CN113428976A - 一种biocos生物池工艺智能控制方法 - Google Patents

一种biocos生物池工艺智能控制方法 Download PDF

Info

Publication number
CN113428976A
CN113428976A CN202110818224.3A CN202110818224A CN113428976A CN 113428976 A CN113428976 A CN 113428976A CN 202110818224 A CN202110818224 A CN 202110818224A CN 113428976 A CN113428976 A CN 113428976A
Authority
CN
China
Prior art keywords
pool
model
tank
biocos
parameters
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
CN202110818224.3A
Other languages
English (en)
Inventor
施宇震
赵晓娅
关清卿
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202110818224.3A priority Critical patent/CN113428976A/zh
Publication of CN113428976A publication Critical patent/CN113428976A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F3/00—Biological treatment of water, waste water, or sewage
    • C02F3/02—Aerobic processes
    • C02F3/12—Activated sludge processes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/005—Processes using a programmable logic controller [PLC]
    • 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
    • C02F2209/08—Chemical Oxygen Demand [COD]; Biological Oxygen Demand [BOD]
    • 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
    • C02F2209/10—Solids, e.g. total solids [TS], total suspended solids [TSS] or volatile solids [VS]
    • 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
    • C02F2209/14—NH3-N
    • 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
    • C02F2209/16—Total nitrogen (tkN-N)
    • 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
    • C02F2209/18—PO4-P
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Microbiology (AREA)
  • Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Environmental & Geological Engineering (AREA)
  • Hydrology & Water Resources (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Water Supply & Treatment (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Activated Sludge Processes (AREA)
  • Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)

Abstract

本发明属于污水处理技术领域，具体涉及一种BIOCOS生物池工艺智能控制方法，包括以下步骤：设置输入参数；根据所述输入参数、ASM3数学模型及物质数量模型的建模原则建立BIOCOS生物池工艺模型；对模型进行稳态模拟，校正模型参数；深度学习自适应优化，更高级筛选目标控制参数；输出最优控制参数，PLC接收数据执行。本发明可以为污水处理厂智能化控制系统改造及优化提供技术指导，实现更高的污水处理效率，降低污水厂的运行能耗，节约运行成本。

Description

一种BIOCOS生物池工艺智能控制方法
技术领域
本发明属于污水处理技术领域，具体涉及一种BIOCOS生物池工艺智能控制方法。
背景技术
近年来，污水处理的理论研究和处理工艺日趋成熟，但在污水处理过程中的优化控制技术还需更进一步地完善。活性污泥法具有优良的污水处理性能，但在工艺设计和运行等方面却主要采用经验或半经验的方法，使得污水处理厂缺乏科学合理的管理和控制，增加了资源的消耗，提高了污水处理的成本。
BIOCOS工艺叫做生物联合系统，即Biological Combined System，可以被看作是在活性污泥法基础上的继续研发，主要区别是二沉池的应用和污泥的回流方法。ASM3数学模型自研发以来不断应用于控制和仿真实验，对工艺设计和运行过程中出现的问题提供了强有力的解决办法。将二者进行耦合，并引入智能控制的概念形成一种智能控制方法，结合精密的在线检测仪器，用于污水处理厂的仿真模拟。该方法不仅可以提前预判尚未发生的工况并提前计算出控制信号，调整模型运行，实现真正意义上的前馈控制，而且能够结合深度学习分析虚拟运行结果，对目标值进行筛选和优化，获得最优值。
综上，该BIOCOS生物池工艺智能控制方法可以提高污水处理系统的智能化控制水平，为其他污水处理厂的优化改造提供技术参考。
发明内容
本发明的目的在于提供一种BIOCOS生物池工艺智能控制方法，该方法可通过软件实现。所述BIOCOS生物池工艺智能控制方法的建模步骤如下：
步骤1：设置输入参数；
步骤2：根据所述输入参数、ASM3数学模型及物质数量模型的建模原则建立BIOCOS生物池工艺模型。所述BIOCOS生物池工艺模型包括P池工艺模型、B池工艺模型、SU池工艺模型；
步骤3：对模型进行稳态模拟，并利用灵敏度分析法在原参数值的基础上逐个调整固定百分数，校正模型参数，使得模型模拟结果与污水处理厂的实际运行结果相吻合；
步骤4：模拟调整B池DO浓度及P池和B池的污泥回流比两个工艺运行参数的出水水质，在出水水质满足排放要求的前提下进行深度学习自适应优化，更高级筛选目标控制参数；
步骤5：输出最优控制参数，PLC接收数据执行。
优选地，步骤1所述的输入参数包括进水流量、污泥回流量、构筑物体积和常规水质参数。其中，常规水质参数包括化学需氧量COD、五日生化需氧量BOD5、悬浮物SS、总氮TN、总磷TP、氨氮NH3—N、pH值；
优选地，将步骤1所述的常规水质参数按照物质组成的规则拆分为ASM3数学模型所需要的13种组分；
进一步地，步骤2所述物质数量模型的建模原则为：
Figure BDA0003171005670000021
式1中，V为反应器体积，单位为m3；ρj为组分j的质量浓度，单位为g/m3；qV,in为流入流量，单位为m3/d；qV,out为流出流量，单位为m3/d；rj,n为组分j在第n个反应中浓度变化速率。
所述P池(厌氧池)工艺模型包含的微分方程如下：
Figure BDA0003171005670000022
Figure BDA0003171005670000023
Figure BDA0003171005670000024
Figure BDA0003171005670000025
Figure BDA0003171005670000031
Figure BDA0003171005670000032
Figure BDA0003171005670000033
Figure BDA0003171005670000034
Figure BDA0003171005670000035
Figure BDA0003171005670000036
Figure BDA0003171005670000037
Figure BDA0003171005670000038
Figure BDA0003171005670000039
Figure BDA00031710056700000310
所述B池(好氧缺氧交替进行)工艺模型包含的微分方程如下：缺氧部分：
Figure BDA00031710056700000311
Figure BDA0003171005670000041
Figure BDA0003171005670000042
Figure BDA0003171005670000043
Figure BDA0003171005670000044
Figure BDA0003171005670000045
Figure BDA0003171005670000046
Figure BDA0003171005670000047
Figure BDA0003171005670000048
Figure BDA0003171005670000049
Figure BDA00031710056700000410
Figure BDA00031710056700000411
Figure BDA00031710056700000412
Figure BDA00031710056700000413
Figure BDA0003171005670000051
好氧部分：
Figure BDA0003171005670000052
Figure BDA0003171005670000053
Figure BDA0003171005670000054
Figure BDA0003171005670000055
Figure BDA0003171005670000056
Figure BDA0003171005670000057
Figure BDA0003171005670000058
Figure BDA0003171005670000059
Figure BDA00031710056700000510
Figure BDA00031710056700000511
Figure BDA0003171005670000061
Figure BDA0003171005670000062
Figure BDA0003171005670000063
所述SU池(不发生生化反应，SU1池和SU2池交替运行)工艺模型包含的微分方程如下：
Figure BDA0003171005670000064
Figure BDA0003171005670000065
Figure BDA0003171005670000066
Figure BDA0003171005670000067
Figure BDA0003171005670000068
Figure BDA0003171005670000069
Figure BDA00031710056700000610
Figure BDA00031710056700000611
Figure BDA00031710056700000612
Figure BDA00031710056700000613
Figure BDA00031710056700000614
Figure BDA0003171005670000071
Figure BDA0003171005670000072
公式2-53中，qV，r1、qV，r2表示SU池的污泥回流量，q1为P池出水量，q2为B池出水量，qw为废弃污泥量，其中q1＝qV，in+qV，r1，q2＝q1+qV，r2，qV，out＝q2-qV，r1-qV，r2-qw，V1为P池的容积，V2为B池的容积，V3为SU1池或SU2池容积，t为反应时间，KLa为氧传质系数，SO、SI、SS、
Figure BDA0003171005670000073
Figure BDA0003171005670000074
SALK均为溶解性组分，SO、SI、SS、
Figure BDA0003171005670000075
SALK分别表示溶解氧、惰性有机碳、易降解有机碳、铵加氨氮、氮气、硝酸盐氮加亚硝酸盐氮、污水碱度。XI、XS、XH、XSTO、XA、XSS均为颗粒性组分，XI、XS、XH、XSTO、XA、XSS分别表示颗粒惰性有机碳、缓慢降解有机碳、异养菌、异养菌的胞内贮存产物、自养菌、悬浮固体。下标逗号后的1、2、3分别代表P池、B池、SU1池或SU2池，组分下标SU表示该组分来自SU1池或SU2池。式中动力学参数和化学计量系数暂时采用国际水协(IWA)颁布的20℃默认的典型值。
优选地，上述微分方程中的过程速率ρ1......ρ13采用国际水协(IWA)颁布的关于ASM3的系数表。
进一步地，除ASM3数学模型外SU池还包括沉淀过程数学模型。SU池的固液分离模块假设为一个10层无生化反应的单元，从底部到顶部第三层设为进水层。
由重力引起的固相流为其中vs为沉降速度，Xsc是总污泥密度，沉降速度公式为：
Figure BDA0003171005670000076
其中Xmin＝fnsXf，Xf为从生化反应池来的总固体浓度。v′0为最大沉降速度，单位为m/d；v0为最大Vesilind沉降速度，单位为m/d；rh为阻碍区沉降系数，单位为m3/(g SS)；rp为絮凝区沉降系数，单位为m3/(g SS)；fns为不易沉降率，单位为无量纲。
向上流速vup和向下流速vdn可以由下式表示：
Figure BDA0003171005670000081
Figure BDA0003171005670000082
污泥的质量守恒可写为：
对于近水层(m＝3)
Figure BDA0003171005670000083
对于底层与进水层之间(m＝2)
Figure BDA0003171005670000084
对于底层(m＝1)
Figure BDA0003171005670000085
对于进水层和顶层之间的中间层(m＝4到m＝10)
Figure BDA0003171005670000086
Figure BDA0003171005670000087
对于顶层(m＝10)
Figure BDA0003171005670000088
Figure BDA0003171005670000089
其中Xt为阈浓度。
优选地，将上述的各池的ASM3数学模型和SU池沉淀过程模型首先由C语言编写，再转化为软件可调用的函数用于模拟P池、B池和SU池。
优选地，在模型进行稳态模拟之前，先对动力学参数和化学计量数进行赋值。而大多数参数与温度有关，故在输入参数前需对温度进行校正。
k(T)＝k(20)exp[θT(T-20)]
Figure BDA0003171005670000091
式中，k(20)表示20℃时ASM中定义的动力学或计量学参数；θT表示此动力学或计量学参数对应的温度系数；T表示计算条件下的反应器温度；k(T)表示计算温度下的动力学或计量学参数。
优选地，步骤3所选取的灵敏度分析方法为莫尔斯分类筛选法。
莫尔斯分类筛选法是目前应用比较广泛的灵敏度分析方法。采用自变量固定步长变化见下式：
Figure BDA0003171005670000092
式中S为某一输出值的摩尔斯系数；Yi为模型第i次运行输出值；Yi+1为模型第i+1次运行输出值；Y0代表初始参数模型计算结果；Pi为第i次模型运算参数值相对于初始参数值的变化百分率；Pi+1为第i+1次模型运算参数值相对于初始参数值的变化百分率；n为模型运行次数也就是改变步长的次数。
优选地，步骤3所述固定百分数为10％。
优选地，步骤3中模型整体运行时间16秒，每秒对应的实际天数为1天。
优化地，所述的出水水质排放要求参照《城镇污水处理厂污染物排放标准》(GB18918-2002)中一级A标准。
本发明的有益效果为：
本发明结合了ASM3模型的原理，建立了BIOCOS工艺的数学模型智能控制系统，通过深度学习自适应优化曝气量、回流比等运行参数及控制信号，在满足出水指标前提下，选取能耗最低的最优参数值，降低水厂的工艺运行成本。
附图说明
图1为本发明实施例中BIOCOS生物池工艺模型建立方法流程示意图；
图2为溶解氧自适应逻辑控制图；
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明白，下面将结合附图对其进行详细描述。但是，本发明的保护范围不局限于所述实施例。
参见图1，本实施例提供了一种BIOCOS生物池工艺智能控制方法，建模步骤如下：
步骤1：设置输入参数；
具体地，本步骤所述的输入参数包括进水流量、污泥回流量、构筑物体积和常规水质参数；
具体地，将上述的常规水质参数，即化学需氧量COD、五日生化需氧量BOD5、悬浮物SS、总氮TN、总磷TP、氨氮NH3—N，按照物质组成的规则拆分为ASM3数学模型所需要的13种组分；
步骤2：根据所述输入参数、ASM3数学模型及物质数量模型的建模原则建立BIOCOS生物池工艺模型。所述BIOCOS生物池工艺模型包括P池工艺模型、B池工艺模型、SU池工艺模型；
具体地，所述物质数量模型的建模原则为：
Figure BDA0003171005670000101
式1中，V为反应器体积，单位为m3；ρj为组分j的质量浓度，单位为g/m3；qV,in为流入流量，单位为m3/d；qV,out为流出流量，单位为m3/d；rj,n为组分j在第n个反应中浓度变化速率。
该实施例中采用的模型是国际水协(IWA)颁布的ASM3数学模型，包含13种组分，12个子过程、6个化学计量参数和21个动力学参数。
所述P池(厌氧池)工艺模型包含的微分方程如下：
Figure BDA0003171005670000111
Figure BDA0003171005670000112
Figure BDA0003171005670000113
Figure BDA0003171005670000114
Figure BDA0003171005670000115
Figure BDA0003171005670000116
Figure BDA0003171005670000117
Figure BDA0003171005670000118
Figure BDA0003171005670000119
Figure BDA00031710056700001110
Figure BDA00031710056700001111
Figure BDA00031710056700001112
Figure BDA0003171005670000121
所述B池(好氧缺氧交替进行)工艺模型包含的微分方程如下：缺氧部分：
Figure BDA0003171005670000122
Figure BDA0003171005670000123
Figure BDA0003171005670000124
Figure BDA0003171005670000125
Figure BDA0003171005670000126
Figure BDA0003171005670000127
Figure BDA0003171005670000128
Figure BDA0003171005670000129
Figure BDA00031710056700001210
Figure BDA0003171005670000131
Figure BDA0003171005670000132
Figure BDA0003171005670000133
Figure BDA0003171005670000134
好氧部分：
Figure BDA0003171005670000135
Figure BDA0003171005670000136
Figure BDA0003171005670000137
Figure BDA0003171005670000138
Figure BDA0003171005670000139
Figure BDA00031710056700001310
Figure BDA00031710056700001311
Figure BDA0003171005670000141
Figure BDA0003171005670000142
Figure BDA0003171005670000143
Figure BDA0003171005670000144
Figure BDA0003171005670000145
Figure BDA0003171005670000146
Figure BDA0003171005670000147
所述SU池(不发生生化反应，SU1池和SU2池交替运行)工艺模型包含的微分方程如下：
Figure BDA0003171005670000148
Figure BDA0003171005670000149
Figure BDA00031710056700001410
Figure BDA00031710056700001411
Figure BDA00031710056700001412
Figure BDA00031710056700001413
Figure BDA00031710056700001414
Figure BDA0003171005670000151
Figure BDA0003171005670000152
Figure BDA0003171005670000153
Figure BDA0003171005670000154
Figure BDA0003171005670000155
Figure BDA0003171005670000156
公式2-53中，qV，r1、qV，r2表示SU池的污泥回流量，q1为P池出水量，q2为B池出水量，qw为废弃污泥量，其中q1＝qV，in+qV，r1，q2＝q1+qV，r2，qV，out＝q2-qV，r1-qV，r2-qw，V1为P池的容积，V2为B池的容积，V3为SU1池或SU2池容积，t为反应时间，KLa为氧传质系数，SO、SI、SS、
Figure BDA0003171005670000157
Figure BDA0003171005670000158
SALK均为溶解性组分，SO、SI、SS、
Figure BDA0003171005670000159
SALK分别表示溶解氧、惰性有机碳、易降解有机碳、铵加氨氮、氮气、硝酸盐氮加亚硝酸盐氮、污水碱度。XI、XS、XH、XSTO、XA、XSS均为颗粒性组分，XI、XS、XH、XSTO、XA、XSS分别表示颗粒惰性有机碳、缓慢降解有机碳、异养菌、异养菌的胞内贮存产物、自养菌、悬浮固体。下标逗号后的1、2、3分别代表P池、B池、SU1池或SU2池，组分下标SU表示该组分来自SU1池或SU2池。式中动力学参数和化学计量系数暂时采用国际水协(IWA)颁布的20℃默认的典型值。
具体地，上述微分方程中的过程速率ρ1......ρ13采用国际水协(IWA)颁布的关于ASM3的系数表。
进一步地，除ASM3数学模型外SU池还包括沉淀过程数学模型。SU池的固液分离模块假设为一个10层无生化反应的单元，从底部到顶部第三层设为进水层。
由重力引起的固相流为其中vs为沉降速度，Xsc是总污泥密度，沉降速度公式为：
Figure BDA0003171005670000161
其中Xmin＝fnsXf，Xf为从生化反应池来的总固体浓度。v′0为最大沉降速度，单位为m/d；v0为最大Vesilind沉降速度，单位为m/d；rh为阻碍区沉降系数，单位为m3/(g SS)；rp为絮凝区沉降系数，单位为m3/(g SS)；fns为不易沉降率，单位为无量纲。
向上流速vup和向下流速vdn可以由下式表示：
Figure BDA0003171005670000162
Figure BDA0003171005670000163
污泥的质量守恒可写为：
对于近水层(m＝3)
Figure BDA0003171005670000164
对于底层与进水层之间(m＝2)
Figure BDA0003171005670000165
对于底层(m＝1)
Figure BDA0003171005670000166
对于进水层和顶层之间的中间层(m＝4到m＝10)
Figure BDA0003171005670000167
Figure BDA0003171005670000168
对于顶层(m＝10)
Figure BDA0003171005670000169
Figure BDA0003171005670000171
其中Xt为阈浓度。
具体地，将上述的各池的ASM3数学模型和SU池沉淀过程模型首先由C语言编写，再转化为软件可调用的函数用于模拟P池、B池和SU池。
其中，ASM3数学模型还包括限制条件：ASM3不适用于工业废水主导污水特性的情形；基于的温度范围为8-23℃；不能使用该模型模拟厌氧区容积≧50％的反应器；基于的pH范围为6.5-7.5；不能处理亚硝酸盐浓度升高的情况；不适用于超高负荷或泥龄SRT小(<1d)的活性污泥系统；ASM3提出了模型结构，但未提出模型参数的绝对值，故在应用时要根据实际情况确定参数和相应的污水特性值。以上限制条件也明确了该BIOCOS生物池工艺控制方法的应用范围。
步骤3：对模型进行稳态模拟，并利用灵敏度分析法在原参数值的基础上逐个调整固定百分数，校正模型参数，使得模型模拟结果与污水处理厂的实际运行结果相吻合；
在模型进行稳态模拟之前，先对动力学参数和化学计量数进行赋值。而大多数参数与温度有关，故在输入参数前需对温度进行校正。
k(T)＝k(20)exp[θT(T-20)]
Figure BDA0003171005670000172
式中，k(20)表示20℃时ASM中定义的动力学或计量学参数；θT表示此动力学或计量学参数对应的温度系数；T表示计算条件下的反应器温度；k(T)表示计算温度下的动力学或计量学参数。
具体地，步骤3所选取的灵敏度分析方法为莫尔斯分类筛选法。
莫尔斯分类筛选法是目前应用比较广泛的灵敏度分析方法。采用自变量固定步长变化见下式：
Figure BDA0003171005670000173
式中S为某一输出值的摩尔斯系数；Yi为模型第i次运行输出值；Yi+1为模型第i+1次运行输出值；Y0代表初始参数模型计算结果；Pi为第i次模型运算参数值相对于初始参数值的变化百分率；Pi+1为第i+1次模型运算参数值相对于初始参数值的变化百分率；n为模型运行次数也就是改变步长的次数。
步骤5：模拟调整B池DO浓度及P池和B池的污泥回流比两个工艺运行参数的出水水质，在出水水质满足排放要求的前提下进行深度学习自适应优化，更高级筛选目标控制参数；
具体地，参见图2表示的内容即以溶解氧为例的自适应控制逻辑图。
溶解氧的控制方法是通过溶解氧的控制程序实现的。该程序主要是通过进水参数及出水水质要求计算出理想反应需氧量，以该需氧量为参考值。通过数学模型的计算，计算出各个单元的溶氧浓度，与参考值进行比较并计算出达到出水要求的最优需氧量，将需氧量换算成需风量，输出到自控系统的数据库平台，指导溶氧控制。
回流比的控制也编辑了相应的控制程序。首先在当下进水参数以及设计回流比条件下，收集由数学模型计算出P池及B池的MLSS、氨氮、硝氮的浓度等参数，以这些参数为初值，达到出水水质要求最小回流比为目标函数，计算优化回流比。
最优的溶解氧和回流比在实际运行过程中不断地被记忆保留、计算、覆盖，最终得到最优化的控制参数。
步骤6：输出最优控制参数，PLC接收数据执行。
具体地，所述的出水水质排放要求参照《城镇污水处理厂污染物排放标准》(GB18918-2002)中一级A标准。
根据某污水处理厂提升改造的实际情况，取生物池进水日平均流量qV,in为15万m3/d、生物池进水测量的常规水质参数(化学需氧量COD、五日生化需氧量BOD5、悬浮物SS、总氮TN、总磷TP、氨氮NH3—N)、P池总池容V1＝6007.8m3、B池总池容V2＝51109.9m3、SU池总池容433396.0m3、污泥回流比100％-200％、BIOCOS工艺的单池运行周期为2.5h(SU回流阶段9.0min、SU混合阶段6.0min、SU沉淀阶段60.0min、SU排水阶段75.0min)。ASM3号模型的过程速率方程参照国际水协(IWA)颁布的具体内容。将ASM3数学模型和SU池沉淀模型首先用C语言编写，再转化为软件可调用的函数，用于模拟P池、B池和SU池。模型整体运行时间16秒，每秒对应的实际天数为1天。然后对整体的BIOCOS数学模型进行稳态模拟，同时对模型的参数进行灵敏度分析，将其中影响较大的参数进行校正。再经过深度学习自适应优化，更高级筛选B池最优DO值及P池和B池的最佳污泥回流比，最后得到仿真结果。通过优化运行，对比改造前后雨季日最大处理水量可知，该污水处理厂改造后的BIOCOS工艺比原ICEAS工艺处理雨季水量增加了5万m3。同时，吨水耗电量节省显著，在雨季和旱季分别节省电量70.27万kw·h和34.94万kw·h，极大地降低了能耗。
需要说明的是，以上所述实施例仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种BIOCOS生物池工艺智能控制方法，其特征在于，包括以下步骤：
步骤1：设置输入参数；
步骤2：根据所述输入参数、ASM3数学模型及物质数量模型的建模原则建立BIOCOS生物池工艺模型；所述BIOCOS生物池工艺模型包括P池工艺模型、B池工艺模型、SU池工艺模型；
步骤3：对模型进行稳态模拟，并利用灵敏度分析法在原参数值的基础上逐个调整固定百分数，校正模型参数，使得模型模拟结果与污水处理厂的实际运行结果相吻合；
步骤4：模拟调整B池DO浓度及P池和B池的污泥回流比两个工艺运行参数的出水水质，在出水水质满足排放要求的前提下进行深度学习自适应优化，更高级筛选目标控制参数；
步骤5：输出最优控制参数，PLC接收数据执行。
2.根据权利要求1所述的BIOCOS生物池工艺智能控制方法，其特征在于：步骤1所述的输入参数包括进水流量、污泥回流量、构筑物体积和常规水质参数；其中，常规水质参数包括化学需氧量COD、五日生化需氧量BOD5、悬浮物SS、总氮TN、总磷TP、氨氮NH3—N、pH值。
3.根据权利要求1所述的BIOCOS生物池工艺智能控制方法，其特征在于：将步骤1所述的常规水质参数按照物质组成的规则拆分为ASM3数学模型所需要的13种组分。
4.根据权利要求1所述的BIOCOS生物池工艺智能控制方法，其特征在于：步骤2所述物质数量模型的建模原则为：
Figure FDA0003171005660000011
式中，V为反应器体积，单位为m3；ρj为组分j的质量浓度，单位为g/m3；qV,in为流入流量，单位为m3/d；qV,out为流出流量，单位为m3/d；rj,n为组分j在第n个反应中浓度变化速率。
5.根据权利要求1所述的BIOCOS生物池工艺智能控制方法，其特征在于：步骤2所述P池(厌氧池)工艺模型包含以下微分方程：
Figure FDA0003171005660000012
Figure FDA0003171005660000021
Figure FDA0003171005660000022
Figure FDA0003171005660000023
Figure FDA0003171005660000024
Figure FDA0003171005660000025
Figure FDA0003171005660000026
Figure FDA0003171005660000027
Figure FDA0003171005660000028
Figure FDA0003171005660000029
Figure FDA00031710056600000210
Figure FDA00031710056600000211
Figure FDA00031710056600000212
上述各式中，qV，r1表示SU池的污泥回流量，q1为P池出水量，q1＝qV，in+qV，r1，V1为P池的容积，t为反应时间；SO、SI、SS、
Figure FDA00031710056600000213
SALK均为溶解性组分，SO、SI、SS、
Figure FDA00031710056600000214
SALK分别表示溶解氧、惰性有机碳、易降解有机碳、铵加氨氮、氮气、硝酸盐氮加亚硝酸盐氮、污水碱度；XI、XS、XH、XSTO、XA、XSS均为颗粒性组分，XI、XS、XH、XSTO、XA、XSS分别表示颗粒惰性有机碳、缓慢降解有机碳、异养菌、异养菌的胞内贮存产物、自养菌、悬浮固体；各组分下标逗号后的1代表P池，SU表示该组分来自SU1池或SU2池；式中动力学参数和化学计量系数采用国际水协(IWA)颁布的20℃默认的典型值。
6.根据权利要求1所述的一种BIOCOS生物池工艺智能控制方法，其特征在于：步骤2所述B池(好氧缺氧交替进行)工艺模型包含以下微分方程：
缺氧部分：
Figure FDA0003171005660000031
Figure FDA0003171005660000032
Figure FDA0003171005660000033
Figure FDA0003171005660000034
Figure FDA0003171005660000035
Figure FDA0003171005660000036
Figure FDA0003171005660000037
Figure FDA0003171005660000038
Figure FDA0003171005660000039
Figure FDA00031710056600000310
Figure FDA00031710056600000311
Figure FDA00031710056600000312
Figure FDA0003171005660000041
好氧部分：
Figure FDA0003171005660000042
Figure FDA0003171005660000043
Figure FDA0003171005660000044
Figure FDA0003171005660000045
Figure FDA0003171005660000046
Figure FDA0003171005660000047
Figure FDA0003171005660000048
Figure FDA0003171005660000049
Figure FDA00031710056600000410
Figure FDA00031710056600000411
Figure FDA00031710056600000412
Figure FDA00031710056600000413
Figure FDA00031710056600000414
上述各式中，qV，r2表示SU池的污泥回流量，q2为B池出水量，q2＝q1+qV，r2，V2为B池的容积，KLa为氧传质系数，各组分下标逗号后的2代表B池。
7.根据权利要求1所述的一种BIOCOS生物池工艺智能控制方法，其特征在于：步骤2所述SU池(不发生生化反应，SU1池和SU2池交替运行)工艺模型包含以下微分方程：
Figure FDA0003171005660000051
Figure FDA0003171005660000052
Figure FDA0003171005660000053
Figure FDA0003171005660000054
Figure FDA0003171005660000055
Figure FDA0003171005660000056
Figure FDA0003171005660000057
Figure FDA0003171005660000058
Figure FDA0003171005660000059
Figure FDA00031710056600000510
Figure FDA00031710056600000511
Figure FDA00031710056600000512
Figure FDA00031710056600000513
上述各式中，qw为废弃污泥量，qV，out＝q2-qV，r1-qV，r2-qw，V3为SU1池或SU2池容积，各组分下标逗号后的3代表SU1池或SU2池。
8.根据权利要求1所述的BIOCOS生物池工艺智能控制方法，其特征在于：步骤2中除ASM3数学模型外SU池还包括沉淀过程数学模型；SU池的固液分离模块假设为一个10层无生化反应的单元，从底部到顶部第三层设为进水层；
由重力引起的固相流为其中vs为沉降速度，Xsc是总污泥密度，沉降速度公式为：
Figure FDA0003171005660000061
其中Xmin＝fnsXf，Xf为从生化反应池来的总固体浓度。v′0为最大沉降速度，单位为m/d；v0为最大Vesilind沉降速度，单位为m/d；rh为阻碍区沉降系数，单位为m3/(g SS)；rp为絮凝区沉降系数，单位为m3/(g SS)；fns为不易沉降率，单位为无量纲。
向上流速vup和向下流速vdn可以由下式表示：
Figure FDA0003171005660000062
Figure FDA0003171005660000063
污泥的质量守恒可写为：
对于近水层(m＝3)
Figure FDA0003171005660000064
对于底层与进水层之间(m＝2)
Figure FDA0003171005660000065
对于底层(m＝1)
Figure FDA0003171005660000066
对于进水层和顶层之间的中间层(m＝4到m＝10)
Figure FDA0003171005660000067
Figure FDA0003171005660000068
对于顶层(m＝10)
Figure FDA0003171005660000071
Figure FDA0003171005660000072
其中Xt为阈浓度。
9.根据权利要求1所述的BIOCOS生物池工艺智能控制方法，其特征在于：将步骤2所述的各池的ASM3数学模型和SU池沉淀过程模型首先由C语言编写，再转化为软件可调用的函数用于模拟P池、B池和SU池。
10.根据权利要求1所述的BIOCOS生物池工艺智能控制方法，其特征在于：步骤3中，模型整体运行时间16秒，每秒对应的实际天数为1天。
CN202110818224.3A 2021-07-20 2021-07-20 一种biocos生物池工艺智能控制方法 Pending CN113428976A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110818224.3A CN113428976A (zh) 2021-07-20 2021-07-20 一种biocos生物池工艺智能控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110818224.3A CN113428976A (zh) 2021-07-20 2021-07-20 一种biocos生物池工艺智能控制方法

Publications (1)

Publication Number Publication Date
CN113428976A true CN113428976A (zh) 2021-09-24

Family

ID=77761096

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110818224.3A Pending CN113428976A (zh) 2021-07-20 2021-07-20 一种biocos生物池工艺智能控制方法

Country Status (1)

Country Link
CN (1) CN113428976A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113955854A (zh) * 2021-11-26 2022-01-21 昆明理工大学 一种氧化沟污水处理工艺建模及智能控制方法
CN113979541A (zh) * 2021-11-26 2022-01-28 昆明理工大学 一种a2o生物池工艺智能控制方法
CN114044568A (zh) * 2021-11-26 2022-02-15 昆明理工大学 一种基于biocos生物池工艺智能控制的数学模型辅助控制方法
CN114620843A (zh) * 2022-03-21 2022-06-14 中国城市建设研究院有限公司 一种推流曝气强化河道固定生物膜去除污染物的智慧系统
CN116935991A (zh) * 2023-06-07 2023-10-24 中原环保股份有限公司 一种用于污水处理厂生物处理的温室气体模拟方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000312894A (ja) * 1999-04-30 2000-11-14 Toshiba Corp 担体投入型下水処理プロセスのシミュレーション装置
JP2006021168A (ja) * 2004-07-09 2006-01-26 Mitsubishi Rayon Co Ltd 排水処理シミュレーションシステム
US20100187173A1 (en) * 2009-01-27 2010-07-29 Biochem Technology, Inc. Methods of providing an aerobic medium in a wastewater treatment bioreactor compartment and related systems
CN205294951U (zh) * 2015-12-02 2016-06-08 天津清华德人环境工程有限公司 组合式生物污水处理系统
CN105912824A (zh) * 2016-05-11 2016-08-31 深圳市开天源自动化工程有限公司 一种a2o生物池工艺建模方法
CN108217916A (zh) * 2017-12-18 2018-06-29 上海昊沧系统控制技术有限责任公司 一种连续流交替式污水处理工艺的两相循环模拟方法
US20200325050A1 (en) * 2017-12-06 2020-10-15 Kurt Ingerle Method and Device for Biological Waste Water Purification

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000312894A (ja) * 1999-04-30 2000-11-14 Toshiba Corp 担体投入型下水処理プロセスのシミュレーション装置
JP2006021168A (ja) * 2004-07-09 2006-01-26 Mitsubishi Rayon Co Ltd 排水処理シミュレーションシステム
US20100187173A1 (en) * 2009-01-27 2010-07-29 Biochem Technology, Inc. Methods of providing an aerobic medium in a wastewater treatment bioreactor compartment and related systems
CN205294951U (zh) * 2015-12-02 2016-06-08 天津清华德人环境工程有限公司 组合式生物污水处理系统
CN105912824A (zh) * 2016-05-11 2016-08-31 深圳市开天源自动化工程有限公司 一种a2o生物池工艺建模方法
US20200325050A1 (en) * 2017-12-06 2020-10-15 Kurt Ingerle Method and Device for Biological Waste Water Purification
CN108217916A (zh) * 2017-12-18 2018-06-29 上海昊沧系统控制技术有限责任公司 一种连续流交替式污水处理工艺的两相循环模拟方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李松良: "ASM3应用于城市污水处理厂的模拟预测研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113955854A (zh) * 2021-11-26 2022-01-21 昆明理工大学 一种氧化沟污水处理工艺建模及智能控制方法
CN113979541A (zh) * 2021-11-26 2022-01-28 昆明理工大学 一种a2o生物池工艺智能控制方法
CN114044568A (zh) * 2021-11-26 2022-02-15 昆明理工大学 一种基于biocos生物池工艺智能控制的数学模型辅助控制方法
CN113979541B (zh) * 2021-11-26 2023-11-03 昆明理工大学 一种a2o生物池工艺智能控制方法
CN114620843A (zh) * 2022-03-21 2022-06-14 中国城市建设研究院有限公司 一种推流曝气强化河道固定生物膜去除污染物的智慧系统
CN114620843B (zh) * 2022-03-21 2023-10-13 中国城市建设研究院有限公司 一种推流曝气强化河道固定生物膜去除污染物的智慧系统
CN116935991A (zh) * 2023-06-07 2023-10-24 中原环保股份有限公司 一种用于污水处理厂生物处理的温室气体模拟方法

Similar Documents

Publication Publication Date Title
CN113428976A (zh) 一种biocos生物池工艺智能控制方法
CN107381813B (zh) 污泥分段回流强化厌氧氨氧化脱氮工艺的装置及方法
CN108640276A (zh) 一种基于west模型的污水处理厂aao工艺优化运行方法
CN102690015B (zh) 动态多级缺氧/好氧污水处理方法
CN103792844B (zh) 一种基于有序聚类的污水处理控制方法
CN111398548A (zh) 一种基于植物作用的表面流湿地水体氮磷浓度预测方法
Seco et al. Plant-wide modelling in wastewater treatment: showcasing experiences using the Biological Nutrient Removal Model
Volcke et al. Coupling the SHARON process with Anammox: Model-based scenario analysis with focus on operating costs
Amerlinck Model refinements in view of wastewater treatment plant optimization: improving the balance in sub-model detail
Wałęga et al. Nitrogen and phosphorus removal from sewage in biofilter–activated sludge combined systems
Volcke et al. Plant-wide (BSM2) evaluation of reject water treatment with a SHARON-Anammox process
Simon-Várhelyi et al. Dairy wastewater processing and automatic control for waste recovery at the municipal wastewater treatment plant based on modelling investigations
El Shorbagy et al. Optimization of A2O BNR processes using ASM and EAWAG Bio-P models: model formulation
Henderson Energy reduction methods in the aeration process at Perth wastewater treatment plant
CN113979541B (zh) 一种a2o生物池工艺智能控制方法
Flores-Alsina et al. Benchmarking strategies to control GHG production and emissions
Fotso Development of a Dynamic Simulation Model for Equalization Tanks
CN220597239U (zh) 一种低碳源市政污水用高效脱氮系统
CN215161405U (zh) 一种污水脱氮除磷装置
CN116253446B (zh) 一种污水处理智能曝气设置方法
Kraetsch Nutrient Removal from Clarified Municipal Wastewater using Microalgae Raceway Ponds
Sochacki et al. Modelling and simulation of a municipal WWTP with limited operational data
Osipchuk Use of activated sludge process models. Application at small-scale wastewater treatment plant in Finland.
Shayan Shortcut Nitrogen Removal in Photo-Sequencing Batch Reactor, Experiments, Dynamic Model and Full-Scale Design
Klingstedt Modelling the COD Reducing Treatment Processes at Sjölunda WWTP

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210924

WD01 Invention patent application deemed withdrawn after publication