CN114565154A - 一种渗滤液生化段碳源投加量的预测方法及优化算法 - Google Patents
一种渗滤液生化段碳源投加量的预测方法及优化算法 Download PDFInfo
- Publication number
- CN114565154A CN114565154A CN202210186209.6A CN202210186209A CN114565154A CN 114565154 A CN114565154 A CN 114565154A CN 202210186209 A CN202210186209 A CN 202210186209A CN 114565154 A CN114565154 A CN 114565154A
- Authority
- CN
- China
- Prior art keywords
- carbon source
- adding amount
- percolate
- model
- nitrogen concentration
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 142
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 148
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 61
- 230000006870 function Effects 0.000 claims abstract description 52
- 238000012795 verification Methods 0.000 claims abstract description 42
- 238000013135 deep learning Methods 0.000 claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000004519 manufacturing process Methods 0.000 claims abstract description 18
- 238000004140 cleaning Methods 0.000 claims abstract description 15
- 238000013075 data extraction Methods 0.000 claims abstract description 10
- 238000011478 gradient descent method Methods 0.000 claims abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 34
- 238000010606 normalization Methods 0.000 claims description 19
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 18
- 229910052760 oxygen Inorganic materials 0.000 claims description 18
- 239000001301 oxygen Substances 0.000 claims description 18
- 238000013461 design Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000010992 reflux Methods 0.000 claims description 15
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013024 troubleshooting Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 abstract 1
- 238000005842 biochemical reaction Methods 0.000 description 21
- 230000005284 excitation Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 239000000149 chemical water pollutant Substances 0.000 description 5
- 241000894006 Bacteria Species 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical group OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 102100026167 Fez family zinc finger protein 2 Human genes 0.000 description 2
- 101000912440 Homo sapiens Fez family zinc finger protein 2 Proteins 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000006396 nitration reaction Methods 0.000 description 2
- 230000001546 nitrifying effect Effects 0.000 description 2
- 239000010815 organic waste Substances 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- CKUAXEQHGKSLHN-UHFFFAOYSA-N [C].[N] Chemical compound [C].[N] CKUAXEQHGKSLHN-UHFFFAOYSA-N 0.000 description 1
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/30—Administration of product recycling or disposal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Sustainable Development (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)
Abstract
本发明涉及一种渗滤液生化段碳源投加量的预测方法及优化算法,包括以下步骤:S1)确定影响渗滤液生化段出水总氮浓度的影响因子;S2)基于现场生产数据进行数据提取与清洗,得到包含训练数据组和验证数据组的基础数据组;S3)创建深度学习神经网络算法模型;S4)使用训练数据组训练模型;S5)使用训练数据组和验证数据组验证模型;S6)创建包含影响因子参数的碳源投加量目标函数,通过梯度下降法、牛顿迭代法或者二分法对碳源投加量目标函数进行求解,得到最低碳源投加量预测值;S7)针对碳源投加量目标函数引入碳源投加系数对最低碳源投加量预测值进行误差调节,并通过观测生化段出水总氮浓度的实际值进行验证,得到最优碳源投加量预测值。
Description
技术领域
本发明属于渗滤液处理技术领域,尤其是涉及一种渗滤液生化段碳源投加量的预测方法及优化算法。
背景技术
垃圾填埋场渗滤液的处理一直都是填埋场设计、运行和管理中非常棘手的问题,垃圾填埋场的渗滤液属于高浓度有机废液,垃圾渗滤液总氮浓度一般从数百到几千毫克每升不等,与城市污水相比,垃圾渗沥液的氨氮浓度高出数十至数百倍。
MBR膜生化处理是最为经济有效的渗滤液处理方式,是应用最为广泛的技术之一。在渗滤液处理过程中,渗滤液从填埋场底部搜集进入调节池、均衡池中缓存,在一级硝化池的生化反应阶段,通过投加碳源以分解渗滤液中的总氮,经过生化反应可有效降低渗滤液中的COD和总氮,再经过深化处理单元处理后可实现达标排放。生化反应是整个工艺系统的核心,分为反硝化反应和硝化反应,而氮是垃圾渗滤液污染程度的重要指标之一,渗滤液处理中碳源在反硝化菌作用下可有效分解硝态氮,良好的碳氮比是生化反应顺利进行的保障,在碳源不足的情况下需投加碳源,一般渗滤液中的总氮在一级硝化池的一级生化反应能够有效降低95%以上,为保证出水水质稳定,通常还会设计二级硝化池进行二级反硝化及硝化反应。现有技术中,碳源投加成本占渗滤液工厂运营总成本近30%,而碳源的投加量受进水水量水质、环境因素、内回流量等多方因素影响,是一个多变量、大滞后、动态性、干扰严重的动态系统,是一种难以控制的复杂工业过程,难以通过固定公式或算法进行计算,垃圾渗滤液场站普遍存在过度投加碳源的情况,难以满足环保要求。
目前,现有渗滤液生化段碳源投加量的预测方法,存在以下不足:
1、大多数企业是基于外加碳源量的人工经验公式计算碳源投加量:这样的方式很大程度是依赖技术人员经验,存在许多误判的情况,容易发生过度或者过少投加的情况,容易因过度投加导致生产成本增加以及对其他微生物产生抑制作用,或者因过少投加容易导致出水总氮不达标,而且渗滤液处理的生化反应是一个多因素影响的生物、化学综合反应,依靠经验公式计算碳源投加量并不能够完全准确的计算得到碳源投加量,存在很大的局限性。
2、少部分企业是基于神经网络的水处理碳源加药量算法预测:首先,这类算法通常只能够计算城市污水处理的碳源投加量,模型的输入参数简单,无法应用于诸如垃圾填埋场、焚烧厂、垃圾中转站等场所的渗滤液为高浓度有机废液的处理,其次,这些算法只是依据历史的投加数据训练模型,而历史的碳源投加量并非最优的碳源投加量,这样训练出来的模型输出的结果准确性不高,难以投入生产应用;此外,这类算法还普遍存在影响因子识别不全面、算法只能根据出水水质预测碳源投加量等问题,而且预测的碳源投加量并非是最优投加量,生产应用经济价值有限。
因此,针对渗滤液生化段的一级生化反应,迫切需要提供一种渗滤液生化反应处理阶段碳源投加量的预测方法和优化算法,以适用于解决现有渗滤液处理过程中存在的多变量影响因子不确定性和高复杂性的问题,在能够确保总氮去除率达标的同时,还能够合理投加碳源,从而达到节约成本的目的,保证渗滤液处理过程的稳定运行。
发明内容
本发明的目的在于针对现有技术中存在的不足,提供一种设计合理,应用广泛,碳源投加量预测准确度高,能够确保总氮去除率达标,还能够优化计算碳源投加量进行碳源合理投加,成本节约的渗滤液生化段碳源投加量的预测方法及优化算法。
为了实现上述目的,本发明采用以下技术方案:
本发明渗滤液生化段碳源投加量的预测方法及优化算法,其包括以下步骤:
S1)确定影响因子:确定影响渗滤液生化段出水总氮浓度的影响因子;
S2)数据提取与清洗:基于现场生产数据进行数据提取与清洗,得到包含训练数据组和验证数据组的基础数据组;
S3)模型创建:设定模型创建参数以创建深度学习神经网络算法模型;
S4)模型训练:使用训练数据组对深度学习神经网络算法模型进行训练;
S5)模型验证:分别使用训练数据组和验证数据组对深度学习神经网络算法模型进行验证;
S6)优化算法设计:创建包含影响因子参数的碳源投加量目标函数,并通过梯度下降法、牛顿迭代法或者二分法对碳源投加量目标函数进行求解,得到最低碳源投加量预测值;
S7)优化算法调优与验证:针对碳源投加量目标函数引入碳源投加系数对最低碳源投加量预测值进行误差调节,并通过观测渗滤液生化段出水总氮浓度的实际值进行验证,得到最优碳源投加量预测值。
作为优选,步骤S1)中的影响因子包括进水流量、进水COD浓度、进水氨氮浓度、进水总氮浓度、硝化池内回流流量、硝化池内温度、硝化池内pH、硝化池内溶解氧以及碳源投加量。
作为优选,步骤S2)中数据提取与清洗的方法为:基于现场生产数据,提取与影响因子相关的基础数据,对基础数据进行异常数据排查或者人工标注错误以剔除脏数据,进行数据清洗,得到包含训练数据组和验证数据组的基础数据组。
作为优选,步骤S3)中模型创建的方法为:应用matlab中newff.m函数,创建深度学习神经网络算法模型,设定隐含层的层数为单隐含层、隐含层的节点数为20-40个、输入层的节点数为9个、输出层为渗滤液生化段出水的总氮浓度预测值、隐含层节点激发函数为Logsig以及输出层节点激发函数为Purelin作为模型创建参数。
作为优选,步骤S4)中模型训练的方法为:对训练数据组进行数据归一化处理后,设定模型的权值、阀值、最大训练步数以及训练误差作为模型训练参数,应用matlab中train.m函数,使用训练数据组对深度学习神经网络算法模型进行训练。
作为优选,步骤S5)中模型验证的方法,包括:对基础数据组中所有数据进行归一化处理后,调用matlab中sim.m函数,使用基础数据组对深度学习神经网络算法模型进行验证,输出验证结果,调用matlab中自带的mapminmax.m函数对输出的验证结果进行逆归一化处理,得到渗滤液生化段出水的总氮浓度预测值,将总氮浓度预测值与基础数据组中的出水总氮浓度进行对比验证。
作为优选,步骤S5)中模型验证的方法,还包括:分别使用训练数据组和验证数据组对深度学习神经网络算法模型进行验证后,分别计算均方根误差RMSE、决定系数R2、平均绝对误差MAE,以验证总氮浓度预测值的准确率。
作为优选,步骤S6)中的创建包含影响因子参数的函数关系,如式(1),以及碳源投加量目标函数,如式(2):
F(Qin,Scod,SNH3-N,STN,Qre,Wch3oh,T,PH,DO)=Spre_TN (1)
G(Wch3oh)=F(Qin,Scod,SNH3-N,STN,Qre,Wch3oh,T,PH,DO)-Slim_TN (2)
其中,Spre_TN表示渗滤液生化段出水的总氮浓度预测值,Qin表示进水流量,Scod表示进水COD浓度,SNH3-N表示进水氨氮浓度,STN表示进水总氮浓度,Qre表示硝化池内回流流量,Wch3oh表示碳源投加量,T表示硝化池内温度,PH表示硝化池内pH,DO表示硝化池内溶解氧;G(Wch3oh)表示碳源投加量目标函数,Slim_TN表示渗滤液生化段出水的总氮浓度设计限值,若渗滤液生化段出水的总氮浓度预测值Spre_TN与总氮浓度设计限值Slim_TN越接近,则碳源投加量越低。
作为优选,步骤S7)中针对碳源投加量目标函数引入碳源投加系数对最低碳源投加量预测值进行误差调节,如式(3):
Woptimal_ch3oh=ρ*arg(G(Wch3oh)=0) (3)
其中,Woptimal_ch3oh表示渗滤液生化段出水的最优碳源投加量预测值,ρ表示碳源投加系数,G(Wch3oh)=0表示碳源投加量目标函数G(Wch3oh)趋近于0。
本发明采用以上技术方案,通过对项目现场长期生产经验及理论分析,识别并确定了渗滤液生化段出水总氮浓度的影响因子,通过创建及训练深度学习神经网络算法模型,并对模型进行验证以确保其预测准确度,可以有效预测碳源投加量与生化段出水总氮浓度的函数关系以及碳源投加量目标函数,并根据渗滤液生化段出水的总氮浓度设计限值,应用梯度下降法((Gradient Descent)、牛顿迭代法(Newton)和二分法(Bisection)三种计算方式中的任意一种,优选二分法进一步优化模型输出最优碳源加药量预测值,从而实现最低碳源投加的计算分析。
本发明基于深度学习算法,具备极强的自学习能力,在实际应用中每一次计算数据也可作为模型训练数据,不断优化模型的准确性。本发明基于深度学习的预测方法和二分法的优化算法,两种算法相结合,可更加精准预测最优的碳源投加量,可有效降低渗滤液工厂运营成本。本发明生产数据来源于现场生产环境,预测结果也应用现场实际生产并进行系数调优,工程项目实用性强。垃圾填埋场渗滤液、焚烧厂渗滤液、垃圾中转站渗滤液。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,现针对附图进行如下说明:
图1为本发明渗滤液生化段碳源投加量的预测方法及优化算法的流程示意图。
具体实施方式
以下所描述的实施例仅是本发明一部分实施例,并不代表与本发明相一致的所有实施例。现结合附图,对示例性实施例进行如下说明:
如图1所示,本发明渗滤液生化段碳源投加量的预测方法及优化算法,其包括以下步骤:
S1)确定影响因子:确定影响渗滤液生化段出水总氮浓度的影响因子;
S2)数据提取与清洗:基于现场生产数据进行数据提取与清洗,得到包含训练数据组和验证数据组的基础数据组;
S3)模型创建:设定模型创建参数以创建深度学习神经网络算法模型;
S4)模型训练:使用训练数据组对深度学习神经网络算法模型进行训练;
S5)模型验证:分别使用训练数据组和验证数据组对深度学习神经网络算法模型进行验证;
S6)优化算法设计:创建包含影响因子参数的碳源投加量目标函数,并通过梯度下降法、牛顿迭代法或者二分法对碳源投加量目标函数进行求解,得到最低碳源投加量预测值;
S7)优化算法调优与验证:针对碳源投加量目标函数引入碳源投加系数对最低碳源投加量预测值进行误差调节,并通过观测渗滤液生化段出水总氮浓度的实际值进行验证,得到最优碳源投加量预测值。
作为优选,步骤S1)中的影响因子包括进水流量、进水COD浓度、进水氨氮浓度、进水总氮浓度、硝化池内回流流量、硝化池内温度、硝化池内pH、硝化池内溶解氧以及碳源投加量。
作为优选,步骤S2)中数据提取与清洗的方法为:基于现场生产数据,提取与影响因子相关的基础数据,对基础数据进行异常数据排查或者人工标注错误以剔除脏数据,进行数据清洗,得到包含训练数据组和验证数据组的基础数据组。
作为优选,步骤S3)中模型创建的方法为:应用matlab中newff.m函数,创建深度学习神经网络算法模型,设定隐含层的层数为单隐含层、隐含层的节点数为20-40个、输入层的节点数为9个、输出层为渗滤液生化段出水的总氮浓度预测值、隐含层节点激发函数为Logsig以及输出层节点激发函数为Purelin作为模型创建参数。
作为优选,步骤S4)中模型训练的方法为:对训练数据组进行数据归一化处理后,设定模型的权值、阀值、最大训练步数以及训练误差作为模型训练参数,应用matlab中train.m函数,使用训练数据组对深度学习神经网络算法模型进行训练。
作为优选,步骤S5)中模型验证的方法,包括:对基础数据组中所有数据进行归一化处理后,调用matlab中sim.m函数,使用基础数据组对深度学习神经网络算法模型进行验证,输出验证结果,调用matlab中自带的mapminmax.m函数对输出的验证结果进行逆归一化处理,得到渗滤液生化段出水的总氮浓度预测值,将总氮浓度预测值与基础数据组中的出水总氮浓度进行对比验证。
作为优选,步骤S5)中模型验证的方法,还包括:分别使用训练数据组和验证数据组对深度学习神经网络算法模型进行验证后,分别计算均方根误差RMSE、决定系数R2、平均绝对误差MAE,以验证总氮浓度预测值的准确率。
作为优选,步骤S6)中的创建包含影响因子参数的函数关系,如式(1),以及碳源投加量目标函数,如式(2):
F(Qin,Scod,SNH3-N,STN,Qre,Wch3oh,T,PH,DO)=Spre_TN (1)
G(Wch3oh)=F(Qin,Scod,SNH3-N,STN,Qre,Wch3oh,T,PH,DO)-Slim_TN (2)
其中,Spre_TN表示渗滤液生化段出水的总氮浓度预测值,Qin表示进水流量,Scod表示进水COD浓度,SNH3-N表示进水氨氮浓度,STN表示进水总氮浓度,Qre表示硝化池内回流流量,Wch3oh表示碳源投加量,T表示硝化池内温度,PH表示硝化池内pH,DO表示硝化池内溶解氧;G(Wch3oh)表示碳源投加量目标函数,Slim_TN表示渗滤液生化段出水的总氮浓度设计限值,若渗滤液生化段出水的总氮浓度预测值Spre_TN与总氮浓度设计限值Slim_TN越接近,则碳源投加量越低。
作为优选,步骤S7)中针对碳源投加量目标函数引入碳源投加系数对最低碳源投加量预测值进行误差调节,如式(3):
Woptimal_ch3oh=ρ*arg(G(Wch3oh)=0) (3)
其中,Woptimal_ch3oh表示渗滤液生化段出水的最优碳源投加量预测值,ρ表示碳源投加系数,G(Wch3oh)=0表示碳源投加量目标函数G(Wch3oh)趋近于0。
实施例
本实施例数据来源于沈阳某垃圾填埋场渗滤液场站生产数据,该场站渗滤液从填埋场底部搜集进入调节池、均衡池中缓存,依序经过一级硝化池的垃圾渗滤液处理生化段一级生化反应(包括一级反硝化和一级硝化)、二级硝化池的垃圾渗滤液处理生化段一级生化反应(包括二级反硝化和二级硝化)后,进入深化处理单元。
S1)确定影响因子:
依据长期渗滤液场站运营管理经验、监测数据和理论知识,确定碳源投加量与进水水质水量有直接关系,表现为进水流量越大、进水氨氮总氮浓度越高,添加碳源就越多,进水COD浓度越高,投加碳源越少,同时,生化反应还受硝化池内温度、pH、溶解氧、一级硝化至一级反硝化之间的内回流量等因素影响,各影响因素又互相制约互相影响,达到一个动态平衡。
较佳的,垃圾渗滤液处理生化段一级生化反应出水总氮浓度的影响因子,控制如下:
pH:生化反应适宜的pH值为6.5-7.5,pH值高于8或者低于6,反硝化速率将大大下降;
溶解氧:反硝化菌适于在缺氧条件下发生反硝化反应,但另一方面,其某些酶系统只有在有氧条件下才能合成,所以反硝化反应适宜在缺氧、好氧交替的条件下进行,溶解氧应控制在0.5mg/l以下;
温度:最佳的生化反应温度范围是25至35摄氏度,低于5摄氏度或者高于45摄氏度将会抑制硝化反硝化细菌的增加从而抑制硝化反应。
内回流量:反硝化池至硝化池的渗滤液循环回流有利于硝化、反硝化细菌的充分反应,流量越高,生化活性也越高。
S2)数据提取与清洗:
本实施例数据来源于沈阳某垃圾填埋场渗滤液场站生产数据,用于提取与影响因子相关的基础数据组,以便进行深度学习神经网络算法模型的训练及验证,同时,需要对已获取数据进行异常数据排查与清洗,较佳的,获取200组基础数据组。数据提取方式为:
进水流量Qin,从PLC中获取每日的累计进水流量;
进水水质参数(包括COD、氨氮、总氮),取自每日化验记录;
硝化区和反硝化区之间的内回流流量,原始数据取自PLC实时数据,30秒一次,剔除脏数据,并计算内回流流量日平均值Qre;
环境影响因素(温度、pH、溶解氧),原始数据取自PLC实时数据,30秒一次,剔除脏数据,并计算日平均温度T、日平均pH、日平均溶解氧DO;
碳源投加量,项目现场投加碳源为甲醇,投加量取自每日投加统计,记为Wch3oh
出水总氮浓度,取自每日化验记录,记为STN。
S3)模型创建:
S3.1)隐含层层数选择
本实施例从运行时间和预测精度两方面比较单隐含层和双隐含层的性能,网络结构相同,迭代次数都为100次,比较10次预测结果平均值,对比结果如表1所示:
网络类别 | 预测误差百分比 | 均方误差 | 运行时间/s |
单隐含层 | 1.64% | 0.0076 | 3.1253 |
双隐含层 | 1.60% | 0.0056 | 9.8592 |
表1:单隐含层和双隐含层对比
可以看出,单隐含层深度学习神经网络与双隐含层深度学习神经网络相比,虽然预测精度略点,但是其运行时间显著减少,所以择优选择单隐含层网络。
S3.2)确定各层节点数
在深度学习神经网络中,输入层和输出层节点数的个数由结合本实施例实际问题进行决定。本实施例设计输入层节点数为9个,分别为进水流量、进水COD浓度、进水氨氮浓度、进水总氮浓度、硝化区和反硝化区之间的硝化池内回流流量Qre、生化反应温度(即,硝化池内温度)、生化反应pH(即,硝化池内pH)、生化反应溶解氧DO(即,硝化池内溶解氧DO)和碳源投加量Wch3oh,输出层为一级生化反应输出端的总氮浓度STN。
隐含层的节点数是可以调整的,本发明选取隐含层节点20至40层分别作为模型设计训练,通过多次试验,对比得出结论隐含层节点为34,效果最好,其中gradient=0.024,validation checks=0,Best validation performance=0.024,所以选择隐含层节点数为34个。
S3.3)激发函数选择
根据本实施例分析对象的特点,选择隐含层节点激发函数为Logsig,输出层节点激发函数为Purelin。
S3.4)数据归一化、反归一化处理
基础数据归一化处理主要应用于模型输入训练,反归一化处理主要应用于训练结果的验证,本实施例应用160组基础数据作为训练数据组用于模型训练,剩余40组数据作为验证数据组用于模型验证。
采集到现场原始生产数据后,由于影响因素指标体系中各参数的数值大小差异较大,不能直接用来训练深度学习神经网络算法模型,需要对所有数据进行归一化处理后才能用来训练,以免某一指标的数值过大或过小,影响对输出结果的合理性和精确性。
本发明采用matlab创建、训练模型及数据处理,运用调用matlab中自带的mapminmax.m函数对数据进行归一化处理,经过归一化处理后,基础数据区间在[-1,1]。
归一化处理计算公式代码为:
[Y,ps]=mapminmax(X)
训练深度学习神经网络算法模型输出的预测结果,经过反归一化处理后得到的总氮浓度预测值Spre-TN,并与基础数据中的总氮浓度进行对比,以此验证深度学习神经网络算法模型的预测准确性。
反归一化处理计算公式代码:
X=mapminmax('reverse',Y,ps)。
S3.5)深度学习神经网络算法模型创建
本实施例调用Matlab中newff.m函数,创建一个名为net_carbondown的深度学习神经网络算法模型:
a=[-1 1;-1 1;-1 1;-1 1;-1 1;-1 1;-1 1;-1 1;-1 1]
b=[34,1]
net_carbondown=newff(a,b,1,{'Logsig','purelin'},'traingd');
其中,网络的权值和阀值采用默认值;
设置最大训练步数为:5000;
设置训练误差为:0.00001;
设置学习率为:0.001。
S4)模型训练:
本实施例调用matlab中train.m函数,使用基础数据组data_ori中的160组数据,对网络net_carbondown进行训练:
net_carbondown=train(net_carbondown,data160_ori,data160_ori_out);
%data160_ori为160组原始训练数据;
%data160_ori_out为160组原始训练数据输出。
S5)模型验证:
本实施调用matlab中sim.m函数,使用基础数据组data_ori中的所有200组数据,对深度学习网络net_carbondown进行测试验证,得到验证结果test_data,输出的验证结果进行反归一化处理后与基础数据组data_ori中原始的基础数据进行对比,验证深度学习神经网络算法模型的准确性。
计算公式代码:
test_data=data_ori(1:9,:);
test_out=sim(net_carbondown,test_data);
re_test_out=mapminmax('reverse',test_out,ps);
%data_ori原始训练数据组,共200组
%test_data验证数据
%test_out验证数据输出
%re_test_out验证数据逆归一化输出
本实施还分别用验证数据40组,训练数据160组,对深度学习神经网络算法模型进行验证,并分别计算均方根误差RMSE、决定系数R2、平均绝对误差MAE,从验证结果看,模型预测的渗滤液生化段出水总氮浓度预测值准确率较高,符合模型训练预期。验证结果对比表如表2:
表2:验证结果对比表
S6)优化算法设计:
根据上述深度学习神经网络算法模型的预测分析,生化段出水的总氮浓度与进水量Qin、进水水质参数(包括COD、氨氮、总氮)、硝化区和反硝化区之间的内回流流量Qre、环境影响因素(温度、pH、溶解氧)、碳源投加量Wch3oh,有一定的函数关系,记为:
F(Qin,Scod,SNH3-N,STN,Qre,Wch3oh,T,PH,DO)=Spre_TN (1)
其中,Spre_TN表示渗滤液生化段出水的总氮浓度预测值,Qin表示进水流量,Scod表示进水COD浓度,SNH3-N表示进水氨氮浓度,STN表示进水总氮浓度,Qre表示硝化池内回流流量,Wch3oh表示碳源投加量,T表示硝化池内温度,PH表示硝化池内pH,DO表示硝化池内溶解氧。
根据长期运营管理经验、监测数据和理论知识可知,碳源投加量与生化反应出水总氮存在负相关关系,即碳源投加量增加,出水总氮降低,所以优化算法设计思路就是在确保出水总氮符合限值Slim_TN的前提下,尽量少的投加碳源,即深度学习神经网络算法模型预测输出的Spre_TN与Slim_TN越接近,碳源投加量越低。
创建优化的碳源投加量目标函数G(Wch3oh):
G(Wch3oh)=F(Qin,Scod,SNH3-N,STN,Qre,Wch3oh,T,PH,DO)-Slim_TN (2)
其中,Spre_TN表示渗滤液生化段出水的总氮浓度预测值,Qin表示进水流量,Scod表示进水COD浓度,SNH3-N表示进水氨氮浓度,STN表示进水总氮浓度,Qre表示硝化池内回流流量,Wch3oh表示碳源投加量,T表示硝化池内温度,PH表示硝化池内pH,DO表示硝化池内溶解氧;G(Wch3oh)表示碳源投加量目标函数,Slim_TN表示渗滤液生化段出水的总氮浓度设计限值,若渗滤液生化段出水的总氮浓度预测值Spre_TN与总氮浓度设计限值Slim_TN越接近,则碳源投加量越低。
通过梯度下降法((Gradient Descent)、牛顿迭代法(Newton)和二分法(Bisection)三种计算方式均可计算对应的最低碳源投加量,本实施例择优采用二分法计算。
计算公式代码:
S7)优化算法调优与验证:
优化算法得到输出预测碳源投加量为算法模型理论计算预测所得,与实际项目应用可能存在一定误差,故本实施例针对碳源投加量目标函数引入碳源投加系数ρ对最低碳源投加量预测值进行误差调节,用于调节工程应用误差问题,如式(3):
Woptimal_ch3oh=ρ*arg(G(Wch3oh)=0) (3)
其中,Woptimal_ch3oh表示渗滤液生化段出水的最优碳源投加量预测值,ρ表示碳源投加系数,G(Wch3oh)=0表示碳源投加量目标函数G(Wch3oh)趋近于0。
在获得最低碳源投加量的数据后,将碳源投加情况应用于项目现场,并进一步观测生化反应出水总氮的实际值是否符合预期,如果不满足再进一步调节碳源投加系数ρ,不断反复循环优化调整输出最优碳源投加量Woptimal_ch3oh,最终输出有效的值最优碳源投加量预测Woptimal_ch3oh作为结果输出。
以上仅为本发明的较佳具体实施例,并不用以限制本发明保护范围;凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验所做的均等变化、修改、替换和变型,皆应在由权利要求书所确定的保护范围内。
Claims (9)
1.一种渗滤液生化段碳源投加量的预测方法及优化算法,其特征在于:其包括以下步骤:
S1)确定影响因子:确定影响渗滤液生化段出水总氮浓度的影响因子;
S2)数据提取与清洗:基于现场生产数据进行数据提取与清洗,得到包含训练数据组和验证数据组的基础数据组;
S3)模型创建:设定模型创建参数以创建深度学习神经网络算法模型;
S4)模型训练:使用训练数据组对深度学习神经网络算法模型进行训练;
S5)模型验证:分别使用训练数据组和验证数据组对深度学习神经网络算法模型进行验证;
S6)优化算法设计:创建包含影响因子参数的碳源投加量目标函数,并通过梯度下降法、牛顿迭代法或者二分法对碳源投加量目标函数进行求解,得到最低碳源投加量预测值;
S7)优化算法调优与验证:针对碳源投加量目标函数引入碳源投加系数对最低碳源投加量预测值进行误差调节,并通过观测渗滤液生化段出水总氮浓度的实际值进行验证,得到最优碳源投加量预测值。
2.根据权利要求1所述的渗滤液生化段碳源投加量的预测方法及优化算法,其特征在于:步骤S1)中的影响因子包括进水流量、进水COD浓度、进水氨氮浓度、进水总氮浓度、硝化池内回流流量、硝化池内温度、硝化池内pH、硝化池内溶解氧以及碳源投加量。
3.根据权利要求1所述的渗滤液生化段碳源投加量的预测方法及优化算法,其特征在于:步骤S2)中数据提取与清洗的方法为:基于现场生产数据,提取与影响因子相关的基础数据,对基础数据进行异常数据排查或者人工标注错误以剔除脏数据,进行数据清洗,得到包含训练数据组和验证数据组的基础数据组。
4.根据权利要求1所述的渗滤液生化段碳源投加量的预测方法及优化算法,其特征在于:步骤S3)中模型创建的方法为:应用matlab中newff.m函数,创建深度学习神经网络算法模型,设定隐含层的层数为单隐含层、隐含层的节点数为20-40个、输入层的节点数为9个、输出层为渗滤液生化段出水的总氮浓度预测值、隐含层节点激发函数为Logsig以及输出层节点激发函数为Purelin作为模型创建参数。
5.根据权利要求1所述的渗滤液生化段碳源投加量的预测方法及优化算法,其特征在于:步骤S4)中模型训练的方法为:对训练数据组进行数据归一化处理后,设定模型的权值、阀值、最大训练步数以及训练误差作为模型训练参数,应用matlab中train.m函数,使用训练数据组对深度学习神经网络算法模型进行训练。
6.根据权利要求1所述的渗滤液生化段碳源投加量的预测方法及优化算法,其特征在于:步骤S5)中模型验证的方法,包括:对基础数据组中所有数据进行归一化处理后,调用matlab中sim.m函数,使用基础数据组对深度学习神经网络算法模型进行验证,输出验证结果,调用matlab中自带的mapminmax.m函数对输出的验证结果进行逆归一化处理,得到渗滤液生化段出水的总氮浓度预测值,将总氮浓度预测值与基础数据组中的出水总氮浓度进行对比验证。
7.根据权利要求6所述的渗滤液生化段碳源投加量的预测方法及优化算法,其特征在于:步骤S5)中模型验证的方法,还包括:分别使用训练数据组和验证数据组对深度学习神经网络算法模型进行验证后,分别计算均方根误差RMSE、决定系数R2、平均绝对误差MAE,以验证总氮浓度预测值的准确率。
8.根据权利要求1所述的渗滤液生化段碳源投加量的预测方法及优化算法,其特征在于:步骤S6)中的创建包含影响因子参数的的函数关系,如式(1),以及碳源投加量目标函数,如式(2):
F(Qin,Scod,SNH3-N,STN,Qre,Wch3oh,T,PH,DO)=Spre_TN (1)
G(Wch3oh)=F(Qin,Scod,SNH3-N,STN,Qre,Wch3oh,T,PH,DO)-Slim_TN (2)
其中,Spre_TN表示渗滤液生化段出水的总氮浓度预测值,Qin表示进水流量,Scod表示进水COD浓度,SNH3-N表示进水氨氮浓度,STN表示进水总氮浓度,Qre表示硝化池内回流流量,Wch3oh表示碳源投加量,T表示硝化池内温度,PH表示硝化池内pH,DO表示硝化池内溶解氧;G(Wch3oh)表示碳源投加量目标函数,Slim_TN表示渗滤液生化段出水的总氮浓度设计限值,若渗滤液生化段出水的总氮浓度预测值Spre_TN与总氮浓度设计限值Slim_TN越接近,则碳源投加量越低。
9.根据权利要求8所述的渗滤液生化段碳源投加量的预测方法及优化算法,其特征在于:步骤S7)中针对碳源投加量目标函数引入碳源投加系数对最低碳源投加量预测值进行误差调节,如式(3):
Woptimal_ch3oh=ρ*arg(G(Wch3oh)=0) (3)
其中,Woptimal_ch3oh表示渗滤液生化段出水的最优碳源投加量预测值,ρ表示碳源投加系数,G(Wch3oh)=0表示碳源投加量目标函数G(Wch3oh)趋近于0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210186209.6A CN114565154A (zh) | 2022-02-28 | 2022-02-28 | 一种渗滤液生化段碳源投加量的预测方法及优化算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210186209.6A CN114565154A (zh) | 2022-02-28 | 2022-02-28 | 一种渗滤液生化段碳源投加量的预测方法及优化算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114565154A true CN114565154A (zh) | 2022-05-31 |
Family
ID=81716181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210186209.6A Pending CN114565154A (zh) | 2022-02-28 | 2022-02-28 | 一种渗滤液生化段碳源投加量的预测方法及优化算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114565154A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115304208A (zh) * | 2022-06-15 | 2022-11-08 | 中煤科工集团杭州研究院有限公司 | 一种乳化炸药生产废水处理方法 |
CN116911496A (zh) * | 2023-07-13 | 2023-10-20 | 长江水利委员会水文局长江上游水文水资源勘测局 | 一种多因数影响下的水位流量关系确定方法 |
-
2022
- 2022-02-28 CN CN202210186209.6A patent/CN114565154A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115304208A (zh) * | 2022-06-15 | 2022-11-08 | 中煤科工集团杭州研究院有限公司 | 一种乳化炸药生产废水处理方法 |
CN115304208B (zh) * | 2022-06-15 | 2023-09-08 | 中煤科工集团杭州研究院有限公司 | 一种乳化炸药生产废水处理方法 |
CN116911496A (zh) * | 2023-07-13 | 2023-10-20 | 长江水利委员会水文局长江上游水文水资源勘测局 | 一种多因数影响下的水位流量关系确定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114565154A (zh) | 一种渗滤液生化段碳源投加量的预测方法及优化算法 | |
CN103744293B (zh) | 基于模糊神经网络的废水处理监控方法和系统 | |
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 | |
CN112417765B (zh) | 一种基于改进师生网络模型的污水处理过程故障检测方法 | |
US20200331783A1 (en) | Decision support system and method for watertreatment | |
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 | |
CN111762958A (zh) | 基于asm2d模型的污水处理厂深井曝气工艺优化方法及装置 | |
Yao et al. | Predicting membrane fouling in a high solid AnMBR treating OFMSW leachate through a genetic algorithm and the optimization of a BP neural network model | |
Flores-Alsina et al. | Including the effects of filamentous bulking sludge during the simulation of wastewater treatment plants using a risk assessment model | |
CN115527628A (zh) | 城市污水化学除磷工艺的在线控制方法及系统 | |
CN106651032A (zh) | Sbr法氨氧化过程神经网络智能控制的方法 | |
CN115293043A (zh) | 一种污水处理厂脱氮效果诊断方法 | |
Baeza et al. | In-line fast OUR (oxygen uptake rate) measurements for monitoring and control of WWTP | |
CN114690700A (zh) | 一种基于plc的智能污水处理决策优化方法及系统 | |
CN117776336A (zh) | 水预处理方法及厌氧氨氧化水处理工艺 | |
CN115356930B (zh) | 一种污水处理过程中的多目标优化控制系统及方法 | |
CN116681174A (zh) | 污水处理生化池曝气量预测方法、系统、设备及介质 | |
Sahith et al. | Artificial intelligence in water treatment process optimization | |
Huang et al. | Modeling and optimization of the activated sludge process | |
CN115292936A (zh) | 一种污水处理厂多目标优化方法 | |
CN111652445B (zh) | 基于高斯分布的污水设备优化运行控制方法 | |
Heo et al. | End-to-end autonomous and resilient operability strategy of full-scale PN-SBR system: From influent augmentation to AI-aided optimal control and scheduling | |
CN111310991A (zh) | 一种工业园区污水处理设施运行费用的预测方法 | |
Flores-Alsina et al. | Benchmarking strategies to control GHG production and emissions | |
Cierkens et al. | Integrated model-based optimisation at the WWTP of Eindhoven |
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 |