CN116523174A - 基于自组织神经网络的污水处理厂工况评估方法及系统 - Google Patents
基于自组织神经网络的污水处理厂工况评估方法及系统 Download PDFInfo
- Publication number
- CN116523174A CN116523174A CN202310283757.5A CN202310283757A CN116523174A CN 116523174 A CN116523174 A CN 116523174A CN 202310283757 A CN202310283757 A CN 202310283757A CN 116523174 A CN116523174 A CN 116523174A
- Authority
- CN
- China
- Prior art keywords
- data
- sewage treatment
- treatment plant
- self
- neural network
- 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
- 239000010865 sewage Substances 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 20
- 230000000295 complement effect Effects 0.000 claims description 16
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 15
- 229910052760 oxygen Inorganic materials 0.000 claims description 15
- 239000001301 oxygen Substances 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 15
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 7
- 229910052757 nitrogen Inorganic materials 0.000 claims description 7
- 229910052698 phosphorus Inorganic materials 0.000 claims description 7
- 239000011574 phosphorus Substances 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000005273 aeration Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Abstract
本发明涉及污水处理评估领域，具体涉及一种基于自组织神经网络的污水处理厂工况评估方法及系统，极大地提高了污水处理厂工况评估效率的同时保障评估的准确性。本发明基于自组织神经网络的污水处理厂工况评估方法，包括：在设置时间段内采集污水处理厂出水水质监测数据；对采集的水质监测数据进行数据补差及补全处理；选取需要聚类的指标数据；根据选取的指标数据对数据进行分段筛选；对筛选后的数据进行标准化处理，据污水处理厂出水水质监测数据的特征，设定自组织神经网络模型的参数；对自组织神经网络模型进行训练，输出聚类结果；根据输出的聚类结果对污水处理厂工况进行评估。本发明适用于对污水处理厂工况进行评估。
Description
技术领域
本发明涉及污水处理评估领域，具体涉及一种基于自组织神经网络的污水处理厂工况评估方法及系统。
背景技术
随着我国经济的高速发展，水污染问题日益严重，国家愈发重视环境治理、绿色发展。污水处理厂是城市水循环非常重要的一环，其承担了污水循环再生的重要工用，污水处理厂的长期稳定运行可以减少污染物排放对环境产生的危害，修复城市以及流域的水环境。但是污水处理厂时刻面临水质负荷冲击、雨量负荷冲击、设备故障等影响因素，建立一种对污水处理厂工况进行分类评估的方法有助于运维人员及时进行工艺调整、故障排查、异常分析等。
目前建立评估污水处理厂工况的方法是研究热点，例如：
(1)基于自有全要素运行评价指标体系的污水处理厂工况评估方法
通过建立一套针对污水处理厂的全要素运行评价模型、评价指标体系框架，其中评价指标体系包括感知设备数据、基础支撑数据、自动化控制数据、运营数据等，利用多方面的数据评估污水处理厂的运行工况，促进提升污水厂的运营管理水平。但是该方法需要的数据过于全面，制定评价指标的体系需要调研的数据过多，评估效率低，模型复杂，且评价指标体系的泛用性不强，根据污水处理厂的工艺情况不同评价指标体系有较大差异。
(2)基于人工经验的污水处理厂工况评估方法
污水处理厂运维人员可依靠观察活性污泥的颜色、听取曝气设备的声音、闻取污水处理厂散发的味道等对污水处理厂工况有一个基本的评估。但是该方法对工况的评估多依据人工经验，准确度不高，不同的运维工作人员对同一污水处理厂的指导意见可能不统一，准确度不高，会导致工艺调整策略错误，主观性过强，没有强力的客观依据。
(3)基于基础水质数据的污水处理厂工况评估方法
通过设置化学需氧量、总磷、总氮等指标的上下限值，计算这些水质指标的超标率、平均值、异常值等，利用这些基础的水质数据可以简单评估污水处理厂的工况是否异常。但该评估方法只能判断水质质量是否达标、超标率是否过高等简单的情况，不能对工况有一个指导性的分析结果，不足以支撑更深入的分析。
发明内容
本发明的目的是提供一种基于自组织神经网络的污水处理厂工况评估方法及系统，极大地提高了污水处理厂工况评估效率的同时保障了评估的准确性。
本发明采取如下技术方案实现上述目的，基于自组织神经网络的污水处理厂工况评估方法，所述方法包括：
步骤1、在设置时间段内采集污水处理厂出水水质监测数据；
步骤2、对采集的水质监测数据进行数据补差及补全处理；
步骤3、选取需要聚类的指标数据；
步骤4、根据选取的指标数据对数据进行分段筛选；
步骤5、对筛选后的数据进行标准化处理，所述标准化采用Z-score标准化，标准化公式为：X*＝(X-μ)/σ，X为原始数据，μ为原始数据的均值，σ为原始数据的标准差；
步骤6、据污水处理厂出水水质监测数据的特征，设定自组织神经网络模型的参数；
步骤7、对自组织神经网络模型进行训练，输出聚类结果；
步骤8、根据输出的聚类结果对污水处理厂工况进行评估。
进一步的是，步骤1中，所述设置时间段为[t，t+Δt]，t表示天数，Δt大于等于设置的阈值天数，数据采样间隔小于等于设置的阈值时间。通过该方式能够提高数据采样的有效性。
进一步的是，步骤2中，对采集的水质监测数据进行数据补差及补全处理具体包括：采用最邻近点插值法、多元回归插值法或最小曲率插值法对采集的水质监测数据进行数据补差及补全处理。通过该方式提高了数据的准确性。
进一步的是，指标数据为化学需氧量、总磷、总氮、温度或PH值。
进一步的是，步骤6中，所述参数包括Sigma值、学习速率、邻近函数、衰减函数以及迭代次数。通过该方式能够提高输出聚类结果的准确性。
基于自组织神经网络的污水处理厂工况评估系统，用于实现上述基于自组织神经网络的污水处理厂工况评估方法，所述系统包括：
数据采集模块，用于在设置时间段内采集污水处理厂出水水质监测数据；
数据补全模块，用于对采集的水质监测数据进行数据补差及补全处理；
数据筛选模块，用于选取需要聚类的指标数据，根据选取的指标数据对数据进行分段筛选；
标准化处理模块，用于对筛选后的数据进行标准化处理，所述标准化采用Z-score标准化，标准化公式为：X*＝(X-μ)/σ，X为原始数据，μ为原始数据的均值，σ为原始数据的标准差；
模型训练模块，用于据污水处理厂出水水质监测数据的特征，设定自组织神经网络模型的参数，对自组织神经网络模型进行训练，输出聚类结果；
工况评估模块，用于根据输出的聚类结果对污水处理厂工况进行评估。
进一步的是，所述设置时间段为[t，t+Δt]，t表示天数，Δt大于等于设置的阈值天数，数据采样间隔小于等于设置的阈值时间。
进一步的是，所述数据补全模块具体用于，采用最邻近点插值法、多元回归插值法或最小曲率插值法对采集的水质监测数据进行数据补差及补全处理。
进一步的是，所述指标数据为化学需氧量、总磷、总氮、温度或PH值。
进一步的是，所述参数包括Sigma值、学习速率、邻近函数、衰减函数以及迭代次数。
本发明的有益效果为：
本发明利用自组织神经网络聚类的方法对污水处理厂工况进行分类后评估，这种聚类的结果具有比较高的可视化和可解释性，能够有效解决现有技术模型复杂的问题；并且本发明需要的数据量小，模型简单，能够对数据进行快速处理，能够根据聚类的结果较为精确的对污水处理厂的工况进行分类，因此极大地提高了污水处理厂工况评估效率的同时保障了评估的准确性。从而指导污水处理厂管理、运维人员及时进行工艺调整、故障排查、异常分析等，保证污水处理厂长期稳定运行。
附图说明
图1为本发明实施例提供的污水处理厂工况评估方法流程图；
图2为本发明实施例提供的数据分段图；
图3为本发明实施例提供的分类结果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种基于自组织神经网络的污水处理厂工况评估方法，如图1所示，具体包括：
步骤1：采集污水处理厂出水水质监测数据
采集污水处理厂出水水质监测数据，时间段为[t，t+Δt]，其中Δt大于等于12天，数据采样间隔小于等于1小时。
步骤2：对数据进行补差补全处理
采用插值法补全采集到的数据，包括但不限于最邻近点插值法、多元回归插值法、最小曲率插值法等。
步骤3：选取需要聚类的指标
根据需求选取一项需要评估的指标，包括但是不限于化学需氧量、总磷、总氮、温度、PH值等。
步骤4：对数据进行分段
对采集到的数据进行分段，每段数据建议为24小时，但不限于24小时。
步骤5：对数据进行标准化处理
对筛选后的数据进行标准化处理，标准化的方法采用Z-score标准化，标准化公式为：X*＝(X-μ)/σ，其中：X为原始数据，μ为原始数据的均值，σ为原始数据的标准差。
步骤6：设定自组织神经网络模型的参数
据污水处理厂出水水质数据的特征，设定自组织神经网络模型的参数，如下表所示。
| 参数类型 | 参数设置 |
| Sigma值 | 0.1 |
| 学习速率 | 0.01 |
| 邻近函数 | 高斯函数 |
| 衰减函数 | 1/(1+n/N) |
| 迭代次数 | 1000次 |
n代表当前迭代次数,N＝总迭代次数/2。
步骤7：训练模型，输出结果
运行模型，得到聚类的结果。
步骤8：对结果分类，分析各类数据的特征，从而评估污水处理厂运行工况。
查看聚类的分类结果，总结各类结果的特征，大致可分为运行状况良好的数据类、运行状况一般的数据类，运行状况较差的数据类。
步骤9：数据特征反馈，指导运行
将结果反馈至污水处理厂中控室，为污水处理厂运行诊断提供数据支撑。
本发明还提供了一种基于自组织神经网络的污水处理厂工况评估系统，用于实现上述基于自组织神经网络的污水处理厂工况评估方法，所述系统包括：
数据采集模块，用于在设置时间段内采集污水处理厂出水水质监测数据；
数据补全模块，用于对采集的水质监测数据进行数据补差及补全处理；
数据筛选模块，用于选取需要聚类的指标数据，根据选取的指标数据对数据进行分段筛选；
标准化处理模块，用于对筛选后的数据进行标准化处理，所述标准化采用Z-score标准化，标准化公式为：X*＝(X-μ)/σ，X为原始数据，μ为原始数据的均值，σ为原始数据的标准差；
模型训练模块，用于据污水处理厂出水水质监测数据的特征，设定自组织神经网络模型的参数，对自组织神经网络模型进行训练，输出聚类结果；
工况评估模块，用于根据输出的聚类结果对污水处理厂工况进行评估。
下面结合具体数据对本发明进行进一步详细的说明。
以西南片区某中型污水处理厂为例，具体包括：
步骤1：采集西南片区某中型污水处理厂出水水质监测数据
采集西南片区某中型污水处理厂出水水质监测数据(包括化学需氧量、总氮、总磷、PH值、温度)，采集时间为12天(2021年1月1日～2021年1月12日)，数据间隔为1小时，共计5(指标个数)×12(天数)×24(小时数)＝1440个数据。
步骤2：对数据进行补差补全处理
采用线性插值法补全采集到的数据中缺失的部分。
步骤3：选取需要聚类的指标
本次选取化学需氧量为观测指标。
步骤4：对数据进行分段
对采集到的数据进行分段，每段数据为24小时，共计12段数据，每段数据24个值。12段数据如图2所示。
步骤5：对数据进行标准化处理
对筛选后的数据进行标准化处理，标准化的方法采用Z-score标准化，标准化公式为：X*＝(X-μ)/σ，其中：X为原始数据，μ为原始数据的均值，σ为原始数据的标准差。
步骤6：设定自组织神经网络模型的参数
据污水处理厂出水水质数据的特征，设定自组织神经网络模型的参数，如下表所示。
| 参数类型 | 参数设置 |
| Sigma值 | 0.1 |
| 学习速率 | 0.01 |
| 邻近函数 | 高斯函数 |
| 衰减函数 | 1/(1+n/N) |
| 迭代次数 | 1000次 |
n代表当前迭代次数,N＝总迭代次数/2。
步骤7：训练模型，输出结果
运行模型，得到聚类的结果，聚类结果如图3所示，类别1包含2段数据，类别2包含3组数据，类别3包含4组数据，类别4包含2组数据。
步骤8：对结果分类，分析各类数据的特征，从而评估污水处理厂运行工况。
查看聚类的分类结果，可以把工况分为4类。
类别1：工况正常，有着规律性的24小时化学需氧量波动情况，早上化学需氧量低，直到中午，化学需氧量缓慢上升，到了晚上又下降。
类别2：工况良好，化学需氧量多集中在一个较低值，且波动不大。
类别3：工况不稳定，该类别数据没有明显的规律性，且化学需氧量较高
类别4：工况较差，化学需氧量集中在较高的值，有超标风险。
步骤9：数据特征反馈，指导运行
将结果反馈至污水处理厂中控室，为污水处理厂运行诊断提供数据支撑。
本发明自组织神经网络聚类的方法可以自适应权值，极大方便寻找最优解，最后产生的聚类结果具有比较高的可视化和可解释性，同时把自组织神经网络聚类应用于污水处理厂工况评估解决了现有技术模型复杂的问题，该技术需要数据量小，模型简单，且能较为精确的把良好、一般、较差工况进行分类。
综上所述，本发明极大地提高了污水处理厂工况评估效率的同时保障评估的准确性。
Claims (10)
1.基于自组织神经网络的污水处理厂工况评估方法，其特征在于，所述方法包括：
步骤1、在设置时间段内采集污水处理厂出水水质监测数据；
步骤2、对采集的水质监测数据进行数据补差及补全处理；
步骤3、选取需要聚类的指标数据；
步骤4、根据选取的指标数据对数据进行分段筛选；
步骤5、对筛选后的数据进行标准化处理，所述标准化采用Z-score标准化，标准化公式为：X*＝(X-μ)/σ，X为原始数据，μ为原始数据的均值，σ为原始数据的标准差；
步骤6、据污水处理厂出水水质监测数据的特征，设定自组织神经网络模型的参数；
步骤7、对自组织神经网络模型进行训练，输出聚类结果；
步骤8、根据输出的聚类结果对污水处理厂工况进行评估。
2.根据权利要求1所述的基于自组织神经网络的污水处理厂工况评估方法，其特征在于，步骤1中，所述设置时间段为[t，t+Δt]，t表示天数，Δt大于等于设置的阈值天数，数据采样间隔小于等于设置的阈值时间。
3.根据权利要求1所述的基于自组织神经网络的污水处理厂工况评估方法，其特征在于，步骤2中，对采集的水质监测数据进行数据补差及补全处理具体包括：采用最邻近点插值法、多元回归插值法或最小曲率插值法对采集的水质监测数据进行数据补差及补全处理。
4.根据权利要求1所述的基于自组织神经网络的污水处理厂工况评估方法，其特征在于，步骤3中，指标数据为化学需氧量、总磷、总氮、温度或PH值。
5.根据权利要求1所述的基于自组织神经网络的污水处理厂工况评估方法，其特征在于，步骤6中，所述参数包括Sigma值、学习速率、邻近函数、衰减函数以及迭代次数。
6.基于自组织神经网络的污水处理厂工况评估系统，其特征在于，用于实现如权利要求1-5任意一项所述的基于自组织神经网络的污水处理厂工况评估方法，所述系统包括：
数据采集模块，用于在设置时间段内采集污水处理厂出水水质监测数据；
数据补全模块，用于对采集的水质监测数据进行数据补差及补全处理；
数据筛选模块，用于选取需要聚类的指标数据，根据选取的指标数据对数据进行分段筛选；
标准化处理模块，用于对筛选后的数据进行标准化处理，所述标准化采用Z-score标准化，标准化公式为：X*＝(X-μ)/σ，X为原始数据，μ为原始数据的均值，σ为原始数据的标准差；
模型训练模块，用于据污水处理厂出水水质监测数据的特征，设定自组织神经网络模型的参数，对自组织神经网络模型进行训练，输出聚类结果；
工况评估模块，用于根据输出的聚类结果对污水处理厂工况进行评估。
7.根据权利要求6所述的基于自组织神经网络的污水处理厂工况评估系统，其特征在于，所述设置时间段为[t，t+Δt]，t表示天数，Δt大于等于设置的阈值天数，数据采样间隔小于等于设置的阈值时间。
8.根据权利要求6所述的基于自组织神经网络的污水处理厂工况评估系统，其特征在于，所述数据补全模块具体用于，采用最邻近点插值法、多元回归插值法或最小曲率插值法对采集的水质监测数据进行数据补差及补全处理。
9.根据权利要求6所述的基于自组织神经网络的污水处理厂工况评估系统，其特征在于，所述指标数据为化学需氧量、总磷、总氮、温度或PH值。
10.根据权利要求6所述的基于自组织神经网络的污水处理厂工况评估系统，其特征在于，所述参数包括Sigma值、学习速率、邻近函数、衰减函数以及迭代次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310283757.5A CN116523174A (zh) | 2023-03-22 | 2023-03-22 | 基于自组织神经网络的污水处理厂工况评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310283757.5A CN116523174A (zh) | 2023-03-22 | 2023-03-22 | 基于自组织神经网络的污水处理厂工况评估方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116523174A true CN116523174A (zh) | 2023-08-01 |
Family
ID=87398350
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310283757.5A Pending CN116523174A (zh) | 2023-03-22 | 2023-03-22 | 基于自组织神经网络的污水处理厂工况评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116523174A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117371873A (zh) * | 2023-12-01 | 2024-01-09 | 四川省生态环境科学研究院 | 一种基于大数据的环境保护工程用污水评估方法 |
-
2023
- 2023-03-22 CN CN202310283757.5A patent/CN116523174A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117371873A (zh) * | 2023-12-01 | 2024-01-09 | 四川省生态环境科学研究院 | 一种基于大数据的环境保护工程用污水评估方法 |
| CN117371873B (zh) * | 2023-12-01 | 2024-03-26 | 四川省生态环境科学研究院 | 一种基于大数据的环境保护工程用污水评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109583663B (zh) | 一种适用于养殖池塘的夜间水质溶氧量预测方法 | |
| CN116523174A (zh) | 基于自组织神经网络的污水处理厂工况评估方法及系统 | |
| 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 | |
| CN110094251B (zh) | 基于分时段多模型建模的scr催化剂性能劣化分析方法 | |
| 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 | |
| CN110825041A (zh) | 一种集控式智慧污水处理厂运行系统 | |
| CN116151621A (zh) | 一种基于数据分析的大气污染治理风险检测系统 | |
| CN116384743B (zh) | 一种基于生态数据分析的植物生长风险评估系统 | |
| CN115829420B (zh) | 浅水湖泊稳态转换阈值的判定方法 | |
| CN113792988A (zh) | 一种企业在线监测数据异常识别方法 | |
| CN111339499B (zh) | 一种基于时间轨迹相似度的污水处理厂运行状态评估方法 | |
| CN114757413A (zh) | 一种基于时序数列分析耦合神经网络预测的不良数据辨识方法 | |
| CN106355338A (zh) | 一种原料奶风险监测控制方法 | |
| CN116514276A (zh) | 一种污水处理工艺的智能控制方法及系统 | |
| CN110146122B (zh) | 一种农村生活污水处理设施运行有效性的预测方法 | |
| 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 | |
| CN112232608B (zh) | 一种基于数据驱动的区域建筑空调器短期耗电量预测方法 | |
| CN115487589B (zh) | 一种水厂滤池自动过滤控制管理系统 | |
| CN116562580B (zh) | 碳酸锂生产车间的废水废气处理系统及方法 | |
| CN114149076B (zh) | 一种厌氧氨氧化污水处理系统的智能调试系统 | |
| CN116263850A (zh) | 结合离线模拟数据的在线污水水质预警方法 | |
| CN108304610B (zh) | 一种大气高污染过程动态追踪方法 | |
| CN116307913A (zh) | 一种综合多层次的污水处理设施污染物削减效能评估方法及系统 | |
| CN114358450A (zh) | 一种基于数据处理的麻薯面包加工用发酵质量预测系统 | |
| CN111340095A (zh) | 基于深度学习的环境监测数据质量控制方法 |
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 |