CN114967623B - 城市地下污水处理厂规模优化与工艺选择方法 - Google Patents

城市地下污水处理厂规模优化与工艺选择方法 Download PDF

Info

Publication number
CN114967623B
CN114967623B CN202210632429.7A CN202210632429A CN114967623B CN 114967623 B CN114967623 B CN 114967623B CN 202210632429 A CN202210632429 A CN 202210632429A CN 114967623 B CN114967623 B CN 114967623B
Authority
CN
China
Prior art keywords
scale
sewage treatment
underground sewage
treatment plant
urban underground
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.)
Active
Application number
CN202210632429.7A
Other languages
English (en)
Other versions
CN114967623A (zh
Inventor
张平
刘阳
孙秋霜
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.)
Army Engineering University of PLA
Original Assignee
Army Engineering University of PLA
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 Army Engineering University of PLA filed Critical Army Engineering University of PLA
Priority to CN202210632429.7A priority Critical patent/CN114967623B/zh
Publication of CN114967623A publication Critical patent/CN114967623A/zh
Application granted granted Critical
Publication of CN114967623B publication Critical patent/CN114967623B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32252—Scheduling production, machining, job shop

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了城市地下污水处理厂规模优化与工艺选择方法，建立城市地下污水处理厂样本数据库，运用聚类算法对地下污水处理厂规模进行聚类划分，完善城市地下污水处理厂在规模分类上的缺失；并对城市地下污水处理厂常见污水处理工艺进行优劣性分析和数据规模的正态拟合，得到各工艺处理规模的分布曲线，明确各处理工艺所适宜最佳城市地下污水处理厂规模类型，最后对比各工艺占地、出水、投资运营成本及优劣性验证了分类的合理性。本发明可为城市地下污水处理厂规划与设计及工艺选择提供参考依据。

Description

城市地下污水处理厂规模优化与工艺选择方法
技术领域
本发明属于污水处理设施分类技术领域，具体涉及城市地下污水处理厂规模优化与工艺选择方法。
背景技术
为保障城市的可持续性发展，将具有污染属性的市政设施地下化，能够优化城市配置，改善城市可持续发展的环境条件和社会条件。相较于传统地上污水处理厂，地下污水处理厂主体结构全部置于地下呈竖向立体分布，对设备操作层进行封闭，地面层进行综合利用，使其在占用土地与地理位置、气体排放与噪音控制、抵抗外界的影响和与周边经济环境相协调等方面有着巨大的优势，这些优势在城市土地资源紧缺、土地价格昂贵、人口密度大和生活环境要求高的大城市中是无法替代的。特别是近年来，地下污水处理厂在国内许多城市的基础市政设施建设规划中越来越成为一种趋势，对一、二线城市的市政设施起到很好的补充发展作用。
经过十多年的快速发展，我国建设地下污水处理厂的数量已经超过了全球大部分地区。过快的发展速度导致行业标准和建设规范的不配套，从而造成地下污水处理厂设施建设没有参考标准与规范。对于城市地下污水处理厂规模分类标准的缺失，目前大多解决方法是直接采用地上污水处理厂的划分标准，而地下污水处理厂的特殊建设方式使其对处理工艺的选择和布置往往采取更加节地的形式，建设规模也相应地比地上污水处理厂小。若以地上污水处理厂的规模类型来划分地下污水处理厂，则导致分类结果不能准确表达各规模的差异性，使之产生无效的。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供城市地下污水处理厂规模优化与工艺选择方法，能够划分城市地下污水处理厂规模类型并为地下污水处理厂常用工艺选择最佳处理的规模类型。
为实现上述技术目的，本发明采取的技术方案为：
城市地下污水处理厂规模优化与工艺选择方法，划分城市地下污水处理厂的规模类型并为地下污水处理厂处理工艺选择最佳处理规模，包括：
步骤1：建立城市地下污水处理厂样本数据库，根据处理厂规模将样本数据划分为N组子集合，选取各子集合的中心点并计算样本数据到中心点的曼哈顿距离；
步骤2：基于样本数据到中心点的曼哈顿距离，对样本数据重新聚类，得到N组聚类子集合及相应的中心点，反复训练迭代，直到聚类算法收敛为止，得到最终的N组聚类子集合及相应的中心点；
步骤3：根据最终的N组聚类子集合中样本数据最大值和最小值，将城市地下污水处理厂的规模类型划分为N类及其对应的N个规模区间；
步骤4：对样本数据库进行城市地下污水处理厂处理工艺划分，绘制各处理工艺的规模与数量柱状图，并计算各工艺处理规模的概率密度；
步骤5：通过概率密度与处理规模作图得出高斯曲线，并叠加至步骤4所绘制的柱状图，根据区间概率公式，得出各处理工艺所适合的最佳处理规模区间并应用于N类规模类型。
为优化上述技术方案，采取的具体措施还包括：
上述的所述曼哈顿距离计算方法具体如下：
Figure GDA0004190085490000021
式中，
Figure GDA0004190085490000022
表示各样本Ai分别至各中心点Ma的距离。
上述的步骤1为：
建立城市地下污水处理厂样本数据库，根据处理厂规模将样本数据划分成5组子集合，选取其中位点为中心点，即Ma(a＝Ⅰ、Ⅱ、III、Ⅳ、Ⅴ)，采用曼哈顿距离计算方法计算样本数据到中心点的曼哈顿距离。
上述的步骤1中，划分得到的5组子集合，分别为：(1，5)、(5，10)、(10，20)、(20，50)、(50，100)，规模的单位为万m3/d。
上述的步骤2为：采用K-means聚类，按照每个样本Ai到各自距离最近的中心点Ma(a＝Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ)重组集合，得到5组聚类子集合及相应的中心点；
选取5组聚类子集合的中位点为新的中心点Ma，并再次计算样本数据到中心点的曼哈顿距离，以聚类新的聚类子集合，反复训练迭代，直到聚类算法收敛为止，得到最终的5组聚类子集合及相应的5个中心点；
聚类算法收敛是指中心点和聚类分组不再改变，此时迭代结束。
上述的步骤4为：
对样本数据库进行城市地下污水处理厂处理工艺划分，绘制各处理工艺的规模与数量柱状图，并计算各工艺处理规模的标准差σ、均值μ，根据标准差与均值计算fσ,μ(x)：
Figure GDA0004190085490000031
Figure GDA0004190085490000032
式中，x为各处理规模样本，μ为整体处理规模的均值，σ为整体处理规模的标准差，fσ,μ(x)为各处理规模的概率密度。
上述的步骤5中，区间概率公式为：
Figure GDA0004190085490000033
式中a，b分别为区间的上下限。
本发明具有以下有益效果：
针对目前城市地下污水处理厂规模的分类还未有明确规范的问题，本发明1)通过对国内外城市地下污水处理厂规模的分析，对比地上污水处理厂分类标准，提出城市地下污水处理厂规模分类方法，建立城市地下污水处理厂样本数据库，运用K-means算法确定地下污水处理厂规模的聚类划分，完善城市地下污水处理厂在规模分类上的缺失；2)通过对城市地下污水处理厂常见污水处理工艺优劣性分析和数据对规模的正态拟合，得到各工艺处理规模的分布曲线，明确各处理工艺所适宜最佳城市地下污水处理厂规模类型，即采用概率密度计算获得各污水处理工艺高斯曲线并根据区间概率公式选取最佳处理规模区间，确定各工艺运行的最佳规模区间并将其应用于上述分类，最后对比各工艺占地、出水、投资运营成本及优劣性验证了分类的合理性。发明为城市地下污水处理厂规划与设计及工艺选择提供了参考依据。
具体的：
城市地下污水处理厂的处理规模不同，所选取的工艺也不尽相同，建设的费用和运营成本也将有较大的差异。本发明通过对国内外城市地下污水处理厂处理规模分析，基于K-means算法，提出城市地下污水处理厂规模等级，分别为：Ⅰ类30～60万立方米/天、Ⅱ类20～30万立方米/天、Ⅲ类10～20万立方米/天、Ⅳ类5～10万立方米/天、Ⅴ类1～5万立方米/天。
通过分析城市地下污水处理厂几种常见污水处理工艺的优劣性，确定各工艺所适合的规模区间，验证了采用K-means算法所得出规模分类的合理性，并确定了各处理工艺适宜的规模类型，分别为：AS工艺适用于Ⅰ、Ⅱ、Ⅲ类规模的大型污水处理厂，SBR工艺适用于Ⅳ、Ⅴ类规模的小型地下污水处理厂，AAO工艺与MBR工艺适用于大多数Ⅱ、Ⅲ、Ⅳ、Ⅴ类规模的地下污水处理厂和少数Ⅰ类地下污水处理厂，多段多级AO工艺适用于Ⅲ、Ⅳ、Ⅴ类规模的中小型污水处理厂，AAO+MBR的组合及其改良工艺适用于Ⅰ、Ⅱ、Ⅲ、Ⅳ类规模的绝大多数污水处理厂等，并得出城市地下污水处理厂处理工艺的未来趋势向着组合型MBR+AAO与改良型AAO的方向发展。
附图说明
图1为MATLAB对城市地下污水处理厂的k-means聚类图像；
图2为AS工艺处理规模高斯分布；
图3为AAO工艺处理规模高斯分布；
图4为MBR工艺处理规模高斯分布；
图5为SBR工艺处理规模高斯分布；
图6为多级AO工艺处理规模高斯分布；
图7为本发明方法流程图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
如图7所示，城市地下污水处理厂规模优化与工艺选择方法，划分城市地下污水处理厂的规模类型并为地下污水处理厂处理工艺选择最佳处理规模，包括：
步骤1：建立城市地下污水处理厂样本数据库，根据处理厂规模将样本数据划分为N组子集合，选取各子集合的中心点并计算样本数据到中心点的曼哈顿距离；
步骤2：基于样本数据到中心点的曼哈顿距离，对样本数据重新聚类，得到N组聚类子集合及相应的中心点，反复训练迭代，直到聚类算法收敛为止，得到最终的N组聚类子集合及相应的中心点；
步骤3：根据最终的N组聚类子集合中样本数据最大值和最小值，将城市地下污水处理厂的规模类型划分为N类及其对应的N个规模区间；
聚类子集合中的最大值和最小值分别为样本组的上限与下限，如此便将城市地下污水处理厂按规模划分为5类区间；
步骤4：对样本数据库进行城市地下污水处理厂处理工艺划分，绘制各处理工艺的规模与数量柱状图，并计算各工艺处理规模的概率密度；
步骤5：通过概率密度与处理规模作图得出高斯曲线，并叠加至步骤4所绘制的柱状图，根据区间概率公式，得出各处理工艺所适合的最佳处理规模区间并应用于N类规模类型；
步骤6：对比AS、AAO、MBR、SBR、多段多级AO四类城市地下污水处理工艺的占地规模、出水水质、投资运营成本及其各自优势与劣势，以验证上述工艺规模类型与规模划分的合理性。
实施例中，所述曼哈顿距离计算方法具体如下：
Figure GDA0004190085490000051
式中，
Figure GDA0004190085490000052
表示各样本Ai分别至各中心点Ma的距离，Ai表示120组样本数据，Ma表示5个中心点数据。
实施例中，所述步骤1为：
建立城市地下污水处理厂样本数据库，根据处理厂规模将样本数据划分成5组子集合，选取其中位点为中心点，即Ma(a＝Ⅰ、Ⅱ、III、Ⅳ、Ⅴ)，采用曼哈顿距离计算方法计算样本数据到中心点的曼哈顿距离。
实施例中，所述步骤1中，划分得到的5组子集合，分别为：(1，5)、(5，10)、(10，20)、(20，50)、(50，100)，规模的单位为万m3/d。
实施例中，所述步骤2为：计算出每个样本点与中心点Ma(a＝Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ)的曼哈顿距离后，对步骤1的子集合重新划分：采用K-means聚类，按照每个样本Ai到各自距离最近的中心点Ma(a＝Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ)重组集合，得到5组聚类子集合及相应的中心点；
选取5组聚类子集合的中位点为新的中心点Ma，并再次计算样本数据到中心点的曼哈顿距离，以聚类新的聚类子集合，反复训练迭代，直到聚类算法收敛为止，得到最终的5组聚类子集合及相应的5个中心点；
聚类算法收敛是指中心点和聚类分组不再改变，此时迭代结束。
实施例中，所述步骤4为：
对样本数据库进行城市地下污水处理厂处理工艺划分，绘制各处理工艺的规模与数量柱状图，并计算各工艺处理规模的标准差σ、均值μ，根据标准差与均值计算fσ,μ(x)：
Figure GDA0004190085490000061
Figure GDA0004190085490000062
式中，x为各处理规模样本，μ为整体处理规模的均值，σ为整体处理规模的标准差，fσ,μ(x)为各处理规模的概率密度。
实施例中，所述步骤5中，区间概率公式为：
Figure GDA0004190085490000063
式中a，b分别为区间的上下限。
本发明的具体实施例与验证如下：
通过对国内外120多座城市地下污水处理厂处理规模分析，基于K-means算法，提出城市地下污水处理厂规模划分方法，并通过规模与数量的正态拟合和污水处理工艺的优劣性比较，以分析不同工艺所适合的处理规模。
2国内外城市地下污水处理厂规模分析
国外拥有较早的地下污水处理厂发展历史，自20世纪后半页，芬兰、挪威、荷兰、瑞典等北欧国家由于地下空间与隧道开采技术的进步和北欧地区寒冷的气候条件，纷纷开始建设地下污水处理厂并将其传播至欧洲各地，该区域也是世界上最早建设地下污水处理厂的地区，极大地推动了地下污水处理厂的发展。部分案例如表1所示：
表1欧洲地区部分地下污水处理厂数据信息
Figure GDA0004190085490000064
Figure GDA0004190085490000071
2000年前后，随着污水处理技术的进步和MBR膜等新工艺的发展，地下污水处理厂在中国周边的日本、韩国、新加坡及中国的香港、台湾等地区兴起。不同于北欧，这些国家和地区建设地下污水处理厂的驱动是地少人多的高密度型城市和较多的山地地形，典型的如日本叶山町地下污水处理厂、韩国仁川污水厂和香港赤柱污水处理厂等。部分案例如表2所示：
表2中国周边地区部分地下污水处理厂数据信息
国家 城市 名称 工艺 规模(万m3/d) 时间
日本 Kanagawa Hayama AS 2.47 1999
韩国 Daegu Daegu A/A/O 4.5 2002
日本 Tokyo Ukima A/A/O 10 2003
韩国 Yongin Yongin 5段BNR 11 2005
韩国 Incheon Incheon A/A/O 13 2005
韩国 Busan Busan A/A/O+MBR 10 2015
马来西亚 Kuala Lumpur Pantai No.2 改良A/A/O 32 2020
新加坡 Changi Changi No.2 A/A/O+Anammox 22.8 2020
我国首座地下污水处理厂为广州京溪污水处理厂，2010年投入运营，12年的时间里地下污水处理厂在我国经历了快速的发展。据统计资料显示，国内目前运营与建设中的全地下污水处理厂已有100多座，全地下污水处理厂达80多座，且仍呈快速增加的趋势，中国已经成为世界上地下污水处理厂发展最快的地区。甚至在某些大城市中，地下污水处理厂对城市的生活保障已经起到举足轻重的作用。
目前，国内单座地下污水处理厂的处理规模可从最小的8000立方米/天到最大的北京槐房再生水厂60万立方米/日，出水水质根据各地区排放要求能够满足一级A、京标A、地表Ⅳ类、甚至地表Ⅲ类的标准，进一步处理后可满足中水要求用于再生水的循环使用，国内地下污水处理厂有着非常广阔的发展前景。整理部分典型地下污水处理厂案例如表3所示：
表3国内部分地下污水处理厂数据信息
Figure GDA0004190085490000072
Figure GDA0004190085490000081
3城市地下污水处理厂规模划分
K-means聚类算法为一种数据聚类离散化划分方法，它是将数据样本的空间距离指标按照差异性原则划分到若干子集中，使相同子集中各元素间差异最小化，而不同子集中各元素间差异最大。空间聚类一般使用距离作为划分准则，即任意空间对象与该对象所属簇的几何中心之间的距离比该对象到任何其他簇的几何中心的距离都小。
通过K-means聚类方法，将不同污水处理规模进行划分，形成与地上污水处理厂相似的分类标准，为规范城市地下污水处理厂工程建设的规模与用地提供标准化的行业理论依据。基于K-means聚类算法对国内外120座地下污水处理厂的处理规模聚类分析具体操作方法如下所述：
①中心点初始化：将120个城市地下污水处理厂样本Ai按照地上《城市污水处理工程项目建设标准》规模划分成初始的5组子集合，分别为：(1，5)、(5，10)、(10，20)、(20，50)、(50，100)，选取5组初始样本集合的中位点为初始中心点，即中心点Ma(a＝Ⅰ、Ⅱ、III、Ⅳ、Ⅴ)；
②计算距离：对120个样本数据分别到各个中心点Ma(a＝Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ)的距离计算；计算公式采用曼哈顿距离计算方法，即：
Figure GDA0004190085490000082
式中，
Figure GDA0004190085490000083
表示各样本分别至各中心点的距离，Ai表示120组样本数据，Ma表示5个中心点数据。
③聚类分组：计算出每个样本点与中心点Ma(a＝Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ)的曼哈顿距离后，对初始的子集组重新划分，按照每个样本Ai到各自距离最近的中心点Ma(a＝Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ)重组集合，即形成
初步聚类；
④计算中心点：对形成的初步聚类样本集合中位点进行重新计算，产生新的中心点Ma，并再次采用曼哈顿距离计算公式拟合新的聚类集合；
⑤迭代直至收敛：对上述的②③④步骤反复训练迭代，直到聚类算法收敛为止，即中心点
和聚类分组经过多少次迭代都不再改变，则迭代结束；
⑥结果：迭代停止后，所得到的5个点即为所求中心点，围绕各中心点聚类的样本即为最终样本集合，样本集合中的最大值和最小值分别为样本组的上限与下限。
基于上述流程，运用MATLAB进行计算并对当前统计的120组城市地下污水处理厂样本进行k-means聚类图像绘制，分类结果如图1所示。由图1可看出，120组样本数据在MATLAB
中经过多次迭代后聚类成五组集合，分别以a、b、c、d、e表示，且五组集合的边界值分别为：(1，5)、(5，10)、(10，15)、(15，30)、(30，60)。
相较于《城市污水处理工程项目建设标准》中规定的城市污水处理厂的规模划分如表4所示，运用MATLAB计算K-means模型对城市地下污水处理厂规模划分进行了调整。根据数据，主要对城市污水处理厂Ⅰ、Ⅱ类规模区间进行了调整，Ⅰ类区间由50～100万m3/d调整为30～60万m3/d，Ⅱ类区间由20～50万m3/d调整为20～30万m3/d，Ⅲ、Ⅳ、Ⅴ类保持不变。结
果如表5所示：
表4城市污水处理工程建设规模划分
分类 Ⅰ类 Ⅱ类 Ⅲ类 Ⅳ类 Ⅴ类
规模(万m3/d) 50～100 20～50 10～20 5～10 1～5
注：以上规模分类含上限值，不含下限值；建设规模大于100万m3/d和小于1万m3/d的污水厂可参考Ⅰ类和Ⅴ类。
表5基于K-means算法城市地下污水处理厂规模划分
分类 Ⅰ类 Ⅱ类 Ⅲ类 Ⅳ类 Ⅴ类
规模(万m3/d) 30～60 20～30 10～20 5～10 1～5
注：以上规模分类含下限值，不含上限值。建设规模大于60万m3/d和小于1万m3/d的污水厂可参考Ⅰ类和Ⅴ类。
4城市地下污水处理厂工艺规模应用及合理性分析
为验证上述方法对城市地下污水处理厂分类结果的有效性，选择地下污水处理厂常用的工艺类型对其进行应用分析，首先基于统计样本数据计算并绘制出各常用污水处理工艺规模与数量的正态拟合分布曲线如图2-图6所示，具体步骤如下所述。
①数据整理：根据已统计数据，分别整理出城市地下污水处理厂所采用AS、AAO、MBR、SBR、多段多级AO工艺的规模与数量，并绘制各处理工艺规模与数量的柱状图。
②标准差、均值、概率密度：对①中各工艺处理规模的均值与标准差进行计算，并根据下列公式计算其概率密度：
Figure GDA0004190085490000101
Figure GDA0004190085490000102
式中，x为各处理规模样本，μ为整体处理规模的均值，σ为整体处理规模的标准差，fσ,μ(x)为各处理规模的概率密度。
③高斯曲线与区间选取：根据②中各工艺规模的概率密度计算，将概率密度和处理规模作图得出高斯曲线，并叠加至①中所绘制的柱状图，即得到图2-图6。根据区间概率公式如下，分析各工艺所适合的最佳处理规模区间。
Figure GDA0004190085490000103
式中a，b分别为区间的上下限。
④结果分析：通过分析图2-图6的分布曲线，明确各工艺所适宜的应用条件与适合的处理规模。
通过拟合正态分布曲线可得出以下结论：
(1)现有AS工艺应用中，处理规模全都集中在10～40万立方米/天，按照划分结果，AS多应用于Ⅰ、Ⅱ、Ⅲ类规模的大型地下污水处理厂。SBR工艺在地下污水处理厂中应用较少，且规模位于1～10万立方米/天，多适用于Ⅳ、Ⅴ类小型地下污水处理厂中使用。
(2)AAO与MBR工艺在地下污水处理厂中的应用较多，适合于大多数规模的地下污水处理厂，处理规模可达1～40万立方米/天，按照规模划分，两种工艺适合规模类型有Ⅱ、Ⅲ、Ⅳ、Ⅴ类地下污水处理厂和少数Ⅰ类地下污水处理厂。
(3)多段多级AO工艺在地下污水处理厂中的应用一般，但其适用范围分布广泛，主要范围在1～20万立方米/天，此外还有60万立方米/天的地下污水处理厂采用该工艺类型，因此多段多级AO工艺主要满足Ⅲ、Ⅳ、Ⅴ类规模的污水处理。
上述根据地下污水处理厂几种常用工艺的正态拟合分布曲线，分别得出各工艺所适合应用的规模类型，为验证各工艺规模类型的合理性，下面对五种工艺占地、出水、投资运营成本及优劣性进行讨论，确定各自所适宜的最佳处理规模，并与上述各工艺规模类型相比较。具体分析如表6所示。
表6城市地下污水处理厂的不同处理工艺比较
Figure GDA0004190085490000111
由表6可知，AS工艺占地较大，运营管理简单，出水水质较差，在上世纪早期地下污水处理厂的建设中应用较广泛。随着社会的发展，各种新污染物的出现使得污水组成变得复杂，污水中难降解的有机物增多，氮磷污染加剧。AS工艺处理能力有限而无法满足出水水质的要求，所以在城市地下污水处理厂的建设发展中逐渐被淘汰而选择其他新的处理工艺。根据分析可知，AS工艺多适用于出水水质要求不高的大型地下污水处理厂，符合上述Ⅰ、
Ⅱ、Ⅲ类型的应用分类。
SBR工艺占地小，运营管理简单，但其在处理过程中局限性较大，较高的自动化控制技术不宜处理规模较大的污水，因此SBR工艺在城市地下污水处理厂中的应有有限，且应用规模以小型为主，满足上述Ⅳ、Ⅴ类型的应用分类。
AAO工艺与多段多级AO工艺有着较强的抗冲击负荷，处理能力好，具有较高的脱氮除磷效果，但该类工艺往往需要多个构筑物单体相互协调来分别去除氮、磷及其他有机物，使得占地规模大，投资成本也较高。因此，该类工艺在处理水质要求高，处理规模固定的大多数污水处理厂中都适用，符合前文所述的分类标准。
MBR工艺占地规模小，处理单元简单，剩余污泥量少，出水水质较好，占地面积仅为普通工艺的60％，在建设过程中仅用少量的占地就可处理较大规模污水，所以MBR工艺适用于处理绝大部分规模污水，符合上述Ⅱ、Ⅲ、Ⅳ、Ⅴ类应用分类。但MBR工艺有着较高的运行维护费用，其所采用的膜工艺比普通工艺高出40％-80％不等，若污水处理规模较大，其运营成本则更高，因此，该处理工艺较少单独使用，通常与其他工艺组合使用。
城市地下污水处理厂所花费的成本更高，所以其对于工艺的选择有着更高的要求，通过工艺技术的创新和工艺组合的优化来降低建设与运营的费用则显得尤为重要，因此那些工艺流程短、处理单元少、占地面积小、处理效率高的优化组合工艺在城市地下污水处理厂中得到了广泛的应用。近年来，随着全球城市地下污水处理厂的发展，不同的处理工艺经过多年的实践运营后逐渐趋向稳定的工艺体系，AAO和MBR的工艺组合适用于Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ类规模的绝大多数污水处理厂，该组合工艺节约占地、污水处理效率高、出水水质好，在城市地下污水处理厂的发展中有着巨大的优势。因此，AAO和MBR的组合及其改良工艺在许多城市地下污水处理厂中通常作为首选的工艺使用。据统计，国内当前采用AAO+MBR与改良型AAO和MBR工艺的城市地下污水处理厂数量达50余座，日处理量超过900万立方米，可知AAO和MBR的组合及其改良工艺在未来城市地下污水处理厂的发展中必定占据重要位置。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (7)

1.城市地下污水处理厂规模优化与工艺选择方法，划分城市地下污水处理厂的规模类型并为地下污水处理厂处理工艺选择最佳处理规模，其特征在于，包括：
步骤1：建立城市地下污水处理厂样本数据库，根据处理厂规模将样本数据划分为N组子集合，选取各子集合的中心点并计算样本数据到中心点的曼哈顿距离；
步骤2：基于样本数据到中心点的曼哈顿距离，对样本数据重新聚类，得到N组聚类子集合及相应的中心点，反复训练迭代，直到聚类算法收敛为止，得到最终的N组聚类子集合及相应的中心点；
步骤3：根据最终的N组聚类子集合中样本数据最大值和最小值，将城市地下污水处理厂的规模类型划分为N类及其对应的N个规模区间；
步骤4：对样本数据库进行城市地下污水处理厂处理工艺划分，绘制各处理工艺的规模与数量柱状图，并计算各工艺处理规模的概率密度；
步骤5：通过概率密度与处理规模作图得出高斯曲线，并叠加至步骤4所绘制的柱状图，根据区间概率公式，得出各处理工艺所适合的最佳处理规模区间并应用于N类规模类型。
2.根据权利要求1所述的城市地下污水处理厂规模优化与工艺选择方法，其特征在于，所述曼哈顿距离计算方法具体如下：
Figure FDA0004190085480000011
式中，
Figure FDA0004190085480000012
表示各样本Ai分别至各中心点Ma的距离。
3.根据权利要求1所述的城市地下污水处理厂规模优化与工艺选择方法，其特征在于，所述步骤1为：
建立城市地下污水处理厂样本数据库，根据处理厂规模将样本数据划分成N组子集合，选取其中位点为中心点Ma，采用曼哈顿距离计算方法计算样本数据到中心点的曼哈顿距离。
4.根据权利要求1或3所述的城市地下污水处理厂规模优化与工艺选择方法，其特征在于，所述步骤1中，划分得到的5组子集合，分别为：(1，5)、(5，10)、(10，20)、(20，50)、(50，100)，规模的单位为万m3/d。
5.根据权利要求3所述的城市地下污水处理厂规模优化与工艺选择方法，其特征在于，所述步骤2为：采用K-means聚类，按照每个样本Ai到各自距离最近的中心点重组集合，得到N组聚类子集合及相应的中心点；
选取N组聚类子集合的中位点为新的中心点Ma，并再次计算样本数据到中心点的曼哈顿距离，以聚类新的聚类子集合，反复训练迭代，直到聚类算法收敛为止，得到最终的5组聚类子集合及相应的N个中心点；
聚类算法收敛是指中心点和聚类分组不再改变，此时迭代结束。
6.根据权利要求1所述的城市地下污水处理厂规模优化与工艺选择方法，其特征在于，所述步骤4为：
对样本数据库进行城市地下污水处理厂处理工艺划分，绘制各处理工艺的规模与数量柱状图，并计算各工艺处理规模的标准差σ、均值μ，根据标准差与均值计算fσ,μ(x)：
Figure FDA0004190085480000021
Figure FDA0004190085480000022
式中，x为各处理规模样本，μ为整体处理规模的均值，σ为整体处理规模的标准差，fσ,μ(x)为各处理规模的概率密度。
7.根据权利要求1所述的城市地下污水处理厂规模优化与工艺选择方法，其特征在于，所述步骤5中，区间概率公式为：
Figure FDA0004190085480000023
式中a，b分别为区间的上下限。
CN202210632429.7A 2022-06-07 2022-06-07 城市地下污水处理厂规模优化与工艺选择方法 Active CN114967623B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210632429.7A CN114967623B (zh) 2022-06-07 2022-06-07 城市地下污水处理厂规模优化与工艺选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210632429.7A CN114967623B (zh) 2022-06-07 2022-06-07 城市地下污水处理厂规模优化与工艺选择方法

Publications (2)

Publication Number Publication Date
CN114967623A CN114967623A (zh) 2022-08-30
CN114967623B true CN114967623B (zh) 2023-06-16

Family

ID=82959123

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210632429.7A Active CN114967623B (zh) 2022-06-07 2022-06-07 城市地下污水处理厂规模优化与工艺选择方法

Country Status (1)

Country Link
CN (1) CN114967623B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116308437A (zh) * 2022-12-27 2023-06-23 中国人民解放军陆军工程大学 一种城市污水处理厂地下化对周边房价及土地价值评价方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130095405A (ko) * 2012-02-20 2013-08-28 부산대학교 산학협력단 하수처리장 공정상태 진단에 따른 규칙기반 제어장치 및 방법
CN104310708A (zh) * 2014-10-22 2015-01-28 河南恒安环保科技有限公司 跌水充氧-高纵深复合潜流人工湿地技术在农村生活污水处理中的应用方法
GB201717368D0 (en) * 2016-10-24 2017-12-06 Fisher Rosemount Systems Inc Process device condition and performance monitoring
EP3312693A1 (en) * 2016-10-21 2018-04-25 ASML Netherlands B.V. Methods & apparatus for controlling an industrial process
JP2019013858A (ja) * 2017-07-03 2019-01-31 横河電機株式会社 制御システム及び制御方法
CN109409394A (zh) * 2018-07-19 2019-03-01 中国矿业大学 一种基于半监督聚类的cop-kmeans方法与系统
CN109858858A (zh) * 2019-01-21 2019-06-07 中国人民解放军陆军工程大学 一种地下物流网络节点分级与选址系统及方法
CN110885132A (zh) * 2019-11-22 2020-03-17 浙江清华长三角研究院 一种农村生活污水处理设施优先监管集的识别方法
WO2021119528A1 (en) * 2019-12-12 2021-06-17 Biome Makers Inc. Methods and systems for evaluating ecological disturbance of an agricultural microbiome based upon network properties of organism communities
WO2021216166A1 (en) * 2020-04-22 2021-10-28 Aspen Technology, Inc. Automated evaluation of refinery and petrochemical feedstocks using a combination of historical market prices, machine learning, and algebraic planning model information
CN114444758A (zh) * 2021-12-14 2022-05-06 云南电网能源投资有限责任公司 一种基于最小化带权曼哈顿距离的充电站布点规划方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020129038A1 (en) * 2000-12-18 2002-09-12 Cunningham Scott Woodroofe Gaussian mixture models in a data mining system

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130095405A (ko) * 2012-02-20 2013-08-28 부산대학교 산학협력단 하수처리장 공정상태 진단에 따른 규칙기반 제어장치 및 방법
CN104310708A (zh) * 2014-10-22 2015-01-28 河南恒安环保科技有限公司 跌水充氧-高纵深复合潜流人工湿地技术在农村生活污水处理中的应用方法
EP3312693A1 (en) * 2016-10-21 2018-04-25 ASML Netherlands B.V. Methods & apparatus for controlling an industrial process
GB201717368D0 (en) * 2016-10-24 2017-12-06 Fisher Rosemount Systems Inc Process device condition and performance monitoring
JP2019013858A (ja) * 2017-07-03 2019-01-31 横河電機株式会社 制御システム及び制御方法
CN109409394A (zh) * 2018-07-19 2019-03-01 中国矿业大学 一种基于半监督聚类的cop-kmeans方法与系统
CN109858858A (zh) * 2019-01-21 2019-06-07 中国人民解放军陆军工程大学 一种地下物流网络节点分级与选址系统及方法
CN110885132A (zh) * 2019-11-22 2020-03-17 浙江清华长三角研究院 一种农村生活污水处理设施优先监管集的识别方法
WO2021119528A1 (en) * 2019-12-12 2021-06-17 Biome Makers Inc. Methods and systems for evaluating ecological disturbance of an agricultural microbiome based upon network properties of organism communities
WO2021216166A1 (en) * 2020-04-22 2021-10-28 Aspen Technology, Inc. Automated evaluation of refinery and petrochemical feedstocks using a combination of historical market prices, machine learning, and algebraic planning model information
CN114444758A (zh) * 2021-12-14 2022-05-06 云南电网能源投资有限责任公司 一种基于最小化带权曼哈顿距离的充电站布点规划方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《基于污染物过程线模型的污水管网水量水质动态模拟研究》;张明凯;《工程科技辑》;全文 *
污水处理操作平台钢支架结构参数优化;赵泽龙;;人类工效学(第04期);全文 *
西部小城镇污水厂、垃圾站的经济指标分析;宁海燕;张勤;李慧敏;;中国给水排水(第12期);全文 *

Also Published As

Publication number Publication date
CN114967623A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN110728035B (zh) 一种基于控制断面水质达标的污染物总量控制方法
Liu et al. Urban development and resource endowments shape natural resource utilization efficiency in Chinese cities
CN104376327B (zh) 一种公共自行车租赁点的聚类方法
CN114967623B (zh) 城市地下污水处理厂规模优化与工艺选择方法
CN103276686A (zh) 一种梯级水库下游设计洪水的推求方法
CN104182806B (zh) 一种基于正交降维搜索算法的水电站群优化调度方法
CN103440525A (zh) 基于Vague值相似度量改进算法的城市湖库水华应急治理多目标多层次决策方法
CN113255746B (zh) 基于决策树的新能源电动汽车退役动力电池等级筛选方法
CN116432948B (zh) 一种城市雨源型河流系统分步治理方法
CN108288095A (zh) 一种基于黄金分割遗传算法的地铁列车节能优化方法
CN107622363B (zh) 城市水环境质量评估方法
CN112712268A (zh) 一种海绵城市优化布局与综合效益评价方法
CN112668129B (zh) 基于空间负荷聚类的配电网多级网格智能划分方法
CN112699610A (zh) 一种基于高维多目标进化算法的海绵城市优化设计方法
CN113312735A (zh) 一种城市供水管网dma分区方法
CN112699606A (zh) 一种海绵城市布局优化多目标决策方法
Fang et al. Evaluation of regional water resources carrying capacity based on binary index method and reduction index method
CN102902742A (zh) 一种云环境下的空间数据划分方法
CN112765300A (zh) 基于ArcGIS空间数据的水利对象关系图谱构建方法
CN111767677A (zh) 一种基于ga算法的梯级泵站群扬程优化分配方法
CN111985690B (zh) 一种风电基地升压站选址方法
CN111985691B (zh) 一种风电场升压站选址方法
CN110097757B (zh) 一种基于深度优先搜索的交叉口群关键路径识别方法
CN109359671B (zh) 一种水电站水库调度规则的分类智能提取方法
CN113158591B (zh) 一种确定流域土地开发利用承载力的方法

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
GR01 Patent grant
GR01 Patent grant