CN115527628A - 城市污水化学除磷工艺的在线控制方法及系统 - Google Patents
城市污水化学除磷工艺的在线控制方法及系统 Download PDFInfo
- Publication number
- CN115527628A CN115527628A CN202211129494.4A CN202211129494A CN115527628A CN 115527628 A CN115527628 A CN 115527628A CN 202211129494 A CN202211129494 A CN 202211129494A CN 115527628 A CN115527628 A CN 115527628A
- Authority
- CN
- China
- Prior art keywords
- data
- dosage
- prediction model
- municipal sewage
- phosphorus removal
- 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
- 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
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Organic Chemistry (AREA)
- Removal Of Specific Substances (AREA)
Abstract
本发明公开了城市污水化学除磷工艺的在线控制方法及系统,属于污水处理技术领域,本发明要解决的技术问题为如何实现相对精细且灵活的加药,及时准确地响应水质和水量的变化,进而实现低碳集约处理,采用的技术方案为:该方法是基于python的tensorflow框架,并采用BP神经网络构建加药量预测模型,对城市污水化学除磷工艺过程中加药量进行修正和优化,自动调整加药量;具体如下:数据采集及预处理:通过城市污水化学除磷工艺过程采集加药量的相关数据,并对加药量的相关数据进行预处理;设置并确定基于BP神经网络的加药量预测模型的相关初始参数;通过训练BP神经网络,确定加药量预测模型;加药量预测模型的预测分析与应用。
Description
技术领域
本发明涉及污水处理技术领域,具体地说是一种城市污水化学除磷工艺的在线控制方法及系统。
背景技术
当前,污水处理厂在化学除磷加药环节普遍依赖经验人工投加化学药剂,这种方式不仅会造成了资源的巨大浪费,也会造成污泥产率增加等一系列的次生问题。
近年来,自动化程度较高的污水处理厂尝试采用智能投加的方式,比如按按流量前馈控制、负荷前馈和PID反馈控制策略投加等,但污水厂进水水质波动较大,根据前馈调节依然存在超标风险,反馈控制也存在加药量调节滞后等问题。故如何实现相对精细且灵活的加药,及时准确地响应水质和水量的变化,进而实现低碳集约处理是目前亟待解决的技术问题。
发明内容
本发明的技术任务是提供一种城市污水化学除磷工艺的在线控制方法及系统,来解决如何实现相对精细且灵活的加药,及时准确地响应水质和水量的变化,进而实现低碳集约处理的问题。
本发明的技术任务是按以下方式实现的,一种城市污水化学除磷工艺的在线控制方法,该方法是基于python的tensorflow框架,并采用BP神经网络构建加药量预测模型,对城市污水化学除磷工艺过程中加药量进行修正和优化,自动调整加药量,进而确保既能满足出水指标要求又能实现污水处理的节能降耗;具体如下:
数据采集及预处理:通过城市污水化学除磷工艺过程采集加药量的相关数据,并对加药量的相关数据进行预处理;
设置并确定基于BP神经网络的加药量预测模型的相关初始参数;
通过训练BP神经网络,确定加药量预测模型;
加药量预测模型的预测分析与应用。
作为优选,所述加药量预测模型选取tanh函数作为激活函数,公式如下:
更优地,所述数据采集及预处理具体如下:
数据清洗;
样本归一化处理。
更优地,数据清洗具体如下:
进水水质以及进水水量均为时间序列,判断任一时间序列中是否有数据点存在明显偏离整体序列;
若有,则判断该数据为异常数据,对异常数据采用LOF异常值检测算法将异常点数据筛选并剔除,去除干扰信号;
对于出水正磷酸盐浓度值只取浓度值低于设定浓度值的数据点作为训练数据。
更优地,样本归一化具体如下:
采用离差标准化的方法对原始数据进行归一化,使结果值在[0,1]区间内,归一化函数公式如下:
其中,xi表示学习样本数据;xmin表示学习样本数据变化范围的最小值;xmax表示学习样本数据变化范围的最大值;
归一化处理后的数据分成两部分,随机选取90%数据作为训练集,进行学习,训练BP神经网络;剩余10%数据作为验证集,验证所建加药量预测模型的预测效果。
作为优选,设置并确定基于BP神经网络的加药量预测模型的相关初始参数具体如下:
完成数据采集及数据预处理后,基于BP神经网络建立加药量预测模型,并输入影响加药量的相关特征参数;
训练样本数量为n组,验证样本数量n/9组;本发明训练样本数量为9000组,验证样本数量1000组;
获取影响加药量的相关特征参数的实时指标,并分别计算影响加药量的相关特征参数前五分钟、前十五分钟、前半小时以及前一小时的均值作为输入,输入为72维,输出层单节点为加药量;
训练步数取5000步,训练误差取1e-11,训练函数为TRAINLM,隐藏层激活函数为tanh,输出层不包含激活函数,取学习速率为0.001。
更优地,影响加药量的相关特征参数包括进水水量、进水正磷酸盐浓度、进水浊度、进水pH值、进水SS、进水电导率、进水COD浓度、进水TN浓度、进水氨氮浓度、二沉时间、污水温度、出水正磷酸盐浓度、出水浊度、出水pH值、出水SS、药剂密度、药剂浓度及药剂中金属离子摩尔含量.
作为优选,通过训练BP神经网络,确定加药量预测模型具体如下:
加药量预测模型的参数初始值采用xavier初始化方法,公式如下:
加药量预测模型采用了3类8种网络结构,具体如下:
3层网络结构,其中有2层隐藏层;
4层网络结构,其中有3层隐藏层;
5层网络结构,其中有4层隐藏层;
通过计算在验证集的均方误差,4层的网络模型隐藏层节点数分别为32、64、32效果最佳,均方误差为0.97313。
作为优选,加药量预测模型的预测分析与应用具体如下:
加药量预测模型投入使用后,每5秒钟实时获取在线数据,并每十分钟基于获取的数据对模型进行调用,获得预测的加药量,对加药量进行调整。
一种城市污水化学除磷工艺的在线控制系统,该系统包括,
数据采集及预处理模块,用于通过城市污水化学除磷工艺过程采集加药量的相关数据,并对加药量的相关数据进行预处理;
参数设置模块,用于设置并确定基于BP神经网络的加药量预测模型的相关初始参数;
模型确定模块,用于通过训练BP神经网络,确定加药量预测模型;
预测模块,用于加药量预测模型的预测分析与应用。
本发明的城市污水化学除磷工艺的在线控制方法及系统具有以下优点:
(一)本发明采用BP神经网络模型,在系统运行调试过程中对加药量进行修正和优化,自动调整加药量,既能满足出水指标要求也能实现污水处理厂的节能降耗;
(二)本发明实现了相对精细且灵活的加药,及时准确地响应水质和水量的变化,进而实现了低碳集约处理。
附图说明
下面结合附图对本发明进一步说明。
附图1为加药量预测模型的架构图。
具体实施方式
参照说明书附图和具体实施例对本发明的城市污水化学除磷工艺的在线控制方法及系统作以下详细地说明。
实施例1:
本实施例提供了一种城市污水化学除磷工艺的在线控制方法,该方法是基于python的tensorflow框架,并采用BP神经网络构建加药量预测模型,对城市污水化学除磷工艺过程中加药量进行修正和优化,自动调整加药量,进而确保既能满足出水指标要求又能实现污水处理的节能降耗;具体如下:
S1、数据采集及预处理:通过城市污水化学除磷工艺过程采集加药量的相关数据,并对加药量的相关数据进行预处理;
S2、设置并确定基于BP神经网络的加药量预测模型的相关初始参数;
S3、通过训练BP神经网络,确定加药量预测模型;
S4、加药量预测模型的预测分析与应用。
如附图1所示,本实施例中的加药量预测模型选取tanh函数作为激活函数,公式如下:
加药量预测模型包括输入层、隐藏层和输出层。
本实施例步骤S1中的数据采集及预处理具体如下:
S101、数据清洗;
S102、样本归一化处理。
本实施例步骤S101中的数据清洗具体如下:
S10101、进水水质以及进水水量均为时间序列,判断任一时间序列中是否有数据点存在明显偏离整体序列;
若有,则判断该数据为异常数据,对异常数据采用LOF异常值检测算法将异常点数据筛选并剔除,去除干扰信号;
S10102、对于出水正磷酸盐浓度值只取浓度值低于设定浓度值的数据点作为训练数据。
本实施例步骤S102中的样本归一化具体如下:
S10201、采用离差标准化的方法对原始数据进行归一化,使结果值在[0,1]区间内,归一化函数公式如下:
其中,xi表示学习样本数据;xmin表示学习样本数据变化范围的最小值;xmax表示学习样本数据变化范围的最大值;
S10202、归一化处理后的数据分成两部分,随机选取90%数据作为训练集,进行学习,训练BP神经网络;剩余10%数据作为验证集,验证所建加药量预测模型的预测效果。
本实施例步骤S2中的设置并确定基于BP神经网络的加药量预测模型的相关初始参数具体如下:
S201、完成数据采集及数据预处理后,基于BP神经网络建立加药量预测模型,并输入影响加药量的相关特征参数;
S202、训练样本数量为n组,验证样本数量n/9组;本发明训练样本数量为9000组,验证样本数量1000组;
S203、获取影响加药量的相关特征参数的实时指标,并分别计算影响加药量的相关特征参数前五分钟、前十五分钟、前半小时以及前一小时的均值作为输入,输入为72维,输出层单节点为加药量;
S204、训练步数取5000步,训练误差取1e-11,训练函数为TRAINLM,隐藏层激活函数为tanh,输出层不包含激活函数,取学习速率为0.001。
本实施例中步骤S201中的影响加药量的相关特征参数包括进水水量、进水正磷酸盐浓度、进水浊度、进水pH值、进水SS、进水电导率、进水COD浓度、进水TN浓度、进水氨氮浓度、二沉时间、污水温度、出水正磷酸盐浓度、出水浊度、出水pH值、出水SS、药剂密度、药剂浓度及药剂中金属离子摩尔含量.
本实施例步骤S3中的通过训练BP神经网络,确定加药量预测模型具体如下:
加药量预测模型的参数初始值采用xavier初始化方法,公式如下:
加药量预测模型采用了3类8种网络结构,具体如下:
3层网络结构,其中有2层隐藏层;隐藏层节点数如下表所示:
隐藏层1 | 隐藏层2 | |
组1 | 32 | 32 |
组2 | 64 | 64 |
4层网络结构,其中有3层隐藏层;隐藏层节点数如下表所示:
5层网络结构,其中有4层隐藏层;隐藏层节点数如下表所示:
隐藏层1 | 隐藏层2 | 隐藏层3 | 隐藏层4 | |
组1 | 16 | 32 | 32 | 16 |
组2 | 32 | 64 | 64 | 32 |
组3 | 64 | 128 | 128 | 64 |
通过计算在验证集的均方误差,4层的网络模型隐藏层节点数分别为32、64、32效果最佳,均方误差为0.97313。
本实施例步骤S4中的加药量预测模型的预测分析与应用具体如下:
加药量预测模型投入使用后,每5秒钟实时获取在线数据,并每十分钟基于获取的数据对模型进行调用,获得预测的加药量,对加药量进行调整。
实施例2:
本实施例提供了一种城市污水化学除磷工艺的在线控制系统,该系统包括,
数据采集及预处理模块,用于通过城市污水化学除磷工艺过程采集加药量的相关数据,并对加药量的相关数据进行预处理;
参数设置模块,用于设置并确定基于BP神经网络的加药量预测模型的相关初始参数;
模型确定模块,用于通过训练BP神经网络,确定加药量预测模型;
预测模块,用于加药量预测模型的预测分析与应用。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种城市污水化学除磷工艺的在线控制方法,其特征在于,该方法是基于python的tensorflow框架,并采用BP神经网络构建加药量预测模型,对城市污水化学除磷工艺过程中加药量进行修正和优化,自动调整加药量,进而确保既能满足出水指标要求又能实现污水处理的节能降耗;具体如下:
数据采集及预处理:通过城市污水化学除磷工艺过程采集加药量的相关数据,并对加药量的相关数据进行预处理;
设置并确定基于BP神经网络的加药量预测模型的相关初始参数;
通过训练BP神经网络,确定加药量预测模型;
加药量预测模型的预测分析与应用。
3.根据权利要求1或2所述的城市污水化学除磷工艺的在线控制方法,其特征在于,所述数据采集及预处理具体如下:
数据清洗;
样本归一化处理。
4.根据权利要求3所述的城市污水化学除磷工艺的在线控制方法及系统,其特征在于,数据清洗具体如下:
进水水质以及进水水量均为时间序列,判断任一时间序列中是否有数据点存在明显偏离整体序列;
若有,则判断该数据为异常数据,对异常数据采用LOF异常值检测算法将异常点数据筛选并剔除,去除干扰信号;
对于出水正磷酸盐浓度值只取浓度值低于设定浓度值的数据点作为训练数据。
6.根据权利要求1所述的城市污水化学除磷工艺的在线控制方法,其特征在于,设置并确定基于BP神经网络的加药量预测模型的相关初始参数具体如下:
完成数据采集及数据预处理后,基于BP神经网络建立加药量预测模型,并输入影响加药量的相关特征参数;
训练样本数量为n组,验证样本数量n/9组;
获取影响加药量的相关特征参数的实时指标,并分别计算影响加药量的相关特征参数前五分钟、前十五分钟、前半小时以及前一小时的均值作为输入,输入为72维,输出层单节点为加药量;
训练步数取5000步,训练误差取1e-11,训练函数为TRAINLM,隐藏层激活函数为tanh,输出层不包含激活函数,取学习速率为0.001。
7.根据权利要求6所述的城市污水化学除磷工艺的在线控制方法,其特征在于,影响加药量的相关特征参数包括进水水量、进水正磷酸盐浓度、进水浊度、进水pH值、进水SS、进水电导率、进水COD浓度、进水TN浓度、进水氨氮浓度、二沉时间、污水温度、出水正磷酸盐浓度、出水浊度、出水pH值、出水SS、药剂密度、药剂浓度及药剂中金属离子摩尔含量。
9.根据权利要求1所述的城市污水化学除磷工艺的在线控制方法,其特征在于,加药量预测模型的预测分析与应用具体如下:
加药量预测模型投入使用后,每5秒钟实时获取在线数据,并每十分钟基于获取的数据对模型进行调用,获得预测的加药量,对加药量进行调整。
10.一种城市污水化学除磷工艺的在线控制系统,其特征在于,该系统包括,
数据采集及预处理模块,用于通过城市污水化学除磷工艺过程采集加药量的相关数据,并对加药量的相关数据进行预处理;
参数设置模块,用于设置并确定基于BP神经网络的加药量预测模型的相关初始参数;
模型确定模块,用于通过训练BP神经网络,确定加药量预测模型;
预测模块,用于加药量预测模型的预测分析与应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211129494.4A CN115527628A (zh) | 2022-09-15 | 2022-09-15 | 城市污水化学除磷工艺的在线控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211129494.4A CN115527628A (zh) | 2022-09-15 | 2022-09-15 | 城市污水化学除磷工艺的在线控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115527628A true CN115527628A (zh) | 2022-12-27 |
Family
ID=84698598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211129494.4A Pending CN115527628A (zh) | 2022-09-15 | 2022-09-15 | 城市污水化学除磷工艺的在线控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115527628A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117174198A (zh) * | 2023-11-02 | 2023-12-05 | 山东鸿远新材料科技股份有限公司 | 一种基于氧氯化锆生产的自动检测清洁方法及系统 |
CN117275615A (zh) * | 2023-10-31 | 2023-12-22 | 源康(东阿)健康科技有限公司 | 一种明胶生产废水智能处理方法及系统 |
-
2022
- 2022-09-15 CN CN202211129494.4A patent/CN115527628A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117275615A (zh) * | 2023-10-31 | 2023-12-22 | 源康(东阿)健康科技有限公司 | 一种明胶生产废水智能处理方法及系统 |
CN117275615B (zh) * | 2023-10-31 | 2024-04-09 | 源康(东阿)健康科技有限公司 | 一种明胶生产废水智能处理方法及系统 |
CN117174198A (zh) * | 2023-11-02 | 2023-12-05 | 山东鸿远新材料科技股份有限公司 | 一种基于氧氯化锆生产的自动检测清洁方法及系统 |
CN117174198B (zh) * | 2023-11-02 | 2024-01-26 | 山东鸿远新材料科技股份有限公司 | 一种基于氧氯化锆生产的自动检测清洁方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115527628A (zh) | 城市污水化学除磷工艺的在线控制方法及系统 | |
US9747544B2 (en) | Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network | |
CN103744293B (zh) | 基于模糊神经网络的废水处理监控方法和系统 | |
FI114019B (fi) | Menetelmä jätevedenpuhdistamojen ohjaamista varten käyttäen useita ohjausfunktioita | |
CN114275912B (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 | |
CN106802563B (zh) | 一种基于果蝇优化和lssvm的污水过程优化控制方法 | |
CN109473182B (zh) | 一种基于深度信念网络的mbr膜透水率智能检测方法 | |
CN115793471A (zh) | 一种基于污水处理监测的可调式控制方法及系统 | |
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 | |
CN112759063A (zh) | 一种预臭氧投加控制方法及其控制系统 | |
CN114690700B (zh) | 一种基于plc的智能污水处理决策优化方法及系统 | |
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 | |
Baeza et al. | In-line fast OUR (oxygen uptake rate) measurements for monitoring and control of WWTP | |
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 | |
CN113845205B (zh) | 一种高盐高氮污水智能一体化除盐脱氮控制系统 | |
Civelekoglu et al. | Modeling Carbon and Nitrogen Removal in an Industrial Wastewater Treatment Plant Using an Adaptive Network‐Based Fuzzy Inference System | |
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 | |
CN115481720A (zh) | 基于br-narx神经网络的混凝剂加药量的预测方法 | |
CN114149076B (zh) | 一种厌氧氨氧化污水处理系统的智能调试系统 | |
Adgar et al. | Performance improvements at surface water treatment works using ANN-based automation schemes | |
Husin et al. | Improving total nitrogen removal using a neural network ammonia-based aeration control in activated sludge process | |
CN117874409B (zh) | 基于水质预测的制水反馈调控方法、系统、终端及介质 | |
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 | |
Vijayabhanu et al. | Statistical Normalization techniques for the prediction of COD level for an anaerobic wastewater treatment plant |
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 |