CN111718028A - 一种基于大数据分析的净水厂混凝剂投加智能化建模方法 - Google Patents

一种基于大数据分析的净水厂混凝剂投加智能化建模方法 Download PDF

Info

Publication number
CN111718028A
CN111718028A CN202010594098.3A CN202010594098A CN111718028A CN 111718028 A CN111718028 A CN 111718028A CN 202010594098 A CN202010594098 A CN 202010594098A CN 111718028 A CN111718028 A CN 111718028A
Authority
CN
China
Prior art keywords
adding amount
coagulant
sedimentation tank
coagulant adding
term
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
CN202010594098.3A
Other languages
English (en)
Inventor
王冬生
常啸
渠赛赛
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202010594098.3A priority Critical patent/CN111718028A/zh
Publication of CN111718028A publication Critical patent/CN111718028A/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
    • C02F9/00—Multistage treatment of water, waste water or sewage
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • C02F1/001—Processes for the treatment of water whereby the filtration technique is of importance
    • 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
    • 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
    • C02F2001/007—Processes including a sedimentation step

Landscapes

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

Abstract

本发明提供了一种基于大数据分析的净水厂混凝剂投加智能化建模方法。在对原水水质、混凝剂投加量和沉淀池出水浊度历史大数据分析的基础上，针对原水水质周期性季节变化和非周期性动态变化的特点，分别构建对应水质条件下的混凝剂投加量长、短期模型；在实际运行控制中，根据当前时刻沉淀池出水浊度控制效果，在线调整长、短期模型的权值；加权计算长、短期模型输出，得到当前水质条件下的混凝剂投加量模型预测输出，在线调控混凝剂投加量。本发明采用大数据分析方法，智能化实时调控混凝剂投加量，有效提高具有复杂非线性、大滞后特性的混凝工艺处理效果，稳定和提高饮用水水质，保障饮水安全。

Description

一种基于大数据分析的净水厂混凝剂投加智能化建模方法
技术领域
本发明涉及一种智能化建模方法，尤其涉及一种基于大数据分析的净水厂混凝剂投加智能化建模方法。
背景技术
在净水厂的制水工艺处理过程中，除浊澄清是主要目标之一。混凝剂投加的主要目的是使原水中的浑浊物质聚结形成具有一定粒度及表面特性的絮凝体，为沉淀或过滤去除创造良好的条件。由于有大量细菌、病毒等微生物附着于絮凝体表面，因而在此过程中，对水中的细菌及病毒等微生物的去除也十分明显。因此，新冠病毒疫情期间，强化混凝效果，严控沉淀池、砂滤池出水浊度，有利于对病毒的去除，保障制水工艺的出水水质安全。
在工艺一定的条件下，混凝效果由混凝剂的投加控制所决定。一方面，原水水质对混凝剂消耗量的影响显著，而目前的净水厂原水水质大数据信息还处于数据采集/展示阶段，没能充分及时地参与到混凝剂投加控制中；另一方面，从混凝剂投加到沉淀池出水至少有2个小时以上的大滞后时间，依靠传统的反馈控制方法，难以及时有效地克服原水水质变化对混凝剂消耗的影响。因此，充分发掘原水水质大数据信息，并根据当前原水水质情况实时调整混凝剂投加量非常关键。
本发明研究对象水厂——苏州市自来水有限公司相城水厂的混凝剂投加控制仍然采用传统的反馈控制方法，无法根据当前原水水质实时调整混凝剂投加量，难以有效保证混凝效果和控制出水浊度，严重影响出厂水质安全。
发明内容
发明目的：
本发明根据研究对象水厂的工艺条件，提出能够根据原水水质周期性季节变化和非周期性动态变化特点实时计算出混凝剂投加量智能化建模方法，解决具有复杂非线性、大滞后特性的混凝沉淀工艺的优化控制问题，有效提高混凝效果。
技术方案：
本发明为解决如上技术问题采用如下技术方案：
一种基于大数据分析的净水厂混凝剂投加智能化建模方法，包括以下步骤：
第(I)步骤，混凝剂投加量长期模型建立步骤具体如下：
步骤1，对净水厂生产运行数据库中的原水水质指标(pH、水温、溶解氧、耗氧量、浊度)、沉淀池进水流量、混凝剂投加量和沉淀池出水浊度历史(过去3年及以上)大数据进行数据提取、数据清洗和数据分析，筛选出满足沉淀池出水浊度要求的对应时刻(即经过混凝/沉淀过程的大滞后时间之前)原水水质指标、沉淀池进水流量、混凝剂投加量历史(过去3年及以上)大数据样本集，并按月份分为12个子样本集；
步骤2，以原水水质指标(pH、水温、溶解氧、耗氧量、浊度)和沉淀池进水流量为输入，以混凝剂投加量为输出，采用随机森林算法，根据步骤1中得到的12个子样本集，训练得到12个混凝剂投加量长期模型(1～12月)。
第(II)步骤，混凝剂投加量短期模型建立步骤具体如下：
步骤1，对净水厂生产运行数据库中的原水水质指标(pH、水温、溶解氧、耗氧量、浊度)、沉淀池进水流量、混凝剂投加量和沉淀池出水浊度历史(过去15天)大数据进行数据提取、数据清洗和数据分析，筛选出满足沉淀池出水浊度要求的对应时刻(即经过混凝/沉淀过程的大滞后时间之前)原水水质指标、沉淀池进水流量、混凝剂投加量历史(过去15天)大数据样本集；
步骤2，以原水水质指标(pH、水温、溶解氧、耗氧量、浊度)和沉淀池进水流量为输入，以混凝剂投加量为输出，采用随机森林算法，根据步骤1中得到的大数据样本集，训练得到混凝剂投加量短期模型。
第(III)步骤，混凝剂投加量长、短期模型智能化加权步骤具体如下：
步骤1，计算当前时刻沉淀池出水浊度与设定值的偏差，如果偏差大于一定阈值，则说明对应时刻(即经过混凝/沉淀过程的大滞后时间之前)实际混凝剂投加量不合理，那么开始步骤2；反之，说明投加量合理，保持当前权值不变；
步骤2，如果当前沉淀池出水浊度大于设定值，则说明对应时刻(即经过混凝/沉淀过程的大滞后时间之前)实际混凝剂投加量偏小，那么判断出对应时刻的混凝剂投加量长、短期模型输出中较大的那个模型(长期模型或短期模型)的权值偏小，因而增加当前时刻的那个模型权值(调整步幅为5％/次，调整周期为1小时/次)、减小当前时刻的另一模型权值(调整步幅为5％/次，调整周期为1小时/次)；如果当前沉淀池出水浊度小于设定值，则说明对应时刻(即经过混凝/沉淀过程的大滞后时间之前)实际混凝剂投加量偏大，那么判断出对应时刻的混凝剂投加量长、短期模型输出中较大的那个模型(长期模型或短期模型)的权值偏大，因而减小当前时刻的那个模型权值(调整步幅为5％/次，调整周期为2小时/次)、增加当前时刻的另一模型权值(调整步幅为5％/次，调整周期为2小时/次)。
步骤3，采用当前所在月份的长期模型与过去15天的短期模型，通过加权计算得到当前原水水质和沉淀池进水流量条件下的混凝剂投加量。
有益效果：
本发明基于原水水质大数据分析建立混凝剂投加模型，智能化实时调控混凝剂投加量，有效提高混凝效果。本发明方法科学、合理、可行，不需要增加任何额外硬件成本，尤其适用于原水水质突变现象明显的制水工艺混凝投加控制。
附图说明
图1是净水厂混凝剂投加的工艺流程图；
图2是净水厂混凝剂投加的智能化建模方法流程示意图；
图3是混凝剂投加量长、短期模型训练示意图；
图4是混凝剂投加量长、短期模型预测示意图；
图5是随机森林模型构建示意图。
具体实施方式
下面结合在苏州市自来水有限公司相城水厂的实际在线试验对本发明的技术方案进行详细说明：
(一)获得混凝剂投加量长期模型的混凝剂投加量FD1，具体步骤如下：
步骤1，通过数据预处理，筛选出净水厂生产运行数据库中满足沉淀池出水浊度要求的对应时刻(即经过混凝/沉淀过程的大滞后时间之前)原水水质指标、沉淀池进水流量、混凝剂投加量历史(过去3年及以上)大数据样本集，并按月份分为12个子样本集；
步骤2，以原水水质指标(pH、水温、溶解氧、耗氧量、浊度)和沉淀池进水流量为输入，以混凝剂投加量为输出，采用随机森林算法，根据步骤1中得到的12个子样本集，训练得到12个混凝剂投加量长期模型(1～12月)；
步骤3，根据当前原水水质指标(pH、水温、溶解氧、耗氧量、浊度)和沉淀池进水流量的实时数据，输入到当前月份的混凝剂投加量长期模型中，计算获得相对应的混凝剂投加量FD1。
(二)获得混凝剂投加量短期模型的混凝剂投加量FD2，具体步骤如下：
步骤1，通过数据预处理，筛选出净水厂生产运行数据库中满足沉淀池出水浊度要求的对应时刻(即经过混凝/沉淀过程的大滞后时间之前)原水水质指标、沉淀池进水流量、混凝剂投加量历史(过去15天)大数据样本集；
步骤2，以原水水质指标(pH、水温、溶解氧、耗氧量、浊度)和沉淀池进水流量为输入，以混凝剂投加量为输出，采用随机森林算法，根据步骤1中得到的大数据样本集，训练得到混凝剂投加量短期模型。
步骤3，根据当前原水水质指标(pH、水温、溶解氧、耗氧量、浊度)和沉淀池进水流量的实时数据，输入到当前混凝剂投加量短期模型中，计算获得相对应的混凝剂投加量FD2。
补充说明：混凝剂投加量短期模型更新周期可视实际情况而定(如原水水质变化情况)，以研究对象水厂为例，短期模型每天重新训练和更新一次。
(三)获得当前时刻的混凝剂投加量计算值FD，具体步骤如下：
步骤1，计算当前时刻沉淀池出水浊度TU与设定值REF的偏差，如果偏差大于一定阈值，则说明对应时刻实际混凝剂投加量FD′不合理，进而判断当前时刻沉淀池出水浊度TU与设定值REF的大小关系，开始步骤2或步骤3，反之，说明对应时刻实际混凝剂投加量FD′合理，保持当前权值不变；
步骤2，如果当前沉淀池出水浊度TU大于设定值REF，则说明对应时刻实际混凝剂投加量FD′偏小，那么判断出对应时刻的混凝剂投加量长、短期模型输出中较大的那个模型的权值偏小，因而增加当前时刻的那个模型权值、减小当前时刻的另一模型权值(调整步幅为5％/次，调整周期为1小时/次)；
步骤3，如果当前沉淀池出水浊度TU小于设定值REF，则说明对应时刻实际混凝剂投加量FD′偏大，那么判断出对应时刻的混凝剂投加量长、短期模型输出中较大的那个模型的权值偏大，因而减小当前时刻的那个模型权值、增加当前时刻的另一模型权值(调整步幅为5％/次，调整周期为2小时/次)。
步骤4，根据当前所在月份的长期模型与过去15天的短期模型输出的混凝剂投加量FD1和FD2，以及对应模型的权值ω1和ω2，通过加权计算获得当前时刻的混凝剂投加量：FD＝ω1·FD1+ω2·FD2。
(四)关于随机森林模型的构建过程，具体步骤如下：
步骤1，从大数据样本集(假设有n组数据样本)中随机有放回地抽取m组数据样本作为训练子集，剩余n-m组数据样本作为测试子集；
步骤2，每个训练子集单独生长为一棵不剪枝叶的回归决策树，在决策树的每个节点处从K个特征中随机挑选k个特征(k≤K)，在每个节点上从k个特征中选取最优特征进行分支生长，这棵决策树充分生长，不进行剪枝操作，使每个节点的不纯度达到最小；
步骤3，根据测试子集的n-m组数据样本，分别建立n-m个决策树模型，取n-m个决策树模型输出的平均值作为随机森林模型输出；
步骤4，计算测试子集的随机森林模型输出与样本输出的偏差，若偏差大于阈值，则重复步骤1～步骤4；否则训练结束，最后一次训练得到的随机森林模型即该大数据样本集下的混凝剂投加量长/短期模型。
(五)关于混凝/沉淀过程大滞后时间的计算，详细说明如下：
混凝/沉淀过程的大滞后时间τ与沉淀池进水流量Q成反比，以研究对象水厂为例，经测定沉淀池进水流量3000立方米/小时，对应的混凝/沉淀过程的大滞后时间为2.1小时，因而τ与Q的对应关系为：
Figure BSA0000212294360000041

Claims (6)

1.一种基于大数据分析的净水厂混凝剂投加智能化建模方法，其特征在于，具体包括以下步骤：
步骤1，针对原水水质周期性季节变化特点，以原水水质指标和沉淀池进水流量为输入，以混凝剂投加量为输出，基于随机森林算法，建立混凝剂投加量长期模型；
步骤2，针对原水水质非周期性动态变化特点，以原水水质指标和沉淀池进水流量为输入，以混凝剂投加量为输出，基于随机森林算法，建立混凝剂投加量短期模型；
步骤3，根据当前时刻沉淀池出水浊度控制效果，评估对应时刻实际混凝剂投加量的合理性，据此在线调整当前时刻长、短期模型权值；
步骤4，加权计算长、短期模型输出，得到当前原水水质和沉淀池进水流量条件下的混凝剂投加量。
2.如权利要求1步骤1所述的混凝剂投加量长期模型，其特征在于，具体包括以下步骤：
步骤1，对净水厂生产运行数据库中的原水水质指标(pH、水温、溶解氧、耗氧量、浊度)、沉淀池进水流量、混凝剂投加量和沉淀池出水浊度历史(过去3年及以上)大数据进行数据提取、数据清洗和数据分析，筛选出满足沉淀池出水浊度要求的对应时刻(即经过混凝/沉淀过程的大滞后时间之前)原水水质指标、沉淀池进水流量、混凝剂投加量历史(过去3年及以上)大数据样本集，并按月份分为12个子样本集；
步骤2，以原水水质指标(pH、水温、溶解氧、耗氧量、浊度)和沉淀池进水流量为输入，以混凝剂投加量为输出，采用随机森林算法，根据步骤1中得到的12个子样本集，训练得到12个混凝剂投加量长期模型(1～12月)。
3.如权利要求1步骤2所述的混凝剂投加量短期模型，其特征在于，具体包括以下步骤：
步骤1，对净水厂生产运行数据库中的原水水质指标(pH、水温、溶解氧、耗氧量、浊度)、沉淀池进水流量、混凝剂投加量和沉淀池出水浊度历史(过去15天)大数据进行数据提取、数据清洗和数据分析，筛选出满足沉淀池出水浊度要求的对应时刻(即经过混凝/沉淀过程的大滞后时间之前)原水水质指标、沉淀池进水流量、混凝剂投加量历史(过去15天)大数据样本集；
步骤2，以原水水质指标(pH、水温、溶解氧、耗氧量、浊度)和沉淀池进水流量为输入，以混凝剂投加量为输出，采用随机森林算法，根据步骤1中得到的大数据样本集，训练得到混凝剂投加量短期模型。
4.如权利要求2步骤1和权利要求3步骤1所述混凝/沉淀过程的大滞后时间，其特征是：混凝/沉淀过程的大滞后时间与沉淀池进水流量成反比，以研究对象水厂为例，经测定沉淀池进水流量3000立方米/小时，对应的混凝/沉淀过程的大滞后时间为2.1小时，因而沉淀池进水流量为Q时的混凝/沉淀过程的大滞后时间为
Figure FSA0000212294350000011
5.如权利要求2步骤2和权利要求3步骤2所述的随机森林算法，其特征在于，具体包括以下步骤：
步骤1，从大数据样本集(假设有n组数据样本)中随机有放回地抽取m组数据样本作为训练子集，剩余n-m组数据样本作为测试子集；
步骤2，每个训练子集单独生长为一棵不剪枝叶的回归决策树，在决策树的每个节点处从K个特征中随机挑选k个特征(k≤K)，在每个节点上从k个特征中选取最优特征进行分支生长，这棵决策树充分生长，不进行剪枝操作，使每个节点的不纯度达到最小；
步骤3，根据测试子集的n-m组数据样本，分别建立n-m个决策树模型，取n-m个决策树模型输出的平均值作为随机森林模型输出；
步骤4，计算测试子集的随机森林模型输出与样本输出的偏差，若偏差大于阈值，则重复步骤1～步骤4；否则训练结束，最后一次训练得到的随机森林模型即该大数据样本集下的混凝剂投加量长/短期模型。
6.如权利要求1步骤3所述更新计算当前时刻长、短期模型权值，其特征在于，具体包括以下步骤：
步骤1，计算当前时刻沉淀池出水浊度与设定值的偏差，如果偏差大于一定阈值，则说明对应时刻(即经过混凝/沉淀过程的大滞后时间之前)实际混凝剂投加量不合理，那么开始步骤2；反之，说明投加量合理，保持当前权值不变；
步骤2，如果当前沉淀池出水浊度大于设定值，则说明对应时刻(即经过混凝/沉淀过程的大滞后时间之前)实际混凝剂投加量偏小，此时以提高混凝剂投加量为原则调整当前长、短期模型权值；反之，说明对应时刻实际混凝剂投加量偏大，以减小混凝剂投加量为原则调整当前长、短期模型权值。
CN202010594098.3A 2020-06-24 2020-06-24 一种基于大数据分析的净水厂混凝剂投加智能化建模方法 Pending CN111718028A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010594098.3A CN111718028A (zh) 2020-06-24 2020-06-24 一种基于大数据分析的净水厂混凝剂投加智能化建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010594098.3A CN111718028A (zh) 2020-06-24 2020-06-24 一种基于大数据分析的净水厂混凝剂投加智能化建模方法

Publications (1)

Publication Number Publication Date
CN111718028A true CN111718028A (zh) 2020-09-29

Family

ID=72569109

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010594098.3A Pending CN111718028A (zh) 2020-06-24 2020-06-24 一种基于大数据分析的净水厂混凝剂投加智能化建模方法

Country Status (1)

Country Link
CN (1) CN111718028A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113087301A (zh) * 2021-04-08 2021-07-09 常州康绿环保科技有限公司 一种河道污水的异位微生物修复方法
CN113188977A (zh) * 2021-06-02 2021-07-30 北京航空航天大学 基于tep的混凝剂调控方法及其应用
CN113307342A (zh) * 2021-06-07 2021-08-27 重庆中法环保研发中心有限公司 一种高密池化学除磷剂智能投加系统
CN113687040A (zh) * 2021-07-28 2021-11-23 广州杰赛科技股份有限公司 基于决策树算法的水厂实时投药量预测方法、装置及介质
CN113778028A (zh) * 2021-08-12 2021-12-10 西安交通大学 基于边云协同与双增量的智能混凝算法
WO2022108659A1 (en) * 2020-11-18 2022-05-27 Hach Company Process, system, and computer readable storage medium for determining optimal coagulant dosage
CN114563988A (zh) * 2022-01-26 2022-05-31 浙江中控信息产业股份有限公司 一种基于随机森林算法的水厂智能pac投加方法及系统
CN114933353A (zh) * 2022-05-31 2022-08-23 浙江天行健水务有限公司 一种混凝剂的自动投加方法
CN115504557A (zh) * 2022-10-25 2022-12-23 中冶赛迪技术研究中心有限公司 应用于沉淀池的自动排泥方法
CN116947189A (zh) * 2023-09-19 2023-10-27 武汉科迪智能环境股份有限公司 混凝剂投加控制方法、装置及存储介质
CN114563988B (zh) * 2022-01-26 2024-07-09 浙江中控信息产业股份有限公司 一种基于随机森林算法的水厂智能pac投加方法及系统

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022108659A1 (en) * 2020-11-18 2022-05-27 Hach Company Process, system, and computer readable storage medium for determining optimal coagulant dosage
CN113087301A (zh) * 2021-04-08 2021-07-09 常州康绿环保科技有限公司 一种河道污水的异位微生物修复方法
CN113188977A (zh) * 2021-06-02 2021-07-30 北京航空航天大学 基于tep的混凝剂调控方法及其应用
CN113307342B (zh) * 2021-06-07 2022-06-07 重庆中法环保研发中心有限公司 一种高密池化学除磷剂智能投加系统
CN113307342A (zh) * 2021-06-07 2021-08-27 重庆中法环保研发中心有限公司 一种高密池化学除磷剂智能投加系统
CN113687040A (zh) * 2021-07-28 2021-11-23 广州杰赛科技股份有限公司 基于决策树算法的水厂实时投药量预测方法、装置及介质
CN113778028A (zh) * 2021-08-12 2021-12-10 西安交通大学 基于边云协同与双增量的智能混凝算法
CN114563988A (zh) * 2022-01-26 2022-05-31 浙江中控信息产业股份有限公司 一种基于随机森林算法的水厂智能pac投加方法及系统
CN114563988B (zh) * 2022-01-26 2024-07-09 浙江中控信息产业股份有限公司 一种基于随机森林算法的水厂智能pac投加方法及系统
CN114933353A (zh) * 2022-05-31 2022-08-23 浙江天行健水务有限公司 一种混凝剂的自动投加方法
CN115504557A (zh) * 2022-10-25 2022-12-23 中冶赛迪技术研究中心有限公司 应用于沉淀池的自动排泥方法
CN115504557B (zh) * 2022-10-25 2024-02-09 中冶赛迪技术研究中心有限公司 应用于沉淀池的自动排泥方法
CN116947189A (zh) * 2023-09-19 2023-10-27 武汉科迪智能环境股份有限公司 混凝剂投加控制方法、装置及存储介质
CN116947189B (zh) * 2023-09-19 2023-12-08 武汉科迪智能环境股份有限公司 混凝剂投加控制方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN111718028A (zh) 一种基于大数据分析的净水厂混凝剂投加智能化建模方法
CN110054274B (zh) 一种净水絮凝沉淀投药控制方法
CN105301960B (zh) 一种自来水凝絮剂投加量的控制方法
CN107358021B (zh) 一种基于优化bp神经网络的do预测模型建立方法
CN101825870B (zh) 一种控制水处理絮凝剂投放量的方法及系统
CN206440945U (zh) 一种基于人工神经网络算法的混凝投药控制系统
JP2017123088A (ja) 決定木学習アルゴリズムを用いた予測プログラム、装置及び方法
CN111650834B (zh) 基于极限学习机的污水处理过程预测控制方法
CN106802563A (zh) 一种基于果蝇优化和lssvm的污水过程优化控制方法
CN113683169A (zh) 一种净水厂智能混凝投药方法及装置
CN111762958A (zh) 基于asm2d模型的污水处理厂深井曝气工艺优化方法及装置
CN114781249B (zh) 基于多维评分模型的高密度澄清池加药量预测及控制方法
CN106292296B (zh) 基于ga‑svm的水岛加药在线控制方法和装置
CN111125907B (zh) 一种基于混合智能模型的污水处理氨氮软测量方法
CN110357236B (zh) 一种基于突变反演出水预测模型的污水厂智慧操控方法
CN115375009B (zh) 一种建立混凝智能监控联动系统的方法
CN115759399A (zh) 投加控制方法、装置、设备及存储介质
Shang et al. Research on intelligent pest prediction of based on improved artificial neural network
CN111777217A (zh) 一种基于前馈-反馈复合控制的水厂加矾控制方法
CN114119277A (zh) 一种基于人工智能神经网络的絮凝投药决策的分析方法
CN116090678B (zh) 一种数据处理方法、装置及设备
CN115010232A (zh) 基于弱时滞神经网络模型的饮用水厂混凝投药预测方法
CN115108595A (zh) 基于机器学习的净水剂智能投加方法
CN1464346A (zh) 自适应控制投药设备及其方法
CN113221436A (zh) 一种基于改进型rbf神经网络的污水悬浮物浓度软测量方法

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