CN116956155A - 一种基于人工智能的污水处理智能加药方法及系统 - Google Patents
一种基于人工智能的污水处理智能加药方法及系统 Download PDFInfo
- Publication number
- CN116956155A CN116956155A CN202310921422.1A CN202310921422A CN116956155A CN 116956155 A CN116956155 A CN 116956155A CN 202310921422 A CN202310921422 A CN 202310921422A CN 116956155 A CN116956155 A CN 116956155A
- Authority
- CN
- China
- Prior art keywords
- dosing
- time
- target
- modeling
- sampling
- 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
- 238000000034 method Methods 0.000 title claims abstract description 98
- 239000010865 sewage Substances 0.000 title claims abstract description 65
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 264
- 230000007246 mechanism Effects 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims description 165
- 239000003814 drug Substances 0.000 claims description 68
- 230000008569 process Effects 0.000 claims description 44
- 230000008859 change Effects 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 8
- 238000004065 wastewater treatment Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000001647 drug administration Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000005189 flocculation Methods 0.000 description 1
- 230000016615 flocculation Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明提供一种基于人工智能的污水处理智能加药方法及系统，其中，方法包括：实时采集感知数据，并基于前馈流量的动态变化，采集采样水段的时间特征和统计特征，得到样本数据和预测样本数据；将建模机理抽象为四阶段，并处理得到四阶段建模特征，将水质达标和加药调整时间作为目标变量，通过特征处理和筛选得到目标建模特征，结合目标变量进行建模，得到水质达标预测模型和加药时间预测模型，通过水质达标和加药组合成本最小的约束，得到加药调整量模型，输入预测样本数据，输出加药调整时间和目标加药调整量，控制污水处理的加药时间和加药量。本发明能够进行动态采样，实现加药时间和加药量的连续精准控制，保障水质达标的同时降低加药成本。
Description
技术领域
本发明涉及污水处理技术领域，尤其涉及一种基于人工智能的污水处理智能加药方法及系统、电子设备及计算机可读存储介质。
背景技术
现有技术中，智能加药建模通常有两种方法，一是基于化学机理的经验方法，此方法根据化学反应以及现场经验确定药剂投加的数学表达式，其中表达式各变量及相互作用的参数是事先确定的，此种方法更多依赖专家经验，所以在实际操作中很难灵活处理一些变化的情况，且现实中往往为保证出水水质达标而存在加药过量的情形。二是基于机器学习的建模方法，此方法根据污水处理加药工艺相关数据建模，寻找加药量与水质变化之间的关系，基于上述关系采用前馈水质并结合目标水质确定合理的加药量，该方法不用过多依赖专家经验，根据污水处理工艺实际情况进行规律学习，实践中相对灵活，可适应进水具有一定变化的污水处理情况。
但基于机器学习方法效果的好坏通常与加药模型所需样本数据数量和质量密切相关。目前智能加药的建模样本获取包括人工采样和物联网采样，其中人工采样根据污水处理经验在某个固定的时间对固定采样点进行采样，此方法严重依赖经验和人力，且由于污水处理厂人力相对缺乏，所以采样效率往往不高，有时甚至1-2天才形成一个样本，较少的样本往往会造成模型过拟合而缺乏泛化能力，或者建模周期变得很长。物联网采样则由物联设备采集相应数据，采样频率相对较高且及时，可以保证样本数据的快速获取。
物联网采样虽然可以解决样本数量的问题，但仍无法完全解决样本质量的问题，样本质量的高低仍在于采样过程是否能更好动态连续地表征污水处理的加药机理，目前采样过程仍更多依赖经验，虽然可以在一定程度上表征污水处理的加药机理，但仍无法解决动态连续表征的问题。
同时，实际污水处理中常常包含多个加药点以及出水排放水质标准通常涵盖多个指标，但目前大多数智能加药系统仅针对污水处理环节中的某个加药环节，如碳源投加、絮凝沉淀、净化消毒等，往往作用水质指标相对单一，没有充分考虑不同加药环节对出水水质的动态交叉综合影响，且对于作用同一水质的不同药剂，在达到同一水质目标时，会存在多种投加组合，但由于单位成本不同，确定的投加组合成本是否在可行的投加组合中最低，目前大多数智能加药系统仍然没有考虑，所以很难实现多水质目标同时达标并最大程度降低药耗成本的管理目标。
此外，智能加药控制的核心不仅包括加药量的控制，还应该包括加药调整时间的控制，而目前大多数智能加药系统只在一定程度上解决了加药量的控制问题，对加药调整时间建模则相对较少，实践中仍更多依赖经验。
因此，亟需一种能够在污水处理过程中进行动态采样，实现加药时间和加药量的精准控制，并降低加药成本的污水处理智能加药方法。
发明内容
基于此，有必要针对上述技术问题，提供一种基于人工智能的污水处理智能加药方法、系统、电子设备及计算机可读存储介质。
一种基于人工智能的污水处理智能加药方法，包括以下步骤：实时采集污水处理的感知数据，以设定时间间隔的进水流量作为样本，并基于前馈流量的动态变化，采集采样水段经过各工艺段采样节点的时间特征和统计特征，得到样本数据和预测样本数据；将加药建模机理抽象为四阶段，根据四阶段划分特点对所述采样数据进行数据特征抽取，并进行四阶段预处理，得到四阶段建模特征；将水质达标和加药调整时间作为目标变量，并对所述四阶段建模特征进行特征编码转换和重要特征筛选，得到目标建模特征；根据所述目标建模特征和目标变量进行建模，得到水质达标预测模型和加药时间预测模型，并根据水质达标预测模型进行水质达标约束结合加药组合成本最小约束，得到加药调整量模型，对构建的三个模型输入所述预测样本数据，得到加药调整时间和目标加药调整量；根据所述加药调整时间和目标加药调整量，在所述加药调整时间下发所述目标加药调整量的指令，控制污水处理过程中各加药点的加药量。
在其中一个实施例中，所述实时采集污水处理的感知数据，以设定时间间隔的进水流量作为样本，并基于前馈流量的动态变化，采集所述采样水段经过各工艺段采样节点的时间特征和统计特征，得到样本数据和预测样本数据，包括：按照水流向设置多个采样节点，所述采样节点包括前馈水流量点、前馈水质点、加药点和后馈水质点，通过数据网关实时采集所述多个采样节点处物联设备的感知数据，所述感知数据包括进水流量、水质信息和加药信息，并与数据采集点位信息和数据采集时刻一并存储；基于采集的感知数据，以设定时间间隔的进水累计流量作为一个样本，并基于前馈流量的动态变化，依次采集采样水段经过所述多个采样节点的时间特征以及包含所有数据点位的统计特征，直至所有采样节点采样结束，得到样本数据；其中，所述时间特征包括上个邻近采样节点的开始采样时刻、相邻两个采样节点开始采样的时间间隔以及采样水段经过采样节点所需的时间间隔；所述统计特征包括期间累计值、均值、方差、最小值和最大值；在所述感知数据采集到所述加药预测点之前的采样节点即结束，则得到对应加药点的预测样本数据。
在其中一个实施例中，所述将加药建模机理抽象为四阶段，根据四阶段划分特点对所述采样数据进行数据特征抽取，并进行四阶段预处理，得到四阶段建模特征，包括：将加药建模机理抽象为四阶段，包括水段生成、加药前馈信息、加药状态信息和加药后馈信息，所述加药前馈信息包含目标水质信息，所述加药后馈信息主要为目标水质信息；分别对四阶段的样本数据进行时间特征抽取，得到周期性时间特征，并将采样水段经过加药点的加药累积量除以对应时间间隔，得到采样水段在所述加药点的加药调整量特征；在存在多种药剂即多个加药点作用同一水质时，所述加药前馈信息包含加药预测点之前所有采样节点的特征信息，所述加药状态信息包含当前加药预测点和后续所有加药点的加药状态信息，得到四阶段建模特征；在同一药剂作用不同水质时，将当前加药预测点状态信息分别加入到不同目标水质的四阶段方法中，得到不同目标水质的四阶段建模特征；在所述加药时间预测模型中，抽取加药预测点之前所有采样节点的时间特征与统计特征，得到四阶段建模特征。
在其中一个实施例中，所述将水质达标和加药调整时间作为目标变量，并对所述四阶段建模特征进行特征编码转换和重要特征筛选，得到目标建模特征，包括：对所述四阶段建模特征进行编码转换，包括周期性时间特征的编码、目标水质达标的编码和特征值的标准化处理；对经过编码转换后的特征进行随机采样，并基于集成树方法，将特征按照重要性由高到低进行排序；通过统计相关性计算方法计算所有特征与目标变量的相关系数，根据预先设定的重要性特征数量和相关性阈值进行建模特征筛选，得到目标建模特征。
在其中一个实施例中，所述根据所述目标建模特征和目标变量进行建模，得到水质达标预测模型和加药时间预测模型，并根据水质达标预测模型进行水质达标约束结合加药组合成本最小约束，得到加药调整量模型，对构建的三个模型输入所述预测样本数据，得到加药调整时间和目标加药调整量，包括：将所述目标建模特征作为输入特征，水质达标编码作为输出特征，采用神经网络模型进行训练，得到水质达标预测模型；基于前馈流量采样的虚拟节点技术，在加药预测点之前，根据采样时间间隔和预测控制时间的间隔，设置水流采样节点在工艺流程中的虚拟节点位置，获取虚拟节点及位于所述虚拟节点之前的所有采样节点的时间特征和统计特征，并进行抽取及预处理得到输入特征，以加药预测点开始采样距离上个邻近采样节点开始采样的时间间隔作为输出特征，采用神经网络模型进行训练，得到加药时间预测模型；采用基于学习的PTO优化算法，将所述水质达标预测模型的水质达标预测结果作为第一约束，所述加药预测点及后续所有加药点中的作用药剂调整量作为决策变量，根据历史运行数据统计所述作用药剂调整量单位时间的单位变动成本，根据所述单位变动成本对所有作用药剂调整量进行加权求和得到单位时间的加药总成本，并以单位时间的加药组合成本最小化为第二约束，采用基于群体的元启发式优化算法得到满足所述第一约束和第二约束的目标加药调整量，完成加药调整量模型的构建；将所述预测样本数据输入至所述加药时间预测模型，得到加药调整时间，并将所述预测样本数据输入至所述水质达标预测模型和加药调整量模型，得到目标加药调整量。
在其中一个实施例中，还包括：当同一药剂作用不同水质时，根据所述水质达标预测模型和加药调整量模型，得到在不同水质下同一药剂的多种最优加药调整量，比较得到所述多种最优加药调整量的最大值，作为同一药剂最终加药调整量的输出特征，得到多目标水质的加药组合优化模型。
一种基于人工智能的污水处理智能加药系统，用于实现如上所述的一种基于人工智能的污水处理智能加药方法，包括：样本数据获取模块，用于实时采集污水处理的感知数据，以设定时间间隔的进水流量作为样本，并基于前馈流量的动态变化，采集采样水段经过各工艺段采样节点的时间特征和统计特征，得到样本数据和预测样本数据；数据特征抽取模块，用于将加药建模机理抽象为四阶段，根据四阶段划分特点对所述采样数据进行数据特征抽取，并进行四阶段预处理，得到四阶段建模特征；建模特征获取模块，用于将水质达标和加药调整时间作为目标变量，并对所述四阶段建模特征进行特征编码转换和重要特征筛选，得到目标建模特征；加药模型构建模块，用于根据所述目标建模特征和目标变量进行建模，得到水质达标预测模型和加药时间预测模型，并根据水质达标预测模型进行水质达标约束结合加药组合成本最小约束，得到加药调整量模型，对构建的三个模型输入所述预测样本数据，得到加药调整时间和目标加药调整量；加药控制模块，用于根据所述加药调整时间和目标加药调整量，在所述加药调整时间下发所述目标加药调整量的指令，控制污水处理过程中各加药点的加药量。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述各个实施例中所述的基于人工智能的污水处理智能加药方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述各个实施例中所述的基于人工智能的污水处理智能加药方法的步骤。
相比于现有技术，本发明的优点及有益效果在于：通过实时采集污水处理的感知数据，以设定时间间隔的进水流量作为样本，并基于前馈流量的动态变化，采集采样水段经过各工艺段采样节点的时间特征和统计特征，得到样本数据和预测样本数据，能够根据进水动态变化采集水质点和加药点的动态表征信息，实现动态采样和样本的连续预测；将加药建模机理抽象为四阶段，根据四阶段划分特点对采样数据进行数据特征抽取，并进行四阶段预处理，得到四阶段建模特征，能够对机理建模过程进行标准化处理；将水质达标和加药调整时间作为目标变量，并对四阶段建模特征进行特征编码转换和重要特征筛选，得到目标建模特征，能够对智能加药进行针对性建模；根据目标建模特征和目标变量进行建模，得到水质达标预测模型和加药时间预测模型，并根据水质达标预测模型进行水质达标约束结合加药组合成本最小约束，得到加药调整量模型，对构建的三个模型输入预测样本数据，得到加药调整时间和目标加药调整量；根据加药调整时间和目标加药调整量，控制污水处理过程中的加药时间和加药量，实现对污水处理过程中的加药量和加药时间的精准控制，且能够在使得水质达标的同时降低加药成本。
附图说明
图1为一个实施例中一种基于人工智能的污水处理智能加药方法的流程示意图；
图2为一个实施例中一种基于人工智能的污水处理智能加药方法的框图；
图3为一个实施例中一种基于人工智能的污水处理智能加药系统的结构示意图；
图4为一个实施例中设备的内部结构示意图。
具体实施方式
在进行本发明具体实施方式说明之前，先对本发明的整体构思进行如下说明：
本发明主要是基于污水处理过程研发的，目前污水处理不能够实现作用机理的动态连续采样，且没有针对加药时间控制的解决方法，不能够实现水质达标和降低成本双目标管理的污水处理加药控制。
因此本发明提出了一种基于人工智能的污水处理智能加药方法，通过实时采集污水处理的感知数据，以设定时间间隔的进水流量作为样本，并基于前馈流量的动态变化，采集采样水段经过各工艺段采样节点的时间特征和统计特征，得到样本数据和预测样本数据，能够根据进水动态变化采集水质点和加药点的动态表征信息，实现动态采样和样本的连续预测；将加药建模机理抽象为四阶段，根据四阶段划分特点对采样数据进行数据特征抽取，并进行四阶段预处理，得到四阶段建模特征，能够对机理建模过程进行标准化处理；将水质达标和加药调整时间作为目标变量，并对四阶段建模特征进行特征编码转换和重要特征筛选，得到目标建模特征，能够对智能加药进行针对性建模；根据目标建模特征和目标变量进行建模，水质达标预测模型和加药时间预测模型，并根据水质达标预测模型进行水质达标约束结合加药组合成本最小约束，得到加药调整量模型，对构建的三个模型输入预测样本数据，得到加药调整时间和目标加药调整量；根据加药调整时间和目标加药调整量，控制污水处理过程中的加药时间和加药量，实现对污水处理过程中的加药量和加药时间的精准控制，且能够在使得水质达标和降低加药成本的双目标下实现对污水处理过程中的加药控制，确保水质达标的同时降低加药成本。
介绍完本发明的整体构思后，为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明做进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
在一个实施例中，如图1所示，提供了一种基于人工智能的污水处理智能加药方法，包括以下步骤：
步骤S101，实时采集污水处理的感知数据，以设定时间间隔的进水流量作为样本，并基于前馈流量的动态变化，采集采样水段经过各工艺段采样节点的时间特征和统计特征，得到样本数据和预测样本数据。
具体地，通过对污水处理的感知数据进行实时采集，并将设定时间间隔的进水流量作为样本，基于前馈流量的动态采样方法解决了根据进水动态变化采集水质点和加药点的动态表征问题，并通过连续实时采样，将动态持续的进水根据连续采样间隔划分为连续的采样水段，解决了智能加药模型实际应用中的连续预测问题，同时，通过采集采样水段的时间特征和统计特征，得到样本数据和预测样本数据，为建立智能加药模型提供了有效的时间特征信息和统计特征信息。
其中，步骤S101包括：按照水流向设置多个采样节点，采样节点包括前馈水流量点、前馈水质点、加药点和后馈水质点，通过数据网关实时采集多个采样节点处物联设备的感知数据，感知数据包括进水流量、水质信息和加药信息，并与数据采集点位信息和数据采集时刻一并存储；基于采集的感知数据，以设定时间间隔的进水累计流量作为一个样本，并基于前馈流量的动态变化，依次采集采样水段经过多个采样节点的时间特征以及包含所有数据点位的统计特征，直至所有采样节点采样结束，得到样本数据；其中，时间特征包括上个邻近采样节点的开始采样时刻、相邻两个采样节点开始采样的时间间隔以及采样水段经过采样节点所需的时间间隔；统计特征包括期间累计值、均值、方差、最小值和最大值；在感知数据采集到加药预测点之前的采样节点即结束，则得到对应加药点的预测样本数据。
具体地，为了获取污水处理的感知数据，首先需要在污水处理各工艺段合理位置按照采样顺序依次设置多个采样节点，包括但不限于用于进行水段采样的前馈流量点、表征水质变化的水质点和表征加药状态的加药点，在进行数据采集时，通过数据网关采集污水处理厂物联设备，例如流量计、水质测量仪、加药设备等的感知数据，感知数据包括但不限于进水流量、水质信息、加药信息等；对数据网关采集的实时数据进行存储，包含数据采集点位信息、数据采集时刻、数据指标值等。
基于采集的实时时序数据，以设定时间间隔的进水流量作为一个样本，进水流量为采样水段的期间累计进水量，基于前馈流量(包含工艺中改变的流量，如提升泵)的动态变化，依次采集采样水段经过各个采样节点的时间特征以及各采样节点包含所有数据点位的统计特征，直至所有指定采样节点中所有点位采样完成结束，从而形成一个完整样本，得到对应的样本数据。
其中，时间特征包括上个邻近采样节点开始采样时刻、当前采样节点开始采样距离上个邻近采样节点开始采样的时间间隔、当前采样水段经过当前采样节点的时间间隔；统计特征包括但不限于期间累计值、均值、方差、最小值、最大值等。
如果感知数据仅采集到加药点之前的采样节点即结束，则形成一个预测样本，得到预测样本数据，通过预测样本数据能够得到对应的加药调整时间和最优加药调整量，如果工艺中存在多个加药节点，则对于一个采样水段可连续生成多个预测样本。
步骤S102，将加药建模机理抽象为四阶段，根据四阶段划分特点对采样数据进行数据特征抽取，并进行四阶段预处理，得到四阶段建模特征。
具体地，为了更好的对加药前后水质的变化进行描述，将加药建模机理抽象为四个阶段，并对四个阶段的采样数据分别进行特征抽取和预处理，得到四阶段建模特征，从而能够实现对特征信息的快速标准化抽取，能够用于多药剂多水质的复杂加药工艺。
其中，步骤S102包括：将加药建模机理抽象为四阶段，包括水段生成、加药前馈信息、加药状态信息和加药后馈信息，加药前馈信息和加药后馈信息均包含目标水质；分别对四阶段的样本数据进行时间特征抽取，得到周期性时间特征，并将采样水段经过加药点的加药累积量除以对应时间间隔，得到采样水段在加药点的加药调整量特征；在存在多种药剂即多个加药点作用同一水质时，所述加药前馈信息包含加药预测点之前所有采样节点的特征信息，加药状态信息包含当前加药预测点和后续所有加药点的加药状态信息，得到四阶段建模特征；在同一药剂作用不同水质时，将当前加药预测点状态信息分别加入到不同目标水质的四阶段方法中，得到不同目标水质的四阶段建模特征；在加药时间预测模型中，抽取加药预测点之前所有采样节点的时间特征与统计特征，得到四阶段建模特征。
具体地，将污水处理加药机理统一抽象表达为四阶段方法，其中，水段生成主要是基于进水流量在设定的采样时间间隔生成水段样本，加药前馈信息至少包含目标水质，还可以包含水流量等其他信息，加药状态信息则主要包含加药的调整信息，加药后馈信息则主要包含目标水质；水段生成表征加药样本的进水量，其余三个阶段共同表征加药样本药剂与水质的内在作用规律。
针对多种药剂(即多个加药点)作用于同一水质的情形，加药前馈信息包含当前加药预测点之前所有采样节点的特征信息，而加药状态信息不仅包含当前加药预测点的加药状态信息，而且还包含当前加药预测点后续所有作用同一水质加药点的加药状态信息，得到四阶段建模特征。
针对同一药剂作用不同水质的情形，可以按照多种药剂(即多个加药点)作用同一水质的方法，将当前加药预测点状态信息分别纳入到不同水质加药机理的四阶段方法中，得到四阶段建模特征。
针对加药时间预测模型，仅抽取加药预测点之前所有采样节点的时间特征与统计特征，作为四阶段建模特征。
步骤S103，将水质达标和加药调整时间作为目标变量，并对四阶段建模特征进行特征编码转换和重要特征筛选，得到目标建模特征。
具体地，对四阶段建模特征进行特征编码转换，例如时间周期特征的编码、目标水质标准的编码和特征值的标准化处理等，并能够根据预设的重要特征数量和相关性阈值，在所述四阶段建模特征中筛选得到建模所需的重要特征，得到目标建模特征。
步骤S103包括：对所述四阶段建模特征进行编码转换，包括周期性时间特征的编码、目标水质达标的编码和特征值的标准化处理；对经过编码转换后的特征进行随机采样，并基于集成树方法，将特征按照重要性由高到低进行排序；通过统计相关性计算方法计算所有特征与目标变量的相关系数，根据预先设定的重要性特征数量和相关性阈值进行建模特征筛选，得到目标建模特征。
具体地，在获取四阶段建模特征后，需要对其进行预处理，首先，对四阶段建模特征进行编码转换，包括时间周期特征(例如月、周、时等)、目标水质达标的编码(例如达标为1，不达标为0)和特征值的标准化处理(例如将数据缩放到0～1之间)等。
为了规避低相关特征在神经网络中对目标变量的扰动，需要进行重要特征筛选，对经过编码转换后的特征进行随机采样，并设定随机种子，以保证结果的复现，采用集成树方法，对特征的重要性进行由高到低的排序；通过统计相关性计算所有特征与目标变量的相关系数，根据预先设定的重要特征数量(例如设置为50，则选取排序中的前50个特征)和相关性阈值(例如设置为0.2，则在相关系数不小于0.2时选中对应的特征)进行特征筛选，得到目标建模特征，同时也可验证药剂是否与水质存在统计意义上的联系，从而更新加药作用机理。
步骤S104，根据目标建模特征和目标变量进行建模，得到水质达标预测模型和加药时间预测模型，并根据水质达标预测模型进行水质达标约束结合加药组合成本最小约束，得到加药调整量模型，对构建的三个模型输入预测样本数据，得到加药调整时间和目标加药调整量。
具体地，根据得到的目标建模特征和设定的目标变量进行建模，得到水质达标预测模型和加药时间预测模型，根据得到的水质达标预测模型进行水质达标约束结合加药组合成本最小约束，采用PTO(Predict-then-Optimize，预测-优化)技术构建得到加药调整量模型，将预测样本数据输入至加药时间预测模型得到加药调整时间，并将预测样本数据输入至水质达标预测模型和加药调整量模型，得到加药组合成本最小的目标加药调整量，该目标加药调整量能够在实现水质达标的前提下，使得加药组合成本最小，即为最优加药调整量，能够适用于多种药剂和多种水质的加药工艺，实现在确保水质达标的同时使得加药成本最低，降低了加药成本。
步骤S104包括：将目标建模特征作为输入特征，水质达标编码作为输出特征，采用神经网络模型进行训练，得到水质达标预测模型；基于前馈流量采样的虚拟节点技术，在加药预测点之前，根据采样时间间隔和预测控制时间的间隔，设置水流采样节点在工艺流程中的虚拟节点位置；获取虚拟节点及之前所有采样节点获取的时间特征和统计特征，并进行抽取及预处理得到输入特征，以加药预测点开始采样距离上个邻近采样节点开始采样的时间间隔作为输出特征，采用神经网络模型进行训练，得到加药时间预测模型；采用基于学习的PTO优化算法，将水质达标预测模型的水质达标预测结果作为第一约束，加药预测点及后续所有加药点中的作用药剂调整量作为决策变量，根据历史运行数据统计作用药剂调整量单位时间的单位变动成本，根据单位变动成本对所有作用药剂调整量进行加权求和得到单位时间的加药总成本，并以单位时间的加药组合成本最小化为第二约束，采用基于群体的元启发式优化算法得到满足第一约束和第二约束的目标调整加药量，完成加药调整量模型的构建；将预测样本数据输入至加药时间预测模型，得到加药调整时间，并将预测样本数据输入至水质达标预测模型和加药调整量模型，得到目标加药调整量。
具体地，水质达标预测模型用于对加药工艺处理后出水水质是否达标进行预测，为加药调整组合优化模型提供约束基础，将水质目标建模特征作为输入，水质达标编码作为输出，采用神经网络模型训练得到。
基于前馈流量采样的灵活性，结合加药时间建模的需求，采用基于前馈流量采样的虚拟节点技术，即在加药预测点之前设置一个虚拟流量采样节点，具体位置根据采样时间间隔和对预测控制时间的间隔要求来确定，例如在距离加药预测点为t，预测控制时间的间隔为△t，则可以在t-△t时刻设置虚拟采样节点，预测控制时间的间隔可以根据实际情况进行对应设置，例如根据历史记录的指令下发后所需的时间间隔进行设置。将该虚拟节点获取的时间特征以及之前所有采样节点的时间和流量信息，经过抽取、预处理后的特征作为模型输入，以加药预测点开始采样距离上个邻近采样节点开始采样的时间间隔作为输出，采用神经网络模型进行训练，得到加药时间预测模型，最后将加药时间间隔预测加上上个邻近采样节点开始采样时刻得到最终加药调整时刻。在加药时间预测模型进行预测时，根据加药预测点上个邻近采样节点开始采样的时刻t和预测控制时间的间隔△t确定加药调整时间为t+△t，从而实现加药调整时刻的预测。通过前馈流量和虚拟节点的结合，可避免因采样节点间隔时间过长导致的加药预测点距离之前采样节点较远而引起的时间预测误差偏大的问题，提高时间预测的精准度，且虚拟节点技术灵活，能够根据污水处理厂的实际情况和对预测控制时间的间隔要求进行按需设计，以便于扩大适用范围。
加药调整量模型用于对加药调整量在目标水质达标约束下，对单位时间加药总成本最小的优化建模。以水质达标预测模型的水质达标预测结果作为第一约束，预测加药点及后续所有加药点中能作用同一水质的所有药剂的加药调整量作为决策变量，根据历史运行数据统计各种作用药剂调整量单位时间的单位变动成本，对所有作用药剂加药调整量进行加权求和得到单位时间的加药总成本，并以单位时间的加药总成本最小化为第二约束，在加药调整量的可行域内采用粒子群PSO(Particle Swarm Optimization，粒子群优化)优化算法得到同时满足第一约束和第二约束的最优加药调整组合，实现对加药调整量模型的构建。
根据上述步骤得到的水质达标预测模型、加药时间预测模型和加药调整量模型，能够适用于多药剂和多水质的加药工艺，得到在使得水质达标前提下加药总成本最小的加药调整量，实现对加药成本的控制。
将加药预测点的预测样本数据输入至加药时间预测模型，输出得到加药调整时间，同时输入至水质达标预测模型和加药调整量模型，通过水质达标约束和加药总成本最小约束，得到目标加药调整量，实现对污水处理过程中的加药时间和加药量进行控制，且使得加药总成本最低，从而实现污水处理的智能加药。
其中，还包括：当同一药剂作用不同水质时，根据水质达标预测模型和加药调整量模型，得到在不同水质下同一药剂的多种最优加药调整量，比较得到多种最优加药调整量的最大值，作为同一药剂最终加药调整量的输出特征，得到多目标水质的加药组合优化模型。
具体地，针对同一药剂作用多目标水质的情形，采用PTO优化算法分别针对每种水质进行最优化建模，得到在不同水质下同一药剂的多种最优加药调整量，为了满足所述不同水质均达标的要求，比较得到不同最优加药调整量的最大值作为同一药剂最终加药调整量的输出，得到多目标水质的加药组合优化模型，实现在多目标水质达标约束下的最优化，使得能够在确保水质达标的同时加药成本最低，实现对加药成本的控制。
步骤S105，根据加药调整时间和目标加药调整量，在加药调整时间下发目标加药调整量的指令，控制污水处理过程中各加药点的加药量。
具体地，根据加药时间预测模型预测加药调整时间，根据(多目标水质)加药调整量模型计算最优加药调整量，在加药调整时间将计算的最优加药调整量指令发送至加药控制装置，由加药控制装置根据最优加药调整量来控制相应的自动加药设备，从而实现加药时间和加药量的精准控制，且能够在使得水质达标的同时降低加药成本。
在本实施例中，通过实时采集污水处理的感知数据，以设定时间间隔的进水流量作为样本，并基于前馈流量的动态变化，采集采样水段经过各工艺段采样节点的时间特征和统计特征，得到样本数据和预测样本数据，能够根据进水动态变化采集水质点和加药点的动态表征信息，实现动态采样和样本的连续预测；将加药建模机理抽象为四阶段，根据四阶段划分特点对采样数据进行数据特征抽取，并进行四阶段预处理，得到四阶段建模特征，能够对机理建模过程进行标准化处理；将水质达标和加药调整时间作为目标变量，并对四阶段建模特征进行特征编码转换和重要特征筛选，得到目标建模特征，能够对智能加药进行针对性建模；根据目标建模特征和目标变量进行建模，得到水质达标预测模型和加药时间预测模型，并根据水质达标预测模型进行水质达标约束结合加药组合成本最小约束，得到加药调整量模型，对构建的三个模型输入预测样本数据，得到加药调整时间和目标加药调整量；根据加药调整时间和最优加药调整量，控制污水处理过程中的加药时间和加药量，实现对污水处理过程中的加药量和加药时间的精准控制，且能够在使得水质达标的同时降低加药成本。
如图3所示，提供了一种基于人工智能的污水处理智能加药系统30，用于实现如上所述的一种基于人工智能的污水处理智能加药方法，包括：样本数据获取模块31、数据特征抽取模块32、建模特征获取模块33、加药模型构建模块34和加药控制模块35，其中：
样本数据获取模块31，用于实时采集污水处理的感知数据，以设定时间间隔的进水流量作为样本，并基于前馈流量的动态变化，采集采样水段经过各工艺段采样节点的时间特征和统计特征，得到样本数据和预测样本数据；
数据特征抽取模块32，用于将加药建模机理抽象为四阶段，根据四阶段划分特点对采样数据进行数据特征抽取，并进行四阶段预处理，得到四阶段建模特征；
建模特征获取模块33，用于将水质达标和加药调整时间作为目标变量，并对所述四阶段建模特征进行特征编码转换和重要特征筛选，得到目标建模特征；
加药模型构建模块34，用于根据目标建模特征和目标变量进行建模，得到水质达标预测模型和加药时间预测模型，并根据水质达标预测模型进行水质达标约束结合加药组合成本最小约束，得到加药调整量模型，对构建的三个模型输入预测样本数据，得到加药调整时间和目标加药调整量；
加药控制模块35，用于根据加药调整时间和目标加药调整量，在加药调整时间下发目标加药调整量的指令，控制污水处理过程中各加药点的加药量。
在一个实施例中，样本数据获取模块31具体用于：按照水流向设置多个采样节点，采样节点包括前馈水流量点、前馈水质点、加药点和后馈水质点，通过数据网关实时采集多个采样节点处物联设备的感知数据，感知数据包括进水流量、水质信息和加药信息，并与数据采集点位信息和数据采集时刻一并存储；基于采集的感知数据，以设定时间间隔的进水累计流量作为一个样本，并基于前馈流量的动态变化，依次采集采样水段经过多个采样节点的时间特征以及包含所有数据点位的统计特征，直至所有采样节点采样结束，得到样本数据；其中，时间特征包括上个邻近采样节点的开始采样时刻、相邻两个采样节点开始采样的时间间隔以及采样水段经过采样节点所需的时间间隔；统计特征包括期间累计值、均值、方差、最小值和最大值；在感知数据采集到加药预测点之前的采样节点即结束，则得到对应加药点的预测样本数据。
在一个实施例中，数据特征抽取模块32具体用于：将加药建模机理抽象为四阶段，包括水段生成、加药前馈信息、加药状态信息和加药后馈信息，加药前馈信息和加药后馈信息均包含目标水质；分别对四阶段的样本数据进行时间特征抽取，得到周期性时间特征，并将采样水段经过加药点的加药累积量除以对应时间间隔，得到采样水段在加药点的加药调整量特征；在存在多种药剂即多个加药点作用同一水质时，加药前馈信息包含加药预测点之前所有采样节点的特征信息，加药状态信息包含当前加药预测点和后续所有加药点的加药状态信息，得到四阶段建模特征；在同一药剂作用不同水质时，将当前加药预测点状态信息分别加入到不同目标水质的四阶段方法中，得到不同目标水质的四阶段建模特征；在加药时间预测模型中，抽取加药预测点之前所有采样节点的时间特征与统计特征，得到四阶段建模特征。
在一个实施例中，建模特征获取模块33具体用于：对所述四阶段建模特征进行编码转换，包括周期性时间特征的编码、目标水质达标的编码和特征值的标准化处理；对经过编码转换后的特征进行随机采样，并基于集成树方法，将特征按照重要性由高到低进行排序；通过统计相关性计算方法计算所有特征与目标变量的相关系数，根据预先设定的重要性特征数量和相关性阈值进行建模特征筛选，得到目标建模特征。
在一个实施例中，组合模型构建模块34具体用于：将目标建模特征作为输入特征，水质达标编码作为输出特征，采用神经网络模型进行训练，得到水质达标预测模型；基于前馈流量采样的虚拟节点技术，在加药预测点之前，根据采样时间间隔和预测控制时间的间隔，设置水流采样节点在工艺流程中的虚拟节点位置；获取虚拟节点及之前所有采样节点获取的时间特征和统计特征，并进行抽取及预处理得到输入特征，以加药预测点开始采样距离上个邻近采样节点开始采样的时间间隔作为输出特征，采用神经网络模型进行训练，得到加药时间预测模型；采用基于学习的PTO优化算法，将水质达标预测模型的水质达标预测结果作为第一约束，加药预测点及后续所有加药点中的作用药剂调整量作为决策变量，根据历史运行数据统计所述作用药剂调整量单位时间的单位变动成本，根据单位变动成本对所有作用药剂调整量进行加权求和得到单位时间的加药总成本，并以单位时间的加药组合成本最小化为第二约束，采用基于群体的元启发式优化算法得到满足所述第一约束和第二约束的目标调整加药量，完成加药调整量模型的构建；将预测样本数据输入至加药时间预测模型，得到加药调整时间，并将预测样本数据输入至水质达标预测模型和加药调整量模型，得到目标加药调整量。
在一个实施例中，提供了一种电子设备，该设备可以是服务器，其内部结构图可以如图4所示。该设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该设备的处理器用于提供计算和控制能力。该设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该设备的数据库用于存储配置模板，还可用于存储目标网页数据。该设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于人工智能的污水处理智能加药方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的设备的限定，具体的设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还可以提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被计算机执行时使所述计算机执行如前述实施例所述的方法，所述计算机可以为上述提到的基于人工智能的污水处理智能加药系统的一部分。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
显然，本领域的技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以，本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (9)
1.一种基于人工智能的污水处理智能加药方法，其特征在于，包括以下步骤：
实时采集污水处理的感知数据，以设定时间间隔的进水流量作为样本，并基于前馈流量的动态变化，采集采样水段经过各工艺段采样节点的时间特征和统计特征，得到样本数据和预测样本数据；
将加药建模机理抽象为四阶段，根据四阶段划分特点对所述采样数据进行数据特征抽取，并进行四阶段预处理，得到四阶段建模特征；
将水质达标和加药调整时间作为目标变量，并对所述四阶段建模特征进行特征编码转换和重要特征筛选，得到目标建模特征；
根据所述目标建模特征和目标变量进行建模，得到水质达标预测模型和加药时间预测模型，并根据水质达标预测模型进行水质达标约束结合加药组合成本最小约束，得到加药调整量模型，对构建的三个模型输入所述预测样本数据，得到加药调整时间和目标加药调整量；
根据所述加药调整时间和目标加药调整量，在所述加药调整时间下发所述目标加药调整量的指令，控制污水处理过程中各加药点的加药量。
2.根据权利要求1所述的基于人工智能的污水处理智能加药方法，其特征在于，所述实时采集污水处理的感知数据，以设定时间间隔的进水流量作为样本，并基于前馈流量的动态变化，采集采样水段经过各工艺段采样节点的时间特征和统计特征，得到样本数据和预测样本数据，包括：
按照水流向设置多个采样节点，所述采样节点包括前馈水流量点、前馈水质点、加药点和后馈水质点，通过数据网关实时采集所述多个采样节点处物联设备的感知数据，所述感知数据包括进水流量、水质信息和加药信息，并与数据采集点位信息和数据采集时刻一并存储；
基于采集的感知数据，以设定时间间隔的进水累计流量作为一个样本，并基于前馈流量的动态变化，依次采集采样水段经过所述多个采样节点的时间特征以及包含所有数据点位的统计特征，直至所有采样节点采样结束，得到样本数据；
其中，所述时间特征包括上个邻近采样节点的开始采样时刻、相邻两个采样节点开始采样的时间间隔以及采样水段经过采样节点所需的时间间隔；所述统计特征包括期间累计值、均值、方差、最小值和最大值；
在所述感知数据采集到所述加药预测点之前的采样节点即结束，则得到对应加药点的预测样本数据。
3.根据权利要求2所述的基于人工智能的污水处理智能加药方法，其特征在于，所述将加药建模机理抽象为四阶段，根据四阶段划分特点对所述采样数据进行数据特征抽取，并进行四阶段预处理，得到四阶段建模特征，包括：
将加药建模机理抽象为四阶段，包括水段生成、加药前馈信息、加药状态信息和加药后馈信息，所述加药前馈信息和加药后馈信息均包含目标水质；
分别对四阶段的样本数据进行时间特征抽取，得到周期性时间特征，并将采样水段经过加药点的加药累积量除以对应时间间隔，得到采样水段在所述加药点的加药调整量特征；
在存在多种药剂即多个加药点作用同一水质时，所述加药前馈信息包含加药预测点之前所有采样节点的特征信息，所述加药状态信息包含当前加药预测点和后续所有加药点的加药状态信息，得到四阶段建模特征；
在同一药剂作用不同水质时，将当前加药预测点状态信息分别加入到不同目标水质的四阶段方法中，得到不同目标水质的四阶段建模特征；
在所述加药时间预测模型中，抽取加药预测点之前所有采样节点的时间特征与统计特征，得到四阶段建模特征。
4.根据权利要求3所述的基于人工智能的污水处理智能加药方法，其特征在于，所述将水质达标和加药调整时间作为目标变量，并对所述四阶段建模特征进行特征编码转换和重要特征筛选，得到目标建模特征，包括：
对所述四阶段建模特征进行编码转换，包括周期性时间特征的编码、目标水质达标的编码和特征值的标准化处理；
对经过编码转换后的特征进行随机采样，并基于集成树方法，将特征按照重要性由高到低进行排序；
通过统计相关性计算方法计算所有特征与目标变量的相关系数，根据预先设定的重要性特征数量和相关性阈值进行建模特征筛选，得到目标建模特征。
5.根据权利要求4所述的基于人工智能的污水处理智能加药方法，其特征在于，所述根据所述目标建模特征和目标变量进行建模，得到水质达标预测模型和加药时间预测模型，并根据水质达标预测模型进行水质达标约束结合加药组合成本最小约束，得到智能加药组合优化模型，对构建的三个模型输入所述预测样本数据，得到加药调整时间和目标加药调整量，包括：
将所述目标建模特征作为输入特征，水质达标编码作为输出特征，采用神经网络模型进行训练，得到水质达标预测模型；
基于前馈流量采样的虚拟节点技术，在加药预测点之前，根据采样时间间隔和预测控制时间的间隔，设置水流采样节点在工艺流程中的虚拟节点位置，获取虚拟节点及位于所述虚拟节点之前的所有采样节点的时间特征和统计特征，并进行抽取及预处理得到输入特征，以加药预测点开始采样距离上个邻近采样节点开始采样的时间间隔作为输出特征，采用神经网络模型进行训练，得到加药时间预测模型；
采用基于学习的PTO优化算法，将所述水质达标预测模型的水质达标预测结果作为第一约束，所述加药预测点及后续所有加药点中的作用药剂调整量作为决策变量，根据历史运行数据统计所述作用药剂调整量单位时间的单位变动成本，根据所述单位变动成本对所有作用药剂调整量进行加权求和得到单位时间的加药总成本，并以单位时间的加药组合成本最小化为第二约束，采用基于群体的元启发式优化算法得到满足所述第一约束和第二约束的目标调整加药量，完成加药调整量模型的构建；
将所述预测样本数据输入至所述加药时间预测模型，得到加药调整时间，并将所述预测样本数据输入至所述水质达标预测模型和加药调整量模型，得到目标加药调整量。
6.根据权利要求5所述的基于人工智能的污水处理智能加药方法，其特征在于，还包括：
当同一药剂作用不同水质时，根据所述水质达标预测模型和加药调整量模型，得到在不同水质下同一药剂的多种最优加药调整量，比较得到所述多种最优加药调整量的最大值，作为同一药剂最终加药调整量的输出特征，得到多目标水质的加药组合优化模型。
7.一种基于人工智能的污水处理智能加药系统，其特征在于，用于实现如权利要求1-6所述的一种基于人工智能的污水处理智能加药方法，包括：
样本数据获取模块，用于实时采集污水处理的感知数据，以设定时间间隔的进水流量作为样本，并基于前馈流量的动态变化，采集采样水段经过各工艺段采样节点的时间特征和统计特征，得到样本数据和预测样本数据；
数据特征抽取模块，用于将加药建模机理抽象为四阶段，根据四阶段划分特点对所述采样数据进行数据特征抽取，并进行四阶段预处理，得到四阶段建模特征；
建模特征获取模块，用于将水质达标和加药调整时间作为目标变量，并对所述四阶段建模特征进行特征编码转换和重要特征筛选，得到目标建模特征；
加药模型构建模块，用于根据所述目标建模特征和目标变量进行建模，得到水质达标预测模型和加药时间预测模型，并根据水质达标预测模型进行水质达标约束结合加药组合成本最小约束，得到加药调整量模型，对构建的三个模型输入所述预测样本数据，得到加药调整时间和目标加药调整量；
加药控制模块，用于根据所述加药调整时间和目标加药调整量，在所述加药调整时间下发所述目标加药调整量的指令，控制污水处理过程中各加药点的加药量。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310921422.1A CN116956155A (zh) | 2023-07-25 | 2023-07-25 | 一种基于人工智能的污水处理智能加药方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310921422.1A CN116956155A (zh) | 2023-07-25 | 2023-07-25 | 一种基于人工智能的污水处理智能加药方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116956155A true CN116956155A (zh) | 2023-10-27 |
Family
ID=88456161
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310921422.1A Pending CN116956155A (zh) | 2023-07-25 | 2023-07-25 | 一种基于人工智能的污水处理智能加药方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116956155A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117238389A (zh) * | 2023-11-14 | 2023-12-15 | 江苏海峡环保科技发展有限公司 | 基于智能加药的含氟废水处理系统及方法 |
-
2023
- 2023-07-25 CN CN202310921422.1A patent/CN116956155A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117238389A (zh) * | 2023-11-14 | 2023-12-15 | 江苏海峡环保科技发展有限公司 | 基于智能加药的含氟废水处理系统及方法 |
| CN117238389B (zh) * | 2023-11-14 | 2024-01-30 | 江苏海峡环保科技发展有限公司 | 基于智能加药的含氟废水处理系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110491146A (zh) | 一种基于深度学习的交通信号控制方案实时推荐方法 | |
| CN102469103B (zh) | 基于bp神经网络的木马事件预测方法 | |
| CN116956155A (zh) | 一种基于人工智能的污水处理智能加药方法及系统 | |
| CN112766535A (zh) | 一种考虑负荷曲线特征的建筑负荷预测方法及系统 | |
| CN117175588A (zh) | 基于时空相关性的用电负荷预测方法及装置 | |
| CN113449919A (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
| CN113205223A (zh) | 一种电量预测系统及其预测方法 | |
| CN111679970B (zh) | 机器人软件系统运行环境状态预测方法 | |
| CN115858606A (zh) | 时序数据的异常检测方法、装置、设备及存储介质 | |
| CN117933531A (zh) | 一种分布式光伏发电功率预测系统及方法 | |
| CN117555303A (zh) | 基于机器学习的污水处理厂站加药泵的实时控制方法 | |
| CN116956156A (zh) | 一种基于人工智能的污水处理智能曝气方法及系统 | |
| CN115713044B (zh) | 一种多工况切换下的机电设备剩余寿命分析方法和装置 | |
| CN116934167A (zh) | 基于深度神经网络的污水处理出水预测方法及其系统 | |
| CN117291289A (zh) | 烟气脱硫so2浓度预测方法、装置、设备及存储介质 | |
| Paprocki et al. | Efficiency of neural transmission as a function of synaptic noise, threshold, and source characteristics | |
| CN114036823B (zh) | 基于编解码和记忆机制的电力变压器负载控制方法及装置 | |
| CN114444872A (zh) | 采用人工智能算法进行司机驾驶行为分析的方法及系统 | |
| CN116934041B (zh) | 一种基于物联网协同的工厂任务管理方法及系统 | |
| Karanam et al. | Improving Transfer Time Prediction of ML Models via Auto-correcting Dynamical Systems Modeling | |
| CN118444576B (zh) | 一种基于物联网的污水处理监控方法及系统 | |
| CN114169704B (zh) | 产品生产过程质量控制方法、装置、设备及存储介质 | |
| Klotz et al. | Estimating action plans for smart poultry houses | |
| CN118211736B (zh) | 基于分布式数据驱动的排水管网联合调度方法和系统 | |
| CN113887799B (zh) | 一种水电厂安全生产人工智能报警方法 |
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 |