CN115981153B - 基于深度学习的a2o工艺间歇性低碳曝气方法及控制系统 - Google Patents

Abstract

本发明公开了基于深度学习的A²O工艺间歇性低碳曝气方法及控制系统，属于农村生活污水处理领域。本发明利用常规处理终端现有的硬件水平和监测能力，采用基于深度学习模型的智能控制策略调控主风机、备用风机以及调节池提升泵的启停逻辑和运行周期，在满足出水达标排放的条件下降低了能耗，减少了农村生活污水处理终端的运行成本和碳排放，可实现抗冲击负荷和高效节能的技术效果，对不同地域进水水量和水质显著差异化的农村生活污水处理终端具有普适性。

Description

基于深度学习的A2O工艺间歇性低碳曝气方法及控制系统

技术领域

本发明属于农村生活污水处理领域，具体涉及一种基于深度学习的A²O工艺间歇性低碳曝气方法及控制系统。

背景技术

农村生活污水存在点多面广、进水水量和水质波动大的特点。国内针对农村生活污水的处理手段按照因地制宜的原则，以建设集中式的污水处理终端为主，涉及好氧曝气的A²O是应用最为广泛的处理工艺。除建设成本外，电耗是农村生活污水处理终端A²O工艺主要的直接成本之一，其中好氧池曝气风机的电耗约占总能耗的40％-60％。由于缺少适用的控制策略，目前的农村生活污水处理终端通常采用每天连续曝气16～18h的形式，发生过量曝气时一般采取开旁路泄气的方式应对。曝气不足可能导致出水COD、氨氮等参数超标，而过量曝气不仅增加了无效的运行成本，多余的溶解氧(DO)还会通过回流污水削弱缺氧池的反硝化及厌氧池的释磷，增大对碳源的消耗，甚至造成污泥解体。此外，农村生活污水主要来自于厨卫和洗浴，呈间歇性排放特征，公休日的排放量显著高于工作日，且每日排放时段一般集中在三餐前后，其他时段排水量较小或基本不排水，与进水较为稳定的市政污水处理厂相比，其冲击负荷较大，总氮(TN)浓度相对较高，碳氮比(C/N)相对较低，因此精准控制曝气的难度更大，碳减排的优化空间也更大。

现有技术中用于曝气精准控制的方法大都适用于进水稳定的大型市政污水处理厂，直接控制对象多为配备无刷电极和变频调速系统的风机，并要求对污水处理各环节的水量、水质等多项指标进行实时监测。然而受限于建设成本，农村生活污水处理终端所用的风机、水泵、监测仪表等多采用成本低、功能简单的设备和系统，风机功率不可调，且在线监测参数仅包括《农村生活污水集中处理设施水污染物排放标准》(DB33/973-2021)中规定的pH、化学需氧量、悬浮物、氨氮和总磷5项指标。

例如，在专利申请号为202111609714.9、专利名称为“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”的中国发明专利申请文献中公开了一种用于污水处理厂的曝气系统DO控制方法，采用自适应神经网络模型预测所述曝气系统的各时刻的溶解氧浓度值，再利用模糊算法精准调控DO值。但构建该方法所述模型的监测指标数较多，包括进水化学需氧量、进水流量、曝气反应池内温度、pH值、污泥指数、30min沉降比、污泥浓度、固体悬浮物以及溶解氧，其中污泥指数、30min沉降比、污泥浓度等参数并不属于农村生活污水处理终端的常规监测项，实际可用的数据库并不足以支持相关模型、控制方法在农村生活污水曝气控制上的应用。又如，在专利申请号为202210099507.1、专利名称为“用于污水处理的短程智能精确曝气控制方法、设备及系统”的中国发明专利申请文献中公开一种用于城镇污水处理厂A²O工艺精确曝气的方法、设备和系统，其需要的监测参数比一般的智能曝气模型少，引入补正风量控制调整实时的风量变化量，避免了过量曝气，有利于降低曝气电耗。然而该方法高度依赖变频风机功率与鼓风量之间的对应关系，无法用于曝气设备普遍采用固定功率风机的农村生活污水处理终端。

因此，现有技术中可精准曝气的技术方案难以直接转用于农村生活污水处理设施，亟需开发设计一种可用于农村生活污水A²O处理工艺的间歇性低碳曝气方法及控制系统。

发明内容

本发明为解决农村生活污水间歇性排放特征导致的冲击负荷大，以及，曝气不足、过量曝气现象普遍存在，而现有技术中的市政污水处理厂A²O精准曝气技术监测指标多、硬件要求高，难以应用于农村生活污水处理的技术问题，提供一种基于深度学习的A²O工艺间歇性低碳曝气方法及控制系统，充分利用现有农污水常规处理终端的硬件水平和监测能力，采用基于深度学习模型的智能控制策略调控主风机、备用风机以及调节池提升泵的启停逻辑和运行周期，实现抗冲击负荷、高效节能的目的，降低设备改造升级的成本。

为达到上述目的中的至少一项，本发明采用如下技术方案：

一种基于深度学习的A²O工艺间歇性低碳曝气方法，其特征在于，包括以下步骤：

S1：获取农村生活污水处理终端出水井的pH、化学需氧量、悬浮物、氨氮和总磷的出水水质参数历史时序数据，以及，好氧曝气池相应的DO监测值，形成出水水质参数与好氧曝气池DO浓度的时序数据集；

S2：利用获取的数据集构建并训练由GA和PSO算法优化的LSTM深度学习模型；

S3：设定出水水质参数指标均达标为优先限定条件，设定风机总能耗最低为期望；

S4：获取出水井的pH、化学需氧量、悬浮物、氨氮和总磷的实时数据，通过GA-PSO-LSTM深度学习模型预测实时的好氧曝气池DO浓度最优值，计算好氧曝气池DO浓度最优值与实际值的偏差；

S5：获取调节池实时液位和进水流量数据，控制系统根据实时DO偏差值、液位和流量调控主风机、备用风机、提升泵的启停逻辑和运行周期。

利用T时刻的出水pH(pH^T)、化学需氧量(COD^T)、悬浮物(SS^T)、氨氮(NH₃-N^T)、总磷(TP^T)和T+t时刻好氧曝气池实时溶解氧浓度来计算T+t时刻好氧曝气池的最优溶解氧浓度/>根据/>与/>的偏差来调控主风机、备用风机以及调节池提升泵的启停逻辑，使好氧曝气池溶解氧浓度由/>向/>逼近，实现农村生活污水处理终端曝气系统智能、精准、低碳的技术效果。

本发明提供的用于好氧曝气池的最优溶解氧浓度DO_{optim l}预测的模型采用GA-PSO-LSTM深度学习模型，该模型集成了遗传算法(GA)、粒子群优化算法(PSO)和长短期记忆网络(LSTM)，借助启发式算法结构优化和深度学习神经网络数据挖掘来强化模型的预测能力，能够在监测参数较少的条件下准确预测DO_optimal，减少曝气不足和过量曝气的发生。

所述的GA-PSO-LSTM深度学习模型的构建步骤包括循环神经网络(RNN)深度学习模型的构建过程，包括数据预处理、数据集分集、模型训练、预测和验证等步骤；在此基础上还包括GA-PSO对LSTM模型结构的优化，具体为：

1、适应度函数设计

粒子群适应度函数直接采用模型的预测值和验证数据集的均方误差(MSE)，在PSO寻优阶段，通过下式计算适应度值：

式中，Loss为损失函数；y_predict为某时刻的输出值，M为粒子群个数。

由于GA-PSO-LSTM深度学习模型通过GA来优化PSO，PSO是作为优化超参数的主体部分，直接把Loss作为粒子群的适应度函数便于在程序调试过程的直观表达。

GA对种群进行寻优时，采用轮盘赌法进行染色体选择操作，其原理是通过计算每条染色体的选择概率和累计适应度来选择，染色体的适应度越大则越容易被选择。由于此处为最小化问题，需要通过界限构造法来极大化适应度函数，故在用GA对粒子群的位置进行交叉变异的时候需按式(2)来计算适应度，进而得到Loss值更小的种群。

Fit_ga＝1/(1+Loss) (2)

2、粒子速度和位置更新

由启发式算法优化的超参数共有6个维度，包括步长time_step、优化函数optimizer_num、第一个隐含层神经元个数h1_num、第二个隐含层神经元个数h2_num、单次训练所选取的样本数batch_size和droupout。6维搜索空间中的第i个粒子的位置矢量速度矢量/>以及搜索到的最优位置/>如下：

当整个粒子群当前搜寻到的最优位置为：

则其速度更新和位置更新表示为：

式中，为惯性部分，代表当前粒子对自身运动状态的确定；为认知部分，代表粒子自身的经验；/>是社会部分，代表PSO信息共享，参考其他粒子的优秀经验来更新速度；w是惯性权重；c₁和c₂是加速因子；rand()是0～1的随机数；/>为当前位置；/>为速度向量。

3、惯性权重更新

设定较大的初始惯性权重以避免陷入局部最优，同时在种群迭代过程中需持续修正惯性权重以规避震荡现象，惯性权重更新表示为：

式中，w_max和w_min分别为惯性权重极大值和极小值；itera_max为最大迭代步数；itera_current为当前迭代步数。

4、染色体编码、选择、交叉、变异操作

对粒子群按照适应度值排序，适应度越小则越优，将粒子群对半划分为Pop_better和Pop_worse。采用二进制编码染色体，由于PSO中不存在编码的步骤，Pop_worese等同于已解码的个体，按解码公式倒推其二进制编码转十进制的值应为：

式中，u_max和u_min分别为取值范围的上下限；λ为编码长度。

选择操作采用轮盘赌法，采用式(2)中的Fit_ga计算适应度使LSTM模型中Loss越小的染色体被选中的概率越大，达到在Pop_worse寻得更优个体的效果。

交叉操作由设置的染色体交叉概率p_c按式(11)计算出需要交叉的染色体数量M_c，若M_c为奇数，需向上取其最近的偶数。交叉算子采用单点交叉算子，即对于俩俩随机配对的染色体，随机设置某个基因座为其交叉点，基因座后的染色体全部互换。

M_c＝M×p_c (11)

变异操作根据设置的染色体变异概率按式(12)计算出需要变异的基因个数，随机选取M_m个基因，确定基因在染色体上的基因座，对基因座上的二进制数进行取反。

M_m＝M×l×p_m (12)

式中，M为种群数量；l为编码长度；p_m为变异概率。

所述的GA-PSO-LSTM深度学习模型的开发基于PyCharm环境下的TensorFlow或Keras框架，训练完全的模型可利用T时刻的出水pH、化学需氧量、悬浮物、氨氮和总磷预测T+t时刻好氧曝气池的最优溶解氧浓度其运算过程表示为：

式中，pH^T为T时刻的出水pH值，COD^T为T时刻的出水化学需氧量，SS^T为T时刻的出水悬浮物浓度，NH₃-N^T为T时刻的出水氨氮浓度，TP^T为T时刻的出水总磷浓度，Bias为T+t时刻好氧曝气池的最优溶解氧浓度与实时溶解氧浓度的偏差；E_output为输出期望；P₁为主风机额定功率；P₂为备用风机额定功率；t_A和t_B为主风机间歇运行周期的单次启动时间和单次关闭时间；t_C和t_D为备用风机间歇运行周期的单次启动时间和单次关闭时间。

所述的T+t时刻好氧曝气池最优溶解氧浓度与实时溶解氧浓度的偏差用于修正t_A、t_B、t_C和t_D，所述的E_output用于限定预测模型学习过程向风机总能耗最低的方向收敛。风机运行周期的修正过程可表示为：

式中，t_A′_A、t′_B、t′_C和t′_D分别为T+t时刻t_A、t_B、t_C和t_D的修正值；K₁、K₂、K₃和K₄为常数，根据污水处理设施的实际调试效果确定。

本发明的另一方面，还提供一种基于深度学习的A²O工艺间歇性低碳曝气的控制系统，由控制台，设置于污水处理终端进水井的流量计，设置于调节池提升泵浮球上的液位传感器，设置于好氧池的DO监测仪，设置于出水井的pH测定仪、化学需氧量测定仪、悬浮物测定仪、氨氮测定仪和总磷测定仪构成，所述控制台包括：

设定模块，用于设定污水处理设施出水的水质参数范围，该水质参数范围与污水处理设施所执行的排放标准一致，设定出水水质参数指标全部达标为智能运算模块的优先限定条件；

监测模块，用于获取所述进水流量计测得的实时进水量、所述液位传感器测得的实时液位、所述DO监测仪测得的实时DO浓度和所述出水监测设备测得的出水pH、化学需氧量、悬浮物、氨氮和总磷；

存储模块，用于存储所述设定模块限定的水质参数范围，所述监测模块获取的历史和实时数据，及设定的控制指令、控制逻辑；

智能运算模块，用于提供所述的GA-PSO-LSTM深度学习模型的运行环境，实施建模、数据预处理、模型训练、验证和好氧曝气池最优DO值预测，根据所述DO预测值计算风机的运行周期，根据所述实时进水量计算水力负荷，并根据所述监测数据和运算结果判断需执行的控制指令，智能运算模块在优先限定条件下，以风机总能耗最低为期望进行预测和计算，即需优先满足出水水质参数指标全部达标，再优化预测和计算结果使风机总能耗最低。

PLC执行模块，用于执行所述智能运算模块输出的控制指令，根据所述指令调控主风机、备用风机和提升泵的启停逻辑和运行周期。

通过调控风机和提升泵的启停逻辑和运行周期，达到抗冲击负荷高效节能的控制效果。风机的调控包括对主风机、备用风机的启停逻辑和运行周期的调控，启停逻辑由实时水力负荷和好氧曝气池DO值决定，运行周期由模型预测的DO最优值与实际值的实时偏差决定。

所述提升泵的启停通过设定调节池最高液位来间接控制，当调节池最高液位设定为低位时，提升泵工作第一时间，调节池污水主要通过提升泵的作用进入A²O生化处理单元；当调节池最高液位设定为高位时，提升泵工作时间第二时间，调节池污水主要通过重力自流进入A²O生化处理单元；所述第一时间大于第二时间，即：当调节池最高液位设定为低位时，提升泵工作时间较长，当调节池最高液位设定为高位时，提升泵工作时间较短；所述的所述低位为调节池水量达到设计容量的60％；所述高位为调节池水量达到设计容量的90％。

所述的主风机、备用风机的启停逻辑，以PLC控制为基础，根据监测模块和智能运算模块获取的实时水力负荷和好氧曝气池DO实时监测值执行以下控制指令：

指令一、主风机间歇性运行，备用风机关闭，调节池最高液位设定为低位；

指令二、主风机间歇性运行，备用风机关闭，调节池最高液位设定为高位；

指令三、主风机不间断运行，备用风机关闭，调节池最高液位设定为低位；

指令四、主风机不间断运行，备用风机关闭，调节池最高液位设定为高位；

指令五、主风机和备用风机均为间歇性运行，调节池最高液位设定为低位；

指令六、主风机不间断曝气，备用风机间歇性运行，调节池最高液位设定为低位。

在出水水质参数指标均达标的前提下，遵循以下控制逻辑：

条件一、当水力负荷低于设计负荷的70％且DO监测值≥2mg/L时，执行指令一；

条件二、当水力负荷低于设计负荷的70％且DO监测值＜2mg/L时，执行指令二；

条件三、当水力负荷为设计负荷的70％～95％且DO监测值≥2mg/L时，执行指令三；

条件四、当水力负荷为设计负荷的70％～95％且DO监测值＜2mg/L时，执行指令四；

条件五、当水力负荷高于设计负荷的95％且DO监测值≥2mg/L时，执行指令五；

条件六、当水力负荷高于设计负荷的95％且DO监测值＜2mg/L时，执行指令六。

在出水水质参数指标未全部达标的前提下，遵循以下控制逻辑：

执行指令二，并以DO监测值3mg/L为控制目标，自适应调控主风机的间歇性运行周期。

所述的水力负荷表示为：

式中，Q为实时流量；A为调节池面积。

所述的主风机、备用风机的运行周期，由智能运算模块预测DO_optimal，根据DO_optimal与DO_current之间的偏差和式16-19来修正主风机、备用风机间歇运行周期的单次启动时间和单次关闭时间，具体为：

式中，t′_A、t′_B、t′_C和t′_D分别为T+t时刻t_A、t_B、t_C和t_D的修正值；K₁、K₂、K₃和K₄为常数，根据污水处理设施的实际调试效果确定。

所述的提升泵的启停逻辑，通过设定调节池最高液位来间接控制。当调节池最高液位设定为低位时，提升泵工作时间较长，调节池污水主要通过提升泵的作用进入A²O生化处理单元；当调节池最高液位设定为高位时，提升泵工作时间较短，调节池污水主要通过重力自流进入A²O生化处理单元。

与现有技术相比，本发明的优点至少体现在：

1、在满足出水达标排放的条件下降低了能耗，减少了农村生活污水处理终端的运行成本和碳排放。

2、双风机的智能控制提高了污水处理终端的水力负荷上限，强化了A²O生化处理系统的抗冲击能力。

3、控制系统全部使用现有农村生活污水处理终端的简易监测设备和曝气装置，可用于非变频风机的应用场景，监测参数少，投入成本低，且对不同地域进水水量和水质显著差异化的农村生活污水处理终端具有普适性。

4、集成了深度学习模型挖掘好氧曝气池DO值与出水水质之间的关联和时序特征，可精准预测最低曝气量，减少过量曝气和曝气不足的发生，相比于常用的机器学习模型具有更高的精度。

附图说明

图1为本发明实施例1的示意图；

图2为本发明中LSTM神经网络的结构示意图；

图3为本发明中GA-PSO-LSTM深度学习模型流程图；

图4为本发明与现有技术的能耗对比图；

图5为本发明与现有技术的出水pH对比图；

图6为本发明与现有技术的出水化学需氧量对比图；

图7为本发明与现有技术的出水悬浮物对比图；

图8为本发明与现有技术的出水氨氮对比图；

图9为本发明与现有技术的出水总磷对比图。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步详细的说明。

实施例1：

参照图1，本实施例提供一种基于深度学习的A²O工艺间歇性低碳曝气的控制系统，包括：控制台，设置于污水处理终端进水井的流量计，设置于调节池提升泵浮球上的液位传感器，设置于好氧池的DO监测仪，设置于出水井的pH测定仪、化学需氧量测定仪、悬浮物测定仪、氨氮测定仪和总磷测定仪，其中，所述控制台包括：

设定模块，用于设定污水处理设施出水的水质参数范围，该水质参数范围与污水处理设施所执行的排放标准一致，设定出水水质参数指标全部达标为智能运算模块的优先限定条件；

监测模块，用于获取进水流量计测得的实时进水量、液位传感器测得的实时液位、DO监测仪测得的实时DO浓度和出水监测设备测得的出水pH、化学需氧量、悬浮物、氨氮和总磷；

存储模块，用于存储设定模块限定的水质参数范围，监测模块获取的历史和实时数据，及设定的控制指令、控制逻辑；

智能运算模块，用于提供GA-PSO-LSTM深度学习模型的运行环境，实施建模、数据预处理、模型训练、验证和好氧曝气池最优DO值预测，根据DO预测值计算风机的运行周期，根据实时进水量计算水力负荷，并根据监测数据和运算结果判断需执行的控制指令，智能运算模块在优先限定条件下，以风机总能耗最低为期望进行预测和计算，即需优先满足出水水质参数指标全部达标，再优化预测和计算结果使风机总能耗最低。

PLC执行模块，用于执行智能运算模块输出的控制指令，根据指令调控主风机、备用风机和提升泵的启停逻辑和运行周期。

主风机、备用风机的启停逻辑，以PLC控制为基础，根据监测模块和智能运算模块获取的实时水力负荷和好氧曝气池DO实时监测值执行以下控制指令：

指令一、主风机间歇性运行，备用风机关闭，调节池最高液位设定为低位；

指令二、主风机间歇性运行，备用风机关闭，调节池最高液位设定为高位；

指令三、主风机不间断运行，备用风机关闭，调节池最高液位设定为低位；

指令四、主风机不间断运行，备用风机关闭，调节池最高液位设定为高位；

指令五、主风机和备用风机均为间歇性运行，调节池最高液位设定为低位；

指令六、主风机不间断曝气，备用风机间歇性运行，调节池最高液位设定为低位。

在出水水质参数指标均达标的前提下，遵循以下控制逻辑：

条件一、当水力负荷低于设计负荷的70％且DO监测值≥2mg/L时，执行指令一；

条件二、当水力负荷低于设计负荷的70％且DO监测值＜2mg/L时，执行指令二；

条件三、当水力负荷为设计负荷的70％～95％且DO监测值≥2mg/L时，执行指令三；

条件四、当水力负荷为设计负荷的70％～95％且DO监测值＜2mg/L时，执行指令四；

条件五、当水力负荷高于设计负荷的95％且DO监测值≥2mg/L时，执行指令五；

条件六、当水力负荷高于设计负荷的95％且DO监测值＜2mg/L时，执行指令六。

在出水水质参数指标未全部达标的前提下，遵循以下控制逻辑：

执行指令二，并以DO监测值3mg/L为控制目标，自适应调控主风机的间歇性运行周期。

其中，水力负荷表示为：

式中，Q为实时流量；A为调节池面积。

主风机、备用风机的运行周期表示为主风机、备用风机间歇运行周期的单次启动时间和单次关闭时间，按照DO_optimal与DO_current之间的偏差和式(22-25)进行修正。

提升泵的启停逻辑，通过设定调节池最高液位来间接控制。当调节池最高液位设定为低位时，提升泵工作时间较长，调节池污水主要通过提升泵的作用进入A²O生化处理单元；当调节池最高液位设定为高位时，提升泵工作时间较短，调节池污水主要通过重力自流进入A²O生化处理单元。

实施例2：

本实施例提供的基于深度学习的A²O工艺间歇性低碳曝气方法，包括以下步骤：

S1：获取农村生活污水处理终端出水井的pH、化学需氧量、悬浮物、氨氮和总磷的历史时序数据，以及，好氧曝气池相应的DO监测值，形成出水水质参数与好氧曝气池DO浓度的时序数据集；

S2：利用获取的数据集构建并训练由GA和PSO算法优化的LSTM深度学习模型；

S3：设定出水五项指标均达标为优先限定条件，设定风机总能耗最低为期望；

S4：获取出水井的pH、化学需氧量、悬浮物、氨氮和总磷的实时数据，通过GA-PSO-LSTM深度学习模型预测实时的好氧曝气池DO浓度最优值，计算好氧曝气池DO浓度最优值与实际值的偏差；

S5：获取调节池实时液位和进水流量数据，控制系统根据实时DO偏差值、液位和流量调控主风机、备用风机、提升泵的启停逻辑和运行周期。

参照图2，LSTM模型为具备短期记忆和长距离历史信息记忆能力的深度学习神经网络，构成包括输入门、输出门、遗忘门和记忆单元，记忆单元负责运算信息存储，三个门控单元为逻辑单元，只负责神经网络中其他部分与记忆单元的连接处设定权值，用于选择性的保存或者遗忘信息，控制了记忆单元的保存、写入和读取功能。

图中，f为遗忘门；i为输入门；o为输出门；h为单元格输出向量；x为输入向量；c为单元状态；下标t为时刻；b为偏差矩阵；θ为权重；σ为sigmod激活函数；tanh为tahh激活函数。

遗忘门的输入是当前时刻的出水pH、化学需氧量、悬浮物、氨氮和总磷监测值和上一时刻隐层的输出。当遗忘门输出为1时，上一时刻单元的信息全部进入记忆单元；当遗忘门输入为0时，记忆单元清除之前的信息，计算过程表示为：

f_t＝sigmod(θ_f·[h_t-1，x_t]+b_f) (2)

输入门的输入是当前时刻的出水pH、化学需氧量、悬浮物、氨氮和总磷监测值和上一时刻隐层的输出。当输入门输出为1时，当前时刻网络的输入信息全都保存到记忆单元中；当输入门输出为0时则不保存，计算过程表示为：

i_t＝sigmod(θ_i·[h_t-1，x_t]+b_i) (3)

输出门叠加计算添加到记忆单元的输入值，按下式对记忆单元的信息进行更新，并对记忆单元进行输出控制，得到隐藏层的输出值：

o_t＝sigmod(θ_o·[h_t-1，x_t]+b_o) (4)

c_t＝f_t⊙c_t-1+i_t⊙c_t (6)

h_t＝o_t⊙tanh(c_t) (7)

参照图3，LSTM模型的网络结构取决于超参数的取值，网络结构对于模型的性能至关重要，本发明采用启发式算法中的GA和PSO来优化多维度特征数据的LSTM建模，以解决常用的网格搜索法在LSTM超参数搜索过程中效果不佳、运算量巨大、费时的问题。

GA具有很强的全局搜索能力，可以对解空间中的多个点进行并行搜索，但在迭代过程中容易丢失信息，不具有记忆的特性，且搜索速度较慢。PSO局部搜索能力强且收敛速度快，且拥有记忆的特性，但存在收敛过早和容易陷入局部极值的问题。耦合GA和PSO可弥补算法各自的缺陷，强化对超参数组合的局部搜索和全局搜索能力，通过优化LSTM的网络结构达到更高的精度，使模型能够在监测指标较少的条件下准确预测好氧曝气池的最优溶解氧浓度DO_optimal。

GA-PSO-LSTM算法步骤包括：S1、模型初始化；S2、计算各粒子适应度值；S3、根据适应度值对半划分为“优适应度种群Pop_better”和“差适应度种群Pop_worse”；S4、“Pop_worse”进行选择交叉变异，产生新种群；S5、结合新种群和“Pop_better”组成新的粒子群，更新个体最优值和全局值；S6、新粒子群速度更新、位置更新；S7、是否满足终止条件，满足则返回参数组合，否则返回S2；S8、建立最优结构的LSTM模型。

LSTM模型的构建参照本领域常用的循环神经网络(RNN)深度学习模型的构建流程，包括数据预处理、数据集分集、模型训练、预测和验证等步骤，GA-PSO对LSTM模型结构的优化包括：

1、适应度函数设计

粒子群适应度函数直接采用模型的预测值和验证数据集的均方误差(MSE)，在PSO寻优阶段，通过下式计算适应度值：

式中，Loss为损失函数；y_predict为某时刻的输出值，M为粒子群个数。

由于GA-PSO-LSTM深度学习模型通过GA来优化PSO，PSO是作为优化超参数的主体部分，直接把Loss作为粒子群的适应度函数便于在程序调试过程的直观表达。

GA对种群进行寻优时，采用轮盘赌法进行染色体选择操作，其原理是通过计算每条染色体的选择概率和累计适应度来选择，染色体的适应度越大则越容易被选择。由于此处为最小化问题，需要通过界限构造法来极大化适应度函数，故在用GA对粒子群的位置进行交叉变异的时候需按式(2)来计算适应度，进而得到Loss值更小的种群。

Fit_ga＝1/(1+Loss) (9)

2、粒子速度和位置更新

由GA-PSO算法优化的超参数共有6个维度，包括步长time_step、优化函数optimizer_num、第一个隐含层神经元个数h1_num、第二个隐含层神经元个数h2_num、单次训练所选取的样本数batch_size和droupout。6维搜索空间中的第i个粒子的位置矢量速度矢量/>以及搜索到的最优位置/>如下：

当整个粒子群当前搜寻到的最优位置为：

则其速度更新和位置更新表示为：

式中，为惯性部分，代表当前粒子对自身运动状态的确定；为认知部分，代表粒子自身的经验；/>是社会部分，代表PSO信息共享，参考其他粒子的优秀经验来更新速度；w是惯性权重；c₁和c₂是加速因子；rand()是0～1的随机数；/>为当前位置；/>为速度向量。/>

3、惯性权重更新

设定较大的初始惯性权重以避免陷入局部最优，同时在种群迭代过程中需持续修正惯性权重以规避震荡现象，惯性权重更新表示为：

式中，w_max和w_min分别为惯性权重极大值和极小值；itera_max为最大迭代步数；itera_current为当前迭代步数。

4、染色体编码、选择、交叉、变异操作

对粒子群按照适应度值排序，适应度越小则越优，将粒子群对半划分为Pop_better和Pop_worse。采用二进制编码染色体，由于PSO中不存在编码的步骤，Pop_worse等同于已解码的个体，按解码公式倒推其二进制编码转十进制的值应为：

式中，u_max和u_min分别为取值范围的上下限；λ为编码长度。

选择操作采用轮盘赌法，采用式(8)中的Fit_ga计算适应度使LSTM模型中Loss越小的染色体被选中的概率越大，达到在Pop_worse寻得更优个体的效果。

交叉操作由设置的染色体交叉概率p_c按式(17)计算出需要交叉的染色体数量M_c，若M_c为奇数，需向上取其最近的偶数。交叉算子采用单点交叉算子，即对于俩俩随机配对的染色体，随机设置某个基因座为其交叉点，基因座后的染色体全部互换。

M_c＝M×p_c (18)

变异操作根据设置的染色体变异概率按式(18)计算出需要变异的基因个数，随机选取M_m个基因，确定基因在染色体上的基因座，对基因座上的二进制数进行取反。

M_m＝M×l×p_m (19)

式中，M为种群数量；l为编码长度；p_m为变异概率。

GA-PSO-LSTM深度学习模型的开发基于PyCharm环境下的TensorFlow或Keras框架，算法基于Python编写，程序共封装了“LSTM_Freq”、“Particle”和“GAPSO”三个类。

LSTM_Freq类，用于预测DO_optimal，初始化方法主要是对神经网络的6维超参数进行初始化，其返回值分别为神经网络的Loss、相对误差、预测值以及验证值/测试值以及保存下来的网络模型，具体包含以下主要函数：

表1LSTM_Freq类应用函数

Particle类，代表单个粒子类，主要封装了其初始化方法以及与速度、位置和适应度值相关的方法。粒子的初始化需要根据不同优化对象的参数范围、维度在整数空间进行初始化，具体包含以下主要函数：

表2Particle类应用函数

函数	返回值	功能
			_init_(self,boundaryList,dim)	无	初始化粒子
setParPos(self,i,value)	无	设置粒子位置
			getParPos(self)	self._pos	获取粒子位置
setParVel(self,i,value)	无	设置粒子速度
			getParVel(self)	self._vel	获取粒子速度
setParFitValue(self,value)	无	设置粒子适应度值
			getParFitValue(self)	self._fitnessValue	获取粒子粒子适应度值
fitFunc(self,X)	MSE	适应度函数

GA-PSO类，是优化LSTM的主体，该类封装了基本的粒子群算法和遗传算法的所涉及的函数，具体包含以下主要函数：

表3GA-PSO类应用函数

/>

训练完全的GA-PSO-LSTM深度学习模型可利用T时刻的出水pH(pH^T)、化学需氧量(COD^T)、悬浮物(SS^T)、氨氮(NH₃-N^T)、总磷(TP^T)和T+t时刻好氧曝气池实时溶解氧浓度预测T+t时刻好氧曝气池的最优溶解氧浓度/>其运算过程表示为：

式中，Bias为T+t时刻好氧曝气池的最优溶解氧浓度与实时溶解氧浓度的偏差；E_output为输出期望；P₁为主风机额定功率；P₂为备用风机额定功率；t_A和t_B为主风机间歇运行周期的单次启动时间和单次关闭时间；t_C和t_D为备用风机间歇运行周期的单次启动时间和单次关闭时间。

T+t时刻好氧曝气池最优溶解氧浓度与实时溶解氧浓度的偏差用于修正t_A、t_B、t_C和t_D，E_output用于限定预测模型学习过程向风机总能耗最低的方向收敛。风机运行周期的修正过程可表示为：

式中，t′_A、t′_B、t′_C和t′_D分别为T+t时刻t_A、t_B、t_C和t_D的修正值；K₁、K₂、K₃和K₄为常数，根据污水处理设施的实际调试效果确定。

根据T+t时刻监测到的实时溶解氧浓度与模型输出的/>的偏差来调控主风机、备用风机以及调节池提升泵的启停逻辑，使好氧曝气池溶解氧浓度由向/>逼近，减少曝气不足和过量曝气的发生，实现农村生活污水处理终端曝气系统智能、精准、低碳的技术效果。

应用例：

浙江某农村生活污水处理终端，采用A²O生化处理工艺，设计污水处理量200t/d，曝气风机功率5.5kw，提升泵功率0.75kw，原曝气设定为风机每天连续曝气16h，具备常规的出水水质在线监测、调节池液位和流量监测条件。

该处理终端的进水水质如下：

表4进水水质数据

该终端执行地标《浙江省农村生活污水集中处理设施水污染物排放标准》(DB33/973-2021)二级标准，出水水质参数的具体限值如下：

表5出水水质参数限值

本应用例实施于2022年6月～2022年8月期间，分别选取不间断曝气和每天连续曝气16h两种农村生活污水终端常用的曝气方法进行测试，对比这两种方法与本发明的智能曝气方法在能耗和出水达标情况上的差别。测试过程的污水进水水质参见表4，测试分三个阶段进行：其一，6月中旬至7月上旬，采用不间断曝气的方式；7月中旬至8月上旬，采用每天连续曝气16h的方法；8月中旬至8月底，采用本发明实施例2所述方法。能耗对比结果参见图4，出水五项指标的对比结果分别参见图5、图6、图7、图8和图9。

参照图4，x轴加粗的记录日期为公休日，测试结果只计入风机和提升泵的能耗。不间断曝气方法日能耗约146kw·h，每天连续曝气16h的日能耗约113kw·h，采用本发明实施例2方法的风机总运行时间显著减少，其日平均能耗约85kw·h，较前两种常用方法分别降低约40％和25％。按照1kg标准煤的“碳排放系数”为0.68(吨碳/吨标准煤)计算，本发明方法比不间断曝气方法减少月均二氧化碳排放量约1.82t，相当于0.73t标准煤；比每天连续曝气16h减少月均二氧化碳排放量约0.84t，相当于0.34t标准煤。该测试结果表明本发明方法达到了抗冲击负荷和高效节能的效果。

本发明方法的日能耗值的变化趋势与进水流量的周期性变化相符，该污水处理终端覆盖村庄的公休日用水量显著高于工作日，因此进入终端的污水总量也在公休日出现峰值。由于所用A²O工艺的调节池停留时间约为12h，曝气能耗峰值的出现时间也出现了相应的滞后，证明本发明的智能曝气控制方法根据进入好氧池的实时流量变化调整了曝气量。

参照图5～图9，采用本发明方法后，污水处理终端出水的五项控制指标基本达到了所设定的排放标准，其中，化学需氧量、氨氮和悬浮物的均值略高于采用常规曝气手段的终端出水，归结于曝气量的降低。该测试结果表明本发明方法减少了曝气不足和过量曝气的发生。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种基于深度学习的A²O工艺间歇性低碳曝气方法，其特征在于，包括以下步骤：

S1：获取农村生活污水处理终端出水井的pH、化学需氧量、悬浮物、氨氮和总磷的出水水质参数历史时序数据，以及，好氧曝气池相应的DO监测值，形成出水水质参数与好氧曝气池DO浓度的时序数据集；

S2：利用获取的数据集构建并训练由GA和PSO算法优化的LSTM深度学习模型；

S3：设定出水水质参数指标均达标为优先限定条件，设定风机总能耗最低为期望；

S4：获取出水井的pH、化学需氧量、悬浮物、氨氮和总磷的实时数据，通过GA-PSO-LSTM深度学习模型预测实时的好氧曝气池DO浓度最优值，计算好氧曝气池DO浓度最优值与实际值的偏差；

S5：获取调节池实时液位和进水流量数据，控制系统根据实时DO偏差值、液位和流量调控主风机、备用风机、提升泵的启停逻辑和运行周期。

2.根据权利要求1所述的基于深度学习的A²O工艺间歇性低碳曝气方法，其特征在于，所述农村生活污水处理终端出水井的pH、化学需氧量、悬浮物、氨氮和总磷的历史时序数据取自常规的污水水质在线监测系统，所述好氧曝气池相应的DO监测值取自设置于好氧池内的DO监测仪，所述调节池实时液位数据取自提升泵浮球的液位传感器，所述优先限定条件视污水处理终端所执行的出水水质标准而定。

3.根据权利要求1所述的基于深度学习的A²O工艺间歇性低碳曝气方法，其特征在于，所述GA-PSO-LSTM深度学习模型耦合了遗传算法、粒子群优化算法和长短期记忆网络，利用PyCharm集成开发环境下的TensorFlow或Keras框架进行建模、数据预处理、模型训练、验证和好氧曝气池最优DO值预测。

4.根据权利要求3所述的基于深度学习的A²O工艺间歇性低碳曝气方法，其特征在于，GA-PSO-LSTM深度学习模型利用T时刻的出水pH、化学需氧量、悬浮物、氨氮和总磷来预测T+t时刻曝气池的最优溶解氧浓度其运算过程表示为：

式中，Bias为T+t时刻好氧曝气池的最优溶解氧浓度与实时溶解氧浓度的偏差；E_output为输出期望；P₁为主风机额定功率；P₂为备用风机额定功率；t_A和t_B为主风机间歇运行周期的单次启动时间和单次关闭时间；t_C和t_D为备用风机间歇运行周期的单次启动时间和单次关闭时间；为T+t时刻好氧曝气池的最优溶解氧浓度；pH^T为T时刻的出水pH值；COD^T为化学需氧量；SS^T为悬浮物；NH₃-N^T为氨氮；TP^T为总磷。

5.根据权利要求4所述的基于深度学习的A²O工艺间歇性低碳曝气方法，其特征在于，所述的T+t时刻好氧曝气池最优溶解氧浓度与实时溶解氧浓度的偏差用于修正t_A、t_B、t_C和t_D，所述的E_output用于限定预测模型学习过程向风机总能耗最低的方向收敛，风机运行周期的修正过程表示为：

式中，t′_A、t′_B、t′_C和t′_D分别为T+t时刻t_C、t_B、t_C和t_D的修正值；K₁、K₂、K₃和K₄为常数，根据污水处理设施的实际调试效果确定。

6.一种基于深度学习的A²O工艺间歇性低碳曝气的控制系统，其特征在于，包括：

控制台，设置于污水处理终端进水井的流量计，设置于调节池提升泵浮球上的液位传感器，设置于好氧池的DO监测仪，设置于出水井的pH测定仪、化学需氧量测定仪、悬浮物测定仪、氨氮测定仪和总磷测定仪；所述控制台包括：

设定模块，用于设定污水处理设施出水的水质参数范围，该水质参数范围与污水处理设施所执行的排放标准一致，设定出水水质参数指标全部达标为智能运算模块的优先限定条件；

监测模块，用于获取所述进水流量计测得的实时进水量、所述液位传感器测得的实时液位、所述DO监测仪测得的实时DO浓度和所述出水监测设备测得的出水pH、化学需氧量、悬浮物、氨氮和总磷；

存储模块，用于存储所述设定模块限定的水质参数范围，所述监测模块获取的历史和实时数据，及设定的控制指令、控制逻辑；

智能运算模块，用于提供GA-PSO-LSTM深度学习模型的运行环境，实施建模、数据预处理、模型训练、验证和好氧曝气池最优DO值预测，根据所述DO预测值计算风机的运行周期，根据所述实时进水量计算水力负荷，并根据所述监测数据和运算结果判断需执行的控制指令，智能运算模块在优先限定条件下，以风机总能耗最低为期望进行预测和计算，即需优先满足出水水质参数指标全部达标，再优化预测和计算结果使风机总能耗最低；

PLC执行模块，用于执行所述智能运算模块输出的控制指令，根据所述指令调控主风机、备用风机和提升泵的启停逻辑和运行周期。

7.根据权利要求6所述的基于深度学习的A²O工艺间歇性低碳曝气控制系统，其特征在于，所述提升泵的启停通过设定调节池最高液位来间接控制，当调节池最高液位设定为低位时，提升泵工作第一时间，调节池污水主要通过提升泵的作用进入A²O生化处理单元；当调节池最高液位设定为高位时，提升泵工作时间第二时间，调节池污水主要通过重力自流进入A²O生化处理单元；所述第一时间大于第二时间；所述低位为调节池水量达到设计容量的60％，所述高位为调节池水量达到设计容量的90％。

8.根据权利要求6所述的基于深度学习的A²O工艺间歇性低碳曝气控制系统，其特征在于，以PLC控制为基础，包括以下控制指令：

指令一、主风机间歇性运行，备用风机关闭，调节池最高液位设定为低位；

指令二、主风机间歇性运行，备用风机关闭，调节池最高液位设定为高位；

指令三、主风机不间断运行，备用风机关闭，调节池最高液位设定为低位；

指令四、主风机不间断运行，备用风机关闭，调节池最高液位设定为高位；

指令五、主风机和备用风机均为间歇性运行，调节池最高液位设定为低位；

指令六、主风机不间断曝气，备用风机间歇性运行，调节池最高液位设定为低位。

9.根据权利要求8所述的基于深度学习的A²O工艺间歇性低碳曝气控制系统，其特征在于，所述的主风机、备用风机的运行周期，由智能运算模块预测T+t时刻好氧曝气池最优溶解氧浓度根据/>与T+t时刻实时溶解氧浓度/>与之间的偏差Bias，通过下述式8-11来修正主风机、备用风机间歇运行周期的单次启动时间和单次关闭时间：

式中，t′_A、t′_B、t′_C和t′_D分别为T+t时刻t_A、t_B、t_C和t_D的修正值；K₁、K₂、K₃和K₄为常数，根据污水处理设施的实际调试效果确定。

10.根据权利要求8所述的基于深度学习的A²O工艺间歇性低碳曝气控制系统，其特征在于，在出水水质参数指标均达标的前提下，遵循以下控制逻辑：

条件一、当水力负荷低于设计负荷的70％且DO监测值≥2mg/L时，执行指令一；

条件二、当水力负荷低于设计负荷的70％且DO监测值＜2mg/L时，执行指令二；

条件三、当水力负荷为设计负荷的70％～95％且DO监测值≥2mg/L时，执行指令三；

条件四、当水力负荷为设计负荷的70％～95％且DO监测值＜2mg/L时，执行指令四；

条件五、当水力负荷高于设计负荷的95％且DO监测值≥2mg/L时，执行指令五；

条件六、当水力负荷高于设计负荷的95％且DO监测值＜2mg/L时，执行指令六；

在出水水质参数指标未全部达标的前提下，遵循以下控制逻辑：

执行指令二，并以DO监测值3mg/L为控制目标，自适应调控主风机的间歇性运行周期。