出的处理方案的已运行时长，HRT为水力停留时间；η为混合程度，η＝A(t)/AMAX；A(t)为t时刻的实际曝气量；AMAX为预案库内所有处理方案中曝气量的最大值。
于实际在污水处理时，实际的曝气池都介于完全曝气反应池(如连续搅拌罐式反应器CSTR)与不曝气反应池(如推流式反应器PFR)之间，采用这样的方法，能够较好地与实际情况相契合。
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (5)

1.污水处理工艺优化运行预案库生成与复杂场景的应用方法，其特征在于，包括：
S1，采集近N个月进水端的水质参数，根据采集的水质参数的波动范围，设置M个不同的水质参数梯度，用模拟仿真的方法，生成不同水质参数下的处理方案，处理方案包括处理参数及目标参数，处理参数包括进水负荷、水力停留时间和曝气量，并汇总形成预案库；
S2，采集污水处理时进水端的初始水质参数，用初始水质参数从预案库中匹配出对应的处理方案；
S3，用匹配出的处理方案进行污水处理；
S4，处理时间达到预设时长后，再次采集进水端的水质参数；
S5，采集水质参数时，同步采集污水处理池中核心工艺段的出水参数，并判断此次出水参数是否达到了上次进水端采集参数匹配的污水处理方案的目标参数；若未达到，则转到S6；否则，则转到S7；
S6，从本次采集的水质参数与上次采集的水质参数中，选出较大的水质参数并匹配出对应的处理方案，并转到S3；
S7，根据本次采集的水质参数匹配出下一个处理方案，并用匹配出的处理方案进行污水处理过程控制，在控制过程中，根据当前处理方案的已处理时长调整实时处理参数；并转到S4；
其中，水质参数包括COD浓度；S2、S6及S7中，依据COD浓度从预案库中匹配出处理方案；
S7中，根据反应池内曝气与否的差异，而采用不同的实时处理参数调整方式；
当反应池为不曝气反应池时，污水处理的实时处理参数SNA(t)＝S(0)+[S(HRT)-S(0)]*t/HRT；其中，SNA(t)为不曝气实时处理参数，S(0)为本次检测出水参数时正执行的处理参数，S(HRT)为本次出水参数匹配出的处理方案的处理参数，t为此次匹配出的处理方案的已运行时长，HRT为水力停留时间；
当反应池为完全曝气反应池时，实时处理参数SAE(t)＝S(HRT)+e-HRT[S(0)-S(HRT)]；其中，e为自然底数，SAE(t)为完全曝气实时处理参数，S(0)为本次检测出水参数时正执行的处理参数，S(HRT)为本次出水参数匹配出的处理方案的处理参数，t为此次匹配出的处理方案的已运行时长，HRT为水力停留时间；
当反应池为介于不曝气和完全曝气之间的反应池时，实时处理参数SMIX(t)＝ηSAE(t)+(1-η)SNA(t)；其中，SAE(t)＝S(HRT)+e-HRT[S(0)-S(HRT)]；SNA(t)＝S(0)+[S(HRT)-S(0)]*t/HRT；e为自然底数，SMIX(t)为混合反应池实时处理参数，S(0)为本次检测出水参数时正执行的处理参数，S(HRT)为本次出水参数匹配出的处理方案的处理参数，t为此次匹配出的处理方案的已运行时长，HRT为水力停留时间；η为混合程度，η＝A(t)/AMAX；A(t)为t时刻的实际曝气量；AMAX为预案库内所有处理方案中曝气量的最大值。
2.根据权利要求1所述的污水处理工艺优化运行预案库生成与复杂场景的应用方法，其特征在于：S2、S6及S7中，若水质参数包含在预案库的匹配条件中，直接匹配出对应的处理方案；否则，根据水质参数用插值法在预案库中匹配出处理方案。
3.根据权利要求1所述的污水处理工艺优化运行预案库生成与复杂场景的应用方法，其特征在于：S4中，预设时长小于3小时。
4.根据权利要求1所述的污水处理工艺优化运行预案库生成与复杂场景的应用方法，其特征在于：水质参数、出水参数及目标参数均包括COD浓度、DO浓度、总氮浓度及SS浓度。
5.根据权利要求1所述的污水处理工艺优化运行预案库生成与复杂场景的应用方法，其特征在于：S1-S7中的所有运算过程均在本地处理器上进行。
CN202010367847.9A 2020-04-30 2020-04-30 污水处理工艺优化运行预案库生成与复杂场景的应用方法 Active CN111533290B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010367847.9A CN111533290B (zh) 2020-04-30 2020-04-30 污水处理工艺优化运行预案库生成与复杂场景的应用方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010367847.9A CN111533290B (zh) 2020-04-30 2020-04-30 污水处理工艺优化运行预案库生成与复杂场景的应用方法

Publications (2)

Publication Number Publication Date
CN111533290A CN111533290A (zh) 2020-08-14
CN111533290B true CN111533290B (zh) 2022-04-15

Family

ID=71970307

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010367847.9A Active CN111533290B (zh) 2020-04-30 2020-04-30 污水处理工艺优化运行预案库生成与复杂场景的应用方法

Country Status (1)

Country Link
CN (1) CN111533290B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112939345B (zh) * 2021-01-29 2022-05-20 重庆工商大学 智能化污水处理装置及方法
CN113248025B (zh) * 2021-05-31 2021-11-23 大唐融合通信股份有限公司 一种农村生活污水处理的控制方法、云端服务器及系统
CN113253689A (zh) * 2021-06-11 2021-08-13 武汉科迪智能环境股份有限公司 设备管理方法及装置、服务器
CN114380379B (zh) * 2022-02-22 2023-01-20 太原理工大学 一种煤泥水的加药控制方法及系统
CN115167229A (zh) * 2022-07-27 2022-10-11 海南绿境高科环保有限公司 一种污水站远程控制系统、方法、装置、设备及介质
CN115081345B (zh) * 2022-08-18 2022-11-25 中交四公局第一工程有限公司 一种用于溢流雨污水的处理工艺优化的方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016082263A1 (zh) * 2014-11-28 2016-06-02 东莞中国科学院云计算产业技术创新与育成中心 一种基于预案的多目标辅助决策平台及其实施方法
CN104914823A (zh) * 2015-04-20 2015-09-16 上海城投污水处理有限公司石洞口污水处理厂 面向污水厂运维时效管理方法
CN108640276A (zh) * 2018-04-17 2018-10-12 东南大学 一种基于west模型的污水处理厂aao工艺优化运行方法
CN109976187B (zh) * 2019-02-28 2021-08-17 重庆工商大学 基于污水生化处理优化与精细曝气的污水管理平台

Also Published As

Publication number Publication date
CN111533290A (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
CN111533290B (zh) 污水处理工艺优化运行预案库生成与复杂场景的应用方法
CN114275912B (zh) 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
Mulas et al. Predictive control of an activated sludge process: An application to the Viikinmäki wastewater treatment plant
KR940005029B1 (ko) 프로세스 운전지원방법 및 시스템
Gernaey et al. WWTP dynamic disturbance modelling–an essential module for long-term benchmarking development
CN106802563B (zh) 一种基于果蝇优化和lssvm的污水过程优化控制方法
CN110981021B (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
CN102262147A (zh) 一种废水处理系统出水cod的软测量方法和系统
CN107247888B (zh) 基于储备池网络的污水处理出水总磷tp软测量方法
CN107664682A (zh) 一种氨氮的水质软测量预测方法
CN109344971A (zh) 一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法
Devisscher et al. Estimating costs and benefits of advanced control for wastewater treatment plants–the MAgIC methodology
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
CN107665288A (zh) 一种化学需氧量的水质软测量预测方法
Harja et al. MPC advanced control of dissolved oxygen in an activated sludge wastewater treatment plant
Baeza et al. In-line fast OUR (oxygen uptake rate) measurements for monitoring and control of WWTP
Robles-Rodriguez et al. Management of an integrated network of wastewater treatment plants for improving water quality in a river basin
CN117389142A (zh) 污水处理厂生化反应池预测推演与安全实时控制方法
CN106706491B (zh) 膜生物反应器-mbr出水透水率的智能检测方法
CN118350510A (zh) 一种基于雨水收集系统多级净化技术的雨水利用方法
CN105372995A (zh) 污水处理系统测控方法
CN111439900A (zh) 本地污水管理系统
Hongyang et al. Decentralized model predictive control for N and P removal in wastewater treatment plants
CN104345636A (zh) 一种基于改进差分算法的溶解氧控制方法
CN118183886A (zh) 基于神经网络的水质模型基础参数动态调优方法及装置

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
CB02 Change of applicant information

Address after: No.80 Huju Road, Yuzhong District, Chongqing

Applicant after: Chongqing water environment Holding Group Co.,Ltd.

Applicant after: CHONGQING TECHNOLOGY AND BUSINESS University

Applicant after: CHONGQING JIAOTONG University

Address before: No. 299, Minsheng Road, Yuzhong District, Chongqing

Applicant before: CHONGQING WATER ASSET MANAGEMENT Co.,Ltd.

Applicant before: CHONGQING TECHNOLOGY AND BUSINESS University

Applicant before: CHONGQING JIAOTONG University

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant