CN117303510B - 废水处理电源波形特征分析的自适应控制方法 - Google Patents
废水处理电源波形特征分析的自适应控制方法 Download PDFInfo
- Publication number
- CN117303510B CN117303510B CN202311151456.3A CN202311151456A CN117303510B CN 117303510 B CN117303510 B CN 117303510B CN 202311151456 A CN202311151456 A CN 202311151456A CN 117303510 B CN117303510 B CN 117303510B
- Authority
- CN
- China
- Prior art keywords
- waveform
- power supply
- data
- pulse
- direct current
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 181
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004065 wastewater treatment Methods 0.000 title claims abstract description 44
- 239000002351 wastewater Substances 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 16
- 239000002245 particle Substances 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 37
- 238000000605 extraction Methods 0.000 claims description 28
- 238000012795 verification Methods 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 23
- 230000000737 periodic effect Effects 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 3
- 238000000746 purification Methods 0.000 abstract description 16
- 238000012544 monitoring process Methods 0.000 abstract description 12
- 230000008859 change Effects 0.000 abstract description 8
- 150000004696 coordination complex Chemical class 0.000 abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 239000000126 substance Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 239000010842 industrial wastewater Substances 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000002699 waste material Substances 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
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/46—Treatment of water, waste water, or sewage by electrochemical methods
- C02F1/461—Treatment of water, waste water, or sewage by electrochemical methods by electrolysis
- C02F1/46104—Devices therefor; Their operating or servicing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2201/00—Apparatus for treatment of water, waste water or sewage
- C02F2201/46—Apparatus for electrochemical processes
- C02F2201/461—Electrolysis apparatus
- C02F2201/46105—Details relating to the electrolytic devices
- C02F2201/4612—Controlling or monitoring
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2201/00—Apparatus for treatment of water, waste water or sewage
- C02F2201/46—Apparatus for electrochemical processes
- C02F2201/461—Electrolysis apparatus
- C02F2201/46105—Details relating to the electrolytic devices
- C02F2201/4616—Power supply
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2201/00—Apparatus for treatment of water, waste water or sewage
- C02F2201/46—Apparatus for electrochemical processes
- C02F2201/461—Electrolysis apparatus
- C02F2201/46105—Details relating to the electrolytic devices
- C02F2201/4616—Power supply
- C02F2201/46175—Electrical pulses
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Organic Chemistry (AREA)
- Water Supply & Treatment (AREA)
- Environmental & Geological Engineering (AREA)
- Hydrology & Water Resources (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Water Treatment By Electricity Or Magnetism (AREA)
Abstract
本发明公开了废水处理电源波形特征分析的自适应控制方法,涉及废水处理技术领域,方法包括:对处理电源数据进行采集,获取初始直流、初始脉冲电源数据;获取直流电源波形特征;获取脉冲电源波形特征;将直流电源波形特征、脉冲电源波形特征分别输入至波形特征分析模型内获得分析结果;基于直流电源波形特征分析结果、脉冲电源波形特征分析结果对电源波形进行自适应控制,并根据负载的动态阻抗变化预测废水中络合物的净化效率,解决了现有技术中在对电源波形特征分析时无法及时进行调整的问题,实现了关于废水处理电源波形特征分析的自适应控制,以及金属络合物的去除效率的在线监控,以及金属络合物的去除效率的在线监控。
Description
技术领域
本发明涉及废水处理技术领域,具体涉及废水处理电源波形特征分析的自适应控制方法。
背景技术
随着社会经济的高速发展以及人们对水的不断提升,废水处理技术也逐渐发展,废水处理是水处理的重要组成部分,发挥着重要的作用。水处理是通过化学或物理的手段去除水中的一些对于生产生活所不需要的物质的过程,一般水处理电源是通过化学方法处理水时为其提供化学法所需要的电场环境的设备。但是实际情况中水处理电源波形情况复杂多变,对其特征进行及时分析进而进行有效调控显得十分重要。
现有技术中存在对电源波形特征分析时无法及时进行调整的问题,导致废水处理效果差,效率低,能耗高,废水处理电源使用寿命低的问题。
发明内容
本申请提供了废水处理电源波形特征分析的自适应控制方法,解决了现有技术中在对电源波形特征分析时无法及时进行调整的问题,实现了关于废水处理电源波形特征分析的自适应控制,以及金属络合物的去除效率的在线监控。
鉴于上述问题,本申请提供了废水处理电源波形特征分析的自适应控制方法。
第一方面,通过对废水处理过程中的处理电源数据进行采集,获取初始直流电源数据、初始脉冲电源数据;在直流预设周期内对初始直流电源数据进行电源波形的特征提取,获取直流电源波形特征;在脉冲预设周期内对初始脉冲电源数据进行电源波形的特征提取,获取脉冲电源波形特征;将直流电源波形特征、脉冲电源波形特征分别输入至波形特征分析模型内,输出直流电源波形特征分析结果、脉冲电源波形特征分析结果;基于直流电源波形特征分析结果、脉冲电源波形特征分析结果对电源波形进行自适应控制,获取控制结果。
第二方面,本申请提供了废水处理电源波形特征分析的自适应控制系统,系统包括:数据获取模块:所述数据获取模块用于通过对废水处理过程中的处理电源数据进行采集,获取初始直流电源数据、初始脉冲电源数据;特征获取模块:所述特征获取模块用于在直流预设周期内对所述初始直流电源数据进行电源波形的特征提取,获取直流电源波形特征;特征提取模块:所述特征提取模块用于在脉冲预设周期内对所述初始脉冲电源数据进行所述电源波形的特征提取,获取脉冲电源波形特征;特征分析模块:所述特征分析模块用于将所述直流电源波形特征、所述脉冲电源波形特征分别输入至波形特征分析模型内,输出直流电源波形特征分析结果、脉冲电源波形特征分析结果;波形控制模块:所述波形控制模块用于基于所述直流电源波形特征分析结果、所述脉冲电源波形特征分析结果对所述电源波形进行自适应控制,获取控制结果。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的废水处理电源波形特征分析的自适应控制方法,通过对废水处理过程中的处理电源数据进行采集,获取初始直流电源数据、初始脉冲电源数据,在直流预设周期内对初始直流电源数据进行电源波形的特征提取,获取直流电源波形特征,再对在脉冲预设周期内对初始脉冲电源数据进行电源波形的特征提取,获取脉冲电源波形特征,然后将直流电源波形特征、脉冲电源波形特征分别输入至波形特征分析模型内,模型输出直流电源波形特征分析结果、脉冲电源波形特征分析结果,基于直流电源波形特征分析结果、脉冲电源波形特征分析结果对电源波形进行自适应控制,获取控制结果。解决了现有技术中在对电源波形特征分析时无法及时进行调整的问题,实现了关于废水处理电源波形特征分析的自适应控制,以及金属络合物的去除效率的在线监控。
附图说明
图1为本申请提供了废水处理电源波形特征分析的自适应控制方法流程示意图;
图2为本申请提供了废水处理电源波形特征分析的自适应控制方法中获取直流电源波形特征流程示意图;
图3为本申请提供了废水处理电源波形特征分析的自适应控制系统结构示意图。
附图标记说明:数据获取模块a,特征获取模块b,特征提取模块c,特征分析模块d,波形控制模块e。
具体实施方式
本申请通过提供废水处理电源波形特征分析的自适应控制方法,通过对废水处理过程中的处理电源数据进行采集,获取初始直流电源数据、初始脉冲电源数据;在直流预设周期内对初始直流电源数据进行电源波形的特征提取,获取直流电源波形特征;在脉冲预设周期内对初始脉冲电源数据进行电源波形的特征提取,获取脉冲电源波形特征;将直流电源波形特征、脉冲电源波形特征分别输入至波形特征分析模型内,输出直流电源波形特征分析结果、脉冲电源波形特征分析结果;基于直流电源波形特征分析结果、脉冲电源波形特征分析结果对电源波形进行自适应控制,获取控制结果,解决了现有技术中在对电源波形特征分析时无法及时进行调整的问题,实现了关于废水处理电源波形特征分析的自适应控制,以及金属络合物的去除效率的在线监控。
实施例一
如图1所示,本申请提供了废水处理电源波形特征分析的自适应控制方法,方法包括:
步骤S100:通过对废水处理过程中的处理电源数据进行采集,获取初始直流电源数据、初始脉冲电源数据;
具体而言,废水处理电源是通过化学方法对废水进行处理为其所提供的所需电场环境的专用设备,属于电解水源的一种,电解水源具有直流电源和脉冲电源两种,由于脉冲电源价格昂贵,所以直流电源应用范围较广,废水处理电源能够处理和净化含有重金属离子的工业废水,并且将工业废水中的有用离子进行回收再利用。电源数据即为废水处理电源的数据,主要由输入、输出和控制三项数据构成,其中输入包含相数、电压、频率和输入方式等数据;输出包含波形、功率范围、稳定度和频率等数据;控制包含功率、换相和定时等数据。初始直流电源数据即处理电源数据中直流电源对应的电源数据,初始脉冲电源数据即处理电源中脉冲电源对应的电源数据。在处理电源数据中选取初始直流电源数据和初始脉冲电源数据,为后续对初始直流电源数据进行电源波形的特征提取和对初始脉冲电源数据进行电源波形的特征提取提供数据基础。
步骤S200:在直流预设周期内对所述初始直流电源数据进行电源波形的特征提取,获取直流电源波形特征;
具体而言,特征提取即从初始直流电源数据中提取出有效信息的过程,包括从初始直流电源数据中辨别出各种特征,并将这些特征应用于机器算法,创建出具有分析和预测功能的波形特征分析模型,进一步根据特征分析结果对电源波形进行自适应控制并获取控制结果。将初始直流电源数据进行电源波形进行分解,分解为连续的直流波形粒子,每个直流波形粒子都携带信号信息,且每隔一定量的直流波形粒子会产生相似的直流波形粒子,对重复的信息进行分析会占用大量的资源,导致整体效率不高,所以需对其进行分段提取,选择最小周期对直流电源数据进行采集,获取直流电源波形特征。直流电源波形特征的获取,对后续直流电源波形特征分析结果的输出提供数据基础。
步骤S300:在脉冲预设周期内对所述初始脉冲电源数据进行所述电源波形的特征提取,获取脉冲电源波形特征;
具体而言,脉冲预设周期是指初始脉冲电源数据的最小周期,由于脉冲电源波形比较复杂,无法像直流电源一样可以直接对直流预设周期进行设置,需要先将脉冲电源进行简单化处理,转换为容易分析的波形,对转化后的波形进行预设周期的获取,得到的预设周期即为脉冲预设周期,根据脉冲预设周期对初始脉冲电源数据进行分段提取,由于脉冲电源情况复杂,数据差异比较明显,所以提取到的值进行特征提取到的结果不具有代表性,所以需要对提取的脉冲电源数据进行平均化处理,对处理后的结果进行特征提取,得到脉冲电源波形特征。脉冲电源波形特征的获得为后续脉冲电源波形特征分析结果的输出提供数据基础。
步骤S400:将所述直流电源波形特征、所述脉冲电源波形特征分别输入至波形特征分析模型内,输出直流电源波形特征分析结果、脉冲电源波形特征分析结果;
具体而言,构建基于神经网络的特征分析模型,利用特征分析模型对直流电源波形特征和脉冲电源波形特征进行分析。构建基于神经网络的特征分析模型具有很强的容错性,能够将大量的数据信息分布贮于网络的神经元中,且计算速度快,能够更快的迭代分析,使输出数据能够充分且更快地逼近理想的结果,将波形特征分析模型构建好之后,输入直流电源波形特征和脉冲电源波形特征即可在得到输出直流电源波形特征分析结果和脉冲电源波形特征分析结果。直流电源波形特征分析结果和脉冲电源波形特征分析结果的获取,对后续电源波形进行自适应控制提供了数据基础。
步骤S500:基于所述直流电源波形特征分析结果、所述脉冲电源波形特征分析结果对所述电源波形进行自适应控制,获取控制结果;
具体而言,根据基于神经网络的特征分析模型输出的直流电源波形特征分析结果和脉冲电源波形特征分析结果,对电源波形进行控制,电源波形能够修正自己的特性以适应输入和扰动的动态变化,即为电源波形的自适应控制。在系统的运行过程中不断提取初始脉冲电源数据的特征信息并进行分析,将特征信息输入波形特征分析模型内,训练特征分析模型,使模型逐步完善逐渐优化,进而使电源波形自适应控制的能力增强,使电源波形得到进一步控制,得到结果即为控制结果。
基于直流电源波形特征分析结果、脉冲电源波形特征分析结果计算负载的动态等效阻抗变化,描述阻抗变化规律与废水净化率的对应关系,进而实现废水中络合物净化效率的在线监测,计算系统包括特征获取模块、特征提取模块、特征分析模块、废水净化率监测模块和废水净化率在线显示模块。其中,特征获取模块用于在直流预设周期内对初始直流电源数据进行等效阻抗的特征提取,获取直流电源等效阻抗。特征提取模块用于在脉冲预设周期内对初始脉冲电源数据进行等效阻抗的特征提取,获取脉冲电源等效阻抗,并基于电路等效阻抗法,构建负载电路等效阻抗分析模型,负载电路等效阻抗分析的输入数据包括直流电源波形特征、脉冲电源波形特征,输出数据包括直流电源等效阻抗分析结果、脉冲电源等效阻抗分析结果。废水净化率监测模块用于构建等效阻抗分析结果与废水净化率之间的对应性联系,且废水净化率监测模块基于曲线拟合算法,构建等效阻抗与废水净化率对应分析模型,等效阻抗与废水净化率对应分析模型的输入数据包括直流电源等效阻抗、脉冲电源等效阻抗,输出数据包括直流电源废水净化率分析结果、脉冲电源废水净化率分析结果。废水净化率在线显示模块用于实时显示废水净化率在线监测结果,并且废水净化效率在线显示模块与电源主控、显示电路实时通讯,同步显示废水净化率监测结果。
在实际实施环境中,大部分处理对象为废水,少部分为污水,其中废水为因废弃而排放的水,一般较为清洁且容易二次利用。总体而言,自适应控制是一种跟踪系统特性变化的控制方案,它能感知系统动态特性的变化,并随时修正控制参数,以使得控制效果保持较好的水平,且通过负载的动态阻抗变化能够及时获取频率变化,对频率变化进行检测能够对废水中络合物的净化效率进行在线监测,进而显著提高电能利用率。
进一步而言,本申请步骤S100还包括:
步骤S110:通过废水通过废水电源处理数据终端进行模拟信号采样,获取直流模拟采样方式、脉冲模拟采样方式;
步骤S120:通过所述直流模拟采样方式进行废水电源处理,获取直流电源样本数据;
步骤S130:通过所述脉冲模拟采样方式进行废水电源处理,获取脉冲电源样本数据;
步骤S140:对所述直流电源样本数据、所述脉冲电源样本数据进行数据训练,获取所述初始直流电源数据、所述初始脉冲电源数据。
具体而言,在废水电源处理数据终端进行采样,将不断连续变化的模拟量通过变送器转换成和被测量呈线性关系的直流电压信号为直流模拟采样方式,相对于直流模拟采样而言,对脉冲模拟采样方式进行采集时,输入至A/D交换器的是与电力系统的一次电流和一次电压同频率且大小成比例的电信号。通过直流模拟采样方式进行废水电源处理,对废水处理电源产生的相应数据进行获取,即得到直流电源样本数据;通过脉冲模拟采样方式进行废水电源处理,对废水处理电源产生的相应数据进行获取,即得到脉冲电源样本数据。根据直流电源样本数据、脉冲电源样本数据选择合适算法,并构建相应模型,在模型中设定超参数,对直流电源样本数据、脉冲电源样本数据进行数据训练,得到结果即为初始直流电源数据和初始脉冲电源数据。初始直流电源数据和初始脉冲电源数据和获取,为后续对初始直流电源数据进行电源波形的特征提取和对初始脉冲电源数据进行电源波形的特征提取提供数据基础。
进一步而言,本申请步骤S200还包括:
步骤S210:基于历史直流电源波形,提取多个直流波形粒子;
步骤S220:根据所述多个直流波形粒子,设定直流预设周期;
步骤S230:通过所述直流预设周期对所述初始直流电源数据进行所述电源波形的周期性采集,获取N个直流电源波形周期数据;
步骤S240:基于时间序列提取所述N个直流电源波形周期数据的特征,获取所述直流电源波形特征。
具体而言,在历史直流电源波形中进行提取携带信号信息的最小单位,即直流波形粒子,对多个直流波形粒子进行提取,将多个连续的直流波形粒子进行分析和对比,剔除相似的波形粒子,找到最小的周期,在最小周期内不存在相似直流波形粒子,且每隔一定最小周期都会出现与前一组连续直流波形粒子相似的多个直流波形粒子,最小周期被称为直流预设周期,通过直流预设周期对直流电源数据进行电源波形的周期性采集,采集得到N个直流电源波形的周期数据。将提取N个直流电源波形周期数据根据时间排列,并对其进行特征提取,得到直流电源波形特征。直流电源波形特征对后续直流电源波形特征分析结果的输出提供数据基础。
进一步而言,如图2所示,本申请步骤S300还包括:
步骤S310:基于历史脉冲电源波形,提取多个脉冲波形粒子;
步骤S320:根据所述多个脉冲波形粒子进行傅里叶变换,确定脉冲预设周期;
步骤S330:基于所述脉冲预设周期对所述初始脉冲电源数据进行所述电源波形的周期性采集,获取M个脉冲电源波形周期数据;
步骤S340:遍历所述M个脉冲电源波形周期数据,根据遍历结果进行数据拟合,获取所述脉冲电源波形周期拟合数据;
步骤S350:根据所述脉冲电源波形周期拟合数据,获取所述脉冲电源波形特征。
具体而言,在历史脉冲电源波形中提取多个连续的脉冲波形粒子,由于脉冲电源波形较为复杂,无法只管确认其最小周期,进而无法直接对其进行特征提取,需要先将其进行转换处理,转换为直观的波形再进行分析,在数字信号领域傅里叶变换是将任何连续测量的时序或信号表示为不同频率的正弦波信号的无限叠加,根据该原理创立的傅里叶变换算法利用直接测量到的原始信号,以累加方式来计算该信号中不同正弦波信号的频率、振幅和相位。将数据代入公式即可进行傅里叶变换,公式如下:
其中,f(t)为脉冲预设周期输出函数,ω0为脉冲波形粒子基波频率,a0为脉冲波形粒子直流分量,an、bn为脉冲幅值系数,n为正整数。
对其进行傅里叶变换后,变换后的波形周期即为脉冲预设周期,根据预设周期对初始脉冲电源数据进行以周期为单位的电源波形采集,得到M个脉冲电源波形周期数据。由于脉冲电源的不稳定性,导致每个周期单位内的波形差异较大,使每个周期单位内的波形进行特征提取出来的结果不具有共同性,所以需要对脉冲电源波形周期数据进行拟合,即将M个脉冲电源波形周期数据得到一条连续的曲线或更密集的离散方程与脉冲电源波形周期拟合数据吻合,对拟合后的结果进行特征提取,获得脉冲电源波形特征。脉冲电源波形特征的获得为后续脉冲电源波形特征分析结果的输出提供数据基础。
进一步而言,本申请步骤S400还包括:
步骤S410:基于BP神经网络,构建所述波形特征分析模型,所述波形特征分析模型的输入数据包括所述直流电源波形特征、所述脉冲电源波形特征,输出数据包括所述直流电源波形特征分析结果、所述脉冲电源波形特征分析结果;
步骤S420:所述波形特征分析模型包含数据输入层、波形分析层、分析结果输出层;
步骤S430:对所述直流电源波形特征、所述脉冲电源波形特征中包含的所述N个直流电源波形周期数据、所述M个脉冲电源波形周期数据进行数据标注,构建第一直流电源波形周期曲线数据集、第一脉冲电源波形周期曲线数据集,其中,所述第一直流电源波形周期曲线数据集内包括第一训练集和第一验证集,所述第一脉冲电源波形周期曲线数据集内包括第二训练集和第二验证集;
步骤S440:采用所述第一训练集和所述第一验证集对所述波形特征分析模型进行监督训练和验证,直到所述波形特征分析模型收敛或准确率达到预设要求,则输出所述直流电源波形特征分析结果;
步骤S450:采用所述第二训练集和所述第二验证集对所述波形特征分析模型进行监督训练和验证,直到所述波形特征分析模型收敛或准确率达到预设要求,则输出所述脉冲电源波形特征分析结果。
具体而言,由于BP神经网络是以网络误差平方为目标函数,采用梯度下降算法来计算目标函数的最小值,非常适合函数逼近和分类,所以基于BP神经网络构建波形特征分析模型。基于BP神经网络构建的波形特征分析模型结构总共分为三层,数据输入层、波形分析层、分析结果输出层将直流电源波形特征和脉冲电源波形特征输入进基于BP神经网络构建的波形特征分析模型的数据输入层,经过波形分析层的处理后,在分析结果输出层输出得到直流电源波形特征分析结果和脉冲电源波形特征分析结果。将直流电源波形特征中的N个直流电源波形周期数据进行标注,将其中的周期时间单位与所对应的第几个直流电源波形周期数据所对应,直流电源波形周期数据的序号按照采集的连续顺序依次向后排,构建出第一直流电源波形周期曲线数据集。同理可得,第一脉冲电源波形周期曲线数据集。在第一直流电源波形周期曲线数据集内包括第一训练集和第一验证集,第一训练集用于对波形特征分析模型进行监督训练,第一验证集用于对波形特征分析模型进行验证,同理可得,在第一脉冲电源波形周期曲线数据集内包括第二训练集和第二验证集,第二训练集用于对波形特征分析模型进行监督训练,第二验证集用于对波形特征分析模型进行验证。先对波形特征分析模型进行监督训练,得到结果后对其进行验证,判断其结果是否收敛或达到预设要求,如果达到则输出直流电源波形特征分析结果或脉冲电源波形特征分析结果,如果未达到,则再次监督训练和验证,直到其达到预设要求,输出特征分析结果。直流电源波形特征分析结果和脉冲电源波形特征分析结果的获取,对后续电源波形进行自适应控制提供了数据基础。
综上所述,本申请所提供的废水处理电源波形特征分析的自适应控制方法具有如下技术效果:
通过对废水处理过程中的处理电源数据进行采集,获取初始直流电源数据、初始脉冲电源数据,在直流预设周期内对初始直流电源数据进行电源波形的特征提取,获取直流电源波形特征,再对在脉冲预设周期内对初始脉冲电源数据进行电源波形的特征提取,获取脉冲电源波形特征,然后将直流电源波形特征、脉冲电源波形特征分别输入至波形特征分析模型内,模型输出直流电源波形特征分析结果、脉冲电源波形特征分析结果,基于直流电源波形特征分析结果、脉冲电源波形特征分析结果对电源波形进行自适应控制,获取控制结果,解决了现有技术中在对电源波形特征分析时无法及时进行调整的问题,实现了关于废水处理电源波形特征分析的自适应控制,以及金属络合物的去除效率的在线监控。
实施例二
基于与前述实施例中废水处理电源波形特征分析的自适应控制方法相同的发明构思,如图3所示,本申请提供了废水处理电源波形特征分析的自适应控制系统,所述系统包括:
数据获取模块a:所述数据获取模块a用于通过对废水处理过程中的处理电源数据进行采集,获取初始直流电源数据、初始脉冲电源数据;
特征获取模块b:所述特征获取模块b用于在直流预设周期内对所述初始直流电源数据进行电源波形的特征提取,获取直流电源波形特征;
特征提取模块c:所述特征提取模块c用于在脉冲预设周期内对所述初始脉冲电源数据进行所述电源波形的特征提取,获取脉冲电源波形特征;
特征分析模块d:所述特征分析模块d用于将所述直流电源波形特征、所述脉冲电源波形特征分别输入至波形特征分析模型内,输出直流电源波形特征分析结果、脉冲电源波形特征分析结果;
波形控制模块e:所述波形控制模块e用于基于所述直流电源波形特征分析结果、所述脉冲电源波形特征分析结果对所述电源波形进行自适应控制,获取控制结果。
进一步而言,所述系统还包括:
模拟采样模块:所述模拟采样模块用于通过废水通过废水电源处理数据终端进行模拟信号采样,获取直流模拟采样方式、脉冲模拟采样方式;
直流电源样本获取模块:所述直流电源样本获取模块用于通过所述直流模拟采样方式进行废水电源处理,获取直流电源样本数据;
脉冲电源样本数据获取模块:所述脉冲电源样本数据获取模块用于通过所述脉冲模拟采样方式进行废水电源处理,获取脉冲电源样本数据;
数据训练模块:所述数据训练模块用于对所述直流电源样本数据、所述脉冲电源样本数据进行数据训练,获取所述初始直流电源数据、所述初始脉冲电源数据。
进一步而言,所述系统还包括:
波形粒子提取模块:所述波形粒子提取模块用于基于历史直流电源波形,提取多个直流波形粒子;
预设周期设定模块:所述预设周期设定模块用于根据所述多个直流波形粒子,设定直流预设周期;
周期数据获取模块:所述周期数据获取模块用于通过所述直流预设周期对所述初始直流电源数据进行所述电源波形的周期性采集,获取N个直流电源波形周期数据;
波形特征获取模块:所述波形特征获取模块用于基于时间序列提取所述N个直流电源波形周期数据的特征,获取所述直流电源波形特征。
进一步而言,所述系统还包括:
脉冲波形粒子提取模块:所述脉冲波形粒子提取模块用于基于历史脉冲电源波形,提取多个脉冲波形粒子;
傅里叶变换模块:所述傅里叶变换模块用于根据所述多个脉冲波形粒子进行傅里叶变换,确定脉冲预设周期;
电源波形周期性采集模块:所述电源波形周期性采集模块用于基于所述脉冲预设周期对所述初始脉冲电源数据进行所述电源波形的周期性采集,获取M个脉冲电源波形周期数据;
周期拟合数据获取模块:所述周期拟合数据获取模块用于遍历所述M个脉冲电源波形周期数据,根据遍历结果进行数据拟合,获取所述脉冲电源波形周期拟合数据;
脉冲波形特征获取模块:所述脉冲波形特征获取模块用于根据所述脉冲电源波形周期拟合数据,获取所述脉冲电源波形特征。
进一步而言,所述系统还包括:
计算模块:所述计算模块用于
其中,f(t)为脉冲预设周期输出函数,ω0为脉冲波形粒子基波频率,a0为脉冲波形粒子直流分量,an、bn为脉冲幅值系数,n为正整数。
进一步而言,所述系统还包括:
神经网络模块:所述神经网络模块用于基于BP神经网络,构建所述波形特征分析模型,所述波形特征分析模型的输入数据包括所述直流电源波形特征、所述脉冲电源波形特征,输出数据包括所述直流电源波形特征分析结果、所述脉冲电源波形特征分析结果;
分层模块:所述分层模块用于所述波形特征分析模型包含数据输入层、波形分析层、分析结果输出层;
数据标注收集模块:所述数据标注收集模块用于对所述直流电源波形特征、所述脉冲电源波形特征中包含的所述N个直流电源波形周期数据、所述M个脉冲电源波形周期数据进行数据标注,构建第一直流电源波形周期曲线数据集、第一脉冲电源波形周期曲线数据集,其中,所述第一直流电源波形周期曲线数据集内包括第一训练集和第一验证集,所述第一脉冲电源波形周期曲线数据集内包括第二训练集和第二验证集;
模型监督训练模块:所述模型监督训练模块用于采用所述第一训练集和所述第一验证集对所述波形特征分析模型进行监督训练和验证,直到所述波形特征分析模型收敛或准确率达到预设要求,则输出所述直流电源波形特征分析结果;
监督训练和验证模块:所述监督训练和验证模块用于采用所述第二训练集和所述第二验证集对所述波形特征分析模型进行监督训练和验证,直到所述波形特征分析模型收敛或准确率达到预设要求,则输出所述脉冲电源波形特征分析结果。
本说明书通过前述对废水处理电源波形特征分析的自适应控制方法的详细描述,本领域技术人员可以清楚的知道本实施例中废水处理电源波形特征分析的自适应控制方法,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.废水处理电源波形特征分析的自适应控制方法,其特征在于,所述方法包括:
通过对废水处理过程中的处理电源数据进行采集,获取初始直流电源数据、初始脉冲电源数据;
在直流预设周期内对所述初始直流电源数据进行电源波形的特征提取,获取直流电源波形特征;
在脉冲预设周期内对所述初始脉冲电源数据进行所述电源波形的特征提取,获取脉冲电源波形特征;
将所述直流电源波形特征、所述脉冲电源波形特征分别输入至波形特征分析模型内,输出直流电源波形特征分析结果、脉冲电源波形特征分析结果;
基于所述直流电源波形特征分析结果、所述脉冲电源波形特征分析结果对所述电源波形进行自适应控制,获取控制结果;
其中,所述获取直流电源波形特征,方法还包括:
基于历史直流电源波形,提取多个直流波形粒子;
根据所述多个直流波形粒子,设定直流预设周期;
通过所述直流预设周期对所述初始直流电源数据进行所述电源波形的周期性采集,获取N个直流电源波形周期数据;
基于时间序列提取所述N个直流电源波形周期数据的特征,获取所述直流电源波形特征;
所述获取脉冲电源波形特征,方法还包括:
基于历史脉冲电源波形,提取多个脉冲波形粒子;
根据所述多个脉冲波形粒子进行傅里叶变换,确定脉冲预设周期;
基于所述脉冲预设周期对所述初始脉冲电源数据进行所述电源波形的周期性采集,获取M个脉冲电源波形周期数据;
遍历所述M个脉冲电源波形周期数据,根据遍历结果进行数据拟合,获取脉冲电源波形周期拟合数据;
根据所述脉冲电源波形周期拟合数据,获取所述脉冲电源波形特征。
2.如权利要求1所述的方法,其特征在于,所述获取初始直流电源数据、初始脉冲电源数据,方法还包括:
通过废水电源处理数据终端进行模拟信号采样,获取直流模拟采样方式、脉冲模拟采样方式;
通过所述直流模拟采样方式进行废水电源处理,获取直流电源样本数据;
通过所述脉冲模拟采样方式进行废水电源处理,获取脉冲电源样本数据;
对所述直流电源样本数据、所述脉冲电源样本数据进行数据训练,获取所述初始直流电源数据、所述初始脉冲电源数据。
3.如权利要求1所述的方法,其特征在于,傅里叶变换公式如下,还包括:
;
其中,为脉冲预设周期输出函数,/>为脉冲波形粒子基波频率,/>为脉冲波形粒子直流分量,/>、/>为脉冲幅值系数,n为正整数。
4.如权利要求1所述的方法,其特征在于,所述输出直流电源波形特征分析结果、脉冲电源波形特征分析结果,方法还包括:
基于BP神经网络,构建所述波形特征分析模型,所述波形特征分析模型的输入数据包括所述直流电源波形特征、所述脉冲电源波形特征,输出数据包括所述直流电源波形特征分析结果、所述脉冲电源波形特征分析结果;
所述波形特征分析模型包含数据输入层、波形分析层、分析结果输出层;
对所述直流电源波形特征、所述脉冲电源波形特征中包含的所述N个直流电源波形周期数据、所述M个脉冲电源波形周期数据进行数据标注,构建第一直流电源波形周期曲线数据集、第一脉冲电源波形周期曲线数据集,其中,所述第一直流电源波形周期曲线数据集内包括第一训练集和第一验证集,所述第一脉冲电源波形周期曲线数据集内包括第二训练集和第二验证集;
采用所述第一训练集和所述第一验证集对所述波形特征分析模型进行监督训练和验证,直到所述波形特征分析模型收敛或准确率达到预设要求,则输出所述直流电源波形特征分析结果;
采用所述第二训练集和所述第二验证集对所述波形特征分析模型进行监督训练和验证,直到所述波形特征分析模型收敛或准确率达到预设要求,则输出所述脉冲电源波形特征分析结果。
5.废水处理电源波形特征分析的自适应控制系统,其特征在于,所述系统包括:
数据获取模块:所述数据获取模块用于通过对废水处理过程中的处理电源数据进行采集,获取初始直流电源数据、初始脉冲电源数据;
特征获取模块:所述特征获取模块用于在直流预设周期内对所述初始直流电源数据进行电源波形的特征提取,获取直流电源波形特征;
波形粒子提取模块:所述波形粒子提取模块用于基于历史直流电源波形,提取多个直流波形粒子;
预设周期设定模块:所述预设周期设定模块用于根据所述多个直流波形粒子,设定直流预设周期;
周期数据获取模块:所述周期数据获取模块用于通过所述直流预设周期对所述初始直流电源数据进行所述电源波形的周期性采集,获取N个直流电源波形周期数据;
波形特征获取模块:所述波形特征获取模块用于基于时间序列提取所述N个直流电源波形周期数据的特征,获取所述直流电源波形特征;
特征提取模块:所述特征提取模块用于在脉冲预设周期内对所述初始脉冲电源数据进行所述电源波形的特征提取,获取脉冲电源波形特征;
特征分析模块:所述特征分析模块用于将所述直流电源波形特征、所述脉冲电源波形特征分别输入至波形特征分析模型内,输出直流电源波形特征分析结果、脉冲电源波形特征分析结果;
波形控制模块:所述波形控制模块用于基于所述直流电源波形特征分析结果、所述脉冲电源波形特征分析结果对所述电源波形进行自适应控制,获取控制结果;
脉冲波形粒子提取模块:所述脉冲波形粒子提取模块用于基于历史脉冲电源波形,提取多个脉冲波形粒子;
傅里叶变换模块:所述傅里叶变换模块用于根据所述多个脉冲波形粒子进行傅里叶变换,确定脉冲预设周期;
电源波形周期性采集模块:所述电源波形周期性采集模块用于基于所述脉冲预设周期对所述初始脉冲电源数据进行所述电源波形的周期性采集,获取M个脉冲电源波形周期数据;
周期拟合数据获取模块:所述周期拟合数据获取模块用于遍历所述M个脉冲电源波形周期数据,根据遍历结果进行数据拟合,获取脉冲电源波形周期拟合数据;
脉冲波形特征获取模块:所述脉冲波形特征获取模块用于根据所述脉冲电源波形周期拟合数据,获取所述脉冲电源波形特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311151456.3A CN117303510B (zh) | 2023-09-07 | 2023-09-07 | 废水处理电源波形特征分析的自适应控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311151456.3A CN117303510B (zh) | 2023-09-07 | 2023-09-07 | 废水处理电源波形特征分析的自适应控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117303510A CN117303510A (zh) | 2023-12-29 |
CN117303510B true CN117303510B (zh) | 2024-06-25 |
Family
ID=89285684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311151456.3A Active CN117303510B (zh) | 2023-09-07 | 2023-09-07 | 废水处理电源波形特征分析的自适应控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117303510B (zh) |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1583326A (zh) * | 2004-05-27 | 2005-02-23 | 兰州理工大学 | 用于金属凝固过程的电源及其控制系统 |
WO2007129920A2 (en) * | 2006-05-08 | 2007-11-15 | Alan Teehu Wichman | Improvements to removing components from fluids |
CN101866156B (zh) * | 2010-07-21 | 2012-03-28 | 中国地质大学(武汉) | 基于labview的变频水处理控制系统 |
CN102779281B (zh) * | 2012-06-25 | 2014-10-22 | 同济大学 | 一种在地磁感应器上基于支持向量机的车型识别方法 |
CN109685138B (zh) * | 2018-12-25 | 2023-04-07 | 东南大学 | 一种xlpe电力电缆局部放电类型识别方法 |
CN110208608B (zh) * | 2019-05-10 | 2021-05-14 | 中国人民解放军国防科技大学 | 一种低功耗小型化单粒子瞬态参数测试装置及方法 |
CN110824914B (zh) * | 2019-09-30 | 2022-07-12 | 华南师范大学 | 一种基于pca-lstm网络的废水处理智能监控方法 |
CN111898669B (zh) * | 2020-07-24 | 2023-07-14 | 大连重工机电设备成套有限公司 | 一种基于机器学习的直流矿热炉异常事件预警系统 |
CN112250161B (zh) * | 2020-08-29 | 2023-05-30 | 盐城工学院 | 一种用于偶氮废水处理的微生物电解电池的自适应电位控制器及其控制方法 |
CN113484702B (zh) * | 2021-06-17 | 2022-02-01 | 南京航空航天大学 | 一种脉冲放电的位移电流预测方法 |
CN114217164B (zh) * | 2021-11-19 | 2022-10-21 | 山东大学 | 一种基于放电波形智能识别的电缆故障测距方法及系统 |
CN114840991A (zh) * | 2022-04-25 | 2022-08-02 | 哈尔滨理工大学 | 基于脉冲电容器在线监测技术预测电容参数的方法 |
CN115426763A (zh) * | 2022-08-24 | 2022-12-02 | 中国科学院近代物理研究所 | 同步加速器脉冲电源定时变能控制方法及系统 |
CN218709463U (zh) * | 2022-11-18 | 2023-03-24 | 国红环保科技有限责任公司 | 一种脱氮装置 |
CN115712871A (zh) * | 2022-11-29 | 2023-02-24 | 西南交通大学 | 一种结合重采样和集成学习的电力电子系统故障诊断方法 |
CN116282400A (zh) * | 2023-03-15 | 2023-06-23 | 吉林大学 | 一种处理矿山含重金属酸性废水的双脉冲低压电絮凝方法 |
CN116027161B (zh) * | 2023-03-16 | 2023-06-16 | 武汉纺织大学 | 电力设备局部放电脉冲信号监测方法、装置、设备及介质 |
CN116537994A (zh) * | 2023-05-05 | 2023-08-04 | 国家电投集团重庆狮子滩发电有限公司 | 污水处理净水发电水轮机在线监测系统及方法 |
-
2023
- 2023-09-07 CN CN202311151456.3A patent/CN117303510B/zh active Active
Non-Patent Citations (1)
Title |
---|
基于电凝聚法的印染废水处理实验系统;王振宇等;电子测试;20210115(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117303510A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Short-term wind power forecasting based on VMD decomposition, ConvLSTM networks and error analysis | |
Asadi et al. | Wastewater treatment aeration process optimization: A data mining approach | |
Chen et al. | Forecasting tourism demand based on empirical mode decomposition and neural network | |
CN111427265B (zh) | 基于迁移学习的重金属废水处理过程异常工况智能化监测方法、装置及存储介质 | |
CN108022014B (zh) | 一种电力系统负荷预测方法及系统 | |
CN107798416B (zh) | 基于蒙特卡罗法预测新建工业园区水污染治理效果的方法 | |
CN114492675B (zh) | 一种电容式电压互感器故障原因智能诊断方法 | |
Wang et al. | A full-view management method based on artificial neural networks for energy and material-savings in wastewater treatment plants | |
Huang et al. | Stability analysis of GMAW based on multi-scale entropy and genetic optimized support vector machine | |
CN117060353A (zh) | 基于前馈神经网络高压直流输电系统故障诊断方法及系统 | |
CN117303510B (zh) | 废水处理电源波形特征分析的自适应控制方法 | |
Schirmer et al. | Double Fourier integral analysis based convolutional neural network regression for high-frequency energy disaggregation | |
CN110866840A (zh) | 基于知识图谱的电力负荷特征量训练的数据库建模方法 | |
Zhang et al. | A hybrid model combining mode decomposition and deep learning algorithms for detecting TP in urban sewer networks | |
Zhang et al. | Prediction of influent wastewater quality based on wavelet transform and residual LSTM | |
Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
CN116756523B (zh) | 跨界水污染源解析方法、系统、装置和存储介质 | |
Du Nguyen et al. | The use of machine learning algorithms for evaluating water quality index: a survey and perspective | |
Mishra et al. | Power quality disturbances classification with deep learning approach | |
KR20210097613A (ko) | 수요관리 자원 최적화를 위한 전력사용량 예측 시스템 | |
Qi et al. | Adaptive time window convolutional neural networks concerning multiple operation modes with applications in energy efficiency predictions | |
Kang et al. | Research on forecasting method for effluent ammonia nitrogen concentration based on GRA-TCN | |
Zhang et al. | Disturbance Identification of Power Quality Based on Markov Transition Field and Deep Residual Network | |
KR20230038038A (ko) | 수처리 에너지지수 기반 하수처리장의 에너지 효율 평가 방법 및 에너지 절감 의사결정 시스템 | |
Liu et al. | Grey-RBF neural network prediction model for city electricity demand forecasting |
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 |