CN114169242A - 一种基于参数不确定性分析河道生态增氧的智能控制算法 - Google Patents

一种基于参数不确定性分析河道生态增氧的智能控制算法 Download PDF

Info

Publication number
CN114169242A
CN114169242A CN202111505464.4A CN202111505464A CN114169242A CN 114169242 A CN114169242 A CN 114169242A CN 202111505464 A CN202111505464 A CN 202111505464A CN 114169242 A CN114169242 A CN 114169242A
Authority
CN
China
Prior art keywords
parameter
model
parameters
river channel
uncertainty
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
CN202111505464.4A
Other languages
English (en)
Inventor
吴旦钧
陈梦迪
傅仪
李安宁
马尚行
沈英达
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.)
Zhejiang Jec New Energy Technology Co ltd
Original Assignee
Zhejiang Jec New Energy Technology Co ltd
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 Zhejiang Jec New Energy Technology Co ltd filed Critical Zhejiang Jec New Energy Technology Co ltd
Priority to CN202111505464.4A priority Critical patent/CN114169242A/zh
Publication of CN114169242A publication Critical patent/CN114169242A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • C02F7/00—Aeration of stretches of water
    • 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
    • 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)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Water Supply & Treatment (AREA)
  • Software Systems (AREA)
  • Organic Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Hydrology & Water Resources (AREA)
  • Feedback Control In General (AREA)

Abstract

一种基于参数不确定性分析河道生态增氧的智能控制算法。本发明公开了一种基于深度学习算法的河道增氧算法，包括以下步骤：1）采集参数；2）溶解氧平衡模型估算；3）确定进行模型参数不确定性分析的n个目标函数；4）代入溶解氧平衡模型进行计算；5)比较获得目标函数下的帕累托集对应的占优参数集；6)画出联合概率密度函数，进行双参数不确定性分析；7)画出每一个参数在占优集中的概率密度分布；8)进行河道需氧量计算；9）根据河道需氧量和设备的充氧效率确定设备充氧量。本发明克服现有技术方案中不能根据多参数数据精准控制增氧装置，只能人工经验判断或者套用简单线性数学模型的不足，以达到根据河道水体流速、河道水体水质及环境影响因子等参数来实现增氧精准控制的目的。

Description

一种基于参数不确定性分析河道生态增氧的智能控制算法
技术领域
本发明涉及河道生态治理领域，具体为一种基于参数不确定性分析河道生态增氧的智能控制算法。
背景技术
地表河道治理是一个十分复杂的系统，其治理过程受到很多因素的影响。其中，河道增氧对于受污染的河道治理是一个十分关键的治理环节，曝气由于可耗费较低的能源，产生极佳的处理成效，与低投入高产出的效益原则实现了深切契合，从上个世纪五十年代起，曝气就被广泛的应用于发达国家污染河湖的治理之中。因此，关于曝气设备的开发研究对于河道治理工作而言至关重要，高效先进的曝气设备有助于整体水处理工作效率提升。
专利文件CN111982746A公开了一种曝气装置的曝气性能评价方法，“包括：1)收集曝气池某检测点水面上的气体，检测得到该气体的氧气含量、该检测点的溶解氧含量，并得到收集过程中的气体流量；2)计算曝气效率评价比重a；3)根据曝气效率评价比重进行曝气装置的曝气性能评价；a＝0.70-1，曝气装置的曝气性能优秀；a＝0.55-0.70且不包括0.70，曝气装置的曝气性能正常；a＜0.55，曝气装置可能受到污染。本发明在生产运行中判定曝气装置的性能优劣，减少了曝气装置拆卸等环节，使得污水处理厂可以根据评价结果及时清洗或更换老旧、性能不佳的曝气装置，从而达到减少污水处理厂曝气耗能的效果，具有简单、方便等特点”，曝气为水中的微生物群提供充足的氧气，在保证其生存的基础上发挥其分解作用，可以改善河道的高锰酸盐指数、氨氮等技术指标，减轻水域污染。目前河道增氧的主要控制方法较为粗放，主要有两种方式，一种是根据人工经验判断进行时间控制，一种是根据溶解氧指标线性模型来进行调控，即当水体溶解氧平均参数高于上限值RH时停止增氧，低于下限值RL时，启动增氧。河道水体存在理化性质变化较快和溶解氧波动等问题，短时间内难以掌握其规律，无法根据当前水流速度变化、温度变化、水质变化、水体在丰枯水期等实际需求做出相应调整。
现有的一些自动曝气装置，虽然装有溶氧传感器，可实时读取水体中溶氧浓度，但溶解氧传感器位置以及数量难以确定，且仪器检测存在滞后性的问题；溶氧传感器安装位置过近，曝气装置启动极短的时间就会触发停机，无法实现曝气装置实际的作用范围。
河道治理曝气系统的参数位数高、强耦合、高度非线性，且水中溶解氧不稳定，系统难以在较短时间内达到平衡，为此，提出一种基于深度学习的河道智能增氧算法及装置，实现曝气总量的精确控制和自动控制，在达到水质指标的前提下，保证水质稳定，消除曝气量冗余，减少电能消耗，满足现代生态环境的发展需求。
发明内容
本发明的目的在于提供一种基于参数不确定性分析河道生态增氧的智能控制算法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于参数不确定性分析河道生态增氧的智能控制算法，包括以下工作步骤：
(1)采集较长时间段内河道水体的流速、水体水质及环境影响因子等参数，并存储至计算机数据存储单元，水质参数包括水体高锰酸盐指数、氨氮、总磷(TP)、溶解氧(DO)；
(2)根据溶解氧平衡模型，估算大气复氧量、呼吸耗氧量、生物复氧量，确定模型参数的取值范围及分布特征，并在取值范围内按照各自的分布特征抽取m组参数取值，m大于或等于10000；
(3)确定进行模型参数不确定性分析的n个目标函数，n大于或等于2；
(4)将m组模型参数的取值、水文水质监测数代入溶解氧平衡模型进行计算，确定目标函数的m组取值，计算结果与水体中实际溶解氧含量差值越小，说明参数值越准确；
(5)比较获得目标函数下的帕累托集对应的占优参数集，参数占优集中的参数组个数d不小于500，若d小于500则增大步骤(2)中抽取的参数组个数m，并重复执行步骤(2)；
(6)画出占优参数集的双参数的联合概率密度函数，进行双参数不确定性分析；
(7)利用核函数估计并画出每一个参数在占优集中的概率密度分布，概率密度最高处对应的取值作为模型参数率定结果；
(8)搜集计算所需河流的水文水质监测数据和已经率定的模型参数一起代入溶解氧平衡模型，进行河道需氧量计算；
(9)根据河道需氧量和设备的充氧效率确定设备充氧量，得到最佳的曝气器工作时间和工作功率，使河道溶解氧保持稳定。
优选的，所述步骤(1)中具体包括以下步骤：
a.所述环境因子包括温度(T)、气压(P)；对于其中部分缺失的数据，采用缺失数据前V个与后V个数据取平均值的方法进行填补，V表示前后取数的个数，取值为20-30个；搜集的所要计算河道的监测数据至少连续1年，至少平均每周1次，监测数据包括所计算河道的水文水质监测数据、气温气压等；
b.根据采集的数据确定用于计算河道需氧量的溶解氧平衡模型，根据其模型结构确定该模型的参数。
优选的，所述步骤(2)中具体包括以下步骤：
a.主要模型参数为氨氮氧化系数、BOD5氧化系数、大气复氧系数。确定模型参数的取值范围及其分布，可假设模型参数在其各自的取值范围内为均匀分布；
b.在每个参数各自的取值范围内依据其分布形式，用随机数生成程序生成m个随机数，m需大于等于10000；
c.根据模型要求将生成的参数随机取值进行分组，确保每组中每个参数有且只有1个值，共形成m组可用于驱动模型的参数组。
优选的，所述步骤(3)中具体包括以下步骤：
a.对溶解氧平衡模型进行分析；
b.根据模型，确定进行参数不确定性分析的n个目标函数，n大于或等于2；目标函数可以为不同水质数据的模型模拟值S与监测值O的平均相对误差RE，以及它们的均方根误差RMSE，具体见下面两个式子：
Figure BDA0003403033950000041
Figure BDA0003403033950000042
其中Oi是第i个监测值，Si是与Oi对应的模型模拟值，T是监测值总数。
优选的，所述步骤(4)中具体包括以下步骤：
a.将m组模型参数的取值、河流的监测数据代入溶解氧模型进行计算，确定m组各环境指标的模拟值Si，i＝1，2，3...T；
b.结合湖泊本身的监测数据Oi，i＝1，2，3...T，计算每组目标函数的取值，共m组。
优选的，所述步骤(5)中具体包括以下步骤：
a.目标函数的性质为目标函数越小代表模拟结果越好；
b.定义若参数组u对应的n个目标函数都大于参数组v对应的n个目标函数；则认为参数组u被参数组v占优；
c.比较m组参数对应的目标函数，将其中所有在上述步骤b定义下被任意某组参数占优的参数组去除；剩下的d组目标函数值的集合称为帕累托集，d不小于500；
d.提取帕累托集对应的参数组，获得d组参数组成占优参数集；
e.若d小于500则增大步骤(2)中抽取的参数组个数m，并重复执行步骤(2)-(4)。
优选的，所述步骤(6)中具体包括以下步骤：
a.画出占优参数集的双参数的联合概率密度函数；
b.用目测法进行双参数不确定性分析：概率密度大的地方参数不确定性小，概率密度小的地方参数不确定性大。
优选的，所述步骤(7)中具体包括以下步骤：
a.利用核函数估计并画出每一个参数在占优集中的概率密度分布；其中核函数采用高斯核函数；
b.选择概率密度最高处对应的取值作为模型参数率定结果。
优选的，所述步骤(8)中具体包括以下步骤：
a.整理率定完成的模型参数；
b.搜集计算河道需氧量所需河流的水文水质监测数据和已经率定的模型参数一起代入溶解氧平衡模型，进行河道需氧量的计算。
与现有技术相比，本发明的有益效果是：
1、本发明使用深度学习的方法对溶解氧浓度进行预测和控制，节约了人力物力资源，保证在达到河水溶解氧浓度要求的同时得到最低的曝气器工作能耗，解决依靠人工经验判断进行时间控制曝气时长长度导致曝气效率低的问题。
2、本发明可以实现对监测数据的充分利用，通过测试集来对初步的深度学习算法模型进行修正的设计，使得得到的最终深度学习算法模型误差更小，在预测溶解氧的基础上提前做出策略，提高曝气效率和准确度，解决单纯依靠溶解氧指标线性模型来进行调控曝气时长导致曝气效率低的问题。
3、本发明中的智能曝气可精准控制河道溶解氧浓度值，保证水质稳定，消除曝气量冗余，减少电能消耗，并为保证水体质量作出一定改善作用。
附图说明
图1为本发明的整体流程结构示意图；
图2为本发明的河道水文数据组成示意图；
图3为本发明的溶解氧平衡模型参数组成示意图。
具体实施方式
使本发明的技术方案、优点和特性更加清楚，下面将结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
作为本发明的一个实施例，申请的用于河道的智能曝气增氧系统主要包括风机系统、水文水质传感器模块、终端控制系统及反馈执行模块。在河道等距离设置若干曝气喷头，将水文水质监测传感器设置在河道多点位置，所述的传感器用于监测器所在单位区域内的水文水质数据并将结果发送给控制终端，然后由控制终端智能增氧算法通过计算河道内的溶氧平衡对曝气进行反馈；实施中，将监测的多个传感器所测定的数据平均处理，完全体现水体溶氧情况，提高控制精度。
所测量的参数包括以下参数中的一个或多个：溶解氧(DO)、氨氮、化学需氧量(COD)、生化需氧量(BOD5)、温度、气压。
在更具体的实施中，所述的传感器包括以下相连接的模块：终端模块，终端可以解释由传感器采集到的数据和信息，依据水文水质数据，用于通过深度学习及不确定性分析确定溶氧平衡中的参数；验证模块，用于验证所确定的参数值代入模型后计算的河道溶氧量与实际值是否相当，还可调整对应的参数；控制模块，用于打开曝气设备；
反馈执行模块，用于利用参数推算的河道需氧量确定设备充氧量，决定曝气设备的开启方案，形成控制信号并传输给每一个电控阀的控制电路、曝气机的控制电路。
在更具体的实施中，控制模块为可变成逻辑控制器(PLC)。适用于本发明中使用的控制模块的其他非限制性示例包括微处理器和计算机，控制模块可以被编程，以基于传感器采集并通过终端算法得到的数据和信息来控制曝气。例如控制模块可以使用逻辑来自动控制河道智能增氧设备的开启时间和持续时间。
在根据本发明的一个实施方式中，对气温、气压及河道水体中的溶解氧、COD、BOD、氨氮进行长时间的持续监测，基于溶氧平衡模型利用深度学习不确定分析方法确定参数值，以推算河道需氧量。曝气设备充氧公式可用于计算曝气时间，曝气时间由控制模块的控制系统维护，从而实现河道智能曝气增氧。河道溶氧平衡公式的示例如下所示：
河道需氧量＝呼吸耗氧量-大气复氧量-生物复氧量
主要参数包括大气复氧系数、氨氮氧化系数、BOD5氧化系数、生物复氧系数。基于监测时间段内的1000组数据对模型参数通过深度学习不确定性分析进行率定，确定进行模型参数不确定性分析的2个目标函数，分别为一天内溶解氧最低值和溶解氧最高值的模型模拟值S与监测值O的平均相对误差RE，以及它们的均方根误差RMSE。
模型参数的取值范围及其分布，大气复氧系数为0-7，氨氮氧化系数为0-10，BOD5氧化系数为0-2，将各参数在其各自的取值范围内用随机数生成程序分成10000组，确保每组中每个参数有且只有1个值，共形成10000组可用于驱动模型的参数组
将10000组模型参数的取值和一天内监测得到的水文水质数据(气温、气压、溶解氧、BOD5、氨氮)代入溶解氧平衡模型进行计算，确定目标函数的10000组取值；计算结果与水体中实际溶解氧含量差值越小，说明参数值越准确。
根据模型，确定进行参数不确定性分析的2个目标函数，一天内溶解氧最低值和溶解氧最高值的模型模拟值S与监测值O的平均相对误差RE，以及它们的均方根误差RMSE，具体见下面两个式子：
Figure BDA0003403033950000081
Figure BDA0003403033950000082
其中Oi是第i个监测值，Si是与Oi对应的模型模拟值，T是监测值总数。
将10000组模型参数的取值、河流的监测数据代入溶解氧模型进行计算，确定10000组各环境指标的模拟值Si；结合湖泊本身的监测数据Oi计算每组目标函数的相对误差取值，共10000组。
其中S1参数组对应的2个目标函数都大于参数组S2对应的2个目标函数；则认为参数组S1被参数组S2占优；
比较10000组参数对应的目标函数，将其中被任意某组参数占优的参数组去除；剩下的600组目标函数值的集合称为帕累托集，提取帕累托集对应的参数组，获得600组参数组成占优参数集；
比较获得目标函数下的帕累托集对应的占优参数集，参数占优集中的参数组个数为600；画出占优参数集的双参数的联合概率密度函数，进行双参数不确定性分析；用目测法进行双参数不确定性分析：概率密度大的地方参数不确定性小，概率密度小的地方参数不确定性大。
利用高斯核函数估计并画出每一个参数在占优集中的概率密度分布，概率密度最高处对应的取值作为模型参数率定结果；
搜集计算所需河流的水文水质监测数据和已经率定的模型参数一起代入溶解氧平衡模型，进行河道需氧量计算。
根据河道需氧量和设备的充氧效率确定设备充氧量，得到最佳的曝气器工作时间和工作功率，使河道溶解氧保持稳定。
模型值趋近于实际值，进一步，根据率定参数及溶氧目标值推算河道需氧量，进而由设备充氧量公式得到设备充氧量，公式如下：
Figure BDA0003403033950000091
其中，曝气设备标称充氧量为R0＝Rg/h，河道需氧量R1＝r g/h，水温20℃下的饱和溶解氧浓度OS(20)＝a mg/L，α为修正系数取0.85，β为修正系数取0.97，水温T℃下的饱和溶解氧浓度OS(T)＝b mg/L，水体中实际溶解氧浓度O＝cmg/L，实际水温T＝t℃。
结合设备工作效率和设备充氧量确定设备持续时间，控制算法与终端所计算的结果一起使用，以自动调整每天的设备使用时间，从而稳定水体中的溶解氧。
本专利提供一种智能曝气增氧的算法及装置，可自动控制曝气设备调节河道中的溶解氧，除此之外，该装置利用控制算法，基于实时监测反馈，以自动选择曝气时间，对于操作者更加高效，在稳定溶解氧的同时节省了能量。
本领域的技术人员都可以认为在本发明专利所阐述的技术方案、优点和特性的各种组合以及变型、简单的改造，这种技术方案的变化都构成了在本发明专利中所公开的技术方案，基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

Claims (9)

1.一种基于参数不确定性分析河道生态增氧的智能控制算法，其特征在于：包括以下工作步骤：
(1)采集较长时间段内河道水体的流速、水体水质及环境影响因子等参数，并存储至计算机数据存储单元，水质参数包括水体高锰酸盐指数、氨氮、总磷(TP)、溶解氧(DO)；
(2)根据溶解氧平衡模型，估算大气复氧量、呼吸耗氧量、生物复氧量，确定模型参数的取值范围及分布特征，并在取值范围内按照各自的分布特征抽取m组参数取值，m大于或等于10000；
(3)确定进行模型参数不确定性分析的n个目标函数，n大于或等于2；
(4)将m组模型参数的取值、水文水质监测数代入溶解氧平衡模型进行计算，确定目标函数的m组取值，计算结果与水体中实际溶解氧含量差值越小，说明参数值越准确；
(5)比较获得目标函数下的帕累托集对应的占优参数集，参数占优集中的参数组个数d不小于500，若d小于500则增大步骤(2)中抽取的参数组个数m，并重复执行步骤(2)；
(6)画出占优参数集的双参数的联合概率密度函数，进行双参数不确定性分析；
(7)利用核函数估计并画出每一个参数在占优集中的概率密度分布，概率密度最高处对应的取值作为模型参数率定结果；
(8)搜集计算所需河流的水文水质监测数据和已经率定的模型参数一起代入溶解氧平衡模型，进行河道需氧量计算；
(9)根据河道需氧量和设备的充氧效率确定设备充氧量，得到最佳的曝气器工作时间和工作功率，使河道溶解氧保持稳定。
2.根据权利要求1所述的一种基于参数不确定性分析河道生态增氧的智能控制算法，其特征在于：所述步骤(1)中具体包括以下步骤：
a.所述环境因子包括温度(T)、气压(P)；对于其中部分缺失的数据，采用缺失数据前V个与后V个数据取平均值的方法进行填补，V表示前后取数的个数，取值为20-30个；搜集的所要计算河道的监测数据至少连续1年，至少平均每周1次，监测数据包括所计算河道的水文水质监测数据、气温气压等；
b.根据采集的数据确定用于计算河道需氧量的溶解氧平衡模型，根据其模型结构确定该模型的参数。
3.根据权利要求1所述的一种基于参数不确定性分析河道生态增氧的智能控制算法，其特征在于：所述步骤(2)中具体包括以下步骤：
a.主要模型参数为氨氮氧化系数、BOD5氧化系数、大气复氧系数。确定模型参数的取值范围及其分布，可假设模型参数在其各自的取值范围内为均匀分布；
b.在每个参数各自的取值范围内依据其分布形式，用随机数生成程序生成m个随机数，m需大于等于10000；
c.根据模型要求将生成的参数随机取值进行分组，确保每组中每个参数有且只有1个值，共形成m组可用于驱动模型的参数组。
4.根据权利要求1所述的一种基于参数不确定性分析河道生态增氧的智能控制算法，其特征在于：所述步骤(3)中具体包括以下步骤：
a.对溶解氧平衡模型进行分析；
b.根据模型，确定进行参数不确定性分析的n个目标函数，n大于或等于2；目标函数可以为不同水质数据的模型模拟值S与监测值O的平均相对误差RE，以及它们的均方根误差RMSE，具体见下面两个式子：
Figure RE-FDA0003481226110000021
Figure RE-FDA0003481226110000022
其中Oi是第i个监测值，Si是与Oi对应的模型模拟值，T是监测值总数。
5.根据权利要求1所述的一种基于参数不确定性分析河道生态增氧的智能控制算法，其特征在于：所述步骤(4)中具体包括以下步骤：
a.将m组模型参数的取值、河流的监测数据代入溶解氧模型进行计算，确定m组各环境指标的模拟值Si，i＝1，2，3...T；
b.结合湖泊本身的监测数据Oi，i＝1，2，3...T，计算每组目标函数的取值，共m组。
6.根据权利要求1所述的一种基于参数不确定性分析河道生态增氧的智能控制算法，其特征在于：所述步骤(5)中具体包括以下步骤：
a.目标函数的性质为目标函数越小代表模拟结果越好；
b.定义若参数组u对应的n个目标函数都大于参数组v对应的n个目标函数；则认为参数组u被参数组v占优；
c.比较m组参数对应的目标函数，将其中所有在上述步骤b定义下被任意某组参数占优的参数组去除；剩下的d组目标函数值的集合称为帕累托集，d不小于500；
d.提取帕累托集对应的参数组，获得d组参数组成占优参数集；
e.若d小于500则增大步骤(2)中抽取的参数组个数m，并重复执行步骤(2)-(4)。
7.根据权利要求1所述的一种基于参数不确定性分析河道生态增氧的智能控制算法，其特征在于：所述步骤(6)中具体包括以下步骤：
a.画出占优参数集的双参数的联合概率密度函数；
b.用目测法进行双参数不确定性分析：概率密度大的地方参数不确定性小，概率密度小的地方参数不确定性大。
8.根据权利要求1所述的一种基于参数不确定性分析河道生态增氧的智能控制算法，其特征在于：所述步骤(7)中具体包括以下步骤：
a.利用核函数估计并画出每一个参数在占优集中的概率密度分布；其中核函数采用高斯核函数；
b.选择概率密度最高处对应的取值作为模型参数率定结果。
9.根据权利要求1所述的一种基于参数不确定性分析河道生态增氧的智能控制算法，其特征在于：所述步骤(8)中具体包括以下步骤：
a.整理率定完成的模型参数；
b.搜集计算河道需氧量所需河流的水文水质监测数据和已经率定的模型参数一起代入溶解氧平衡模型，进行河道需氧量的计算。
CN202111505464.4A 2021-12-10 2021-12-10 一种基于参数不确定性分析河道生态增氧的智能控制算法 Pending CN114169242A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111505464.4A CN114169242A (zh) 2021-12-10 2021-12-10 一种基于参数不确定性分析河道生态增氧的智能控制算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111505464.4A CN114169242A (zh) 2021-12-10 2021-12-10 一种基于参数不确定性分析河道生态增氧的智能控制算法

Publications (1)

Publication Number Publication Date
CN114169242A true CN114169242A (zh) 2022-03-11

Family

ID=80485299

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111505464.4A Pending CN114169242A (zh) 2021-12-10 2021-12-10 一种基于参数不确定性分析河道生态增氧的智能控制算法

Country Status (1)

Country Link
CN (1) CN114169242A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115124152A (zh) * 2022-03-23 2022-09-30 中交上海航道局有限公司 基于水质变化的自判别式微纳曝气系统及判别方法
CN115259413A (zh) * 2022-07-25 2022-11-01 苏州水星环保工业系统有限公司 一种用于精准曝气系统的风量控制方法
CN116969552A (zh) * 2023-09-21 2023-10-31 贵州勘设生态环境科技有限公司 一种一体式污水处理控制调节系统及其装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101604356A (zh) * 2009-06-24 2009-12-16 南京大学 一种不确定性中长期水文预报模型的建立方法
CN105929767A (zh) * 2016-07-05 2016-09-07 广州资源环保科技股份有限公司 一种河道远程自动监测自动曝气的自控系统
CN107728477A (zh) * 2017-09-21 2018-02-23 中国农业大学 一种工厂化水产养殖水质溶解氧预测控制方法及系统
CN109784568A (zh) * 2019-01-22 2019-05-21 扬州大学 一种通过多目标不确定性分析进行湖泊水质模型预测的方法
US20200311319A1 (en) * 2019-03-28 2020-10-01 China Waterborne Transport Research Institute Method for evaluating ecological environmental impact of channel project and countermeasures thereof based on mechanism analysis
CN113011661A (zh) * 2021-03-24 2021-06-22 河海大学 一种用于河流生态修复的曝气控制系统及其控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101604356A (zh) * 2009-06-24 2009-12-16 南京大学 一种不确定性中长期水文预报模型的建立方法
CN105929767A (zh) * 2016-07-05 2016-09-07 广州资源环保科技股份有限公司 一种河道远程自动监测自动曝气的自控系统
CN107728477A (zh) * 2017-09-21 2018-02-23 中国农业大学 一种工厂化水产养殖水质溶解氧预测控制方法及系统
CN109784568A (zh) * 2019-01-22 2019-05-21 扬州大学 一种通过多目标不确定性分析进行湖泊水质模型预测的方法
US20200311319A1 (en) * 2019-03-28 2020-10-01 China Waterborne Transport Research Institute Method for evaluating ecological environmental impact of channel project and countermeasures thereof based on mechanism analysis
CN113011661A (zh) * 2021-03-24 2021-06-22 河海大学 一种用于河流生态修复的曝气控制系统及其控制方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115124152A (zh) * 2022-03-23 2022-09-30 中交上海航道局有限公司 基于水质变化的自判别式微纳曝气系统及判别方法
CN115259413A (zh) * 2022-07-25 2022-11-01 苏州水星环保工业系统有限公司 一种用于精准曝气系统的风量控制方法
CN115259413B (zh) * 2022-07-25 2023-07-25 苏州水星环保工业系统有限公司 一种用于精准曝气系统的风量控制方法
CN116969552A (zh) * 2023-09-21 2023-10-31 贵州勘设生态环境科技有限公司 一种一体式污水处理控制调节系统及其装置
CN116969552B (zh) * 2023-09-21 2023-12-08 贵州勘设生态环境科技有限公司 一种一体式污水处理控制调节系统及其装置

Similar Documents

Publication Publication Date Title
CN114169242A (zh) 一种基于参数不确定性分析河道生态增氧的智能控制算法
CN108898215B (zh) 一种基于二型模糊神经网络的污泥膨胀智能辨识方法
CN103728431A (zh) 基于极限学习机的工业污水cod在线软测量方法
CN107402586A (zh) 基于深度神经网络的溶解氧浓度控制方法及系统
CN109473182B (zh) 一种基于深度信念网络的mbr膜透水率智能检测方法
CN103455716B (zh) 一种基于超短期风电功率预测的电力系统电压稳定裕度计算方法
CN115422850B (zh) 基于efdc和边缘计算判断河流入河排污口污染贡献率的方法
CN110132629B (zh) 一种利用支持向量机预测农村生活污水处理设施运行有效性的方法
CN106405030B (zh) 一种基于rbf神经网络的出水总磷检测装置及检测方法
CN111125907B (zh) 一种基于混合智能模型的污水处理氨氮软测量方法
CN111623369A (zh) 一种利用烟气含氧量信号调节锅炉入炉燃料量的控制方法
CN115081346B (zh) 一种风电机组尾流效应下的健康度判断方法、装置及介质
CN113107785A (zh) 一种风电机组功率性能异常的实时监测方法及装置
CN114511254B (zh) 基于数据分析的滨海湿地生态系统碳储量调节管理系统
CN115396981A (zh) 一种基于大数据技术的智能监测系统
CN110991701A (zh) 一种基于数据融合的风电场风机风速预测方法及系统
CN114858207A (zh) 一种基于软测量的河道排污口网格化溯源排查方法
CN112819087B (zh) 一种基于模块化神经网络的出水bod传感器异常检测方法
CN115994692B (zh) 基于5g和大数据的智慧河湖管理平台
CN117196883A (zh) 一种基于人工智能的污水处理决策优化方法及系统
CN107808209B (zh) 基于加权kNN距离的风电场异常数据辨识方法
CN113343601A (zh) 一种复杂水系湖泊水位和污染物迁移的动态模拟方法
CN115806344B (zh) 一种orp控制精准曝气的系统
CN114149076B (zh) 一种厌氧氨氧化污水处理系统的智能调试系统
CN114690643B (zh) 基于掺镓单晶中镓含量的电阻率控制方法、系统及设备

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
CB02 Change of applicant information

Address after: 314015 floors 1 and 2 of No. 4 plant, phase 1, China Electronics Technology (Jiaxing) smart Industrial Park, No. 587 Taoyuan Road, Gaozhao street, Xiuzhou District, Jiaxing City, Zhejiang Province

Applicant after: Zhejiang Jiake new energy and Environmental Protection Technology Co.,Ltd.

Address before: 314000 floors 1 and 2, No.4 plant, phase 1, China Power Technology (Jiaxing) intelligent industrial park, no.587 Taoyuan Road, Gaozhao street, Xiuzhou District, Jiaxing City, Zhejiang Province

Applicant before: ZHEJIANG JEC NEW ENERGY TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information