CN113885597A - 污水处理过程的控制方法、装置、终端及可读存储介质 - Google Patents

污水处理过程的控制方法、装置、终端及可读存储介质 Download PDF

Info

Publication number
CN113885597A
CN113885597A CN202111207258.5A CN202111207258A CN113885597A CN 113885597 A CN113885597 A CN 113885597A CN 202111207258 A CN202111207258 A CN 202111207258A CN 113885597 A CN113885597 A CN 113885597A
Authority
CN
China
Prior art keywords
nitrogen concentration
partition
effluent
theoretical
sewage treatment
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
CN202111207258.5A
Other languages
English (en)
Inventor
熊伟丽
赵杨
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.)
Jiangnan University
Original Assignee
Jiangnan University
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 Jiangnan University filed Critical Jiangnan University
Priority to CN202111207258.5A priority Critical patent/CN113885597A/zh
Publication of CN113885597A publication Critical patent/CN113885597A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D11/00—Control of flow ratio
    • G05D11/02—Controlling ratio of two or more flows of fluid or fluent material
    • G05D11/13—Controlling ratio of two or more flows of fluid or fluent material characterised by the use of electric means
    • G05D11/139—Controlling ratio of two or more flows of fluid or fluent material characterised by the use of electric means by measuring a value related to the quantity of the individual components and sensing at least one property of the mixture

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)
  • Activated Sludge Processes (AREA)

Abstract

本申请关于一种污水处理过程的控制方法、装置、终端及可读存储介质，涉及污水处理优化控制领域，该方法包括：基于污水参数以及污水处理池参数建立工况预测模型；基于工况预测模型确定对应的理想参数；确定预测出水氨氮浓度以及预测出水总氮浓度；确定对应的污水处理控制方式。在对于污水进行处理控制的过程当中，基于污水处理池的处理能力以及实际流入的污水流量对于污水处理池内的工况进行预测，并确定理想参数，在确定理想参数后，对控制过程所关注的出水氨氮浓度以及出水总氨浓度进行预测，并通过引入处理内循环的公式对于相关参数进行控制，实现在污水处理过程中对于出水氨氮浓度和出水总氮浓度进行控制。

Description

污水处理过程的控制方法、装置、终端及可读存储介质
技术领域
本申请涉及污水处理优化控制领域，特别涉及一种污水处理过程的控制方法、装置、终端及可读存储介质。
背景技术
近些年，随着我国绿色发展战略的不断推进，各类污水治理和达标排放显得尤为重要，而污水处理过程的优化控制为其提供了有效的方法。活性污泥法是一种广泛应用的污水生物处理工艺，该工艺利用活性污泥的生物凝聚、吸附和氧化作用，从而达到净水的效果。考虑到污水处理过程是一个极为复杂的非线性系统，污水处理厂需改善其设备和运行策略，以实现在复杂工况下依然能达到严格的出水质量标准，并尽可能地降低能源消耗。从生化反应机理来看，好氧区溶解氧浓度(SO)和厌氧区硝态氮浓度(SNO)是决定出水水质的两个关键因素，可以通过鼓风机和回流泵分别对两者进行调节，但其运行会产生大量能耗。因此，设计能耗和出水水质的多目标优化问题，对和的设定值进行寻优能有效降低能耗、提升出水水质。
过去十年里，在污水处理过程优化控制领域中，多目标优化控制渐渐取代单目标优化控制成为研究的主流。根本原因是单目标优化控制在问题考虑上较为单一，一般会侧重于降低污水处理过程中的能耗，从而导致出水水质提升较少。多目标优化控制能够弥补这一缺陷，在对和设定值寻优的过程中，会综合考虑降低能耗和提升出水水质。
然而，多目标优化控制方法在降低能耗、提升出水水质两方面能取得较优的效果，但是在该过程中，出水氨氮浓度(SNh，e)和出水总氮浓度(SNtot，e)存在较长时间的峰值超标，如此处理后排出的污水不免会对水生植物的生长及人类的健康造成影响。相关技术中，缺少一种在污水处理过程中对于出水氨氮浓度和出水总氮浓度的控制方法。
发明内容
本申请关于一种污水处理过程的控制方法、装置、终端及可读存储介质，能够在污水处理过程中对于出水氨氮浓度和出水总氮浓度进行控制，该技术方案如下：
一方面，提供了一种基于污水处理过程的控制方法，该方法应用于计算机设备中，该计算机设备用于控制基于仿真基准模型(Benchmark Simulation Model1，BSM1)建立的污水处理池；
该污水处理池中包括相互连接的分区反应池以及沉淀池，分区反应池中包括依次连接的第一分区、第二分区、第三分区、第四分区以及第五分区；
该方法包括：
基于污水参数以及污水处理池参数建立工况预测模型，工况预测模型用于预测污水处理过程的能耗以及污水处理池的出水水质，污水参数包括污水浓度以及污水入池流量，污水处理池参数用于表征污水处理池的污水承载能力以及污水处理能力；
基于工况预测模型确定理论第三分区溶解氧溶度、理论第四分区溶解氧浓度、理论第五分区溶解氧浓度以及理论第二分区硝态氮浓度；
将理论第三分区溶解氧溶度、理论第四分区溶解氧浓度、理论第五分区溶解氧浓度以及理论第二分区硝态氮浓度分别输入出水氨氮浓度预测模型以及出水总氮浓度预测模型，输出得到预测出水氨氮浓度以及预测出水总氮浓度；
响应于预测出水氨氮浓度未超过出水氨氮浓度阈值，且预测出水总氮浓度未超过出水总氮浓度阈值，基于理论第三分区溶解氧溶度、理论第四分区溶解氧浓度、理论第五分区溶解氧浓度以及理论第二分区硝态氮浓度对污水处理池进行控制；
响应于预测出水氨氮浓度超过出水氨氮浓度阈值，建立并控制第一污水处理内循环，第一污水处理内循环的控制参数包括内循环流量、第一分区外加碳源流量、第二分区外加碳源流量以及外加碳源总流量中的至少一种。
响应于预测出水总氮浓度超过出水总氮浓度阈值，建立并控制第二污水处理内循环，第二污水处理内循环的控制参数包括第一分区外加碳源流量、第二分区外加碳源流量以及外加碳源总流量中的至少一种。
另一方面，提供了一种污水处理过程的控制装置，该装置包括：
建立模块，用于基于污水参数以及污水处理池参数建立工况预测模型，工况预测模型用于预测污水处理过程的能耗以及污水处理池的出水水质，污水参数包括污水浓度以及污水入池流量，污水处理池参数用于表征污水处理池的污水承载能力以及污水处理能力；
确定模块，用于基于工况预测模型确定理论第三分区溶解氧溶度、理论第四分区溶解氧浓度、理论第五分区溶解氧浓度以及理论第二分区硝态氮浓度；
输入模块，用于将理论第三分区溶解氧溶度、理论第四分区溶解氧浓度、理论第五分区溶解氧浓度以及理论第二分区硝态氮浓度分别输入出水氨氮浓度预测模型以及出水总氮浓度预测模型，输出得到预测出水氨氮浓度以及预测出水总氮浓度；
控制模块，用于响应于预测出水氨氮浓度未超过出水氨氮浓度阈值，且预测出水总氮浓度未超过出水总氮浓度阈值，基于理论第三分区溶解氧溶度、理论第四分区溶解氧浓度、理论第五分区溶解氧浓度以及理论第二分区硝态氮浓度对污水处理池进行控制；
建立模块，还用于响应于预测出水氨氮浓度超过出水氨氮浓度阈值，建立并控制第一污水处理内循环，第一污水处理内循环的控制参数包括内循环流量、第一分区外加碳源流量、第二分区外加碳源流量以及外加碳源总流量中的至少一种。
响应于预测出水总氮浓度超过出水总氮浓度阈值，建立并控制第二污水处理内循环，第二污水处理内循环的控制参数包括第一分区外加碳源流量、第二分区外加碳源流量以及外加碳源总流量中的至少一种。
另一方面，提供了一种计算机设备，计算机设备包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，处理器可加载并执行至少一条指令、至少一段程序、代码集或指令集，以实现上述本申请实施例中提供的污水处理过程的控制方法。
另一方面，提供了一种计算机可读存储介质，可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，处理器可加载并执行至少一条指令、至少一段程序、代码集或指令集，以实现上述本申请实施例中提供的污水处理过程的控制方法。
另一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机程序指令，该计算机程序指令存储于计算机可读存储介质中。处理器从计算机可读存储介质读取该计算机指令，并执行该计算机指令，使得该计算机设备执行如本申请实施例中提供的污水处理过程的控制方法。
本申请提供的技术方案带来的有益效果至少包括：
在对于污水进行处理控制的过程当中，基于污水处理池的处理能力以及实际流入的污水流量对于污水处理池内的工况进行预测，并对应污水处理池的实际结构分段确定理想参数，在确定理想参数后，对控制过程所关注的出水氨氮浓度以及出水总氨浓度进行预测，并在二者浓度异常时，通过引入处理内循环的公式对于相关参数进行控制，实现在污水处理过程中对于出水氨氮浓度和出水总氮浓度进行控制。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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示出了本申请一个示例性实施例提供的一种污水处理池的结构示意图；
图2示出了本申请一个示例性实施例提供的一种污水处理过程的控制方法的流程图；
图3示出了本申请一个示例性实施例提供的另一种污水处理过程的控制方法的流程图；
图4示出了本申请一个示例性实施例提供的一种污水处理过程的控制装置的结构框图；
图5示出了本申请一个示例性实施例提供的另一种污水处理过程的控制装置的结构框图；
图6示出了本申请一个示例性实施例提供的一种用于执行污水处理过程的控制方法的计算机设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
首先，对于本申请各个实施例中涉及的名词进行解释：
BSM1，是国际水质协会和欧盟科学技术合作组织合作开发的污水处理基准仿真平台。在该仿真平台对应的模型当中，污水处理池中共具有5个生化反应单元，用于对污水进行处理。
本申请实施例中的污水处理池，即为基于BSM1建立的污水处理池，请参考图1，该污水处理池100包括相互连接的分区反应池110以及沉淀池120，其中，分区反应池内包括以此连接的第一分区111、第二分区112、第三分区113、第四分区114以及第五分区115。第一分区111与第二分区112组成好氧区，第三分区113、第四分区114以及第五分区115组成厌氧区。
在本申请实施例中，为对于分区反应池进行控制，第一分区内的物料平衡公式如下公式1所示：
公式1：
Figure BDA0003305182180000051
式中，z1为第1个生化反应单元中基础组分的浓度；V1为第1个生化反应单元的体积；Qa为内回流流量；za为内回流中基础组分的浓度；Qr为外回流流量；zr为外回流中基础组分的浓度；Q0为入水流量；z0为入水中基础组分的浓度；r1为第1个生化反应单元中基础组分的反应速率；Q1为第1个生化反应单元的出水流量。
对应地，第二分区至第五分区内的物料平衡公式如下公式2所示：
公式2：
Figure BDA0003305182180000052
式中，zk为第k个生化反应单元中基础组分的浓度；Vk为第k个生化反应单元的体积；rk为第k个生化反应单元中基础组分的反应速率；Qk为第k个生化反应单元的出水流量。
在此情况下，BSM1模型还具有两个模型评价指标，分别为总能耗和出水水质。如下所示公式3为总能耗的评价所依据的评价公式：
公式3：
Figure BDA0003305182180000053
式中，OCI为总能耗的量化表现形式，t0为开始时间；tf为结束时间；T为采样周期；Vi为第i个生化反应单元的体积；KLai为第i个生化反应单元的曝气量；Qw为剩余污泥流量；qECi为第i个生化反应单元中外加碳源的流量。
如下公式4为出水水质的评价所依据的评价公式：
公式4：
Figure BDA0003305182180000061
式中，TSS为固体悬浮物浓度；COD为化学需氧量；SNKj为凯氏氮浓度；SNO为硝态氮浓度；BOD5为5日生化需氧量；Qe为出水流量。
本申请提出了一种针对如上所述的污水处理池的控制方法，该方法可以对于污水处理池排放液的出水氨氮浓度和出水总氮浓度进行控制。
图2示出了本申请一个示例性实施例提供的一种污水处理过程的控制方法的流程图，以该方法应用于计算机设备中为例进行说明，该方法包括：
步骤201，基于污水参数以及污水处理池参数建立工况预测模型。
在本申请实施例中，污水参数用于表征流入污水处理池中的污水的性质。可选地，污水参数中包括污水浓度以及污水入池流量。其中，污水浓度用于表征污水中的不同污染工质的浓度。在一个示例中，污水中的杂质为氮化物和氟化物，则污水浓度包括氮化物浓度和氟化物浓度。
在本申请实施例中，污水处理池参数用于表征污水处理池的污水承载能力以及污水处理能力。可选地，污水处理池参数包括污水处理池中某个分区的污水承载能力以及与该分区对应的分区容量。
可选地，工况预测模型为基于AdaBoost-LSSVM算法构建的模型。工况预测模型可用于为污水处理过程中的多个目标参数提供解决途径。可选地，污水处理过程的多个目标参数的解决方法如下公式5所示：
minfOCI(x)，fEQI(x)
公式5：
Figure BDA0003305182180000062
式中，fOCI(x)和fEQI(x)分别为能耗和出水水质的优化目标函数，x＝[SO3，SO4，SO5，SNO2]为决策向量。对应该决策向量，SO3为第三分区溶解氧浓度，SO4为第四分区溶解氧浓度，SO5为第五分区溶解氧浓度，SNO2为第二分区硝态氮浓度。SNh，e，avg为出水氨氮浓度平均值，SNtot，e，avg为出水总氮浓度平均值。BOD5，e，avg为5日生化需氧量的平均值，CODe，avg为化学需氧量的平均值，TSSe，avg为固体悬浮物浓度的平均值，li和ui分别为各个决策变量的上限以及下限，ui即指示任一决策变量。
步骤202，基于工况预测模型确定理论第三分区溶解氧溶度、理论第四分区溶解氧浓度、理论第五分区溶解氧浓度以及理论第二分区硝态氮浓度。
在本申请实施例中，如上可得，理论第三分区溶解氧浓度、理论第四分区溶解氧浓度、理论第五分区溶解氧浓度以及理论第二分区硝态氮浓度为对于上述参数提供解决方法的依据，故在本申请实施例中，基于工况预测模型，确定上述参数的理论值，上述参数的理论值即可对于污水处理池的控制进行指导。
步骤203，将理论第三分区溶解氧溶度、理论第四分区溶解氧浓度、理论第五分区溶解氧浓度以及理论第二分区硝态氮浓度分别输入出水氨氮浓度预测模型以及出水总氮浓度预测模型，输出得到预测出水氨氮浓度以及预测出水总氮浓度。
在本申请实施例中，计算机设备基于污水参数以及污水处理池参数，针对出水氨氮浓度以及预测出水总氮浓度进行进一步地预测模型构建。
步骤204，响应于预测出水氨氮浓度未超过出水氨氮浓度阈值，且预测出水总氮浓度未超过出水总氮浓度阈值，基于理论第三分区溶解氧溶度、理论第四分区溶解氧浓度、理论第五分区溶解氧浓度以及理论第二分区硝态氮浓度对污水处理池进行控制。
步骤205，响应于预测出水氨氮浓度超过出水氨氮浓度阈值，建立并控制第一污水处理内循环。
步骤206，响应于预测出水总氮浓度超过出水总氮浓度阈值，建立并控制第二污水处理内循环。
在本申请实施例中，将基于理论第三分区溶解氧溶度、理论第四分区溶解氧浓度、理论第五分区溶解氧浓度以及理论第二分区硝态氮浓度对污水处理池进行控制的控制过程定义为常规控制过程。在预测出水氨氮浓度未超过出水氨氮浓度阈值，且预测出水总氨浓度未超过出水总氨浓度阈值时，即通过常规控制过程对于污水处理池进行控制。
当预测出水氨氮浓度超过出水氨氮浓度阈值时，则建立并控制第一污水处理内循环，第一污水处理内循环的控制参数包括内循环流量、第一分区外加碳源流量、第二分区外加碳源流量以及外加碳源总流量中的至少一种。其中，内循环流量即为在污水处理池内额外建立的循环的流量，第一分区外加碳源流量以及第二分区外加碳源流量为以净化水质为目的，增加的碳源循环中对应的碳源流量。
在另一种情况下，当预测出水总氮的浓度超过出水总氮浓度阈值时，将会对应建立并控制第二污水处理内循环，第二污水处理内循环对应的控制参数除了第一分区外加碳源流量、第二分区外加碳源流量之外，还包括外加碳源总流量，也即第一分区外加碳源流量以及第二分区外加碳源流量之和。
可选地，在本申请的一些实施例中，若预测出水氨氮浓度的预测出水总氮浓度同时超过阈值，则优先进行与预测出水氨氮浓度时的情况对应的第一污水内处理循环，当预测出水氨氮浓度被控制时，再切换至第二污水内处理循环。在本申请的另一些实施例中，优先进行第二污水内处理循环。本申请对于预测出水氨氮浓度的预测出水总氮浓度同时超标时的处理方式不作限定。
综上所述，本申请实施例提供的方法，在对于污水进行处理控制的过程当中，基于污水处理池的处理能力以及实际流入的污水流量对于污水处理池内的工况进行预测，并对应污水处理池的实际结构分段确定理想参数，在确定理想参数后，对控制过程所关注的出水氨氮浓度以及出水总氨浓度进行预测，并在二者浓度异常时，通过引入处理内循环的公式对于相关参数进行控制，实现在污水处理过程中对于出水氨氮浓度和出水总氮浓度进行控制。
在本申请的一些实施例中，在通过出水氨氮浓度以及出水总氮浓度进行预测与监控的过程中，在不同的情况下，需要对相关的内循环中的参数进行对应的调整。图3示出了本申请一个示例性实施例提供的另一种污水处理过程的控制方法的流程图，以该方法应用于计算机设备中为例进行说明，该方法包括：
步骤301，基于污水参数以及污水处理池参数建立工况预测模型。
本步骤与步骤201中所述的内容相同，在此不作赘述。可选地，模型依据的解决方法如上公式5所示，且在本申请实施例中，上述过程变量的实际控制是通过对于KLai(i＝3，4，5)和Qa的控制完成的，KLai(i＝3，4，5)指示第i个生化反应单元的曝气量。
步骤302，基于工况预测模型确定理论第三分区溶解氧溶度、理论第四分区溶解氧浓度、理论第五分区溶解氧浓度以及理论第二分区硝态氮浓度。
该过程与步骤202中所示的过程相同，在此不作赘述。
步骤303，将理论第三分区溶解氧溶度、理论第四分区溶解氧浓度、理论第五分区溶解氧浓度以及理论第二分区硝态氮浓度分别输入出水氨氮浓度预测模型以及出水总氮浓度预测模型，输出得到预测出水氨氮浓度以及预测出水总氮浓度。
在本申请实施例中，通过针对上述变量的pareto解集中进行优选参数的选取，并基于该优选参数对于污水处理池进行周期性控制，并进而确定以平均值表示的出水氨氮浓度以及出水总氮浓度。
可选地，计算机设备通过建立PID控制器的方式，对于污水处理池内的循环进行控制，在此情况下，对应选取出水氨氮浓度平均值最小时对应的理论第三分区溶解氧浓度、理论第四分区溶解氧浓度、理论第五分区溶解氧浓度以及理论第二分区硝态氮浓度作为理想设定值。
在本申请实施例中，利用AdaBoost算法来整合最小二乘支持向量机训练的多个子预测模型，在建模的过程当中逐步优化各个子预测模型的权重，并且将子预测模型的权重进行融合，构成本方案的AdaBoost-LSSVM模型。也即，在模型的建立过程中，获取至少两个训练样本，训练样本标注有样本结果；之后，基于训练样本确定训练样本集合，训练样本集合中包括至少两个训练样本，并基于训练样本集合构建与训练样本对应的子模型，最终基于子模型构建结构相似的出水氨氮浓度预测模型以及出水总氨浓度预测模型。
如下示例示出了AdaBoost算法的一种具体实现步骤：
(1)、初始化样本权值w1k，初始化过程如下公式6所示：
公式6：
Figure BDA0003305182180000091
式中，N为训练样本的数量，k为自然数。
(2)建立m个子预测模型，并利用各子预测模型获得训练集的预测结果Gm(xk)，k＝1，2，…，N，其中，xk为训练集中的辅助变量。
(3)确定每个训练样本预测的相对误差，该相对误差的获取过程如下公式7所示：
公式7：
Figure BDA0003305182180000092
式中，yk为训练集中的主导变量，Em为第m个子预测模型对训练样本预测的最大误差。
(4)基于如下公式8确定第m个子预测模型的权重am：
公式8：
Figure BDA0003305182180000101
式中，em为第m个子预测模型的误差率。
(5)基于如下公式9更新样本权重wm+1，k：
公式9：
Figure BDA0003305182180000102
式中，Zm为归一化因子。
(6)、基于如下公式10组合自预测模型的结果，得到模型的最终预测值G(xk)：
公式10：
Figure BDA0003305182180000103
可选地，对应LSSVM算法，计算机设备在进行模型构建时需要确定惩罚因子，子预测模型对应的惩罚因子的取值范围定为3*102至3*109。对应该情况，在一个示例中，子预测模型的数量设定为4，子预测模型对应的惩罚因子的取值范围定为3*103、3*104、3*105、3*106。
步骤304，响应于预测出水氨氮浓度未超过出水氨氮浓度阈值，且预测出水总氮浓度未超过出水总氮浓度阈值，基于理论第三分区溶解氧溶度、理论第四分区溶解氧浓度、理论第五分区溶解氧浓度以及理论第二分区硝态氮浓度对污水处理池进行控制。
该过程与步骤204中所示的过程相同，在此不作赘述。
步骤305，响应于预测出水氨氮浓度超过出水氨氮浓度阈值，且预测出水氨氮浓度与出水氨氮浓度阈值的差值小于第一差值阈值，建立第一污水处理内循环，并增加内循环流量至第一内循环流量定值。
步骤305至步骤308示出了本实施例提供的一种第一污水处理内循环的建立与控制过程。
在本申请实施例中，当预测出水氨氮浓度超过出水氨氮浓度阈值，且超出量未达到第一差值阈值时，即可确定与该情况对应的第一污水处理内循环的控制方式。在一个示例中，第一差值阈值为6mg/L。
在本申请实施例中，在建立第一污水内循环时，对应的内循环流量，也即内循环的初始流量即为第一内循环流量定值。在一个示例中，该定值为120000m3/d。
需要说明的是，本申请实施例中所述的各种“阈值”，可以是计算机设备中预先设定，在进行污水处理的过程当中即时调用的阈值，也可以是计算机设备在执行对应的功能时，人为设定的阈值。本申请实施例对于“阈值”的实际实现形式不作限定。
步骤306，响应于内循环流量被调节至第一内循环流量定值，调节理论第三分区溶解氧溶度、理论第四分区溶解氧浓度以及理论第五分区溶解氧浓度。
在本申请实施例中，基于上述参数，即可对于原始控制当中的理论第三分区溶解氧溶度、理论第四分区溶解氧浓度以及理论第五分区溶解氧浓度进行调节，并基于上述被调节的参数，重新对于污水处理池中的循环流量进行控制。在一个示例中，第三分区氨氮浓度SNb3对于内循环流量Qr进行调节的方式如下公式11所示：
公式11：Qr＝(14-SNH3)*15000
步骤307，基于调节结果确定第三分区氨氮浓度。
在本申请实施例中，第三分区氨氮浓度可以直接对于内循环流量进行控制。故在获取调节结果的基础上，基于调节结果中重新确定的最佳参数，进一步确定第三分区氨氮浓度。
步骤308，基于第三分区氨氮浓度调节出水氨氮浓度。
在本申请实施例中，当第三分区氨氮浓度得到调节时，出水氨氮浓度也会对应被调节至正常值，也即，出水氨氮浓度将会小于出水氨氮浓度阈值。
步骤309，响应于预测出水氨氮浓度超过所输送出水氨氮浓度阈值，且预测出水氨氮浓度与出水氨氮浓度阈值的差值大于第一差值阈值，调节第一分区外加碳源流量以及第二分区外加碳源流量至预设碳源流量。
步骤309示出了本实施例提供的另一种第一污水处理内循环的建立与控制过程。在此情况下，预测出水氨氮浓度超过所输送出水氨氮浓度阈值，且预测出水氨氮浓度与出水氨氮浓度阈值的差值大于第一差值阈值。此时，即需要对第一分区外加碳源流量与第二分区外加碳源流量进行同步调节。在一个示例中，预设碳源流量的值为5m3/d。设置该值的目的为促进污水处理池中的反应，进而促进氨氮和硝酸盐的吸收。在此情况下，出水氨氮浓度会被对应降低。
步骤310，响应于预测出水总氮浓度超过出水总氮浓度阈值，基于预测出水总氮浓度确定外加碳源总流量。
步骤310至步骤311示出了本实施例中，预测出水总氮浓度超过出水总氮浓度阈值时的控制过程，也即，第二污水处理内循环的建立并控制过程。在本过程中，需要首先对于外加碳源总流量进行确定。在一个示例中，外加碳源总流量qEC的取值范围为0～7m3/d。
步骤311，基于第五分区总氮浓度对第一分区外加碳源流量以及第二分区外加碳源流量进行分配。
在本申请实施例中，具体的分配方式为，当外加碳源流量的取值小于5m3/d时，将外加碳源流量全部分配给第一分区外加碳源流量，当外加碳源流量的取值大于5m3/d时，设定第一分区外加碳源流量为5m3/d，第二分区外加碳源流量为外加碳源流量与5m3/d的差值。
步骤312，响应于出水氨氮浓度恢复至未超过出水氨氮浓度阈值，且出水总氮浓度恢复至会超过出水总氨浓度阈值，基于理论第三分区溶解氧溶度、理论第四分区溶解氧浓度、理论第五分区溶解氧浓度以及理论第二分区硝态氮浓度对污水处理池进行控制。
该过程即为本申请实施例中，在出水氨氮浓度以及出水总氮浓度恢复至正常水平后的循环切换过程。在此情况下，仍通过原始的理论第三分区溶解氧溶度、理论第四分区溶解氧浓度、理论第五分区溶解氧浓度以及理论第二分区硝态氮浓度对污水处理池进行控制。
综上所述，本申请实施例提供的方法，在对于污水进行处理控制的过程当中，基于污水处理池的处理能力以及实际流入的污水流量对于污水处理池内的工况进行预测，并对应污水处理池的实际结构分段确定理想参数，在确定理想参数后，对控制过程所关注的出水氨氮浓度以及出水总氨浓度进行预测，并在预测到二者浓度异常时，通过引入处理内循环的公式对于相关参数进行控制，实现在污水处理过程中对于出水氨氮浓度和出水总氮浓度进行控制。通过对应不同异常情况时，选取对应的循环方式进行控制，进一步提高了对于出水氨氮浓度以及出水总氨浓度进行控制的准确率。
图4示出了本申请一个示例性实施例提供的一种污水处理过程的控制装置的结构框图，该装置包括：
建立模块401，用于基于污水参数以及污水处理池参数建立工况预测模型，工况预测模型用于预测污水处理过程的能耗以及污水处理池的出水水质，污水参数包括污水浓度以及污水入池流量，污水处理池参数用于表征污水处理池的污水承载能力以及污水处理能力；
确定模块402，用于基于工况预测模型确定理论第三分区溶解氧溶度、理论第四分区溶解氧浓度、理论第五分区溶解氧浓度以及理论第二分区硝态氮浓度；
输入模块403，用于将理论第三分区溶解氧溶度、理论第四分区溶解氧浓度、理论第五分区溶解氧浓度以及理论第二分区硝态氮浓度分别输入出水氨氮浓度预测模型以及出水总氮浓度预测模型，输出得到预测出水氨氮浓度以及预测出水总氮浓度；
控制模块404，用于响应于预测出水氨氮浓度未超过出水氨氮浓度阈值，且预测出水总氮浓度未超过出水总氮浓度阈值，基于理论第三分区溶解氧溶度、理论第四分区溶解氧浓度、理论第五分区溶解氧浓度以及理论第二分区硝态氮浓度对污水处理池进行控制；
建立模块401，还用于响应于预测出水氨氮浓度超过出水氨氮浓度阈值，建立并控制第一污水处理内循环，第一污水处理内循环的控制参数包括内循环流量、第一分区外加碳源流量、第二分区外加碳源流量以及外加碳源总流量中的至少一种。
响应于预测出水总氮浓度超过出水总氮浓度阈值，建立并控制第二污水处理内循环，第二污水处理内循环的控制参数包括第一分区外加碳源流量、第二分区外加碳源流量以及外加碳源总流量中的至少一种。
在一个可选的实施例中，建立模块401，还用于响应于预测出水氨氮浓度超过出水氨氮浓度阈值，且预测出水氨氮浓度与出水氨氮浓度阈值的差值小于第一差值阈值，建立第一污水处理内循环，并增加内循环流量至第一内循环流量定值；
请参考图5，该装置，还包括调节模块405，用于响应于内循环流量被调节至第一内循环流量定值，调节理论第三分区溶解氧溶度、理论第四分区溶解氧浓度以及理论第五分区溶解氧浓度；
基于调节结果确定第三分区氨氮浓度；
基于第三分区氨氮浓度调节出水氨氮浓度。
在一个可选的实施例中，调节模块405，还用于响应于预测出水氨氮浓度超过所输送出水氨氮浓度阈值，且预测出水氨氮浓度与出水氨氮浓度阈值的差值大于第一差值阈值，调节第一分区外加碳源流量以及第二分区外加碳源流量至预设碳源流量。
在一个可选的实施例中，确定模块402，还用于响应于预测出水总氮浓度超过出水总氮浓度阈值，基于预测出水总氮浓度确定外加碳源总流量；
该装置，还包括分配模块406，用于基于第五分区总氮浓度对第一分区外加碳源流量以及第二分区外加碳源流量进行分配。
在一个可选的实施例中，控制模块404，还用于响应于出水氨氮浓度恢复至未超过出水氨氮浓度阈值，且出水总氮浓度恢复至会超过出水总氨浓度阈值，基于理论第三分区溶解氧溶度、理论第四分区溶解氧浓度、理论第五分区溶解氧浓度以及理论第二分区硝态氮浓度对污水处理池进行控制。
在一个可选的实施例中，出水氨氮浓度预测模型以及出水总氨浓度预测模型为AdaBoost-LSSVM模型，
该装置，还包括获取模块407，用于获取至少两个训练样本，训练样本标注有样本结果；
确定模块402，还用于基于训练样本确定训练样本集合，训练样本集合中包括至少两个训练样本；
建立模块401，还用于基于训练样本集合构建与训练样本对应的子模型；
基于子模型构建出水氨氮浓度预测模型以及出水总氨浓度预测模型。
在一个可选的实施例中，第一分区以及第二分区为好氧区，第三分区、第四分区以及第五分区为厌氧区。
综上所述，在对于污水进行处理控制的过程当中，基于污水处理池的处理能力以及实际流入的污水流量对于污水处理池内的工况进行预测，并对应污水处理池的实际结构分段确定理想参数，在确定理想参数后，对控制过程所关注的出水氨氮浓度以及出水总氨浓度进行预测，并在二者浓度异常时，通过引入处理内循环的公式对于相关参数进行控制，实现在污水处理过程中对于出水氨氮浓度和出水总氮浓度进行控制。
需要说明的是：上述实施例提供的污水处理过程的控制装置，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
图6示出了本申请一个示例性实施例提供的一种用于执行基于污水处理过程的控制方法的计算机设备的结构示意图，该计算机设备包括：
处理器601包括一个或者一个以上处理核心，处理器601通过运行软件程序以及模块，从而执行各种功能应用以及数据处理。
接收器602和发射器603可以实现为一个通信组件，该通信组件可以是一块通信芯片。可选地，该通信组件可以实现包括信号传输功能。也即，发射器603可以用于发射控制信号至图像采集设备以及扫描设备中，接收器602可以用于接收对应的反馈指令。
存储器604通过总线605与处理器601相连。
存储器604可用于存储至少一个指令，处理器601用于执行该至少一个指令，以实现上述方法实施例中的各个步骤。
本申请实施例还提供一种计算机可读存储介质，该可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，以由处理器加载并执行以实现上述污水处理过程的控制方法。
本申请还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中任一所述的污水处理过程的控制方法。
可选地，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、固态硬盘(SSD，Solid State Drives)或光盘等。其中，随机存取记忆体可以包括电阻式随机存取记忆体(ReRAM，Resistance RandomAccess Memou)和动态随机存取存储器(DRAM，Dynamic Random Access Memory)。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
上述仅为本申请的可选实施例，并不用以限制本申请，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。

Claims (10)

1.一种污水处理过程的控制方法，其特征在于，所述方法应用于计算机设备中，所述计算机设备用于控制基于仿真基准模型BSM1建立的污水处理池；
所述污水处理池中包括相互连接的分区反应池以及沉淀池，所述分区反应池中包括依次连接的第一分区、第二分区、第三分区、第四分区以及第五分区；
所述方法包括：
基于污水参数以及污水处理池参数建立工况预测模型，所述工况预测模型用于预测污水处理过程的能耗以及所述污水处理池的出水水质，所述污水参数包括污水浓度以及污水入池流量，所述污水处理池参数用于表征所述污水处理池的污水承载能力以及污水处理能力；
基于所述工况预测模型确定理论第三分区溶解氧溶度、理论第四分区溶解氧浓度、理论第五分区溶解氧浓度以及理论第二分区硝态氮浓度；
将所述理论第三分区溶解氧溶度、所述理论第四分区溶解氧浓度、所述理论第五分区溶解氧浓度以及所述理论第二分区硝态氮浓度分别输入出水氨氮浓度预测模型以及出水总氮浓度预测模型，输出得到所述预测出水氨氮浓度以及所述预测出水总氮浓度；
响应于所述预测出水氨氮浓度未超过出水氨氮浓度阈值，且所述预测出水总氮浓度未超过出水总氮浓度阈值，基于所述理论第三分区溶解氧溶度、所述理论第四分区溶解氧浓度、所述理论第五分区溶解氧浓度以及所述理论第二分区硝态氮浓度对所述污水处理池进行控制；
响应于所述预测出水氨氮浓度超过所述出水氨氮浓度阈值，建立并控制第一污水处理内循环，所述第一污水处理内循环的控制参数包括内循环流量、第一分区外加碳源流量、第二分区外加碳源流量以及外加碳源总流量中的至少一种。
响应于所述预测出水总氮浓度超过所述出水总氮浓度阈值，建立并控制第二污水处理内循环，所述第二污水处理内循环的控制参数包括所述第一分区外加碳源流量、所述第二分区外加碳源流量以及外加碳源总流量中的至少一种。
2.根据权利要求1所述的方法，其特征在于，所述响应于所述预测出水氨氮浓度超过所述出水氨氮浓度阈值，建立并控制第一污水处理内循环，包括：
响应于所述预测出水氨氮浓度超过所述出水氨氮浓度阈值，且所述预测出水氨氮浓度与所述出水氨氮浓度阈值的差值小于第一差值阈值，建立所述第一污水处理内循环，并增加内循环流量至第一内循环流量定值；
响应于所述内循环流量被调节至所述第一内循环流量定值，调节所述理论第三分区溶解氧溶度、所述理论第四分区溶解氧浓度以及理论第五分区溶解氧浓度；
基于调节结果确定第三分区氨氮浓度；
基于所述第三分区氨氮浓度调节所述出水氨氮浓度。
3.根据权利要求2所述的方法，其特征在于，所述方法，还包括：
响应于所述预测出水氨氮浓度超过所输送出水氨氮浓度阈值，且所述预测出水氨氮浓度与所述出水氨氮浓度阈值的差值大于第一差值阈值，调节第一分区外加碳源流量以及所述第二分区外加碳源流量至预设碳源流量。
4.根据权利要求1所述的方法，其特征在于，所述响应于所述预测出水总氮浓度超过所述出水总氮浓度阈值，建立并控制第二污水处理内循环，包括：
响应于所述预测出水总氮浓度超过所述出水总氮浓度阈值，基于所述预测出水总氮浓度确定所述外加碳源总流量；
基于第五分区总氮浓度对所述第一分区外加碳源流量以及所述第二分区外加碳源流量进行分配。
5.根据权利要求1至4任一所述的方法，其特征在于，所述方法还包括：
响应于所述出水氨氮浓度恢复至未超过所述出水氨氮浓度阈值，且所述出水总氮浓度恢复至会超过所述出水总氨浓度阈值，基于所述理论第三分区溶解氧溶度、所述理论第四分区溶解氧浓度、所述理论第五分区溶解氧浓度以及所述理论第二分区硝态氮浓度对所述污水处理池进行控制。
6.根据权利要求1至4任一所述的方法，其特征在于，所述出水氨氮浓度预测模型以及所述出水总氨浓度预测模型为AdaBoost-LSSVM模型，所述方法，还包括：
获取至少两个训练样本，所述训练样本标注有样本结果；
基于所述训练样本确定训练样本集合，所述训练样本集合中包括至少两个所述训练样本；
基于所述训练样本集合构建与所述训练样本对应的子模型；
基于所述子模型构建所述出水氨氮浓度预测模型以及所述出水总氨浓度预测模型。
7.根据权利要求1至4任一所述的方法，其特征在于，所述第一分区以及所述第二分区为好氧区，所述第三分区、所述第四分区以及所述第五分区为厌氧区。
8.一种污水处理过程的控制装置，其特征在于，所述装置包括：
建立模块，用于基于污水参数以及污水处理池参数建立工况预测模型，所述工况预测模型用于预测污水处理过程的能耗以及所述污水处理池的出水水质，所述污水参数包括污水浓度以及污水入池流量，所述污水处理池参数用于表征所述污水处理池的污水承载能力以及污水处理能力；
确定模块，用于基于所述工况预测模型确定理论第三分区溶解氧溶度、理论第四分区溶解氧浓度、理论第五分区溶解氧浓度以及理论第二分区硝态氮浓度；
输入模块，用于将所述理论第三分区溶解氧溶度、所述理论第四分区溶解氧浓度、所述理论第五分区溶解氧浓度以及所述理论第二分区硝态氮浓度分别输入出水氨氮浓度预测模型以及出水总氮浓度预测模型，输出得到所述预测出水氨氮浓度以及所述预测出水总氮浓度；
控制模块，用于响应于所述预测出水氨氮浓度未超过出水氨氮浓度阈值，且所述预测出水总氮浓度未超过出水总氮浓度阈值，基于所述理论第三分区溶解氧溶度、所述理论第四分区溶解氧浓度、所述理论第五分区溶解氧浓度以及所述理论第二分区硝态氮浓度对所述污水处理池进行控制；
所述建立模块，还用于响应于所述预测出水氨氮浓度超过所述出水氨氮浓度阈值，建立并控制第一污水处理内循环，所述第一污水处理内循环的控制参数包括内循环流量、第一分区外加碳源流量、第二分区外加碳源流量以及外加碳源总流量中的至少一种。
响应于所述预测出水总氮浓度超过所述出水总氮浓度阈值，建立并控制第二污水处理内循环，所述第二污水处理内循环的控制参数包括所述第一分区外加碳源流量、所述第二分区外加碳源流量以及外加碳源总流量中的至少一种。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一所述的污水处理过程的控制方法。
10.一种计算机可读存储介质，其特征在于，所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一所述的污水处理过程的控制方法。
CN202111207258.5A 2021-10-15 2021-10-15 污水处理过程的控制方法、装置、终端及可读存储介质 Pending CN113885597A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111207258.5A CN113885597A (zh) 2021-10-15 2021-10-15 污水处理过程的控制方法、装置、终端及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111207258.5A CN113885597A (zh) 2021-10-15 2021-10-15 污水处理过程的控制方法、装置、终端及可读存储介质

Publications (1)

Publication Number Publication Date
CN113885597A true CN113885597A (zh) 2022-01-04

Family

ID=79003200

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111207258.5A Pending CN113885597A (zh) 2021-10-15 2021-10-15 污水处理过程的控制方法、装置、终端及可读存储介质

Country Status (1)

Country Link
CN (1) CN113885597A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015052279A1 (en) * 2013-10-10 2015-04-16 Universitat Autonoma De Barcelona A method and a system for wastewater nitrogen removal
CN108549234A (zh) * 2018-05-11 2018-09-18 江南大学 一种基于动态变值的多目标优化控制方法
CN111582350A (zh) * 2020-04-30 2020-08-25 上海电力大学 一种基于距离加权LSSVM的过滤因子优化AdaBoost方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015052279A1 (en) * 2013-10-10 2015-04-16 Universitat Autonoma De Barcelona A method and a system for wastewater nitrogen removal
CN108549234A (zh) * 2018-05-11 2018-09-18 江南大学 一种基于动态变值的多目标优化控制方法
CN111582350A (zh) * 2020-04-30 2020-08-25 上海电力大学 一种基于距离加权LSSVM的过滤因子优化AdaBoost方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘卫华: "MK-LSSVM与AdaBoost-SVM在分类中的比较和研究", 《自动化仪表》 *
曹鹏飞 等: "化工过程软测量建模方法研究进展", 《化工学报》 *
杜文莉 等: "The Time Series Soft-sensor Modeling based on Adaboost_LS-SVM", 《2010 8TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION》 *

Similar Documents

Publication Publication Date Title
US9747544B2 (en) Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network
DK2099717T3 (en) Biological water treatment using alternating continuous and sequential aeration
CN112661259A (zh) 一种曝气过程自适应控制方法及系统
CN108439580B (zh) 溶解氧浓度控制系统、方法和装置
CN114671523B (zh) 一种基于预测控制的污水处理节能方法
CN115793471A (zh) 一种基于污水处理监测的可调式控制方法及系统
CN114275912A (zh) 一种基于自适应神经网络模型的曝气系统溶解氧控制方法
JP2013034966A (ja) 水処理システムおよびその曝気風量制御方法
CN108427268A (zh) 一种基于知识与数据信息决策的污水处理优化控制方法
CN114604962A (zh) 高速公路服务区污水处理系统运行工况的控制方法和系统
CN114488822B (zh) 基于高维多目标进化算法的智能污水处理过程优化方法
Volcke et al. Coupling the SHARON process with Anammox: Model-based scenario analysis with focus on operating costs
WO1993007089A1 (en) Method of controlling wastewater purification plants using quality evaluation of measuring data
CN113885597A (zh) 污水处理过程的控制方法、装置、终端及可读存储介质
CN117434844A (zh) 一种基于强化学习的造纸污水处理优化控制方法
Hirsch et al. Supervisory control system for adaptive phase and work cycle management of sequencing wastewater treatment plant
CN116681174A (zh) 污水处理生化池曝气量预测方法、系统、设备及介质
JP4038718B2 (ja) 下水処理プロセスのシミュレーション方法および下水処理プロセスシミュレータ
Swarnalatha Simulation and Analysis of Ammonium-Based Aeration Control Strategies to Enhance Efficiency in Wastewater Treatment Plant
Fotso Development of a Dynamic Simulation Model for Equalization Tanks
JP2002336889A (ja) 水質シミュレーション装置
CN113526692B (zh) 一种生化池溶解氧含量控制方法及系统
KR101962566B1 (ko) 연속회분식 반응조를 활용한 저 에너지 혐기성 암모늄 산화 시스템 및 이 시스템을 위한 선행 스케줄링 방법
JPH06335694A (ja) 排水の生物学的処理装置の制御装置
JPH08117793A (ja) 循環式硝化脱窒法における硝化反応および脱窒反応の状態監視方法

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