CN112786119B - 多工艺类型农污设施tn处理效果预测方法、装置、介质 - Google Patents
多工艺类型农污设施tn处理效果预测方法、装置、介质 Download PDFInfo
- Publication number
- CN112786119B CN112786119B CN202011614204.6A CN202011614204A CN112786119B CN 112786119 B CN112786119 B CN 112786119B CN 202011614204 A CN202011614204 A CN 202011614204A CN 112786119 B CN112786119 B CN 112786119B
- Authority
- CN
- China
- Prior art keywords
- electrode
- facility
- rural domestic
- domestic sewage
- predicting
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 114
- 239000010865 sewage Substances 0.000 title claims abstract description 78
- 230000000694 effects Effects 0.000 title claims abstract description 27
- 230000008569 process Effects 0.000 claims description 62
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 59
- 238000012544 monitoring process Methods 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 16
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 11
- 239000001301 oxygen Substances 0.000 claims description 11
- 229910052760 oxygen Inorganic materials 0.000 claims description 11
- 230000008054 signal transmission Effects 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 49
- 238000013528 artificial neural network Methods 0.000 description 29
- 229910052757 nitrogen Inorganic materials 0.000 description 24
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 12
- 238000012423 maintenance Methods 0.000 description 9
- 241000894006 Bacteria Species 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 239000000523 sample Substances 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 230000001105 regulatory effect Effects 0.000 description 5
- 238000009434 installation Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 description 3
- JVMRPSJZNHXORP-UHFFFAOYSA-N ON=O.ON=O.ON=O.N Chemical compound ON=O.ON=O.ON=O.N JVMRPSJZNHXORP-UHFFFAOYSA-N 0.000 description 3
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000011010 flushing procedure Methods 0.000 description 3
- 230000001590 oxidative effect Effects 0.000 description 3
- 241001453382 Nitrosomonadales Species 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000003381 stabilizer Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 1
- 241001148470 aerobic bacillus Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 239000013065 commercial product Substances 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 239000003041 laboratory chemical Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 description 1
- 230000033116 oxidation-reduction process Effects 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- 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
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/30—Aerobic and anaerobic processes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2101/00—Nature of the contaminant
- C02F2101/10—Inorganic compounds
- C02F2101/16—Nitrogen compounds, e.g. ammonia
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2101/00—Nature of the contaminant
- C02F2101/30—Organic compounds
- C02F2101/38—Organic compounds containing nitrogen
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/04—Oxidation reduction potential [ORP]
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/06—Controlling or monitoring parameters in water treatment pH
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/11—Turbidity
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/22—O2
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Organic Chemistry (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Microbiology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biodiversity & Conservation Biology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)
Abstract
本发明公开了一种多工艺类型农污设施TN处理效果预测方法、装置、介质，该预测装置可收集不同工艺类型、不同农村生活污水处理设施出水ph，进水电导，出水电导，厌氧池ORP，好氧池DO，出水浊度等运行状态参数，并将其代入在线数据平台内嵌的人工神经网络预测设施出水总氮浓度。整体而言，该装置预测性能良好，具有较高的应用推广价值。
Description
技术领域
本发明属于水质监测领域，具体涉及一种多工艺类型农污设施TN处理效果预测方法、装置、介质。
背景技术
氮素的过量排放是造成水体富营养化的重要成因。农村生活污水中含有大量的诸如氨氮，硝氮，亚硝氮等的无机氮以及含氮有机物，农村生活污水处理设施出水总氮(TN)的不合理排放将对我国农村生态环境产生极大的压力。当前对于设施出水总氮的检测方法主要为运维人员手工采样，实验室化学法检测，该方法虽然测量精度高，但由于我国农村生活污水处理设施普遍点位分散且数量众多，部分地级市内已包含数万个农村生活污水处理设施，相关政府机构每年都要投入大量的人力物力用于运维工作。同时，该方法还存在另一大明显弊端，即为运维管理的滞后性，即从采样到发现出水情况异常再到运维人员到现场调试往往需要几周的时间。在这段时间内，污水处理设施常常处于非正常状态运行，这将导致：一方面，由于出水情况未达排放标准，对受纳水体水质造成破坏；另一方面，长期的非正常情况运行，会加剧污水处理设施的损耗程度，给运维工作造成极大困扰。
近年来，已有研究表明人工神经网络模型对于市政等污水处理设施出水总氮的预测效果。但该类型研究绝大部分仍已单个设施为研究对象，不同研究确立的模型对于研究对象外的不同工艺，不同处理设施预测性能存疑。而在我国农村生活污水处理设施普遍存在工艺繁杂(涵盖诸如A2O，A2O+人工湿地，A2O+滤池等主流工艺)，数量众多特点，基于此，基于人工神经网络(ANN)，提出一种适用于不同工艺类型和不同农村生活污水处理设施的出水总氮浓度预测方法来破解目前设施运维的难题具有重要意义。
BP人工神经网络(BP-ANN)是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络。在申请号为CN201910227225.3的发明专利中，申请人已经公开了一种农村生活污水A2O处理终端出水总氮浓度软测量方法及装置。在该方案中，我们提出一种基于人工神经网络，该方法以进水pH，出水pH，进水电导，出水电导，进水浊度、出水浊度，进水氨氮浓度与出水氨氮浓度作为出水总氮浓度预测的输入指标，利用BP神经网络构建上述输入指标与出水总氮浓度之间的关联模型。然而，该方法在应用时面临一个输入指标检测较为困难的问题，其原因主要受限于其中的进水氨氮浓度与出水氨氮浓度两个指标的测定。氨氮的测定主要依赖于实验室分析或者便携式的成套设备，但此类设备无法直接用于连续的现场实时监测。目前虽然市面上已有诸如氨气敏电极等可用于监测进出水氨氮浓度的电极，但该类型电极的检测灵敏性和准确性不高，而且需要定期添加化学试剂因此对运维要求较高，不易成套化安装至现场状态检测设备中。因此，如何对此类方法和设备进行改进，使得其能够通过监测容易检测的指标，实现农污设施TN处理效果的实时预测，是目前亟待解决的技术问题。
发明内容
本发明在对数百个农村生活污水处理设施的实地调研基础上，要解决的技术问题是针对上述的现状而提出的一种多工艺类型农污设施TN处理效果预测方法及装置。
本发明解决上述技术问题所采用的技术方案如下：
第一方面，本发明提供了一种多工艺类型农污设施TN处理效果预测方法，所述农污设施为运行A2O工艺或含有A2O的组合工艺的农村生活污水处理设施，其步骤如下：
S1：利用安装于待预测农村生活污水处理设施进水端的电导电极、A2O工艺好氧池中的溶解氧电极、A2O工艺厌氧池中的ORP以及出水端的pH电极、电导电极和浊度电极，实时获取该农村生活污水处理设施中出水pH、进水电导、出水电导、A2O工艺厌氧池ORP、A2O工艺好氧池DO和出水浊度六个运行状态参数的瞬时值，并上传至在线数据平台；
S2：在线数据平台接收现场状态监测设备传输的六个运行状态参数的瞬时值后，以六个运行状态参数作为输入层指标，以出水TN浓度作为输出层指标，利用经过训练的BP神经网络模型对农村生活污水处理设施的出水TN浓度进行预测。
作为优选，所述的BP神经网络模型包括输入层、隐藏层和输出层，输入层有6个输入神经元，分别对应六个运行状态参数，隐藏层有12个隐藏神经元，输出层有1个输出神经元，对应预测的出水TN浓度。
作为优选，所述的六个运行状态参数经由电极测量后，经过模数转换获得数字信号，再通过通信网络实时传输至在线数据平台。
作为优选，所述的通信网络为无线通信网络。
作为优选，所述的在线数据平台为云平台或者监控端服务器。
作为优选，所述在线数据平台内内置的BP神经网络模型在训练时，采用不同农村生活污水处理设施的运行数据作为样本集进行训练，且每个农村生活污水处理设施也均运行A2O工艺或含有A2O的组合工艺，所述运行数据包含不同时刻的所述六个运行状态参数和出水TN浓度。
作为优选，所述农村生活污水处理设施为A2O处理设施、A2O与人工湿地串联的处理设施或A2O与滤池串联的处理设施。
作为优选，所述电极需安装定期冲洗装置或人工定期冲洗，以维持上述电极探头清洁，同时需定期校正电极，维持上述电极读数准确。
第二方面，本发明提供了一种多工艺类型农污设施TN处理效果在线预测装置，所述农污设施为运行A2O工艺或含有A2O的组合工艺的农村生活污水处理设施，其包括：
现场状态监测设备，包括安装于待预测农村生活污水处理设施进水端的电导电极、A2O工艺好氧池中的溶解氧电极、A2O工艺厌氧池中的ORP以及出水端的pH电极、电导电极和浊度电极，用于实时获取该农村生活污水处理设施中出水pH、进水电导、出水电导、A2O工艺厌氧池ORP、A2O工艺好氧池DO和出水浊度六个运行状态参数的瞬时值；
信号传输系统，用于将现场状态监测设备获取到的六个运行状态参数数据实时发送至在线数据平台；
在线数据平台，平台中内嵌有经过训练的BP神经网络模型，用于以信号传输系统发送的六个运行状态参数作为输入层指标，输出农村生活污水处理设施的出水TN浓度的预测值。
作为优选，所述在线数据平台内嵌的BP神经网络模型需定期进行预测准确性验证，若准确性不满足要求则需重新训练并导入满足准确性要求的模型参数。
第三方面，本发明提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如第一方面任一项所述的多工艺类型农污设施TN处理效果预测方法。
相对于现有技术而言，本发明采用pH电极、电导电极、溶解氧电极、ORP电极、浊度电极对工艺参数进行监测，通过物联网技术和人工智能技术，实现了农村生活污水处理设施中总氮浓度的准确预测，大大降低了传统总氮浓度检测所需的时间，提高了工艺运维的反应速度。本发明无需对氨氮进行检测，采用的均是高度商业化的成品电极，避免了氨氮传感器运维成本过高、检测实时性和准确性差的问题。
附图说明
图1为多工艺类型农污设施TN处理效果预测方法及装置
图2为人工神经网络模型基础结构
图3为本装置在A2O工艺类型中的安装情况
图4为本装置在A2O+滤池工艺类型中的安装情况
图5为本装置在A2O+人工湿地工艺类型中的安装情况
图6为本装置对于不同工艺类型和不同农村生活污水处理设施的出水总氮浓度预测效果
图中附图标记：电导电极1，ORP电极2，溶解氧电极3，pH电极4，电导电极5，电控箱6，空气开关7，表头显示区域8，表头按键区域9，485和4G传输模块10，稳压器11，数据接收模块12，在线数据平台13，出水总氮预测值14，输入层神经元15，隐藏层神经元16，输出层神经元17，出水浊度电极18，进水池19，格栅池20，调节池21，厌氧池22，兼氧池23，好氧池24，滤池25，出水池26，机房27，人工湿地28。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下，均可进行相应组合
本发明构建了一种多工艺类型农污设施TN处理效果在线预测装置，其中的农污设施为运行A2O工艺或含有A2O的组合工艺的农村生活污水处理设施，该在线预测装置包括以下组成：
现场状态监测设备，包括安装于待预测农村生活污水处理设施进水端的电导电极、A2O工艺好氧池中的溶解氧电极、A2O工艺厌氧池中的ORP以及出水端的pH电极、电导电极和浊度电极，用于实时获取该农村生活污水处理设施中出水pH、进水电导、出水电导、A2O工艺厌氧池ORP、A2O工艺好氧池DO和出水浊度六个运行状态参数的瞬时值；
信号传输系统，用于将现场状态监测设备获取到的六个运行状态参数数据实时发送至在线数据平台；
在线数据平台，平台中内嵌有经过训练的BP神经网络模型，用于以信号传输系统发送的六个运行状态参数作为输入层指标，输出农村生活污水处理设施的出水TN浓度的预测值。
上述现场状态监测设备中六个运行状态参数经由电极测量后，经过模数转换获得数字信号，再通过通信网络实时传输至在线数据平台。通信网络优选采用无线通信网络。在线数据平台为云平台或者监控端服务器，根据实际需求而定。
本发明的核心在于BP神经网络模型，其输入的指标体系为出水pH、进水电导、出水电导、A2O工艺厌氧池ORP、A2O工艺好氧池DO和出水浊度六个运行状态参数的瞬时值，而输出为农村生活污水处理设施的出水TN浓度。相对于申请号为CN201910227225.3的在先申请，本发明中摒弃了氨氮指标，而是采用了均可通过高度商业化的成品电极检测的六个指标，其中特别的是加入了氧化还原电位(ORP)和溶解氧(DO)，这是基于申请人对A2O工艺的大量研究而优化的指标体系。污水水体中的总氮主要以氨氮，亚硝氮，硝氮等形式存在，而氨氮与亚硝氮的主要降解菌氨氧化细菌与亚硝酸氧化菌均为好氧菌，其活性与好氧池内溶解氧紧密相关，而硝氮的主要降解菌为反硝化细菌，其活性与厌氧池内ORP条件紧密相关，同时出于降低设备成本考量，本发明在CN201910227225.3在先申请基础上，精简输入型指标，同时添加A2O工艺厌氧池ORP、A2O工艺好氧池DO，最终形成上述六个运行状态参数作为人工神经网络的输入。相比于CN201910227225.3的在先申请，本发明优化后的指标体系与神经网络模型不仅适用于预测以AO为处理工艺的农村生活污水处理设施出水总氮浓度，同时还对A2O+人工湿地，A2O+滤池处理工艺的农村生活污水处理设施出水总氮浓度也有良好的预测效果。本装置在A2O工艺类型、A2O+滤池工艺类型、A2O+人工湿地工艺类型中的安装情况分别参见图3、图4和图5所示。其中图示的三种污水处理系统都是A2O处理设施为基础的，A2O处理设施由进水池19，格栅池20、调节池21、厌氧池22、兼氧池23、好氧池24和出水池26连接而成。由于此处设置了调节池20，其中的水质更能代表A2O处理设施的进水水质，因此电导电极1安装于调节池21中，ORP电极2安装于厌氧池22中，溶解氧电极3安装于好氧池24中，pH电极4、电导电极5均安装于出水池26中，现场状态监测设备中除了电极之外的设备安装于机房27中。图4和图5中的A2O处理设施后可以组合滤池25和人工湿地28。当然，在其他实施例中，若不设置调节池，也可以将进水的电导电极1安装于进水池19中。
本发明在30个农村生活污水处理设施(涵盖24个A2O，5个A2O+人工湿地，1个A2O+滤池)内安装上述预测装置。本装置涵盖现场状态监测设备以及在线数据平台13。其中，现场状态监测设备通过调节池21内的电导电极1，厌氧池22内的ORP电极2，好氧池23内的DO电极3，出水池26内的电导电极5，浊度电极18，pH电极4实时收集设施运行状态参数。电控箱6内的表头显示区域8与按键区域9负责显示上述运行状态参数。485模块和4G传输模块10负责将上述运行状态参数传输至在线数据平台13。考虑到农村地区电压不稳，易损伤仪器，本设备同时配备有稳压器11及空气开关7。在线数据平台13配备数据接收模块12接收来自现场状态监测设备的数据。在线数据平台13内嵌有已经过仿真及验证过的人工神经网络模型，可实现对设施出水总氮浓度14的预测。
在上述在线数据平台中，其核心模块可以概况为：
数据获取模块，用于获取现场状态监测设备传输的待预测农村生活污水处理设施的六个运行状态参数。
BP神经网络模块，其内置经过训练的BP神经网络模型，用于以前述六个运行状态参数作为输入层指标，对农村生活污水处理设施的出水TN浓度进行预测；
数据存储模块，用于存储数据获取模块和BP神经网络模块产生的数据，并对外提供数据查询和调用接口。
其中BP神经网络模块是整个在线数据平台的核心，其中的BP神经网络模型需要在嵌入平台之前进行训练，模型在训练时，最好采用不同农村生活污水处理设施的运行数据作为样本集进行训练，以扩大样本涵盖的普适性。且作为样本的每个农村生活污水处理设施也均运行A2O工艺或含有A2O的组合工艺，运行数据包含不同时刻的前述六个运行状态参数和出水TN浓度。本实施例中训练的具体做法如下：
通过现场状态监测设备定期记录30个设施运行状态参数瞬时值并利用总氮哈希试剂盒得到出水总氮浓度实测值，累计收集得到99组数据(每组数据7个，涵盖六个运行状态参数与出水总氮浓度实测值)，选取62组数据建立仿真数据库，选取37组数据建立验证数据库。参见图2所示，人工神经网络模型以BP神经网络核心建立而成，整个模型涵盖输入层，隐藏层和输出层三层，其中，输入层有六个输入神经元15(对应六个运行状态参数)，隐藏层有12个隐藏神经元16，输出层有1个输出神经元17(设施出水总氮浓度预测值14)。以62组仿真数据库为基础，对BP神经网络进行训练以优化模型参数。模型确立后，将上述37组验证数据库内数据代入人工神经网络模型，得到设施出水总氮浓度预测值14，比对实测值与预测值的误差，验证模型可靠性。
人工神经网络模型经仿真与验证后，其结果如下：
仿真阶段R2为0.86，均方根误差为5.87mg/L；验证阶段R2为0.72，均方根误差为12.37mg/L；总体R2为0.78，均方根误差为8.88mg/L。从TN实测预测对比图可以看出，出水TN预测浓度与实测值的变化趋势一致。
人工神经网络模型经仿真与验证后，即可用于进行TN浓度预测。预测过程中，BP神经网络内部的计算过程属于现有技术。为了便于理解，下面简述其计算过程如下：
(1)参数均一化
上述EF_pH，IN_Conductivity，EF_Conductivity，Anaerobic_ORP以及Aerobic_DO，EF_Turbidity分别代表出水pH，进水电导率，出水电导率，厌氧池ORP，好氧池DO，出水浊度六个参数，带有下标i的参数代表第i个设施归一化后的数值，带有下标ir的参数代表第i个设施测量值，带有下标min的参数代表该参数在数据库内的最小值，带有下标max的参数代表该参数在数据库内的最大值。
(2)人工神经网络运算
人工神经网络模型含有输入层，隐藏层，输出层三层结构。输入层神经元15为上述六个运行状态参数。输入层神经元15至隐藏层神经元16运算过程如下：
本方案的人工神经网络模型共涵盖12个隐藏层神经元16。上述w,j代表六个运行状态参数从输入层传至隐藏层的权重，Pj代表隐藏层神经元16连接阈值，F(x)为传递函数。
隐藏层神经元16至输出层神经元17运算过程如下。
上述vj表示第j个隐藏层神经元16传递至输出层神经元17时所被赋予的权重，Q为输出层神经元17连接阈值，F(x)为传递函数。
本实施方案中，水质指标单位分别为：总氮浓度为mg/L，电导单位为us/cm，DO单位为mg/L，ORP单位为mV，浊度单位为NTU，pH无量纲。
图6为本实施例的仿真数据库和验证数据库在该BP神经网络模型中的出水TN浓度预测效果，结果表明本发明的装置对于预测不同类型和不同农村生活污水处理设施出水总氮浓度具有较高的可行性。
因此，在实际使用时，可以针对某一待预测的农污设施，安装上述现场状态监测设备，并将现场状态监测设备通过信号传输系统与在先数据平台建立通信连接。多工艺类型农污设施TN处理效果预测方法如下：
S1：利用安装于待预测农村生活污水处理设施进水端的电导电极、A2O工艺好氧池中的溶解氧电极、A2O工艺厌氧池中的ORP以及出水端的pH电极、电导电极和浊度电极，实时获取该农村生活污水处理设施中出水pH、进水电导、出水电导、A2O工艺厌氧池ORP、A2O工艺好氧池DO和出水浊度六个运行状态参数的瞬时值，并上传至在线数据平台；
S2：在线数据平台接收现场状态监测设备传输的六个运行状态参数的瞬时值后，以六个运行状态参数作为输入层指标，以出水TN浓度作为输出层指标，利用经过训练的BP神经网络模型对农村生活污水处理设施的出水TN浓度进行预测。
需要注意的是，考虑到农村生活污水中富含大量有机组分，易附着生物膜，从而影响电极读数，因此本装置人工定期冲洗以维持上述电极探头清洁。为维持上述电极读数精准，本装置应同时定期校正电极。本方案在实施过程中，每半月定期人工清洗电极。每两月定期校正电极，其中，DO电极3采用空气标定法，ORP电极2、电导电极1和5、pH电极4采用标准液校正。电极的清洗与校正需考虑实际情况，有机组分含量较高，天气温度较高易生长生物膜的区域，建议安装安装冲洗装置定期重启。
另外，在使用过程中，在线数据平台内嵌的人工神经网络模型可后期替换，平台内置的人工神经网络模型也需要进行定期校正。即人工神经网络模型经过仿真与验证后，需定期通过上述验证方法确定本装置在使用过程中的可靠性，若准确性降低则需要重新进行训练。
另外，本发明还提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现前述的多工艺类型农污设施TN处理效果预测方法。该计算机可读存储介质本质上可以是前述在线数据平台中的存储器，其与处理器配合即可构成平台中的BP神经网络模块。存储器可以包括随机存取存储器(Random AccessMemory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。当然，还装置中还应当具有实现程序运行的必要组件，例如电源、通信总线等等。
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。
Claims (10)
1.一种多工艺类型农污设施TN处理效果预测方法，所述农污设施为运行A2O工艺或含有A2O的组合工艺的农村生活污水处理设施，其特征在于，步骤如下：
S1：利用安装于待预测农村生活污水处理设施进水端的电导电极、A2O工艺好氧池中的溶解氧电极、A2O工艺厌氧池中的ORP以及出水端的pH电极、电导电极和浊度电极，实时获取该农村生活污水处理设施中出水pH、进水电导、出水电导、A2O工艺厌氧池ORP、A2O工艺好氧池DO和出水浊度六个运行状态参数的瞬时值，并上传至数据平台；
S2：在线数据平台接收现场状态监测设备传输的六个运行状态参数的瞬时值后，以六个运行状态参数作为输入层指标，以出水TN浓度作为输出层指标，利用经过训练的BP神经网络模型对农村生活污水处理设施的出水TN浓度进行预测。
2.如权利要求1所述的多工艺类型农污设施TN处理效果预测方法，其特征在于，所述的BP神经网络模型包括输入层、隐藏层和输出层，输入层有6个输入神经元，分别对应六个运行状态参数，隐藏层有12个隐藏神经元，输出层有1个输出神经元，对应预测的出水TN浓度。
3.如权利要求1所述的多工艺类型农污设施TN处理效果预测方法，其特征在于，所述的六个运行状态参数经由电极测量后，经过模数转换获得数字信号，再通过通信网络实时传输至在线数据平台。
4.如权利要求3所述的多工艺类型农污设施TN处理效果预测方法，其特征在于，所述的通信网络为无线通信网络。
5.如权利要求1所述的多工艺类型农污设施TN处理效果预测方法，其特征在于，所述的在线数据平台为云平台或者监控端服务器。
6.如权利要求1所述的多工艺类型农污设施TN处理效果预测方法，其特征在于，所述在线数据平台内内置的BP神经网络模型在训练时，采用不同农村生活污水处理设施的运行数据作为样本集进行训练，且每个农村生活污水处理设施也均运行A2O工艺或含有A2O的组合工艺，所述运行数据包含不同时刻的所述六个运行状态参数和出水TN浓度。
7.如权利要求1所述的多工艺类型农污设施TN处理效果预测方法，其特征在于，所述农村生活污水处理设施为A2O处理设施、A2O与人工湿地串联的处理设施或A2O与滤池串联的处理设施。
8.如权利要求1所述的多工艺类型农污设施TN处理效果预测方法，其特征在于，所述电极需安装定期冲洗装置或人工定期冲洗，以维持上述电极探头清洁，同时需定期校正电极，维持上述电极读数准确。
9.一种多工艺类型农污设施TN处理效果在线预测装置，所述农污设施为运行A2O工艺或含有A2O的组合工艺的农村生活污水处理设施，其特征在于，包括：
现场状态监测设备，包括安装于待预测农村生活污水处理设施进水端的电导电极、A2O工艺好氧池中的溶解氧电极、A2O工艺厌氧池中的ORP以及出水端的pH电极、电导电极和浊度电极，用于实时获取该农村生活污水处理设施中出水pH、进水电导、出水电导、A2O工艺厌氧池ORP、A2O工艺好氧池DO和出水浊度六个运行状态参数的瞬时值；
信号传输系统，用于将现场状态监测设备获取到的六个运行状态参数数据实时发送至在线数据平台；
在线数据平台，平台中内嵌有经过训练的BP神经网络模型，用于以信号传输系统发送的六个运行状态参数作为输入层指标，输出农村生活污水处理设施的出水TN浓度的预测值。
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1～8任一项所述的多工艺类型农污设施TN处理效果预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011614204.6A CN112786119B (zh) | 2020-12-30 | 2020-12-30 | 多工艺类型农污设施tn处理效果预测方法、装置、介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011614204.6A CN112786119B (zh) | 2020-12-30 | 2020-12-30 | 多工艺类型农污设施tn处理效果预测方法、装置、介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112786119A CN112786119A (zh) | 2021-05-11 |
| CN112786119B true CN112786119B (zh) | 2022-05-17 |
Family
ID=75754056
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011614204.6A Active CN112786119B (zh) | 2020-12-30 | 2020-12-30 | 多工艺类型农污设施tn处理效果预测方法、装置、介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112786119B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN116757558B (zh) * | 2023-08-16 | 2023-11-17 | 山东嘉隆新能源股份有限公司 | 基于数据挖掘的醇类精制工艺质量预测方法及系统 |
| CN117171661B (zh) * | 2023-11-03 | 2024-01-26 | 山东鸿远新材料科技股份有限公司 | 一种化工厂污水处理监控方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109975366A (zh) * | 2019-03-25 | 2019-07-05 | 浙江大学 | 农村生活污水a2o处理终端出水cod浓度软测量方法及装置 |
| CN110057761A (zh) * | 2019-03-01 | 2019-07-26 | 江苏中车环保设备有限公司 | 一种全光谱结合快速易测指标的水质在线监测系统与方法 |
| CN110222916A (zh) * | 2019-03-25 | 2019-09-10 | 浙江大学 | 农村生活污水a2o处理终端出水总氮浓度软测量方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10539546B2 (en) * | 2014-11-02 | 2020-01-21 | Zhengbiao OUYANG | Measuring phosphorus in wastewater using a self-organizing RBF neural network |
-
2020
- 2020-12-30 CN CN202011614204.6A patent/CN112786119B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110057761A (zh) * | 2019-03-01 | 2019-07-26 | 江苏中车环保设备有限公司 | 一种全光谱结合快速易测指标的水质在线监测系统与方法 |
| CN109975366A (zh) * | 2019-03-25 | 2019-07-05 | 浙江大学 | 农村生活污水a2o处理终端出水cod浓度软测量方法及装置 |
| CN110222916A (zh) * | 2019-03-25 | 2019-09-10 | 浙江大学 | 农村生活污水a2o处理终端出水总氮浓度软测量方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 《Waste assessment decision support systems used for domestic sewage treatment》;Ewa Dacewicz，等;《Journal of Water Process Engineering》;20191031;第31卷;第1-7页 * |
| 《基于BP神经网络模型预测污水处理厂出水总氮》;李崇武;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》;20190615(第06期);第B027-315页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112786119A (zh) | 2021-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112786119B (zh) | 多工艺类型农污设施tn处理效果预测方法、装置、介质 | |
| CN112784476B (zh) | 不同工艺类型农污处理设施出水氨氮软测量方法及装置 | |
| CN111553468B (zh) | 一种准确预测污水处理厂出水水质的方法 | |
| CN102854296B (zh) | 一种基于集成神经网络的污水处理软测量方法 | |
| CN111291937A (zh) | 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 | |
| CN109828089B (zh) | 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法 | |
| CN109975366B (zh) | 农村生活污水a2o处理终端出水cod浓度软测量方法及装置 | |
| CN114047719A (zh) | 一种农村生活污水处理设施远程监测评估系统与运行方法 | |
| CN115470702B (zh) | 一种基于机器学习的污水处理水质预测方法及系统 | |
| CN112782232B (zh) | 基于人工神经网络的农污设施出水总磷软测量方法及装置 | |
| CN107402586A (zh) | 基于深度神经网络的溶解氧浓度控制方法及系统 | |
| CN103632032A (zh) | 一种城市污水处理过程出水指标在线软测量预测方法 | |
| CN111579618A (zh) | 基于微生物燃料电池的生化需氧量在线自动检测系统及方法 | |
| Wang et al. | A full-view management method based on artificial neural networks for energy and material-savings in wastewater treatment plants | |
| CN106651032B (zh) | Sbr法氨氧化过程神经网络智能控制的方法 | |
| CN112964843A (zh) | 污水处理设施水质监测的物联网传感器系统及监测方法 | |
| CN117164103A (zh) | 生活污水处理系统的智能控制方法、终端及系统 | |
| CN110222916B (zh) | 农村生活污水a2o处理终端出水总氮浓度软测量方法及装置 | |
| CN112707508B (zh) | 基于bp-ann的农污设施cod处理效果预测方法、装置、平台 | |
| CN113111576B (zh) | 一种基于混合编码粒子群-长短期记忆神经网络出水氨氮软测量方法 | |
| CN113838542A (zh) | 化学需氧量智能预测方法和系统 | |
| CN106769748B (zh) | 膜生物反应器-mbr出水透水率的智能检测系统 | |
| CN117196883A (zh) | 一种基于人工智能的污水处理决策优化方法及系统 | |
| CN113222324B (zh) | 一种基于pls-pso-rbf神经网络模型的污水质量监测方法 | |
| Sengul et al. | Prediction of optimal coagulant dosage in drinking water treatment by artificial neural network |
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 |