CN113033092A - 污水处理数据处理方法、装置、计算机设备和存储介质 - Google Patents
污水处理数据处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113033092A CN113033092A CN202110312596.9A CN202110312596A CN113033092A CN 113033092 A CN113033092 A CN 113033092A CN 202110312596 A CN202110312596 A CN 202110312596A CN 113033092 A CN113033092 A CN 113033092A
- Authority
- CN
- China
- Prior art keywords
- data
- sewage
- model
- biochemical treatment
- prediction
- 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
Links
- 239000010865 sewage Substances 0.000 title claims abstract description 284
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 247
- 230000008569 process Effects 0.000 claims abstract description 225
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 111
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 239000000126 substance Substances 0.000 claims abstract description 36
- 238000007405 data analysis Methods 0.000 claims abstract description 31
- 230000009471 action Effects 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012417 linear regression Methods 0.000 claims description 15
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 11
- 239000003208 petroleum Substances 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 230000004060 metabolic process Effects 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 9
- 244000005700 microbiome Species 0.000 claims description 8
- 238000005457 optimization Methods 0.000 abstract description 37
- 230000008901 benefit Effects 0.000 abstract description 11
- 238000013499 data model Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 description 44
- 238000004088 simulation Methods 0.000 description 23
- 239000010802 sludge Substances 0.000 description 20
- 238000010586 diagram Methods 0.000 description 18
- 238000004062 sedimentation Methods 0.000 description 12
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 11
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 11
- 238000005188 flotation Methods 0.000 description 11
- 229910052760 oxygen Inorganic materials 0.000 description 11
- 239000001301 oxygen Substances 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 10
- 238000003556 assay Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 239000000523 sample Substances 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 238000012216 screening Methods 0.000 description 7
- UIIMBOGNXHQVGW-UHFFFAOYSA-M Sodium bicarbonate Chemical compound [Na+].OC([O-])=O UIIMBOGNXHQVGW-UHFFFAOYSA-M 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 5
- 238000004989 laser desorption mass spectroscopy Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000004065 wastewater treatment Methods 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000009300 dissolved air flotation Methods 0.000 description 4
- 239000002351 wastewater Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000010992 reflux Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 229910000030 sodium bicarbonate Inorganic materials 0.000 description 3
- 235000017557 sodium bicarbonate Nutrition 0.000 description 3
- 239000004912 1,5-cyclooctadiene Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002920 hazardous waste Substances 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000012946 outsourcing Methods 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 238000011112 process operation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000007790 scraping Methods 0.000 description 2
- 239000002893 slag Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 1
- 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 1
- 238000005273 aeration Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 150000003568 thioethers Chemical class 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- 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
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Analytical Chemistry (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
- Activated Sludge Processes (AREA)
- Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)
Abstract
本发明提供一种污水处理数据处理方法、装置、计算机设备和存储介质，该方法包括读取数据库，获取非生化处理段的至少一种污水处理流程的工艺参数和设备数据；基于物理去除作用过程的非生化处理段工艺，根据所述工艺参数和所述设备数据，搭建数据解析模型；基于搭建的所述数据解析模型，采用预设算法对污水的水质数据进行计算，得到基于进水化验指标与出水化验指标的关联关系的预测模型；基于所述预测模型，对目标指标的趋势进行预测，得到第一预测数据。通过大数据模型对于实际污水现场情况的模拟，并基于模拟的模型对污水现场的数据进行预测，使得分析人员能够基于预测数据提出对应可行的污水系统优化方案，良好的经济效益和节能效果。
Description
技术领域
本发明涉及石化污水处理技术领域，特别涉及一种污水处理数据处理方法、装置、计算机设备和存储介质。
背景技术
目前针对石化行业污水处理系统的节能优化方案主要围绕着污水系统生化处理过程的模拟优化与设备更新两方面作为切入点，对污水系统的运行管理过程提出对应的局部改造措施来实现污水系统的整体的达标排放和节能降耗。
专利申请号201710299700.9的技术特点是基于模拟软件对炼油污水生化处理过程的模拟优化，通过对生化处理工艺中各模块出水及能耗指标在模型中的校正分析，从而得出污水生化处理系统运行最佳方案。该法仅通过水质分析数据对污水处理生化段工艺建模分析，得出的优化结果较为局限，且仅针对生化处理段工艺模拟，对上游来水的水质波动变化带来的影响反应较为被动，现场优化实施控制难度高。
专利申请号201611114214.7的技术特点是针对污水生化处理的设备性能进行的平垂扰流(PVFL)流态数值模拟优化技术应用，从而使得污水外排达到“可饮用”标准。该法是通过对污水生化处理设备性能的模拟改进使水质达标排放，新增新技术设备在现场控制难度较高，设备布置困难，且新设备的运行可能会带来较高的能耗，投资成本较高。
上述两个专利主要是针对污水生化处理段的工艺和设备模拟分析优化，存在优化局限性、操作难度较高、不易改造等特点。针对以上问题，本次提出石化行业污水系统的优化方案，该方案针对污水处理工艺中的非生化处理段和生化处理段分别进行建模优化，对水质数据的全流程分析，使得本方案具有非生化处理工艺和生化处理工艺的优化联动性、操作和改造方案操作更加灵活、控制难度低且容易实施等特点。此外，该方案可为企业对污水系统全流程的精细化管理提供全面的理论数据支撑，在污水处理达标排放的基础上，进一步降低污水处理系统的整体能耗。
发明内容
基于此，有必要针对上述技术问题，提供一种污水处理数据处理方法、装置、计算机设备和存储介质。
一种污水处理数据处理方法，包括：
读取数据库，获取非生化处理段的至少一种污水处理流程的工艺参数和设备数据；
基于物理去除作用过程的非生化处理段工艺，根据所述工艺参数和所述设备数据，搭建数据解析模型；
基于搭建的所述数据解析模型，采用预设算法对污水的水质数据进行计算，得到基于进水化验指标与出水化验指标的关联关系的预测模型；
基于所述预测模型，对目标指标的趋势进行预测，得到第一预测数据。
在一个实施例中，还包括：
获取污水生化处理段预设水质指标及工艺指标；
基于微生物核心代谢作用的生化处理段工艺，根据污水生化处理段预设水质指标及工艺指标，搭建污水系统生化处理段工艺的稳态模型，搭建污水系统生化处理段工艺的动态模型；
基于所述污水系统生化处理段工艺的稳态模型以及所述污水系统生化处理段工艺的动态模型，得到第二预测数据。
在一个实施例中，所述基于搭建的所述数据解析模型，采用预设算法对污水的水质数据进行计算，得到进水化验指标与出水化验指标的关系模型的步骤中，所述预设算法包括以下至少一种：
关联分析算法、线性回归算法、非线性回归算法、主成分分析算法和神经网络算法。
在一个实施例中，包括：
所述至少一种污水处理流程的工艺参数包括：
进水pH值、进水COD浓度、进水量、氨氮浓度、石油类浓度；
至少一种污水处理流程的工设备数据包括：
温度、压力、流量、液位。
在一个实施例中，所述基于所述预测模型，对目标指标的趋势进行预测，得到第一预测数据的步骤包括：
基于所述至少一种污水处理流程的工艺参数，获得训练数据；
基于所述预测模型，根据所述训练数据，对目标指标的趋势进行预测，得到第一预测数据。
在一个实施例中，所述基于所述预测模型，根据所述训练数据，对目标指标的趋势进行预测，得到第一预测数据的步骤之后还包括：
基于所述至少一种污水处理流程的工艺参数，获得对比验证数据；
将所述第一预测数据与所述对比验证数据进行对比，得到对比验证数据；
根据所述对比验证数据，对所述预测模型进行校正。
一种污水处理数据处理装置，包括：
数据采集模块，用于读取数据库，获取非生化处理段的至少一种污水处理流程的工艺参数和设备数据；
数据解析模型搭建模块，用于基于物理去除作用过程的非生化处理段工艺，根据所述工艺参数和所述设备数据，搭建数据解析模型；
预设模型建立模块，用于基于搭建的所述数据解析模型，采用预设算法对污水的水质数据进行计算，得到基于进水化验指标与出水化验指标的关联关系的预测模型；
第一数据预测模块，用于基于所述预测模型，对目标指标的趋势进行预测，得到第一预测数据。
在一个实施例中，还包括：
生化指标获取模块，用于获取污水生化处理段预设水质指标及工艺指标；
生化段模型搭建模块，用于基于微生物核心代谢作用的生化处理段工艺，根据污水生化处理段预设水质指标及工艺指标，搭建污水系统生化处理段工艺的稳态模型，搭建污水系统生化处理段工艺的动态模型；
第二数据预测模块，用于基于所述污水系统生化处理段工艺的稳态模型以及所述污水系统生化处理段工艺的动态模型，得到第二预测数据。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：
读取数据库，获取非生化处理段的至少一种污水处理流程的工艺参数和设备数据；
基于物理去除作用过程的非生化处理段工艺，根据所述工艺参数和所述设备数据，搭建数据解析模型；
基于搭建的所述数据解析模型，采用预设算法对污水的水质数据进行计算，得到基于进水化验指标与出水化验指标的关联关系的预测模型；
基于所述预测模型，对目标指标的趋势进行预测，得到第一预测数据。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
读取数据库，获取非生化处理段的至少一种污水处理流程的工艺参数和设备数据；
基于物理去除作用过程的非生化处理段工艺，根据所述工艺参数和所述设备数据，搭建数据解析模型；
基于搭建的所述数据解析模型，采用预设算法对污水的水质数据进行计算，得到基于进水化验指标与出水化验指标的关联关系的预测模型；
基于所述预测模型，对目标指标的趋势进行预测，得到第一预测数据。
上述污水处理数据处理方法、装置、计算机设备和存储介质，通过大数据模型对于实际污水现场情况的模拟，并基于模拟的模型对污水现场的数据进行预测，以使得分析人员能够基于预测数据提出对应可行的污水系统优化方案，为企业带来良好的经济效益和节能效果。
附图说明
图1为一个实施例中污水处理数据处理方法的应用场景示意图；
图2为一个实施例中污水处理数据处理装置的结构框图；
图3为一个实施例中计算机设备的内部结构图；
图4A为一个实施例中的污水处理系统工艺简图及采样点的分布情况的采样示意图；
图4B为一个实施例中的污水非生化处理段建模技术应用线路的示意图；
图4C为一个实施例中的污水的预设指标预测模拟建模流程的示意图；
图4D为一个实施例中的所搭建的污水非生化处理段模型的示意图；
图4E为一个实施例中的所搭建的污水生化处理段稳态模型的示意图；
图4F为一个实施例中的在模型的参数输入界面的动态输入的示意图；
图4G为一个实施例中的污水脱氮工艺改造优化后流程的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
实施例一
本实施例中，如图1所示，提供了一种污水处理数据处理方法，其包括：
步骤110，读取数据库，获取非生化处理段的至少一种污水处理流程的工艺参数和设备数据。
具体地，该数据库包括PI系统数据库和LIMS系统数据库，通过访问数据库，读取数据库中的至少一种污水处理流程的工艺参数和设备数据，从而获得至少一种污水处理流程的工艺参数和设备数据。
本实施例中，获得的所述至少一种污水处理流程的工艺参数包括：进水pH值、进水COD浓度、进水量、氨氮浓度、石油类浓度；获得的至少一种污水处理流程的工设备数据包括：温度、压力、流量、液位。
具体地，本步骤中，通过访问数据库收集污水处理流程工艺参数、设备数据等详细资料，包括污水处理隔油浮选、生化处理、深度处理等环节信息的污水流量、溶解氧DO、沉淀池污泥回流量、风机鼓风量等数据；同时并分析污水进水指标，包括总磷、总氮、石油类、COD、氨氮等。
步骤120，基于物理去除作用过程的非生化处理段工艺，根据所述工艺参数和所述设备数据，搭建数据解析模型。
具体地，本步骤中搭建的数据解析模型是基于物理去除作用过程的非生化处理段工艺，用于对非生化处理段的污水数据进行解析。
本实施例中，基于物理去除作用过程的非生化处理段工艺中涉及的污水来水量、污水来水水质分析、均质罐出水水质分析、二级加压溶气浮选出水水质分析、BAF生物滤池出水水质分析、一体化装置出水水质分析等方面的数据筛选和分析，根据上述过程，搭建数据解析模型。
在一个实施例中，所述基于搭建的所述数据解析模型，采用预设算法对污水的水质数据进行计算，得到进水化验指标与出水化验指标的关系模型的步骤中，所述预设算法包括以下至少一种：关联分析算法、线性回归算法、非线性回归算法、主成分分析算法和神经网络算法。
步骤130，基于搭建的所述数据解析模型，采用预设算法对污水的水质数据进行计算，得到基于进水化验指标与出水化验指标的关联关系的预测模型。
本步骤中，采用预设算法，对进水化验指标以及出水化验指标进行计算，计算出进水化验指标和出水化验指标的关系，基于该关系建立模块入口进水化验指标与模块出口出水化验指标的关系模型，通过该关系模型，能够获知进水化验指标与出水化验指标的关系，即在获得进水化验指标时，可通过该模型得到预测的出水化验指标。
步骤140，基于所述预测模型，对目标指标的趋势进行预测，得到第一预测数据。
本步骤中，通过预测模型，能够对目标指标的趋势进行预测，比如，将目标指标输入至预测模型，即可计算得到预测的指标，即该第一预测数据。通过将污水数据输入至预测模型，即可对污水处理的结果进行预测，从而可以分析污水处理过程，以使得分析人员能够基于预测数据提出对应可行的污水系统优化方案，为企业带来良好的经济效益和节能效果。
上述实施例中，通过大数据模型对于实际污水现场情况的模拟，并基于模拟的模型对污水现场的数据进行预测，以使得分析人员能够基于预测数据提出对应可行的污水系统优化方案，为企业带来良好的经济效益和节能效果。
在一个实施例中，污水处理数据处理方法还包括：获取污水生化处理段预设水质指标及工艺指标；基于微生物核心代谢作用的生化处理段工艺，根据污水生化处理段预设水质指标及工艺指标，搭建污水系统生化处理段工艺的稳态模型，搭建污水系统生化处理段工艺的动态模型；基于所述污水系统生化处理段工艺的稳态模型以及所述污水系统生化处理段工艺的动态模型，得到第二预测数据。
本实施例中，除了对非生化处理段工艺的数据进行处理，还对污水生化处理段的数据进行处理，从而使得对污水处理的数据进行更为全面、完整的预测。
本实施例中，基于现场污水系统生化处理段工艺流程和相关设备单元的分布情况，搭建污水系统生化处理段工艺的稳态模型和动态模型，并同时对搭建的稳态模型和动态模型进行模拟运算调试。使用污水生化处理段各重要指标的全年平均工况值搭建污水生化处理段的稳态模型，模拟计算并分析污水成分和污水性质，并且使用污水生化处理段各重要指标的全年所有工况统计值搭建污水生化处理段的动态模型，模拟计算并分析污水成分和污水性质。
在一个实施例中，所述基于所述预测模型，对目标指标的趋势进行预测，得到第一预测数据的步骤包括：基于所述至少一种污水处理流程的工艺参数，获得训练数据；基于所述预测模型，根据所述训练数据，对目标指标的趋势进行预测，得到第一预测数据。
在一个实施例中，所述基于所述预测模型，根据所述训练数据，对目标指标的趋势进行预测，得到第一预测数据的步骤之后还包括：基于所述至少一种污水处理流程的工艺参数，获得对比验证数据；将所述第一预测数据与所述对比验证数据进行对比，得到对比验证数据；根据所述对比验证数据，对所述预测模型进行校正。
本实施例中，将获得的数据污水处理流程的工艺参数和设备数据随机分为70％的训练数据和30％的对比验证数据，即从数据污水处理流程的工艺参数和设备数据随机选取70％的数据作为训练数据，从数据污水处理流程的工艺参数和设备数据随机选取30％的数据作为对比验证数据，将训练数据输入至预测模型，同时用关联分析、线性回归、非线性回归、主成分分析和神经网络算法，用测试数据对关键指标进行预测运算，与实际污水运行采集数据进行验证对比，并通过现场实时更新的运行数据进行持续模型训练，实现持续的模型优化。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例二
本实施例中，采用下述步骤对污水数据进行处理：
一、基于实时数据库PI和LIMS系统，收集污水处理流程工艺参数、设备数据等详细资料，包括污水处理隔油浮选、生化处理、深度处理等环节信息的污水流量、溶解氧DO、沉淀池污泥回流量、风机鼓风量等数据；同时并分析污水进水指标，包括总磷、总氮、石油类、COD、氨氮等。
二、基于物理去除作用过程的非生化处理段工艺，搭建数据分析模型，主要集中在对于污水来水量、污水来水水质分析、均质罐出水水质分析、二级加压溶气浮选出水水质分析、BAF生物滤池出水水质分析、一体化装置出水水质分析等方面的数据筛选和分析，并采用关联分析、线性回归、非线性回归、主成分分析和神经网络算法，建立模块入口进水化验指标与模块出口出水化验指标的关系模型，从而对后续目标指标进行趋势化预测及分析。
三、基于微生物核心代谢作用的生化处理段工艺，以及污水生化处理段特定水质指标及工艺指标的全年统计值和全年平均值，运用PetWin流程模拟软件，综合考虑实际污水工艺运行情况，分别搭建污水系统生化处理段工艺的稳态模型与动态模型，更好的进行优化分析。
按照上述石化行业污水系统的优化方法，在所述步骤一中包括以下步骤：
(一)调研污水系统重要的参数指标数据，采集的数据来自于现场单元配置情况、处理装置运行数据和污水各处理单元，包括污水处理隔油浮选、生化处理、深度处理等环节信息的污水流量、溶解氧DO、沉淀池污泥回流量，风机鼓风量等数据。
(二)针对采集的污水系统中的数据进行分析筛选，同时对模型搭建过程中缺失的核心数据进行补充、验证及校对。
按照上述石化行业污水系统的优化方法，在所述步骤二中具体如下步骤：
(一)选择建模的对象，充分掌握非生化段污水处理工艺的全流程，并同时确定污水处理非生化段的主要工艺模块，包括污水进水-隔油-均质罐模块、二级加压溶气浮选模块、BAF出水-活性炭吸附-一体化处理模块三部分。
(二)探索与分析来自实时数据库系统(PI系统)和LIMS系统中非生化段污水系统的数据，包括实时数据库系统中的温度、压力、流量、液位等数据，以及LIMS系统中各个污水处理工艺进出水水质化验指标，如COD，氨氮，硫化物，石油类等。
(三)分析三个工艺模块中不同自变量(例如进水pH、进水COD浓度、进水量、氨氮浓度、石油类浓度)的指标与COD出口浓度的关系，并取关联度较高的自变量进行分析，并用于建立大数据预测模型。
(四)将建模数据随机分为70％的训练数据和30％的对比验证测试数据，并建立预测模型，同时用关联分析、线性回归、非线性回归、主成分分析和神经网络算法，用测试数据对关键指标进行预测运算，与实际污水运行采集数据进行验证对比，并通过现场实时更新的运行数据进行持续模型训练，实现持续的模型优化。
按照上述石化行业污水系统的优化方法，在所述步骤三中具体如下步骤：
(一)基于现场污水系统生化处理段工艺流程和相关设备单元的分布情况，在数学建模软件中将对应的污水处理模块进行工艺流程搭建，并同时对搭建的模型进行模拟运算调试。
生化处理段稳态模型：
(二)在数学建模软件中，使用污水生化处理段各重要指标的全年平均工况值搭建污水生化处理段的稳态模型，模拟计算并分析污水成分和污水性质。
(三)将模拟运算得到各生化处理段单元模块的出水模拟结果，与现场的实际运行监测或化验分析指标的全年平均值进行数据比对分析与验证，生化处理段的核心单元模块主要包括一段好氧生化池、二段好氧生化池、一段沉淀池、二段沉淀池、BAF生物滤池等。
生化处理段动态模型：
(四)在数学建模软件中，使用污水生化处理段各重要指标的全年所有工况统计值搭建污水生化处理段的动态模型，模拟计算并分析污水成分和污水性质。
(五)对动态输入的参数以及动态模型进行验证，动态输入的参数是基于各处理模块全年运行数据和化验分析数据的全收集，其中验证中较为重要的两个参数值为两段好氧生化池中的溶解氧DO浓度和两段沉淀池污泥回流量；动态模型的验证是基于不同核心单元模块的模拟数据结果与实际收集监测值进行比对分析，生化处理段的核心单元模块主要包括其一段好氧生化池、二段好氧生化池、一段沉淀池、二段沉淀池、BAF生物滤池等。
具体实施过程：
表1是某炼厂根据现场实际污水处理现场的情况总结的污水系统主要构筑物以及不同工艺模块规格的一览表，且目前污水处理现场只有臭氧催化氧化单元投入运行，后置反硝化单元作为污水系统受到冲击时的备用模块。基于图4A污水处理系统工艺简图及采样点的分布情况的采样指导，采集到的关键污水进水指标如表2所示。
表1污水系统主要构筑物规格一览表
表2污水进水指标分析统计结果表
本发明一种石化行业污水系统的优化方法，具体实施方式包括以下步骤：
第一步：构建污水系统非生化处理段建模技术思路，收集并筛选相关指标数据，诊断分析数据采集整理过程中污水系统现行的操作管理问题。
在步骤中，根据某炼化企业污水处理系统的实际分布和数据情况，制定污水非生化处理段建模技术应用线路图，如图4B所示。通过建立非生化处理工艺入口进水和出口出水指标之间的关系，预测出口水质特定指标的数值，模拟在实际操作工况下出口水质特定指标的变化趋势。采样点数据主要来自于实时数据库PI系统和LIMS系统。在数据采集整理过程中，针对污水系统现行存在的操作管理问题进行了详细诊断分析并给予相应优化建议措施。
具体说明如下：
(一)数据采集时间跨度为2017年9月1日至2019年9月1日，分析的数据主要集中在污水来水量、污水来水水质分析、均质罐出水水质分析、二级加压溶气浮选出水水质分析、BAF生物滤池出水水质分析、一体化装置出水水质分析等方面。
(二)数据筛选整合过程中，除去错误计量或偏差较大的数据，整理并统计有效的建模数据量。
(三)在数据采集过程中，针对数据在线监测设备的取数和维护、现场取样化验分析频率、在线监测设备配置等方面进行了评估和诊断，并提出了相应的优化建议。
第二步：搭建污水非生化处理段大数据模型，针对污水非生化处理段工艺流程内的单元模块的处理效果和数据指标提出优化改造建议。
在该步骤中，基于整合筛选之后污水系统非生化处理段的运行指标参数，搭建大数据模型。图4C为污水特定指标预测模拟建模流程示意图建模。建模具体步骤说明如下：
(一)将已经准备好的建模数据，随机分为70％和30％，其中70％作为大数据模型的训练数据，30％作为大数据模型的对比验证测试数据。测试数据与训练数据无交集，训练数据中不包含验证测试数据；
(二)深度使用训练数据进行建模，然后用测试数据进行预测分析，对已建立的大数据模型进行评估，如果评估结果达到预期的准确率，则建模结束，使用全量的数据再次建模作为后续应用的模型；
(三)如果评估结果没有达到预期的准确率，则调整大数据建模时的指标参数、迭代次数，重新进行步骤(一)。
所搭建的污水非生化处理段模型示意图如图4D所示。
第三步：搭建污水生化处理段稳态模型，对现有污水生化处理工艺流程中部分不合理的环节提出相应的改造优化建议。
在该步骤中，基于整合筛选之后污水系统生化处理段的运行指标参数，搭污水生化处理段建稳态模型。建模具体步骤说明如下：
(一)收集建模数据的时间跨度为2018年3月1日至2019年3月1日和2019年4月16日至2019年4月30日。
(二)对污水生化处理段的重点数据指标均以全年时段数据或后期取样化验数据的平均值进行输入并模拟运算，其得出的指标为污水系统生化处理段全年平均的运行工况，模拟运算的指标包括污水生化处理量，污水进水COD浓度，污水进水硫酸盐浓度，一段好氧生化池溶解氧DO浓度，二段好氧生化池溶解氧DO浓度，BAF生物滤池溶解氧DO浓度，一段好氧生化池污泥浓度MLSS，二段好氧生化池污泥浓度MLSS，一段沉淀池回流至好氧生化池污泥量，一段沉淀池回流至好氧生化池污泥量。
(三)在分析模拟运算的同时，用PetWin模拟软件进行污水系统模型的稳态搭建，如图4E所示的污水生化处理段稳态模型示意图。同时，在输入污水生化处理段各重要指标的全年平均工况值后，可在软件中生成对污水成分和性质的表征分析结果以及数据合理范围的分析结果，如表3所示。所搭建的污水生化处理段稳态模型示意图如图4E所示。
表3数学建模软件中对污水生化处理段进水组分性质表征结果表
第四步：搭建污水生化处理段动态模型，对现场管理操作、部分设备配置、工艺流程等方面的模拟优化后，降低污水处理厂的综合运行成本。
在该步骤中，基于整合筛选之后污水系统生化处理段的运行指标参数，搭污水生化处理段建动态模型。建模具体步骤说明如下：
(一)收集建模数据的时间跨度为2018年3月1日至2019年3月1日，且采集对象为各指标数据全年全时段所有除测量误差较大的有效数据。
(二)通过对各生化处理单元模块运行参数和化验分析参数在全年365天工况全时段下的数据整合清理，在模型的参数输入界面进行全年全工况有效数据的动态输入，如图4F所示。
(三)经过上述污水动态模型后台的模拟运算，得到污水生化处理段的基本动态模型。
在对污水系统生化处理段进行现场调研时发现，二段沉淀池回流至前端缺氧池的污泥混合液回流量较低，间接导致了缺氧池内污泥浓度不高，反硝化作用不明显，脱氮效率较低。考虑将现有生化处理段中的缺氧池和一段好氧生化池工艺串联行程整体MLE污水处理工艺，将现有的一段好氧生化池内的出水直接部分回流至缺氧池中，同时将原有的一段沉淀池回流到一段好氧生化池内的污泥同样优化回流至缺氧池中。污水脱氮工艺改造优化后流程示意图如图4G所示。
基于上述四个步骤对污水系统全流程机理模型的搭建以及污水处理系统运行现状的详尽分析，提出了以污水系统的全流程机理模型为基础的污水系统优化方案。优化以系统运行成本最小化为目标，提出操作优化方案和节能改造方案，降低系统能耗与运行成本，实现污水系统的高效平稳运行，提升企业污水处理系统的运行管理水平和资源利用水平。优化结果中，仅仅依靠对污水处理工艺流程的操作优化预计取得的经济效益约为582.2万元。而在对现有设备配置不合理和工艺流程的适当改造优化后预计取得的经济效益约为1167.7万元。合计整体经济效益为1749.9万元。具体效益统计数据如下表所示。
根据污水系统不同工艺段的特点，对污水系统的非生化段以及生化段的运行工况进行归纳、模拟，并同时在建模、分析、实施的过程中，根据模拟预测的结果，结合实际工况，提出相应的优化及实施方案。具体模型搭建思路包括污水系统非生化处理段模型，大数据模型，污水生化处理段稳态模型，污水生化处理段动态模型。具体模型搭建的实施方式可在“三”中找到，详尽优化方案与思路如下：
1.基于具体实施方式中第一步的污水系统非生化处理段模型搭建的思路，根据污水系统不同的运行工况，整理并归纳污水系统处理各环节的指标运行数据和化验分析数据。当前污水在运行管理上存在的问题包括：现场实际存在如pH和溶解氧DO探头设备等在线监测设备的维护保养水平不高且维护保养频率较低，造成直接影响数据在线监测的精度和准确度；部分污水处理模块关键指标数据在线监测设备存在缺失的情况，如污水来水和出水的碱度探头设备。对于上述存在的问题，需要加强日常操作管理的精细化水平，提高在线监测设备的使用生命周期，减少因探头污泥附着较多、长期未校准导致监测精度下降等因素带来的设备更换成本。同时，也需要对污水处理环节中缺失的关键运行数据进行监测设备的添加补充或更换。
2.基于具体实施方式中第二步的大数据模型搭建的思路，通过大数据模型的模拟和预测分析结果显示，污水非生化处理段浮选除油模块两级浮选除油率未达到90％，除油效果略低。因此，可考虑适当对一级浮选池的曝气量提升10％至25％的比例，同时对两段浮选过程中的污水适当增加10％至15％的水力停留时间(HRT)，如此运行操作优化可提高浮选单元的整体除油率接近90％。同时，可考虑将浮选刮渣设备的运行模式由原来的间歇运行改为连续运行模式，既可保证浮选池顶部的泥渣能及时清理排除，还可防止间歇运行时排泥管道的干化结垢现象。此外，出于工业危废物处理价格的逐年增高的因素，可以考虑将浮选池顶部刮渣三相脱水方式产生的油泥渣与污水老化膨胀污泥进行分开排放优化。在可计量各自排泥量的前提下，分别按照工业危废物和普通活性污泥的外委处理单价计算排泥成本，降低污泥外委排放成本，产生一定的经济效益。
3.基于具体实施方案中第三步的污水生化处理段稳态模型的搭建思路，通过污水生化处理段稳态模型的验证分析和模拟运算结果分析显示，臭氧设备运行在不同臭氧浓度下，臭氧出水水样和BAF出水水样的COD和BOD的化验值变化幅度值不大且污水中的氨氮含量和硝盐酸氮含量较低，说明臭氧对其降解去除作用不明显。因此，在臭氧处理污水工段中鉴于COD和氨氮进出臭氧装置以及BAF滤池变化不大的基础上，可将臭氧装置产生的臭氧量从当前7kg/h的工况的优化至4kg/h的工况运行。通过模型模拟分析结果显示可靠，在减少臭氧原料成本的同时取得了一定的经济效益。与此同时，在稳态模型中模拟对生化池内的溶解氧探头和鼓风机设定联动装置，并对风机进行变频改造。在充分平衡二段好氧生化池内污水处理负荷水平基础上，当污水处理系统遭遇冲击或工况变动较大时，能通过对两段好氧生化池内的需求溶解氧量进行风机送风变频调整优化，从而可进一步调整优化好氧生化池内的溶解氧DO浓度，降低风机设备的整体电耗。
4.基于具体实施方案中第四步的污水生化处理段动态模型的搭建，同时根据不同工艺模块中的实际数据与模拟数据对比分析，对当前污水系统关于设备配置和工艺运行存在的问题进行诊断分析，提出可行的污水系统操作优化以及系统改造方案。在药剂投加操作方面，动态模型模拟运算得到的pH结果与实际水样pH化验分析值较为接近，污水水体呈现弱碱性状态，认为存在生化段碳酸氢钠药剂添加量偏高的情况。在污水生化处理段稳态模型中将碳酸氢钠药剂投加量优化至0时，生化处理段出水指标中的COD浓度，氨氮浓度，以及其余相关变量均未发生较大变化，因此，可考虑无需投加碳酸氢钠药剂。
实施例三
本实施例中，如图2所示，提供一种污水处理数据处理装置，包括：
数据采集模块210，用于读取数据库，获取非生化处理段的至少一种污水处理流程的工艺参数和设备数据；
数据解析模型搭建模块220，用于基于物理去除作用过程的非生化处理段工艺，根据所述工艺参数和所述设备数据，搭建数据解析模型；
预设模型建立模块230，用于基于搭建的所述数据解析模型，采用预设算法对污水的水质数据进行计算，得到基于进水化验指标与出水化验指标的关联关系的预测模型；
第一数据预测模块240，用于基于所述预测模型，对目标指标的趋势进行预测，得到第一预测数据。
在一个实施例中，污水处理数据处理装置还包括：
生化指标获取模块，用于获取污水生化处理段预设水质指标及工艺指标；
生化段模型搭建模块，用于基于微生物核心代谢作用的生化处理段工艺，根据污水生化处理段预设水质指标及工艺指标，搭建污水系统生化处理段工艺的稳态模型，搭建污水系统生化处理段工艺的动态模型；
第二数据预测模块，用于基于所述污水系统生化处理段工艺的稳态模型以及所述污水系统生化处理段工艺的动态模型，得到第二预测数据。
在一个实施例中，所述预设算法包括以下至少一种：
关联分析算法、线性回归算法、非线性回归算法、主成分分析算法和神经网络算法。
在一个实施例中，
所述至少一种污水处理流程的工艺参数包括：
进水pH值、进水COD浓度、进水量、氨氮浓度、石油类浓度；
至少一种污水处理流程的工设备数据包括：
温度、压力、流量、液位。
在一个实施例中，所述第一数据预测模块包括：
训练数据获取单元，用于基于所述至少一种污水处理流程的工艺参数，获得训练数据；
第一数据预测单元，用于基于所述预测模型，根据所述训练数据，对目标指标的趋势进行预测，得到第一预测数据。
在一个实施例中，所述第一数据预测模块还包括：
对比验证数据获取单元，用于基于所述至少一种污水处理流程的工艺参数，获得对比验证数据；
对比验证数据获取单元，用于将所述第一预测数据与所述对比验证数据进行对比，得到对比验证数据；
校正单元，用于根据所述对比验证数据，对所述预测模型进行校正。
关于污水处理数据处理装置的具体限定可以参见上文中对于污水处理数据处理方法的限定，在此不再赘述。上述污水处理数据处理装置中的各个单元可全部或部分通过软件、硬件及其组合来实现。上述各单元可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个单元对应的操作。
实施例四
本实施例中，提供了计算机设备。其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序，且该非易失性存储介质部署有数据库，该数据库用于存储污水处理流程工艺参数、设备数据。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与部署了应用软件的其他计算机设备通信。该计算机程序被处理器执行时以实现一种污水处理数据处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
实施例五
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
读取数据库，获取非生化处理段的至少一种污水处理流程的工艺参数和设备数据；
基于物理去除作用过程的非生化处理段工艺，根据所述工艺参数和所述设备数据，搭建数据解析模型；
基于搭建的所述数据解析模型，采用预设算法对污水的水质数据进行计算，得到基于进水化验指标与出水化验指标的关联关系的预测模型；
基于所述预测模型，对目标指标的趋势进行预测，得到第一预测数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取污水生化处理段预设水质指标及工艺指标；
基于微生物核心代谢作用的生化处理段工艺，根据污水生化处理段预设水质指标及工艺指标，搭建污水系统生化处理段工艺的稳态模型，搭建污水系统生化处理段工艺的动态模型；
基于所述污水系统生化处理段工艺的稳态模型以及所述污水系统生化处理段工艺的动态模型，得到第二预测数据。
在一个实施例中，所述预设算法包括以下至少一种：
关联分析算法、线性回归算法、非线性回归算法、主成分分析算法和神经网络算法。
在一个实施例中，所述至少一种污水处理流程的工艺参数包括：
进水pH值、进水COD浓度、进水量、氨氮浓度、石油类浓度；
至少一种污水处理流程的工设备数据包括：
温度、压力、流量、液位。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于所述至少一种污水处理流程的工艺参数，获得训练数据；
基于所述预测模型，根据所述训练数据，对目标指标的趋势进行预测，得到第一预测数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于所述至少一种污水处理流程的工艺参数，获得对比验证数据；
将所述第一预测数据与所述对比验证数据进行对比，得到对比验证数据；
根据所述对比验证数据，对所述预测模型进行校正。
实施例六
本实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
读取数据库，获取非生化处理段的至少一种污水处理流程的工艺参数和设备数据；
基于物理去除作用过程的非生化处理段工艺，根据所述工艺参数和所述设备数据，搭建数据解析模型；
基于搭建的所述数据解析模型，采用预设算法对污水的水质数据进行计算，得到基于进水化验指标与出水化验指标的关联关系的预测模型；
基于所述预测模型，对目标指标的趋势进行预测，得到第一预测数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取污水生化处理段预设水质指标及工艺指标；
基于微生物核心代谢作用的生化处理段工艺，根据污水生化处理段预设水质指标及工艺指标，搭建污水系统生化处理段工艺的稳态模型，搭建污水系统生化处理段工艺的动态模型；
基于所述污水系统生化处理段工艺的稳态模型以及所述污水系统生化处理段工艺的动态模型，得到第二预测数据。
在一个实施例中，所述预设算法包括以下至少一种：
关联分析算法、线性回归算法、非线性回归算法、主成分分析算法和神经网络算法。
在一个实施例中，所述至少一种污水处理流程的工艺参数包括：
进水pH值、进水COD浓度、进水量、氨氮浓度、石油类浓度；
至少一种污水处理流程的工设备数据包括：
温度、压力、流量、液位。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于所述至少一种污水处理流程的工艺参数，获得训练数据；
基于所述预测模型，根据所述训练数据，对目标指标的趋势进行预测，得到第一预测数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于所述至少一种污水处理流程的工艺参数，获得对比验证数据；
将所述第一预测数据与所述对比验证数据进行对比，得到对比验证数据；
根据所述对比验证数据，对所述预测模型进行校正。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种污水处理数据处理方法，其特征在于，包括：
读取数据库，获取非生化处理段的至少一种污水处理流程的工艺参数和设备数据；
基于物理去除作用过程的非生化处理段工艺，根据所述工艺参数和所述设备数据，搭建数据解析模型；
基于搭建的所述数据解析模型，采用预设算法对污水的水质数据进行计算，得到基于进水化验指标与出水化验指标的关联关系的预测模型；
基于所述预测模型，对目标指标的趋势进行预测，得到第一预测数据。
2.根据权利要求1所述的方法，其特征在于，还包括：
获取污水生化处理段预设水质指标及工艺指标；
基于微生物核心代谢作用的生化处理段工艺，根据污水生化处理段预设水质指标及工艺指标，搭建污水系统生化处理段工艺的稳态模型，搭建污水系统生化处理段工艺的动态模型；
基于所述污水系统生化处理段工艺的稳态模型以及所述污水系统生化处理段工艺的动态模型，得到第二预测数据。
3.根据权利要求1所述的方法，其特征在于，所述基于搭建的所述数据解析模型，采用预设算法对污水的水质数据进行计算，得到进水化验指标与出水化验指标的关系模型的步骤中，所述预设算法包括以下至少一种：
关联分析算法、线性回归算法、非线性回归算法、主成分分析算法和神经网络算法。
4.根据权利要求1所述的方法，其特征在于，
所述至少一种污水处理流程的工艺参数包括：
进水pH值、进水COD浓度、进水量、氨氮浓度、石油类浓度；
至少一种污水处理流程的工设备数据包括：
温度、压力、流量、液位。
5.根据权利要求1所述的方法，其特征在于，所述基于所述预测模型，对目标指标的趋势进行预测，得到第一预测数据的步骤包括：
基于所述至少一种污水处理流程的工艺参数，获得训练数据；
基于所述预测模型，根据所述训练数据，对目标指标的趋势进行预测，得到第一预测数据。
6.根据权利要求5所述的方法，其特征在于，所述基于所述预测模型，根据所述训练数据，对目标指标的趋势进行预测，得到第一预测数据的步骤之后还包括：
基于所述至少一种污水处理流程的工艺参数，获得对比验证数据；
将所述第一预测数据与所述对比验证数据进行对比，得到对比验证数据；
根据所述对比验证数据，对所述预测模型进行校正。
7.一种污水处理数据处理装置，其特征在于，包括：
数据采集模块，用于读取数据库，获取非生化处理段的至少一种污水处理流程的工艺参数和设备数据；
数据解析模型搭建模块，用于基于物理去除作用过程的非生化处理段工艺，根据所述工艺参数和所述设备数据，搭建数据解析模型；
预设模型建立模块，用于基于搭建的所述数据解析模型，采用预设算法对污水的水质数据进行计算，得到基于进水化验指标与出水化验指标的关联关系的预测模型；
第一数据预测模块，用于基于所述预测模型，对目标指标的趋势进行预测，得到第一预测数据。
8.根据权利要求7所述的装置，其特征在于，还包括：
生化指标获取模块，用于获取污水生化处理段预设水质指标及工艺指标；
生化段模型搭建模块，用于基于微生物核心代谢作用的生化处理段工艺，根据污水生化处理段预设水质指标及工艺指标，搭建污水系统生化处理段工艺的稳态模型，搭建污水系统生化处理段工艺的动态模型；
第二数据预测模块，用于基于所述污水系统生化处理段工艺的稳态模型以及所述污水系统生化处理段工艺的动态模型，得到第二预测数据。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110312596.9A CN113033092A (zh) | 2021-03-24 | 2021-03-24 | 污水处理数据处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110312596.9A CN113033092A (zh) | 2021-03-24 | 2021-03-24 | 污水处理数据处理方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113033092A true CN113033092A (zh) | 2021-06-25 |
Family
ID=76473223
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110312596.9A Pending CN113033092A (zh) | 2021-03-24 | 2021-03-24 | 污水处理数据处理方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113033092A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114638412A (zh) * | 2022-03-11 | 2022-06-17 | 平安国际智慧城市科技股份有限公司 | 一种危废处置能力预警方法、装置、电子设备及存储介质 |
| CN115809749A (zh) * | 2023-02-09 | 2023-03-17 | 四川文韬工程技术有限公司 | 污水处理综合性在线预测模型的建立方法及预测预警方法 |
| CN115982995A (zh) * | 2022-12-28 | 2023-04-18 | 无锡瑞泰恒自动化系统科技有限公司 | 面向污水处理的自动化处理方法及系统 |
| CN116050475A (zh) * | 2022-12-30 | 2023-05-02 | 中国环境科学研究院 | 关键污染物浓度预测模型的训练方法、装置和计算机设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111221306A (zh) * | 2020-01-17 | 2020-06-02 | 石化盈科信息技术有限责任公司 | 一种污水系统关键指标的预测方法 |
| 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 |
| CN111915089A (zh) * | 2020-08-07 | 2020-11-10 | 青岛洪锦智慧能源技术有限公司 | 一种污水处理厂泵组能耗的预测方法及其装置 |
-
2021
- 2021-03-24 CN CN202110312596.9A patent/CN113033092A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111221306A (zh) * | 2020-01-17 | 2020-06-02 | 石化盈科信息技术有限责任公司 | 一种污水系统关键指标的预测方法 |
| 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 |
| CN111915089A (zh) * | 2020-08-07 | 2020-11-10 | 青岛洪锦智慧能源技术有限公司 | 一种污水处理厂泵组能耗的预测方法及其装置 |
Non-Patent Citations (1)
| Title |
|---|
| 刘天波等: ""炼化企业污水处理系统建模与优化"", 中外能源, vol. 25, no. 02, pages 69 - 76 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114638412A (zh) * | 2022-03-11 | 2022-06-17 | 平安国际智慧城市科技股份有限公司 | 一种危废处置能力预警方法、装置、电子设备及存储介质 |
| CN115982995A (zh) * | 2022-12-28 | 2023-04-18 | 无锡瑞泰恒自动化系统科技有限公司 | 面向污水处理的自动化处理方法及系统 |
| CN116050475A (zh) * | 2022-12-30 | 2023-05-02 | 中国环境科学研究院 | 关键污染物浓度预测模型的训练方法、装置和计算机设备 |
| CN115809749A (zh) * | 2023-02-09 | 2023-03-17 | 四川文韬工程技术有限公司 | 污水处理综合性在线预测模型的建立方法及预测预警方法 |
| CN115809749B (zh) * | 2023-02-09 | 2023-09-12 | 四川文韬工程技术有限公司 | 污水处理综合性在线预测模型的建立方法及预测预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113033092A (zh) | 污水处理数据处理方法、装置、计算机设备和存储介质 | |
| Cheng et al. | Efficiency assessment of rural domestic sewage treatment facilities by a slacked-based DEA model | |
| Zhu et al. | Urban water security assessment in the context of sustainability and urban water management transitions: An empirical study in Shanghai | |
| Barbu et al. | On the evaluation of the global impact of control strategies applied to wastewater treatment plants | |
| Kang et al. | Water environmental carrying capacity assessment of an industrial park | |
| CN109064048B (zh) | 基于废水处理流程分析的废水排放源快速排查方法与系统 | |
| 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 | |
| CN202075272U (zh) | 一种应用于污水处理的软测量系统 | |
| KR101237444B1 (ko) | 하폐수 처리장의 공정진단 시스템 및 방법 | |
| 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 | |
| Flores-Alsina et al. | Including the effects of filamentous bulking sludge during the simulation of wastewater treatment plants using a risk assessment model | |
| Di Cicco et al. | Energetic and environmental analysis of a wastewater treatment plant through static and dynamic monitoring activities | |
| CN201330211Y (zh) | 污水处理厂运行参数自寻优模拟系统 | |
| CN117776336A (zh) | 水预处理方法及厌氧氨氧化水处理工艺 | |
| Nishimura et al. | Technical-knowledge-integrated material flow cost accounting model for energy reduction in industrial wastewater treatment | |
| CN109633111A (zh) | 一种湖库灰水足迹评估方法及其应用 | |
| CN107665288A (zh) | 一种化学需氧量的水质软测量预测方法 | |
| CN109613191A (zh) | 一种全生命周期城市污水处理监测方法 | |
| JP4700145B2 (ja) | 水処理装置のモデル参照型自動制御装置 | |
| CN116263850A (zh) | 结合离线模拟数据的在线污水水质预警方法 | |
| CN114814130A (zh) | 一种基于非奇异梯度下降算法的区间二型模糊神经网络的出水总氮智能检测方法 | |
| Bu et al. | Study on the influence of industrial structure optimization on water environment and economy: A case study of Changzhou city | |
| CN110245881A (zh) | 一种基于机器学习的污水处理的水质预测方法及系统 | |
| Ladiges et al. | Optimisation of the hamburg wastewater treatment plants by dynamic simulation | |
| Szeląg et al. | Impact of the selected indicators of the wastewater quality and operating parameters of the biological reactor on the simulation of sludge sedimentation: Probabilistic approach |
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 |