CN113325702B - 一种曝气控制方法及装置 - Google Patents

一种曝气控制方法及装置 Download PDF

Info

Publication number
CN113325702B
CN113325702B CN202110437106.8A CN202110437106A CN113325702B CN 113325702 B CN113325702 B CN 113325702B CN 202110437106 A CN202110437106 A CN 202110437106A CN 113325702 B CN113325702 B CN 113325702B
Authority
CN
China
Prior art keywords
order
low
system model
aeration
dissolved oxygen
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110437106.8A
Other languages
English (en)
Other versions
CN113325702A (zh
Inventor
黄永皓
杜海潇
赵国光
陈燕波
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.)
China Citic Group Co ltd
Citic Cloud Network Co ltd
Original Assignee
China Citic Group Co ltd
Citic Cloud Network Co ltd
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 China Citic Group Co ltd, Citic Cloud Network Co ltd filed Critical China Citic Group Co ltd
Priority to CN202110437106.8A priority Critical patent/CN113325702B/zh
Publication of CN113325702A publication Critical patent/CN113325702A/zh
Application granted granted Critical
Publication of CN113325702B publication Critical patent/CN113325702B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • C02F2209/38—Gas flow rate
    • 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

本发明提供一种曝气控制方法及装置，属于污水处理技术领域，所述方法包括：获取污水处理系统的工况数据，并对所述工况数据进行预处理；根据污水处理系统的风机启停后溶解氧的响应曲线，确定低阶系统模型的阶次，所述低阶系统模型是采用预设监测指标来描述污水处理中生化过程的变化关系；基于低阶系统模型的阶次，通过深度神经网络使用所述工况数据对所述低阶系统模型的参数进行动态修正后输入至所述低阶系统模型计算曝气量。本发明能减少仪器仪表数据误差对模型的影响，从而能够保证污水处理厂的稳定安全运行。

Description

一种曝气控制方法及装置
技术领域
本发明涉及污水处理技术领域，尤其涉及一种曝气控制方法及装置。
背景技术
目前城市污水处理广泛采用活性污泥生物处理工艺，该技术将废水与活性污泥(微生物)混合搅拌并持续通入氧气(空气)，利用活性污泥的生物凝聚、吸附和氧化作用，将污水中呈溶解、胶体状态的有机污染物分解、吸收或者吸附来实现水质的净化。在活性污泥法的复杂生化反应过程中，持续通入氧气(曝气)是其中一个非常重要的环节，为给微生物提供好氧环境，行业较普遍做法是采用鼓风机曝气。对于污水处理系统，曝气量的控制决定着整个污水处理系统对废水的处理效果。
现有曝气控制方案有的过于简单无法按需控制曝气量，造成处理后的水质不稳定和能耗过高；有的过于复杂，过渡依赖于仪器仪表数据准确性和全面性，需要投入巨大改造成本。
发明内容
本发明提供一种曝气控制方法及装置，用以解决现有技术中曝气控制方法过于简单无法按需控制曝气量或过于复杂需要投入巨大改造成本的问题，实现在一定程度上满足准确性要求，又能达到鲁棒性要求。
本发明提供一种曝气控制方法，应用于污水处理系统，所述污水处理系统采用低阶系统模型，所述方法包括：
获取污水处理系统的工况数据，并对所述工况数据进行预处理；
根据污水处理系统的风机启停后溶解氧的响应曲线，确定低阶系统模型的阶次，所述低阶系统模型是采用预设监测指标来描述污水处理中生化过程的变化关系；
基于低阶系统模型的阶次，通过深度神经网络使用所述工况数据对所述低阶系统模型的参数进行动态修正后输入至所述低阶系统模型计算曝气量。
根据本发明所述的曝气控制方法，所述获取污水处理的工况数据包括获取水质传感器数据、环境传感器数据以及污水处理设备运行状态数据的一种或多种组合。
根据本发明所述的曝气控制方法，所述对所述工况数据进行预处理，包括：
按照统一的时间戳获取所述工况数据；
按照统一的单位转换所述工况数据，所述统一的单位包括统一的时间单位、体积单位及质量单位；
如果所述工况数据缺值或出现异常值，则采用线性插值法处理所述缺值或异常值；
对所述工况数据进行平滑处理。
根据本发明所述的曝气控制方法，所述平滑处理的计算公式为：
St＝a·yt+(1-a)St-1；
其中，yt为时间t的实际值，St为时间t的平滑值，a为平滑常数，取值范围为[0,1]。
根据本发明所述的曝气控制方法，根据污水处理系统的风机启停后溶解氧的响应曲线，确定低阶系统模型的阶次，包括：
如果溶解氧的响应曲线为单调上升后稳定在某个值，则确定所述低阶系统模型的阶次为一阶，溶解氧与曝气量满足以下公式：
Figure BDA0003033576730000021
其中，DO(t)表示溶解氧，Gs(t)表示曝气量，KAS表示气体转化为水中溶解氧的扩散系数，C表示环境参数，C和KAS是随时间t变化的。
根据本发明所述的曝气控制方法，根据污水处理系统的风机启停后溶解氧的响应曲线，确定低阶系统模型的阶次，包括：
如果溶解氧的响应曲线出现振荡，则确定所述低阶系统模型的阶次为二阶，溶解氧与曝气量满足以下公式：
Figure BDA0003033576730000031
其中，DO(t)表示溶解氧，Gs(t)表示曝气量，参数KAS表示气体转化为水中溶解氧的扩散系数，C1和C2表示环境参数，C1、C2和KAS是随时间t变化的。
根据本发明所述的曝气控制方法，基于低阶系统模型的阶次，通过深度神经网络使用所述工况数据对所述低阶系统模型的参数进行动态修正后输入至所述低阶系统模型计算曝气量，包括：
通过深度神经网络的长短期记忆LSTM网络模型对所述工况数据进行特征提取，得到特征数据；
通过深度神经网络的多层感知器MLP网络模型根据所述特征数据进行动态修正以拟合溶解氧和曝气量之间的动态关系，得到系统模型参数；
将所述系统模型参数输入至所述低阶系统模型计算曝气量。
本发明还提供了一种曝气控制装置，应用于污水处理系统，所述污水处理系统采用低阶系统模型，所述装置包括：
预处理模块，用于获取污水处理系统的工况数据，并对所述工况数据进行预处理；
系统辨识模块，用于根据污水处理系统的风机启停后溶解氧的响应曲线，确定低阶系统模型的阶次，所述低阶系统模型是采用预设监测指标来描述污水处理中生化过程的变化关系；
计算模块，用于基于低阶系统模型的阶次，通过深度神经网络使用所述工况数据对所述低阶系统模型的参数进行动态修正后输入至所述低阶系统模型计算曝气量。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述的曝气控制方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的曝气控制方法的步骤。
本发明提供的曝气控制方法及装置，通过将污水处理生化过程简化为溶解氧和曝气量之间的低阶系统模型，并通过深度神经网络对所述低阶系统模型的输入参数进行动态修正，在一定程度上满足准确性要求，又能达到鲁棒性要求，即能减少仪器仪表数据误差对模型的影响，从而能够保证污水处理厂的稳定安全运行。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的曝气控制方法的流程示意图；
图2是本发明提供的数据预处理的流程示意图；
图3是本发明提供的数据预处理中时间格式的示意图；
图4是本发明提供的计算曝气量的流程示意图；
图5是本发明提供的计算逻辑的结构示意图；
图6是本发明提供的LSTM网络原理示意图；
图7是本发明提供的MLP网络原理示意图；
图8是本发明一实施例的溶解氧浓度曲线变化的示意图；
图9是本发明提供的曝气控制装置的结构示意图；
图10是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。
在污水处理系统中，曝气量的控制决定着整个系统对废水的处理效果。如果曝气量较小，缺氧环境会抑制其中的硝化反应，同时还会导致曝气池中丝状菌的过渡繁殖，从而出现污泥膨胀；反之，如果过渡曝气，过量空气产生的水流搅拌还会打碎污泥絮状体，同时富氧环境也会影响反硝化效果，从而影响出水水质。另一方面，从污水处理厂的实际运行数据来看，曝气系统所用能耗占污水处理全部用电量的50％--70％，因此对曝气量的合理控制也是降低污水处理厂的运行费用重要手段。
目前我国实际运行的污水处理厂的曝气控制系统主要包括以下几种形式：
一是人工控制。这种方式简单粗放，一般情况下只要出水指标不出现很大的波动，一般不会改变曝气量，进行恒气量曝气。当需要调节曝气量时，工作人员根据经验和出水指标波动情况，反复调试，很难较快达到合理状态。这种调节方式极易造成曝气能耗的浪费。
二是恒定溶解氧的反馈控制。当生化反应池内的溶解氧值(DO)大于设定值时，减小曝气量；反之，当溶解氧值小于设定值时则增大曝气量。实际运行中常采用某种形式的比例积分微分(PID)定值调节，如比例(P)调节、比例积分(PI)调节等。具体来说，将生化池溶解氧测量值与设定值进行比较，将偏差通过PID运算后传给鼓风机控制系统调节曝气量。这种方式具有非常大的滞后性，调节过程中会出现溶解氧的大幅度波动，为了保证系统安全运行，常常需要将溶解氧设定值保持在较高数值上，造成了一定程度的浪费。
三是精准曝气控制。这种方式是将在线仪表及鼓风机控制集成到一个智能化的控制系统中，通过动态优化与调整供气量，尽量做到按需供气，从而达到稳定污水厂出水水质和节能的目的。这类系统以活性污泥模型和污水厂历史数据为基础，根据实时采集的水质、水量及生化池的各种环境参数，预测曝气池所需要的曝气量。
近几年，有不少关于精准曝气的学术论文和专利文献，看上去完美解决了曝气控制问题，然而在污水厂中能实际应用的却凤毛菱角。其主要原因是污水处理的生化反应异常复杂，几乎不可能通过数学模型全面准确描述，所谓的精准曝气都是对历史数据的“精准”拟合。为了实现高精度的数据表征，精准曝气所采用的模型复杂度通常都很高。这带来两方面的问题：一是容易对历史数据过拟合，模型对新工况的适应性较差，模型更新维护投入较大；二是模型高度依赖仪器仪表数据的准确性，常常因为仪表测量值的微小误差或缺失而带来巨大误差或无法运行。同时，越是在理论上精准的模型需要越多的变量参数，也就需要更多的仪表设备，也就需要污水厂投入更多的设备改造和建设投入。因此，精准曝气对污水厂仪表设备的准确性、全面性具有极高要求。对于一般污水厂来说，如果采用精准曝气，加装换装仪表设备等的改造成本往往非常巨大。
因此，现有曝气控制方案有的过于简单无法按需控制曝气量，造成处理后的水质不稳定和能耗过高；有的过于复杂，过渡依赖于仪器仪表数据准确性和全面性，需要投入巨大改造成本。
本发明提供的曝气控制方法及装置，是将污水处理的复杂生化过程分解为两部分：一是选择较为简单的低阶系统模型来描述生化过程的主要变化关系；二是采用深度学习方法对模型参数的进行实时修正以减少模型简化带来的误差。深度学习是基于深度神经网络的模型分析方法，能够从数据中学习内在规律和表示层次。
本发明在不加装和改造现有仪器仪表基础上，根据污水处理厂现有仪器仪表数据，可实现曝气量的按需稳定控制，保持处理后的水质稳定，并降低能耗。
下面结合图1-图10描述本发明的曝气控制方法及装置。
图1是本发明提供的曝气控制方法的流程示意图，如图1所示。一种曝气控制方法，应用于污水处理系统，所述污水处理系统采用低阶系统模型，所述方法包括：
步骤101，获取污水处理系统的工况数据，并对所述工况数据进行预处理。
优选的，可从污水处理系统中实时读取工况数据，比如从监视控制系统(SCADA)读取。所述获取污水处理的工况数据包括获取水质传感器数据、环境传感器数据以及污水处理设备运行状态数据等数据的一种或多种组合。
优选的，对所述工况数据进行清洗和预处理，包括但不限于时间戳对齐处理、量纲统一处理、缺失及异常值处理、数据平滑处理等。
步骤102，根据污水处理系统的风机启停后溶解氧的响应曲线，确定低阶系统模型的阶次，所述低阶系统模型是采用预设监测指标来描述污水处理中生化过程的变化关系。
所述预设监控指标包括溶解氧、曝气量以及各污水处理厂内部自定义的监控指标。
低阶系统是指一阶或二阶系统，即以一阶微分方程或二阶微分方程为运动方程的控制系统。由于污水处理生化过程极其复杂，采用低阶系统模型来近似表征，能够反应其主要变化关系。因此，采用较为简单的低阶系统模型描述生化过程的主要变化关系，由于低价系统模型简化，所必需的模型参数较少，对污水处理厂的仪器仪表要求较低，所以可以充分利用污水厂既有的仪器设备，无需过多改装加装仪器仪表等硬件设备。
本发明将污水处理生化过程简化为监控指标(如溶解氧)与曝气量之间的低阶系统模型。虽然所述低阶系统模型看起来简单，但是能够反映污水处理生化过程的主要变化关系。所述低阶系统模型的阶次可以根据污水处理厂的历史数据，观察风机启停后溶解氧的响应曲线确定，即通过观察系统受到阶跃响应后的响应曲线确定系统阶次。所述低阶系统模型包括一阶模型和二阶模型，即所述低阶系统模型的阶次包括一阶和二阶。
优选的，如果溶解氧的响应曲线为单调上升后稳定在某个值，则确定所述低阶系统模型的阶次为一阶，溶解氧与曝气量满足以下公式：
Figure BDA0003033576730000081
其中，DO(t)表示溶解氧，Gs(t)表示曝气量，KAS表示气体转化为水中溶解氧的扩散系数，C表示环境参数，C和KAS是随时间t变化的。
优选的，如果溶解氧的响应曲线出现振荡，则确定所述低阶系统模型的阶次为二阶，溶解氧与曝气量满足以下公式：
Figure BDA0003033576730000082
其中，DO(t)表示溶解氧，Gs(t)表示曝气量，参数KAS表示气体转化为水中溶解氧的扩散系数，C1和C2表示环境参数，C1、C2和KAS是随时间t变化的。
低阶系统模型的阶次确定之后，低阶系统模型的形式就确定了，即首先确定低阶系统模型的动态变化是满足一阶微分方程，还是二阶微分方程。但是只有低阶系统模型的形式是不够的，无论是哪种微分方程，其中的参数会随时间发生变化。所以在任何控制时间段，需要根据实际数据估算出此时刻低阶系统模型的参数，也就是对低阶系统模型的参数进行动态修正，由此才能得到可以用于计算的系统方程。
本发明将污水处理生化过程简化为监控指标(如溶解氧)与曝气量之间的低阶系统模型，既能在一定程度上满足准确性要求，又能达到鲁棒性要求，即能减少仪器仪表数据误差对模型的影响，从而能够保证污水处理厂的稳定安全运行。
由于低阶系统模型简化，所必需的模型参数较少，对污水处理厂的仪器仪表要求较低，所以可以充分利用污水厂既有的仪器设备，可无需改装加装仪器仪表。
步骤103，基于低阶系统模型的阶次，通过深度神经网络使用所述工况数据对所述低阶系统模型的参数进行动态修正后输入至所述低阶系统模型计算曝气量。
由于污水处理生化过程被简化为低阶系统模型，但还不能完全准确反应系统变化，所以还需要利用污水处理厂仪器仪表数据(即工况数据，如水质、水量、气温、氨氮含量等)通过对低阶系统模型参数的实时修正来实时拟合溶解氧和曝气量之间的动态关系。由于不同污水处理厂的仪器仪表数据情况不同，数据采样频率和质量也不同，所以各种可用数据与系统模型参数之间的关系比较复杂，无法使用确定性模型描述。因此，本发明采用深度神经网络来描述各种仪器仪表数据与系统模型参数之间的关系。
优选的，深度神经网络由两部分组成：第一部分是采用长短期记忆(LSTM)网络模型对仪器仪表的时序数据进行特征提取；第二部分是采用多层感知器(MLP)网络模型拟合仪器仪表特征数据与低阶系统模型参数之间的关系，拟合得到系统参数(比如一阶模型的系统参数C和KAS)。
根据深度神经网络拟合得到的系统参数(比如一阶模型的系统参数C和KAS)代入上述一阶模型的方程式：
Figure BDA0003033576730000101
根据上述方程式，可得到当前的曝气量和溶解氧满足的数量关系，再根据实际测得的当前溶解氧的数值，可计算出当前阶段合理的曝气量。
本发明利用深度神经网络，能够充分挖掘可用仪器仪表数据与低阶系统模型参数之间的关系，并实现对所述低阶系统模型参数的动态修正，满足系统实时性运行要求。
本发明可应用于采用厌氧-缺氧-好氧(AAO)活性污泥法工艺的污水处理厂中并需要通过曝气充氧促进活性污泥对污染物质进行降解的处理环节。
以下结合图2～图7对上述步骤101～103进行具体描述。
图2是本发明提供的数据预处理的流程示意图，如图所示。上述所述步骤101中，所述对所述工况数据进行预处理，包括：
步骤201，按照统一的时间戳获取所述工况数据。
由于污水处理厂各仪器仪表的数据采集时间不完全一致，需要首先将各个仪器仪表数据按分钟对齐并统一成一致的时间格式(如图3表示)。
步骤202，按照统一的单位转换所述工况数据，所述统一的单位包括统一的时间单位、体积单位及质量单位。
由于各个仪器仪表数据(即工况数据)的单位不一致，因此需要按照统一的时间单位、体积单位、质量单位等单位进行转换。
步骤203，如果所述工况数据缺值或出现异常值，则采用线性插值法处理所述缺值或异常值。
线性插值法(linear interpolation)是使用连接两个已知量的直线来确定在两个已知量之间的一个未知量的值的方法。假设已知坐标(x0，y0)与(x1，y1)，要得到[x0，x1]区间内某一位置x在直线上的值，可根据如下两点式直线方程求得：
Figure BDA0003033576730000111
步骤204，对所述工况数据进行平滑处理。
由于部分仪器仪表存在测量噪声，选择指数平滑法方法对数据进行平滑处理，减少噪声干扰。所述平滑处理的计算公式为：
St＝a·yt+(1-a)St-1；
其中，yt为时间t的实际值，St为时间t的平滑值，a为平滑常数，取值范围为[0,1]。
图4是本发明提供的计算曝气量的流程示意图，图5是本发明提供的计算逻辑的结构示意图，如图4、图5所示。上述步骤103中，基于低阶系统模型的阶次，通过深度神经网络使用所述工况数据对所述低阶系统模型的参数进行动态修正后输入至所述低阶系统模型计算曝气量，包括：
步骤401，通过深度神经网络的长短期记忆LSTM网络模型对所述工况数据进行特征提取，得到特征数据。
深度神经网络的LSTM网络模型能够从污水处理厂的仪器仪表的历史时间序列数据xi，1，...，xi，t中，对数据进行降维压缩，LSTM网络模型输出维度可以根据数据量、计算能力等设置，如y1，...，ym。
数据降维(或数据压缩)是一种常用的数据特征提取方法，可广泛应用于图像处理、人脸识别、数据压缩、信号去噪等领域。设原数据大小为N×M，经过数据降维后的数据大小为N×K，其中K<M。
具体的，图6是本发明提供的LSTM网络原理示意图，如图所示，LSTM网络有遗忘门、输入门、更新门、输出门等计算单元构成。输入xt和输出ht之间的计算关系满足：
ft＝σg(Wfxt+Ufht-1+bf)
it＝σg(Wixt+Uiht-1+bi)
ot＝σg(woxt+Uoht-1+bo)
Figure BDA0003033576730000121
Figure BDA0003033576730000122
步骤402，通过深度神经网络的多层感知器MLP网络模型根据所述特征数据进行动态修正以拟合溶解氧和曝气量之间的动态关系，得到系统模型参数。
MLP网络模型是根据m维的特征向量与实际溶解氧的数值，拟合出系统参数(比如一阶模型的C和KAS等)，由此可以得到完整的系统模型。
具体的，图7是本发明提供的MLP网络原理示意图，如图所示，MLP网络由输入的线性组合与非线性激活函数构成，输入x和输出y之间的计算关系满足：
y＝σ(w·x+b)。
步骤403，将所述系统模型参数输入至所述低阶系统模型计算曝气量。
基于上述低阶系统模型，在每个计算时刻，根据过去预设时段(比如过去3-6个小时)的仪器仪表历史数据和曝气量数据，采用梯度下降法拟合溶解氧的历史数据，由此可以得到溶解氧与曝气量之间的低阶系统模型的输入参数，从而可以根据用户设定的溶解氧目标值，实时计算出所需曝气量。
举例说明，如果确定低阶系统模型为一阶模型，那么在当前时刻t及之前的一段时间内，曝气量等仪表的历史数据与溶解氧仪表的历史数据应该近似满足方程：
Figure BDA0003033576730000123
/>
但是上述方程中的参数C和KAS是未知的，所以需要借助深度神经网络拟合得到。基于深度学习通用的反向传播算法，根据过去预设时段(比如过去3个小时)的各个仪表和溶解氧历史数据，借助深度神经网络，可以拟合出这段时间的系统方程满足：
Figure BDA0003033576730000131
即C＝3，KAS＝0.001。也就是说，当前的曝气量和溶解氧的满足上述数量关系。如果当前溶解氧的数值为1.9，偏离设定值2，那么可以计算出当前阶段合理的曝气量为
Gs＝[(2-1.9)+3*1.9]/0.001＝5800。
因此，本发明利用深度神经网络，能够充分挖掘可用仪器仪表数据与系统模型参数之间的关系，并实现对系统模型参数的动态修正，满足系统实时性运行要求。
以下通过一实施例对本发明所述曝气控制方法进行说明。
以某城市污水处理厂为例，说明基于融合低阶系统模型和深度学习方法在污水处理曝气控制环节的实施效果。
该污水处理厂工艺运行情况：采用厌氧-缺氧-好氧法(AAO)工艺，设计规模15万吨/天，生化池入口安装有电磁流量计、光学法COD检测仪、离子选择电极法氨氮仪，生化池分别南北两个池，每个生化池在进水口、出水口和回流分别安装了1个溶解氧仪，1个污泥浓度仪，1个风道控制阀门，生化池出口安装有化学法COD仪和比色法在线氨氮仪。鼓风设备为单级高速离心风机，带主控柜可用实现风量远程控制。可用看出该水厂具有一定信息程度，然而实际生产中COD检测仪、氨氮仪经常故障，数据大部分时间不准确，所以无法采用依赖于复杂模型的精准曝气。
采用基于融合低阶系统模型和深度学习方法在污水处理中曝气控制的具体实施过程如下：
(1)首先，定时通过污水处理厂SCADA系统数据库，获取污水处理厂各种仪器仪表的实时数据。然后，按照数据预处理步骤的计算逻辑，对数据进行清洗和预处理。
(2)通过对历史数据中风机从停止到启动后溶解氧的响应曲线，可以看到系统基本符合一阶(惯性)模型的特征，因此低阶系统模型的阶次选择一阶。
(3)根据仪器仪表数据，设计相符的深度神经网络输入单元；根据低阶系统模型参数，设计相符的深度神经网络输出单元。
(4)最后，基于过去3个小时的实时历史数据，拟合低阶系统模型参数，并实时计算当前时刻所需的曝气量。
基于边缘计算的智慧曝气控制系统实施前后，生化池溶解氧浓度曲线变化如图8所示。从图中可以看出，在未实施本发明之前，溶解氧浓度曲线波动幅度较大(即图中虚线左边部分)，与设定值的差值经常大于1mg/L；在实施本发明之后，溶解氧浓度波动幅度大幅减少(即图中虚线右边部分)，溶解氧浓度与设定值的差值基本都在±0.5mg/L范围内。
从上述实施例中，可以看出本发明具有以下优点：
(1)充分利用污水厂现有仪器仪表设备，无需换装和加装仪器设备，实现硬件零成本改造，即可实现较好的曝气控制效果。
(2)曝气控制效果满足污水处理生化反应需要，保证污水厂稳定运行。虽然本发明采用简化模型，但由于反映了系统动态变化的主要关系，所以控制效果较好。另外，自适应动态修正误差方法也保证了模型偏差不会过大。
(3)降低曝气能耗，节省污水厂运行费用。实施本发明之后，由于溶解氧稳定在设定值附近，可以保证鼓风机不过渡曝气，也就减少了曝气浪费。经过一段时间的运行测算，曝气能耗降低约10％-15％。
下面对本发明提供的曝气控制装置进行描述，下文描述的曝气控制装置与上文描述的曝气控制方法可相互对应参照。
图9是本发明提供的曝气控制装置的结构示意图，如图所示。一种曝气控制装置900，应用于污水处理系统，所述污水处理系统采用低阶系统模型，所述装置包括预处理模块910、系统辨识模块920以及计算模块930。其中，
预处理模块910，用于获取污水处理系统的工况数据，并对所述工况数据进行预处理。
系统辨识模块920，用于根据污水处理系统的风机启停后溶解氧的响应曲线，确定低阶系统模型的阶次，所述低阶系统模型是采用预设监测指标来描述污水处理中生化过程的变化关系。
计算模块930，用于基于低阶系统模型的阶次，通过深度神经网络使用所述工况数据对所述低阶系统模型的参数进行动态修正后输入至所述低阶系统模型计算曝气量。
优选的，所述获取污水处理的工况数据包括获取水质传感器数据、环境传感器数据以及污水处理设备运行状态数据的一种或多种组合。
优选的，所述预处理模块910，还用于执行如下步骤：
按照统一的时间戳获取所述工况数据；
按照统一的单位转换所述工况数据，所述统一的单位包括统一的时间单位、体积单位及质量单位；
如果所述工况数据缺值或出现异常值，则采用线性插值法处理所述缺值或异常值；
对所述工况数据进行平滑处理，所述平滑处理的计算公式为：
St＝a·yt+(1-a)St-1；
其中，yt为时间t的实际值，St为时间t的平滑值，a为平滑常数，取值范围为[0,1]。
优选的，所述系统辨识模块920，还用于执行如下步骤：
如果溶解氧的响应曲线为单调上升后稳定在某个值，则确定所述低阶系统模型的阶次为一阶，溶解氧与曝气量满足以下公式：
Figure BDA0003033576730000161
其中，DO(t)表示溶解氧，Gs(t)表示曝气量，KAS表示气体转化为水中溶解氧的扩散系数，C表示环境参数，C和KAS是随时间t变化；
如果溶解氧的响应曲线出现振荡，则确定所述低阶系统模型的阶次为二阶，溶解氧与曝气量满足以下公式：
Figure BDA0003033576730000162
/>
其中，DO(t)表示溶解氧，Gs(t)表示曝气量，参数KAS表示气体转化为水中溶解氧的扩散系数，C1和C2表示环境参数，C1、C2和KAS是随时间t变化的。
优选的，所述计算模块930，还用于执行如下步骤：
通过深度神经网络的长短期记忆LSTM网络模型对所述工况数据进行特征提取，得到特征数据；
通过深度神经网络的多层感知器MLP网络模型根据所述特征数据进行动态修正以拟合溶解氧和曝气量之间的动态关系，得到系统模型参数；
将所述系统模型参数输入至所述低阶系统模型计算曝气量。
图10示例了一种电子设备的实体结构示意图，如图10所示，该电子设备可以包括：处理器(processor)1010、通信接口(Communications Interface)1020、存储器(memory)1030和通信总线1040，其中，处理器1010，通信接口1020，存储器1030通过通信总线1040完成相互间的通信。处理器1010可以调用存储器1030中的逻辑指令，以执行上述所述曝气控制方法，所述方法包括：
获取污水处理系统的工况数据，并对所述工况数据进行预处理；
根据污水处理系统的风机启停后溶解氧的响应曲线，确定低阶系统模型的阶次，所述低阶系统模型是采用预设监测指标来描述污水处理中生化过程的变化关系；
基于低阶系统模型的阶次，通过深度神经网络使用所述工况数据对所述低阶系统模型的参数进行动态修正后输入至所述低阶系统模型计算曝气量。
此外，上述的存储器1030中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的所述曝气控制方法，所述方法包括：
获取污水处理系统的工况数据，并对所述工况数据进行预处理；
根据污水处理系统的风机启停后溶解氧的响应曲线，确定低阶系统模型的阶次，所述低阶系统模型是采用预设监测指标来描述污水处理中生化过程的变化关系；
基于低阶系统模型的阶次，通过深度神经网络使用所述工况数据对所述低阶系统模型的参数进行动态修正后输入至所述低阶系统模型计算曝气量。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的所述曝气控制方法，所述方法包括：
获取污水处理系统的工况数据，并对所述工况数据进行预处理；
根据污水处理系统的风机启停后溶解氧的响应曲线，确定低阶系统模型的阶次，所述低阶系统模型是采用预设监测指标来描述污水处理中生化过程的变化关系；
基于低阶系统模型的阶次，通过深度神经网络使用所述工况数据对所述低阶系统模型的参数进行动态修正后输入至所述低阶系统模型计算曝气量。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种曝气控制方法，应用于污水处理系统，其特征在于，所述污水处理系统采用低阶系统模型，所述方法包括：
获取污水处理系统的工况数据，并对所述工况数据进行预处理；
根据污水处理系统的风机启停后溶解氧的响应曲线，确定低阶系统模型的阶次，所述低阶系统模型是采用预设监测指标来描述污水处理中生化过程的变化关系；
基于低阶系统模型的阶次，通过深度神经网络使用所述工况数据对所述低阶系统模型的参数进行动态修正后输入至所述低阶系统模型计算曝气量；
根据污水处理系统的风机启停后溶解氧的响应曲线，确定低阶系统模型的阶次，包括：
如果溶解氧的响应曲线为单调上升后稳定在某个值，则确定所述低阶系统模型的阶次为一阶，溶解氧与曝气量满足以下公式：
Figure FDA0003910079940000011
其中，DO(t)表示溶解氧，Gs(t)表示曝气量，KAS表示气体转化为水中溶解氧的扩散系数，C表示环境参数，C和KAS是随时间t变化的；
如果溶解氧的响应曲线出现振荡，则确定所述低阶系统模型的阶次为二阶，溶解氧与曝气量满足以下公式：
Figure FDA0003910079940000012
其中，DO(t)表示溶解氧，Gs(t)表示曝气量，参数KAS表示气体转化为水中溶解氧的扩散系数，C1和C2表示环境参数，C1、C2和KAS是随时间t变化的。
2.根据权利要求1所述的曝气控制方法，其特征在于，所述获取污水处理的工况数据包括获取水质传感器数据、环境传感器数据以及污水处理设备运行状态数据的一种或多种组合。
3.根据权利要求1所述的曝气控制方法，其特征在于，所述对所述工况数据进行预处理，包括：
按照统一的时间戳获取所述工况数据；
按照统一的单位转换所述工况数据，所述统一的单位包括统一的时间单位、体积单位及质量单位；
如果所述工况数据缺值或出现异常值，则采用线性插值法处理所述缺值或异常值；
对所述工况数据进行平滑处理。
4.根据权利要求3所述的曝气控制方法，其特征在于，所述平滑处理的计算公式为：
St＝a·yt+(1-a)St-1；
其中，yt为时间t的实际值，St为时间t的平滑值，a为平滑常数，取值范围为[0,1]。
5.根据权利要求1所述的曝气控制方法，其特征在于，基于低阶系统模型的阶次，通过深度神经网络使用所述工况数据对所述低阶系统模型的参数进行动态修正后输入至所述低阶系统模型计算曝气量，包括：
通过深度神经网络的长短期记忆LSTM网络模型对所述工况数据进行特征提取，得到特征数据；
通过深度神经网络的多层感知器MLP网络模型根据所述特征数据进行动态修正以拟合溶解氧和曝气量之间的动态关系，得到系统模型参数；
将所述系统模型参数输入至所述低阶系统模型计算曝气量。
6.一种曝气控制装置，应用于污水处理系统，其特征在于，所述污水处理系统采用低阶系统模型，所述装置包括：
预处理模块，用于获取污水处理系统的工况数据，并对所述工况数据进行预处理；
系统辨识模块，用于根据污水处理系统的风机启停后溶解氧的响应曲线，确定低阶系统模型的阶次，所述低阶系统模型是采用预设监测指标来描述污水处理中生化过程的变化关系；
计算模块，用于基于低阶系统模型的阶次，通过深度神经网络使用所述工况数据对所述低阶系统模型的参数进行动态修正后输入至所述低阶系统模型计算曝气量；
所述系统辨识模块，还用于：
如果溶解氧的响应曲线为单调上升后稳定在某个值，则确定所述低阶系统模型的阶次为一阶，溶解氧与曝气量满足以下公式：
Figure FDA0003910079940000031
其中，DO(t)表示溶解氧，Gs(t)表示曝气量，KAS表示气体转化为水中溶解氧的扩散系数，C表示环境参数，C和KAS是随时间t变化的；
如果溶解氧的响应曲线出现振荡，则确定所述低阶系统模型的阶次为二阶，溶解氧与曝气量满足以下公式：
Figure FDA0003910079940000032
其中，DO(t)表示溶解氧，Gs(t)表示曝气量，参数KAS表示气体转化为水中溶解氧的扩散系数，C1和C2表示环境参数，C1、C2和KAS是随时间t变化的。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述的曝气控制方法的步骤。
8.一种非暂态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如权利要求1至5任一项所述的曝气控制方法的步骤。
CN202110437106.8A 2021-04-22 2021-04-22 一种曝气控制方法及装置 Active CN113325702B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110437106.8A CN113325702B (zh) 2021-04-22 2021-04-22 一种曝气控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110437106.8A CN113325702B (zh) 2021-04-22 2021-04-22 一种曝气控制方法及装置

Publications (2)

Publication Number Publication Date
CN113325702A CN113325702A (zh) 2021-08-31
CN113325702B true CN113325702B (zh) 2023-06-09

Family

ID=77415029

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110437106.8A Active CN113325702B (zh) 2021-04-22 2021-04-22 一种曝气控制方法及装置

Country Status (1)

Country Link
CN (1) CN113325702B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114249437B (zh) * 2021-12-21 2023-09-29 北控(秦皇岛)水务有限责任公司 一种应用于污水处理的控制方法和装置
CN115793471B (zh) * 2023-02-10 2023-05-12 森海环保集团有限公司 一种基于污水处理监测的可调式控制方法及系统
CN116863465B (zh) * 2023-09-01 2023-12-12 四川省每文环保科技有限公司 一种污水智能运行监测系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4509579B2 (ja) * 2004-01-13 2010-07-21 株式会社東芝 下水処理場の曝気風量制御装置
CN101625353B (zh) * 2009-03-06 2013-01-23 北京工商大学 污水处理出水水质软测量方法及在线智能检测仪表
CN101694586A (zh) * 2009-10-20 2010-04-14 华南理工大学 基于混沌优化的支持向量机预测污水处理节能控制系统
CN102122134A (zh) * 2011-02-14 2011-07-13 华南理工大学 基于模糊神经网络的溶解氧控制的废水处理方法及系统
CN106227042A (zh) * 2016-08-31 2016-12-14 马占久 基于模糊神经网络的溶解氧控制方法
CN107358021B (zh) * 2017-06-01 2020-07-28 华南理工大学 一种基于优化bp神经网络的do预测模型建立方法
CN110577275B (zh) * 2019-08-30 2022-03-29 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

Also Published As

Publication number Publication date
CN113325702A (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
CN113325702B (zh) 一种曝气控制方法及装置
Newhart et al. Data-driven performance analyses of wastewater treatment plants: A review
JP4401638B2 (ja) 神経回路網及び誤差逆伝播法による下排水処理人工知能制御システム及び方法
Regmi et al. The future of WRRF modelling–outlook and challenges
AU2021101438A4 (en) Adaptive control method and system for aeration process
Hong et al. Monitoring of sequencing batch reactor for nitrogen and phosphorus removal using neural networks
CN104360035B (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
JP5143003B2 (ja) 脱窒プロセス及び脱窒装置
Ingildsen et al. Dissolved oxygen controller based on on-line measurements of ammonium combining feed-forward and feedback
US20190359510A1 (en) Cooperative optimal control method and system for wastewater treatment process
CN104090488B (zh) 污水厂自动实时控制溶解氧、污泥负荷和污泥龄的方法
CN115470702B (zh) 一种基于机器学习的污水处理水质预测方法及系统
CN110320335B (zh) 一种关于污水处理出水水质指标的多元鲁棒软测量方法
CN111320246A (zh) 一种基于多变量控制的混凝剂智能精确投加控制系统
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
CN112759063A (zh) 一种预臭氧投加控制方法及其控制系统
CN114386579A (zh) 一种基于多任务学习的污水处理水质监测自动控制方法
JP4557912B2 (ja) プロセス制御システム
CN115754207A (zh) 一种污水生物处理工艺模拟仿真方法和系统
Baeza et al. In-line fast OUR (oxygen uptake rate) measurements for monitoring and control of WWTP
JP6655975B2 (ja) 曝気制御装置及び曝気制御方法
KR20060092660A (ko) 퍼지제어를 이용한 하·폐수 처리장의 자동제어장치 및 방법
CN117113719A (zh) 一种污水处理仿真建模系统搭建方法
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
CN116029612A (zh) 一种基于深度学习的城镇污水厂外加碳源精准控制方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230308

Address after: Room 1701, 17th floor, building 1, No. 6, Xinyuan South Road, Chaoyang District, Beijing 100027

Applicant after: CITIC cloud Network Co.,Ltd.

Applicant after: China CITIC Group Co.,Ltd.

Address before: Room 1701, 17th floor, building 1, No. 6, Xinyuan South Road, Chaoyang District, Beijing 100027

Applicant before: CITIC cloud Network Co.,Ltd.

GR01 Patent grant
GR01 Patent grant