CN117247132B - 一种基于aao工艺的智能精准曝气方法 - Google Patents
一种基于aao工艺的智能精准曝气方法 Download PDFInfo
- Publication number
- CN117247132B CN117247132B CN202311520483.3A CN202311520483A CN117247132B CN 117247132 B CN117247132 B CN 117247132B CN 202311520483 A CN202311520483 A CN 202311520483A CN 117247132 B CN117247132 B CN 117247132B
- Authority
- CN
- China
- Prior art keywords
- data
- water quality
- layer
- prediction model
- block
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000005273 aeration Methods 0.000 title claims abstract description 63
- 230000008569 process Effects 0.000 title claims abstract description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 133
- 238000013528 artificial neural network Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000008859 change Effects 0.000 claims abstract description 16
- 238000004140 cleaning Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 36
- 101001014572 Homo sapiens MARCKS-related protein Proteins 0.000 claims description 30
- 102100032514 MARCKS-related protein Human genes 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 22
- 230000011218 segmentation Effects 0.000 claims description 21
- 239000010865 sewage Substances 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 15
- 230000001419 dependent effect Effects 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000009977 dual effect Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N nitrogen Substances N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 229910052698 phosphorus Inorganic materials 0.000 claims description 4
- 239000011574 phosphorus Substances 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 101000986621 Homo sapiens ATP-binding cassette sub-family C member 6 Proteins 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 229910052757 nitrogen Inorganic materials 0.000 claims description 3
- 230000003647 oxidation Effects 0.000 claims description 3
- 238000007254 oxidation reaction Methods 0.000 claims description 3
- OIGNJSKKLXVSLS-VWUMJDOOSA-N prednisolone Chemical compound O=C1C=C[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 OIGNJSKKLXVSLS-VWUMJDOOSA-N 0.000 claims description 3
- 238000010992 reflux Methods 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 claims description 3
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 101100436077 Caenorhabditis elegans asm-1 gene Proteins 0.000 description 2
- 101100204282 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) Asm-1 gene Proteins 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000011112 process operation Methods 0.000 description 2
- 239000010802 sludge Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000002351 wastewater Substances 0.000 description 2
- 101100436078 Caenorhabditis elegans asm-2 gene Proteins 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/006—Regulation methods for biological treatment
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/30—Aerobic and anaerobic processes
- C02F3/302—Nitrification and denitrification treatment
-
- 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
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
Abstract
本发明涉及曝气控制技术领域，提供了一种基于AAO工艺的智能精准曝气方法，包括以下步骤：S1、获取现有的数据；S2、进行数据清洗；S3、构建水质预测模型和模糊神经网络控制器；S4、形成第一数据样本库；S5、训练水质预测模型；S6、形成第二数据样本库；S7、训练模糊神经网络控制器；S8、获取实时的时序数据和进水水质数据并输入水质预测模型，水质预测模型输出L时间后的出水预测CODp值，并计算出水预测CODp值与期望CODd值之间的误差和误差的变化率；S9、模糊神经网络控制器实时控制曝气风机频率的大小。本发明能够实现曝气风机的智能控制，从而解决现有技术存在的曝气风机控制准确性和稳定性不足、曝气过高导致能耗较高等问题。
Description
技术领域
本发明涉及曝气控制技术领域，具体涉及一种基于AAO工艺的智能精准曝气方法。
背景技术
AAO工艺是一种常用的二级污水处理工艺，具有同步脱氮除磷的作用，AAO工艺中对的好氧池曝气具有促进好氧微生物的生长与代谢，降解有机废水中的污染物，减少废水的氮磷含量的作用。
目前，国内污水处理厂对AAO工艺中的好氧池进行曝气控制主要采用以下几种方法：
一是采用传统的手动调控和简单的自动控制方法，这种方法很难实现工艺参数的实时精准控制，工艺人员为了使出水达标，通常会曝气过量导致曝气能耗过高的问题；
二是基于设定恒定溶氧值（DO）的控制方法，这种方法由于进水水质的波动性以及污水处理系统的复杂性，以及控制系统的滞后性存在准确性和稳定性不足的问题；
三是基于活性污泥模型（ASM1、ASM2等）的控制方法，如在中国专利CN108002532A中公开了一种基于物联网和大数据技术的污水处理模型动态核验方法，该方法通过采用物联网实时采集污水处理点的数值数据，并通过大数据平台将采集到的出水水质数据与ASM1模型评价标准进行比对，判断出水水质数据是否超标，得到超标数据及问题原因，并给出调整建议，但活性污泥模型中含大量的化学计量参数和动力学参数，需实验测定且过程复杂繁琐，准确性难以保证；
四是基于深度学习的智能控制方法，如在中国专利CN110378533A中公开了一种基于大数据分析的智能曝气管理方法，该方法结合BP神经网络，根据进水水质、进水水量及环境参数来精确控制曝气风机，但BP神经网络存在易陷入局部最优、收敛速度慢、过拟合及鲁棒性较差等问题。CN115981153A中公开了一种基于深度学习的A2O工艺间歇性低碳曝气方法及控制系统，该方法及系统仅适用于农村生活污水处理领域，且采用基于优化的LSTM很难进行并行计算和捕捉长距离依赖。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于AAO工艺的智能精准曝气方法，包括以下步骤：
S1、获取现有的基于AAO工艺的污水处理厂运行的时序数据、进水水质数据和出水水质数据，所述进水水质数据包括进水流量数据、进水COD数据、进水氨氮NH3-N数据、进水总磷TP数据和pH数据，所述出水水质数据包括出水COD数据、曝气池DO数据、氧化沟MLSS数据、缺氧ORP数据、混合液回流比r数据、水力停留时间HRT数据和曝气风机频率数据；
S2、删除已获取数据中的异常值并进行数据清洗，所述数据清洗包括采用上一时刻的对应数据对缺失的数据进行填充，形成数据集；
S3、构建基于Dual Transformer的水质预测模型和模糊神经网络控制器；
S4、利用所述数据集，以时间步长L作为连续时间节点长度，t－L时刻的进水水质数据作为所述水质预测模型的输入数据，t时刻的出水水质数据作为水质预测模型的输出数据，形成第一数据样本库；
S5、利用所述第一数据样本库训练所述水质预测模型；
S6、利用所述数据集，以时间步长L作为连续时间节点长度，t-L时刻的出水实际COD值与期望CODd值之间的误差和误差变化率作为所述模糊神经网络控制器的输入数据，t时刻的曝气风机频率值作为所述模糊神经网络控制器的输出数据，形成第二数据样本库；
S7、利用所述水质预测模型的输出数据和所述第二数据样本库训练所述模糊神经网络控制器；
S8、获取实时的基于AAO工艺的污水处理厂运行的所述时序数据和所述进水水质数据并输入所述水质预测模型，所述水质预测模型输出L时间后的出水预测CODp值，并计算出水预测CODp值与期望CODd值之间的误差和误差的变化率；
S9、将出水预测CODp值与期望CODd值之间的误差和误差的变化率输入所述模糊神经网络控制器，所述模糊神经网络控制器实时控制曝气风机频率的大小，使出水水质达到期望CODd值。
进一步地，在步骤S4中，将所述第一数据样本库分为第一训练数据样本和第一测试数据样本，利用所述第一训练数据样本对所述水质预测模型进行训练，利用所述第一测试数据样本对所述水质预测模型进行测试，并根据测试结果不断对其进行优化；
在步骤S6中，将所述第二数据样本库分为第二训练数据样本和第二测试数据样本，利用所述第二训练数据样本对所述模糊神经网络控制器进行训练，利用所述第二测试数据样本对所述模糊神经网络控制器进行测试，并根据测试结果不断对其进行优化。
进一步地，所述水质预测模型包括维度分段模块、Efficient Attention层、Transpose Attention层、编码器和解码器；
所述维度分段模块将输入的所述时序数据中的每维数据切分为长度为l的时序小段，切分后第d维的第i个时序小段的长度为l的数据表示为，将每个数据通过线性映射和位置编码信息的嵌入得到经过所述维度分段模块的输出：
，/>，/>，
其中表示将l线性映射后的维度，/>表示位置编码信息，R表示实数空间；
所述Efficient Attention层用于捕获所述维度分段模块输出数据的维度注意依赖特征，所述Efficient Attention层的维度注意依赖特征计算方法为：
E（Q,K,V）=，
其中分别表示查询和键的归一化函数；
所述Transpose Attention层用于捕获所述维度分段模块输出数据的时序依赖特征，所述Transpose Attention层的时序依赖特征计算方法为：
T（Q,K,V）=VCT(K,Q),
CT(K,Q)=softmax(KTQ/τ)，
其中CT表示转置注意的时间依赖权重，τ表示用来提高模型训练期间稳定性的应用参数；
所述Efficient Attention层与Transpose Attention层之间依次连接，连接的公式为：
Eblock（X,Q1,K1,V1）=E(Q1,K1,V1)+X，
MLP1（Eblock）=MLP（LN（Eblock）），
Tblock（Eblock,Q2,K2,V2）=T(MLP1(Eblock))+Eblock+MLP1( Eblock),
MLP2（Tblock）=MLP（LN（Tblock）），
Dualattention(Tblock)=MLP2（Tblock）+Tblock，
其中E和T分别表示Efficient Attention层和Transpose Attention层，Tblock为Transpose Attention层的注意块，Eblock是Efficient Attention层的注意块，Q1、K1、V1分别代表以输入特征x计算出来的键、查询和值，Q2、K2、V2表示从Eblock计算出来的键、查询和值，MLP表示多层感知器，LN表示层归一化；
MLP的计算方法为：
MLP（X）=FC(GELU(DWConv(FC(X)))),
其中FC表示全连接层，GELU表示GELU激活函数，DWConv表示深度卷积；
所述编码器和所述解码器均采用不同尺度的层级结构构建；
所述水质预测模型输出的最终预测值为不同尺度的层级结构预测值之和。
进一步地，所述水质预测模型采用自适应学习率优化算法Adam进行优化。
进一步地，所述编码器与所述解码器之间的数据信息采用交叉注意模块进行融合。
进一步地，所述模糊神经网络控制器包括输入层、隶属度函数计算层、规则生成层、归一化层和输出层，输出t时刻调整后的曝气风机频率ΔF的公式为：
，
所述输入层包括E和EC两个输入节点，E表示所述水质预测模型在t时刻出水预测CODp与期望CODd之间的误差，EC表示所述水质预测模型在t时刻出水预测CODp与期望CODd之间的误差变化率；
，
，
所述隶属度函数计算层的每一个节点代表一个隶属度函数，节点的个数为输入数据构成模糊条件的个数，所述隶属度函数计算公式为：
,i=1,2....n；j=1,2....m，
其中表示节点的输出，/>表示输入数据E和EC，/>为隶属度函数的中心点，/>为所述隶属度函数的宽度向量，m表示对输入进行模糊分级的个数；
所述隶属度函数计算层有14个节点，每个变量有7个模糊规则；
所述规则生成层的节点数为模糊规则数，所述规则生成层的计算公式为：
，
所述归一化层对所述所述隶属度函数计算层的输出进行归一化处理，计算公式为：
，
所述的输出层在所述归一化层的基础上进行加权处理获得最终输出，计算公式为：
，
其中为所述输出层的连接权重。
进一步地，所述模糊神经网络控制器采用随机梯度下降法SGD对所述隶属度函数的中心点、所述宽度向量和所述输出层的连接权重进行优化。
进一步地，采用PLC程序控制曝气风机频率。
有益效果：本发明提供的一种基于AAO工艺的智能精准曝气方法，构建了基于DualTransformer的水质预测模型和模糊神经网络控制器，利用现有的基于AAO工艺的污水处理厂的运行数据来预测出水水质，计算出水预测CODp值和期望CODd值之间的误差和误差的变化率，以出水预测值与期望值之间的误差和误差的变化率为模糊神经网络控制器的输入，模糊神经网络控制器输出调整后的曝气风机频率，曝气风机频率信息输送至曝气风机的控制系统，实现曝气风机的智能控制，从而解决现有技术存在的曝气风机控制准确性和稳定性不足、曝气过高导致能耗较高等问题。
附图说明
图1为本发明对应的系统流程示意图；
图2为本发明的方法流程结构图；
图3为本发明中水质预测模型的结构示意图；
图4为本发明中Dual Transformer的结构示意图；
图5为本发明中交叉注意模块的结构示意图；
图6为本发明中模糊神经网络控制器的结构示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
如图1-图6所示，本发明提供一种基于AAO工艺的智能精准曝气方法，包括以下步骤：
S1、获取现有的基于AAO工艺的污水处理厂运行的时序数据、进水水质数据和出水水质数据。进水水质数据包括进水流量数据、进水COD数据、进水氨氮NH3-N数据、进水总磷TP数据和pH数据。出水水质数据包括出水COD数据、曝气池DO数据、氧化沟MLSS数据、缺氧ORP数据、混合液回流比r数据、水力停留时间HRT数据和曝气风机频率数据。
S2、删除上述已获取数据中的异常值并对这些数据进行数据清洗，数据清洗包括采用上一时刻的对应数据对缺失的数据进行填充，形成完整准确的数据集。
S3、构建基于Dual Transformer的水质预测模型和模糊神经网络控制器。
S4、利用经过数据清洗的数据集，以时间步长L作为连续时间节点长度，每L条数据组成一条数据样本，用于预测下一个时间节点的出水水质数据。t－L时刻的进水水质数据作为水质预测模型的输入数据，t时刻的出水水质数据作为水质预测模型的输出数据，形成第一数据样本库。
S5、利用第一数据样本库训练水质预测模型，让水质预测模型进行深度学习。
S6、利用数据集，以时间步长L作为连续时间节点长度，每L条数据组成一条数据样本，用于预测下一个时间节点的出水水质数据。t-L时刻的出水实际COD值与期望CODd值之间的误差和误差变化率作为模糊神经网络控制器的输入数据，t时刻的曝气风机频率值作为模糊神经网络控制器的输出数据，形成第二数据样本库。
S7、利用水质预测模型的输出数据和第二数据样本库训练模糊神经网络控制器，让模糊神经网络控制器进行深度学习。
S8、获取实时的基于AAO工艺的污水处理厂运行的时序数据和进水水质数据并输入水质预测模型，水质预测模型输出L时间后的出水预测CODp值，并计算出水预测CODp值与期望CODd值之间的误差和误差的变化率。
S9、将出水预测CODp值与期望CODd值之间的误差和误差的变化率输入模糊神经网络控制器，模糊神经网络控制器实时控制曝气风机频率的大小，使出水水质达到期望CODd值。
采用时间长度为L的时序数据用于训练并预测下一个时间节点的出水水质数据是指：利用t-1、t-2、…、t-L时刻的进水水质数据来预测t时刻的出水预测CODp值，根据t时刻的出水预测CODp值和期望CODd值的误差和误差变化率经过模糊神经网络控制器对曝气风机的频率进行实时控制，实现对曝气风机的精准控制，同时实现节能减排、出水百分百达标的目的。
利用现有的基于AAO工艺的污水处理厂的运行数据来预测出水水质，计算出水预测CODp值和期望CODd值之间的误差和误差的变化率，以出水预测值与期望值之间的误差和误差的变化率为模糊神经网络控制器的输入，模糊神经网络控制器输出调整后的曝气风机频率，曝气风机频率信息输送至曝气风机的控制系统，实现曝气风机的智能控制，从而解决现有技术存在的曝气风机控制准确性和稳定性不足、曝气过高导致能耗较高等问题。
在一个实施例中，在步骤S4中，将第一数据样本库分为第一训练数据样本和第一测试数据样本。利用第一训练数据样本对水质预测模型进行训练，利用第一测试数据样本对水质预测模型进行测试，并根据测试结果不断对水质预测模型进行优化和调整，以提高水质预测模型预测能力的准确度。
在步骤S6中，将第二数据样本库分为第二训练数据样本和第二测试数据样本。利用第二训练数据样本对模糊神经网络控制器进行训练，利用第二测试数据样本对模糊神经网络控制器进行测试，并根据测试结果不断对模糊神经网络控制器进行优化和调整，以提高模糊神经网络控制器计算准确度。
在一个实施例中，水质预测模型包括维度分段模块、Efficient Attention层、Transpose Attention层、编码器和解码器；
维度分段模块将输入的时序数据中的每维数据切分为长度为l的时序小段，以便于捕获不同维度，不同时间的相关数据信息。切分后第d维的第i个时序小段的长度为l的数据表示为，将每个数据通过线性映射和位置编码信息的嵌入得到经过维度分段模块的输出：
，/>，/>，
其中表示将l线性映射后的维度，/>表示位置编码信息，R表示实数空间；
Efficient Attention层用于捕获维度分段模块输出数据的维度注意依赖特征。标准的注意力机制的计算复杂度高，因此本申请Efficient Attention层采用的维度注意依赖特征计算方法为：
E（Q,K,V）=，
其中分别表示查询和键的归一化函数。可以看到这种计算顺序的转换极大地降低了注意力机制计算的复杂性，同时保持了较高的表征能力，在本发明的结构中，使用Efficient Attention层来捕获维度分段模块输出数据的维度注意依赖特征。
Transpose Attention层用于捕获维度分段模块输出数据的时序依赖特征。以往采用转置注意力机捕获全通道信息，本申请Transpose Attention层的时序依赖特征计算方法为：
T（Q,K,V）=VCT(K,Q),
CT(K,Q)=softmax(KTQ/τ)，
其中CT表示转置注意的时间依赖权重，τ表示用来提高模型训练期间稳定性的应用参数。
本申请中利用Efficient Attention层捕获维度分段模块输出数据的维度注意依赖特征，Transpose Attention层捕获维度分段模块输出数据的时序依赖特征，与只捕获维度依赖特征相比，维度信息和时序信息相结合可以增强水质预测模型捕获更多数据的依赖特征，从而提高水质预测模型输出的准确性。
Efficient Attention层与Transpose Attention层之间依次连接，连接的公式为：
Eblock（X,Q1,K1,V1）=E(Q1,K1,V1)+X，
MLP1（Eblock）=MLP（LN（Eblock）），
Tblock（Eblock,Q2,K2,V2）=T(MLP1(Eblock))+Eblock+MLP1( Eblock),
MLP2（Tblock）=MLP（LN（Tblock）），
Dualattention(Tblock)=MLP2（Tblock）+Tblock，
其中E和T分别表示Efficient Attention层和Transpose Attention层，Tblock为Transpose Attention层的注意块，Eblock是Efficient Attention层的注意块，Q1、K1、V1分别代表以输入特征x计算出来的键、查询和值，Q2、K2、V2表示从Eblock计算出来的键、查询和值，MLP表示多层感知器，LN表示层归一化。
MLP的计算方法为：
MLP（X）=FC(GELU(DWConv(FC(X)))),
其中FC表示全连接层，GELU表示GELU激活函数，DWConv表示深度卷积。
编码器和解码器均采用不同尺度的层级结构构建；水质预测模型输出的最终预测值为不同尺度的层级结构预测值之和。
在一个实施例中，水质预测模型采用自适应学习率优化算法Adam进行优化。
在一个实施例中，编码器与解码器之间的数据信息采用交叉注意模块进行融合。
在一个实施例中，模糊神经网络控制器包括输入层、隶属度函数计算层、规则生成层、归一化层和输出层，输出t时刻调整后的曝气风机频率ΔF的公式为：
，
输入层包括E和EC两个输入节点，E表示水质预测模型在t时刻出水预测CODp与期望CODd之间的误差，EC表示水质预测模型在t时刻出水预测CODp与期望CODd之间的误差变化率；
，
，
隶属度函数计算层的每一个节点代表一个隶属度函数，节点的个数为输入数据有可能构成模糊条件的个数，本模糊神经网络控制器采用高斯函数作为隶属度函数，隶属度函数计算公式为：
,i=1,2....n；j=1,2....m，
其中表示节点的输出，/>表示输入数据E和EC，/>为隶属度函数的中心点，/>为隶属度函数的宽度向量，m表示对输入进行模糊分级的个数。
所述隶属度函数计算层有14个节点，每个变量有7个模糊规则；
所述规则生成层的节点数为模糊规则数，所述规则生成层的计算公式为：
，
归一化层对隶属度函数计算层的输出进行归一化处理，计算公式为：
，
的输出层在归一化层的基础上进行加权处理获得最终输出，计算公式为：
，
其中为输出层的连接权重。
在一个实施例中，模糊神经网络控制器采用随机梯度下降法SGD对隶属度函数的中心点、宽度向量和输出层的连接权重进行优化。
在一个实施例中，本申请对应的系统包括数据采集模块，智能精准控制模块和PLC控制系统。
数据采集模块用于收集进水水质数据和出水水质数据。
智能精准控制模块用于提供基于Dual Transformer的水质预测模型和模糊神经网络控制器的运行环境。智能精准控制模块实施建模、数据预处理、模型训练、模型验证、出水水质预测和输出调整后风机频率，根据实时采集的进水水质数据，通过水质预测模型预测出水水质数据，比较出水预测CODp与期望CODd，根据模糊神经网络控制器的输出调整曝光风机频率。
PLC控制系统用于执行模糊神经网络控制器输出的曝气风机频率指令，根据指令调整曝气风机频率至指定值，通过运算得到曝气风机频率的最优值，使得风机频率得到实时控制，同时在出水水质达标的基础上实现最优的曝气风机频率控制效果。
采用上述方法的优点在于：
1、在满足污水处理厂出水达标的情况下减少了曝气所产生的能耗，减少了基于AAO工艺的污水处理厂的运行成本和碳排放。
2、利用Dual Transformer对数据信息提取能力的有效性，进一步利用EfficientAttention捕获数据的维度依赖特征，Transpose Attention捕获数据的时序依赖特征，并构建了基于Dual Transformer的时序信息预测模型深度挖掘工艺运行数据与出水水质数据之间的关联，可精确预测出水水质数据，以控制AAO工艺的出水COD达标。
3、利用模糊神经网络控制器直接控制风机频率的大小而非DO值，可减小曝气的时滞性。
4、该系统采用了大多数基于AAO工艺的常用工艺运行数据进行建模和采集，具有较高的泛化性能，减少了改造成本。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点，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。
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 (6)
1.一种基于AAO工艺的智能精准曝气方法，其特征在于：包括以下步骤：
S1、获取现有的基于AAO工艺的污水处理厂运行的时序数据、进水水质数据和出水水质数据，所述进水水质数据包括进水流量数据、进水COD数据、进水氨氮NH3-N数据、进水总磷TP数据和pH数据，所述出水水质数据包括出水COD数据、曝气池DO数据、氧化沟MLSS数据、缺氧ORP数据、混合液回流比r数据、水力停留时间HRT数据和曝气风机频率数据；
S2、删除已获取数据中的异常值并进行数据清洗，所述数据清洗包括采用上一时刻的对应数据对缺失的数据进行填充，形成数据集；
S3、构建基于Dual Transformer的水质预测模型和模糊神经网络控制器；
S4、利用所述数据集，以时间步长L作为连续时间节点长度，t－L时刻的进水水质数据作为所述水质预测模型的输入数据，t时刻的出水水质数据作为水质预测模型的输出数据，形成第一数据样本库；
S5、利用所述第一数据样本库训练所述水质预测模型；
S6、利用所述数据集，以时间步长L作为连续时间节点长度，t-L时刻的出水实际COD值与期望CODd值之间的误差和误差变化率作为所述模糊神经网络控制器的输入数据，t时刻的曝气风机频率值作为所述模糊神经网络控制器的输出数据，形成第二数据样本库；
S7、利用所述水质预测模型的输出数据和所述第二数据样本库训练所述模糊神经网络控制器；
S8、获取实时的基于AAO工艺的污水处理厂运行的所述时序数据和所述进水水质数据并输入所述水质预测模型，所述水质预测模型输出L时间后的出水预测CODp值，并计算出水预测CODp值与期望CODd值之间的误差和误差的变化率；
S9、将出水预测CODp值与期望CODd值之间的误差和误差的变化率输入所述模糊神经网络控制器，所述模糊神经网络控制器实时控制曝气风机频率的大小，使出水水质达到期望CODd值；
在步骤S4中，将所述第一数据样本库分为第一训练数据样本和第一测试数据样本，利用所述第一训练数据样本对所述水质预测模型进行训练，利用所述第一测试数据样本对所述水质预测模型进行测试，并根据测试结果不断对其进行优化；
在步骤S6中，将所述第二数据样本库分为第二训练数据样本和第二测试数据样本，利用所述第二训练数据样本对所述模糊神经网络控制器进行训练，利用所述第二测试数据样本对所述模糊神经网络控制器进行测试，并根据测试结果不断对其进行优化；
所述水质预测模型包括维度分段模块、Efficient Attention层、TransposeAttention层、编码器和解码器；
所述维度分段模块将输入的所述时序数据中的每维数据切分为长度为l的时序小段，切分后第d维的第i个时序小段的长度为l的数据表示为xi,d∈Rl，将每个数据通过线性映射和位置编码信息的嵌入得到经过所述维度分段模块的输出：
其中lnew表示将l线性映射后的维度，Epos表示位置编码信息，R表示实数空间；
所述Efficient Attention层用于捕获所述维度分段模块输出数据的维度注意依赖特征，所述Efficient Attention层的维度注意依赖特征计算方法为：
E(Q,K,V))＝ρq(Q)(ρk(K)TV)，
其中ρq，ρk分别表示查询和键的归一化函数；
所述Transpose Attention层用于捕获所述维度分段模块输出数据的时序依赖特征，所述Transpose Attention层的时序依赖特征计算方法为：
T(Q,K,V)＝VCT(K,Q),
CT(K,Q)＝softmax(KTQ/τ)，
其中CT表示转置注意的时间依赖权重，τ表示用来提高模型训练期间稳定性的应用参数；
所述Efficient Attention层与Transpose Attention层之间依次连接，连接的公式为：
Eblock(X,Q1,K1,V1)＝E(Q1,K1,V1)+X，
MLP1(Eblock)＝MLP(LN(Eblock))，
Tblock(Eblock,Q2,K2,V2)＝T(MLP1(Eblock))+Eblock+MLP1(Eblock),
MLP2(Tblock)＝MLP(LN(Tblock))，
Dualattention(Tblock)＝MLP2(Tblock)+Tblock，
其中E和T分别表示Efficient Attention层和Transpose Attention层，Tblock为Transpose Attention层的注意块，Eblock是Efficient Attention层的注意块，Q1、K1、V1分别代表以输入特征x计算出来的键、查询和值，Q2、K2、V2表示从Eblock计算出来的键、查询和值，MLP表示多层感知器，LN表示层归一化；
MLP的计算方法为：
MLP(X)＝FC(GELU(DWConv(FC(X)))),
其中FC表示全连接层，GELU表示GELU激活函数，DWConv表示深度卷积；
所述编码器和所述解码器均采用不同尺度的层级结构构建；
所述水质预测模型输出的最终预测值为不同尺度的层级结构预测值之和。
2.根据权利要求1所述的一种基于AAO工艺的智能精准曝气方法，其特征在于：所述水质预测模型采用自适应学习率优化算法Adam进行优化。
3.根据权利要求1所述的一种基于AAO工艺的智能精准曝气方法，其特征在于：所述编码器与所述解码器之间的数据信息采用交叉注意模块进行融合。
4.根据权利要求1所述的一种基于AAO工艺的智能精准曝气方法，其特征在于：所述模糊神经网络控制器包括输入层、隶属度函数计算层、规则生成层、归一化层和输出层，输出t时刻调整后的曝气风机频率ΔF的公式为：
所述输入层包括E和EC两个输入节点，E表示所述水质预测模型在t时刻出水预测CODp与期望CODd之间的误差，EC表示所述水质预测模型在t时刻出水预测CODp与期望CODd之间的误差变化率；
E＝(CODp-CODd)，
所述隶属度函数计算层的每一个节点代表一个隶属度函数，节点的个数为输入数据构成模糊条件的个数，所述隶属度函数计算公式为：
其中uij表示节点的输出，xi表示输入数据E和EC，cij为隶属度函数的中心点，bij为所述隶属度函数的宽度向量，m表示对输入进行模糊分级的个数；
所述隶属度函数计算层有14个节点，每个变量有7个模糊规则；
所述规则生成层的节点数为模糊规则数，所述规则生成层的计算公式为：
αj＝Πuij，
所述归一化层对所述隶属度函数计算层的输出进行归一化处理，计算公式为：
所述的输出层在所述归一化层的基础上进行加权处理获得最终输出，计算公式为：
其中ωj为所述输出层的连接权重。
5.根据权利要求4所述的一种基于AAO工艺的智能精准曝气方法，其特征在于：所述模糊神经网络控制器采用随机梯度下降法SGD对所述隶属度函数的中心点、所述宽度向量和所述输出层的连接权重进行优化。
6.根据权利要求1所述的一种基于AAO工艺的智能精准曝气方法，其特征在于：采用PLC程序控制曝气风机频率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311520483.3A CN117247132B (zh) | 2023-11-15 | 2023-11-15 | 一种基于aao工艺的智能精准曝气方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311520483.3A CN117247132B (zh) | 2023-11-15 | 2023-11-15 | 一种基于aao工艺的智能精准曝气方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117247132A CN117247132A (zh) | 2023-12-19 |
| CN117247132B true CN117247132B (zh) | 2024-01-30 |
Family
ID=89129825
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311520483.3A Active CN117247132B (zh) | 2023-11-15 | 2023-11-15 | 一种基于aao工艺的智能精准曝气方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117247132B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102122134A (zh) * | 2011-02-14 | 2011-07-13 | 华南理工大学 | 基于模糊神经网络的溶解氧控制的废水处理方法及系统 |
| WO2015011213A1 (en) * | 2013-07-24 | 2015-01-29 | Universitat Autonoma De Barcelona | A method and a system for enhancing nitrogen removal in a granular sequencing batch reactor (gsbr) and a computer program product |
| CN107728477A (zh) * | 2017-09-21 | 2018-02-23 | 中国农业大学 | 一种工厂化水产养殖水质溶解氧预测控制方法及系统 |
| CN214399977U (zh) * | 2020-12-18 | 2021-10-15 | 湖南北控清源水务有限责任公司 | 一种集成、强化型aao工艺精确控制系统 |
| CN114326630A (zh) * | 2021-12-30 | 2022-04-12 | 镇江鑫海自动化技术有限公司 | 沥青混合料智能称重配料控制方法 |
| CN114373451A (zh) * | 2022-01-24 | 2022-04-19 | 江南大学 | 一种端到端中文语音识别方法 |
| CN114372363A (zh) * | 2022-01-05 | 2022-04-19 | 重庆大学 | 基于分段非线性函数的填埋场好氧稳定化修复耗时预测方法 |
| KR102440371B1 (ko) * | 2021-11-26 | 2022-09-05 | 니브스코리아 주식회사 | 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 |
| CN116341705A (zh) * | 2023-01-18 | 2023-06-27 | 宁夏回族自治区水利科学研究院 | 基于稀疏标签的长短期记忆网络水质参数预测方法 |
| CN116895157A (zh) * | 2023-08-07 | 2023-10-17 | 湖北工业大学 | 一种基于趋势时空图卷积的交通流量预测方法、系统及介质 |
-
2023
- 2023-11-15 CN CN202311520483.3A patent/CN117247132B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102122134A (zh) * | 2011-02-14 | 2011-07-13 | 华南理工大学 | 基于模糊神经网络的溶解氧控制的废水处理方法及系统 |
| WO2015011213A1 (en) * | 2013-07-24 | 2015-01-29 | Universitat Autonoma De Barcelona | A method and a system for enhancing nitrogen removal in a granular sequencing batch reactor (gsbr) and a computer program product |
| CN107728477A (zh) * | 2017-09-21 | 2018-02-23 | 中国农业大学 | 一种工厂化水产养殖水质溶解氧预测控制方法及系统 |
| CN214399977U (zh) * | 2020-12-18 | 2021-10-15 | 湖南北控清源水务有限责任公司 | 一种集成、强化型aao工艺精确控制系统 |
| KR102440371B1 (ko) * | 2021-11-26 | 2022-09-05 | 니브스코리아 주식회사 | 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 |
| CN114326630A (zh) * | 2021-12-30 | 2022-04-12 | 镇江鑫海自动化技术有限公司 | 沥青混合料智能称重配料控制方法 |
| CN114372363A (zh) * | 2022-01-05 | 2022-04-19 | 重庆大学 | 基于分段非线性函数的填埋场好氧稳定化修复耗时预测方法 |
| CN114373451A (zh) * | 2022-01-24 | 2022-04-19 | 江南大学 | 一种端到端中文语音识别方法 |
| CN116341705A (zh) * | 2023-01-18 | 2023-06-27 | 宁夏回族自治区水利科学研究院 | 基于稀疏标签的长短期记忆网络水质参数预测方法 |
| CN116895157A (zh) * | 2023-08-07 | 2023-10-17 | 湖北工业大学 | 一种基于趋势时空图卷积的交通流量预测方法、系统及介质 |
Non-Patent Citations (3)
| Title |
|---|
| 基于LSTM神经网络的污水处理厂水质预测研究;尉胜男;中国优秀硕士学位论文全文数据库工程科技Ⅰ辑(10);全文 * |
| 改进量子粒子群算法的模糊神经网络水质评价;彭越兮;徐蔚鸿;陈沅涛;马宏华;;计算机工程与应用(11);全文 * |
| 模糊神经网络控制在污水处理中的应用研究;王中琪;赵诚;赵丽;;环境污染治理技术与设备(12);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117247132A (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5022610B2 (ja) | 下水処理場運転支援装置 | |
| 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 | |
| CN103809557B (zh) | 一种基于神经网络的污水处理过程优化控制方法 | |
| AU2021101438A4 (en) | Adaptive control method and system for aeration process | |
| CN102411308B (zh) | 基于递归神经网络模型的溶解氧的自适应控制方法 | |
| CN105510546A (zh) | 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法 | |
| CN102854296A (zh) | 一种基于集成神经网络的污水处理软测量方法 | |
| CN102262147A (zh) | 一种废水处理系统出水cod的软测量方法和系统 | |
| CN103606006A (zh) | 基于自组织t-s模糊神经网络的污泥沉降指数软测量方法 | |
| CN108088974B (zh) | 一种厌氧同时反硝化产甲烷过程出水硝氮的软测量方法 | |
| CN107247888B (zh) | 基于储备池网络的污水处理出水总磷tp软测量方法 | |
| CN109828089A (zh) | 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法 | |
| US20230047297A1 (en) | Control method based on adaptive neural network model for dissolved oxygen of aeration system | |
| CN106651032B (zh) | Sbr法氨氧化过程神经网络智能控制的方法 | |
| CN109473182A (zh) | 一种基于深度信念网络的mbr膜透水率智能检测方法 | |
| CN114037163A (zh) | 一种基于动态权重pso优化bp神经网络的污水处理出水质量预警方法 | |
| CN115713448A (zh) | 基于汇水单元的流域水污染常规因子快速溯源方法 | |
| CN106200381A (zh) | 一种根据处理水量分阶段控制水厂运行的方法 | |
| CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
| CN114858207A (zh) | 一种基于软测量的河道排污口网格化溯源排查方法 | |
| CN117247132B (zh) | 一种基于aao工艺的智能精准曝气方法 | |
| CN116484747A (zh) | 一种基于自适应优化算法与深度学习的污水智能监控方法 | |
| CN115356930B (zh) | 一种污水处理过程中的多目标优化控制系统及方法 | |
| CN115806344A (zh) | 一种orp控制精准曝气的系统 | |
| CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |