CN113889194A - 一种污水生化处理中溶解氧的预测方法 - Google Patents
一种污水生化处理中溶解氧的预测方法 Download PDFInfo
- Publication number
- CN113889194A CN113889194A CN202111199687.2A CN202111199687A CN113889194A CN 113889194 A CN113889194 A CN 113889194A CN 202111199687 A CN202111199687 A CN 202111199687A CN 113889194 A CN113889194 A CN 113889194A
- Authority
- CN
- China
- Prior art keywords
- prediction
- dissolved oxygen
- training
- result
- data set
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- C02F2209/22—O2
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Microbiology (AREA)
- Water Supply & Treatment (AREA)
- Organic Chemistry (AREA)
- Environmental & Geological Engineering (AREA)
- Databases & Information Systems (AREA)
- Hydrology & Water Resources (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Crystallography & Structural Chemistry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明提供一种污水生化处理中溶解氧的预测方法,所述预测方法包括:步骤S1、收集污水生化处理中的水质数据并预处理,得到数据集;对影响水质的因素进行变分模态分解,得到分解分量;步骤S2、根据步骤S1所述数据集,判断所述分解分量与溶解氧的关系,进行聚类分析,将所述分解分量分成紧密组和松散组;步骤S3、根据步骤S1所述数据集,对所述紧密组进行多任务学习训练,对所述松散组进行多视图学习训练,建立所述预测模型,并进行溶解氧预测和辅任务预测。所述预测方法将溶解氧预测以及与其相关因素的辅任务预测相结合,显著提高了对未来溶解氧预测的准确性。
Description
技术领域
本发明涉及污水生化处理技术领域,尤其涉及一种污水生化处理中溶解氧的预测方法。
背景技术
在污水处理中,生化池溶解氧的稳定控制是生物脱氮的关键,目前污水处理厂对于溶解氧的控制是采用根据在线溶解氧仪的数据,人工调节,根据溶解氧仪来调控溶解氧往往存在滞后,不利于保证出水的稳定达标。
为了提升对生化池中溶解氧的预测效果,已有一些研究采用相关预测方法提前对生化池中溶解氧进行预测。
CN113033861A公开了一种基于时间序列模型的水质预测方法及系统,结合遗传算法对水质时间序列数据进行时间片段进行优化,然后将优化后的时间片段数据作为单条数据送入模型训练;结合注意力机制在模型的编解码阶段,对水质数据实现多层注意力机制,并引入外部信息实现联合建模,实现最终的水质数据预测,但该预测方法需要大规模的水质特征序列,而在实际中很多水质特征数据缺少或者无法找到足够多与溶解氧预测的特征数据。
CN111898673A公开了一种基于EMD与LSTM的溶解氧含量预测方法,包括获取水质数据并进行数据清洗,采用KNN算法对水质数据中的缺失数据进行补全,采用EMD算法对水质数据中的原始溶解氧监测数据时间序列进行分解,获得包括残差和有限个本征模函数在内的多个分量,对多个子LSTM网络进行训练以及验证,利用验证通过的多个子LSTM网络,获得多个分量对应的下一个单位时间的溶解氧预测数值,将所有分量对应的预测数值进行累加,获得下一个单位时间的溶解氧预测结果,但该预测方法采用EMD算法存在模态混叠的缺点,而且在整合最新信号处理技术的成功和多任务、多视图学习模式方面的工作存在不足。
CN109147875A公开了一种基于模糊聚类的支持向量回归算法的污水溶解氧浓度预测方法,对污水中溶解氧的含量进行预测,针对污水处理过程中溶解氧实时测量难的问题,本方法首先通过模糊聚类把整个样本分成多个子样本,再在每个子样本上建立支持向量回归模型,然后进行集成,对污水中溶解氧的含量进行在线预测,但该预测方法中模糊聚类需要预先知道分类数,需要大量先验知识;其次模糊聚类运算量,当数据量大的时候,模糊聚类将无法实现聚类的目的;而且SVM要取得较好的效果需要很多先验特征因素及其数据。
CN106802563A公开了一种基于果蝇优化和LSSVM的污水过程优化控制方法,通过采集污水过程数据,建立包含污水过程溶解氧和硝态氮系统模型,准确描述系统实时状态,采用果蝇算法进行滚动优化,将控制目标及各种约束体现在优化性能指标中,并根据实时数据在线更新模型,但该预测方法中LSSVM在迭代优化时稀疏性不好,费时费力;而且果蝇优化的效果很大程度在于参数的选择,而参数选择需要丰富的先验经验和知识,对最终结果的准确性影响较大。
因此,需要开发一种新的污水生化处理中溶解氧的预测方法,解决现有预测方法中相关数据获取困难的问题。
发明内容
鉴于现有技术中存在的问题,本发明提供一种污水生化处理中溶解氧的预测方法,所述预测方法基于增强型时间序列模型对污水生化池溶解氧进行预测,能够前瞻性获取未来一段时间的溶解氧序列,协助运行控制合理的曝气量,有助于稳定生物脱氮,能够有利于出水稳定,同时能够对曝气进行精确控制,节约成本。
为达此目的,本发明采用以下技术方案:
本发明提供一种污水生化处理中溶解氧的预测方法,所述预测方法包括:
步骤S1、收集污水生化处理中的水质数据并预处理,得到数据集;对影响水质的因素进行变分模态分解,得到分解分量;
步骤S2、根据步骤S1所述数据集,判断所述分解分量与溶解氧的关系,进行聚类分析,将所述分解分量分成紧密组和松散组;
步骤S3、根据步骤S1所述数据集,对所述紧密组进行多任务学习训练,对所述松散组进行多视图学习训练,建立所述预测模型,并进行溶解氧预测和辅任务预测。
本发明提供的污水生化处理中溶解氧的预测方法首先通过变分模态分解和聚类分析将分解分量分为紧密组和松散组,分别对应溶解氧预测的任务和辅任务预测,其中辅任务预测采用多视图学习训练的方式,而溶解氧预测采用多任务学习训练,构建了增强型时间序列模型对未来溶解氧和辅任务的预测,从而能够根据预测的溶解氧和辅任务,共同实现对现实生产的指导调控。
本发明所述预测方法相较于现有时间序列预测模型而言,无需大规模的水质特性数据,能够有效缓解部分水质数据不足的问题;而且与模糊聚类相比,本发明中聚类分析方法无需大量的先验知识,能够较易的得到聚类分析结果。
优选地,步骤S1中所述预处理包括归一化处理、缺失值处理或异常值处理中任意一种或至少两种的组合,其中典型但非限制性的组合为归一化处理和缺失值处理的组合,缺失值处理和异常值处理的组合,归一化处理和异常值处理的组合。
本发明对所述归一化处理、缺失值处理或异常值处理的具体流程没有特殊限制,可采用本领域技术人员熟知的处理方式,例如归一化处理是指针对收集的测量数据中物料无法平衡的进行归一化处理,所述缺失值处理是指针对已有的数据对缺失值进行预估或计算或根据现有资料进行推算的过程,所述异常值处理是指根据数据趋势将数据明显异常的值剔除或用估算的值代替。本发明通过上述处理过程,更有利于提高后续预测的准确性。
优选地,步骤S2中所述聚类分析的衡量指标包括余弦距离。
优选地,步骤S3中所述多视图学习训练包括依次进行的卷积、池化、循环训练和全连接。
优选地,所述卷积采用Conv1D卷积。
优选地,所述池化采用最大池化。
优选地,步骤S3中所述循环训练采用循环门单元算法对所述训练数据进行训练,得到第一训练结果。
本发明优选采用循环门单元算法对训练数据进行训练,具有更优的预测效果。
优选地,步骤S3中所述第一训练结果经第一全连接,进行辅任务预测,得到辅任务预测结果。
优选地,步骤S3中所述第一训练结果经第一全连接后,溶解氧相关部分再与紧密组的分解分量共同进行第二全连接和训练,得到溶解氧预测结果。
本发明不仅仅是分开的溶解氧主任务和辅任务,而是将辅任务运行的中间结果与紧密组的分解分量一起共同进行第二全连接,从而显著提高了预测的准确性。
优选地,所述训练的损失函数如下式(1)所示:
其中,式(1)中L表示训练中的损失值,N为最终所需预测的结果的个数,ai表示每个预测结果的权重系数,i表示中间数,其值为1~N的自然数,Yi表示实际值,表示预测值,MSE表示实际值与预测值之间的均方误差。
优选地,所述溶解氧相关部分经相似度聚类分析得到。
优选地,步骤S3中所述辅任务预测中预测要素包括pH值、污泥浓度、氧化还原电位、进水流量或理论氨氮去除量中的任意一种或至少两种的组合,其中典型但非限制性的组合为pH值和污泥浓度的组合,氧化还原电位和污泥浓度的组合,pH值和氧化还原电位的组合,进水流量和污泥浓度的组合,pH值和进水流量的组合。
优选地,所述溶解氧预测得到未来1~3h的溶解氧序列,例如可以是1h、1.2h、1.5h、2h、2.2h、2.5h或3h等。
优选地,所述溶解氧序列每隔1~10min具有一个预测值,例如可以是1min、2min、5min或10min等。
优选地,所述辅任务预测得到未来1~3h的相对应的预测要素序列,例如可以是1h、1.2h、1.5h、2h、2.2h、2.5h或3h等。
优选地,所述预测要素序列每隔1~10min具有一个预测值,例如可以是1min、2min、5min或10min等。
优选地,所述建立方法还包括:
S4、根据所述溶解氧预测结果与辅任务预测结果,指导生产调控。
作为本发明优选的技术方案,所述建立方法包括如下步骤:
步骤S1、收集污水生化处理中的水质数据并预处理,得到数据集,对影响水质的因素进行变分模态分解,得到分解分量;
步骤S2、根据步骤S1所述数据集,判断所述分解分量与溶解氧的关系,进行聚类分析,所述聚类分析的衡量指标包括余弦距离,将所述分解分量分成紧密组和松散组;
步骤S3、根据步骤S1所述数据集,对所述松散组进行多视图学习训练,所述多视图学习训练包括依次进行的Conv1D卷积、最大池化、循环门单元算法进行的训练和第一全连接,进行辅任务预测,得到辅任务预测结果;
所述第一训练结果经第一全连接后,经相似度聚类分析得到溶解氧相关部分,所述溶解氧相关部分与紧密组的分解分量共同进行第二全连接和训练,得到溶解氧预测结果;
步骤S4、根据所述溶解氧预测结果与辅任务预测结果,指导生产调控。
与现有技术相比,本发明至少具有以下有益效果:
(1)本发明提供的污水生化处理中溶解氧的预测方法将溶解氧预测以及与其相关因素的辅任务预测相结合,显著提高了对未来溶解氧预测的准确性;
(2)本发明提供的污水生化处理中溶解氧的预测方法通过辅任务解决了后续生产调控所需的相关数据缺失的难题;
(3)本发明提供的污水生化处理中溶解氧的预测方法基于增强型时间序列模型对污水生化池溶解氧进行预测,相较于现有的时间序列预测模型而言,原始数据需求量更少,预测更加准确,预测值与实际值之间的均方误差在0.0165以内,预测结果准确,预测偏差的绝对值在0.05以内,相对值的绝对值仅在1.6779%以内。
附图说明
图1是本发明提供的污水生化处理中溶解氧的预测方法中增强型时间序列模型图。
图2是实施例1提供的污水生化处理中溶解氧的预测方法流程图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
下面对本发明进一步详细说明。但下述的实例仅仅是本发明的简易例子,并不代表或限制本发明的权利保护范围,本发明的保护范围以权利要求书为准。
需要理解的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
作为本发明的一个具体实施方式,提供一种基于增强型时间序列模型的污水生化处理中溶解氧的预测方法,所述建立方法包括如下步骤:
步骤S1、收集污水生化处理中的水质数据并预处理,得到数据集,对影响水质的因素进行变分模态分解,得到分解分量;
步骤S2、如图1所示,根据步骤S1所述数据集,判断所述分解分量与溶解氧的关系,进行聚类分析,所述聚类分析的衡量指标包括余弦距离,将所述分解分量分成紧密组和松散组;
步骤S3、根据步骤S1所述数据集,对所述松散组进行多视图学习训练,所述多视图学习训练包括依次进行的Conv1D卷积、最大池化、循环门单元算法进行的训练和第一全连接,进行辅任务预测,得到辅任务预测结果;
所述第一训练结果经第一全连接后,经相似度聚类分析得到溶解氧相关部分,所述溶解氧相关部分与紧密组的分解分量共同进行第二全连接和训练,得到溶解氧预测结果;
步骤S4、根据所述溶解氧预测结果与辅任务预测结果,指导生产调控。
实施例1
本实施例提供一种污水生化处理中溶解氧的预测方法,如图2所示,所述建立方法包括如下步骤:
步骤S1、收集污水生化处理中的水质数据并预处理,得到数据集,并构建增强型时间序列模型,具体包括:对影响水质的因素进行变分模态分解,得到分解分量;
步骤S2、根据步骤S1所述数据集,判断所述分解分量与溶解氧的关系,进行聚类分析,所述聚类分析的衡量指标包括余弦距离,将所述分解分量分成紧密组和松散组,其中松散组包括{IMF11,IMF21,IMF31,……,IMFn1},紧密组包括{IMF2n,IMF31,IMF41,……,IMFnn},其中n为大于1的自然数;
步骤S3、根据步骤S1所述数据集,对所述松散组进行多视图学习训练,所述多视图学习训练包括依次进行的Conv1D卷积、最大池化、循环门单元算法进行的训练和第一全连接,进行辅任务预测,得到辅任务预测结果,所述辅任务预测结果具体以辅任务序列表现,包括理论氨氮去除量序列、污泥浓度序列、进水流量序列和氧化还原电位序列;
所述第一训练结果经第一全连接后,经相似度聚类分析得到溶解氧相关部分,所述溶解氧相关部分与紧密组的分解分量共同进行第二全连接和训练,得到溶解氧预测结果,所述溶解氧预测结果以溶解氧预测序列体现,具体为预测未来未来两小时溶解氧,以每隔5min一个预测值的形式呈现;
所述训练的损失函数如下式(1)所示:
其中,式(1)中L表示训练中的损失值,N为最终所需预测的结果的个数,ai表示每个预测结果的权重系数,i表示中间数,其值为1~N的自然数,Yi表示实际值,表示预测值,MSE表示实际值与预测值之间的均方误差。
步骤S4、判断辅任务序列与溶解氧预测序列中较为接近的预测要素,找到影响溶解氧的变化原因,根据所述溶解氧预测结果与辅任务预测结果,指导生产调控。
本实施例综合变分模态分解和聚类分析方法,实现了所收集数据的处理,从而能够将其分为两组,为了后续相辅相成的主任务和辅任务预测提供基础,且避开了部分难以获取数据的难题,而且所述预测方法将溶解氧预测以及与其相关因素的辅任务预测相结合,显著提高了对未来溶解氧预测的准确性,能够更精确的指导生产。
本实施例提供的预测方法的预测值与后续最终实际值的列表如表1所示。
表1
从表1可以看出,预测的结果与最终实际值相差较小,均方误差仅为0.0165,预测结果准确,预测偏差的绝对值在0.05以内,相对值的绝对值仅在1.6779%以内。
对比例1
本对比例提供一种基于EMD与LSTM的溶解氧含量预测方法,所述预测方法采用CN111898673A中具体实施方式的方法进行。
本对比例提供的溶解氧含量预测方法一方面仅单独针对溶解氧进行预测,而最终进行生产调控时还需要综合考量其他影响因素,无法做到更全面的生产指导调控,而且在整合最新信号处理技术的成功和多任务、多视图学习模式方面的工作存在不足;另一方面采用EMD算法存在模态混叠的缺点。
综上所述,本发明提供的污水生化处理中溶解氧的预测方法通过辅任务与主任务相结合的方式,既实现了辅任务中间运行结果对主任务的辅助预测,又能够以辅任务运行结果与溶解氧预测结果共同指导生产调控,调控更加准确靠谱。
申请人声明,本发明通过上述实施例来说明本发明的详细结构特征,但本发明并不局限于上述详细步骤方法,即不意味着本发明必须依赖上述详细步骤方法才能实施。所属技术领域的技术人员应该明了,对本发明的任何改进,对本发明所选用步骤的等效替换以及辅助步骤的增加、具体方式的选择等,均落在本发明的保护范围和公开范围之内。
Claims (10)
1.一种污水生化处理中溶解氧的预测方法,其特征在于,所述预测方法包括:
步骤S1、收集污水生化处理中的水质数据并预处理,得到数据集;对影响水质的因素进行变分模态分解,得到分解分量;
步骤S2、根据步骤S1所述数据集,判断所述分解分量与溶解氧的关系,进行聚类分析,将所述分解分量分成紧密组和松散组;
步骤S3、根据步骤S1所述数据集,对所述紧密组进行多任务学习训练,对所述松散组进行多视图学习训练,建立所述预测模型,并进行溶解氧预测和辅任务预测。
2.根据权利要求1所述的预测方法,其特征在于,步骤S1中所述预处理包括归一化处理、缺失值处理或异常值处理中任意一种或至少两种的组合。
3.根据权利要求1或2所述的预测方法,其特征在于,步骤S2中所述聚类分析的衡量指标包括余弦距离。
4.根据权利要求1~3任一项所述的预测方法,其特征在于,步骤S3中所述多视图学习训练包括依次进行的卷积、池化、循环训练和全连接;
优选地,所述卷积采用Conv1D卷积;
优选地,所述池化采用最大池化。
5.根据权利要求4所述的预测方法,其特征在于,步骤S3中所述循环训练采用循环门单元算法对所述训练数据进行训练,得到第一训练结果。
6.根据权利要求5所述的预测方法,其特征在于,步骤S3中所述第一训练结果经第一全连接,进行辅任务预测,得到辅任务预测结果。
7.根据权利要求6所述的预测方法,其特征在于,步骤S3中所述第一训练结果经第一全连接后,溶解氧相关部分再与紧密组的分解分量共同进行第二全连接和训练,得到溶解氧预测结果;
优选地,所述溶解氧相关部分经相似度聚类分析得到。
8.根据权利要求1~7任一项所述的预测方法,其特征在于,步骤S3中所述辅任务预测中预测要素包括pH值、污泥浓度、氧化还原电位、进水流量或理论氨氮去除量中的任意一种或至少两种的组合。
9.根据权利要求1~8任一项所述的建立方法,其特征在于,所述建立方法还包括:
S4、根据溶解氧预测结果与辅任务预测结果,指导生产调控。
10.根据权利要求1~9任一项所述的建立方法,其特征在于,所述建立方法包括如下步骤:
步骤S1、收集污水生化处理中的水质数据并预处理,得到数据集;对影响水质的因素进行变分模态分解,得到分解分量;
步骤S2、根据步骤S1所述数据集,判断所述分解分量与溶解氧的关系,进行聚类分析,所述聚类分析的衡量指标包括余弦距离,将所述分解分量分成紧密组和松散组;
步骤S3、根据步骤S1所述数据集,对所述松散组进行多视图学习训练,所述多视图学习训练包括依次进行的Conv1D卷积、最大池化、循环门单元算法进行的训练和第一全连接,进行辅任务预测,得到辅任务预测结果;
所述第一训练结果经第一全连接后,经相似度聚类分析得到溶解氧相关部分,所述溶解氧相关部分与紧密组的分解分量共同进行第二全连接和训练,得到溶解氧预测结果;
步骤S4、根据所述溶解氧预测结果与辅任务预测结果,指导生产调控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111199687.2A CN113889194A (zh) | 2021-10-14 | 2021-10-14 | 一种污水生化处理中溶解氧的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111199687.2A CN113889194A (zh) | 2021-10-14 | 2021-10-14 | 一种污水生化处理中溶解氧的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113889194A true CN113889194A (zh) | 2022-01-04 |
Family
ID=79002907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111199687.2A Pending CN113889194A (zh) | 2021-10-14 | 2021-10-14 | 一种污水生化处理中溶解氧的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113889194A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115536088A (zh) * | 2022-09-28 | 2022-12-30 | 南京晓庄学院 | 一种基于数据分析的污水生化处理流程优化管控系统 |
CN117113264A (zh) * | 2023-10-24 | 2023-11-24 | 上海昊沧系统控制技术有限责任公司 | 一种实时在线的污水厂溶解氧仪表异常检测的方法 |
-
2021
- 2021-10-14 CN CN202111199687.2A patent/CN113889194A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115536088A (zh) * | 2022-09-28 | 2022-12-30 | 南京晓庄学院 | 一种基于数据分析的污水生化处理流程优化管控系统 |
CN117113264A (zh) * | 2023-10-24 | 2023-11-24 | 上海昊沧系统控制技术有限责任公司 | 一种实时在线的污水厂溶解氧仪表异常检测的方法 |
CN117113264B (zh) * | 2023-10-24 | 2024-02-09 | 上海昊沧系统控制技术有限责任公司 | 一种实时在线的污水厂溶解氧仪表异常检测的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113889194A (zh) | 一种污水生化处理中溶解氧的预测方法 | |
Moisan et al. | Near optimal interval observers bundle for uncertain bioreactors | |
KR940005029B1 (ko) | 프로세스 운전지원방법 및 시스템 | |
CN109408774B (zh) | 基于随机森林和梯度提升树的预测污水出水指标的方法 | |
Regmi et al. | The future of WRRF modelling–outlook and challenges | |
CN109508811A (zh) | 基于主成分分析和长短期记忆网络的污水处理出水参数预测方法 | |
US20190359510A1 (en) | Cooperative optimal control method and system for wastewater treatment process | |
CN109205781A (zh) | 控制系统及控制方法 | |
CN113325702B (zh) | 一种曝气控制方法及装置 | |
KR102440372B1 (ko) | 빅데이터 및 인공지능 기반의 하수처리시설의 유입수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 | |
CN108088974B (zh) | 一种厌氧同时反硝化产甲烷过程出水硝氮的软测量方法 | |
CN111650834B (zh) | 基于极限学习机的污水处理过程预测控制方法 | |
CN106200381B (zh) | 一种根据处理水量分阶段控制水厂运行的方法 | |
CN112445136B (zh) | 一种基于连续时间神经网络的浓密机预测控制方法及系统 | |
Garcia-Ceja et al. | Towards the automation of a chemical sulphonation process with machine learning | |
CN114690700A (zh) | 一种基于plc的智能污水处理决策优化方法及系统 | |
CN201330211Y (zh) | 污水处理厂运行参数自寻优模拟系统 | |
CN1279356C (zh) | 基于限定记忆部分最小二乘算法的4-cba含量在线软测量建模方法 | |
CN102676818B (zh) | 一种湿法炼锌除铜过程锌粉有效性系数预测方法 | |
CN116681174A (zh) | 污水处理生化池曝气量预测方法、系统、设备及介质 | |
CN116679026A (zh) | 自适应无偏有限脉冲响应滤波的污水溶解氧浓度估计方法 | |
CN116862213A (zh) | 一种冷轧厂产线能耗指标分解方法、装置、介质及设备 | |
CN114036846A (zh) | 池塘养殖溶解氧缺失数据插补方法 | |
CN113065242A (zh) | 一种基于kplsr模型的污水处理出水总氮浓度软测量方法 | |
CN117874409B (zh) | 基于水质预测的制水反馈调控方法、系统、终端及介质 |
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 |