CN113479999A - 污水数据的处理方法、装置及计算机设备 - Google Patents

Abstract

本申请提供一种污水数据的处理方法、装置及计算机设备，方法包括：获取污水处理系统在目标时间段内的预测入水数据和缓存出水数据，预测入水数据基于预设的污水预测模型预测得到；实时监控污水处理系统在目标时间段内的实际入水数据；若实际入水数据与预测入水数据之间的差值在预设值范围内，则根据缓存规划出水数据，调节污水处理系统在目标时间段内的入水量，以达到“恒入水/恒出水”的效果。本实施例通过预先判断出污水处理系统在目标时间段内的水量，便于后续提前作出预判性措施，消除水量波峰和波谷，实现动态调节污水处理系统的缓存水量，提高控制精准度。

Description

污水数据的处理方法、装置及计算机设备

技术领域

本申请涉及污水处理技术领域，具体而言，涉及一种污水数据的处理方法、装置及计算机设备。

背景技术

活性污泥法是以活性污泥为主体的废水生物处理方法，该方法是在人工充氧条件下，将污水和各种微生物群体连续混合培养为有机污染物，然后将污泥与水分离，使大部分污泥再回流，最后将多余部分排出污水处理系统。当系统内的污水水量过大或过小以及水量波动过大时，均会对污水处理过程造成不利影响，为此需要控制污水处理系统的入水量和出水量。

目前，主要基于可编程逻辑控制器(Programmable Logic Controller，PLC)实现污水处理系统的水量控制。但是，一方面，PLC的处理器和内存的性能不佳，可编程能力弱，其只能实现简单的控制逻辑，例如只支持简单的“高液位时，启动水泵”和“低液位时，停止水泵”，无法实现精准控制；另一方面，污水处理系统的处理站/净化槽和泵站/泵井之间相对独立，无法实现联动控制。可见，目前的污水处理系统存在水量控制过于简单而加剧水量波动和冲击的问题。

发明内容

本申请实施例的目的在于提供一种污水数据的处理方法、装置及计算机设备，旨在解决当前污水处理系统的污水水量控制过于简单而加剧水量波动和冲击的问题。

第一方面，本申请实施例提供了一种污水数据的处理方法，包括：

获取污水处理系统在目标时间段内的预测入水数据和缓存规划出水数据，预测入水数据基于预设的污水预测模型预测得到；

实时监控污水处理系统在目标时间段内的实际入水数据；

若实际入水数据与预测入水数据之间的差值在预设值范围内，则根据缓存规划出水数据，调节污水处理系统在目标时间段内的出水量。

在本实施例中，通过预测污水处理系统在目标时间段内的预测入水数据和缓存规划出水数据，以预先判断出污水处理系统在目标时间段内的水量，便于后续提前作出预判性措施，提高污水水量控制的精准度；并实时监控污水处理系统在目标时间段内的实际入水数据，以实时监控水量波动情况；以及若实际入水数据与预测入水数据之间的差值在预设值范围内，则根据缓存规划出水数据，调节污水处理系统在目标时间段内的出水量，从而基于水量波动，实现动态调节污水处理系统的缓存水量，以及将泵井/泵站的空间也纳入到处理站的水量缓存，从而增加了处理站总体缓存和调度水量的能力，实现泵站/泵井与处理站/净化槽之间的联动控制，提高控制水量的能力和精准度，降低水量波动和冲击。

在一实施例中，获取污水处理系统在目标时间段内的预测入水数据和缓存规划出水数据，包括：

基于污水预测模型，预测污水处理系统在目标时间段内的预测入水数据；

根据预测入水数据，生成目标时间段内的缓存规划出水数据。

在本实施例中，将污水预测模型应用于本计算机设备，基于污水预测模型实现预测入水数据的预测，提高恒进水控制的精准度。

在一实施例中，基于污水预测模型，预测污水处理系统在目标时间段内的预测入水数据，包括：

获取待预测的目标时间段和影响参数，影响参数包括时间参数、温度参数和/或天气参数；

将目标时间段和影响参数输入到污水预测模型，预测得到污水处理系统在目标时间段内的预测入水数据。

在本实施例中，基于时间、温度和天气等因素，模拟污水处理系统在目标时间段内的入水数据，结合了时间、温度和天气等因素对污水水量的影响，提高预测入水数据的预测准确度，从而提高污水水量控制的精准度。

在一实施例中，根据预测入水数据，生成目标时间段内的缓存规划出水数据，包括：

获取污水处理系统的总体缓存空闲容量和已存水量；

基于总体缓存空闲容量和已存水量在目标时间段内满足预设水量条件时，根据预测入水数据，生成目标时间段内的缓存规划出水数据。

在本实施例中，根据污水处理系统的当前缓存空闲容量和已存水量，结合即将进入到污水处理系统的预测入水数据，在满足预设条件的情况下，生成缓存规划出水数据，从而保证污水处理系统恒进水和恒出水。

在一实施例中，基于污水预测模型，预测污水处理系统在目标时间段内的预测入水数据之前，还包括：

获取初始污水预测模型；

基于污水处理系统的实际入水数据和影响参数，实时更新初始污水预测模型的模型参数，得到污水预测模型。

在本实施例中，将预先构建和训练完成的初始污水预测模型移植到本计算机设备并应用于相关处理站，并通过本计算机设备获取到的实测数据，对初始污水预测模型进行模型参数的更新，以使污水预测模型适用于本计算机设备所应用的每个需要进行恒进水管控的处理站，提高预测入水数据的预测准确度，保证污水水量控制的精准度。

在一实施例中，若实际入水数据与预测入水数据之间的差值在预设值范围内，则根据缓存规划出水数据，调节污水处理系统在目标时间段内的出水量之后，还包括：

基于缓存规划出水数据，生成污水处理系统的曝气量、内循环量、碳源添加数据和/或除磷剂添加数据。

在本实施例中，通过缓存规划出水数据，生成污水处理系统在处理污水时的内部工艺参数，以便于调节污水处理系统的活性污泥的生存、吸附、消化和繁衍的环境，保证污水处理系统的生态平衡。

在一实施例中，缓存规划出水数据包括缓存出水量和缓存出水水质，基于缓存规划出水数据，生成污水处理系统的曝气量、内循环量、碳源添加数据和/或除磷剂添加数据，包括：

根据缓存出水量、缓存出水水质和温度，生成污水处理系统的曝气量；

根据缓存出水量和预设内循环比数据，生成污水处理系统的内循环量；

若缓存出水量和/或缓存出水水质符合第一预设条件，则生成污水处理系统的碳源添加数据；

若缓存出水量和/或缓存出水水质符合第二预设条件，则生成污水处理系统的除磷剂添加数据。

在本实施例中，基于缓存出水量、缓存出水水质和温度，生成污水处理系统的曝气量、内循环量、碳源添加数据和/或除磷剂添加数据，保证污水处理系统内部环境的生态平衡。

在一实施例中，实时监控污水处理系统在目标时间段内的实际入水数据之后，还包括：

若实际入水数据与预测入水数据之间的差值在预设值范围内，则根据差值，对缓存出水数据进行修正，得到新的缓存出水数据；

基于新的缓存出水数据，调节污水处理系统在目标时间段内的出水量。

在本实施例中，通过实际入水数据与预测入水数据之间的差值，修正预先规划的缓存规划出水数据，以使新的缓存规划出水数据更加适应于当前时刻下的出水情况，进一步保证污水处理系统达到“恒进水/恒出水”的效果。

第二方面，本申请实施例提供了一种污水数据的处理装置，包括：

获取模块，用于获取污水处理系统在目标时间段内的预测入水数据和缓存规划出水数据，预测入水数据基于预设的污水预测模型预测得到；

监控模块，用于实时监控污水处理系统在目标时间段内的实际入水数据；

调节模块，用于若实际入水数据与预测入水数据之间的差值在预设值范围内，则根据缓存规划出水数据，调节污水处理系统在目标时间段内的出水量。

第三方面，本申请实施例提供了一种计算机设备，包括存储器及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使计算机设备执行如第一方面的污水数据的处理方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时实现如第一方面的污水数据的处理方法。

需要说明的是，上述第二方面至第四方面的有益效果请参见第一方面的相关描述，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请实施例提供的污水数据的处理方法的流程示意图；

图2为本申请实施例提供的污水处理系统的污水处理工艺示意图；

图3为本申请实施例提供的污水数据的处理装置的结构示意图；

图4为本申请实施例提供的计算机设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

如相关技术记载，主要基于可编程逻辑控制器(Programmable LogicController，PLC)实现污水处理系统的水量控制。但是，一方面，PLC的处理器和内存的性能不佳，可编程能力弱，其只能实现简单的控制逻辑，例如只支持简单的“高液位时，启动水泵”和“低液位时，停止水泵”，无法实现精准控制；另一方面，污水处理系统的处理站/净化槽和泵站/泵井之间相对独立，无法实现联动控制，从而可能出现长期无水、短期水量过大或者水量波动过大的现象。

其中，长期无水时存在以下不利影响：导致食微比过低，有机负荷过小，出现微生物产生营养不足的情况，使得微生物处于内源代谢阶段，繁殖受到限制；过度曝气后，污泥过度自身氧化，引发污泥解体；沉淀池缺氧，微生物释放磷，造成出水磷指标上升；浪费电能。

短期水量过大时存在以下不利影响：部分污水的“水力停留时间”过短，处理效果不理想；曝气不够，溶解氧不足，不利于微生物繁殖；在短时间内大水量连续冲击，将活性污泥从工艺池冲出沉淀池。

水量波动过大时的不利影响：对微生物造成冲击，造成污泥膨胀问题。

针对上述现有技术中的问题，本申请提供了一种污水数据的处理方法，通过预测污水处理系统在目标时间段内的预测入水数据和缓存规划出水数据，以预先判断出污水处理系统在目标时间段内的水量，便于后续提前作出预判性措施，提高污水水量控制的精准度；并实时监控污水处理系统在目标时间段内的实际入水数据，以实时监控水量波动情况；以及若实际入水数据与预测入水数据之间的差值在预设值范围内，则根据缓存规划出水数据，调节污水处理系统在目标时间段内的出水量，从而基于水量波动，消除水量波峰和波谷，实现动态调节污水处理系统的缓存水量，以及将泵井/泵站的空间也纳入到处理站的水量缓存，从而增加了处理站总体缓存和调度水量的能力，实现泵站/泵井与处理站/净化槽之间的联动控制，提高控制水量的能力和精准度。

参见图1，图1示出了本申请实施例提供的一种污水数据的处理方法的实现流程图。本申请实施例中下述的污水数据的处理方法可应用于计算机设备，计算机设备包括但不限于平板电脑、桌上型计算机、超级计算机、物理服务器和云服务器等计算机设备。本申请实施例的污水数据的处理方法，包括步骤S101至S103，详述如下：

步骤S101，获取污水处理系统在目标时间段内的预测入水数据和缓存规划出水数据，预测入水数据基于预设的污水预测模型预测得到。

在本步骤中，污水处理系统为基于处理站(净化槽)、泵井和泵站等装置组成的对污水进行处理的系统。图2示出的污水处理系统的污水处理工艺示意图，泵井和泵站用于存储污水，由处理站进行工艺处理。可以理解，除图2示出的处理站、泵井和泵站之外，污水处理系统可以包括更多或更少的其他装置，以及图示的泵井、泵站和处理站可以有多个。目标时间段为未来时间段，例如未来1周内。预测入水数据为污水处理系统的预测入水数据，其包括但不限于入水量、入水水质和入水流速等。缓存规划出水数据为对缓存在泵站或泵井中的污水数据进行出水规划得到污水数据，以表征从泵站或泵井待进入到处理站的污水数据，即图2所示的虚线框中的泵井、泵站和调节池的污水，其可以通过提升泵抽出到处理站。

污水预测模型为人工智能模型，如逻辑回归模型或编码解码模型。通过对逻辑回归模型或编码解码模型进行训练，得到污水预测模型。可以理解的是，该模型的训练过程可以在本计算机设备上执行，也可以在其他计算机设备上训练完成后，将该模型的模型文件移植至本计算机设备。该模型的预测过程可以在本计算机设备上执行，也可以在其他计算机设备上执行后，将预测得到预测入水数据传输至本计算机设备。

可选地，由于进行污水处理的站点有多个，而不同站点的污水水量有所差异，因此对于移植至本计算机设备的污水预测模型，若该污水预测模型在训练过程时的训练集为本站点采集到的数据构建，则该污水预测模型可直接应用于本计算机设备。若该污水预测模型在训练过程时的训练集不为本站点采集到的数据构建，则获取初始污水预测模型，基于污水处理系统的实际入水数据和影响参数，实时更新初始污水预测模型的模型参数，得到污水预测模型。

需要说明的是，在一实施例中，对于一台计算机设备，其可以管控多个处理站站点，每个处理站都有单独的污水预测模型，即该计算机设备可以同时有多种污水预测模型。

初始污水预测模型为利用其他站点采集到的入水数据训练得到的污水预测模型，通过本站点的实际入水数据和影响参数，对初始污水预测模型进行模型参数的更新，使得污水预测模型能够更加适用于本站点，提高预测准确度。

可选地，利用实际入水数据和影响参数构建训练集，对逻辑回归模型进行训练，直至模型达到预设收敛条件，得到污水预测模型。预设收敛条件为表示模型训练完成的条件，例如损失函数得到的损失值(期望误差)小于预设损失阈值，则表示收敛。可以通俗理解为，损失值越小表示该模型提取到的特征向量越准确，这样才能根据提取到的特征向量得到最接近实际入水数据的预测入水数据。例如，将训练集中的影响参数输入到逻辑回归模型中进行处理，输出预测入水数据；计算该预测入水数据与训练集中实际入水数据之间的损失值，当该损失值大于或等于预设损失阈值时，调整逻辑回归模型中的模型参数，并返回执行将训练集中的影响参数输入到逻辑回归模型中进行处理，输出预测入水数据的步骤；当该损失值小于预设损失阈值时，表示逻辑回归模型训练完成，得到训练好的污水预测模型。

可选地，损失函数为交叉熵损失函数。影响参数包括但不限于时间、温度和天气，例如每小时入水量、气温范围、湿度、降雨量、降雪量、周末/工作日/节假日等。

示例性地，上述污水处理模型的训练过程所采用的训练数据为站点在当天采集到的实时数据(包括实际入水数据和影响参数)，训练过程可以包括初步学习、全面学习和调整优化。其中初步学习为采用当天的实时数据作为训练数据进行为期7～30天的训练，使模型初步学习到本站点的水量规律。全面学习为采用当天的实时数据作为训练数据对模型进行为期一年的训练，使模型完全学习到本站点的规律。调整优化为采用当天的实时数据作为训练数据对模型进行为期两年的训练，使得模型完全适应本站点的规律。可以理解的是，由于采用当天的实时数据作为训练数据，模型的训练期非常长，所以可以将与上述时间相当的历史实时数据导入模型进行训练，使模型学习到本站点在相同时间单位内的入水规律，从而缩短模型训练时间。

步骤S102，实时监控污水处理系统在目标时间段内的实际入水数据。

在本步骤中，实际入水数据包括但不限于每小时入水量、每天入水量、每分钟入水量等数据。可选地，通过液位计或流量计等工具测量污水处理系统的入水量，再计算单位时间内的实际入水数据。

步骤S103，若实际入水数据与预测入水数据之间的差值在预设值范围内，则根据缓存规划出水数据，调节污水处理系统在目标时间段内的出水量。

在本步骤中，实际入水数据与预测入水数据之间的差值在预设值范围内时，说明实际入水量与预测的理论入水量相差较小，水量波动较小。所以可以根据预设规划的缓存规划出水数据调节实时出水量。需要说明的是，本实施例的实际入水数据与预测入水数据的对比，可以是分钟级的实时对比，即对比当前时刻1分钟内实际入水数据与预测入水数据之间的差值，以实现根据水量波动，实时调节出水量。

进一步地，若实际入水数据与预测入水数据之间的差值不在预设值范围内，说明水量波动过大，所以可以根据两者之间的差值修正缓存规划出水数据，以使污水处理系统达到恒进水和恒出水。例如，实际入水数据比预测入水数据多100立方米，为了使水位平衡，则相应的缓存规划出水数据需要多出水100立方米，避免溢水问题和降低连续无水的风险。

需要说明的是，对于农村污水处理，其具有以下特点：站点多、面广和单体规模小：一个处理站每天需要处理的污水水量为1～200吨，多数情况为10～20吨；1个县具有800～1600个站点，分布在数百个自然村；情况多种多样：包括管网可能会收取雨水、可能接入水质好的工厂(石材厂)、可能接入水质极差的水源、每日/每时的水量不固定/差异变化大；建设成本低、监控手段少：一般配置：视频监控、流量计、液位计/浮球、电量表、水泵/气泵工作监视/远程控制。

本申请能够应用于农村污水处理，对于每个站点均配置一个污水预测模型，并利用该站点的实际入水数据和影响参数不断对模型进行更新，使得污水预测模型适用于该站点。同时基于预测入水数据，规划处理站的缓存规划出水数据，并实时监控实际入水数据，对比实际入水数据与预测入水数据之间的差异，基于两者的差异，利用缓存规划出水数据，调节出水，以更加适用于农村污水处理过程中水量变化大的情况，提高水量控制效果。

在一实施例中，在上述图1所示实施例的基础上，利用污水预测模型，预测污水处理系统在目标时间段内的预测入水数据；根据预测入水数据，生成目标时间段内的缓存规划出水数据。

可选地，根据预测入水数据，生成目标时间段内的缓存规划出水数据，包括：获取污水处理系统的总体缓存空闲容量和已存水量；基于总体缓存空闲容量和已存水量在目标时间段内满足预设水量条件时，根据预测入水数据，生成目标时间段内的缓存规划出水数据。

如图2所示，虚线方框为总体缓存水量，包括泵井、泵站和调节池的水量，通过液位计读取各个容器内的水位，则可以得到污水处理系统的总体缓存空闲容量和已存水量。

预设水量条件可以是目标时间段内的已存水量大于第一预设值，以及总体缓存空闲容量大于第二预设值。其中已存水量大于第一预设值，则可以保证在污水处理系统在目标时间段有水进入到净化槽进行工艺处理，保证净化槽内的水量平衡，降低长期无水的风险。总体缓存空闲容量大于第二预设值，则可以保证缓存水量不会溢出，从而避免净化槽内的水量被迫上升而溢出，保证净化槽的水量平衡。

可选地，对于只有单个缓存空间的污水处理系统，可以优先将污水存入处理站的调节池(一级缓存)，其次存入泵井或泵站的调节池(二级缓存)。

可选地，获取待预测的目标时间段和影响参数，影响参数包括时间参数、温度参数和/或天气参数；将目标时间段和影响参数输入到污水预测模型，预测得到污水处理系统在目标时间段内的预测入水数据。

其中，污水预测模型的模型输入为目标时间段和影响参数，模型输出为目标时间段内的日水量和每小时入水量等预测入水数据。可选地，时间参数包括但不限于时间序列、周末/工作日/节假日，温度参数包括但不限于最高气温、最低气温和气温范围，天气参数包括但不限于湿度、降雨量和降雪量。

在一实施例中，在图1所示实施例的基础上，上述步骤S103之后还包括：基于缓存规划出水数据，生成污水处理系统的曝气量、内循环量、碳源添加数据和/或除磷剂添加数据。

曝气量为处理站内微生物产生的气体含量和人工充氧的氧气含量的气体总和；内循环量为处理站内的循环水的水量；碳源添加数据为表示是否添加碳源的阈值，例如1表示需要添加碳源，0表示不需要添加碳源；除磷剂添加数据为表示是否添加除磷剂的阈值，例如1表示需要添加除磷剂，0表示不需要添加除磷剂。

本实施例通过缓存规划出水数据，生成污水处理系统在处理污水时的内部环境参数，以便于调节污水处理系统的内部环境，保证污水处理系统的生态平衡。

可选地，缓存规划出水数据包括缓存出水量和缓存出水水质，则根据缓存出水量、缓存出水水质和温度数据，生成污水处理系统的曝气量；根据缓存出水量和预设内循环比数据，生成污水处理系统的内循环量；若缓存出水量和/或缓存出水水质符合第一预设条件，则生成污水处理系统的碳源添加数据；若缓存出水量和/或缓存出水水质符合第二预设条件，则生成污水处理系统的除磷剂(PAC)添加数据。

根据缓存出水水质和温度数据配置预设气水比数据，预设气水比数据为气体体积与水体积之间的预设比值，例如，夏季的气水比为1:1，春秋季的气水比为2:1，冬季的气水比为3:1，可以理解的是，在一般情况下，入水量多则曝气量也多，入水量少则曝气量也少。预设内循环比数据为入水量与内循环量之间的预设比值，例如，内循环量为2倍入水量。

第一预设条件可以为若长期无水或入水的BOD₅过低，则将碳源添加数据更新为第一阈值(如1)，以使污水处理系统自动添加碳源；若入水量稳定且BOD₅合适，则将碳源添加数据更新为第二阈值(如0)，以使污水处理系统停止添加碳源。

第二预设条件可以为若长期无水或入水的磷、有毒物及重金属离子超标，则将除磷剂添加数据更新为第三阈值(如1)，以使污水处理系统自动添加PAC，反之则将除磷剂添加数据更新为第四阈值(如0)，以使污水处理系统停止添加PAC。

本实施例保障活性污泥中微生物的生存和繁殖，通过提升微生物活性加强其吸附和降解能力；确保污水处理的能力达到预期效果；减少不必要的曝气和药剂添加，延长气泵、药剂计量泵寿命，降低运营设备、电力和药剂成本；支持远程运维、自动运维和智能运营，真正支持无人值守，降低运营人力成本。

为了执行上述方法实施例对应的步骤，以实现相应的功能和技术效果。参见图3，图3是本申请实施例提供的一种污水数据的处理装置的结构框图。为了便于说明，仅示出了与本实施例相关的部分，本申请实施例提供的污水数据的处理装置，包括：

获取模块301，用于获取污水处理系统在目标时间段内的预测入水数据和缓存规划出水数据，预测入水数据基于预设的污水预测模型预测得到；

监控模块302，用于实时监控污水处理系统在目标时间段内的实际入水数据；

调节模块303，用于若实际入水数据与预测入水数据之间的差值在预设值范围内，则根据缓存规划出水数据，调节污水处理系统在目标时间段内的出水量。

在一实施例中，获取模块301，包括：

预测单元，用于基于污水预测模型，预测污水处理系统在目标时间段内的预测入水数据；

生成单元，用于根据预测入水数据，生成目标时间段内的缓存规划出水数据。

在一实施例中，预测单元，包括：

第一获取子单元，用于获取待预测的目标时间段和影响参数，影响参数包括时间参数、温度参数和/或天气参数；

预测子单元，用于将目标时间段和影响参数输入到污水预测模型，预测得到污水处理系统在目标时间段内的预测入水数据。

在一实施例中，生成单元，包括：

第二获取子单元，用于获取污水处理系统的总体缓存空闲容量和已存水量；

生成子单元，用于基于总体缓存空闲容量和已存水量在目标时间段内满足预设条件时，根据预测入水数据，生成目标时间段内的缓存规划出水数据。

在一实施例中，获取模块301，还包括：

获取单元，用于获取初始污水预测模型；

更新单元，用于基于污水处理系统的实际入水数据和影响参数，实时更新初始污水预测模型的模型参数，得到污水预测模型。

在一实施例中，处理装置还包括：

生成模块，用于基于缓存规划出水数据，生成污水处理系统的曝气量、内循环量、碳源添加数据和/或除磷剂添加数据。

在一实施例中，缓存规划出水数据包括缓存出水量和缓存出水水质，生成模块，包括：

第二生成单元，用于根据缓存出水量、缓存出水水质和温度数据，生成污水处理系统的曝气量；

第三生成单元，用于根据缓存出水量和预设内循环比数据，生成污水处理系统的内循环量；

第四生成单元，用于若缓存出水量和/或缓存出水水质符合第一预设条件，则生成污水处理系统的碳源添加数据；

第五生成单元，用于若缓存出水量和/或缓存出水水质符合第二预设条件，则生成污水处理系统的除磷剂添加数据。

上述的污水数据的处理装置可实施上述方法实施例的污水数据的处理方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。

图4为本申请一实施例提供的计算机设备的结构示意图。如图4所示，该实施例的计算机设备4包括：至少一个处理器40(图4中仅示出一个)处理器、存储器41以及存储在所述存储器41中并可在所述至少一个处理器40上运行的计算机程序42，所述处理器40执行所述计算机程序42时实现上述任意方法实施例中的步骤。

所述计算机设备4可以是平板电脑、桌上型计算机、超级计算机、物理服务器和云服务器等计算设备。该计算机设备可包括但不仅限于处理器40、存储器41。本领域技术人员可以理解，图4仅仅是计算机设备4的举例，并不构成对计算机设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，该处理器40还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器41在一些实施例中可以是所述计算机设备4的内部存储单元，例如计算机设备4的硬盘或内存。所述存储器41在另一些实施例中也可以是所述计算机设备4的外部存储设备，例如所述计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。

另外，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述任意方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现可实现上述各个方法实施例中的步骤。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块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，本申请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)执行本申请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。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种污水数据的处理方法，其特征在于，包括：

获取污水处理系统在目标时间段内的预测入水数据和缓存规划出水数据，所述预测入水数据基于预设的污水预测模型预测得到；

实时监控所述污水处理系统在所述目标时间段内的实际入水数据；

若所述实际入水数据与所述预测入水数据之间的差值在预设值范围内，则根据所述缓存规划出水数据，调节所述污水处理系统在所述目标时间段内的出水量。

2.根据权利要求1所述的污水数据的处理方法，其特征在于，所述获取污水处理系统在目标时间段内的预测入水数据和缓存规划出水数据，包括：

基于所述污水预测模型，预测所述污水处理系统在所述目标时间段内的预测入水数据；

根据所述预测入水数据，生成所述目标时间段内的缓存规划出水数据。

3.根据权利要求2所述的污水数据的处理方法，其特征在于，所述基于所述污水预测模型，预测所述污水处理系统在所述目标时间段内的预测入水数据，包括：

获取待预测的目标时间段和影响参数，所述影响参数包括时间参数、温度参数和/或天气参数；

将所述目标时间段和所述影响参数输入到所述污水预测模型，预测得到所述污水处理系统在所述目标时间段内的预测入水数据。

4.根据权利要求2所述的污水数据的处理方法，其特征在于，所述根据所述预测入水数据，生成所述目标时间段内的缓存规划出水数据，包括：

获取所述污水处理系统的总体缓存空闲容量和已存水量；

基于所述总体缓存空闲容量和所述已存水量在所述目标时间段内满足预设水量条件时，根据所述预测入水数据，生成所述目标时间段内的缓存规划出水数据。

5.根据权利要求2所述的污水数据的处理方法，其特征在于，所述基于所述污水预测模型，预测所述污水处理系统在所述目标时间段内的预测入水数据之前，还包括：

获取初始污水预测模型；

基于所述污水处理系统的实际入水数据和影响参数，实时更新所述初始污水预测模型的模型参数，得到所述污水预测模型。

6.根据权利要求1至5任一项所述的污水数据的处理方法，其特征在于，所述若所述实际入水数据与所述预测入水数据之间的差值在预设值范围内，则根据所述缓存规划出水数据，调节所述污水处理系统在所述目标时间段内的出水量之后，还包括：

基于所述缓存规划出水数据，生成所述污水处理系统的曝气量、内循环量、碳源添加数据和/或除磷剂添加数据。

7.根据权利要求6所述的污水数据的处理方法，其特征在于，所述缓存规划出水数据包括缓存出水量和缓存出水水质，所述基于所述缓存规划出水数据，生成所述污水处理系统的曝气量、内循环量、碳源添加数据和/或除磷剂添加数据，包括：

根据所述缓存出水量、缓存出水水质和温度数据，生成所述污水处理系统的曝气量；

根据所述缓存出水量和预设内循环比数据，生成所述污水处理系统的内循环量；

若所述缓存出水量和/或所述缓存出水水质符合第一预设条件，则生成所述污水处理系统的碳源添加数据；

若所述缓存出水量和/或所述缓存出水水质符合第二预设条件，则生成所述污水处理系统的除磷剂添加数据。

8.根据权利要求1至5任一项所述的污水数据的处理方法，其特征在于，所述实时监控所述污水处理系统在所述目标时间段内的实际入水数据之后，还包括：

若所述实际入水数据与所述预测入水数据之间的差值不在预设值范围内，则根据所述差值，对所述缓存规划出水数据进行修正，得到新的缓存规划出水数据；

基于所述新的缓存规划出水数据，调节所述污水处理系统在所述目标时间段内的出水量。

9.一种污水数据的处理装置，其特征在于，包括：

获取模块，用于获取污水处理系统在目标时间段内的预测入水数据和缓存规划出水数据，所述预测入水数据基于预设的污水预测模型预测得到；

监控模块，用于实时监控所述污水处理系统在所述目标时间段内的实际入水数据；

调节模块，用于若所述实际入水数据与所述预测入水数据之间的差值在预设值范围内，则根据所述缓存规划出水数据，调节所述污水处理系统在所述目标时间段内的出水量。

10.一种计算机设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算机设备执行根据权利要求1至8中任一项所述的污水数据的处理方法。

Images