CN117170221A - 一种污水处理的人工智能控制系统 - Google Patents
一种污水处理的人工智能控制系统 Download PDFInfo
- Publication number
- CN117170221A CN117170221A CN202311262238.7A CN202311262238A CN117170221A CN 117170221 A CN117170221 A CN 117170221A CN 202311262238 A CN202311262238 A CN 202311262238A CN 117170221 A CN117170221 A CN 117170221A
- Authority
- CN
- China
- Prior art keywords
- intelligent
- water quality
- sewage treatment
- data
- model
- 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 147
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 145
- 238000000034 method Methods 0.000 claims abstract description 90
- 230000008569 process Effects 0.000 claims abstract description 70
- 238000005457 optimization Methods 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 238000004519 manufacturing process Methods 0.000 claims abstract description 34
- 230000007246 mechanism Effects 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 239000000126 substance Substances 0.000 claims abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 230000008447 perception Effects 0.000 claims description 56
- 230000006870 function Effects 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000004065 wastewater treatment Methods 0.000 claims description 10
- 238000010206 sensitivity analysis Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 abstract description 13
- 239000002699 waste material Substances 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 230000002068 genetic effect Effects 0.000 description 12
- 238000007726 management method Methods 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 9
- 206010063385 Intellectualisation Diseases 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 239000010802 sludge Substances 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 230000004907 flux Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N ammonia Natural products N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 229910000069 nitrogen hydride Inorganic materials 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000005273 aeration Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010992 reflux Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 239000011734 sodium Substances 0.000 description 2
- 229910052708 sodium Inorganic materials 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009699 differential effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Landscapes
- Activated Sludge Processes (AREA)
Abstract
本发明公开了一种污水处理的人工智能控制系统，智能感知层用于收集污水处理系统的进水水质参数、核心断面水质参数以及出水水质参数，并根据感知数据建立水质智能预测模型，通过智能预测模型输出预测的核心断面水质参数和出水水质参数；智能决策层用于建立能够体现污水处理过程中的物理、化学和生物反应机制的污水处理模型，在污水处理模型中融入专家知识和经验；智能执行层用于获取智能决策层多目标优化和决策分析的结果，通过应用模型预测控制算法生成操作指令；将操作指令发送至执行设备来执行操作。本发明的污水处理的人工智能控制系统，具有能够提高污水厂生产运营效率、降低环境风险、减少资源浪费、提高数字化和智能化水平等优点。
Description
技术领域
本发明涉及污水处理技术与人工智能交叉领域，尤其是一种污水处理的人工智能控制系统。
背景技术
污水厂是关键的基础设施。基础设施的功能是负责处理和处理城市和工业区域的废水，以保护环境和公共卫生。然而，传统的污水厂生产运营面临着一系列挑战和问题，限制了其效率和可持续性。这些问题包括数据采集不及时、决策缺乏科学依据、执行控制不精确等。这些问题导致很多污水厂运营效率低下、资源利用不充分，甚至可能对环境造成不良影响。
人工智能AI技术的发展，为改善污水厂的生产运营、提高运行效率提供了可能性。目前，人工智能技术可以应用于污水厂的各个方面，包括数据采集、水质分析预测、决策支持和自动化控制。通过将人工智能技术引入污水厂生产运营，可以实现数据的实时采集和分析，提高水质预测和异常预警的准确性和及时性，为决策提供科学依据，实现精确的执行控制。
现有技术中，人工智能在污水处理领域已经取得了一些重要成果和应用案例。例如，基于机器学习和深度学习的水质监测系统可以对大量的水质数据进行分析和预测，帮助运营人员及时发现水质异常，并采取相应的措施。智能决策支持系统可以整合污水厂的各种数据和知识资源，进行决策分析、优化调度和风险评估，提高生产运营的效率和准确性。自动化控制算法和智能执行策略可以实现精确的水务系统控制和调节，优化运营成本并节约资源。
然而，目前存在的智能水务系统仍然存在一些局限性。首先，由于数据集成与分析的能力有限，数据获取和分析困难，导致数据的利用率和价值不高。传统污水厂数据采集和处理手段相对落后，难以实现对全面参数、全断面、全流程的实时监测和分析，导致对污水质量、处理过程等关键信息的掌握不准确，无法及时发现异常情况和进行预测预警。
其次，目前污水处理过程的决策模型缺乏灵活性，决策和执行效果难以优化，无法适应不同污水厂的特点和需求。传统污水厂的决策过程多依赖人工经验和简单的模型，无法全面考虑多因素影响和复杂的动态变化，导致决策效果不佳。此外，执行过程中缺乏智能化的控制和调节手段，无法实现精确的控制和优化的运行。
再次，目前污水处理过程数字化和智能化程度低而且控制算法的精确性有待提升，传统污水厂生产运营工作大多依赖人工操作和经验判断，缺乏系统化的数字化和智能化支持，这导致管理效率低下、决策准确性不高、运营成本较高等问题，无法满足复杂的生产运营要求。
因此，基于传统污水厂生产运营存在数字化和智能化程度低、数据获取和分析困难、决策和执行效果难以优化等一系列技术问题，污水厂生产运营需要一种新的智能数字化管理手段，综合解决上述几个问题，以提高生产运营效率、优化资源利用和降低环境风险。
发明内容
本发明是为避免上述已有技术中存在的不足之处，提供一种污水处理的人工智能控制系统，以提高污水厂生产运营的效率、降低环境风险、减少资源浪费、提高污水厂的数字化和智能化水平。
本发明为解决技术问题采用以下技术方案。
本发明的一种污水处理的人工智能控制系统，其特征是，包括智能感知层、智能决策层和智能执行层；
所述智能感知层，用于收集污水处理系统的进水水质参数Qj、核心断面水质参数Qh以及出水水质参数Qc，并根据感知数据建立水质智能预测模型，通过智能预测模型输出预测的核心断面水质参数Qh和出水水质参数Qc；
所述智能决策层，用于建立能够体现污水处理过程中的物理、化学和生物反应机制的污水处理模型，在污水处理模型中融入专家知识和经验，进而优化处理过程，提高效率，通过融合的知识经验根据不同的运营目标进行多目标优化和决策分析；
所述智能执行层，用于获取智能决策层多目标优化和决策分析的结果，通过应用智能控制生成操作指令；将操作指令发送至执行设备来执行操作；在执行过程中，监测执行结果并实时反馈执行结果，并将执行结果与预期目标进行比对和分析，根据比对和分析的结果进行调整和优化。
本发明的一种污水处理的人工智能控制系统的技术特点也在于：
进一步地，所述智能感知层的工作过程包括如下步骤：
步骤11：收集污水处理系统的感知数据，并对感知数据进行预处理；所述感知数据包括进水水质参数Qj、核心断面水质参数Qh以及出水水质参数Qc；
步骤12：识别感知数据的数据类型，提取感知数据的特征，并对所提取的感知数据的特征进行敏感性分析；
步骤13：应用机器学习算法，对感知数据进行水质智能预测模型的建模和训练；
步骤14：计算水质智能预测模型的结构参数，并根据水质智能预测模型最终输出感知数据的预测结果。
进一步地，所述步骤11中，对感知数据进行预处理的过程包括如下步骤：
步骤111：感知数据清洗步骤；数据清洗包括去除噪声、处理缺失值和异常值；
步骤112：感知数据规格化步骤；数据规格化包括数据归一化或者数据标准化；
步骤113：感知数据的特征工程步骤；
步骤114：感知数据对齐步骤。
进一步地，所述步骤12中，确定步骤11中预处理后的感知数据的类型，建立样本库；对提取的感知数据的类型的特征信息进行敏感度分析，获得特征信息的重要性得分，根据特征信息的重要性得分，将重要性得分低于阈值的特征剔除。
进一步地，所述步骤13中，所述机器学习算法为决策树算法、支持向量机算法、随机森林算法或神经网络算法中的一种或几种。
进一步地，所述步骤14中，所述水质智能预测模型的结构包括层数、节点数量、学习率和损失函数。
进一步地，所述智能决策层的工作过程包括如下步骤：
步骤21：建立污水处理机理模型；
步骤22：将专家知识和专家经验融合到污水处理机理模型中；
步骤23：优化处理过程，提高生产运营效率。
进一步地，所述步骤21中，所述污水处理机理模型，用于理解和描述污水处理过程中的物理、化学和生物反应机制。
进一步地，所述步骤22中，将专家知识和专家经验转化为可计算的规则和模型，融入到污水处理机理模型中。
进一步地，所述步骤23中，构建污水处理机理模型的优化处理过程中，使用多目标优化加权和法设定权重和目标函数进行多目标优化和决策分析。
Z＝∑(Wi*Fi(C1,C2,...,Cn)),i∈{1,2,...,n} (11)
式子(11)中，Z为总的优化目标值，表示最小化水质预测目标参数的加权和；Wi为与目标函数Fi(C1,C2,...,Cn)相关的权重，表示第i个水质参数的权重；Fi(C1,C2,...,Cn)为第i个优化目标函数，是水质参数C1,C2,...,Cn的复杂函数；Ci表示指定的水质参数，i表示参数的索引，范围从1到n；n表示优化问题的目标数量。
与已有技术相比，本发明有益效果体现在：
本发明公开了一种污水处理的人工智能控制系统，其智能感知层用于收集污水处理系统的进水水质参数、核心断面水质参数以及出水水质参数，并根据感知数据建立水质智能预测模型，通过智能预测模型输出预测的核心断面参数和出水水质参数；智能决策层用于建立能够体现污水处理过程中的物理、化学和生物反应机制的污水处理模型，在污水处理模型中融入专家知识和经验，进而优化处理过程，提高效率；智能执行层用于获取智能决策层多目标优化和决策分析的结果，通过应用模型预测控制算法生成操作指令；将操作指令发送至执行设备来执行操作。
本发明的一种污水处理的人工智能控制系统，通过将数字化和智能化应用于污水厂生产运营工作，提供了一种高效的管理手段。它整合了先进的数据采集、预测、决策和执行技术，使得污水厂生产运营工作具体化，并引领其向数字化和智能化方向发展。该系统的应用能够提高污水厂生产运营的效率、降低环境风险、减少资源浪费，为污水厂实现人工智能化的生产运营目标做出了重要贡献。
本发明的污水处理的人工智能控制系统，具有能够提高污水厂生产运营的效率、降低环境风险、减少资源浪费、提高污水厂的数字化和智能化水平等优点。
附图说明
图1为本发明的一种污水处理的人工智能控制系统的框架图。
图2为本发明的一种污水处理的人工智能控制系统的智能预测模块模型的结构示意图。
以下通过具体实施方式，并结合附图对本发明作进一步说明。
具体实施方式
参见图1～图2，本发明的一种污水处理的人工智能控制系统，其特征是，包括智能感知层、智能决策层和智能执行层；
所述智能感知层，用于收集污水处理系统的进水水质参数Qj、核心断面水质参数Qh以及出水水质参数Qc，并根据感知数据建立水质智能预测模型，通过智能预测模型输出预测的核心断面水质参数Qh和出水水质参数Qc；
其中，Qj包括进水COD、进水NH3、进水TN、进水TP、进水流量、进水PH等，可以用一维向量Qj＝[Qj1，Qj2，Qj3，Qj4，Qj5，Qj6]来表示，其中Qj1、Qj2、Qj3、Qj4、Qj5和Qj6分别用于表示进水COD、进水NH3、进水TN、进水TP、进水流量、进水PH等参数。
Qh包括断面COD、断面NH3、断面TN、断面TP、断面PAC流量、断面PAM流量、断面DO、断面风量、断面MLSS、断面O3、断面SS、断面次钠流量、断面碳源流量等；，可以用一维向量Qh＝[Qh1，Qh2，Qh3，Qh4，Qh5，Qh6，Qh7，Qh8，Qh9，Qh10，Qh11，Qh12，Qh13]来表示；其中Qh1、Qh2、Qh3、Qh4、Qh5、Qh6、Qh7、Qh8、Qh9、Qh10、Qh11、Qh12、Qh13分别用于表示断面COD、断面NH3、断面TN、断面TP、断面PAC流量、断面PAM流量、断面DO、断面风量、断面MLSS、断面O3、断面SS、断面次钠流量、断面碳源流量等参数。
Qc包括出水COD、出水NH3、出水TN、出水TP、出水DO等，可以用一维向量Qc＝[Qc1，Qc2，Qc3，Qc4，Qc5]来表示；其中Qc1、Qc2、Qc3、Qc4和Qc5分别用于表示出水COD、出水NH3、出水TN、出水TP、出水DO等参数。
所述智能决策层，用于建立能够体现污水处理过程中的物理、化学和生物反应机制的污水处理模型，在污水处理模型中融入专家知识和经验，进而优化处理过程，提高效率，通过融合的知识经验根据不同的运营目标进行多目标优化和决策分析；
所述智能执行层，用于获取智能决策层多目标优化和决策分析的结果，通过应用智能控制生成操作指令；将操作指令发送至执行设备来执行操作；在执行过程中，监测执行结果并实时反馈执行结果，并将执行结果与预期目标进行比对和分析，根据比对和分析的结果进行调整和优化。
本发明的一种污水处理的人工智能控制系统，以污水厂生产运营为目标，结合人工智能水务控制技术发展需求和污水厂实际运营情况，提出了一种高效的智能信息化管理手段。
首先，本发明的一种污水处理的人工智能控制系统通过智能感知模块实现了数据采集的实时性和全面性。利用先进的传感器和监测设备，实时监测污水厂的关键参数和指标，如水质、流量、压力等。通过数据采集和处理技术，将采集到的数据进行整合、清洗和转化，形成高质量的数据集，为后续的分析和决策提供可靠的基础。
其次，该系统的智能预测模块利用机器学习和统计分析方法对污水厂的运行数据进行建模和预测。通过分析历史数据和实时数据，建立精确的水质预测模型和异常检测算法。这样可以及时预测和识别可能出现的异常情况，并提供相应的预警信息，帮助运营人员采取及时有效的措施，避免潜在的环境风险。
再次，该系统的智能决策模块结合了机理模型、专家知识和经验，为生产运营提供科学的决策支持。基于污水厂的特点和需求，建立了灵活的决策模型，可以根据实际情况进行个性化的决策分析和优化调度。同时，该模块还整合了专家知识和经验，提供专业的建议和指导，帮助运营人员做出准确、有效的决策。
最后，该系统的智能执行模块实现了精确的水务系统控制和调节。采用智能控制和执行策略，实现了污水厂生产运营过程的数字化和智能化。这样可以精确地控制和调节污水处理过程中的关键参数，优化生产运营成本，节约资源，并确保污水厂的稳定运行和高效运营。通过引入该污水处理人工智能控制系统，污水厂生产运营工作得到了实质性的改善。系统的数据采集和预测功能提高了数据的质量和时效性，为决策和执行提供了可靠的依据。智能决策模块的应用使得污水厂管理人员能够基于科学模型和专家知识做出准确的决策，实现优化的运营调度和风险评估。智能执行模块的引入使得污水处理过程变得数字化和智能化，实现了精确的控制和调节，提高了系统的稳定性和运行效率。
具体实施时，所述智能感知层的工作过程包括如下步骤：
步骤11：收集污水处理系统的感知数据，并对感知数据进行预处理；所述感知数据包括进水水质参数Qj、核心断面水质参数Qh以及出水水质参数Qc；
步骤12：识别感知数据的数据类型，提取感知数据的特征，并对所提取的感知数据的特征进行敏感性分析；
步骤13：应用机器学习算法，对感知数据进行水质智能预测模型的建模和训练；
步骤14：计算水质智能预测模型的结构参数，并根据水质智能预测模型最终输出感知数据的预测结果。
具体实施时，所述步骤11中，对感知数据进行预处理的过程包括如下步骤：
本发明中，在利用自动取样检测系统收集感知数据的基础上，利用相关数据处理软件和人工预处理经验来对感知数据进行预处理。
步骤111：感知数据清洗步骤；数据清洗包括去除噪声、处理缺失值和异常值；
通过将感知数据的去除噪声、处理缺失值和异常值等处理过程，确保感知数据的完整性和准确性。
步骤112：感知数据规格化步骤；数据规格化包括数据归一化或者数据标准化；
数据规格化指对数据的规范化处理，包括标准化、归一化、中心化和对数化等方法。本发明中，采用感知数据归一化或感知数据标准化的方式，使不同特征具有相同的尺度和权重，避免某些特征对预测结果产生过大影响。归一化是将样本的特征值转换到同一量纲下，把感知数据映射到[0，1]或者[-1，1]区间内，仅由变量的极值决定。标准化是依照特征矩阵的列处理感知数据，其通过求z-score标准化的方法，转换为标准正态分布，和整体样本分布相关，每个样本点都能对标准化产生影响。
步骤113：感知数据的特征工程步骤；
本发明的系统中采用特征工程的特征提取方法来提取感知数据中的关键特征。特征工程是利用领域知识从原始数据中提取特征的过程，它可以帮助我们减少冗余信息，选择有用的特征，从而提高模型性能。特征提取采用了皮尔逊相关性分析方法，衡量感知数据各个特征之间的线性相关性，确定特征与目标变量之间线性关系强度和方向，进行特征提取的公式见下式(1)。
式子(1)中，Xi和Yi分别表示样本中的第i个数据点的水质参数X和水质参数Y的取值；和/>分别表示水质参数X和水质参数Y的均值；n表示样本数据点的总数。
所述特征工程步骤，用于提取感知数据中的关键特征，并进行降维或选择有用的特征，减少冗余信息。特征工程或特征提取或特征发现是利用领域知识从原始数据中提取特征(特性、属性、属性)的过程。
步骤114：感知数据对齐步骤。
本发明中，采用时间戳和空间信息对感知数据进行时空对齐。在感知数据收集和存储过程中，使用时间戳来标记每个数据点的时间。然后，通过比对时间戳，确保不同数据源或不同时间采集的数据能够在时间维度上对齐；通过空间坐标信息或标识符对不同空间位置采集的数据进行对齐。
对数据进行时空对齐，目的是确保数据的一致性和连续性。
具体实施时，所述步骤12中，确定步骤11中预处理后的感知数据的类型，建立样本库；对提取的感知数据的类型的特征信息进行敏感度分析，获得特征信息的重要性得分，根据特征信息的重要性得分，将重要性得分低于阈值的特征剔除。
感知数据的类型包括水质数据类型，如氨氮、总氮、总磷浓度和PH值等；流量数据类型，如进水流量和出水流量等；生物数据浓度，如活性污泥浓度和微生物生长速率等。对提取的感知数据的类型的特征信息进行敏感度分析，使用XGBoost内置的Gain增益方法计算每个特征用于分裂的平均增益。Gain方法考虑了每次分裂对于减小不纯度的影响，并对所有分裂的影响进行加权，获得特征信息的重要性得分，分析特征信息的敏感度，反映特征对于模型预测的贡献程度。
通过对特征重要性得分的相对度量，分析特征信息的敏感度强弱，基于设定的阈值，将重要性低于阈值的特征剔除，并加入特征贡献度较高的有益指标。
式子(2)中，k表示节点；T表示所有树的数量；N(t)表示第t棵树的非叶子节点数量；β(t,i)表示第t棵树的第i个非叶子节点的划分特征,β(.)∈1,2,...,K；I(.)是指示函数；,Hγ(t,i)分别表示落在第t棵树的第i个非叶子节点上所有样本的一阶导数和二阶导数之和；/>和/>分别表示落在第t棵树上第i个非叶子节点的左、右节点上的一阶导数之和；Hγ(t,i,L)和Hγ(t,i,R)分别表示落在第t棵树上第i个非叶子节点的左、右节点上的二阶导数之和；λ为正则化项的超参数。
步骤12中，依据智能控制系统的具体需求和问题，确定感知数据的类型，并建立相应的样本库。通过分析步骤11中预处理后的数据特征，提取相关数据类型的类型的特征信息，并进行敏感度分析，并剔除对预测结果影响较小的特征，并加入有益的指标，以提高智能预测模型的准确性和效率，增强数据类型的区分度，以此作为智能感知的主要数据来源。
具体实施时，所述步骤13中，所述机器学习算法为决策树算法、支持向量机算法、随机森林算法或神经网络算法中的一种或几种。
步骤13中，应用机器学习算法对感知数据进行建模和训练。根据预测问题的类型和数据特点，选择适当的机器学习算法，如决策树、支持向量机、随机森林、神经网络等。通过对训练数据进行学习和优化，设计合适的网络结构，构建水质智能预测模型，进行特征提取，并根据水质智能预测模型的训练效果进行调整和改进。
为提高方法效率和可靠性，本发明采用GA_XGBoost模型作为基本框架，首先，根据要解决的问题设置适应度函数和优化参数；其次，它进行参数编码以及创建一个包含优化参数的初始种群，设置种群数量、每一代保留的个体数量以及参数优化范围；最后，通过精英选择策略获得每次迭代的最佳结果。本发明利用遗传算法GA(Genetic Algorithm)对GA_XGBoost的4个参数进行优化，通过精英保留策略选择最佳个体，GA_XGBoost优化参数的含义如表1所示。
GA_XGBoost模型适应度函数设置：以真实值yi与预测值的误差作为适应度函数Ft，以确定模型的拟合效果。
式子(3)中，yi为第i个输入的水质参数的真实值；为第i个输入的水质参数中所有数值的平均值；/>为目标水质参数预测值。
遗传算法标准的数学模型GA可表示为：
GA＝{C，Ft，P0，N，Sl，Cr，Mu，Te} (4)
式子(4)中，C为水质参数的编码方式，表示将水质参数的不同属性(如进水COD、出水COD等)编码为可供算法操作的形式；Sl为遗传操作的选择算子，表示选择预测效果最好的水质参数组合，以用于下一代的进化；Cr为遗传操作的交叉算子，表示组合不同水质参数的特征生成的新的水质参数组合；Mu为遗传操作的变异算子，表示在水质参数中引入随机变化，探索得到的新水质参数组合；Ft为适应度函数，是衡量水质预测模型的预测结果与实际观测值之间的拟合程度；P0为初始种群，表示初始的水质参数组合；N为种群大小，表示每一代中水质参数组合的数量；Te为遗传算子结束条件，表示在水质预测中达到了停止迭代的条件。
XGBoost的最优参数的计算过程包括以下步骤。
(1)GA_XGBoost模型相关参数设置，模型迭代次数M、初始种群数N、交叉和变异概率PC、Pm。
(2)设定GA_XGBoost模型优化参数的搜所范围。
(3)针对目标问题进行编码，即将水质参数进行合适的编码以供遗传算法优化。
(4)种群初始化，随机生成N个初始种群C(t)，每个个体表示一组水质参数。
(5)计算种群C(t)的个体适应度，适应度函数可基于水质预测误差来定义。
(6)利用选择算子Sl选择新的群体C(t1)。
(7)基于新的群体C(t1)，通过交叉算子Cr以概率PC产生新的群体C(t2)，保留产生的最优个体，不参加下一轮的交叉操作。
(8)基于新的群体C(t2)，利用变异算子Mu以一定概率Pm生成新的群体C(t3)，保留产生的最优个体，不参加下一轮的交叉操作。
(9)当达到遗传算子结束条件T，找到理想的适应度值，停止进化。通过适应度函数筛选个体适应度，然后选择出最佳个体，对此个体进行解码操作，以此获得XGBoost的最优水质参数组合，实现GA_XGBoost模型最优解的计算，提高水质预测模型精度。
XGBoost的模型学习过程如下：(1)首先将第一个弱学习器拟合到整个水质参数输入数据空间；(2)然后将第二个模型拟合到这些残差上，以克服弱学习器的缺点；(3)重复几次拟合过程，直到满足停止准则；(4)通过每个学习器的预测之和得到模型的最终水质参数预测。
XGBoost模型旨在防止过拟合、优化计算资源，原理是通过简化目标函数而获得的，该目标函数允许组合水质参数预测项和正则化项，同时保持最佳计算速度。与传统机器学习算法相比，XGBoost的目标函数可以表示成损失函数+正则化项。
式子(5)中yi表示第i个水质参数样本真实值，n代表导入第k棵树的水质参数样本数量和，k表示树的总和。
表示损失函数，衡量真实水质参数标签实际值yi与水质参数预测值之间的差异。/>表示正则化项。XGBoost在迭代每棵树的过程中，都最小化obj以获得最优/>同时，最小化了模型的错误率和模型的复杂度。
经过第t次迭代：
将式子(7)二阶泰勒展开：
式子(8)和(9)中，gi表示一阶导数，hi表示二阶导数。
正则化项求解，定义如下式(10)：
式子(10)中，γ和λ表示正则项系数，T表示叶子节点个数，wtm表示第t次迭代的弱学习器第m个叶子节点的值。
本发明考虑了水质预测问题的复杂性和数据的多样性，为了构建水质智能预测模型，选择了XGBoost作为基本机器学习框架。XGBoost在解决回归问题上表现出色，能够有效处理大规模数据集，具有高度的可解释性和稳定性。利用XGBoost对感知数据做特征重要性评估，提取感知数据中的关键特征，降低模型的复杂性，提高模型泛化能力。XGBoost模型的训练是一个迭代过程，每一轮迭代都会拟合一个新的弱学习器，该学习器专注于修正前一轮模型的错误。通过多轮迭代，模型不断改进，最终形成强大的集成模型。并使用遗传算法来优化XGBoost模型的参数配置，让模型更好地适应水质预测问题，通过遗传算法自动搜索最佳的水质参数组合，根据真实水质参数标签实际值与预测值之间的误差设计适应度函数，确保参数的优化与实际水质数据契合，遗传算法通过精英保留策略选择每次迭代的最佳结果，以提高模型性能。
构建并优化的水质智能预测模型可以应用于实际水质预测问题。模型利用感知数据的关键特征，结合水质参数等信息，进行水质预测。由于模型经过训练和优化，因此具有高度的准确性和适应性，能够根据实际情况提供可靠的水质预测结果。
具体实施时，所述步骤14中，所述水质智能预测模型的结构包括层数、节点数量、学习率和损失函数。
步骤14中，设计水质智能预测模型的结构和参数。根据具体的预测问题和算法选择，确定模型的层数、节点数量、学习率等参数，以及合适的损失函数和优化算法。通过训练和优化，得到能够对感知数据进行准确预测的水质智能预测模型，并通过水质智能预测模型来最终输出包括核心断面MLSS、核心断面O3、出水COD、出水TN、出水NH3、出水TP、出水流量等多个水质参数在内的预测结果。
具体实施时，所述智能决策层的工作过程包括如下步骤：
步骤21：建立污水处理机理模型；
步骤22：将专家知识和专家经验融合到污水处理机理模型中；
步骤23：优化处理过程，提高生产运营效率。
智能决策层是污水处理的人工智能控制系统的核心部分，它基于机理模型、专家知识和经验构成，为污水处理过程提供科学的决策支持。智能决策层的工作包括：机理模型的应用、专家知识和经验的整合和优化处理过程并提高生产运营效率等三个部分。
具体实施时，所述步骤21中，所述污水处理机理模型，用于理解和描述污水处理过程中的物理、化学和生物反应机制。
污水处理机理模型，如ASM(Activated Sludge Model)污水处理模型，本发明的系统能够理解和描述污水处理过程中的物理、化学和生物反应机制。通过对污水处理过程的建模和仿真，系统可以预测不同操作条件下的污水处理效果，辅助决策分析。机理模型提供了污水处理过程的理论支持，帮助系统理解运行过程中的复杂性和相互关系。
具体实施时，所述步骤22中，将专家知识和专家经验转化为可计算的规则和模型，融入到污水处理机理模型中。
步骤22中，本发明的系统整合了污水处理领域的专家知识和经验，包括运营人员的实践经验、工艺优化的专业知识等。通过专家系统的方法，将专家知识和经验转化为可计算的规则和模型，使其成为决策过程中的可靠参考。专家知识和经验的整合能够提供更加精准和可靠的决策支持，帮助系统快速响应污水处理过程中的变化和异常情况。
具体实施时，所述步骤23中，构建污水处理机理模型的优化处理过程中，使用多目标优化加权和法设定权重和目标函数进行多目标优化和决策分析。
Z＝∑(Wi*Fi(C1,C2,...,Cn)),i∈{1,2,...,n} (11)
式子(11)中，Z为总的优化目标值，表示最小化水质预测目标参数的加权和；Wi为与目标函数Fi(C1,C2,...,Cn)相关的权重，表示第i个水质参数的权重；Fi(C1,C2,...,Cn)为第i个优化目标函数，是水质参数C1,C2,...,Cn的复杂函数；Ci表示指定的水质参数，i表示参数的索引，范围从1到n；n表示优化问题的目标数量。
所述步骤23中，系统根据污水处理的目标和运营要求，优化处理过程，提高生产运营效率。通过设定不同的权重和目标函数，系统能够根据不同的运营目标，进行多目标优化和决策分析。优化处理过程使得系统能够综合考虑经济效益、环境影响、资源利用等多个因素，以实现综合效益的最大化。
通过以上步骤21-步骤23，智能决策模块将机理模型、专家知识和经验以及优化处理过程有机结合，通过数据分析、模型推理和优化算法，提供具有科学依据的决策支持。系统可以根据实时的感知数据、预测结果和运营要求，进行运行调整、异常情况处理、优化参数设置等决策操作。智能决策模块的应用能够提高污水处理过程的稳定性、效率和可持续性，为污水厂的生产运营提供精确、可靠的决策支持。
本发明的智能执行层中，基于人工智能技术和控制算法实现智能执行，包括以下步骤：
步骤31：获取决策结果并进行解析；使用规则引擎，将决策结果中的关键信息提取出来，从智能决策模块获取决策结果，使用文本处理技术中的关键词提取方法结合规则引擎解析对结果进行解析和处理，根据解析后的信息，进行数据转换处理，确保结果的准确性和可用性。将决策结果转化为可理解的形式，例如操作指令、控制参数或动作序列等，为后续的执行步骤做准备。
步骤32：根据决策结果进行操作指令的生成；根据决策结果生成相应的操作指令。考虑系统约束条件，最小化控制量D(t)，实现精确的智能控制。应用智能控制进行操作指令的生成，通过优化算法生成最优的操作指令，生成的操作指令应用于污水处理系统，调整水质控制参数(如曝气风量、药剂添加量、碳源投加量、回流比例等)，达到对控制目标要求的改变，以实现对污水处理过程的精确控制。智能控制综合考虑了系统约束、目标优化和模型预测，能够在保证系统稳定性的前提下，实现智能化的执行过程。
D(t)＝Kp·(R(t)-O(t)) (12)
式子(12)中，Kp为比例增益，用于调整控制量D(t)的灵敏度；R(t)为目标值，即系统水质参数目标值，如出水COD、出水NH3等浓度的目标值；O(t)为预测到的水质参数值，如实际预测到的出水COD、出水NH3等浓度的预测值。
步骤33：利用控制系统执行操作指令；利用控制系统执行生成的操作指令。通过与设备或系统的接口进行通信和交互，发送操作指令并控制设备执行相应的操作，例如打开、关闭、调节等，实现智能化的执行过程。在应用智能控制时，操作指令的生成可以基于智能控制优化的结果，确保污水处理过程按照优化的策略进行调节和控制。
步骤34：、监测执行过程，并实时反馈执行结果；监测执行过程，并实时反馈执行结果。通过传感器、监测设备或系统反馈，获取执行过程中的数据和状态信息，包括执行进度、执行结果、环境参数等，以实时了解执行情况。特别地，在应用智能控制时，可以监测实际系统的反馈信息，并将其与模型预测的结果进行对比，以评估控制效果和系统性能。
步骤35：根据执行结果进行反馈调整和优化。根据执行结果进行反馈调整和优化，将执行结果与预期目标进行比对和分析，应用反馈量CO调整污水处理系统中的关键水质参数，使得预测的水质参数结果值逐渐趋向于目标实际值。根据反馈信息对模型参数、约束条件、优化目标等进行调整和优化。特别地，在智能控制中，反馈信息基于实际的污水处理系统性能和水质参数指标可以用于修正模型预测、重新优化操作指令，通过反馈优化和调整以持续优化系统的运行效果，确保污水处理系统在变化的条件下保持水质参数在所需范围内。
CO＝KP*Eor+Ki+Kd*∫Eor dt+Kd*d(Eor)/dt (13)
式子(13)中，KP为比例系数，用于根据当前误差调整控制量，表示比例作用的强度；Eor为控制误差，表示当前水质参数预测值与当前水质参数目标实际值之间误差；Ki为积分系数，用于考虑误差随时间积累的影响，表示积分作用的强度；Kd为微分系数，用于考虑误差随时间变化速度的影响，表示微分作用的强度；∫Eor dt为误差随时间的积分，考虑误差的积累；d(Eor)/dt为误差随时间的变化率，考虑误差的趋势。
本发明的一种污水处理的人工智能控制系统，通过智能感知、智能决策和智能执行三个核心部分的技术方案，可以实现智能控制系统的智能化管理和优化，提高水资源利用效率、降低运营成本，并为决策者提供科学、准确的决策依据。
本发明的一种污水处理的人工智能控制系统，将污水处理技术与人工智能技术相结合，以智能感知、智能决策、智能执行三个部分为核心组成。在智能感知方面，通过数据采集、智能预测、智能预警相结合，用于实时采集获取数据，进行水质分析预测，及时发现异常情况提供预警信息，实现全参数、全断面、全流程预测预警。在智能决策方面，通过机理模型、专家知识和经验、优化处理过程相结合，用于整合各种数据和知识资源，进行决策分析、优化调度和风险评估，实现智能化水务决策支持。在智能执行方面，通过智能控制和执行策略相结合，用于自动化控制算法和智能化执行策略，实现水务系统精确控制和调节，优化运营成本并节约资源。本发明结合人工智能水务技术发展需求以及污水厂实际运营情况，实现污水厂生产运营工作的数字化与智能化，提供了一种高效的智能数字化管理手段，提高运营效率、降低成本，帮助污水厂实现数字化智能生产运营。
本发明的一种污水处理的人工智能控制系统，具有以下几个方面的特点。
1、本发明的一种污水处理的人工智能控制系统，能够实现智能化的污水处理生产运营，包括污水处理工艺优化、运行监控和异常预警等方面。通过智能算法和数据分析，系统能够提高污水处理效率，降低能耗和化学品使用量，同时确保出水达到环境标准。
2、本发明的一种污水处理的人工智能控制系统，具备智能监测和实时预警功能，能够监测污水厂的进水水质、污泥浓度、设备运行状态等关键指标。系统能够及时发现异常情况，如设备故障或水质异常，并提供预警信息，帮助污水厂管理人员迅速采取措施，防止事故发生或减少其影响。
3、本发明的一种污水处理的人工智能控制系统，支持智能化的污水处理过程控制。通过实时监测数据和先进的控制算法，系统能够自动调节污水处理工艺参数，如曝气量、污泥回流比例等，以优化处理效果，并提高处理系统的稳定性和可靠性。
4、本发明的一种污水处理的人工智能控制系统，提供智能决策支持，基于历史数据和预测模型，系统能够生成合理的操作建议和优化方案，如污泥处理计划、化学品投加量等。这有助于污水厂管理人员制定科学的决策策略，提高污水处理的效率和资源利用效果。
5、本发明的一种污水处理的人工智能控制系统，具备节能减排和环境保护的特点。通过优化污水处理工艺和能源利用，系统能够降低污水处理过程中的能耗和碳排放，减少对环境的负面影响。同时，系统能够监测排放水质和环境参数，及时发现异常情况，并采取措施减少污染物的排放。
本发明的一种污水处理的人工智能控制系统，系统提供集中化的管理平台和安全机制，确保污水处理数据的安全性和可靠性。系统支持权限管理，限制数据访问和操作权限，减少数据泄露和操纵的风险。同时，系统提供用户界面和报表展示，帮助污水厂管理人员实时了解污水处理过程，进行系统管理和决策分析。本发明通过将数字化和智能化应用于污水厂生产运营工作，提供了一种高效的管理手段。它整合了先进的数据采集、预测、决策和执行技术，使得污水厂生产运营工作具体化，并引领其向数字化和智能化方向发展。该系统的应用能够提高污水厂生产运营的效率、降低环境风险、减少资源浪费，为污水厂实现人工智能化的生产运营目标做出了重要贡献。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种污水处理的人工智能控制系统，其特征是，包括智能感知层、智能决策层和智能执行层；
所述智能感知层，用于收集污水处理系统的进水水质参数Qj、核心断面水质参数Qh以及出水水质参数Qc，并根据感知数据建立水质智能预测模型，通过智能预测模型输出预测的核心断面水质参数Qh和出水水质参数Qc；
所述智能决策层，用于建立能够体现污水处理过程中的物理、化学和生物反应机制的污水处理模型，在污水处理模型中融入专家知识和经验，进而优化处理过程，提高效率，通过融合的知识经验根据不同的运营目标进行多目标优化和决策分析；
所述智能执行层，用于获取智能决策层多目标优化和决策分析的结果，通过应用智能控制生成操作指令；将操作指令发送至执行设备来执行操作；在执行过程中，监测执行结果并实时反馈执行结果，并将执行结果与预期目标进行比对和分析，根据比对和分析的结果进行调整和优化。
2.根据权利要求1所述的一种污水处理的人工智能控制系统，其特征是，所述智能感知层的工作过程包括如下步骤：
步骤11：收集污水处理系统的感知数据，并对感知数据进行预处理；所述感知数据包括进水水质参数Qj、核心断面水质参数Qh以及出水水质参数Qc；
步骤12：识别感知数据的数据类型，提取感知数据的特征，并对所提取的感知数据的特征进行敏感性分析；
步骤13：应用机器学习算法，对感知数据进行水质智能预测模型的建模和训练；
步骤14：计算水质智能预测模型的结构参数，并根据水质智能预测模型最终输出感知数据的预测结果。
3.根据权利要求2所述的一种污水处理的人工智能控制系统，其特征是，所述步骤11中，对感知数据进行预处理的过程包括如下步骤：
步骤111：感知数据清洗步骤；数据清洗包括去除噪声、处理缺失值和异常值；
步骤112：感知数据规格化步骤；数据规格化包括数据归一化或者数据标准化；
步骤113：感知数据的特征工程步骤；
步骤114：感知数据对齐步骤。
4.根据权利要求2所述的一种污水处理的人工智能控制系统，其特征是，所述步骤12中，确定步骤11中预处理后的感知数据的类型，建立样本库；对提取的感知数据的类型的特征信息进行敏感度分析，获得特征信息的重要性得分，根据特征信息的重要性得分，将重要性得分低于阈值的特征剔除。
5.根据权利要求2所述的一种污水处理的人工智能控制系统，其特征是，所述步骤13中，所述机器学习算法为决策树算法、支持向量机算法、随机森林算法或神经网络算法中的一种或几种。
6.根据权利要求2所述的一种污水处理的人工智能控制系统，其特征是，所述步骤14中，所述水质智能预测模型的结构包括层数、节点数量、学习率和损失函数。
7.根据权利要求1所述的一种污水处理的人工智能控制系统，其特征是，所述智能决策层的工作过程包括如下步骤：
步骤21：建立污水处理机理模型；
步骤22：将专家知识和专家经验融合到污水处理机理模型中；
步骤23：优化处理过程，提高生产运营效率。
8.根据权利要求7所述的一种污水处理的人工智能控制系统，其特征是，所述步骤21中，所述污水处理机理模型，用于理解和描述污水处理过程中的物理、化学和生物反应机制。
9.根据权利要求7所述的一种污水处理的人工智能控制系统，其特征是，所述步骤22中，将专家知识和专家经验转化为可计算的规则和模型，融入到污水处理机理模型中。
10.根据权利要求7所述的一种污水处理的人工智能控制系统，其特征是，所述步骤23中，构建污水处理机理模型的优化处理过程中，使用多目标优化加权和法设定权重和目标函数进行多目标优化和决策分析。
Z＝∑(Wi*Fi(C1，C2，…，Cn))，i∈{1，2，…，n} (11)
式子(11)中，Z为总的优化目标值，表示最小化水质预测目标参数的加权和；Wi为与目标函数Fi(C1，C2，…，Cn)相关的权重，表示第i个水质参数的权重；Fi(C1，C2，…，Cn)为第i个优化目标函数，是水质参数C1，C2，…，Cn的复杂函数；Ci表示指定的水质参数，i表示参数的索引，范围从1到n；n表示优化问题的目标数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311262238.7A CN117170221A (zh) | 2023-09-27 | 2023-09-27 | 一种污水处理的人工智能控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311262238.7A CN117170221A (zh) | 2023-09-27 | 2023-09-27 | 一种污水处理的人工智能控制系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117170221A true CN117170221A (zh) | 2023-12-05 |
Family
ID=88933714
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311262238.7A Pending CN117170221A (zh) | 2023-09-27 | 2023-09-27 | 一种污水处理的人工智能控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117170221A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117699958A (zh) * | 2024-02-02 | 2024-03-15 | 青岛海湾中水有限公司 | 一种污水处理系统及污水处理方法 |
-
2023
- 2023-09-27 CN CN202311262238.7A patent/CN117170221A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117699958A (zh) * | 2024-02-02 | 2024-03-15 | 青岛海湾中水有限公司 | 一种污水处理系统及污水处理方法 |
| CN117699958B (zh) * | 2024-02-02 | 2024-04-19 | 青岛海湾中水有限公司 | 一种污水处理系统及污水处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115829120B (zh) | 基于机器学习方法的水质预测预警系统 | |
| CN110088619A (zh) | 用于废水处理厂或饮用水厂的过程和资产健康诊断、异常检测和控制的智能系统和方法 | |
| CN107358021B (zh) | 一种基于优化bp神经网络的do预测模型建立方法 | |
| JP6129028B2 (ja) | 建物動力設備のエネルギー消費量予測方法 | |
| CN107402586A (zh) | 基于深度神经网络的溶解氧浓度控制方法及系统 | |
| CN110969346A (zh) | 基于指标筛选的流域水生态功能分区治理需求评价方法 | |
| CN114297954A (zh) | 一种基于污水处理厂的大数据智能分析数字管控平台 | |
| CN116630122A (zh) | 基于水文-生态响应关系的湖泊生态水力调控方法及系统 | |
| CN117170221A (zh) | 一种污水处理的人工智能控制系统 | |
| US11365140B2 (en) | Decision support system and method for water treatment | |
| CN105046453A (zh) | 一种引入云模型进行评价选择的建设工程项目群构建方法 | |
| Bellandi et al. | Towards an online mitigation strategy for N2O emissions through principal components analysis and clustering techniques | |
| CN115561416A (zh) | 污水处理厂进水水质实时检测方法和装置 | |
| CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
| CN113658640A (zh) | 一种淡水生态系统健康评价方法 | |
| CN111204867B (zh) | 膜生物反应器-mbr膜污染智能决策方法 | |
| CN117196883A (zh) | 一种基于人工智能的污水处理决策优化方法及系统 | |
| CN113702609A (zh) | 一种水质检测方法及系统 | |
| Kyritsakas et al. | A Big Data framework for actionable information to manage drinking water quality | |
| CN112348275A (zh) | 一种基于在线增量学习的区域生态环境变化预测方法 | |
| CN113222324B (zh) | 一种基于pls-pso-rbf神经网络模型的污水质量监测方法 | |
| Parnika et al. | Performance Analysis of Machine Learning Algorithms to Predict Water Potability | |
| CN118095927A (zh) | 基于机器学习的智能化人工湿地监控方法及系统 | |
| CN117892094A (zh) | 一种污水运维平台大数据分析系统 | |
| Meng et al. | A data cleaning method for water quality based on improved hierarchical clustering algorithm |
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 |