CN114671523A - 一种基于预测控制的污水处理节能方法 - Google Patents
一种基于预测控制的污水处理节能方法 Download PDFInfo
- Publication number
- CN114671523A CN114671523A CN202111674080.5A CN202111674080A CN114671523A CN 114671523 A CN114671523 A CN 114671523A CN 202111674080 A CN202111674080 A CN 202111674080A CN 114671523 A CN114671523 A CN 114671523A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- prediction
- sewage treatment
- control
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 239000010865 sewage Substances 0.000 title claims abstract description 57
- 238000012544 monitoring process Methods 0.000 claims abstract description 44
- 238000006243 chemical reaction Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000000547 structure data Methods 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 79
- 238000010992 reflux Methods 0.000 claims description 43
- 239000010802 sludge Substances 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 33
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 32
- 239000001301 oxygen Substances 0.000 claims description 32
- 229910052760 oxygen Inorganic materials 0.000 claims description 32
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 21
- 230000014759 maintenance of location Effects 0.000 claims description 21
- 238000005273 aeration Methods 0.000 claims description 18
- 239000007788 liquid Substances 0.000 claims description 15
- 239000003344 environmental pollutant Substances 0.000 claims description 14
- 231100000719 pollutant Toxicity 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 239000000356 contaminant Substances 0.000 claims description 4
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 11
- 238000004134 energy conservation Methods 0.000 abstract description 5
- 230000009467 reduction Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 8
- 238000005842 biochemical reaction Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 241000894006 Bacteria Species 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000006396 nitration reaction Methods 0.000 description 3
- 230000001546 nitrifying effect Effects 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N ammonia Natural products N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000011259 mixed solution Substances 0.000 description 2
- 229910000069 nitrogen hydride Inorganic materials 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- CKUAXEQHGKSLHN-UHFFFAOYSA-N [C].[N] Chemical compound [C].[N] CKUAXEQHGKSLHN-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 230000001651 autotrophic effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000006213 oxygenation reaction Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- C02F3/30—Aerobic and anaerobic processes
-
- 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
- C02F2209/001—Upstream control, i.e. monitoring for predictive control
-
- 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
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Microbiology (AREA)
- Hydrology & Water Resources (AREA)
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Activated Sludge Processes (AREA)
- Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)
Abstract
一种基于预测控制的污水处理节能方法，包括步骤一：确定监测指标和监测数据采样频率；步骤二：获取在线监测数据，并对数据进行预处理；步骤三：对预处理后的数据进行动态转换，并构造特征指标；步骤四：模型结构数据处理，包括创建LSTM模型的三维框架数据；步骤五：模型训练及自动调参，包括对LSTM模型进行训练，调整LSTM模型的参数，将最优模型保存至服务器；步骤六：对最优模型进行线上布署；步骤七：模型预测及结果评估，包括对最优模型进行预测，将预测结果进行逆转换，对预测结果进行评估；步骤八：预测控制，包括调取LSTM模型进行预测，进行迭代以输出最优的控制变量组合，并驱动控制变量对应的变频器和变频控制仪器，以实现节能降耗的目标。
Description
技术领域
本发明涉及污水处理技术领域，尤其涉及一种基于预测控制的污水处理节能方法。
背景技术
随着我国城镇化进程的加快，污水处理厂和处理能力进一步上升，污水处理的标准对排放水质的要求也越来越高。节能降耗同样是污水处理厂的大势所趋。因此，确保水质稳定达标、以及节能降耗，是我国污水处理厂面临的重要需求。
如图1所示，在污水处理厂能耗构成中，最大的能耗是鼓风曝气，约占污水处理厂总能耗的54.5％，其次是污水提升泵22.6％、污泥处理10.5％和污泥回流7.5％，也占有较大比例能耗。因此，污水处理厂节能降耗关键环节，主要是在鼓风曝气、污水提升泵、污泥处理、污泥回流等这几个方面的智能控制方面。
目前，国内外污水处理智能控制的研究主要分为两大类：一是通过模拟计算生化反应池的需氧量，从而实现精确曝气的目标。二是通过前反馈控制与后反馈控制等传统的控制方式，控制溶解氧浓度在目标设定值附近稳定波动，从而实现节能降耗的目标。
在实际应用方面，目前我国污水处理厂大部分是靠人工操作，人工控制的效果与操作人员的经验有关，频繁调节造成水质波动较大。部分采用了自动控制的污水处理厂，一般采用衡量控制、简单回路控制的方法，并且大多数污水厂的控制都是固定溶解氧、内回流比、污泥回流比，这是建立在污水厂稳态运行的基础上的。但是，污水处理是一个复杂的过程，经历物理反应、化学反应、生物处理反应等，并且在污水处理厂的实际运行中，进水的污染物浓度、水流量、液位、水温、PH、混合液悬浮物浓度(MLSS)等不断发生变化。为应对这些过程参数变化的可能影响，污水厂一般会设定较高的DO控制值，以确保反应条件变化时水质仍能达标，然而过高的DO会导致曝气能耗较高。
因此，如何根据进水负荷的变化、污水处理过程参数的变化等，确定最佳的溶解氧、内回流比、污泥回流比，恰好满足活性污泥生化反应系统的降解需求，从而达到水质达标、节能的双重目标，是目前亟需研究的重要课题。
发明内容
本发明的目的在于针对背景技术中的缺陷，综合考虑了前馈环节的进水负荷动态变化、污水处理过程参数、以及出水水质的反馈补偿的影响，提出一种基于预测控制的污水处理节能方法，本方法通过实时获取进水的污染物浓度、水流量、液位、水温、PH、混合液悬浮物浓度(MLSS)、溶解氧(DO)、近期的出水水质等在线监测数据，并调取深度学习模型预测污染物出水浓度；然后通过贝叶斯优化算法，优化溶解氧、内回流比、污泥回流比这三个控制变量参数，通过深度学习模型迭代计算预测出水水质，使得预测出水浓度与目标排放值差异率最小或低于阀值，此时结束迭代循环输出最优控制变量组合，并驱动控制变量对应的变频器变频控制仪器，以实现节能降耗的目标。
为了解决上述问题，本发明提出了一种基于预测控制的污水处理节能方法，包括如下步骤：
步骤一：确定监测指标和监测数据采样频率；
步骤二：获取在线监测数据，并对数据进行预处理；
步骤三：对预处理后的数据进行动态转换，并构造特征指标；
步骤四：模型结构数据处理，包括创建LSTM模型的三维框架数据；
步骤五：模型训练及自动调参，包括对LSTM模型进行训练，调整LSTM模型的参数，将最优模型保存至服务器；
步骤六：对最优模型进行线上布署；
步骤七：模型预测及结果评估，包括对最优模型进行预测，将预测结果进行逆转换，对预测结果进行评估；
步骤八：预测控制，包括调取LSTM模型进行预测，使用贝叶斯优化的方式进行迭代以输出最优的控制变量组合，并驱动控制变量对应的变频器和变频控制仪器。
优选的，在所述步骤一中，确定监测指标包括选取监测指标，所选取得监测指标包括：
进水流量Q_in、进水化学需氧量COD_in、BOD5_in、进水氨氮NH3_in、好氧前端DO_b、好氧中段DO_m、好氧尾端DO_a、缺氧DO_q、反应池PH、反应池温度T、表征污泥回流比的混合液悬浮物浓度MLSS、表征内回流比的混合液回流量Qa、液位LT、以及出水NH3_out。
优选的，在所述步骤一中，确定监测数据采样频率包括：
根据曝气量改变至曝气池溶解氧浓度改变的时间确定采样频率。
优选的，在所述步骤二中，对数据进行预处理包括：
对数据完整性进行检查，剔除显著异常值，包括剔除缺失值、NULL值、值不变和负值；
剔除非正常监测时段的数据，包括剔除监测仪器处于故障期间、维修期间、超期限未校准时段、失控时段、有计划的维护保养时段和校准校验时段的数据；
采用MAD法进行异常数据识别，去除MAD法识别出来的异常数据。
优选的，在步骤三中，对预处理后的数据进行动态转换包括：
对监测数据进行动态预处理，以使参与建立LSTM模型的训练样本数据带有污水处理流程的动态特征；
进行动态预处理后的数据集为Yk＝f(Xk，Zk，Y’k)；
其中：
Zk＝[Zk-1，Zk-2，…，Zk-5]；
Y’k＝[yk-1，yk-2，…，yk-5]；
Yk表示输出参数；
f表示动态预处理算子：
Xk表示进水负荷输入参数；
Zk表示过程参数；
Y’k表示延迟阶数范围内的污染物浓度；
tx表示实际水力停留时间的延迟阶数。
优选的，在所述步骤三中，特征指标构造包括：
预测出水氨氮的特征指标，预测过程包括前馈环节进水负荷冲击、污水处理过程参数、出水反馈补偿。
优选的，在所述步骤四中，模型结构数据处理包括：
采用min-max对特征指标数据进行标准化归一到[0，1]；
将训练集与测试集按3∶1比例随机拆分；
将训练集与测试集数据转换为LSTM模型的三维框架数据。
优选的，在所述步骤六中，对最优模型进行线上布署包括：
通过TensorFlow Servering的Docker环境将训练好的最优模型布署上线；
通过TensorFlow Serving RESTful API进行线上预测污染物浓度，预测时通过RESTful接口服务向服务器传入特征参数，返回预测结果。
优选的，在所述步骤七中，模型预测及结果评估包括：
调取服务器上训练好的最优模型进行预测；
将预测结果逆转换，包括通过如下公式对预测结果逆标准化转换：预测数据＝标准化预测数据*(最大值-最小值)+最小值；
根据MAE和RMSE两种度量方式对预测结果进行评估，包括：
其中：yi为污染物浓度i时刻真实值，
为污染物浓度i时刻预测值，n为预测的总条数。
优选的，在所述步骤八中，预测控制包括：
设立控制变量溶解氧、内回流量、MLSS的区间范围；
向服务器传入使用贝叶斯寻优的3个控制变量参数组合，以及其它特征参数，从服务器上调取训练好的最优模型，返回预测结果；
将预测的出水氨氮浓度与氨氮目标排放值进行比较，若差异率低于阀值或者迭代次数达到设置上限，则结束循环，输出差异率最低的最优控制变量组合；
根据输出的最优控制变量组合，与当前控制变量的测量值比较，并根据控制变量的差异情况驱动控制变量对应的变频器和变频控制仪器。
本发明的实施例具有以下有益效果：
本方法通过实时获取进水的污染物浓度、水流量、液位、水温、PH、混合液悬浮物浓度(MLSS)、溶解氧(DO)、近期的出水水质等在线监测数据，并预测污染物出水浓度；然后通过贝叶斯优化算法，优化溶解氧、内回流比、污泥回流比这三个控制变量参数，通过迭代计算预测出水水质，使得预测出水浓度与目标排放值差异率最小或低于阀值，此时结束迭代循环输出最优控制变量组合，并驱动控制变量对应的变频器变频控制仪器，以实现节能降耗的目标。
附图说明
图1是现有污水处理厂能耗构成表。
图2是本发明的一个实施例的基于预测控制的污水处理节能方法的流程示意图。
图3是本发明的一个实施例的监测指标位置示例图。
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。
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请提出一种基于预测控制的污水处理节能方法，如图2所示，包括如下步骤：
步骤一：确定监测指标和监测数据采样频率；
优选的，在所述步骤一中，确定监测指标包括选取监测指标，所选取得监测指标包括：
进水流量Q_in、进水化学需氧量COD_in、BOD5_in、进水氨氮NH3_in、好氧前端DO_b、好氧中段DO_m、好氧尾端DO_a、缺氧DO_q、反应池PH、反应池温度T、表征污泥回流比的混合液悬浮物浓度MLSS、表征内回流比的混合液回流量Qa、液位LT、以及出水NH3_out。
在本实施例中，影响脱氮过程的因素包括：
一是溶解氧浓度。溶解氧越高越有利于硝化过程，但越不利于反硝化过程进行。从反应池空间分布特点看，溶解氧主要沿沟长方向变化，距离曝气位置较近处，溶解氧浓度较高，与曝气位置越远，溶解氧浓度越低。一般情况下，生化池在水下推流器的作用下，同一截面、同一水深，溶解氧通常相差不大。
二是温度。硝化过程最佳的温度条件是25～32℃，只有在温度达到12℃以上时，才能够获得较好的硝化效果。生物反应池的温度受气温的影响较大，在气温较低的冬季，可通过增加污泥停留时间、降低负荷等，保持良好的硝化、反硝化效果。在夏季温度升高时，由于溶解氧饱和浓度降低，而使充氧困难，导致曝气效率下降，需要增大曝气量。
三是PH。硝化过程最佳的PH范围为7.5-8.6之间，反硝化过程最佳的PH 值为7.0。通常在沉砂池设立加酸罐和加碱罐，并通过监测及时调节PH值。当PH小于5.0或者大于10.0时，需要将污水切入事故缓冲池。
四是进水COD负荷。COD的好氧降解与硝化过程存在对溶解氧的竞争关系，而且COD的好氧降解一般在竞争中更占据优势；但是，更高的进水COD负荷，对应的碳氮比越大，越有利于反硝化过程的进行。
五是进水BOD负荷。BOD负荷过高，会使异样型菌迅速繁殖，从而使得自养型的硝化菌失去优势，不利于硝化过程进行。
六是进水氨氮负荷。随着进水氨氮负荷上升，需要更高的临界溶解氧浓度以满足硝化效果。
七是水力停留时间(HRT)。水力停留时间指待处理污水在反应器内的平均停留时间。延长生化反应池的水力停留时间，能够以更低的溶解氧浓度满足硝化效果。根据水力停留时间的计算公式：水力停留时间＝池体有效容积/单位时间处理水量。表明水力停留时间的主要受进水量变化的影响。生物硝化曝气池的水力停留时间一般应在8小时以上。
八是污泥回流比(RAS)。在生化反应池中，表征污泥回流比的是污泥浓度，即混合液悬浮物浓度(MLSS)，一般情况下，在曝气设备、推流器的扰动下，污泥浓度空间分布相对比较均衡。污泥回流比属于外回流，它会导致实际水力停留时间变小。此外，污泥浓度会对硝化反应带来影响，当污泥浓度较低时，硝化细菌培养不起来，硝化速率变慢。污泥回流比与进水水质、污水处理工艺有关，污泥回流比一般在50％～100％之间。污泥回流比计算公式如下：
RAS*Q*MLSS_r＝(RAS*Q+Q)*MLSS；
式中：MLSS_r为回流污泥的悬浮物浓度；RAS为污泥回流比；MLSS为混合液悬浮物浓度；Q为流量。
公式简化后为：RAS*MLSS_r＝(RAS+1)*MLSS，由公式可知，当回流污泥浓度(MLSS_r)相对稳定时，生化反应池污泥浓度MLSS主要受污泥回流比 (RAS)的影响。
九是内回流比(IRQ)。IRQ对缺氧区的氨氮有稀释作用。运行良好的污水处理厂，内回流比一般在300％～500％之间。内回流比的计算公式如下：
Q*C_in＝Q*IRQ*C_out+Q*C_out；
其中，Q为污水处理厂处理水量，C_in为进水浓度，IRQ为内回流比，C_out 为出水浓度；
公式简化后为：C_in＝IRQ*C_out+C_out，由公式可知，在出水标准给定的前提下，当进水浓度上升时，需要更大的内回流比才能确保水质达标。
十是污泥龄(SRT)。污泥龄过短，也会影响硝化细菌的培养，从而影响硝化反应效果。污泥龄是设计控制方面的参考参数，它主要通过排泥量进行调整，而在污水处理厂实际运行中，排泥量通常是根据MLSS值及控制人员经验确定。
十一是生化池液位(LT)。生化池液位的变化会影响生化池的实际有效容积。通常情况下，当进水流量上升或下降时，会导致生化池液位上升或下降，实际有效容积短暂上升或下降，水力停留时间出现波动。
根据以上影响脱氮过程的指标，本实施例选取的监测指标包括：进水流量 Q_in、进水化学需氧量COD_in、BOD5_in、进水氨氮NH3_in、好氧前端DO_b、好氧中段DO_m、好氧尾端DO_a、缺氧DO_q、反应池PH、反应池温度T、表征污泥回流比的混合液悬浮物浓度MLSS、表征内回流比的混合液回流量Qa、液位LT、以及出水NH3_out。其中，溶解氧、污泥回流比、内回流比是控制变量；其它监测指标受进水水质变化的影响，属于不可控变量。另外，考虑到预处理单元对污染物去除的影响，需要说明的是，本实施例的进水监测指标是在预处理之后、进入生化池之前进行测量，如图3所示的监测指标位置示意图。
优选的，在所述步骤一中，确定监测数据采样频率包括：
根据曝气量改变至曝气池溶解氧浓度改变的时间确定采样频率。
在本实施例中，采样间隔并非越短越好，从曝气量改变至曝气池溶解氧浓度改变需要15-30分钟，而最佳的采样间隔应比这个时间小3倍左右。因此，本实施例的监测数据的采样时间间隔最优确定为10分钟。
步骤二：获取在线监测数据，并对数据进行预处理；
在本实施例中，包括实时获取进水流量Q、进水化学需氧量COD、BOD5、进水氨氮NH3、好氧前端DO、好氧中段DO、好氧尾端DO、缺氧DO、反应池PH、反应池温度T、混合液悬浮物浓度MLSS、混合液回流量Qa、液位LT、以及出水 NH3等在线监测数据。
优选的，在所述步骤二中，对数据进行预处理包括：
对数据完整性进行检查，剔除显著异常值，包括剔除缺失值、NULL值、值不变和负值；
剔除非正常监测时段的数据，包括剔除监测仪器处于故障期间、维修期间、超期限未校准时段、失控时段、有计划的维护保养时段和校准校验时段的数据；
采用MAD法进行异常数据识别，去除MAD法识别出来的异常数据。
步骤三：对预处理后的数据进行动态转换，并构造特征指标；
优选的，在步骤三中，对预处理后的数据进行动态转换包括：
对监测数据进行动态预处理，以使参与建立LSTM模型的训练样本数据带有污水处理流程的动态特征；
进行动态预处理后的数据集为Yk＝f(Xk，Zk，Y’k)；
其中：
Y’k＝[yk-1，yk-2，…，yk-5]；
Yk表示输出参数；
f表示动态预处理算子：
Xk表示进水负荷输入参数；
Zk表示过程参数；
Y’k表示延迟阶数范围内的污染物浓度；
tx表示实际水力停留时间的延迟阶数。
污水处理处理厂生化反应池的进水模式是“一边进水一边出水”，连续进水、连续出水使得污水处理流程是一个动态系统，生化池中各参数随时间不断发生变化。而现有技术研究比较多的模型一般属于静态模型，不太适合动态变化的污水处理厂。因此，需要将监测数据进行动态预处理，使得参与建模的训练样本数据带有污水处理流程的动态特征。本申请对数据动态预处理的具体流程如下：
计算实际平均水力停留时间。本申请考虑污泥回流比(RAS)对实际水力停留时间的影响，则有：实际水力停留时间HRT＝V/((1+RAS)*Q)。其中，池体有效容积(V)＝生化池设计长度*设计宽度*液位LT。因此，当液位较低时，如果进水量Q上升或下降，液位LT也会发生相应上升或下降；只有当液位达到设计上限时，如果进水量Q继续上升，就会导致实际水力停留时间下降。
本申请考虑污水处理过程参数自相关性特征，设置LSTM模型输入延迟阶数τx＝5；以及考虑实际水力停留时间影响的延迟阶数tx，tx＝实际水力停留时间，即HRT/采样时间间隔。进水负荷输入参数Xk通过引入以上两种延迟阶数，过程参数Zk、输出参数Yk(即出水水质)考虑本身的自相关性特点，进行动态预处理后的数据集如下：Yk＝f(Xk，Zk，Y’k)，其中，
Zk＝[Zk-1，Zk-2，…，Zk-5]，Y’k＝[yk-1，yk-2，…，yk-5]。
优选的，在所述步骤三中，特征指标构造包括：
预测出水氨氮的特征指标，预测过程包括前馈环节进水负荷冲击、污水处理过程参数、出水反馈补偿。
不同污染因子的出水浓度影响特征指标不一样，本申请以生化池出水氨氮为例说明特征指标体系的创建方法。预测出水氨氮的特征指标包括：前馈环节进水负荷冲击、污水处理过程参数、出水反馈补偿等相关特征指标。具体如下：
其中，NH3_prek表示k时刻待预测的氨氮，tx表示实际水力停留时间的延迟阶数，in表示进水，out表示出水；
其他参数含义如下所示：进水流量Q_in、进水化学需氧量COD_in、BOD5_in、进水氨氮NH3_in、好氧前端DO_b、好氧中段DO_m、好氧尾端DO_a、缺氧DO_q、反应池PH、反应池温度T、表征污泥回流比的混合液悬浮物浓度MLSS、表征内回流比的混合液回流量Qa、液位LT、出水NH3_out、混合液悬浮物浓度MLSS。
步骤四：模型结构数据处理，包括创建LSTM模型的三维框架数据；
优选的，在所述步骤四中，模型结构数据处理包括：
采用min-max对特征指标数据进行标准化归一到[0，1]；
将训练集与测试集按3∶1比例随机拆分；
将训练集与测试集数据转换为LSTM模型的三维框架数据。
步骤五：模型训练及自动调参，包括对LSTM模型进行训练，调整LSTM模型的参数，将最优模型保存至服务器；
本申请通过tensorflow的keras构造LSTM模型训练框架，通过贝叶斯优化自动调整LSTM模型参数，并将最优模型保存到服务器上。
步骤六：对最优模型进行线上布署；
优选的，在所述步骤六中，对最优模型进行线上布署包括：
通过TensorFlow Servering的Docker环境将训练好的最优模型布署上线；
通过TensorFlow Serving RESTful API进行线上预测污染物浓度，预测时通过RESTful接口服务向服务器传入特征参数，返回预测结果。
步骤七：模型预测及结果评估，包括对最优模型进行预测，将预测结果进行逆转换，对预测结果进行评估；
优选的，在所述步骤七中，模型预测及结果评估包括：
调取服务器上训练好的最优模型进行预测；
将预测结果逆转换，包括通过如下公式对预测结果逆标准化转换：预测数据＝标准化预测数据*(最大值-最小值)+最小值；
根据MAE和RMSE两种度量方式对预测结果进行评估，包括：
其中：yi为污染物浓度i时刻真实值，
为污染物浓度i时刻预测值，n为预测的总条数。
步骤八：预测控制，包括调取LSTM模型进行预测，使用贝叶斯优化的方式进行迭代以输出最优的控制变量组合，并驱动控制变量对应的变频器和变频控制仪器。
优选的，在所述步骤八中，预测控制包括：
设立控制变量溶解氧、内回流量、MLSS的区间范围；
向服务器传入使用贝叶斯寻优的3个控制变量参数组合，以及其它特征参数，从服务器上调取训练好的最优模型，返回预测结果；
将预测的出水氨氮浓度与氨氮目标排放值进行比较，若差异率低于阀值或者迭代次数达到设置上限，则结束循环，输出差异率最低的最优控制变量组合；
根据输出的最优控制变量组合，与当前控制变量的测量值比较，并根据控制变量的差异情况驱动控制变量对应的变频器和变频控制仪器，以实现节能降耗的目标。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。
Claims (10)
1.一种基于预测控制的污水处理节能方法，其特征在于：
包括如下步骤：
步骤一：确定监测指标和监测数据采样频率；
步骤二：获取在线监测数据，并对数据进行预处理；
步骤三：对预处理后的数据进行动态转换，并构造特征指标；
步骤四：模型结构数据处理，包括创建LSTM模型的三维框架数据；
步骤五：模型训练及自动调参，包括对LSTM模型进行训练，调整LSTM模型的参数，将最优模型保存至服务器；
步骤六：对最优模型进行线上布署；
步骤七：模型预测及结果评估，包括对最优模型进行预测，将预测结果进行逆转换，对预测结果进行评估；
步骤八：预测控制，包括调取LSTM模型进行预测，使用贝叶斯优化的方式进行迭代以输出最优的控制变量组合，并驱动控制变量对应的变频器和变频控制仪器。
2.根据权利要求1所述一种基于预测控制的污水处理节能方法，其特征在于：
在所述步骤一中，确定监测指标包括选取监测指标，所选取得监测指标包括：
进水流量Q_in、进水化学需氧量COD_in、BOD5_in、进水氨氮NH3_in、好氧前端DO_b、好氧中段DO_m、好氧尾端DO_a、缺氧DO_q、反应池PH、反应池温度T、表征污泥回流比的混合液悬浮物浓度MLSS、表征内回流比的混合液回流量Qa、液位LT、以及出水NH3_out。
3.根据权利要求1所述一种基于预测控制的污水处理节能方法，其特征在于：
在所述步骤一中，确定监测数据采样频率包括：
根据曝气量改变至曝气池溶解氧浓度改变的时间确定采样频率。
4.根据权利要求1所述一种基于预测控制的污水处理节能方法，其特征在于：
在所述步骤二中，对数据进行预处理包括：
对数据完整性进行检查，剔除显著异常值，包括剔除缺失值、NULL值、值不变和负值；
剔除非正常监测时段的数据，包括剔除监测仪器处于故障期间、维修期间、超期限未校准时段、失控时段、有计划的维护保养时段和校准校验时段的数据；
采用MAD法进行异常数据识别，去除MAD法识别出来的异常数据。
5.根据权利要求1所述一种基于预测控制的污水处理节能方法，其特征在于：
在步骤三中，对预处理后的数据进行动态转换包括：
对监测数据进行动态预处理，以使参与建立LSTM模型的训练样本数据带有污水处理流程的动态特征；
进行动态预处理后的数据集为Yk＝f(Xk，Zk，Y’k)；
其中：
Zk＝[Zk-1，Zk-2，…，Zk-5]；
Y’k＝[yk-1，yk-2，…，yk-5]；
Yk表示输出参数；
f表示动态预处理算子：
Xk表示进水负荷输入参数；
Zk表示过程参数；
Y’k表示延迟阶数范围内的污染物浓度；
tx表示实际水力停留时间的延迟阶数。
6.根据权利要求1所述一种基于预测控制的污水处理节能方法，其特征在于：
在所述步骤三中，特征指标构造包括：
预测出水氨氮的特征指标，预测过程包括前馈环节进水负荷冲击、污水处理过程参数、出水反馈补偿。
7.根据权利要求1所述一种基于预测控制的污水处理节能方法，其特征在于：
在所述步骤四中，模型结构数据处理包括：
采用min-max对特征指标数据进行标准化归一到[0，1]；
将训练集与测试集按3∶1比例随机拆分；
将训练集与测试集数据转换为LSTM模型的三维框架数据。
8.根据权利要求1所述一种基于预测控制的污水处理节能方法，其特征在于：
在所述步骤六中，对最优模型进行线上布署包括：
通过TensorFlow Servering的Docker环境将训练好的最优模型布署上线；
通过TensorFlow Serving RESTful API进行线上预测污染物浓度，预测时通过RESTful接口服务向服务器传入特征参数，返回预测结果。
9.根据权利要求1所述一种基于预测控制的污水处理节能方法，其特征在于：
在所述步骤七中，模型预测及结果评估包括：
调取服务器上训练好的最优模型进行预测；
将预测结果逆转换，包括通过如下公式对预测结果逆标准化转换：预测数据＝标准化预测数据*(最大值-最小值)+最小值；
根据MAE和RMSE两种度量方式对预测结果进行评估，包括：
其中：yi为污染物浓度i时刻真实值，
为污染物浓度i时刻预测值，n为预测的总条数。
10.根据权利要求1所述一种基于预测控制的污水处理节能方法，其特征在于：
在所述步骤八中，预测控制包括：
设立控制变量溶解氧、内回流量、MLSS的区间范围；
向服务器传入使用贝叶斯寻优的3个控制变量参数组合，以及其它特征参数，从服务器上调取训练好的最优模型，返回预测结果；
将预测的出水氨氮浓度与氨氮目标排放值进行比较，若差异率低于阀值或者迭代次数达到设置上限，则结束循环，输出差异率最低的最优控制变量组合；
根据输出的最优控制变量组合，与当前控制变量的测量值比较，并根据控制变量的差异情况驱动控制变量对应的变频器和变频控制仪器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111674080.5A CN114671523B (zh) | 2021-12-31 | 2021-12-31 | 一种基于预测控制的污水处理节能方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111674080.5A CN114671523B (zh) | 2021-12-31 | 2021-12-31 | 一种基于预测控制的污水处理节能方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114671523A true CN114671523A (zh) | 2022-06-28 |
| CN114671523B CN114671523B (zh) | 2024-06-04 |
Family
ID=82070995
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111674080.5A Active CN114671523B (zh) | 2021-12-31 | 2021-12-31 | 一种基于预测控制的污水处理节能方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114671523B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115660413A (zh) * | 2022-10-17 | 2023-01-31 | 生态环境部南京环境科学研究所 | 一种用于污染场地地下水的风险管控系统 |
| CN117388457A (zh) * | 2023-10-16 | 2024-01-12 | 中山大学 | 一种耦合水力停留时间提高污水厂出水预测精度的方法 |
| CN117808216A (zh) * | 2024-03-01 | 2024-04-02 | 四川省铁路建设有限公司 | 一种针对污水处理的节能减排效果评估方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109508811A (zh) * | 2018-09-30 | 2019-03-22 | 中冶华天工程技术有限公司 | 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 |
| CN110606620A (zh) * | 2019-08-15 | 2019-12-24 | 江苏如是地球空间信息科技有限公司 | 污水处理工艺及基于神经网络对其中生化环节控制的方法 |
| CN110824914A (zh) * | 2019-09-30 | 2020-02-21 | 华南师范大学 | 一种基于pca-lstm网络的废水处理智能监控方法 |
| CN111087073A (zh) * | 2020-01-08 | 2020-05-01 | 北控水务(中国)投资有限公司 | 一种基于同步硝化反硝化机制的污水处理生化需氧控制系统及方法 |
| CN111553468A (zh) * | 2020-05-15 | 2020-08-18 | 南京大学 | 一种准确预测污水处理厂出水水质的方法 |
| CN112794550A (zh) * | 2020-12-08 | 2021-05-14 | 四川省翰克环保设备有限公司 | 基于人工智能解决污水处理厂出水cod超标的方法及系统 |
| KR20210109160A (ko) * | 2020-02-27 | 2021-09-06 | (주) 더아이엠씨 | 빅데이터 및 인공지능 기반 하수 유입수 예측방법, 그리고 이를 포함하는 저장매체 |
| CN113837356A (zh) * | 2021-08-24 | 2021-12-24 | 华南师范大学 | 基于融合神经网络的污水处理智能预测方法 |
-
2021
- 2021-12-31 CN CN202111674080.5A patent/CN114671523B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109508811A (zh) * | 2018-09-30 | 2019-03-22 | 中冶华天工程技术有限公司 | 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 |
| CN110606620A (zh) * | 2019-08-15 | 2019-12-24 | 江苏如是地球空间信息科技有限公司 | 污水处理工艺及基于神经网络对其中生化环节控制的方法 |
| CN110824914A (zh) * | 2019-09-30 | 2020-02-21 | 华南师范大学 | 一种基于pca-lstm网络的废水处理智能监控方法 |
| CN111087073A (zh) * | 2020-01-08 | 2020-05-01 | 北控水务(中国)投资有限公司 | 一种基于同步硝化反硝化机制的污水处理生化需氧控制系统及方法 |
| KR20210109160A (ko) * | 2020-02-27 | 2021-09-06 | (주) 더아이엠씨 | 빅데이터 및 인공지능 기반 하수 유입수 예측방법, 그리고 이를 포함하는 저장매체 |
| CN111553468A (zh) * | 2020-05-15 | 2020-08-18 | 南京大学 | 一种准确预测污水处理厂出水水质的方法 |
| CN112794550A (zh) * | 2020-12-08 | 2021-05-14 | 四川省翰克环保设备有限公司 | 基于人工智能解决污水处理厂出水cod超标的方法及系统 |
| CN113837356A (zh) * | 2021-08-24 | 2021-12-24 | 华南师范大学 | 基于融合神经网络的污水处理智能预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴建生等: "基于均生函数的长短期记忆神经网络径流建模研究与应用", 建模与仿真, vol. 9, no. 2, pages 166 - 197 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115660413A (zh) * | 2022-10-17 | 2023-01-31 | 生态环境部南京环境科学研究所 | 一种用于污染场地地下水的风险管控系统 |
| CN117388457A (zh) * | 2023-10-16 | 2024-01-12 | 中山大学 | 一种耦合水力停留时间提高污水厂出水预测精度的方法 |
| CN117388457B (zh) * | 2023-10-16 | 2024-05-31 | 中山大学 | 一种耦合水力停留时间提高污水厂出水预测精度的方法 |
| CN117808216A (zh) * | 2024-03-01 | 2024-04-02 | 四川省铁路建设有限公司 | 一种针对污水处理的节能减排效果评估方法 |
| CN117808216B (zh) * | 2024-03-01 | 2024-05-07 | 四川省铁路建设有限公司 | 一种针对污水处理的节能减排效果评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114671523B (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114671523B (zh) | 一种基于预测控制的污水处理节能方法 | |
| CN109879410B (zh) | 一种污水处理曝气控制系统 | |
| US11709463B2 (en) | Control method based on adaptive neural network model for dissolved oxygen of aeration system | |
| AU2021101438A4 (en) | Adaptive control method and system for aeration process | |
| US9747544B2 (en) | Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network | |
| CN105573115B (zh) | 基于量子遗传算法的污水处理过程节能优化控制方法 | |
| CN103064290B (zh) | 基于自组织径向基神经网络的溶解氧模型预测控制方法 | |
| CN102411308B (zh) | 基于递归神经网络模型的溶解氧的自适应控制方法 | |
| CN105404151A (zh) | 污水处理过程动态多目标优化控制方法 | |
| CN112062179A (zh) | 用于造纸污水处理ghg减排的溶解氧分层优化控制方法 | |
| CN102690015B (zh) | 动态多级缺氧/好氧污水处理方法 | |
| Chen et al. | Smart energy savings for aeration control in wastewater treatment | |
| CN112782975A (zh) | 一种基于深度学习的污水处理曝气智能控制方法及系统 | |
| CN109592804A (zh) | 一种污水处理趋近循优精确曝气方法 | |
| CN111580381B (zh) | 一种动态事件驱动控制策略的溶解氧控制方法 | |
| CN115527628A (zh) | 城市污水化学除磷工艺的在线控制方法及系统 | |
| CN114455691B (zh) | 一种复合型污水脱氮工艺装置及运行参数优化方法 | |
| CN115583721A (zh) | 基于污水处理的ai智能曝气方法及系统 | |
| Tejaswini et al. | Model based control of a full-scale biological wastewater treatment plant | |
| CN115557600A (zh) | 一种生化反应的人工神经网络智能曝气装置及其控制方法 | |
| CN111484124A (zh) | 一种污水处理智能控制与生化工艺集约方法及系统 | |
| CN111087073A (zh) | 一种基于同步硝化反硝化机制的污水处理生化需氧控制系统及方法 | |
| Xu et al. | A novel dissolve oxygen control method based on fuzzy neural network | |
| CN112924646B (zh) | 一种基于自适应剪枝前馈小世界神经网络的出水bod软测量方法 | |
| Revollar et al. | Economic optimization of wastewater treatment plants using Non Linear model predictive control |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |