CN116110516B - 一种污水处理过程异常工况识别方法和装置 - Google Patents

一种污水处理过程异常工况识别方法和装置 Download PDF

Info

Publication number
CN116110516B
CN116110516B CN202310399404.1A CN202310399404A CN116110516B CN 116110516 B CN116110516 B CN 116110516B CN 202310399404 A CN202310399404 A CN 202310399404A CN 116110516 B CN116110516 B CN 116110516B
Authority
CN
China
Prior art keywords
working condition
sequence
target
abnormal
sequences
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
CN202310399404.1A
Other languages
English (en)
Other versions
CN116110516A (zh
Inventor
栾好峰
刘娟娟
杜建猛
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.)
Qingdao Shanqing Huatong Environmental Technology Co ltd
Original Assignee
Qingdao Shanqing Huatong Environmental Technology Co ltd
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 Qingdao Shanqing Huatong Environmental Technology Co ltd filed Critical Qingdao Shanqing Huatong Environmental Technology Co ltd
Priority to CN202310399404.1A priority Critical patent/CN116110516B/zh
Publication of CN116110516A publication Critical patent/CN116110516A/zh
Application granted granted Critical
Publication of CN116110516B publication Critical patent/CN116110516B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • 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

  • Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Activated Sludge Processes (AREA)
  • Separation Of Suspended Particles By Flocculating Agents (AREA)

Abstract

本发明提供一种污水处理过程异常工况识别方法和装置，其中方法包括：S1、获取污水处理工况中预设周期内的在线数据；S2、采用线性转换函数对在线数据进行归一化处理；S3、根据关联规则，对每两个相关联的数据类型的时间序列做差，获得差值序列；S4、从差值序列的起始时刻开始，时间尺按照设定时间间隔遍历，获得多个与时间尺长度相同的待分类序列；S5、将待分类序列与其对应的异常工况属性模板进行相似度聚类，获得与异常工况属性模板匹配的目标序列；S6、根据目标序列的工况属性和所有目标序列在时间上的排列，与异常工况决策模板进行匹配，确定污水处理过程的异常工况类型。能够提高污水处理异常工况识别的及时性和准确性。

Description

一种污水处理过程异常工况识别方法和装置
技术领域
本发明涉及污水处理技术领域，尤其涉及一种污水处理过程异常工况识别方法和装置。
背景技术
活性污泥法污水处理工艺是当前处理城市污水的主要方法。活性污泥净化污水主要有初期吸附、微生物代谢、形成絮凝体及沉淀3个过程，其实质是利用活性污泥中的微生物群通过一系列生物化学反应，将污水中的可生物降解的有机物进行吸附、分解和氧化，从而将其从污水中分离出来，从而达到净化污水的目的。
目前，通常采用生化需氧量(BOD)、化学需氧量(COD)、悬浮物(SS)、氨氮(NH)、总磷(TP)作为污水排放指标。在污水处理过程中，进水流量、进水成份、污染物浓度、天气变化等参量都是被动接受，微生物生命活动受溶解氧浓度、微生物种群、污水的pH值等多种因素影响，因此保持城市污水处理厂长期稳定运行是十分困难的。污水处理厂发生故障容易引起出水水质不达标、加大运行成本和造成环境污染。因此如果不能及时检测出污水处理过程异常工况，导致不能做出正确的判断且没有及时采取有力措施加以调剂纠正，会造成污水处理过程不可逆的损失。因此，通过检测污水处理过程，对异常工况做出准确判断，并及时准确地采取措施，对保证污水处理安全稳定顺行，从而保证出水质量尤为重要。
污水处理过程是一个复杂的非线性过程，污水处理过程数据具有高维度及非线性且具有离群点，且历史故障数据并不完善，因此，污水处理出水质量监测过程中，故障变量的故障辨识仍然是一个比较困难的问题。
发明内容
(一)要解决的技术问题
鉴于上述技术中存在的问题，本发明至少从一定程度上进行解决。为此，本发明第一个目的在于提出一种污水处理过程异常工况识别方法，能够提高污水处理异常工况识别的及时性和准确性。
本发明第二个目的在于提出一种实现上述方法的污水处理过程异常工况识别装置。
(二)技术方案
为了达到上述目的，本发明采用的主要技术方案包括：
第一方面，本发明提供一种污水处理过程异常工况识别方法，包括：
S1、获取污水处理工况中预设周期内的在线数据，在线数据中包含多种数据类型的时间序列；
S2、采用线性转换函数对每一个数据类型的时间序列进行归一化处理；
S3、根据预先设定的不同数据类型之间的关联规则，对每两个相关联的数据类型的时间序列做差，获得差值序列；
S4、从差值序列的起始时刻开始，预设长度的时间尺按照设定的时间间隔遍历差值序列，获得多个与时间尺长度相同的待分类第一序列，相邻待分类第一序列之间的起始时刻的间隔为设定的时间间隔；
S5、将待分类第一序列与其对应的异常工况属性模板进行相似度聚类，获得与异常工况属性模板相匹配的目标第一序列；
S6、根据所有目标第一序列的工况属性和所有目标第一序列在时间上的排列，与异常工况决策模板进行匹配，确定当前周期内污水处理过程的异常工况类型。
可选地，S2中，线性转换函数为：
式中，t′为样本数据归一化后的取值，t为样本数据，tmin为数据时间序列中的最小值，tmax为数据时间序列中的最大值。
可选地，S4还包括：从不具有关联数据类型的数据时间序列的起始时刻开始，预设长度的时间尺按照设定的时间间隔遍历差值序列，获得多个与时间尺长度相同的待分类第二序列，相邻待分类第二序列之间的起始时刻的间隔为设定的时间间隔；
S5为：将待分类第一序列与其对应的异常工况属性模板进行相似度聚类，获得与异常工况属性模板相匹配的目标第一序列；将待分类第二序列与其对应的异常工况属性模板进行相似度聚类，获得与异常工况模板相匹配的目标第二序列；
S6为：根据所有目标第一序列的工况属性、所有目标第二序列的工况属性、所有目标第一序列在时间上的排列和所有目标第二序列在时间上的排列，与异常工况决策模板进行匹配，确定当前周期内污水处理过程的异常工况类型。
可选地，将待分类第一序列与其对应的异常工况属性模板进行相似度聚类，获得与异常工况属性模板相匹配的目标第一序列，包括：采用DTW算法将待分类第一序列P＝{p1，p2...pm}与其对应的异常工况属性模板Q＝{q1，q2...qn}进行相似度聚类；
DTW算法的处理过程为：
计算待分类第一序列与其对应的异常工况属性模板中两两采样点的距离：
d(pi，qj)＝(pi-qj)z。
构建距离矩阵为：
基于距离矩阵，计算待分类第一序列P与其对应的异常工况属性模板Q之间的最佳规整路径，公式表示为：
R＝R1，R2...Rk...RK
其中，R表示规整路径；DTW(P，Q)表示规整代价；
max(m，n)＜K＜m+n-1；Rk＝(i，j)k表示规整路径上的第k个元素，表示pi与qj之间的匹配关系；规整路径从R1＝(1，1)1开始到RK＝(m，n)K结束；如果Rk-1＝(a′，b′)k-1，那么对于规整路径的下一个点Rk＝(a，b)k满足0≤a-a’≤1，0≤b-b’≤1；
根据最佳规整路径计算待分类第一序列P与其对应的异常工况属性模板Q之间的相似度，公式表示为：
α(i，j)＝d(pi，qj)+min{α(i-1，j-1)，α(i-1，j)，α(i，j-1)}。
α(m，n)即为待分类第一序列P与其对应的异常工况属性模板Q之间的相似度；
根据预设阈值，以及待分类第一序列与异常工况属性模板之间的相似度，挑选出与异常工况属性模板相匹配的目标第一序列。
可选地，将待分类第一序列与其对应的异常工况模板进行相似度聚类，获得与异常工况模板相匹配的目标第一序列，还包括：若目标第一序列对应两个以上工况属性，则依据目标第一序列与其对应的每一个异常工况属性模板之间的相似度，选择相似度最大工况属性作为目标第一序列对应的工况属性。
可选地，S1之前，还包括：
S01、获取污水处理异常工况中预设周期内的历史数据；
S02、对历史数据执行S2至S5的处理，获得历史数据中的目标第一序列；
S03、根据目标第一序列的工况属性、所有目标第一序列在时间上的排布，和对应的异常工况，建立初始决策模板；基于概率粗糙集对初始决策模板中条件属性相同、决策属性不同的目标对象进行修正，获得异常工况决策模板。
可选地，S02为：对历史数据执行S2至S5的处理，获得历史数据中的目标第一序列和目标第二序列；
S03为：根据目标第一序列的工况属性、目标第二序列的工况属性、所有目标第一序列在时间上的排布、所有目标第二序列在时间上的排布，和对应的异常工况，建立初始决策模板；基于概率粗糙集对初始决策模板中条件属性相同、决策属性不同的目标对象进行修正，获得异常工况决策模板。
可选地，基于概率粗糙集对初始决策模板中条件属性相同、决策属性不同的目标对象进行修正，包括：计算目标对象属于每种工况的概率，选择概率最大的工况作为目标对象的工况识别结果。
第二方面，本发明提供一种污水处理过程异常工况识别装置，包括：
获取模块，用于获取污水处理工况中预设周期内的在线数据，在线数据中包含多种数据类型的时间序列；
预处理模块，用于根据预先设定的不同数据类型之间的关联规则，对每两个相关联的数据类型的时间序列做差，获得差值序列；从差值序列的起始时刻开始，预设长度的时间尺按照设定的时间间隔遍历差值序列，获得多个与时间尺长度相同的待分类第一序列，相邻待分类第一序列之间的起始时刻的间隔为设定的时间间隔；
工况属性匹配模块，用于将待分类第一序列与其对应的异常工况属性模板进行相似度聚类，获得与异常工况属性模板相匹配的目标第一序列；
异常工况决策模块，用于根据所有目标第一序列的工况属性和所有目标第一序列在时间上的排列，与异常工况决策模板进行匹配，确定当前周期内污水处理过程的异常工况类型。
可选地，污水处理过程异常工况识别装置还包括：
决策表生成模块，用于获取污水处理异常工况中预设周期内的历史数据，并将历史数据依次输入预处理模块和工况属性匹配模块获得历史数据中的目标第一序列，根据目标第一序列的工况属性、所有目标第一序列在时间上的排布，和对应的异常工况，建立初始决策模板，基于概率粗糙集对初始决策模板中条件属性相同、决策属性不同的目标对象进行修正，获得异常工况决策模板。
(三)有益效果
本发明的有益效果是：
1、本发明提供的污水处理过程异常工况识别方法，以相关联数据类型时间序列之间的差值序列为基础，筛选出与异常工况属性相关的目标序列，并根据目标序列的工况属性和所有目标序列在时间上的排列，去确定异常工况类型。运算量小，并且能够提高污水处理异常工况识别的及时性和准确性。
2、通过采用DTW算法将待分类第一序列与其对应的异常工况属性模板进行相似度聚类，能够准确筛选出与异常工况属性相关的目标序列。
3、本发明方法针对粗糙集无法对条件属性相同、决策属性不同的目标对象进行识别的缺点，利用概率粗糙集来得出将这些目标对象识别为某种异常工况的概率，取最大概率的工况为识别结果进行工况识别。使工况识别更为准确。
附图说明
本发明借助于以下附图进行描述：
图1是根据本发明具体实施方式的污水处理过程异常工况识别方法的流程示意图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
如图1所示，本发明提供一种污水处理过程异常工况识别方法，包括：
步骤S1、获取污水处理工况中预设周期内的在线数据，在线数据中包含多种数据类型的时间序列。
具体地，这多种数据类型可分为污水处理运行变量和出水质量变量。
作为一个示例，污水处理运行变量如表1所示：
表1污水处理运行变量
变量 含义 单位
SNH 污水中NH4 -N和NH3 -N的浓度 gN.m-3
SS 进水的易降解底物浓度 gCOD.m-3
Tss 污水中固体总量 gSS.m-3
Qi 进水流量 m3/s
XS 反应池的慢速可生物降解有机物含量 gCOD.m-3
XBH 反应池活性异养菌生物固体量 gCOD.m-3
So-1 反应池溶解氧量 g(-COD).m-3
SNO-1 反应池中NO3 -N和NO2 -N的浓度 gN.m-3
SNH-1 反应池中NH4 -N和NH3 -N的浓度 gN.m-3
Trr 二沉池悬浮污泥浓度 gCOD.m-3
So-2 二沉池中溶解氧量 g(-COD).m-3
SNO-2 二沉池中NO3 -N和NO2-N的浓度 gN.m-3
SNH-2 二沉池中NH4 -N和NH3 -N的浓度 gN.m-3
。
出水质量变量为COD(化学需氧量)、SS(悬浮物)、TN(总氮)、NH3-N(氨氮)。
具体地，在污水处理系统的污水进口处设置氨氮监测仪、流速流量仪和梅特勒托利多HC103快速水份测定仪，通过氨氮在线监测仪获取SNH，通过流速流量仪获取Qi，通过梅特勒托利多HC 103快速水份测定仪获取TSS。在反应池中设置水质多参数检测仪，通过水质多参数检测仪获取So-1、SNO-1和SNH-1；进而通过ASM活性污泥数学模型对SS、XS和XBH进行测定。在二沉池中设置悬浮物污泥浓度计和水质多参数检测仪，通过悬浮物污泥浓度计获取Trr，通过水质多参数检测仪获取So-2、SNO-2和SNH-2。在污水处理系统的处理水出口处设置COD测定仪、水质多参数检测仪和总氮测定仪，通过COD测定仪获取COD，通过水质多参数检测仪获取SS和NH3-N，通过总氮测定仪获取TN。
步骤S2、采用线性转换函数对每一个数据类型的时间序列进行归一化处理。
具体地，线性转换函数为：
式中，t′为样本数据归一化后的取值，t为样本数据，tmin为数据时间序列中的最小值，tmax为数据时间序列中的最大值。
步骤S3、根据预先设定的不同数据类型之间的关联规则，对每两个相关联的数据类型的时间序列做差，获得差值序列。
具体地，不同数据类型之间的关联规则根据污水处理运行变量与出水质量变量之间的影响程度确定。
作为一个示例，So-1和So-2与COD关联，SS、TSS、XS、XBH和Trr与SS关联，SNH、SNO-1、SNH-1、SNO-2和SNH-2与TN关联，SNH、SNH-1和SNH-2与NH3-N关联。
步骤S4、从差值序列的起始时刻开始，预设长度的时间尺按照设定的时间间隔遍历差值序列，获得多个与时间尺长度相同的待分类第一序列，相邻待分类第一序列之间的起始时刻的间隔为设定的时间间隔。
步骤S5、将待分类第一序列与其对应的异常工况属性模板进行相似度聚类，获得与异常工况属性模板相匹配的目标第一序列。
优选地，在本实施例中，将待分类第一序列与其对应的异常工况属性模板进行相似度聚类，获得与异常工况属性模板相匹配的目标第一序列，包括：采用DTW算法将待分类第一序列P＝{p1，p2...pm}与其对应的异常工况属性模板Q＝{q1，q2...qn}进行相似度聚类；
DTW算法的处理过程为：
计算待分类第一序列与其对应的异常工况属性模板中两两采样点的距离：
d(pi，qj)＝(pi-qj)2。
构建距离矩阵为：
基于距离矩阵，计算待分类第一序列P与其对应的异常工况属性模板Q之间的最佳规整路径，公式表示为：
R＝R1，R2...Rk...RK
其中，R表示规整路径；DTW(P，Q)表示规整代价；
max(m，n)＜K＜m+n-1；Rk＝(i，j)k表示规整路径上的第k个元素，表示pi与qj之间的匹配关系；规整路径从R1＝(1，1)1开始到RK＝(m，n)K结束；如果Rk-1＝(a′，b′)k-1，那么对于规整路径的下一个点Rk＝(a，b)k满足0≤a-a’≤1，0≤b-b’≤1；
根据最佳规整路径计算待分类第一序列P与其对应的异常工况属性模板Q之间的相似度，公式表示为：
α(i，j)＝d(pi，qj)+min{α(i-1，j-1)，α(i-1，j)，α(i，j-1)}。
α(m，n)即为待分类第一序列P与其对应的异常工况属性模板Q之间的相似度；
根据预设阈值，以及待分类第一序列与异常工况属性模板之间的相似度，挑选出与异常工况属性模板相匹配的目标第一序列。
作为一个示例，异常工况属性包括活性污泥沉降性能、污泥上浮状态和污泥絮凝体微细化。通过活性污泥沉降性能能够判断污泥膨胀，通过污泥上浮能够判断沉淀池异常(即沉淀池污泥管道或设备堵塞)，通过污泥絮凝体微细化能够判断污泥解体。
具体地，异常工况属性模板是预先依据异常工况属性对应的历史数据进行步骤S2和步骤S3处理后获得的差值序列。
进一步地，预设阈值为0.73～0.88。作为一个示例，预设阈值为0.82。
进一步优选地，在本实施例中，将待分类第一序列与其对应的异常工况模板进行相似度聚类，获得与异常工况模板相匹配的目标第一序列，还包括：若目标第一序列对应两个以上工况属性，则依据目标第一序列与其对应的每一个异常工况属性模板之间的相似度，选择相似度最大工况属性作为目标第一序列对应的工况属性。如此，在保证工况识别准确度的前提下，进一步约简计算过程。
步骤S6、根据所有目标第一序列的工况属性和所有目标第一序列在时间上的排列，与异常工况决策模板进行匹配，确定当前周期内污水处理过程的异常工况类型。
需要说明的，在线数据中，会存在预先设定的不同数据类型之间的关联规则不涉及的数据类型，为考虑这些数据类型，进一步提高工况识别的准确度，优选地，步骤S4还包括：从不具有关联数据类型的数据时间序列的起始时刻开始，预设长度的时间尺按照设定的时间间隔遍历差值序列，获得多个与时间尺长度相同的待分类第二序列，相邻待分类第二序列之间的起始时刻的间隔为设定的时间间隔。相应地，步骤S5为：将待分类第一序列与其对应的异常工况属性模板进行相似度聚类，获得与异常工况属性模板相匹配的目标第一序列；将待分类第二序列与其对应的异常工况属性模板进行相似度聚类，获得与异常工况模板相匹配的目标第二序列。相应地，步骤S6为：根据所有目标第一序列的工况属性、所有目标第二序列的工况属性、所有目标第一序列在时间上的排列和所有目标第二序列在时间上的排列，与异常工况决策模板进行匹配，确定当前周期内污水处理过程的异常工况类型。
在本发明提供的污水处理过程异常工况识别方法中，步骤S1之前还包括：
步骤S01、获取污水处理异常工况中预设周期内的历史数据。
步骤S02、对历史数据执行S2至S5的处理，获得历史数据中的目标第一序列。
步骤S03、根据目标第一序列的工况属性、所有目标第一序列在时间上的排布，和对应的异常工况，建立初始决策模板；基于概率粗糙集对初始决策模板中条件属性相同、决策属性不同的目标对象进行修正，获得异常工况决策模板。
粗糙集是一种定性的模型，它对上近似集与下近似集的定义仅限于条件概率取0和1的情况，而对条件概率处于0和1之间的情况并没有给出区分，这使得经典粗糙集模型在实际应用中缺乏容错的能力。概率粗糙集模型弥补了经典粗糙集模型在解决知识不确定性决策问题时的不足，换句话说，概率粗糙集增强了对处于边界阈中对象的处理能力。因此，本发明方法针对粗糙集无法对条件属性相同、决策属性不同的目标对象进行识别的缺点，利用概率粗糙集来得出将这些目标对象识别为某种异常工况的概率，取最大概率的工况为识别结果进行工况识别。使工况识别更为准确。
可选地，步骤S02为：对历史数据执行S2至S5的处理，获得历史数据中的目标第一序列和目标第二序列。相应地，步骤S03为：根据目标第一序列的工况属性、目标第二序列的工况属性、所有目标第一序列在时间上的排布、所有目标第二序列在时间上的排布，和对应的异常工况，建立初始决策模板；基于概率粗糙集对初始决策模板中条件属性相同、决策属性不同的目标对象进行修正，获得异常工况决策模板。
优选地，基于概率粗糙集对初始决策模板中条件属性相同、决策属性不同的目标对象进行修正，包括：计算目标对象属于每种工况的概率，选择概率最大的工况作为目标对象的工况识别结果。
作为一个示例，污水处理过程的工况包括污泥解体、污泥膨胀和沉淀池异常(即沉淀池污泥管道或设备堵塞)。
此外，本发明还提供一种污水处理过程异常工况识别装置，包括：
获取模块，用于获取污水处理工况中预设周期内的在线数据，在线数据中包含多种数据类型的时间序列。
预处理模块，用于根据预先设定的不同数据类型之间的关联规则，对每两个相关联的数据类型的时间序列做差，获得差值序列；从差值序列的起始时刻开始，预设长度的时间尺按照设定的时间间隔遍历差值序列，获得多个与时间尺长度相同的待分类第一序列，相邻待分类第一序列之间的起始时刻的间隔为设定的时间间隔。
工况属性匹配模块，用于将待分类第一序列与其对应的异常工况属性模板进行相似度聚类，获得与异常工况属性模板相匹配的目标第一序列。
异常工况决策模块，用于根据所有目标第一序列的工况属性和所有目标第一序列在时间上的排列，与异常工况决策模板进行匹配，确定当前周期内污水处理过程的异常工况类型。
可选地，污水处理过程异常工况识别装置还包括：决策表生成模块，用于获取污水处理异常工况中预设周期内的历史数据，并将历史数据依次输入预处理模块和工况属性匹配模块获得历史数据中的目标第一序列，根据目标第一序列的工况属性、所有目标第一序列在时间上的排布，和对应的异常工况，建立初始决策模板，基于概率粗糙集对初始决策模板中条件属性相同、决策属性不同的目标对象进行修正，获得异常工况决策模板。
具体地，获取模块、预处理模块、工况属性匹配模块、异常工况决策模块和决策表生成模块具体实现的功能与上述污水处理过程异常工况识别方法类似，此处不再赘述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
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。
应当注意的是，在权利要求中，不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中，这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用，仅是为了表述方便，而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。

Claims (10)

1.一种污水处理过程异常工况识别方法，其特征在于，包括：
S1、获取污水处理工况中预设周期内的在线数据，在线数据中包含多种数据类型的时间序列；
多种数据类型包括污水中NH4 -N和NH3 -N的浓度SNH，进水的易降解底物浓度SS，污水中固体总量TSS，进水流量Qi，反应池的慢速可生物降解有机物含量XS，反应池活性异养菌生物固体量XBH，反应池溶解氧量SO-1，反应池中NO3 -N和NO2 -N的浓度SNO-1，反应池中NH4 -N和NH3 -N的浓度SNH-1，二沉池悬浮污泥浓度Trr，二沉池中溶解氧量SO-2，二沉池中NO3 -N和NO2 -N的浓度SNO-2，二沉池中NH4 -N和NH3 -N的浓度SNH-2，化学需氧量COD，悬浮物SS，总氮TN和氨氮NH3-N；
S2、采用线性转换函数对每一个数据类型的时间序列进行归一化处理；
S3、根据预先设定的不同数据类型之间的关联规则，对每两个相关联的数据类型的时间序列做差，获得差值序列；
关联规则包括：SO-1和SO-2与COD关联，SS、TSS、XS、XBH和Trr与SS关联，SNH、SNO-1、SNH-1、SNO-2和SNH-2与TN关联，SNH、SNH-1和SNH-2与NH3 -N关联；
S4、从差值序列的起始时刻开始，预设长度的时间尺按照设定的时间间隔遍历差值序列，获得多个与时间尺长度相同的待分类第一序列，相邻待分类第一序列之间的起始时刻的间隔为设定的时间间隔；
S5、将待分类第一序列与其对应的异常工况属性模板进行相似度聚类，获得与异常工况属性模板相匹配的目标第一序列；
S6、根据所有目标第一序列的工况属性和所有目标第一序列在时间上的排列，与异常工况决策模板进行匹配，确定当前周期内污水处理过程的异常工况类型。
2.根据权利要求1所述的污水处理过程异常工况识别方法，其特征在于，S2中，线性转换函数为：
式中，t′为样本数据归一化后的取值，t为样本数据，tmin为数据时间序列中的最小值，tmax为数据时间序列中的最大值。
3.根据权利要求1所述的污水处理过程异常工况识别方法，其特征在于，
S4还包括：从不具有关联数据类型的数据时间序列的起始时刻开始，预设长度的时间尺按照设定的时间间隔遍历差值序列，获得多个与时间尺长度相同的待分类第二序列，相邻待分类第二序列之间的起始时刻的间隔为设定的时间间隔；
S5为：将待分类第一序列与其对应的异常工况属性模板进行相似度聚类，获得与异常工况属性模板相匹配的目标第一序列；将待分类第二序列与其对应的异常工况属性模板进行相似度聚类，获得与异常工况模板相匹配的目标第二序列；
S6为：根据所有目标第一序列的工况属性、所有目标第二序列的工况属性、所有目标第一序列在时间上的排列和所有目标第二序列在时间上的排列，与异常工况决策模板进行匹配，确定当前周期内污水处理过程的异常工况类型。
4.根据权利要求1所述的污水处理过程异常工况识别方法，其特征在于，将待分类第一序列与其对应的异常工况属性模板进行相似度聚类，获得与异常工况属性模板相匹配的目标第一序列，包括：
采用DTW算法将待分类第一序列P＝{p1，p2...pm}与其对应的异常工况属性模板Q＝{q1，q2...qn}进行相似度聚类；
DTW算法的处理过程为：
计算待分类第一序列与其对应的异常工况属性模板中两两采样点的距离：
d(pi，qj)＝(pi-qj)2；
构建距离矩阵为：
基于距离矩阵，计算待分类第一序列P与其对应的异常工况属性模板Q之间的最佳规整路径，公式表示为：
R＝R1，R2...Rk...RK
其中，R表示规整路径；DTW(P，Q)表示规整代价；
max(m，n)＜K＜m+n-1；Rk＝(i，j)k表示规整路径上的第k个元素，表示pi与qj之间的匹配关系；规整路径从R1＝(1，1)1开始到RK＝(m，n)K结束；如果Rk-1＝(a′，b′)k-1，那么对于规整路径的下一个点Rk＝(a，b)k满足0≤a-a’≤1，0≤b-b’≤1；
根据最佳规整路径计算待分类第一序列P与其对应的异常工况属性模板Q之间的相似度，公式表示为：
α(i，j)＝d(pi，qj)+min{α(i-1，j-1)，α(i-1，j)，α(i，j-1)}；
α(m，n)即为待分类第一序列P与其对应的异常工况属性模板Q之间的相似度；
根据预设阈值，以及待分类第一序列与异常工况属性模板之间的相似度，挑选出与异常工况属性模板相匹配的目标第一序列。
5.根据权利要求4所述的污水处理过程异常工况识别方法，其特征在于，将待分类第一序列与其对应的异常工况模板进行相似度聚类，获得与异常工况模板相匹配的目标第一序列，还包括：
若目标第一序列对应两个以上工况属性，则依据目标第一序列与其对应的每一个异常工况属性模板之间的相似度，选择相似度最大工况属性作为目标第一序列对应的工况属性。
6.根据权利要求1或3所述的污水处理过程异常工况识别方法，其特征在于，S1之前，还包括：
S01、获取污水处理异常工况中预设周期内的历史数据；
S02、对历史数据执行S2至S5的处理，获得历史数据中的目标第一序列；
S03、根据目标第一序列的工况属性、所有目标第一序列在时间上的排布，和对应的异常工况，建立初始决策模板；基于概率粗糙集对初始决策模板中条件属性相同、决策属性不同的目标对象进行修正，获得异常工况决策模板。
7.根据权利要求6所述的污水处理过程异常工况识别方法，其特征在于，
S02为：对历史数据执行S2至S5的处理，获得历史数据中的目标第一序列和目标第二序列；
S03为：根据目标第一序列的工况属性、目标第二序列的工况属性、所有目标第一序列在时间上的排布、所有目标第二序列在时间上的排布，和对应的异常工况，建立初始决策模板；基于概率粗糙集对初始决策模板中条件属性相同、决策属性不同的目标对象进行修正，获得异常工况决策模板。
8.根据权利要求6所述的污水处理过程异常工况识别方法，其特征在于，基于概率粗糙集对初始决策模板中条件属性相同、决策属性不同的目标对象进行修正，包括：
计算目标对象属于每种工况的概率，选择概率最大的工况作为目标对象的工况识别结果。
9.一种污水处理过程异常工况识别装置，其特征在于，包括：
获取模块，用于获取污水处理工况中预设周期内的在线数据，在线数据中包含多种数据类型的时间序列；
多种数据类型包括污水中NH4 -N和NH3 -N的浓度SNH，进水的易降解底物浓度SS，污水中固体总量TSS，进水流量Qi，反应池的慢速可生物降解有机物含量XS，反应池活性异养菌生物固体量XBH，反应池溶解氧量SO-1，反应池中NO3 -N和NO2 -N的浓度SNO-1，反应池中NH4 -N和NH3 -N的浓度SNH-1，二沉池悬浮污泥浓度Trr，二沉池中溶解氧量SO-2，二沉池中NO3 -N和NO2 -N的浓度SNO-2，二沉池中NH4 -N和NH3 -N的浓度SNH-2，化学需氧量COD，悬浮物SS，总氮TN和氨氮NH3-N；预处理模块，用于采用线性转换函数对每一个数据类型的时间序列进行归一化处理，根据预先设定的不同数据类型之间的关联规则，对每两个相关联的数据类型的时间序列做差，获得差值序列；从差值序列的起始时刻开始，预设长度的时间尺按照设定的时间间隔遍历差值序列，获得多个与时间尺长度相同的待分类第一序列，相邻待分类第一序列之间的起始时刻的间隔为设定的时间间隔；
关联规则包括：SO-1和SO-2与COD关联，SS、TSS、XS、XBH和Trr与SS关联，SNH、SNO-1、SNH-1、SNO-2和SNH-2与TN关联，SNH、SNH-1和SNH-2与NH3 -N关联；工况属性匹配模块，用于将待分类第一序列与其对应的异常工况属性模板进行相似度聚类，获得与异常工况属性模板相匹配的目标第一序列；
异常工况决策模块，用于根据所有目标第一序列的工况属性和所有目标第一序列在时间上的排列，与异常工况决策模板进行匹配，确定当前周期内污水处理过程的异常工况类型。
10.根据权利要求9所述的污水处理过程异常工况识别装置，其特征在于，还包括：
决策表生成模块，用于获取污水处理异常工况中预设周期内的历史数据，并将历史数据依次输入预处理模块和工况属性匹配模块获得历史数据中的目标第一序列，根据目标第一序列的工况属性、所有目标第一序列在时间上的排布，和对应的异常工况，建立初始决策模板，基于概率粗糙集对初始决策模板中条件属性相同、决策属性不同的目标对象进行修正，获得异常工况决策模板。
CN202310399404.1A 2023-04-14 2023-04-14 一种污水处理过程异常工况识别方法和装置 Active CN116110516B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310399404.1A CN116110516B (zh) 2023-04-14 2023-04-14 一种污水处理过程异常工况识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310399404.1A CN116110516B (zh) 2023-04-14 2023-04-14 一种污水处理过程异常工况识别方法和装置

Publications (2)

Publication Number Publication Date
CN116110516A CN116110516A (zh) 2023-05-12
CN116110516B true CN116110516B (zh) 2023-07-21

Family

ID=86267679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310399404.1A Active CN116110516B (zh) 2023-04-14 2023-04-14 一种污水处理过程异常工况识别方法和装置

Country Status (1)

Country Link
CN (1) CN116110516B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021012315A1 (zh) * 2019-07-24 2021-01-28 清华大学 基于模糊匹配的时间序列异常模式识别方法及装置
CN113237332A (zh) * 2021-04-14 2021-08-10 东北大学 一种电熔镁炉工况识别方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11048727B2 (en) * 2018-09-10 2021-06-29 Ciena Corporation Systems and methods for automated feature selection and pattern discovery of multi-variate time-series
EP3754446A1 (en) * 2019-06-18 2020-12-23 Siemens Aktiengesellschaft Method and assistance system for detecting an abnormal behaviour of a device
CN110232256B (zh) * 2019-06-28 2022-11-15 东北大学 一种基于kpls和rwfcm的污水处理过程监测方法
CN110320892B (zh) * 2019-07-15 2020-07-14 重庆邮电大学 基于Lasso回归的污水处理设备故障诊断系统及方法
WO2021174751A1 (zh) * 2020-03-02 2021-09-10 平安国际智慧城市科技股份有限公司 基于大数据的污染源定位方法、装置、设备及存储介质
CN112287988A (zh) * 2020-10-19 2021-01-29 广东长天思源环保科技股份有限公司 一种水污染源在线监测数据异常的识别方法
CN113255795B (zh) * 2021-06-02 2021-10-26 杭州安脉盛智能技术有限公司 一种基于多指标集群分析的设备状态监测方法
CN115169504B (zh) * 2022-09-06 2022-11-25 山东洲蓝环保科技有限公司 一种煤气精脱硫工艺中的设备异常识别方法
CN115586321A (zh) * 2022-09-30 2023-01-10 国电南瑞科技股份有限公司 油中溶解气在线监测数据识别方法、系统、存储器及设备
CN115577020B (zh) * 2022-12-07 2023-04-07 天津腾飞钢管有限公司 一种修磨周期能耗状态识别系统及识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021012315A1 (zh) * 2019-07-24 2021-01-28 清华大学 基于模糊匹配的时间序列异常模式识别方法及装置
CN113237332A (zh) * 2021-04-14 2021-08-10 东北大学 一种电熔镁炉工况识别方法

Also Published As

Publication number Publication date
CN116110516A (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
Vasilaki et al. Relating N2O emissions during biological nitrogen removal with operating conditions using multivariate statistical techniques
US10570024B2 (en) Method for effluent total nitrogen-based on a recurrent self-organizing RBF neural network
CN112417765B (zh) 一种基于改进师生网络模型的污水处理过程故障检测方法
CN110232256B (zh) 一种基于kpls和rwfcm的污水处理过程监测方法
CN108088974B (zh) 一种厌氧同时反硝化产甲烷过程出水硝氮的软测量方法
CN109064048B (zh) 基于废水处理流程分析的废水排放源快速排查方法与系统
CN110232062B (zh) 一种基于kpls和fcm的污水处理过程监测方法
CN115470702A (zh) 一种基于机器学习的污水处理水质预测方法及系统
CN111160776A (zh) 利用分块主成分分析的污水处理过程异常工况检测方法
Jun Fault detection using dynamic time warping (DTW) algorithm and discriminant analysis for swine wastewater treatment
CN115078667A (zh) 一种基于物联网技术的工业污水排放处理在线监测分析预警系统
Rustum et al. Applying Kohonen self‐organizing map as a software sensor to predict biochemical oxygen demand
CN113267462A (zh) 一种应用紫外光谱对水体有机污染特征进行表征的方法
AU2018418038B2 (en) System and method for predicting a parameter associated with a wastewater treatment process
CN110146122B (zh) 一种农村生活污水处理设施运行有效性的预测方法
Zhong et al. Water quality prediction of MBR based on machine learning: A novel dataset contribution analysis method
CN116110516B (zh) 一种污水处理过程异常工况识别方法和装置
Szeląg et al. An algorithm for selecting a machine learning method for predicting nitrous oxide emissions in municipal wastewater treatment plants
CN117776336A (zh) 水预处理方法及厌氧氨氧化水处理工艺
CN201330211Y (zh) 污水处理厂运行参数自寻优模拟系统
Rubio et al. Qualitative trends for situation assessment in sbr wastewater treatment process
Ren et al. Multivariable identification of membrane fouling based on compacted cascade neural network
CN117388457B (zh) 一种耦合水力停留时间提高污水厂出水预测精度的方法
Jurga et al. A concept development of an early warning system for toxic sewage detection
Pan Wastewater Aeration Process Dynamic Modelling: Combined Mechanistic and Machine Learning Approach

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