CN113720983A - 一种污水处理厂出水总磷的快速检测方法 - Google Patents
一种污水处理厂出水总磷的快速检测方法 Download PDFInfo
- Publication number
- CN113720983A CN113720983A CN202110970519.2A CN202110970519A CN113720983A CN 113720983 A CN113720983 A CN 113720983A CN 202110970519 A CN202110970519 A CN 202110970519A CN 113720983 A CN113720983 A CN 113720983A
- Authority
- CN
- China
- Prior art keywords
- reflux pump
- pump current
- total phosphorus
- treatment plant
- internal reflux
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明的目的是为了克服现有技术存在的缺陷，提供一种污水处理厂出水总磷的快速检测方法。本发明基于污水处理厂实时检测的生产参数，如生物池中实时测量的DO、ORP、MISS、回流电流等，然后对这些参数进行综合处理，再利用数据挖掘算法对综合处理的数据进行建模，从而得到污水处理厂出水总磷含量的快速检测结果。本发明整个过程操作简单、便捷，一个就可以完成整个过程，而且整个过程不涉及实验及化学品，不产生环境污染，符合绿色环保理念。
Description
技术领域
本发明涉及污水处理厂出水成分检测技术领域，尤其是涉及一种污水处理厂出水总磷的快速检测方法。
背景技术
目前我国水资源的短缺和水污染情况的加重，使人们警觉到水环境污染已直接关系到人民的健康安全和社会、经济的可持续发展。国内外的实践证明，水质安全预警和污水再生回用是充分利用水资源，解决水资源短缺和水污染的有效途径。近年来，水质污染问题己引起政府部门和学术界的高度关注。当前，迫切需要大力建设发展水环境安全的评估体系、预测预警系统和相应的环境管理体系。一般来说，控制水污染事故的发生，控制水质发生不良变化的有效方法就是防患于未然，在准确预测的基础上，在水环境发生恶性质变之前，能及早提出预告、报警，并及时采取相应调整措施，加以有效抑制、减缓、控制、整治，使其进入良性循环。同时，从我国水质统计的现状来看，大多是事后的统计资料，缺乏超前的信息支持，而事中或事后的统计监督，难以在水质恶化的警情发生之前有效、及时地予以警告，当事后得到统计数据时，往往已造成无法挽回的损失。因此，有必要对水质进行预警、预报，预防水质变化的发生。
城市污水处理的控制目标就是使出水达到国家排放标准,主要涉及的参数有出水总氮、化学需氧量（COD）、出水悬浮物浓度、氨氮、生化需氧量和总磷等。目前污水处理厂对总磷的测定往往是离线的,不能实现对出水总磷实时测量,直接导致污水处理过程难以实现闭环控制。另外,污水中污染物的数量多、含量各异,对检测是一大挑战。因此,研究新的快速测量总磷的方法已成为污水控制工程领域研究的重要课题,并且具有重要的现实意义。
发明内容
本发明的目的是为了克服现有技术存在的缺陷，提供一种污水处理厂出水总磷的快速检测方法。本发明基于污水处理厂实时检测的生产参数，如生物池中实时测量的DO、ORP、MISS、回流电流等，然后对这些参数进行综合处理，再利用数据挖掘算法对综合处理的数据进行建模，从而得到污水处理厂出水总磷含量的快速检测结果。通过这些方法可以几分钟就可以得到结果，方便快捷，无需实验和繁杂的计算。
本发明的目的可以通过如下的技术方案实现：
一种污水处理厂出水总磷的快速检测方法，包括如下步骤：
1）从污水处理厂收集生物池中实时检测的生产参数作为自变量。收集污水处理厂污水出口对应时间的污水检测化验得到的总磷数据作为因变量，这样构成基础数据。
2）对训练集的自变量进行映射转化，映射转化后的变量包含所有的原始自变量。
3）利用数据挖掘算法对综合处理后的训练集进行建模，得到总磷的快速预报模型。
4）收集新数据，该数据只包含污水处理厂生物池中实时监测的生产参数，不包含因变量。
5）将收集到的新数据代入映射转化方程，对新数据的生产参数进行映射转化处理。
6）然后将映射转化处理后的数据直接代入总磷预报模型，预报得到新收集的污水处理厂污水出口的总磷含量。
本发明与现有技术比，具有以下优点：
1.本发明可以实现污水处理厂污水出口总磷含量的快速检测，实现污水处理厂排出水中的总磷的实时检测，为企业节约成本。
2.本发明整个过程操作简单、便捷，一个就可以完成整个过程。
3.本发明整个过程不涉及实验及化学品，不产生环境污染，符合绿色环保理念。
附图说明
图1为总磷的多元线性回归模型建模结果图。
图2为总磷的多元线性回归模型留一法交叉验证结果图。
具体实施方式
（1）以下结合具体的实施例子对本发明进行详细的说明，包括如下步骤：
从污水处理厂收集生物池中实时检测的生产参数作为自变量。收集污水处理厂污
水出口对应时间的污水检测化验得到的总磷数据作为因变量，这样构成基础数
据，总共数据样本为194个。部分数据如表1所示：
表1.生产参数和总磷示例数据
（2）对训练集的自变量进行映射转化，映射转化后的变量包含所有的原始自变量。映射转化方程为：
P1=+0.4326[DO1]+0.5243[DO2]-0.001503[MLSS1]-0.001474[MLSS2]+0.9847[3#内回流泵电流]+2.170[4#内回流泵电流]-21.429
P2=+0.2096[DO1]+0.3258[DO2]+0.003021[MLSS1]+0.002541[MLSS2]+0.5173[3#内回流泵电流]+1.090[4#内回流泵电流]-33.992
P3=-0.2460[DO1]-0.4097[DO2]0[MLSS1]+8.392E-05[MLSS2]+2.327[3#内回流泵电流]+3.341[4#内回流泵电流]-51.711
P4=-0.1241[DO1]+0.03372[DO2]-0.0002041[MLSS1]+0.0001812[MLSS2]-2.367[3#内回流泵电流]+4.338[4#内回流泵电流]-13.722
P5=-0.5407[DO1]+0.7093[DO2]+0.00038[MLSS1]-0.0005922[MLSS2]+0.4485[3#内回流泵电流]-0.3250[4#内回流泵电流]-1.584
P6=-0.05917[DO1]+0.1371[DO2]-0.003342[MLSS1]+0.002883[MLSS2]+0.2214[3#内回流泵电流]-0.2899[4#内回流泵电流]+3.880
映射转化后的示例数据如表2所示。
表2. 映射转化后示例数据
（3）利用多元线性回归算法对映射转化后的训练集数据进行建模，得到总磷的快速预报模型。
（4）收集新数据，该数据只包含污水处理厂生物池中实时监测的生产参数，不包含因变量。收集的新的示例数据如表3所示：
表3 ：部分收集的新数据
(5)将收集到的新数据代入映射转化方程，对新数据的生产参数进行映射转化处理，得到映射转化后数据。映射转化后示例数据如表4所示。
表4：新数据转化后部分示例
（6）然后将映射转化处理后的数据直接代入总磷预报模型，预报得到新收集的污水处理厂污水出口的总磷含量。
实施例1：对于193个污水样本，基于多元线性回归建立的总磷定量预报模型的建模结果，如图1所示。
由图1可以看出：模型的预报值与实测值的相关系数为0.87。
实施例2：对于193个污水样本，基于多元线性回归建立的总磷定量预报模型的留一法结果，如图2所示。
由图2可以看出：模型的预报值与实测值的相关系数为0.85。
实施例3：基于193个多元线性回归建立的总磷预报模型对新收集的134个样本进行预报，其结果如表5所示。
表5 预测结果
| 序号 | 总磷(计算值) | 序号 | 总磷(计算值) | 序号 | 总磷(计算值) | 序号 | 总磷(计算值) |
| 1 | 0.11 | 35 | 0.15 | 69 | 0.14 | 103 | 0.12 |
| 2 | 0.11 | 36 | 0.14 | 70 | 0.14 | 104 | 0.12 |
| 3 | 0.12 | 37 | 0.13 | 71 | 0.14 | 105 | 0.12 |
| 4 | 0.13 | 38 | 0.12 | 72 | 0.14 | 106 | 0.13 |
| 5 | 0.12 | 39 | 0.14 | 73 | 0.14 | 107 | 0.14 |
| 6 | 0.13 | 40 | 0.14 | 74 | 0.13 | 108 | 0.13 |
| 7 | 0.12 | 41 | 0.14 | 75 | 0.13 | 109 | 0.14 |
| 8 | 0.1 | 42 | 0.13 | 76 | 0.15 | 110 | 0.14 |
| 9 | 0.1 | 43 | 0.13 | 77 | 0.14 | 111 | 0.11 |
| 10 | 0.12 | 44 | 0.12 | 78 | 0.13 | 112 | 0.13 |
| 11 | 0.13 | 45 | 0.14 | 79 | 0.14 | 113 | 0.13 |
| 12 | 0.12 | 46 | 0.15 | 80 | 0.15 | 114 | 0.15 |
| 13 | 0.12 | 47 | 0.14 | 81 | 0.14 | 115 | 0.13 |
| 14 | 0.12 | 48 | 0.13 | 82 | 0.15 | 116 | 0.12 |
| 15 | 0.13 | 49 | 0.13 | 83 | 0.15 | 117 | 0.12 |
| 16 | 0.11 | 50 | 0.13 | 84 | 0.16 | 118 | 0.13 |
| 17 | 0.1 | 51 | 0.14 | 85 | 0.15 | 119 | 0.12 |
| 18 | 0.12 | 52 | 0.15 | 86 | 0.13 | 120 | 0.13 |
| 19 | 0.12 | 53 | 0.15 | 87 | 0.13 | 121 | 0.13 |
| 20 | 0.11 | 54 | 0.15 | 88 | 0.13 | 122 | 0.13 |
| 21 | 0.11 | 55 | 0.15 | 89 | 0.09 | 123 | 0.12 |
| 22 | 0.11 | 56 | 0.16 | 90 | 0.13 | 124 | 0.12 |
| 23 | 0.12 | 57 | 0.14 | 91 | 0.14 | 125 | 0.13 |
| 24 | 0.12 | 58 | 0.13 | 92 | 0.15 | 126 | 0.12 |
| 25 | 0.11 | 59 | 0.14 | 93 | 0.12 | 127 | 0.13 |
| 26 | 0.13 | 60 | 0.13 | 94 | 0.12 | 128 | 0.12 |
| 27 | 0.13 | 61 | 0.13 | 95 | 0.13 | 129 | 0.11 |
| 28 | 0.13 | 62 | 0.15 | 96 | 0.14 | 130 | 0.11 |
| 29 | 0.11 | 63 | 0.15 | 97 | 0.13 | 131 | 0.13 |
| 30 | 0.12 | 64 | 0.15 | 98 | 0.13 | 132 | 0.12 |
| 31 | 0.12 | 65 | 0.15 | 99 | 0.14 | 133 | 0.13 |
| 32 | 0.12 | 66 | 0.15 | 100 | 0.13 | 134 | 0.12 |
| 33 | 0.14 | 67 | 0.14 | 101 | 0.14 | ||
| 34 | 0.13 | 68 | 0.14 | 102 | 0.14 |
Claims (2)
1.一种污水处理厂出水总磷的快速检测方法，包括如下步骤：
1）从污水处理厂收集生物池中实时检测的生产参数作为自变量，收集污水处理厂污水出口对应时间的污水检测化验得到的总磷数据作为因变量，这样构成基础数据；2）对训练集的自变量进行映射转化，映射转化后的变量包含所有的原始自变量，利用数据挖掘算法对综合处理后的训练集进行建模，得到总磷的快速预报模型；3）收集新数据，该数据只包含污水处理厂生物池中实时监测的生产参数，不包含因变量，将收集到的新数据代入映射转化方程，对新数据的生产参数进行映射转化处理，然后将映射转化处理后的数据直接代入总磷预报模型，预报得到新收集的污水处理厂污水出口的总磷含量。
2.根据权利要求1所述的一种污水处理厂出水总磷的快速检测方法，所述步骤2）中映射转化方程为：
P1=+0.4326[DO1]+0.5243[DO2]-0.001503[MLSS1]-0.001474[MLSS2]+0.9847[3#内回流泵电流]+2.170[4#内回流泵电流]-21.429；
P2=+0.2096[DO1]+0.3258[DO2]+0.003021[MLSS1]+0.002541[MLSS2]+0.5173[3#内回流泵电流]+1.090[4#内回流泵电流]-33.992；
P3=-0.2460[DO1]-0.4097[DO2]0[MLSS1]+8.392E-05[MLSS2]+2.327[3#内回流泵电流]+3.341[4#内回流泵电流]-51.711；
P4=-0.1241[DO1]+0.03372[DO2]-0.0002041[MLSS1]+0.0001812[MLSS2]-2.367[3#内回流泵电流]+4.338[4#内回流泵电流]-13.722；
P5=-0.5407[DO1]+0.7093[DO2]+0.00038[MLSS1]-0.0005922[MLSS2]+0.4485[3#内回流泵电流]-0.3250[4#内回流泵电流]-1.584；
P6=-0.05917[DO1]+0.1371[DO2]-0.003342[MLSS1]+0.002883[MLSS2]+0.2214[3#内回流泵电流]-0.2899[4#内回流泵电流]+3.880。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110970519.2A CN113720983A (zh) | 2021-08-23 | 2021-08-23 | 一种污水处理厂出水总磷的快速检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110970519.2A CN113720983A (zh) | 2021-08-23 | 2021-08-23 | 一种污水处理厂出水总磷的快速检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113720983A true CN113720983A (zh) | 2021-11-30 |
Family
ID=78677487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110970519.2A Withdrawn CN113720983A (zh) | 2021-08-23 | 2021-08-23 | 一种污水处理厂出水总磷的快速检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113720983A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114564699A (zh) * | 2022-04-28 | 2022-05-31 | 成都博瑞科传科技有限公司 | 一种总磷总氮连续在线监测方法及系统 |
-
2021
- 2021-08-23 CN CN202110970519.2A patent/CN113720983A/zh not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114564699A (zh) * | 2022-04-28 | 2022-05-31 | 成都博瑞科传科技有限公司 | 一种总磷总氮连续在线监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| US20220316994A1 (en) | A method for predicting operation effectiveness of decentralized sewage treatment facility by using support vector machine | |
| CN103632032A (zh) | 一种城市污水处理过程出水指标在线软测量预测方法 | |
| CN202075272U (zh) | 一种应用于污水处理的软测量系统 | |
| CN104217040A (zh) | 一种基于传统在线监测仪的污染事件快速探测方法 | |
| CN108931619B (zh) | 一种火电厂废水处理设备寿命预测方法及装置 | |
| CN112505189A (zh) | 一种基于地下水特征污染物的自动溯源方法 | |
| CN113720983A (zh) | 一种污水处理厂出水总磷的快速检测方法 | |
| CN116589078B (zh) | 基于数据融合的污水处理智能控制方法及系统 | |
| CN107665288A (zh) | 一种化学需氧量的水质软测量预测方法 | |
| KR20120001116A (ko) | 하폐수 처리장의 공정진단 시스템 및 방법 | |
| CN110146122B (zh) | 一种农村生活污水处理设施运行有效性的预测方法 | |
| CN115754207A (zh) | 一种污水生物处理工艺模拟仿真方法和系统 | |
| CN118071029A (zh) | 一种基于水质数字信息的水务监测治理管理平台 | |
| CN113971991A (zh) | 一种污水处理厂出水总磷的快速检测方法 | |
| CN113702609A (zh) | 一种水质检测方法及系统 | |
| CN117776336A (zh) | 水预处理方法及厌氧氨氧化水处理工艺 | |
| CN115792165B (zh) | 一种环境水质智能监测方法及系统 | |
| CN201330211Y (zh) | 污水处理厂运行参数自寻优模拟系统 | |
| CN112939246A (zh) | 一种基于物联网的医院污水在线处理平台 | |
| CN104263960A (zh) | 金湿法冶金置换过程中置换率和金泥品位的在线预测方法 | |
| Castellano et al. | Selection of variables using factorial discriminant analysis for the state identification of an anaerobic UASB–UAF hybrid pilot plant, fed with winery effluents | |
| CN116263850A (zh) | 结合离线模拟数据的在线污水水质预警方法 | |
| CN107664683A (zh) | 一种总氮的水质软测量预测方法 | |
| CN113588617A (zh) | 水质多特征预警溯源系统及方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211130 |