CN116029612A - 一种基于深度学习的城镇污水厂外加碳源精准控制方法 - Google Patents
一种基于深度学习的城镇污水厂外加碳源精准控制方法 Download PDFInfo
- Publication number
- CN116029612A CN116029612A CN202310126271.0A CN202310126271A CN116029612A CN 116029612 A CN116029612 A CN 116029612A CN 202310126271 A CN202310126271 A CN 202310126271A CN 116029612 A CN116029612 A CN 116029612A
- Authority
- CN
- China
- Prior art keywords
- carbon source
- water
- water quality
- quality information
- deep learning
- 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 117
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 117
- 239000010865 sewage Substances 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 132
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000007246 mechanism Effects 0.000 claims abstract description 13
- 239000003814 drug Substances 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000005259 measurement Methods 0.000 claims abstract description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 32
- 229910052757 nitrogen Inorganic materials 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 5
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 5
- 239000007788 liquid Substances 0.000 claims description 5
- 229910052698 phosphorus Inorganic materials 0.000 claims description 5
- 239000011574 phosphorus Substances 0.000 claims description 5
- 239000007787 solid Substances 0.000 claims description 5
- 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 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Activated Sludge Processes (AREA)
Abstract
本发明公开了一种基于深度学习的城镇污水厂外加碳源精准控制方法,属于污水处理技术领域。包括:获取污水处理厂的水质信息;通过训练后的碳源投加量预测模型处理水质信息,以预测并输出当前时刻的最优碳源投加量;其中,所述碳源投加量预测模型以出水水质信息为出水水质衡量指标,通过LSTM‑GRU算法和自注意力机制对水质信息进行处理,获取当前时刻的最优碳源投加量;根据当前时刻的最优碳源投加量,发出控制指令,以控制加药设备的加药量。能够精准预测当前时刻缺氧池需要外加的碳源,控制碳源投加量,在确保水质达标的同时节省药剂成本,解决了现有技术中存在“人工投加碳源准确率低、适应性差且时滞性强”的问题。
Description
技术领域
本发明涉及污水处理技术领域,特别是涉及一种基于深度学习的城镇污水厂外加碳源精准控制方法。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术,并不必然构成现有技术。为了提高地表水环境质量,全国范围内各省市陆续将污水处理厂的排放标准提高至地表水准IV类标准,而对于进水碳源不足的污水处理厂中,总氮的去除与后续工艺中的碳源投加量高度相关,因此,总氮排放标准的提升导致污水处理厂碳源投加量增大,碳源成本相继提高。研究表明,药耗成本约占污水处理厂运行成本费用的10%。
因此,如何有效控制碳源的投加量已成为近年来城镇污水处理厂最为关注的话题之一。污水处理过程停留时间较长,当前时刻做出的调整,往往需要一天时间才能看到对应的改变。
而在碳源投加的过程中,多数污水处理厂选择采用基于以往经验和传统数学公式的投加量计算方法,这种方法不仅准确率低、适应性差,并且时滞性很强。
发明内容
为了解决现有技术的不足,本发明提供了一种基于深度学习的城镇污水厂外加碳源精准控制方法、系统、电子设备及计算机可读存储介质,通过进水、出水水质历史数据分析建模,精准预测当前时刻缺氧池需要外加的碳源,控制碳源投加量,在确保水质达标的同时节省药剂成本。
第一方面,本发明提供了一种基于深度学习的城镇污水厂外加碳源精准控制方法;一种基于深度学习的城镇污水厂外加碳源精准控制方法,包括:
获取污水处理厂的水质信息;
通过训练后的碳源投加量预测模型处理水质信息,以预测并输出当前时刻的最优碳源投加量;其中,所述碳源投加量预测模型以出水水质信息为出水水质衡量指标,通过LSTM-GRU算法和自注意力机制对水质信息进行处理,获取当前时刻的最优碳源投加量;
根据当前时刻的最优碳源投加量,发出控制指令,以控制加药设备的加药量。
进一步的,所述碳源投加量预测模型包括依次连接的LSTM隐藏层、GRU隐藏层、输出层、自注意力机制隐藏层和全连接层。
进一步的,所述GRU隐藏层表示如下:
Ut=σ(WU·[ht-1,xt])
Rt=σ(WR·[ht-1,xt])
h′t=tanh(Wh.[Rt*ht-1,xt])
ht=(1-Ut)*ht-1+Ut*h′t
其中,xt为t时刻的输入,ht-1为t-1时刻的隐藏节点输出,Ut为更新门,Rt为重置门,WR、WU、Wh分别表示所对应的权重,σ为Sigmoid函数,tanh为双曲正切激活函数。
进一步的,所述水质信息包括进水状态数据、中间处理过程监测数据和出水水质信息,所述进水状态数据包括进水水量、进水COD浓度、进水氨氮浓度、进水总磷浓度和进水总氮浓度,所述中间处理过程监测数据包括混合液悬浮固体浓度和缺氧池硝氮浓度,所述出水水质信息为出水总氮浓度。
进一步的,所述进水水量由设置于污水厂进水口的电磁流量计采集,所述进水COD浓度由设置于污水厂进水口的COD在线检测仪采集,所述出水总氮浓度由设置于污水厂出水口的水质检测仪采集。
进一步的,获取历史水质信息,通过历史水质信息和对应的历史碳源投加量对碳源投加量预测模型进行训练。
进一步的,在通过历史水质信息对碳源投加量预测模型进行训练之前,对历史水质信息进行数据清洗和归一化处理。
第二方面,本发明提供了一种基于深度学习的城镇污水厂外加碳源精准控制系统;
一种基于深度学习的城镇污水厂外加碳源精准控制系统,包括:
第一获取模块,被配置为:获取污水处理厂的水质信息;
第二获取模块,被配置为:通过训练后的碳源投加量预测模型处理水质信息,以预测并输出当前时刻的最优碳源投加量;其中,所述碳源投加量预测模型以出水水质信息为出水水质衡量指标,通过LSTM-GRU算法和自注意力机制对水质信息进行处理,获取当前时刻的最优碳源投加量;
外加碳源控制模块,被配置为:根据当前时刻的最优碳源投加量,发出控制指令,以控制加药设备的加药量。
第三方面,本发明提供了一种电子设备;
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述一种基于深度学习的城镇污水厂外加碳源精准控制方法的步骤。
第四方面,本发明提供了一种计算机可读存储介质;
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成上述一种基于深度学习的城镇污水厂外加碳源精准控制方法的步骤。
与现有技术相比,本发明的有益效果是:
1、本发明提供的技术方案,基于LSTM-GRU算法和自注意力机制,构建碳源投加量预测模型,可根据进水口、出水口水质浓度,精准模拟污水处理厂反硝化阶段的实际碳源投加量,复现污水厂员工操作。
2、本发明提供的技术方案,在模型中优化投药量,预估其出水水质是否达标,从而实现精准预测加药量,减少药剂成本,为污水处理厂节省大幅投加碳源所额外花费的药剂成本。
3、本发明提供的技术方案,将预测出的最优碳源投药量通过指令发送至污水处理厂现场,不仅可以辅助员工调试加药设备,还可以通过物联网技术控制智能设备进行加药的调试。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例提供的流程示意图;
图2为本发明实施例提供的碳源投加量预测模型的网络架构图;
图3为本发明实施例提供的系统架构部示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
现有技术中,污水处理厂的碳源投加控制基于经验和传统数学公式的计算,无法准确控制碳源投加量,造成碳源投加量的浪费;因此,本发明提供了一种基于深度学习的城镇污水厂外加碳源精准控制方法。
接下来,结合图1-3对本实施例公开的一种基于深度学习的城镇污水厂外加碳源精准控制方法进行详细说明。该基于深度学习的城镇污水厂外加碳源精准控制方法包括如下步骤:
S1、获取若干小时前的水质信息;其中,水质信息包括进水状态数据、中间处理过程监测数据和出水水质信息,进水状态数据包括进水水量、进水COD浓度、进水氨氮浓度、进水总磷浓度和进水总氮浓度,中间处理过程监测数据包括混合液悬浮固体浓度和缺氧池硝氮浓度,出水水质信息为出水总氮浓度。
进水水量由设置于污水厂进水口的电磁流量计采集,进水COD浓度、进水氨氮浓度、进水总磷浓度、进水总氮浓度由设置于污水厂进水口的COD在线检测仪采集,出水总氮浓度由设置于污水厂出水口的水质检测仪采集,混合液悬浮固体浓度由安装于生物池的MLSS分析仪采集,缺氧池硝氮浓度由安装于缺氧池的硝氮分析仪采集。上述物联网传感器采集信息后,利用数据传输单元和Modbus协议,将采集到的数据传输至数据库中储存。
S2、获取历史水质信息,构建碳源投加量预测模型,通过历史水质信息和对应的历史碳源投加量对碳源投加量预测模型进行训练;其中,碳源投加量预测模型包括依次连接的LSTM隐藏层、GRU隐藏层、输出层、自注意力机制隐藏层和全连接层。
污水处理过程中的水质、过程控制变量等数据具有较强的时滞性,为时间序列数据。对时间序列数据构建预测模型,需要专门用于处理时间序列数据的相关算法。LSTM-GRU算法以及SA算法对时间序列数据较为敏感,对于捕捉时间序列数据关系的处理效果比较好,同时,Self-Attention使网络能发掘污水处理时的历史状态数据中不同变量对预测结果的重要程度;通过特定的计算步骤将污水处理中各变量历史状态序列编码为隐含特征信息的转换矩阵,通过这些矩阵间的运算得到变量的权重以提高对某些重要特征的关注度。另外,在Self-Attention中,各隐藏层状态不必按照固定方向顺序串联,有效缩短了历史状态序列中的远距离依赖特征之间的距离,使模型具有高效的表达能力。所以,本申请将这两种算法结合,以更好的预测碳源投加量。
LSTM-GRU组合模型使模型具有捕捉时间序列特征的能力,Self-Attention、最大池化层能够放大重要的信息,全连接层能够综合特征参数,这些组件间的参数在反向传播时得到优化促进模型提升性能。
具体的,首先,从数据库中读取过去一年的水质信息,数据间隔为1小时,选取进水水量、进水COD、进水氨氮、进水总磷和进水总氮浓度等五种数据作为进水状态数据,选取混合液悬浮固体浓度(MLSS)和缺氧池硝氮浓度作为中间处理过程监测数据,选取出水总氮浓度作为出水水质衡量指标,将以上数据和对应的历史碳源投加量作为模型输入,将碳源投加量作为模型输出,对所获取数据进行数据清洗和归一化处理,并将数据集划分为三部分,分别是训练集、验证集以及测试集。
然后,采用LSTM-GRU组合模型与Self-Attention模型有效结合,针对于污水处理碳源投加的精准控制问题,构建碳源投加量预测控制模型,碳源投加量预测模型包括依次连接的LSTM隐藏层、GRU隐藏层、输出层、自注意力机制隐藏层和全连接层。
LSTM的单元结构具有三个门,其中,ft为遗忘门(Forget Gate),it为输入门(Input Gate),ot为输出门(Output Gate)。基于所设计的3个门,LSTM内部可实现信息的选择和状态的更新,并依靠所记忆的细胞状态C和当前输出h来训练、优化模型。Ct-1,Ct分别表示t-1以及t时刻的细胞状态,细胞状态相当于信息传输的路径,允许重要信息按顺序传输。每一个LSTM单元均具有3个输入以及2个输出,具体地,输入包括当前时刻的输入值xt,上一时刻的LSTM输出ht-1以及细胞状态Ct-1,输出包括当前时刻的输出值ht和细胞状态Ct。
遗忘门:遗忘不必要的信息,控制输入xt和上一时刻隐藏层输出ht-1被遗忘程度的大小,公式如下:
ft=σ(Wf·[ht-1,xt]+bf)
输入门:记忆新的重要信息,控制哪些新信息被存储到细胞状态Ct,并更新细胞状态Ct,公式如下:
it=σ(Wi·[ht-1,xt]+bi)
C′t=tanh(Wc·[ht-1,xt]+bc)
所更新的细胞状态Ct如下:
Ct=ft*Ct-1+it*C′t
输出门:确定输出信息,根据细胞状态Ct和当前输出ot确定最终输出h,公式如下:
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot*tanh(Ct)
其中,Wf、Wi、Wc、Wo分别表示所对应的权重,bf、bi、bc、bo表示所对应的偏置项。σ表示Sigmoid函数,tanh表示双曲正切激活函数,均为深度学习模型中常用的非线性激活函数,公式如下:
与LSTM模型相比,GRU具有更简单的网络结构以及较低的计算开销,GRU模型只有两个门,分别是更新门(Update Gate)以及重置门(Reset Gate),并且GRU将状态和输出合并,去除细胞单元状态C,将隐藏输出h用于信息传输。因此,每一个GRU单元只有2个输入以及1个输出,具体地,输入包括当前时刻的输入xt以及上一时刻的GRU输出ht-1,输出为当前时刻的输出值ht。
与传统RNN以及LSTM模型相比,GRU具有更简单的网络结构以及较低的计算开销,更适用于大型数据集,是目前流行的RNN模型之一。GRU的具体计算逻辑如下:
ut=σ(Wu·[ht-1,xt])
Rt=σ(WR·[ht-1,xt])
h′t=tanh(Wh·[Rt*ht-1,xt])
ht=(1-ut)*ht-1+Ut*h′t
其中,xt为t时刻的输入,ht-1为t-1时刻的隐藏节点输出,Ut为更新门,Rt为重置门,WR、WU、Wh分别表示所对应的权重,σ为Sigmoid函数,tanh为双曲正切激活函数。
Self-Attention模型的具体计算过程如下:
其中,Attention(Q,K,V)为一个维度为d*n的矩阵。为归一化因子,亦被称为尺度标度,归一化因子可有效缓解梯度消失情况的发生,并保证点乘结果的方差不随隐藏层维度d变化。
将预处理好的训练集和验证集喂入LSTM-GRU组合模型隐藏层的训练,LSTM-GRU组合隐藏层包含LSTM隐藏层和GRU隐藏层,由于LSTM、GRU神经元的特殊性,使得模型能够学习到时间序列数据中的隐含特征,在反向传播的过程中模型会自动调整各权重以保留关键信息以及遗忘无关信息。然后输入至自注意力机制隐藏层中,自注意力机制隐藏层能够进一步强化模型的表达能力。特别的是,该自注意力机制基于点击缩放结构。随即进行最大池化操作,用于强化关键特征矩阵中的关键权重。然后,导入全连接层综合模型学习到的各种特征,最后,输出被控变量的值。根据神经网络的黑盒特性,数据的训练集训练完成后,通过测试集对碳源投加量预测控制模型进行测试验证。根据神经网络的黑盒特性,数据的训练过程不需要用户的参与,直接等待数据的输出即可。
碳源投加量预测模型将LSTM-GRU与SA有效结合,其作用为基于过去以及当前时刻的进出水状态变化、过程监测数据提前给出下一时刻的被控变量操作预测,以便提前对污水处理过程进行有效控制。参考现场工作人员对现场情况所执行的反硝化阶段投加碳源操作范例,预测控制模型将模拟人员操作,在未来预测出当前时刻外加碳源投加量,从而提前做出操作。
示例性的,把2022年全年的污水厂中相关参数数据和真实碳源投加数据,输入至碳源投加量预测模型中训练,碳源投加量预测模型训练成功后,在预测碳源投加量的时候就可以根据2022年的人工操作经验来模拟2023年当前的投加量(模拟人工投加)。换句话说,比方说给碳源投加量预测模型输入的是2022年4-12月的输出,预测1-3月份的输出值与实际的拟合度/误差,如果模型性能是优秀的,那么1-3月份作为验证的数据应该与真实的是相符的。
S3、将当前时刻若干小时前的水质信息输入训练后的碳源投加量预测模型,通过训练后的碳源投加量预测模型处理水质信息,以预测并输出当前时刻的最优碳源投加量。碳源投加量预测模型对数据的处理以输出最优碳源投加量的过程与步骤S2相同,在此不再赘述。
S4、根据当前时刻的最优碳源投加量,发出控制指令,以控制加药设备的加药量。
综上所述,为解决城镇污水处理厂进水碳源不足从而影响生物池反硝化阶段脱氮的问题,往往需要额外投加碳源,但由于目前没有碳源投加的标准方法,加药往往依靠污水厂员工个人经验,因此会产生额外的投加,造成不必要的成本损失。本实施例基于机器学习技术,结合物联网、大数据等技术,在城镇污水处理厂的生物池反硝化阶段构建碳源投加量的预测控制模型。该模型不仅可以根据历史数据分析模拟出水厂当前时刻加药数据,还可以根据专家经验及参数优化而预测出碳源最优投加量,在出水达标的前提下投加最少碳源,节省大量成本。
实施例二
本实施例公开了一种基于深度学习的城镇污水厂外加碳源精准控制系统,包括:
第一获取模块,被配置为:获取污水处理厂的水质信息;
第二获取模块,被配置为:通过训练后的碳源投加量预测模型处理水质信息,以预测并输出当前时刻的最优碳源投加量;其中,所述碳源投加量预测模型以出水水质信息为出水水质衡量指标,通过LSTM-GRU算法和自注意力机制对水质信息进行处理,获取当前时刻的最优碳源投加量;
外加碳源控制模块,被配置为:根据当前时刻的最优碳源投加量,发出控制指令,以控制加药设备的加药量。
此处需要说明的是,上述第一获取模块、第二获取模块和外加碳源控制模块对应于实施例一中的步骤,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例三
本发明实施例三提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,计算机指令被处理器运行时,完成上述基于深度学习的城镇污水厂外加碳源精准控制方法的步骤。
实施例四
本发明实施例四提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成上述基于深度学习的城镇污水厂外加碳源精准控制方法的步骤。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述实施例中对各个实施例的描述各有侧重,某个实施例中没有详述的部分可以参见其他实施例的相关描述。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的城镇污水厂外加碳源精准控制方法,其特征是,包括:获取污水处理厂的水质信息;
通过训练后的碳源投加量预测模型处理水质信息,以预测并输出当前时刻的最优碳源投加量;其中,所述碳源投加量预测模型以出水水质信息为出水水质衡量指标,通过LSTM-GRU算法和自注意力机制对水质信息进行处理,获取当前时刻的最优碳源投加量;
根据当前时刻的最优碳源投加量,发出控制指令,以控制加药设备的加药量。
2.如权利要求1所述的基于深度学习的城镇污水厂外加碳源精准控制方法,其特征是,所述碳源投加量预测模型包括依次连接的LSTM隐藏层、GRU隐藏层、输出层、自注意力机制隐藏层和全连接层。
3.如权利要求2所述的基于深度学习的城镇污水厂外加碳源精准控制方法,其特征是,所述GRU隐藏层表示如下:
Ut=σ(WU·[ht-1,xt])
Rt=σ(WR·[ht-1,xt])
h′t=tanh(Wh·[Rt*ht-1,xt])
ht=(1-Ut)*ht-1+Ut*h′t
其中,xt为t时刻的输入,ht-1为t-1时刻的隐藏节点输出,Ut为更新门,Rt为重置门,WR、WU、Wh分别表示所对应的权重,σ为Sigmoid函数,tanh为双曲正切激活函数。
4.如权利要求1所述的基于深度学习的城镇污水厂外加碳源精准控制方法,其特征是,所述水质信息包括进水状态数据、中间处理过程监测数据和出水水质信息,所述进水状态数据包括进水水量、进水COD浓度、进水氨氮浓度、进水总磷浓度和进水总氮浓度,所述中间处理过程监测数据包括混合液悬浮固体浓度和缺氧池硝氮浓度,所述出水水质信息为出水总氮浓度。
5.如权利要求4所述的基于深度学习的城镇污水厂外加碳源精准控制方法,其特征是,所述进水水量由设置于污水厂进水口的电磁流量计采集,所述进水COD浓度由设置于污水厂进水口的COD在线检测仪采集,所述出水总氮浓度由设置于污水厂出水口的水质检测仪采集。
6.如权利要求1所述的基于深度学习的城镇污水厂外加碳源精准控制方法,其特征是,获取历史水质信息,通过历史水质信息和对应的历史碳源投加量对碳源投加量预测模型进行训练。
7.如权利要求6所述的基于深度学习的城镇污水厂外加碳源精准控制方法,其特征是,在通过历史水质信息对碳源投加量预测模型进行训练之前,对历史水质信息进行数据清洗和归一化处理。
8.一种基于深度学习的城镇污水厂外加碳源精准控制系统,其特征是,包括:
第一获取模块,被配置为:获取污水处理厂的水质信息;
第二获取模块,被配置为:通过训练后的碳源投加量预测模型处理水质信息,以预测并输出当前时刻的最优碳源投加量;其中,所述碳源投加量预测模型以出水水质信息为出水水质衡量指标,通过LSTM-GRU算法和自注意力机制对水质信息进行处理,获取当前时刻的最优碳源投加量;
外加碳源控制模块,被配置为:根据当前时刻的最优碳源投加量,发出控制指令,以控制加药设备的加药量。
9.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项所述的步骤。
10.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310126271.0A CN116029612A (zh) | 2023-02-16 | 2023-02-16 | 一种基于深度学习的城镇污水厂外加碳源精准控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310126271.0A CN116029612A (zh) | 2023-02-16 | 2023-02-16 | 一种基于深度学习的城镇污水厂外加碳源精准控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116029612A true CN116029612A (zh) | 2023-04-28 |
Family
ID=86079545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310126271.0A Pending CN116029612A (zh) | 2023-02-16 | 2023-02-16 | 一种基于深度学习的城镇污水厂外加碳源精准控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116029612A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117111646A (zh) * | 2023-09-10 | 2023-11-24 | 福建天甫电子材料有限公司 | 一种蚀刻液浓度自动控制系统 |
CN118210237A (zh) * | 2024-05-17 | 2024-06-18 | 上海东方泵业集团南通有限公司 | 一种一体化污水处理设备智能加药控制系统 |
CN118331209A (zh) * | 2024-06-11 | 2024-07-12 | 上海中韩杜科泵业制造有限公司 | 污水处理智能加药方法、装置、服务器及存储介质 |
-
2023
- 2023-02-16 CN CN202310126271.0A patent/CN116029612A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117111646A (zh) * | 2023-09-10 | 2023-11-24 | 福建天甫电子材料有限公司 | 一种蚀刻液浓度自动控制系统 |
CN117111646B (zh) * | 2023-09-10 | 2024-05-24 | 福建天甫电子材料有限公司 | 一种蚀刻液浓度自动控制系统 |
CN118210237A (zh) * | 2024-05-17 | 2024-06-18 | 上海东方泵业集团南通有限公司 | 一种一体化污水处理设备智能加药控制系统 |
CN118331209A (zh) * | 2024-06-11 | 2024-07-12 | 上海中韩杜科泵业制造有限公司 | 污水处理智能加药方法、装置、服务器及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553468B (zh) | 一种准确预测污水处理厂出水水质的方法 | |
CN116029612A (zh) | 一种基于深度学习的城镇污水厂外加碳源精准控制方法 | |
CN113837356B (zh) | 基于融合神经网络的污水处理智能预测方法 | |
Pisa et al. | LSTM-based wastewater treatment plants operation strategies for effluent quality improvement | |
US20190359510A1 (en) | Cooperative optimal control method and system for wastewater treatment process | |
CN107402586A (zh) | 基于深度神经网络的溶解氧浓度控制方法及系统 | |
CN104007243B (zh) | 应用反向传播神经网络模型评价游泳池水质的方法 | |
CN110320335B (zh) | 一种关于污水处理出水水质指标的多元鲁棒软测量方法 | |
CN102262147A (zh) | 一种废水处理系统出水cod的软测量方法和系统 | |
CN103632032A (zh) | 一种城市污水处理过程出水指标在线软测量预测方法 | |
Zhang et al. | Study on water quality prediction of urban reservoir by coupled CEEMDAN decomposition and LSTM neural network model | |
Nawaz et al. | Intelligent human–machine interface: An agile operation and decision support for an ANAMMOX SBR system at a pilot-scale wastewater treatment plant | |
Abouzari et al. | Estimating the chemical oxygen demand of petrochemical wastewater treatment plants using linear and nonlinear statistical models–A case study | |
CN113837364A (zh) | 基于残差网络和注意力机制的污水处理软测量方法及系统 | |
CN113189881A (zh) | 一种污水处理多目标优化控制方法及系统 | |
Liu et al. | Effluent quality prediction of papermaking wastewater treatment processes using stacking ensemble learning | |
CN113838542B (zh) | 化学需氧量智能预测方法和系统 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN106706491A (zh) | 膜生物反应器‑mbr出水透水率的智能检测方法 | |
Liu et al. | Dynamic multi-objective optimization control for wastewater treatment process based on modal decomposition and hybrid neural network | |
CN113866375A (zh) | 出水含氮物智能在线监测方法和系统 | |
Wang et al. | An online intelligent management method for wastewater treatment supported by coupling data-driven and mechanism models | |
Li et al. | Multi-task stochastic configuration network with autonomous linking and its application in wastewater treatment processes | |
CN105160422A (zh) | 基于自组织级联神经网络的污水处理出水总磷预测方法 | |
CN116913415A (zh) | 一种精准加药除磷控制方法、系统、设备及可读存储介质 |
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 |