CN116956156A - 一种基于人工智能的污水处理智能曝气方法及系统 - Google Patents
一种基于人工智能的污水处理智能曝气方法及系统 Download PDFInfo
- Publication number
- CN116956156A CN116956156A CN202310922943.9A CN202310922943A CN116956156A CN 116956156 A CN116956156 A CN 116956156A CN 202310922943 A CN202310922943 A CN 202310922943A CN 116956156 A CN116956156 A CN 116956156A
- Authority
- CN
- China
- Prior art keywords
- aeration
- data
- blower
- minimum
- water quality
- 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
- 238000005273 aeration Methods 0.000 title claims abstract description 196
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000010865 sewage Substances 0.000 title claims abstract description 46
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 30
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 195
- 238000005265 energy consumption Methods 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000035772 mutation Effects 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 36
- 238000005070 sampling Methods 0.000 claims description 34
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 26
- 239000001301 oxygen Substances 0.000 claims description 26
- 229910052760 oxygen Inorganic materials 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000002068 genetic effect Effects 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000010845 search algorithm Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000010129 solution processing Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004134 energy conservation Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 3
- 238000004065 wastewater treatment Methods 0.000 description 3
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000010802 sludge Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F7/00—Aeration of stretches of water
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Environmental & Geological Engineering (AREA)
- Hydrology & Water Resources (AREA)
- Chemical & Material Sciences (AREA)
- Water Supply & Treatment (AREA)
- Activated Sludge Processes (AREA)
- Organic Chemistry (AREA)
Abstract
本发明提供一种基于人工智能的污水处理智能曝气方法及系统，包括：实时采集曝气池进出水口的数据，处理得到有效样本数据；采用前馈神经网络构建初始水质达标预测模型，通过有效样本数据训练和验证后得到水质达标预测模型；通过numpy计算库生成包含阀门开度和鼓风量组合的多维网格数据，遍历后输入至水质达标预测模型，得到曝气达标的组合解；定义最小曝气量为目标函数，采用交叉变异操作对组合解处理后得到输入数据，输入至水质达标预测模型，得到最小鼓风量和最小阀门开度；定义最小总能耗为目标函数，采用非线性规划对鼓风机进行分配，得到最低能耗解，并对各鼓风机和阀门开度进行控制。本发明能够实现曝气的精准和实时控制，降低能耗。
Description
技术领域
本发明涉及污水处理曝气技术领域，尤其涉及一种基于人工智能的污水处理智能曝气方法、系统、电子设备及计算机可读存储介质。
背景技术
现有污水处理曝气技术包括人工手动控制、利用计算公式控制和人工智能控制的方式。其中，人工手动控制全凭经验，控制粒度粗，不能精确控制曝气量和时间，容易造成污水处理质量的不稳定，可能存在误操作或意外事故，造成安全风险，且能耗较高。相对人工手动，利用计算公式控制的方式更加细腻，但是也存在其局限性，所需曝气量不仅和进水指标值相关联，同时也受进水成分的影响，如当污水中工业无数和生活污水的占比发生改变时，即使进水指标相似，但所需曝气量并不相同。同时曝气量公式一般基于历史数据或平均值进行计算，但实际上废水处理过程中的各个参数都是动态变化的。仅仅依靠曝气量公式来控制曝气方式，可能无法及时反应变化，从而导致曝气效果的下降或浪费能源。因此，依靠公式计算曝气量并不适用于所有的污水好氧处理工艺段。
而人工智能控制的方式，进出水时间序列对应关系是模型建立过程中必不可少的一个因素，有利于构建更加精确的曝气模型。目前市面上大多数的数据采样是基于固定曝气时间间隔的数据采样方法，从曝气池进水到出水指定固定时间，取进水时刻间隔该指定时间间隔对应的出水指标即位一条完整的样本数据，但在实际运行中，流量是动态变化的，从进水到出水的时间间隔也是动态变化的，基于固定曝气时间间隔的数据采样方法不能精确反应进出水时间序列对应关系。
因此，亟需一种能够确保模型稳定性，实现曝气的实时和精准控制的污水处理智能曝气方法。
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曝气方法、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曝气方法，包括以下步骤：实时采集曝气池进出水口的数据，进行水流量的动态数据采样，得到曝气采样样本数据，并对所述样本数据进行处理，得到有效样本数据；采用前馈神经网络建立初始水质达标预测模型，通过所述有效样本数据对所述初始水质达标预测模型进行训练和验证，得到水质达标预测模型；通过numpy计算库生成包含所有阀门开度和鼓风量组合的多维网格数据，采用遍历查找算法遍历所述多维网格数据，并输入至所述水质达标预测模型，得到使曝气达标的组合解；定义最小曝气量为目标函数，采用交叉变异操作对所述组合解进行处理，获取输入数据，并将所述输入数据输入至所述水质达标预测模型，输出得到最小鼓风量和最小阀门开度；定义最小总能耗为目标函数，利用非线性规划对鼓风机组进行分配，得到总能耗最小时鼓风量和阀门开度的最低能耗解，并根据所述最低能耗解对各鼓风机和阀门开度进行控制。
在其中一个实施例中，所述实时采集曝气池进出水口的数据，进行水流量的动态数据采样，得到曝气采样样本数据，包括：通过设置在曝气池进出水口的流量计进行数据监测，并通过与所述流量计连接的数据采集设备对监测到的数据进行实时统计和计算；记开始进水的时间为开始时刻，并将统计到出水口的累计流量达到设置的曝气池有效容积的时间记为结束时刻，所述开始时刻监测得到的进水水质与对应结束时刻监测得到的出水水质和曝气信息为一条完整的曝气采样样本数据。
在其中一个实施例中，所述对所述样本数据进行处理，得到有效样本数据，包括：对所述样本数据进行去重处理和检查，对超出区间范围内的异常数据，采用相邻数据点的指标平均值进行代替，利用插值法对缺失的数据进行插补和填充；对所述样本数据中曝气单元的溶解氧指标进行特征转换，多个曝气单元设置有不同的指标范围，在多个曝气单元的值均满足对应的指标范围时，认定溶解氧指标达标；反之，认定溶解氧指标不达标；对所述样本数据进行归一化处理，得到有效样本数据。
在其中一个实施例中，所述采用前馈神经网络建立初始水质达标预测模型，通过所述有效样本数据对所述初始水质达标预测模型进行训练和验证，得到水质达标预测模型，包括：以特征转换后输出的溶解氧指标作为输出指标，采集到的进水水质作为输入指标，采用前馈神经网络建立初始水质达标预测模型；将所述有效样本数据按照70％、15％和15％的比例划分为训练集、验证集和测试集，对所述初始水质达标预测模型进行训练和验证，调整模型训练参数，得到水质达标预测模型。
在其中一个实施例中，所述通过numpy计算库生成包含所有阀门开度和鼓风量组合的多维网格数据，采用遍历查找算法遍历所述多维网格数据，并输入至所述水质达标预测模型，得到使曝气达标的组合解，包括：设定曝气量范围和曝气量的步长，得到所有鼓风量组合，并获取阀门的开度范围和设定的阀门开度步长，得到阀门开度组合；利用numpy计算库生成包含所有阀门开度和鼓风量组合的多维网格数据，采用遍历查找算法遍历所述多维网格数据，并将所述多维网格数据输入至所述水质达标预测模型；通过所述水质达标预测模型筛选得到使得曝气单元出水口达标的组合解和组合解长度，所述组合解中曝气量值不重复，且曝气量由小到大排序。
在其中一个实施例中，所述定义最小曝气量为目标函数，采用交叉变异操作对所述组合解进行处理，获取输入数据，并将所述输入数据输入至所述水质达标预测模型，输出得到最小鼓风量和最小阀门开度，包括：定义最小曝气量为目标函数，根据实时进水流量，设定曝气量范围、交叉概率和预设初始化种群数量；判断所述组合解长度与预设初始化种群数量之间的关系，并根据判断结果得到初始种群输入数据；其中，若所述组合解长度大于或等于预设初始化种群数量，则在组合解中由前至后提取出与预设初始化种群数量相同的多组数据，作为遗传算法的初始种群输入数据；若所述组合解长度小于预设初始化种群数量，计算预设初始化种群数量与组合解长度的差值，再初始化与所述差值相同数量的差值输入数据，并合并所述组合解和差值输入数据，得到遗传算法的初始种群输入数据；根据所述初始种群输入数据，通过交叉变异操作调用所述水质达标预测模型，得到最小鼓风量和最小阀门开度。
在其中一个实施例中，所述定义最小总能耗为目标函数，利用非线性规划对鼓风机组进行分配，得到总能耗最小时鼓风量和阀门开度的最低能耗解，包括：获取总曝气量、各鼓风机运行频率限制和最大功率限制，作为约束条件，将最小总能耗作为非线性规划的目标函数，其中，约束条件为：
式中，Gs1、Gs2、Gsn分别为第一台鼓风机、第二台鼓风机及第n台鼓风机所提供的风量；fn为第n台鼓风机的运行频率，fnd、fnu分别为第n台鼓风机运行频率的最小最大值，Pn为第n台鼓风机的出口压力，Pnmax为第n台鼓风机出口压力最大值；根据设定的所述目标函数，采用optimize优化算法解决在总风量需求下的各鼓风机的运行频率分配的非线性规划问题；鼓风机能耗为：
powern＝f(Qn,Pn,η)
式中，Qn是指单位时间内通过第个n鼓风机的气体体积或重量；Pn是指鼓风机的出口压力；η效率是指罗茨鼓风机的能效系数；其中，每台鼓风机提供的风量为：
Gsn＝f(fn,Qn,f0n,Pn)
式中，Gsn为第n个鼓风机所提供的风量；Qn是指第n个鼓风机在当前运行状态下的实际输出流量，通过仪表测量得到；鼓风机额定频率f0n是指第n个鼓风机出厂时制定的设计频率；fn为第n个鼓风机当前运行的频率；Pn为第n个鼓风机的出口压力；根据非线性规划问题的解，得到总能耗最小时各鼓风机和阀门开度的最低能耗解。
一种基于人工智能的污水处理智能曝气系统，用于实现如上所述的一种基于人工智能的污水处理智能曝气方法，包括：数据采集模块，用于实时采集曝气池进出水口的数据，进行水流量的动态数据采样，得到曝气采样样本数据，并对所述样本数据进行处理，得到有效样本数据；模型构建模块，用于采用前馈神经网络建立初始水质达标预测模型，通过所述有效样本数据对所述初始水质达标预测模型进行训练和验证，得到水质达标预测模型；数据遍历模块，用于通过numpy计算库生成包含所有阀门开度和鼓风量组合的多维网格数据，采用遍历查找算法遍历所述多维网格数据，并输入至所述水质达标预测模型，得到使曝气达标的组合解；交叉变异模块，用于定义最小曝气量为目标函数，采用交叉变异操作对所述组合解进行处理，获取输入数据，并将所述输入数据输入至所述水质达标预测模型，输出得到最小鼓风量和最小阀门开度；曝气控制模块，用于定义最小总能耗为目标函数，利用非线性规划对鼓风机组进行分配，得到总能耗最小时鼓风量和阀门开度的最低能耗解，并根据所述最低能耗解对各鼓风机和阀门开度进行控制。
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曝气方法的步骤。
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曝气方法的步骤。
相比于现有技术，本发明的优点及有益效果在于：基于水流量进行动态采样并建模，神经网络模型根据水质、进水流量和外部环境实时预测不同曝气参数组合下的曝气效果，有效保证了模型的稳定性，提高了曝气系统的可靠性和精度；优化了计算过程，得到最低能耗下的鼓风机与阀门运行状态组合解，自适应调整鼓风机和阀门运行参数，实现污水处理的精确与实时控制，实现节能降耗的目的。
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曝气方法的流程示意图；
图2为一个实施例中水质达标预测模型的训练流程示意图；
图3为一个实施例中一种基于人工智能的污水处理智能曝气系统的结构示意图；
图4为一个实施例中一种基于人工智能的污水处理智能曝气系统的控制流程示意图；
图5为一个实施例中电子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：
本发明主要是污水曝气过程研发的，目前曝气处理不能够实现污水处理的精确与实时控制，可靠性较低。
因此本发明提出了一种基于人工智能的污水处理智能曝气方法，通过实时采集曝气池进出水口的数据进行水流量的动态数据采集，得到曝气采样样本数据，处理得到有效样本数据；采用前馈神经网络构建初始水质达标预测模型，通过有效样本数据训练和验证后得到水质达标预测模型；通过numpy计算库生成包含阀门开度和鼓风量组合的多维网格数据，遍历后输入至水质达标预测模型，得到曝气达标的组合解；定义最小曝气量为目标函数，采用交叉变异操作对组合解进行处理后得到输入数据，输入至水质达标预测模型，得到最小鼓风量和最小阀门开度；定义最小总能耗为目标函数，采用非线性规划对鼓风机进行分配，得到最低能耗解，并对各鼓风机和阀门开度进行控制，基于水流量进行动态采样并建模，神经网络模型根据水质、进水流量和外部环境实时预测不同曝气参数组合下的曝气效果，优化计算过程，得到最低能耗下的鼓风机与阀门运行状态组合解，自适应调整鼓风机和阀门运行参数，实现污水处理的精确与实时控制，实现节能降耗的目的。
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曝气方法，包括以下步骤：
步骤S101，实时采集曝气池进出水口的数据，进行水流量的动态数据采样，得到曝气采样样本数据，并对样本数据进行处理，得到有效样本数据。
具体地，由于污水处理中进水是动态变化的，不同水质、不同进水流量、不同的温度和压力下的污水在曝气过程中处理效果不同，出水流量也有所差异。传统的基于固定时间间隔的数据采样方法不能准确反应进出水的时序关联性和趋势性，可能会错过瞬时变化或波动，导致采样数据不够精细。
因此，本实施例通过在曝气池的进出水口设置采集设备，对曝气池的进出水数据进行实时采集，实现水流量的动态数据采集，能够很好地表征曝气前后的水质特征变化，且使得样本数据更具有代表性，数据较为精细全面，得到曝气采样样本数据，为了便于后续数据使用，对样本数据进行处理，得到有效样本数据。
其中，样本数据获取步骤为：通过设置在曝气池进出水口的流量计进行数据监测，并通过与流量计连接的数据采集设备对监测到的数据进行实时统计和计算；记开始进水的时间为开始时刻，并将统计到出水口的累计流量达到设置的曝气池有效容积的时间记为结束时刻，开始时刻监测得到的进水水质与对应结束时刻监测得到的出水水质和曝气信息为一条完整的曝气采样样本数据。
具体地，在曝气池的进出水口安装流量计，并连接到数据采集设备上，对流量计测得的数据进行实时记录统计计算，例如，从t0时刻(开始时刻)开始监测进水口和出水口的水质，并实时计算各个流量监测点通过的历史累计流量，当t1时刻(结束时刻)统计到出水口的累计流量达到设置的曝气池有效容积时，此时t1时刻的出水水质及曝气信息与t0时刻的进水水质具有准确的时间对应关系，可将t0时刻的进水水质和t1时刻的出水水质及曝气信息默认为一条完整的曝气采样样本数据，根据开始时刻和结束时刻的时间序列对应关系，读取指标监测组件监测到的若干数据，实现对样本数据的采集。其中，进水水质和出水水质可以包括进水流量、PH值、化学需氧量、生化需氧量、氨氮、污泥浓度、总磷等指标；曝气信息可以包括风量、管道压力和各曝气支管阀门开度值、鼓风机运行频率等指标。
其中，样本数据处理步骤为：对样本数据进行去重处理和检查，对超出区间范围内的异常数据，采用相邻数据点的指标平均值进行代替，利用插值法对缺失的数据进行插补和填充；对样本数据中曝气单元的溶解氧指标进行特征转换，多个曝气单元设置有不同的指标范围，在多个曝气单元的值均满足对应指标范围时，认定溶解氧指标达标；反之，认定溶解氧指标不达标；对样本数据进行归一化处理，得到有效样本数据。
具体地，由于采集到的数据可能存在异常，因此需要对采集到的数据进行去重处理和检查，针对超出区间范围内的异常数据，可采用相邻数据点的指标平均值进行代替，利用插值法对缺失的数据进行插补和填充。此外，需要对曝气单元的输出指标溶解氧进行特征转换，曝气单元C1,C2,C3...Cn的溶解氧DO1,DO2...Don为输出值，曝气单元C1,C2,C3...Cn的溶解氧达标指标范围区间分别为[DO1d,DO1u],[DO2d,DO2u]...[DOnd,DOnu]，其中DOnd、DOnu为曝气单元Cn的溶解氧达标范围的下限和上限值，当曝气单元的溶解氧值均满足各区间范围视为输出溶解氧指标达标；否则认定输出溶解氧指标为不达标。最后，对采样数据进行归一化处理，得到有效样本数据，通过对样本数据的处理，提高样本数据的准确性，以便于提高曝气处理的准确性。
步骤S102，采用前馈神经网络建立初始水质达标预测模型，通过有效样本数据对初始水质达标预测模型进行训练和验证，得到水质达标预测模型。
具体地，通过人工智能算法中的前馈神经网络构建初始水质达标预测模型，用于对出水溶解氧是否达标进行预测，通过处理后得到的有效样本数据对初始水质达标预测模型进行训练和验证，得到水质达标预测模型，通过全面的样本数据使得模型的稳定性得以保证，提高预测结果的可靠性和精度，能够对曝气池出水口处的溶解氧是否达标进行预测，以提高曝气处理效率。
其中，步骤S102包括：以特征转换后输出的溶解氧指标作为输出特征，采集到的进水水质作为输入指标，采用前馈神经网络建立初始水质达标预测模型；将有效样本数据按照70％、15％和15％的比例划分为训练集、验证集和测试集，对初始水质达标预测模型进行训练和验证，调整模型训练参数，得到水质达标预测模型。
具体地，在构建水质达标预测模型时，以特征转换后输出的溶解氧指标为输出指标，采集到的PH、进水流量、污泥浓度、温度、进水五日生化需氧量浓度、出水五日生化需氧量浓度、进水氨氮为输入指标，采用前馈神经网络建立初始水质达标预测模型，隐藏层可以采用激活函数Relu(Rectified Linear Unit，修正线性单元)，并采用dropout(指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃)来避免模型的过拟合，选择Adam(Adaptive Moment Estimation，自适应矩估计)作为参数优化器，例如在系统包含3台鼓风机，6个曝气单元时，神经网络结构为14-8-8-1。
将处理后得到的有效样本数据按照70％，15％，15％的比例划分为训练集、验证集、测试集，对建立的初始水质达标预测模型进行训练和验证，模型训练的流程如图2所示，调整模型训练参数，保存结果准确率最高的模型，得到训练完成的水质达标预测模型。
步骤S103，通过numpy计算库生成包含所有阀门开度和鼓风量组合的多维网格数据，采用遍历查找算法遍历多维网格数据，并输入至水质达标预测模型，得到使曝气达标的组合解。
具体地，设定阀门开度和鼓风量范围，通过numpy计算库对二者进行组合，得到多维网格数据，采用遍历查找算法对多维网格数据进行遍历，并将多维网格数据作为水质达标预测模型的输入，筛选出使得曝气单元出水口水质达标的组合解，该组合解中包括阀门开度和鼓风量，从而实现数据的精细化处理，确保数据的全面性。
其中，步骤S103包括：设定曝气量范围和曝气量的步长，得到所有鼓风量组合，并获取阀门的开度范围和设定的阀门开度步长，得到阀门开度组合；利用numpy计算库生成包含所有阀门开度和鼓风量组合的多维网格数据，采用遍历查找算法遍历多维网格数据，并将多维网格数据输入至水质达标预测模型；通过水质达标预测模型筛选得到使得报请单元出水口达标的组合解和组合解长度，组合解中曝气量值不重复，且曝气量由小到大排序。
具体地，寻找当前情况下使得出水达标的最小总曝气风量和阀门开度的组合解，达到节能降耗的目的，本实施例采用传统优化的遍历寻找算法及遗传算法及相结合的方法来寻找全局最优解组合，首先定义曝气量范围为[n1*进水流量,n2*进水流量]，将曝气量的步长设置为s，取出所有风量组合[Gs1,Gs2...,Gsn]，阀门的开度范围为(1,100)，阀门开度步长设置为10，阀门数值组合为[10,20,30,40,50,60,70,80,90,100]，利用numpy计算库可生成包含所有阀门开度和鼓风量组合的多维网格数据，遍历网格数据并将其作为调用DO达标预测模型的输入，筛选得到使得曝气单元出水口达标的组合解，按照曝气量从小到大排序，筛选出曝气量值不重复的组合解T1(Gs,K1,K2,K3...,Km)，其长度为L。
步骤S104，定义最小曝气量为目标函数，采用交叉变异操作对组合解进行处理，获取输入数据，并将输入数据输入至水质达标预测模型，输出得到最小鼓风量和最小阀门开度。
具体地，为了实现对污水曝气的智能处理，将最小曝气量作为目标函数，采用交叉变异操作对获取的组合解进行处理，得到输入数据，并输入至水质达标预测模型，通过水质达标预测模型处理后，得到最小鼓风量和最小阀门开度，从而实现降低能耗的目的。
其中，步骤S104包括：定义最小曝气量为目标函数，根据实时进水流量，设定曝气量范围、交叉概率和预设初始化种群数量；判断组合解长度与预设初始化种群数量之间的关系，并根据判断结果得到初始种群输入数据；其中，若组合解长度大于或等于预设初始化种群数量，则在组合解中由前至后提取出与预设初始化种群数量相同的多组数据，作为遗传算法的初始种群输入数据；若组合解长度小于预设初始化种群数量，计算预设初始化种群数量与组合解长度的差值，再初始化与差值相同数量的差值输入数据，并合并组合解和差值输入数据，得到遗传算法的初始种群输入数据；根据初始种群输入数据，通过交叉变异操作调用水质达标预测模型，得到最小鼓风量和最小阀门开度。
具体地，在遗传算法中，定义最小曝气风量为目标函数，根据实时进水流量，将曝气量范围定义[n1*进水流量,n2*进水流量]，交叉概率分别为0.75，按照曝气量从小到大排序，如果组合解T1长度L>N，其中N为遗传算法的预设初始化种群数量，选出组合解T1中前N组数据作为遗传算法的初始种群输入数据T；如果T1小于N，则可以采用随机生成等方法再初始化(N-T1)个初始化种群的输入参数，得到差值输入数据T2，合并T1和T2得到遗传算法的初始种群输入数据T。
根据获取的初始种群输入数据T，采用交叉变异操作，调用水质达标预测模型，得到遗传算法下的所需曝气量和阀门开度的最优解(Gs,K1,K2,K3,K4,K5,K6)，Gs代表所需曝气量，K1、K2...Km分别代表m个阀门的开度，根据遗传算法得到的最优解(Gs,K1,K2,K3...,Km)。
步骤S105，定义最小总能耗为目标函数，利用非线性规划对鼓风机组进行分配，得到总能耗最小时鼓风量和阀门开度的最低能耗解，并根据最低能耗解对鼓风量和阀门开度进行控制。
具体地，为了降低能耗，将最小总能耗设置为目标函数，采用非线性规划对鼓风机组进行分配，通过解决非线性规划问题，得到总能耗最小时的鼓风量和阀门开度的最低能耗解，并根据最低能耗解对鼓风量和阀门开度进行控制，从而实现采用最低能耗对鼓风机和阀门的控制，起到了降低能耗的效果。通过水质达标预测模型基于水质、进水流量和外部环境实时预测不同曝气参数组合下的曝气效果，优化计算过程，得到最低能耗下的鼓风机与阀门运行状态组合解，能够自适应调整鼓风机和阀门运行参数，实现污水处理的精确与实时控制，实现节能降耗的目的。
其中，步骤S105包括：获取总曝气量、各鼓风机运行频率限制和最大功率限制，作为约束条件，将最小总能耗作为非线性规划的目标函数，约束条件为：
式中，Gs1、Gs2、Gsn分别为第一台鼓风机、第二台鼓风机及第n台鼓风机所提供的风量；fn为第n台鼓风机的运行频率，fnd、fnu分别为第n台鼓风机运行频率的最小最大值，Pn为第n台鼓风机的出口压力，Pnmax为第n台鼓风机出口压力最大值；根据设定的目标函数，采用optimize优化算法解决在总风量需求下的各鼓风机的运行频率分配的非线性规划问题；鼓风机能耗为：
powern＝f(Qn,Pn,η)
式中，Qn是指单位时间内通过第个n鼓风机的气体体积或重量；Pn是指鼓风机的出口压力；η效率是指罗茨鼓风机的能效系数；其中，每台鼓风机提供的风量为：
Gsn＝f(fn,Qn,f0n,Pn)
式中，Gsn为第n个鼓风机所提供的风量；Qn是指第n个鼓风机在当前运行状态下的实际输出流量，通过仪表测量得到；鼓风机额定频率f0n是指第n个鼓风机出厂时制定的设计频率；fn为第n个鼓风机当前运行的频率；Pn为第n个鼓风机的出口压力；根据非线性规划问题的解，得到总能耗最小时各鼓风机和阀门开度的最低能耗解。
具体地，根据系统所需的总曝气量Gs，各鼓风机运行频率限制分别为((f1d,f1u)、(f2d,pfu)和(fnd,fnu))，最大功率限制分别为(p1max,p2max,pnmax)，将上述参数作为系统的约束条件，其中(f1d,f1u)(f2d,f2u)(fnd,fnu)分别为第一、第二...第n台鼓风机运行频率范围的最小、最大值，(p1max,p2max，..，pnmax)分别为第一、第二、第n台鼓风机的最大输出功率，将总能耗power＝power1+power2+...+powern的最小值定义为非线性规划的目标函数，其中power1、power2、powern分别为第一、第二、第n台鼓风机的能耗，利用非线性规划对鼓风机组进行最佳分配使得系统总能耗最低。以power＝power1+power2+...+powern的最小值为目标函数，使用optimize解决在总风量需求下的各台鼓风机的运行频率分配的非线性规划问题，得到总能耗最小时各鼓风机和阀门开度的最低能耗解，从而实现对污水处理曝气的最低能耗控制，起到了降低能耗的效果。
在本实施例中，通过实时采集曝气池进出水口的数据进行水流量的动态数据采集，得到曝气采样样本数据，处理得到有效样本数据；采用前馈神经网络构建初始水质达标预测模型，通过有效样本数据训练和验证后得到水质达标预测模型；通过numpy计算库生成包含阀门开度和鼓风量组合的多维网格数据，遍历后输入至水质达标预测模型，得到曝气达标的组合解；定义最小曝气量为目标函数，采用交叉变异操作对组合解进行处理后得到输入数据，输入至水质达标预测模型，得到最小鼓风量和最小阀门开度；定义最小总能耗为目标函数，采用非线性规划对鼓风机进行分配，得到最低能耗解，并对各鼓风机和阀门开度进行控制，基于水流量进行动态采样并建模，神经网络模型根据水质、进水流量和外部环境实时预测不同曝气参数组合下的曝气效果，优化计算过程，得到最低能耗下的鼓风机与阀门运行状态组合解，自适应调整鼓风机和阀门运行参数，实现污水处理的精确与实时控制，实现节能降耗的目的。
如图3所示，提供了一种基于人工智能的污水处理智能曝气系统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曝气方法，包括：数据采集模块31、模型构建模块32、数据遍历模块33、交叉变异模块34和曝气控制模块35，其中：
数据采集模块31，用于实时采集曝气池进出水口的数据，进行水流量的动态数据采样，得到曝气采样样本数据，并对所述样本数据进行处理，得到有效样本数据；
模型构建模块32，用于采用前馈神经网络建立初始水质达标预测模型，通过所述有效样本数据对所述初始水质达标预测模型进行训练和验证，得到水质达标预测模型；
数据遍历模块33，用于通过numpy计算库生成包含所有阀门开度和鼓风量组合的多维网格数据，采用遍历查找算法遍历所述多维网格数据，并输入至所述水质达标预测模型，得到使曝气达标的组合解；
交叉变异模块34，用于定义最小曝气量为目标函数，采用交叉变异操作对所述组合解进行处理，获取输入数据，并将所述输入数据输入至所述水质达标预测模型，输出得到最小鼓风量和最小阀门开度；
曝气控制模块35，用于定义最小总能耗为目标函数，利用非线性规划对鼓风机组进行分配，得到总能耗最小时鼓风量和阀门开度的最低能耗解，并根据所述最低能耗解对各鼓风机和阀门开度进行控制。
在一个实施例中，数据遍历模块33具体用于：设定曝气量范围和曝气量的步长，得到所有鼓风量组合，并获取阀门的开度范围和设定的阀门开度步长，得到阀门开度组合；利用numpy计算库生成包含所有阀门开度和鼓风量组合的多维网格数据，采用遍历查找算法遍历多维网格数据，并将多维网格数据输入至水质达标预测模型；通过水质达标预测模型筛选得到使得报请单元出水口达标的组合解和组合解长度，组合解中曝气量值不重复，且曝气量由小到大排序。
在一个实施例中，交叉变异模块34具体用于：定义最小曝气量为目标函数，根据实时进水流量，设定曝气量范围、交叉概率和预设初始化种群数量；判断组合解长度与预设初始化种群数量之间的关系，并根据判断结果得到初始种群输入数据；其中，若组合解长度大于或等于预设初始化种群数量，则在组合解中由前至后提取出与预设初始化种群数量相同的多组数据，作为遗传算法的初始种群输入数据；若组合解长度小于预设初始化种群数量，计算预设初始化种群数量与组合解长度的差值，再初始化与差值相同数量的差值输入数据，并合并组合解和差值输入数据，得到遗传算法的初始种群输入数据；根据初始种群输入数据，通过交叉变异操作调用水质达标预测模型，得到最小鼓风量和最小阀门开度。
在一个实施例中，如图4所示，为基于人工智能的污水处理智能曝气系统的控制流程，基于流量进行动态的数据采样，并根据最小曝气量及阀门开度搜索模型以及出水DO达标预测模型，得到水质达标时鼓风量和阀门开度的组合解，根据最低能耗约束采用风量分配单元模型对各个鼓风机的风量进行分配，通过PLC控制柜设置各个阀门的开度系数和各个鼓风机参数，从而实现对鼓风机和阀门开度的控制，能够在水质达标的同时采用最低能耗实现对污水的处理。
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5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曝气方法。
本领域技术人员可以理解，图5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曝气系统的一部分。
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 (10)
1.一种基于人工智能的污水处理智能曝气方法，其特征在于，包括以下步骤：
实时采集曝气池进出水口的数据，进行水流量的动态数据采样，得到曝气采样样本数据，并对所述样本数据进行处理，得到有效样本数据；
采用前馈神经网络建立初始水质达标预测模型，通过所述有效样本数据对所述初始水质达标预测模型进行训练和验证，得到水质达标预测模型；
通过numpy计算库生成包含所有阀门开度和鼓风量组合的多维网格数据，采用遍历查找算法遍历所述多维网格数据，并输入至所述水质达标预测模型，得到使曝气达标的组合解；
定义最小曝气量为目标函数，采用交叉变异操作对所述组合解进行处理，获取输入数据，并将所述输入数据输入至所述水质达标预测模型，输出得到最小鼓风量和最小阀门开度；
定义最小总能耗为目标函数，利用非线性规划对鼓风机组进行分配，得到总能耗最小时鼓风量和阀门开度的最低能耗解，并根据所述最低能耗解对各鼓风机和阀门开度进行控制。
2.根据权利要求1所述的基于人工智能的污水处理智能曝气方法，其特征在于，所述实时采集曝气池进出水口的数据，进行水流量的动态数据采样，得到曝气采样样本数据，包括：
通过设置在曝气池进出水口的流量计进行数据监测，并通过与所述流量计连接的数据采集设备对监测到的数据进行实时统计和计算；
记开始进水的时间为开始时刻，并将统计到出水口的累计流量达到设置的曝气池有效容积的时间记为结束时刻，所述开始时刻监测得到的进水水质与对应结束时刻监测得到的出水水质和曝气信息为一条完整的曝气采样样本数据。
3.根据权利要求2所述的基于人工智能的污水处理智能曝气方法，其特征在于，所述对所述样本数据进行处理，得到有效样本数据，包括：
对所述样本数据进行去重处理和检查，对超出区间范围内的异常数据，采用相邻数据点的指标平均值进行代替，利用插值法对缺失的数据进行插补和填充；
对所述样本数据中曝气单元的溶解氧指标进行特征转换，多个曝气单元设置有不同的指标范围，在多个曝气单元的值均满足对应的指标范围时，认定溶解氧指标达标；反之，认定溶解氧指标不达标；
对处理后的所述样本数据进行归一化处理，得到有效样本数据。
4.根据权利要求3所述的基于人工智能的污水处理智能曝气方法，其特征在于，所述采用前馈神经网络建立初始水质达标预测模型，通过所述有效样本数据对所述初始水质达标预测模型进行训练和验证，得到水质达标预测模型，包括：
以特征转换后输出的溶解氧指标作为输出指标，采集到的所述进水水质作为输入指标，采用前馈神经网络建立初始水质达标预测模型；
将所述有效样本数据按照70％、15％和15％的比例划分为训练集、验证集和测试集，对所述初始水质达标预测模型进行训练和验证，调整模型训练参数，得到水质达标预测模型。
5.根据权利要求4所述的基于人工智能的污水处理智能曝气方法，其特征在于，所述通过numpy计算库生成包含所有阀门开度和鼓风量组合的多维网格数据，采用遍历查找算法遍历所述多维网格数据，并输入至所述水质达标预测模型，得到使曝气达标的组合解，包括：
设定曝气量范围和曝气量的步长，得到所有鼓风量组合，并获取阀门的开度范围和设定的阀门开度步长，得到阀门开度组合；
利用numpy计算库生成包含所有阀门开度和鼓风量组合的多维网格数据，采用遍历查找算法遍历所述多维网格数据，并将所述多维网格数据输入至所述水质达标预测模型；
通过所述水质达标预测模型筛选得到使得曝气单元出水口达标的组合解和组合解长度，所述组合解中曝气量值不重复，且曝气量由小到大排序。
6.根据权利要求5所述的基于人工智能的污水处理智能曝气方法，其特征在于，所述定义最小曝气量为目标函数，采用交叉变异操作对所述组合解进行处理，获取输入数据，并将所述输入数据输入至所述水质达标预测模型，输出得到最小鼓风量和最小阀门开度，包括：
定义最小曝气量为目标函数，根据实时进水流量，设定曝气量范围、交叉概率和预设初始化种群数量；
判断所述组合解长度与预设初始化种群数量之间的关系，并根据判断结果得到初始种群输入数据；
其中，若所述组合解长度大于或等于预设初始化种群数量，则在组合解中由前至后提取出与预设初始化种群数量相同的多组数据，作为遗传算法的初始种群输入数据；
若所述组合解长度小于预设初始化种群数量，计算预设初始化种群数量与组合解长度的差值，再初始化与所述差值相同数量的差值输入数据，并合并所述组合解和差值输入数据，得到遗传算法的初始种群输入数据；
根据所述初始种群输入数据，通过交叉变异操作调用所述水质达标预测模型，得到最小鼓风量和最小阀门开度。
7.根据权利要求6所述的基于人工智能的污水处理智能曝气方法，其特征在于，所述定义最小总能耗为目标函数，利用非线性规划对鼓风机组进行分配，得到总能耗最小时鼓风量和阀门开度的最低能耗解，包括：
获取总曝气量、各鼓风机运行频率限制和最大功率限制，作为约束条件，将最小总能耗作为非线性规划的目标函数，其中，约束条件为：
式中，Gs1、Gs2、Gsn分别为第一台鼓风机、第二台鼓风机及第n台鼓风机所提供的风量；fn为第n台鼓风机的运行频率，fnd、fnu分别为第n台鼓风机运行频率的最小最大值，Pn为第n台鼓风机的出口压力，Pnmax为第n台鼓风机出口压力最大值；
根据设定的所述目标函数，采用optimize优化算法解决在总风量需求下的各鼓风机的运行频率分配的非线性规划问题；
鼓风机能耗为：
powern＝f(Qn,Pn,η)
式中，Qn是指单位时间内通过第个n鼓风机的气体体积或重量；Pn是指鼓风机的出口压力；η效率是指罗茨鼓风机的能效系数；
其中，每台鼓风机提供的风量为：
Gsn＝f(fn,Qn,f0n,Pn)
式中，Gsn为第n个鼓风机所提供的风量；Qn是指第n个鼓风机在当前运行状态下的实际输出流量，通过仪表测量得到；鼓风机额定频率f0n是指第n个鼓风机出厂时制定的设计频率；fn为第n个鼓风机当前运行的频率；Pn为第n个鼓风机的出口压力；
根据非线性规划问题的解，得到总能耗最小时各鼓风机和阀门开度的最低能耗解。
8.一种基于人工智能的污水处理智能曝气系统，其特征在于，用于实现如权利要求1-7所述的一种基于人工智能的污水处理智能曝气方法，包括：
数据采集模块，用于实时采集曝气池进出水口的数据，进行水流量的动态数据采样，得到曝气采样样本数据，并对所述样本数据进行处理，得到有效样本数据；
模型构建模块，用于采用前馈神经网络建立初始水质达标预测模型，通过所述有效样本数据对所述初始水质达标预测模型进行训练和验证，得到水质达标预测模型；
数据遍历模块，用于通过numpy计算库生成包含所有阀门开度和鼓风量组合的多维网格数据，采用遍历查找算法遍历所述多维网格数据，并输入至所述水质达标预测模型，得到使曝气达标的组合解；
交叉变异模块，用于定义最小曝气量为目标函数，采用交叉变异操作对所述组合解进行处理，获取输入数据，并将所述输入数据输入至所述水质达标预测模型，输出得到最小鼓风量和最小阀门开度；
曝气控制模块，用于定义最小总能耗为目标函数，利用非线性规划对鼓风机组进行分配，得到总能耗最小时鼓风量和阀门开度的最低能耗解，并根据所述最低能耗解对各鼓风机和阀门开度进行控制。
9.一种电子设备，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权利要求1至7中任一项所述的方法的步骤。
10.一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权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310922943.9A CN116956156A (zh) | 2023-07-25 | 2023-07-25 | 一种基于人工智能的污水处理智能曝气方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310922943.9A CN116956156A (zh) | 2023-07-25 | 2023-07-25 | 一种基于人工智能的污水处理智能曝气方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116956156A true CN116956156A (zh) | 2023-10-27 |
Family
ID=88442313
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310922943.9A Pending CN116956156A (zh) | 2023-07-25 | 2023-07-25 | 一种基于人工智能的污水处理智能曝气方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116956156A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117251718A (zh) * | 2023-11-20 | 2023-12-19 | 吉林省拓达环保设备工程有限公司 | 基于人工智能的智能曝气管理系统 |
-
2023
- 2023-07-25 CN CN202310922943.9A patent/CN116956156A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117251718A (zh) * | 2023-11-20 | 2023-12-19 | 吉林省拓达环保设备工程有限公司 | 基于人工智能的智能曝气管理系统 |
| CN117251718B (zh) * | 2023-11-20 | 2024-02-13 | 吉林省拓达环保设备工程有限公司 | 基于人工智能的智能曝气管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107358021B (zh) | 一种基于优化bp神经网络的do预测模型建立方法 | |
| CN111291937A (zh) | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 | |
| CN103903452A (zh) | 交通流短时预测方法 | |
| CN111553468A (zh) | 一种准确预测污水处理厂出水水质的方法 | |
| CN110889085A (zh) | 基于复杂网络多元在线回归的废水智能监控方法及系统 | |
| CN116956156A (zh) | 一种基于人工智能的污水处理智能曝气方法及系统 | |
| CN107247888B (zh) | 基于储备池网络的污水处理出水总磷tp软测量方法 | |
| CN112330065A (zh) | 一种基于基流分割和人工神经网络模型的径流预报方法 | |
| CN115759336A (zh) | 一种面向短期电力负荷预测的预测方法及存储介质 | |
| CN104834975A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
| CN114386700A (zh) | 考虑风光相关性的输电系统规划方法、装置及存储介质 | |
| CN110796303A (zh) | 一种基于ewt和odbscan的短期电力负荷预测方法 | |
| CN117389142A (zh) | 污水处理厂生化反应池预测推演与安全实时控制方法 | |
| CN112767692A (zh) | 基于SARIMA-GA-Elman组合模型的短时交通流量预测系统 | |
| CN111709585A (zh) | 一种空调负荷预测方法、装置及存储介质 | |
| CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
| CN114149076B (zh) | 一种厌氧氨氧化污水处理系统的智能调试系统 | |
| CN115356930A (zh) | 一种污水处理过程中的多目标优化控制系统及方法 | |
| CN115622034A (zh) | 一种基于改进遗传神经网络的物联表电力负荷识别方法 | |
| CN115965134A (zh) | 一种区域电网风力发电功率预测优化方法 | |
| CN114842921A (zh) | 基于线性回归和决策树模型的市政污水除磷药剂投加方法 | |
| CN113255207A (zh) | 基于迭代多输出-马尔科夫链的空分系统氩馏分变量多步预测方法 | |
| Lu et al. | The Markov-exponential grey model for efficient forecasting management | |
| CN111859783A (zh) | 水压预测方法、系统、存储介质、设备、城市供水系统 | |
| CN112801388B (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 |
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 |