CN117263374A - 用于膜生物反应器的曝气控制方法、电子设备及介质 - Google Patents

用于膜生物反应器的曝气控制方法、电子设备及介质 Download PDF

Info

Publication number
CN117263374A
CN117263374A CN202311358521.XA CN202311358521A CN117263374A CN 117263374 A CN117263374 A CN 117263374A CN 202311358521 A CN202311358521 A CN 202311358521A CN 117263374 A CN117263374 A CN 117263374A
Authority
CN
China
Prior art keywords
aeration
slope
water permeability
data
membrane
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
Application number
CN202311358521.XA
Other languages
English (en)
Inventor
王浩
刘国梁
常江
邱浩然
白宇
李烨
刘垚
卢紫欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Drainage Group Co Ltd
Original Assignee
Beijing Drainage Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Drainage Group Co Ltd filed Critical Beijing Drainage Group Co Ltd
Priority to CN202311358521.XA priority Critical patent/CN117263374A/zh
Publication of CN117263374A publication Critical patent/CN117263374A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • C02F3/02—Aerobic processes
    • C02F3/12—Activated sludge processes
    • C02F3/1236—Particular type of activated sludge installations
    • C02F3/1268—Membrane bioreactor systems
    • 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
    • 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
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Mathematics (AREA)
  • Organic Chemistry (AREA)
  • Water Supply & Treatment (AREA)
  • Environmental & Geological Engineering (AREA)
  • Hydrology & Water Resources (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Microbiology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Algebra (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Activated Sludge Processes (AREA)

Abstract

本申请公开了一种用于膜生物反应器的曝气控制方法、电子设备及介质。该方法可以包括：获取膜池曝气量的关联参数；获得关联参数的数据并进行数据清洗；分别计算短周期、长周期的透水率斜率，进而计算斜率比；根据短周期、长周期的透水率斜率确定膜池曝气量的调整方向；建立曝气量变化量与斜率比之间的数学关系式，计算曝气量调整值。本发明根据膜运行过程实时记录的关键参数经过数据的清洗，筛分出有效的数据，通过膜系统智能曝气数学模型，将原始数据经过计算输出为膜池需要的实时曝气流量。

Description

用于膜生物反应器的曝气控制方法、电子设备及介质
技术领域
本发明涉及污水处理领域，更具体地，涉及一种用于膜生物反应器的曝气控制方法、电子设备及介质。
背景技术
MBR在线专家系统是监控膜的污染状态，根据膜污染的程度实时调整曝气量，并且根据历史大数据的分析得出目前膜系统的历史运行状态，并进一步能够指导技术人员采取相应的措施控制膜污染。但是MBR处理过程具有多流程、时变、不确定等特点，是一个运行非平稳的系统、难以直接建模，缺乏经验公式的计算，其污染状况的监测是当前自控领域的难题。
目前MBR智能控制的研究方法包括机理分析方法、智能预测方法和控制策略三类。
(1)机理分析法包括混合液生物物理性质检测、膜性能检测法和数学机理模型建立三大类。
近年来，很多研究提出了混合液的生物物理性质对膜污染的贡献作用。一些专家学者指出混合液中胞外聚合物(Extracellular Polymeric Substances,EPS)的含量影响膜的污染程度。如Houghton等提出了过高或过低浓度的EPS含量会加快膜的污染速度。膜性能检测法是一种常见的机理分析方法，即通过膜性能指标的检测，反映出膜的实际工作状态，进而判断膜的污染状况。一般膜性能检测主要从膜表面形态、膜通量、拉伸强度三个方面来考虑。此外，针对膜污染机制的理论分析，一些专家学者提出了与膜污染有关的数学模型。如经典的Darcyding定律中提出膜产水流量和操作压力间的数学关系式。并且实际污水处理是一个复杂的动态过程，在膜处理污水的过程中，出现的各个参数之间存在很多未知的相互关系。
(2)智能预测方法：国内外学者基于经典的数学理论对于膜污染预测方法做了大量的研究工作，建立了多种膜污染数学模型。但是由于MBR控制过程复杂多变以及膜污染影响因素众多且相互作用，这些经典理论模型在普遍适应能力、运算速度、结果精度等方面并不理想，难以对膜污染过程进行精确模拟。人工神经网络(ANN)作为一种黑箱模型以自身的优势弥补了经典数学理论的不足，使膜污染预测研究取得了突破性的进展。M.Dornier等首先把ANN用于膜过滤膜污染预测中，预测了短期运行陶瓷微滤膜过滤蔗糖汁稀释液的膜污染情况。G.R.Shetty等采用BP神经网络预测了纳滤膜过滤市政饮用水的膜污染情况，研究结果认为，网络能够及时跟踪水质、膜通量等参数的变化情况，预测膜的长期运行性能。
(3)控制策略：在控制策略方面，为了提高污水处理过程控制的平稳性和处理效率，国内外学者对此展开了广泛研究。开关控制的方式，尽管其控制精度低且能耗较大，但是由于其控制结构简单，容易实现，在实际污水处理厂中仍有应用。针对水中溶解氧这一参数指标，Wahab等人采用优化了控制参数的多变量PID控制器，来控制各生化好氧池内的溶解氧浓度；Vrecko等人采用前馈控制策略与传统的比例积分控制器相结合，实现了溶解氧浓度和硝态氮浓度的控制。
MBR污水处理工艺解决了传统活性污泥法处理技术的应用缺陷，把污水再生处理技术提高到了一个新的水平。但是在MBR处理污水过程中，膜污染不可避免，膜污染造成的高能耗、高成本问题是MBR被广泛应用的难点。
因此，有必要开发一种用于膜生物反应器的曝气控制方法、电子设备及介质。
公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提出了一种用于膜生物反应器的曝气控制方法、电子设备及介质，其根据膜运行过程实时记录的关键参数经过数据的清洗，筛分出有效的数据，通过膜系统智能曝气数学模型，将原始数据经过计算输出为膜池需要的实时曝气流量。
第一方面，本公开实施例提供了一种用于膜生物反应器的曝气控制方法，包括：
获取膜池曝气量的关联参数；
获得所述关联参数的数据并进行数据清洗；
分别计算短周期、长周期的透水率斜率，进而计算斜率比；
根据所述短周期、长周期的透水率斜率确定膜池曝气量的调整方向；
建立曝气量变化量与所述斜率比之间的数学关系式，计算曝气量调整值。
优选地，所述关联参数包括产水流量、曝气气体流量与压力。
优选地，所述数据清洗包括：
根据设定的时间范围从数据库查询数据，并按照大小顺序进行排序；
通过箱线图针对非正态分布数据进行异常数据清洗，进而通过3σ统计算法针对正态分布数据进行异常数据清洗，获得清洗后的数据。
优选地，通过箱线图针对非正态分布数据进行异常数据清洗包括：
计算所述非正态分布数据的第一四分位数、第三四分位数与四分位距，进而计算非异常范围内的上限与下限，将大于所述上限或小于所述下限的异常数据删除。
优选地，通过3σ统计算法针对正态分布数据进行异常数据清洗包括：
计算所述正态分布数据的标准差σ与均值μ，将分布在(μ-3σ,μ+3σ)外的异常数据删除。
优选地，分别计算短周期、长周期的透水率斜率，进而计算斜率比包括：
计算MBR透水率：
其中，S为透水率，TMP为跨膜压差，F为产水通量，F＝Q/(A*T)，Q为产水流量，A为膜的面积，T为膜产水时间；
短周期的透水率斜率为：
长周期的透水率斜率为：
则斜率比SR为：
式中，SS为短周期的透水率斜率，SL为长周期的透水率斜率。
优选地，根据所述斜率比的变化确定膜池曝气量的调整方向包括：
当长周期的透水率斜率是负数，短周期的透水率斜率是正数并且数值较大，曝气量应降低；
当长周期的透水率斜率是负数，短期的透水率斜率是负数，曝气量应增加；
当长周期的透水率斜率是正数或者0，短周期的透水率斜率是正数或者0，曝气量应降低；
当长周期的透水率斜率是正数或者0，短周期的透水率斜率是负数，曝气量应降低。
优选地，建立曝气量变化量与所述斜率比之间的数学关系式，计算曝气量调整值包括：
所述曝气量变化量与所述斜率比的数学关系式为：
当SL<0时，
Afs＝0.0001SR6+0.0039SR5-0.0244SR4-0.0248SR3+0.2298SR2+0.9767SR-1.1387
当SL>0时，
Afs＝-0.0089SR3-0.6486SR2-1.2523SR-0.4793
则鼓风机目标曝气量为：
式中，Afb为初始曝气量的数值，k为曝气量变化量的变化系数，Afs为曝气量变化率，Afn为目标曝气量。
第二方面，本公开实施例还提供了一种电子设备，该电子设备包括：
存储器，存储有可执行指令；
处理器，所述处理器运行所述存储器中的所述可执行指令，以实现所述的用于膜生物反应器的曝气控制方法。
第三方面，本公开实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现所述的用于膜生物反应器的曝气控制方法。
其有益效果在于：
(1)提升MBR系统集约化管理水平：高效节能型智能曝气系统取代了传统膜生物反应器的人工化管理模式，采集膜系统监测仪表的实时数据，经过智能控制系统的计算输出膜系统的曝气量，实现膜曝气智能化的精准控制；
(2)降低MBR膜系统的运行能耗，助力实现“双碳”目标：与现有的传统膜生物反应器的人工化管理模式相比，该智能控制能够根据膜系统的跨膜压差和产水通量实时调整膜池曝气量，实现MBR系统的曝气量的精准调控。并且该模型的控制参数少，可扩展性强，易于复制和放大到同类的MBR系统中。
本发明的方法和装置具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施例中，相同的参考标号通常代表相同部件。
图1示出了根据本发明的一个实施例的用于膜生物反应器的曝气控制方法的步骤的流程图。
图2示出了根据本发明的一个实施例的高效节能型智能曝气控制系统原理图。
图3示出了根据本发明的一个实施例的智能曝气控制系统的示意图。
图4a、图4b分别示出了根据本发明的一个实施例的数据清洗前后对比示意图。
图5示出了根据本发明的一个实施例的传统与智能曝气条件下曝气量的变化示意图。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。
为便于理解本发明实施例的方案及其效果，以下给出三个具体应用示例。本领域技术人员应理解，该示例仅为了便于理解本发明，其任何具体细节并非意在以任何方式限制本发明。
实施例1
图1示出了根据本发明的一个实施例的用于膜生物反应器的曝气控制方法的步骤的流程图。
如图1所示，该用于膜生物反应器的曝气控制方法包括：步骤101，获取膜池曝气量的关联参数；步骤102，获得关联参数的数据并进行数据清洗；步骤103，分别计算短周期、长周期的透水率斜率，进而计算斜率比；步骤104，根据短周期、长周期的透水率斜率确定膜池曝气量的调整方向；步骤105，建立曝气量变化量与斜率比之间的数学关系式，计算曝气量调整值。
在一个示例中，关联参数包括产水流量、曝气气体流量与压力。
在一个示例中，数据清洗包括：
根据设定的时间范围从数据库查询数据，并按照大小顺序进行排序；
通过箱线图针对非正态分布数据进行异常数据清洗，进而通过3σ统计算法针对正态分布数据进行异常数据清洗，获得清洗后的数据。
在一个示例中，通过箱线图针对非正态分布数据进行异常数据清洗包括：
计算非正态分布数据的第一四分位数、第三四分位数与四分位距，进而计算非异常范围内的上限与下限，将大于上限或小于下限的异常数据删除。
在一个示例中，通过3σ统计算法针对正态分布数据进行异常数据清洗包括：
计算正态分布数据的标准差σ与均值μ，将分布在(μ-3σ,μ+3σ)外的异常数据删除。
在一个示例中，分别计算短周期、长周期的透水率斜率，进而计算斜率比包括：
计算MBR透水率：
其中，S为透水率，TMP为跨膜压差，F为产水通量，F＝Q/(A*T)，Q为产水流量，A为膜的面积，T为膜产水时间；
短周期的透水率斜率为：
长周期的透水率斜率为：
则斜率比SR为：
式中，SS为短周期的透水率斜率，SL为长周期的透水率斜率。
在一个示例中，根据斜率比的变化确定膜池曝气量的调整方向包括：
当长周期的透水率斜率是负数，短周期的透水率斜率是正数并且数值较大，曝气量应降低；
当长周期的透水率斜率是负数，短期的透水率斜率是负数，曝气量应增加；
当长周期的透水率斜率是正数或者0，短周期的透水率斜率是正数或者0，曝气量应降低；
当长周期的透水率斜率是正数或者0，短周期的透水率斜率是负数，曝气量应降低。
在一个示例中，建立曝气量变化量与斜率比之间的数学关系式，计算曝气量调整值包括：
曝气量变化量与斜率比的数学关系式为：
当SL<0时，
Afs＝0.0001SR6+0.0039SR5-0.0244SR4-0.0248SR3+0.2298SR2+0.9767SR-1.1387
当SL>0时，
Afs＝-0.0089SR3-0.6486SR2-1.2523SR-0.4793
则鼓风机目标曝气量为：
式中，Afb为初始曝气量的数值，k为曝气量变化量的变化系数，Afs为曝气量变化率，Afn为目标曝气量。
图2示出了根据本发明的一个实施例的高效节能型智能曝气控制系统原理图。
图3示出了根据本发明的一个实施例的智能曝气控制系统的示意图。
具体地，高效节能型智能曝气控制系统的工艺流程如图2所示。如图3所示，该高效节能型智能曝气控制系统包括：MBR膜系统的产水流量计、MBR膜系统的产水压力传感器、MBR膜曝气的气体涡街流量计、模型嵌入式软件计算系统、PLC控制系统、膜池鼓风机。其中，MBR膜系统的产水流量计与膜系统的产水泵进行物理连接；MBR膜系统的产水压力传感器与膜系统的产水泵进行物理连接；MBR膜曝气的气体涡街流量计与膜池鼓风机进行物理连接；MBR膜系统的产水流量计、MBR膜系统的产水压力传感器和MBR膜曝气的气体涡街流量计与PLC自控系统进行通讯连接；上位机与PLC自控系统进行通讯连接。
获取膜池曝气量的关联参数，包括产水流量、曝气气体流量与压力。进而获得关联参数的数据并进行数据清洗，数据清洗包括：根据设定的时间范围从数据库查询数据，并按照大小顺序进行排序；通过箱线图针对非正态分布数据进行异常数据清洗，进而通过3σ统计算法针对正态分布数据进行异常数据清洗，获得清洗后的数据。
箱形图(英文：Box plot)，又称为盒须图、盒式图、盒状图或箱线图，是一种用作显示一组数据分散情况资料的统计图。因型状如箱子而得名。在各种领域也经常被使用，常见于品质管理，快速识别异常值。利用数据中的五个统计量：下限、第一四分位数、中位数、第三四分位数与上限来描述数据的一种方法，它也可以粗略地看出数据是否具有有对称性，分布的分散程度等信息。
1)第一四分位数(Q1)
又称“较小四分位数”，等于该样本中所有数值由小到大排列后第25％的数字。
2)第二四分位数(Q2)
又称“中位数”，等于该样本中所有数值由小到大排列后第50％的数字。
3)第三四分位数(Q3)
又称“较大四分位数”，等于该样本中所有数值由小到大排列后第75％的数字。
4)四分位距(InterQuartile Range,IQR)
第三四分位数与第一四分位数的差距。IQR＝Q3-Q1
5)上限
上限是非异常范围内的最大值。
上限＝Q3+1.5IQR
6)下限
下限是非异常范围内的最小值。
下限＝Q1-1.5IQR
7)判断方法
当数据大于上限或小于下限为异常值。
3σ(又称3sigma)计算公式，也称作“标准偏差三倍法”，是一种统计准则，用于衡量特定测试项目特定样本组合的正常范围。在正态分布中σ代表标准差，μ代表均值。3σ计算公式的原理是，如果一个测试的结果的标准差为S，那么99.7％的结果将在μ±3S范围内。因此，如果一个测试的标准差等于1，那么99.7％的测试成果将介于μ±3σ之间。
1)3σ原则为：
数值分布在(μ-σ,μ+σ)中的概率为0.6827；
数值分布在(μ-2σ,μ+2σ)中的概率为0.9545；
数值分布在(μ-3σ,μ+3σ)中的概率为0.9973。
可以认为，当数值几乎全部集中在(μ-3σ,μ+3σ)区间内，超出这个范围的可能性仅占不到0.3％。
2)平均值
所有数据的算术平均值。
3)标准差
标准差计算公式是一种常用的统计学方法，它可以帮助人们快速计算出一组数据的标准差。标准差是一种测量数据变化情况的重要指标，它可以反映出数据的分散程度，以及这组数据的中心趋势，因此，标准差的计算对于研究统计学是非常重要的。计算公式为：
其中，X表示数据中的每一个值，μ表示数据的平均值，N表示数据中数值的个数。由此可见，此公式需要先计算出数据中每个值和数据的平均值的差，然后用差的平方和除以数据的个数，最后求出平方和的平方根，即可得出标准差的值。
4)判断方法
数值分布在(μ-3σ,μ+3σ)之外的数据为异常数据。
智能曝气控制属于反馈控制，控制原理：
首先计算MBR透水率，透水率公式如下：
S＝F/(TMP*100)
式中，S为透水率，单位：L/m2h·bar-1，TMP为跨膜压差，单位：kPa，半天数据的平均值，F为产水通量，单位：L/m2h，半天数据的平均值。
控制变量为斜率比SR，斜率比的公式如下：
式中，SS为短周期的透水率斜率，SL为长周期的透水率斜率。
短周期的透水率斜率的计算公式如下：
长周期的透水率斜率的计算公式如下：
本智能曝气系统设置的l1为1天，代表最近1天前的透水率数据。l2为7天，代表最近7天前的透水率数据。斜率比作为控制变量，根据它的变化对膜池曝气量进行实时调整。
根据短周期、长周期的透水率斜率确定膜池曝气量的调整方向：
1.当长周期的透水率斜率是负数，短周期的透水率斜率是正数并且数值较大，表示长周期的透水率单调递减，短周期的透水率单调递增，并且增加幅度较大。当透水率出现这种情况的变化趋势，曝气量应该降低。
2.当长周期的透水率斜率是负数，短期的透水率斜率是负数，表示长期的透水率单调递减，短期的透水率单调递减。当透水率出现这种情况的变化趋势，曝气量应该增加。
3.当长周期的透水率斜率是正数或者0，短周期的透水率斜率是正数或者0，表示长周期的透水率单调递增或者不变，短周期的透水率单调递增或者不变。当透水率出现这种情况的变化趋势，曝气量应该降低。
4.当长周期的透水率斜率是正数或者0，短周期的透水率斜率是负数，表示长周期的透水率是单调递增或者不变，短周期的透水率是单调递减。当透水率出现这种情况的变化趋势，曝气量应该降低。
依据曝气控制系统的控制原理，建立了曝气量变化量与斜率比变化之间的数学关系式，能够根据斜率比的变化通过模型的计算输出曝气量的准确数值，并且能够需求改变曝气量的变化程度。我们采用拟合软件对实测的数值进行模拟。得到的曝气量变化量(Afs)与斜率比(SR)变化之间的数学关系式如下：
当SL<0时，
Afs＝0.0001SR6+0.0039SR5-0.0244SR4-0.0248SR3+0.2298SR2+0.9767SR-1.1387
当SL>0时，
Afs＝-0.0089SR3-0.6486SR2-1.2523SR-0.4793
鼓风机曝气量(Afn)的计算公式如下：
式中Afb为初始曝气量的数值，k为曝气量变化量的变化系数。k值的设置是为了满足不同水厂工艺、运行条件差异的变化，根据实际情况设置。
将高效节能型智能曝气系统应用在处理水量为7.6吨/天膜生物反应器中。
图4a、图4b分别示出了根据本发明的一个实施例的数据清洗前后对比示意图。
从图4a、图4b可知，采用箱线图算法和3σ统计算法的耦合算法能够有效将原始数据中的异常数据清洗干净。采用该方法清洗后，原数据量由1697条清洗后剩余数据变为1277条。清洗掉25％的无效数据，清洗效果明显，能够有效保证模型数据输入的准确性，保证计算结果和输出曝气量数据的质量，使智能系统的控制能够能加精确。
图5示出了根据本发明的一个实施例的传统与智能曝气条件下曝气量的变化示意图。
在21LMH的运行通量条件下，智能曝气系统能够在不影响透水率衰减趋势的前提下，根据透水率衰减速率的变化，实时调整膜池的曝气，提供合适的曝气量。中试试验结果表明，智能曝气与传统曝气两种控制下的曝气量的平均值分别为9.22m3/h和7.83m3/h。该运行条件下能够节省15.09％的曝气量，如图5所示，智能曝气与传统曝气两种控制下膜池曝气的能耗为5.02kWh/d和4.68kWh/d，节省的能耗均值为6.8％。
实施例2
本公开提供一种电子设备，该电子设备包括：存储器，存储有可执行指令；处理器，处理器运行存储器中的可执行指令，以实现上述用于膜生物反应器的曝气控制方法。
根据本公开实施例的电子设备包括存储器和处理器。
该存储器用于存储非暂时性计算机可读指令。具体地，存储器可以包括一个或多个计算机程序产品，该计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。该非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
该处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制电子设备中的其它组件以执行期望的功能。在本公开的一个实施例中，该处理器用于运行该存储器中存储的该计算机可读指令。
本领域技术人员应能理解，为了解决如何获得良好用户体验效果的技术问题，本实施例中也可以包括诸如通信总线、接口等公知的结构，这些公知的结构也应包含在本公开的保护范围之内。
有关本实施例的详细说明可以参考前述各实施例中的相应说明，在此不再赘述。
实施例3
本公开实施例提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现所述的用于膜生物反应器的曝气控制方法。
根据本公开实施例的计算机可读存储介质，其上存储有非暂时性计算机可读指令。当该非暂时性计算机可读指令由处理器运行时，执行前述的本公开各实施例方法的全部或部分步骤。
上述计算机可读存储介质包括但不限于：光存储介质(例如：CD－ROM和DVD)、磁光存储介质(例如：MO)、磁存储介质(例如：磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如：存储卡)和具有内置ROM的媒体(例如：ROM盒)。
本领域技术人员应理解，上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果，并不意在将本发明的实施例限制于所给出的任何示例。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。

Claims (10)

1.一种用于膜生物反应器的曝气控制方法，其特征在于，包括：
获取膜池曝气量的关联参数；
获得所述关联参数的数据并进行数据清洗；
分别计算短周期、长周期的透水率斜率，进而计算斜率比；
根据所述短周期、长周期的透水率斜率确定膜池曝气量的调整方向；
建立曝气量变化量与所述斜率比之间的数学关系式，计算曝气量调整值。
2.根据权利要求1所述的用于膜生物反应器的曝气控制方法，其中，所述关联参数包括产水流量、曝气气体流量与压力。
3.根据权利要求1所述的用于膜生物反应器的曝气控制方法，其中，所述数据清洗包括：
根据设定的时间范围从数据库查询数据，并按照大小顺序进行排序；
通过箱线图针对非正态分布数据进行异常数据清洗，进而通过3σ统计算法针对正态分布数据进行异常数据清洗，获得清洗后的数据。
4.根据权利要求3所述的用于膜生物反应器的曝气控制方法，其中，通过箱线图针对非正态分布数据进行异常数据清洗包括：
计算所述非正态分布数据的第一四分位数、第三四分位数与四分位距，进而计算非异常范围内的上限与下限，将大于所述上限或小于所述下限的异常数据删除。
5.根据权利要求3所述的用于膜生物反应器的曝气控制方法，其中，通过3σ统计算法针对正态分布数据进行异常数据清洗包括：
计算所述正态分布数据的标准差σ与均值μ，将分布在(μ-3σ,μ+3σ)外的异常数据删除。
6.根据权利要求1所述的用于膜生物反应器的曝气控制方法，其中，分别计算短周期、长周期的透水率斜率，进而计算斜率比包括：
计算MBR透水率：
其中，S为透水率，TMP为跨膜压差，F为产水通量，F＝Q/(A*T)，Q为产水流量，A为膜的面积，T为膜产水时间；
短周期的透水率斜率为：
长周期的透水率斜率为：
则斜率比SR为：
式中，γS为短周期的透水率斜率，SL为长周期的透水率斜率。
7.根据权利要求1所述的用于膜生物反应器的曝气控制方法，其中，根据所述斜率比的变化确定膜池曝气量的调整方向包括：
当长周期的透水率斜率是负数，短周期的透水率斜率是正数并且数值较大，曝气量应降低；
当长周期的透水率斜率是负数，短期的透水率斜率是负数，曝气量应增加；
当长周期的透水率斜率是正数或者0，短周期的透水率斜率是正数或者0，曝气量应降低；
当长周期的透水率斜率是正数或者0，短周期的透水率斜率是负数，曝气量应降低。
8.根据权利要求1所述的用于膜生物反应器的曝气控制方法，其中，建立曝气量变化量与所述斜率比之间的数学关系式，计算曝气量调整值包括：
所述曝气量变化量与所述斜率比的数学关系式为：
当SL<0时，
Afs＝0.0001SR6+0.0039SR5-0.0244SR4-0.0248SR3+0.2298SR2+0.9767SR-1.1387
当SL>0时，
Afs＝-0.0089SR3-0.6486SR2-1.2523SR-0.4793
则鼓风机目标曝气量为：
式中，Afb为初始曝气量的数值，k为曝气量变化量的变化系数，Afs为曝气量变化率，Afn为目标曝气量。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有可执行指令；
处理器，所述处理器运行所述存储器中的所述可执行指令，以实现权利要求1-8中任一项所述的用于膜生物反应器的曝气控制方法。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现权利要求1-8中任一项所述的用于膜生物反应器的曝气控制方法。
CN202311358521.XA 2023-10-19 2023-10-19 用于膜生物反应器的曝气控制方法、电子设备及介质 Pending CN117263374A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311358521.XA CN117263374A (zh) 2023-10-19 2023-10-19 用于膜生物反应器的曝气控制方法、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311358521.XA CN117263374A (zh) 2023-10-19 2023-10-19 用于膜生物反应器的曝气控制方法、电子设备及介质

Publications (1)

Publication Number Publication Date
CN117263374A true CN117263374A (zh) 2023-12-22

Family

ID=89212254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311358521.XA Pending CN117263374A (zh) 2023-10-19 2023-10-19 用于膜生物反应器的曝气控制方法、电子设备及介质

Country Status (1)

Country Link
CN (1) CN117263374A (zh)

Similar Documents

Publication Publication Date Title
KR940005029B1 (ko) 프로세스 운전지원방법 및 시스템
CN102411308B (zh) 基于递归神经网络模型的溶解氧的自适应控制方法
CN111489271B (zh) 污水管理云平台
CN111718028A (zh) 一种基于大数据分析的净水厂混凝剂投加智能化建模方法
CN102122134A (zh) 基于模糊神经网络的溶解氧控制的废水处理方法及系统
CN105027010A (zh) 控制参数调整方法及控制参数调整系统
CN107402586A (zh) 基于深度神经网络的溶解氧浓度控制方法及系统
Ray et al. A holistic review on how artificial intelligence has redefined water treatment and seawater desalination processes
Huyskens et al. Validation of a supervisory control system for energy savings in membrane bioreactors
CN113325702B (zh) 一种曝气控制方法及装置
CN115470702A (zh) 一种基于机器学习的污水处理水质预测方法及系统
JP2000218263A (ja) 水質制御方法及びその装置
Robles et al. Model-based automatic tuning of a filtration control system for submerged anaerobic membrane bioreactors (AnMBR)
Han et al. An intelligent detecting system for permeability prediction of MBR
CN114781249A (zh) 基于多维评分模型的高密度澄清池加药量预测及控制方法
KR20060092660A (ko) 퍼지제어를 이용한 하·폐수 처리장의 자동제어장치 및 방법
JP2003245653A (ja) 処理装置の運転支援方法、水処理装置の運転支援方法及びその装置
CN117263374A (zh) 用于膜生物反应器的曝气控制方法、电子设备及介质
JP2007249767A (ja) プロセス制御システム
CN116681174A (zh) 污水处理生化池曝气量预测方法、系统、设备及介质
CN115375009B (zh) 一种建立混凝智能监控联动系统的方法
JPH0852458A (ja) 下水処理場の運転支援装置
CN101699261B (zh) 净水厂的排泥水悬浮固体浓度ss监测方法
Yusof et al. Modeling of submerged membrane filtration processes using recurrent artificial neural networks
JP2002045882A (ja) 下水処理場の水質制御装置

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