CN112782975A - 一种基于深度学习的污水处理曝气智能控制方法及系统 - Google Patents

一种基于深度学习的污水处理曝气智能控制方法及系统 Download PDF

Info

Publication number
CN112782975A
CN112782975A CN202011391829.0A CN202011391829A CN112782975A CN 112782975 A CN112782975 A CN 112782975A CN 202011391829 A CN202011391829 A CN 202011391829A CN 112782975 A CN112782975 A CN 112782975A
Authority
CN
China
Prior art keywords
aeration
sewage treatment
optimal
under
working condition
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
CN202011391829.0A
Other languages
English (en)
Inventor
于晗
潘志成
于宏兵
杨赫
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.)
Hatian Water Group Co ltd
Nankai University
Original Assignee
Hatian Water Group Co ltd
Nankai 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 Hatian Water Group Co ltd, Nankai University filed Critical Hatian Water Group Co ltd
Priority to CN202011391829.0A priority Critical patent/CN112782975A/zh
Priority to AU2021100130A priority patent/AU2021100130A4/en
Publication of CN112782975A publication Critical patent/CN112782975A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (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)
  • Activated Sludge Processes (AREA)

Abstract

本发明提供的一种基于深度学习的污水处理曝气智能控制方法及系统，本发明的方法利用GRU神经网络模型确定当前工况下的最优曝气量(使出水水质满足达标要求前提下的最小曝气量)，利用最优曝气量进行曝气控制，降低了污水处理过程中的能源消耗并稳定了出水水质，而且本发明利用GRU神经网络模型确定最优曝气量，无需复杂运算，提高了污水处理效率。

Description

一种基于深度学习的污水处理曝气智能控制方法及系统
技术领域
本发明涉及污水处理技术领域，特别是涉及一种基于深度学习的污水处理曝气智能控制方法及系统。
背景技术
污水处理行业属于能源消耗量大，其消耗能源主要是电能以及化学药剂。生物处理方法是现代污水处理应用中最为广泛的一种方法，其系统作为污水处理厂的核心单元，承担着去除污水中有机污染物质的任务。污水处理厂的曝气处理系统运行所需的电能消耗大约占整厂所需能耗的50％～70％。因此，对污水处理厂生物处理环节的曝气系统进行优化改造，提升其稳定性和利用效率，是污水处理厂达到出水标准的要求和节能降耗的需求所在。
当前污水处理曝气环境控制方法大部分采用手动PID控制或人工经验控制，控制精度低，污水生物处理系统是一个多变量复杂生物、化学和物理相变体系，多变量间相互作用，呈现非线性强耦合关系，体系十分复杂。其中曝气控制系统具有多变量强耦合、强非线性相关、难以在线监测、不确定性、时变性、时滞性、大惯性等特点。传统的污水处理曝气控制系统受制于硬件参数，导致控制器难以处理大量复杂的污水处理现场实时数据。
如何降低污水处理过程中的能源消耗、稳定出水水质、提高污水处理效率成为一个亟待解决的技术问题。
发明内容
本发明的目的是提供一种基于深度学习的污水处理曝气智能控制方法及系统，以降低污水处理过程中的能源消耗、稳定出水水质、提高污水处理效率。
为实现上述目的，本发明提供了如下方案：
一种基于深度学习的污水处理曝气智能控制方法，所述智能控制方法包括如下步骤：
建立GRU神经网络模型；
采集不同工况下的污水处理系统的进水端和出水端的水质参数、各个反应池内的水质参数和泥质参数、污水处理系统的运行参数及鼓风机运行参数，作为训练输入向量；
确定不同工况下的最优曝气量，作为不同训练输入向量对应的最优曝气量；所述最优曝气量为使出水端的水质参数满足污水处理排放要求的条件下的最小曝气量；
建立包括训练输入向量及训练输入向量对应的最优曝气量的训练集；
利用所述训练集训练所述GRU神经网络模型，获得训练后的GRU神经网络模型；
采集当前工况下的污水处理系统的进水端和出水端的水质参数、各个反应池内的水质参数和泥质参数、污水处理系统的运行参数及鼓风机运行参数，建立监测数据向量；
将所述监测数据向量输入训练后的GRU神经网络模型，获得当前工况下的最优曝气量；
根据当前工况下的最优曝气量进行曝气控制。
可选的，所述确定不同工况下的最优曝气量，具体包括：
在第i种工况下，调整鼓风机的转速，监测在不同转速下的鼓风机的曝气量和出水端的水质参数，确定使出水端的水质参数满足污水处理排放要求的条件下的最小曝气量，作为第i种工况下的最优曝气量。
可选的，所述根据当前工况下的最优曝气量进行曝气控制，具体包括：
根据鼓风机转速、风压与鼓风机的曝气量之间的关系，确定当前工况下的最优曝气量和当前工况下的实际曝气量的差值对应的鼓风机转速调整值；
将所述鼓风机转速调整值输入鼓风机控制系统中用于控制鼓风机转速的PID控制器，进行曝气量控制。
可选的，所述GRU神经网络模型包括更新门和重置门。
一种基于深度学习的污水处理曝气智能控制系统，所述智能控制系统包括：
模型建立模块，用于建立GRU神经网络模型；
训练参数采集模块，用于采集不同工况下的污水处理系统的进水端和出水端的水质参数、各个反应池内的水质参数和泥质参数、污水处理系统的运行参数及鼓风机运行参数，作为训练输入向量；
最优曝气量确定模块，用于确定不同工况下的最优曝气量，作为不同训练输入向量对应的最优曝气量；所述最优曝气量为使出水端的水质参数满足污水处理排放要求的条件下的最小曝气量；
训练集建立模块，用于建立包括训练输入向量及训练输入向量对应的最优曝气量的训练集；
模型训练模块，用于利用所述训练集训练所述GRU神经网络模型，获得训练后的GRU神经网络模型；
数据监测模块，用于监测当前工况下的污水处理系统的进水端和出水端的水质参数、各个反应池内的水质参数和泥质参数、污水处理系统的运行参数及鼓风机运行参数，建立监测数据向量；
最优曝气量预测模块，用于将所述监测数据向量输入训练后的GRU神经网络模型，获得当前工况下的最优曝气量；
控制模块，用于根据当前工况下的最优曝气量进行曝气控制。
可选的，所述最优曝气量确定模块，具体包括：
最优曝气量确定子模块，用于在第i种工况下，调整鼓风机的转速，监测在不同转速下的鼓风机的曝气量和出水端的水质参数，确定使出水端的水质参数满足污水处理排放要求的条件下的最小曝气量，作为第i种工况下的最优曝气量。
可选的，所述控制模块，具体包括：
鼓风机转速调整值确定子模块，用于根据鼓风机转速、风压与鼓风机的曝气量之间的关系，确定当前工况下的最优曝气量和当前工况下的实际曝气量的差值对应的鼓风机转速调整值；
PID控制子模块，用于将所述鼓风机转速调整值输入鼓风机控制系统中用于控制鼓风机转速的PID控制器，进行曝气量控制。
可选的，所述GRU神经网络模型包括更新门和重置门。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供一种基于深度学习的污水处理曝气智能控制方法及系统，所述智能控制方法包括如下步骤：建立GRU神经网络模型；采集不同工况下的污水处理系统的进水端和出水端的水质参数、各个反应池内的水质参数和泥质参数、污水处理系统的运行参数及鼓风机运行参数，作为训练输入向量；确定不同工况下的最优曝气量，作为不同训练输入向量对应的最优曝气量；建立包括训练输入向量及训练输入向量对应的最优曝气量的训练集；利用所述训练集训练所述GRU神经网络模型，获得训练后的GRU神经网络模型；采集当前工况下的污水处理系统的进水端和出水端的水质参数、各个反应池内的水质参数和泥质参数、污水处理系统的运行参数及鼓风机运行参数，建立监测数据向量；将所述监测数据向量输入训练后的GRU神经网络模型，获得当前工况下的最优曝气量；根据当前工况下的最优曝气量进行曝气控制。本发明利用GRU神经网络模型确定当前工况下的最优曝气量(使出水水质满足要求的前提下最小曝气量)，利用最优曝气量进行曝气控制，降低了污水处理过程中的能源消耗并稳定了出水水质，而且本发明利用GRU神经网络模型确定最优曝气量，无需复杂运算，提高了污水处理效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于深度学习的污水处理曝气智能控制方法的流程图；
图2为本发明提供的一种基于深度学习的污水处理曝气智能控制方法的原理图；
图3为本发明提供的GRU神经网络模型的结构图。
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。
本发明的目的是提供一种基于深度学习的污水处理曝气智能控制方法及系统，以降低污水处理过程中的能源消耗、稳定出水水质、提高污水处理效率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1和2所示，本发明提供一种基于深度学习的污水处理曝气智能控制方法，所述智能控制方法包括如下步骤：
步骤101，建立GRU神经网络模型。
本发明使用GRU(Gated Recurrent Unit，门控循环单元)作为深度神经网络确定最优曝气量。
长短期记忆网络LSTM((Long Short-Term Memory)能够解决循环神经网络RNN(Recurrent Neural Network)无法很好处理远距离依赖的问题，而GRU是LSTM的一个变体，GRU保持了LSTM的效果同时又使结构更加简单。GRU只保留了两个门，即更新门和重置门。更新门用于控制前一时刻的状态信息被代入到当前状态的程，更新门的值越大说明前一时刻的状态信息带入越多。重置门用于控制忽略前一时刻的状态信息的程度，重置门的值越小说明忽略得越多。
在时间步t，使用以下公式计算更新门zt：
zt＝σ(W(z)xt+U(z)ht-1)
其中xt为第t个时间步的输入向量，即输入序列X的第t个分量，它会经过一个线性变换(与权重矩阵W(z)相乘)，ht-1保存的是前一个时间步t-1的信息，同样也会经过一个线性变换(与权重矩阵U(z)相乘)。更新门将这两部分信息相加并投入到Sigmoid激活函数σ中，因此将激活结果压缩到0到1之间。重置门主要决定了到底有多少过去的信息需要遗忘，与更新门的表达式是一样，使用以下表达式计算：
rt＝σ(W(r)xt+U(r)ht-1)
Figure BDA0002811164210000051
Figure BDA0002811164210000052
yt＝σ(Wo·ht)
其中，zt为更新们输出，rt为重置门输出，
Figure BDA0002811164210000053
为第一中间向量，ht为第二中间向量，yt为GRU神经网络模型的输出，σ()为激活函数；
Figure BDA0002811164210000061
和Wo均为权重矩阵。
步骤102，采集不同工况下的污水处理系统的进水端和出水端的水质参数、各个反应池内的水质参数和泥质参数、污水处理系统的运行参数及鼓风机运行参数，作为训练输入向量；
本发明利用多路多参数在线传感器，在线监测污水处理系统的进水端、出水端以及各个反应池内的水质参数信息和泥质参数信息；所述在线传感器包括水质传感器和泥质传感器，用于实时监测水质和泥质的动态变化；所述水质传感器为多路多参数快速水质传感器，包括流量计、在线温度计、在线液位计、在线pH计、在线ORP测试仪、在线悬浮物浓度计、在线DO仪、在线COD仪、在线总氮仪、在线氨氮仪、在线总磷仪；所述泥质传感器为在线污泥浓度仪。
所述水参数和泥质参数信息包含参数因污水处理端口而异，其中：进水端参数信息包括流量、温度、pH、ORP、SS、COD、DO、TN、氨氮、TP；厌氧/缺氧反应器(反应池)参数信息包括流量、温度、pH、ORP、SS、COD、DO、TN、氨氮、TP、MLSS；好氧反应器(反应池)参数信息包括流量、温度、液位、pH、ORP、SS、COD、DO、TN、氨氮、TP、MLSS；二沉池参数信息包括流量、温度、液位、pH、ORP、SS、COD、TN、氨氮、TP；出水端参数信息包括流量、pH、ORP、SS、COD、TN、氨氮、TP。
将采集的水质参数信息和泥质参数信息传送至鼓风机房控制系统；鼓风机房控制系统用于控制鼓风机，鼓风机用于向生化反应器(反应池)内提供空气；所述风机出口主管道设有压力仪表和流量计，以实时监测鼓风机运行参数，包括鼓风机转速参数、风量(曝气量)参数以及风压参数。
鼓风机房控制系统将接收的水质参数信息、泥质参数信息及鼓风机运行参数信息发送至主控工作站，另外主控工作站可以获取污水厂其它运行数据，包括进水C/N比、HRT、SRT、污泥回流比以及混合液回流比。
步骤103，确定不同工况下的最优曝气量，作为不同训练输入向量对应的最优曝气量。
步骤103所述确定不同工况下的最优曝气量，具体包括：在第i种工况下，调整鼓风机的转速，监测在不同转速下的鼓风机的曝气量和出水端的水质参数，确定使出水端的水质参数满足污水处理排放要求的条件下的最小曝气量，作为第i种工况下的最优曝气量。
步骤104，建立包括训练输入向量及训练输入向量对应的最优曝气量的训练集；
步骤105，利用所述训练集训练所述GRU神经网络模型，获得训练后的GRU神经网络模型。
主控工作站利用接收的水质参数、泥质参数、鼓风机运行参数以及污水厂其他运行参数信息进行结构化、归一化处理，构建GRU神经网络模型进行训练，获得用于污水处理曝气智能控制的训练后的GRU神经网络模型。
本发明在模型训练前，对训练集中的水质参数、泥质参数、鼓风机运行参数以及污水厂其他运行参数信息进行结构化、归一化处理，以获得高质量的数据集。按照8：1：1的比例将数据划分为训练集、验证集、测试集，构建深度神经网络进行训练，获得监测数据与可控参数间的关联模型，具体指水质参数、泥质参数、运行参数与鼓风机运行参数信息的耦合模型，从而进一步得到用于污水处理曝气智能控制的曝气量预测及鼓风智能控制的训练后的GRU神经网络模型，该模型能够通过当前监测数据，实时计算出当前最高效、最节能的曝气量。
本发明在模型训练过程中使用Dropout进行正则化处理，获得训练后的GRU神经网络模型，用于进行最优曝气量预测，将所述训练后的GRU神经网络模型安装到算法控制器中，以使所述算法控制器根据实时监测的参数信息计算污水处理曝气控制系统优化曝气量，进一步计算优化鼓风机转速，并将所计算结果反馈给风机，所述风机根据反馈调节风机转速到优化转速，从而实现曝气量智能控制。
步骤106，采集当前工况下的污水处理系统的进水端和出水端的水质参数、各个反应池内的水质参数和泥质参数、污水处理系统的运行参数及鼓风机运行参数，建立监测数据向量。
步骤107，将所述监测数据向量输入训练后的GRU神经网络模型，获得当前工况下的最优曝气量；
步骤108，根据当前工况下的最优曝气量进行曝气控制。
步骤108所述根据当前工况下的最优曝气量进行曝气控制，具体包括：根据鼓风机转速、风压与鼓风机的曝气量之间的关系，确定当前工况下的最优曝气量和当前工况下的实际曝气量的差值对应的鼓风机转速调整值；将所述鼓风机转速调整值输入鼓风机控制系统中用于控制鼓风机转速的PID控制器，进行曝气量控制。
本发明并将训练后的GRU神经网络模型安装到位于污水处理厂的算法控制器中，以使算法控制器根据水质参数、泥质参数以及污水厂运行参数计算最优曝气量，然后计算鼓风机转速，并将所计算结果反馈给位于鼓风机房的鼓风机房控制系统，鼓风机房控制系统根据反馈信号，基于PID控制算法，调节转速从而实现曝气量的控制。
在本发明提供的基于深度学习的污水处理曝气智能控制中，所述水质参数包括流量、温度、液位、pH、ORP、SS、COD、DO、TN、氨氮、TP；所述泥质参数为MLSS；所述鼓风机运行参数包括鼓风机转速参数、风量参数以及风压参数；所述污水厂其它运行参数包括进水C/N比、HRT、SRT、污泥回流比以及混合液回流比。
在本发明提供的基于深度学习的污水处理曝气智能控制中，所述算法控制器根据水质参数计算污水处理曝气控制系统的最优曝气量，并将实际曝气量与较优曝气量相比较计算得到实际需要调控的风机转速，生成控制模块调控指令。
本发明还提供一种基于深度学习的污水处理曝气智能控制系统，所述智能控制系统包括：
模型建立模块，用于建立GRU神经网络模型；所述GRU神经网络模型包括更新门和重置门。
训练参数采集模块，用于采集不同工况下的污水处理系统的进水端和出水端的水质参数、各个反应池内的水质参数和泥质参数、污水处理系统的运行参数及鼓风机运行参数，作为训练输入向量；
最优曝气量确定模块，用于确定不同工况下的最优曝气量，作为不同训练输入向量对应的最优曝气量。
所述最优曝气量确定模块，具体包括：最优曝气量确定子模块，用于在第i种工况下，调整鼓风机的转速，监测在不同转速下的鼓风机的曝气量和出水端的水质参数，确定使出水端的水质参数满足污水排放处理要求的条件下的最小曝气量，作为第i种工况下的最优曝气量。
训练集建立模块，用于建立包括训练输入向量及训练输入向量对应的最优曝气量的训练集；
模型训练模块，用于利用所述训练集训练所述GRU神经网络模型，获得训练后的GRU神经网络模型；
数据监测模块，用于监测当前工况下的污水处理系统的进水端和出水端的水质参数、各个反应池内的水质参数和泥质参数、污水处理系统的运行参数及鼓风机运行参数，建立监测数据向量；
最优曝气量预测模块，用于将所述监测数据向量输入训练后的GRU神经网络模型，获得当前工况下的最优曝气量；
控制模块，用于根据当前工况下的最优曝气量进行曝气控制。
所述控制模块，具体包括：鼓风机转速调整值确定子模块，用于根据鼓风机转速、风压与鼓风机的曝气量之间的关系，确定当前工况下的最优曝气量和当前工况下的实际曝气量的差值对应的鼓风机转速调整值；PID控制子模块，用于将所述鼓风机转速调整值输入鼓风机控制系统中用于控制鼓风机转速的PID控制器，进行曝气量控制。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
1、本发明对反应器水质参数、泥质参数、鼓风机运行参数进行实时检测与传输，将深度学习融入到污水处理曝气智能控制中，实现了污水处理生化段的精准曝气预测及控制，大大弥补了污水处理系统的多变量强耦合、强非线性相关、强时变性、时滞性等缺陷；
2、本发明有效提高了曝气量的控制精度，解决了现有污水处理曝气技术因无法精准曝气导致的能耗大、成本高等问题；
3、本发明保证了污水处理生化工艺段的高效稳定运行，保障了出水BOD、COD、氨氮等水质指标稳定达标；
4、本发明实现了污水处理的高效性、低耗能、低成本。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于深度学习的污水处理曝气智能控制方法，其特征在于，所述智能控制方法包括如下步骤：
建立GRU神经网络模型；
采集不同工况下的污水处理系统的进水端和出水端的水质参数、各个反应池内的水质参数和泥质参数、污水处理系统的运行参数及鼓风机运行参数，作为训练输入向量；
确定不同工况下的最优曝气量，作为不同训练输入向量对应的最优曝气量；所述最优曝气量为使出水端的水质参数满足污水处理排放要求的条件下的最小曝气量；
建立包括训练输入向量及训练输入向量对应的最优曝气量的训练集；
利用所述训练集训练所述GRU神经网络模型，获得训练后的GRU神经网络模型；
采集当前工况下的污水处理系统的进水端和出水端的水质参数、各个反应池内的水质参数和泥质参数、污水处理系统的运行参数及鼓风机运行参数，建立监测数据向量；
将所述监测数据向量输入训练后的GRU神经网络模型，获得当前工况下的最优曝气量；
根据当前工况下的最优曝气量进行曝气控制。
2.根据权利要求1所述的基于深度学习的污水处理曝气智能控制方法，其特征在于，所述确定不同工况下的最优曝气量，具体包括：
在第i种工况下，调整鼓风机的转速，监测在不同转速下的鼓风机的曝气量和出水端的水质参数，确定使出水端的水质参数满足污水处理排放要求的条件下的最小曝气量，作为第i种工况下的最优曝气量。
3.根据权利要求1所述的基于深度学习的污水处理曝气智能控制方法，其特征在于，所述根据当前工况下的最优曝气量进行曝气控制，具体包括：
根据鼓风机转速、风压与鼓风机的曝气量之间的关系，确定当前工况下的最优曝气量和当前工况下的实际曝气量的差值对应的鼓风机转速调整值；
将所述鼓风机转速调整值输入鼓风机控制系统中用于控制鼓风机转速的PID控制器，进行曝气量控制。
4.根据权利要求1所述的基于深度学习的污水处理曝气智能控制方法，其特征在于，所述GRU神经网络模型包括更新门和重置门。
5.一种基于深度学习的污水处理曝气智能控制系统，其特征在于，所述智能控制系统包括：
模型建立模块，用于建立GRU神经网络模型；
训练参数采集模块，用于采集不同工况下的污水处理系统的进水端和出水端的水质参数、各个反应池内的水质参数和泥质参数、污水处理系统的运行参数及鼓风机运行参数，作为训练输入向量；
最优曝气量确定模块，用于确定不同工况下的最优曝气量，作为不同训练输入向量对应的最优曝气量；所述最优曝气量为使出水端的水质参数满足污水处理排放要求的条件下的最小曝气量；
训练集建立模块，用于建立包括训练输入向量及训练输入向量对应的最优曝气量的训练集；
模型训练模块，用于利用所述训练集训练所述GRU神经网络模型，获得训练后的GRU神经网络模型；
数据监测模块，用于监测当前工况下的污水处理系统的进水端和出水端的水质参数、各个反应池内的水质参数和泥质参数、污水处理系统的运行参数及鼓风机运行参数，建立监测数据向量；
最优曝气量预测模块，用于将所述监测数据向量输入训练后的GRU神经网络模型，获得当前工况下的最优曝气量；
控制模块，用于根据当前工况下的最优曝气量进行曝气控制。
6.根据权利要求5所述的基于深度学习的污水处理曝气智能控制系统，其特征在于，所述最优曝气量确定模块，具体包括：
最优曝气量确定子模块，用于在第i种工况下，调整鼓风机的转速，监测在不同转速下的鼓风机的曝气量和出水端的水质参数，确定使出水端的水质参数满足污水处理排放要求的条件下的最小曝气量，作为第i种工况下的最优曝气量。
7.根据权利要求5所述的基于深度学习的污水处理曝气智能控制系统，其特征在于，所述控制模块，具体包括：
鼓风机转速调整值确定子模块，用于根据鼓风机转速、风压与鼓风机的曝气量之间的关系，确定当前工况下的最优曝气量和当前工况下的实际曝气量的差值对应的鼓风机转速调整值；
PID控制子模块，用于将所述鼓风机转速调整值输入鼓风机控制系统中用于控制鼓风机转速的PID控制器，进行曝气量控制。
8.根据权利要求5所述的基于深度学习的污水处理曝气智能控制系统，其特征在于，所述GRU神经网络模型包括更新门和重置门。
CN202011391829.0A 2020-12-02 2020-12-02 一种基于深度学习的污水处理曝气智能控制方法及系统 Pending CN112782975A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011391829.0A CN112782975A (zh) 2020-12-02 2020-12-02 一种基于深度学习的污水处理曝气智能控制方法及系统
AU2021100130A AU2021100130A4 (en) 2020-12-02 2021-01-11 Intelligent control method and system for sewage treatment aeration based on deep learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011391829.0A CN112782975A (zh) 2020-12-02 2020-12-02 一种基于深度学习的污水处理曝气智能控制方法及系统

Publications (1)

Publication Number Publication Date
CN112782975A true CN112782975A (zh) 2021-05-11

Family

ID=75280464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011391829.0A Pending CN112782975A (zh) 2020-12-02 2020-12-02 一种基于深度学习的污水处理曝气智能控制方法及系统

Country Status (2)

Country Link
CN (1) CN112782975A (zh)
AU (1) AU2021100130A4 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113830896A (zh) * 2021-09-27 2021-12-24 湖南工商大学 基于图神经网络的好氧段氧气预警方法、系统及设备
CN113845205A (zh) * 2021-10-18 2021-12-28 江苏科易达环保科技有限公司 一种高盐高氮污水智能一体化除盐脱氮控制系统
CN115259357A (zh) * 2022-07-25 2022-11-01 河南大学 基于人工智能的微生物降解控制方法及系统
CN115806344A (zh) * 2022-11-22 2023-03-17 曲誉环境综合治理有限公司 一种orp控制精准曝气的系统
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
CN107402586A (zh) * 2017-08-29 2017-11-28 北京易沃特科技有限公司 基于深度神经网络的溶解氧浓度控制方法及系统
CN109879410A (zh) * 2019-03-27 2019-06-14 上海西派埃智能化系统有限公司 一种污水处理曝气控制系统
CN110378533A (zh) * 2019-07-22 2019-10-25 中展环能(北京)技术有限公司 一种基于大数据分析的智能曝气管理方法
CN110577275A (zh) * 2019-08-30 2019-12-17 绍兴海坤水处理技术有限公司 一种污水处理智能化曝气控制系统及方法
CN111291937A (zh) * 2020-02-25 2020-06-16 合肥学院 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107402586A (zh) * 2017-08-29 2017-11-28 北京易沃特科技有限公司 基于深度神经网络的溶解氧浓度控制方法及系统
CN109879410A (zh) * 2019-03-27 2019-06-14 上海西派埃智能化系统有限公司 一种污水处理曝气控制系统
CN110378533A (zh) * 2019-07-22 2019-10-25 中展环能(北京)技术有限公司 一种基于大数据分析的智能曝气管理方法
CN110577275A (zh) * 2019-08-30 2019-12-17 绍兴海坤水处理技术有限公司 一种污水处理智能化曝气控制系统及方法
CN111291937A (zh) * 2020-02-25 2020-06-16 合肥学院 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
章康树: "基于神经网络的污水处理自适应控制方法初探_", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113830896A (zh) * 2021-09-27 2021-12-24 湖南工商大学 基于图神经网络的好氧段氧气预警方法、系统及设备
CN113830896B (zh) * 2021-09-27 2022-12-27 湖南工商大学 基于图神经网络的好氧段氧气预警方法、系统及设备
CN113845205A (zh) * 2021-10-18 2021-12-28 江苏科易达环保科技有限公司 一种高盐高氮污水智能一体化除盐脱氮控制系统
CN115259357A (zh) * 2022-07-25 2022-11-01 河南大学 基于人工智能的微生物降解控制方法及系统
CN115806344A (zh) * 2022-11-22 2023-03-17 曲誉环境综合治理有限公司 一种orp控制精准曝气的系统
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
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

Also Published As

Publication number Publication date
AU2021100130A4 (en) 2021-04-08

Similar Documents

Publication Publication Date Title
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
US11709463B2 (en) Control method based on adaptive neural network model for dissolved oxygen of aeration system
US9747544B2 (en) Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network
AU2021101438A4 (en) Adaptive control method and system for aeration process
Ingildsen et al. Dissolved oxygen controller based on on-line measurements of ammonium combining feed-forward and feedback
CN103197539B (zh) 污水处理智能优化控制曝气量的方法
CN110378533A (zh) 一种基于大数据分析的智能曝气管理方法
EP2414901B1 (en) System and method for monitoring an integrated system
CN104360035A (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
CN110510740B (zh) 污水同时硝化反硝化曝气控制系统及曝气方法
CN102262147A (zh) 一种废水处理系统出水cod的软测量方法和系统
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
CN108536106B (zh) 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法
Chen et al. Smart energy savings for aeration control in wastewater treatment
Zhao et al. A novel control strategy for improved nitrogen removal in an alternating activated sludge process—Part I. Process analysis
CN113325702B (zh) 一种曝气控制方法及装置
Baeza et al. In-line fast OUR (oxygen uptake rate) measurements for monitoring and control of WWTP
CN115180719A (zh) 一种a2o工艺污水处理设施的智能控制方法及系统
CN104787875B (zh) 一种序批式活性污泥法的曝气控制方法及系统
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
Spérandio et al. Online estimation of wastewater nitrifiable nitrogen, nitrification and denitrification rates, using ORP and DO dynamics
CN101794117B (zh) 一种基于机理模型的优化控制膜生物反应器运行的方法
WO1998003434A1 (fr) Dispositif de regulation de la concentration d'oxygene dissous d'une cuve d'aeration, de regulation de la temperature de ladite cuve, de regulation du debit d'eau brute pour obtenir une surface liquide homogene et equipement de traitement d'eaux usees utilise dans le procede de traitement par boues activees
Jeppsson A simplified control-oriented model of the activated sludge process
CN112624336B (zh) 一种基于气体监测的污水处理智能控制系统与方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210511

RJ01 Rejection of invention patent application after publication