CN117452815A - 一种污水处理工艺的药剂投加控制方法及系统 - Google Patents
一种污水处理工艺的药剂投加控制方法及系统 Download PDFInfo
- Publication number
- CN117452815A CN117452815A CN202311393103.4A CN202311393103A CN117452815A CN 117452815 A CN117452815 A CN 117452815A CN 202311393103 A CN202311393103 A CN 202311393103A CN 117452815 A CN117452815 A CN 117452815A
- Authority
- CN
- China
- Prior art keywords
- model
- module
- medicament
- data
- control
- 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
- 238000000034 method Methods 0.000 title claims abstract description 186
- 230000008569 process Effects 0.000 title claims abstract description 122
- 239000003814 drug Substances 0.000 title claims abstract description 96
- 239000010865 sewage Substances 0.000 title claims abstract description 49
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 101
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 239000003153 chemical reaction reagent Substances 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000012821 model calculation Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 8
- 239000003795 chemical substances by application Substances 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000013043 chemical agent Substances 0.000 claims 4
- 238000002203 pretreatment Methods 0.000 claims 2
- 238000004065 wastewater treatment Methods 0.000 claims 1
- 238000004886 process control Methods 0.000 abstract description 6
- 230000008859 change Effects 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 12
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 5
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 4
- 229910052698 phosphorus Inorganic materials 0.000 description 4
- 239000011574 phosphorus Substances 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241000276484 Gadus ogac Species 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015271 coagulation Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000002547 new drug Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种污水处理工艺的药剂投加控制方法及系统，包括数据预处理步骤；水质信息及流量数据的预处理、工艺理论计算步骤、未来输入预测步骤、药剂需求模型建模步骤、模型自适应更新步骤、MPC模型预判控制步骤、未来期望输出步骤、断面输出及总出水输出反馈步骤；本发明的系统包括数据预处理模块、工艺模型计算模块、未来输入预测模块、模型自适应更新模块、药剂需求模型建模模块、MPC模型预判控制模块、未来期望输出模块和断面输出及总出水输出反馈模块。本发明的污水处理工艺的药剂投加控制方法及系统，具有能够实现污水工艺控制过程的平滑、稳定、可靠并且能够节约污水处理工艺的成本等优点。
Description
技术领域
本发明涉及一种污水处理技术，尤其是一种污水处理工艺的药剂投加控制方法及系统。
背景技术
目前，污水处理的工艺控制中，水厂主要采用的控制工艺是基于经验的反馈控制，基于经验的前馈加反馈控制，以及考虑污水处理工艺的前馈+模型+反馈的控制方法。基于专家经验的反馈或者前馈+反馈，主要是根据输出水质和期望值的误差(反馈)，以及进水的水质，水量(前馈)，根据专业经验设定控制值，该方法属于事后控制，对于污水这种具有大滞后、多耦合、强干扰特性下，难以达到较好效果。
前馈控制+控制模型+反馈控制相结合的污水处理工艺，通过模型得到初步的控制量，然后通过反馈补偿模型的误差。这个方法能减少单纯用反馈控制形成的控制振荡，性能较反馈控制要平稳一些。然而该方法在模型主要基于机理理论计算，和实际情况有比较大的偏差，在模型不准确的情况下，输出结果也不理想。前馈控制中，只考虑了当前的输入，没有对未来的输入做一个预期，不能提前对未来的变化做出控制改变，只是临时的变动，同样形成控制的波动及达不到控制期望输出的风险。相关控制中，期望的控制输出往往采用固定值，不能跟随后续工艺的特点调整，造成不必要的浪费。
现有技术中的前馈+模型+反馈方法的污水处理工艺，主要有以下几个方面的缺陷。
1、控制模型不准：目前采用的工艺模型基于机理理论值设定方程，然而实际工艺中由于水质的变化、成分的变化和天气的变化等，造成工艺模型的变化，而目前方法没有办法更新，造成控制模型和实际模型的差异。
2、控制算法波动大：控制算法单纯仅仅依赖反馈控制量的话，控制量的变化会根据误差的波动而形成更大的控制量波动，对相应的控制设备造成影响，损害设备，也会形成控制输出的不稳定。
3、没有预期的控制：当前控制是基于当下以及反馈的事后控制，如果下一个输入变化较大，控制没有提前准备，造成控制的响应不及时，就不能达到控制预期，输出超出预期值，造成风险。
4、控制算法不经济：当前控制算法主要采用固定的输出值，由于没有考虑后期工艺性能的变化以及水质控制平稳性情况，造成控制值偏低而药剂投加过多。
综上所述，现有技术中前馈+模型+反馈方法的污水处理工艺，主要缺陷为控制模型和实际模型存在不一致、控制输出稳定性不高、控制达不到期望标准、控制不经济等一些可能的不足。
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，提供一种污水处理工艺的药剂投加控制方法及系统，以对矿井的湿热环境进行不同工况的模拟。
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工艺的药剂投加控制方法，其包括如下步骤：
步骤1：数据预处理步骤；水质信息及流量数据的预处理；
步骤2：工艺理论计算步骤；通过工艺理论计算获取基础当量；
步骤3：未来输入预测步骤；根据当前时间点的前段时间的工艺水质数据，预测到未来输入水质；
步骤4：药剂需求模型建模步骤；对基础当量采用大数据学习规律，建立基础当量和药剂投加的药剂需求模型；
步骤5：模型自适应更新步骤；获取一段时间的历史数据进行数据学习，更新工艺模型；
步骤6：MPC模型预判控制步骤；
步骤7：未来期望输出步骤；
步骤8：断面输出及总出水输出反馈步骤。
本发明的一种污水处理工艺的药剂投加控制方法的结构特点也在于：
优选地，所述步骤1中，所述数据的预处理方法包括采用趋势法、阈值法去除异常值的步骤。
优选地，所述步骤1中，所述步骤1中，所述数据的预处理方法包括均值滤波的步骤。
优选地，所述步骤3中，基于神经网络的未来输入及期望输出预测方法，采用深度神经网络模型构建预测模型。
优选地，所述步骤5中，所述模型自适应更新步骤中，根据水质因素、流量因素、天气因素的影响，根据实际情况调整和更新模型。
优选地，所述步骤6中，所述MPC模型预判控制步骤包括如下步骤：
步骤61：建立价值函数J(k)；
步骤62：根据计划药剂投加量，计算价值函数的一阶梯度极点及对应的G值；
步骤63：根据一阶梯度G值，计算二阶导数矩阵H值；
步骤64：根据G值和H值，计算药剂投加的修正量；
步骤65：根据药剂投加修正量，更新新的药剂投加；如果更新药剂投加量和上一步投加量差值小于给定阈值，结束循环，输出药剂投加量；
步骤66：计算新的药剂投加预期的价值，如果小于当前价值，计划投加量调整为新的药剂投加；如果大于当前价值，缩短价值调整一半步长，更新计划药剂投加量，跳回步骤62。
本发明还公开了一种污水处理工艺的药剂投加控制方法的系统，其包括数据预处理模块、工艺模型计算模块、未来输入预测模块、模型自适应更新模块、药剂需求模型建模模块、MPC模型预判控制模块、未来期望输出模块和断面输出及总出水输出反馈模块；
所述数据预处理模块，用于水质信息及流量数据的预处理；
所述工艺理论计算模块，用于通过工艺理论计算获取基础当量；
所述未来输入预测模块，用于根据当前时间点的前段时间的工艺水质数据，预测到未来输入水质；
所述模型自适应更新模块，用于获取一段时间的历史数据进行数据拟合，更新工艺模型；
所述药剂需求模型建模模块，用于对基础当量及大数据进行拟合，建立基础当量和药剂投加的药剂需求模型；
所述MPC模型预判控制模块，用于根据未来多步输入信息以及价值函数，找到控制的最优值；
所述未来期望输出模块，用于根据历史数据包含断面输出及总出水输出等数据，利用深度神经网络模型进行训练，根据模型来预测后续工艺对于关键水质参数的消减，根据预测及总出水的水质目标，生成当前工艺的输出期望值；
所述断面输出及总出水输出反馈模块，用于根据输出和期望值的误差，把误差作为补偿量加在MPC控制参考值之上，补偿由于模型不准，数据不准，控制不准等因素造成的误差。
本发明还公开了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的污水处理工艺的药剂投加控制方法。
本发明还公开了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据所述的污水处理工艺的药剂投加控制方法。
本发明还公开了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据所述的污水处理工艺的药剂投加控制方法。
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工艺的药剂投加控制方法及系统，包括数据预处理步骤；水质信息及流量数据的预处理、工艺理论计算步骤、未来输入预测步骤、药剂需求模型建模步骤、模型自适应更新步骤、MPC模型预判控制步骤、未来期望输出步骤、断面输出及总出水输出反馈步骤；本发明的系统包括数据预处理模块、工艺模型计算模块、未来输入预测模块、模型自适应更新模块、药剂需求模型建模模块、MPC模型预判控制模块、未来期望输出模块和断面输出及总出水输出反馈模块。各个步骤和各个模块协同工作构成一个有机整体，形成更加稳定、可靠、经济的污水处理药剂投加。
本发明具有以下几个方面的优点。
1、方法采用模型预判控制，可以支持模型输入，预判输入，是一个融合最优算法，利用该方法结合模型自适应更新，深度神经网络预测，使得控制可以提前预判，实现平滑，稳定，可靠的控制。
2、通过模型自适应更新，控制算法所采用模型，根据实际数据情况不断调整更新，维护模型和现实运营的一致性。
3、根据深度神经网络预测功能，预测模块可以根据进水水质预判本工艺的未来几步输入，给控制提供的未来信息。
4、在经济方面，模型采用神经网络预测后续工艺的特性，根据输出参考值，得到本段工艺的参考输出值最大限度利用后续工艺的处理特性，减少当前药剂投加量。另外，本方法中出水输出参考可以根据控制的平稳而调整，平衡风险以及成本节约。综合实现成本的节约。
通过断面输出和出水输出和真实值的对比，得到误差反馈给控制器，实现偏差下的纠正，形成完整的控制体系，可以实现污水工艺控制过程的稳定、可靠及成本节约。
本发明的污水处理工艺的药剂投加控制方法，具有能够实现污水工艺控制过程的平滑、稳定、可靠并且能够节约污水处理工艺的成本等优点。
附图说明
图1为本发明的一种污水处理工艺的药剂投加控制方法的流程图。
图2为本发明的一种污水处理工艺的药剂投加控制方法的深度神经网络架构的示意图。
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工艺的药剂投加控制方法，其包括如下步骤：
步骤1：数据预处理步骤；水质信息及流量数据的预处理；
步骤2：工艺理论计算步骤；通过工艺理论计算获取基础当量；
步骤2中，工艺理论计算模块主要用于计算污水处理工艺的基础当量，对应化学需氧量COD、总氮TN、总磷TP、氨氮NP的工艺过程去除量。
步骤3：未来输入预测步骤；根据当前时间点的前段时间的工艺水质数据，预测到未来输入水质；
未来输入预测步骤中，未来输入预测模块根据当前时间点的前段时间的工艺水质数据，预测到未来多步(控制周期时间)的输入水质，具体数量可以根据实际获得情况设定。本发明中，“步”的步长时间是根据工艺的控制时间确定的。根据工艺的情况，可能1小时一次或者10分钟一次，对应多步情况是未来几个小时或者几十分钟。未来输入预测模块中，基于机器学习的方法，采用深度神经网络模型来预测未来多步的水质情况。深度神经网络模型的训练数据，基于历史的水质数据和对应工艺的输入水质作为训练集，训练预测模型。
步骤4：药剂需求模型建模步骤；对基础当量采用大数据学习规律，建立基础当量和药剂投加的药剂需求模型；
药剂需求模型建模步骤中，由药剂需求模型建模模块对基础当量及水厂运行相关运行数据包含水质、流量、药剂投加及输出等进行学习，建立基础当量和药剂投加的药剂需求模型。
步骤5：模型自适应更新步骤；获取一段时间的历史数据进行数据学习，更新工艺模型；
模型自适应更新步骤中，由模型自适应更新模块根据一段时间的历史数据，通过数据学习的方式，更新药剂需求模型，使得药剂需求模型能够反应当前的工艺和水质的处理情况。所述历史数据包含流量数据、水质输入数据、药剂投加量及水质输出数据。
步骤6：MPC模型预判控制步骤；
如图1，MPC控制是本发明的核心部分。本发明中，MPC基于自定义的价值函数来实现控制输出的跟踪、平稳及低控制特性。另外本发明独立编写MPC控制变量调整算法，以便于MPC算法适合PLC的有限计算资源。方法首先基于工艺过程模型，未来多步的预测输入，未来多步的期望输出，输出相关控制响应，使得控制更加稳定顺畅。模型预判控制采用偏微分方程找极值的方法，根据未来多步输入信息以及价值函数，找到控制的最优值。价值函数在本方法中包含三个部分：输出追踪的差值平方值，工艺控制量的平方值，工艺控制量波动的平方值，总价值是三个部分之和。该控制方法综合考虑了控制输出，减少控制以及减少控制波动等三个关键因素。
步骤7：未来期望输出步骤；
未来期望输出步骤中，由未来期望输出模块根据历史数据包含断面输出及总出水输出等数据。未来期望输出模块中，也采用图2的网络架构，输入为上一步后续工艺处理的水质变化量及上一步的流量、药剂投加量，输出为未来N步后续工艺的水质变化量，N根据实际情况设定。图2的网络架构，利用深度神经网络模型进行训练，根据模型来预测后续工艺对于关键水质参数的变化，根据预测及总出水的水质目标，生成当前工艺的输出期望值，该方法充分考虑后续处理工艺的性能，减少当前工艺药物投加量。
图1中期望出水水质是总出水水质的设定值，该值可以根据控制的平稳性而波动，如果水质平稳控制也平稳，可以提高水质值，进一步减少药物投加量。
步骤8：断面输出及总出水输出反馈步骤。
断面输出及总出水输出反馈步骤中，由断面输出及总出水输出反馈模块根据输出和期望值的误差，把误差作为补偿量加在MPC控制参考值之上，补偿由于模型不准，数据不准，控制不准等因素造成的误差。
具体实施时，所述步骤1中，所述数据的预处理方法包括采用趋势法、阈值法去除异常值的步骤。
具体实施时，所述步骤1中，所述步骤1中，所述数据的预处理方法包括均值滤波的步骤。
本发明中的数据预处理步骤中，数据预处理模块的输入是当前的水质信息及流量信息。水质信息的关键参数由具体的工艺来确定或调整；例如，混凝工艺中选择TP总磷，臭氧工艺中选择COD。数据预处理步骤中，首先通过设定数据趋势、阈值及变化阈值来去除异常值，然后再加一个均值滤波步骤以减少传感采集噪音带来的影响。历史数据包含历史的流量数据、水质数据以及历史的控制数据及输出数据，数据量可采用一段时间如6个小时到24小时不等，根据水厂情况决定。
具体实施时，所述步骤3中，基于神经网络的未来输入及期望输出预测方法，采用深度神经网络模型构建预测模型。
如图2中，未来输入预测步骤中，采用图2的网络架构。网络架构的输入为上一个工艺的水质参数(包括化学需氧量COD、总氮TN、总磷TP、氨氮NP)、流量Q1及药剂投加量DO，网络架构的输出为本污水处理工艺的未来N步水质及流量Q。该网络架构根据历史数据进行训练。
具体实施时，所述步骤5中，所述模型自适应更新步骤中，根据水质因素、流量因素、天气因素的影响，根据实际情况调整和更新模型。
模型自适应更新步骤中，考虑污水处理工艺中的水质、水量、天气等多种环境因素影响，需要根据实际情况调整和更新模型。工艺模型定义为一阶模型M，M对应的参数是：[m1，m2]。
根据工艺采用P组输入输出时间对齐的数据作为工艺模型更新参考，每P组的时间更新一次模型M：
式子(1)中，Xi为药剂投加量，Yi是水质当量变化、P是数据长度。
具体实施时，所述步骤6中，所述MPC模型预判控制步骤包括如下步骤：
MPC模型预判控制模块的输入为：仿真模型、工艺输入水质及未来输入水质，工艺期望输出水质及未来期望输出水质、上一次工艺药剂投加量、计划药剂投加量，水量；
MPC模型预判控制模块的输入为：药剂投加量、期望输出。
步骤61：建立价值函数J(k)；
价值函数J(k)中包含输出误差Etra(k)、药剂投加量Econ(k)、药剂投加变化量Evel(k)等因子。
J(k)＝α*Etra(k)+β*Econ(k)+γ*Evel(k) (2)
式子(2)中，α、β、γ分别为衡量输出误差Etra(k)、药剂投加量Econ(k)、药剂投加变化量Evel(k)的权重因子，α、β、γ∈[01]，α+β+γ＝1；k对应的第k步，k是离散时间的考虑，J(k)表示第k步时的J的表达式。
式子(3)假定S是输入预测的步长数量，N是最大步长；Y＝f(M,X)是工艺模型输出水质，M对应的参数是：[m1，m2]，X是药剂控制投加量；X由x1～xN组成，即X＝[x1，x2，x3……xN]，分别代表当前时刻及未来N步的药剂投加量；Yref是期望的输出水质。输出水质参数可以是单一水质参数，如COD、TN、TP、NH3等某一个参数；输出水质参数也可以是多个水质参数的组合。输出水质参数Y(k)也可以是全部水质参数，通过COD(k)、TN(k)、TP(k)、NH3(k)等参数分别表示化学需氧量、总氮、总磷和氨。
Y(k)＝[COD(k),TN(k),TP(k),NH3(k)]T (4)
式子(4)和式子(5)中，X是药剂控制投加量，X(k)表示第k步中药剂控制投加量，药剂可以是单个药剂，也可以是多种药剂的组合。T是矩阵转置符号。
式子(6)中，Fr是药剂投加控制的频率；Fr是小时时间对应的频率，单位为cph，即即次/小时(cycle per hour)；例如每10分钟执行一次控制动作的对应频率Fr＝6cph，每1小时执行一次控制动作的对应频率Fr＝1cph。该价值函数设计，保障了控制中安全、平稳、经济的输出。
然后开始步骤62～步骤66循环：如果调整迭代次数大于给定阈值，结束调整，输出当前药剂投加量。
步骤62：根据计划药剂投加量，计算价值函数的一阶梯度极点及对应的G值；
根据极值理论，计算函数的一阶梯度G；
式子(7)中，X0是计划药剂投加量；
步骤63：根据一阶梯度G值，计算二阶导数矩阵H值；
根据极值情况下的G值，计算二阶导数H值；
X由x1～xN组成，即X＝[x1，x2，x3……xN]，分别代表当前时刻及未来N步的药剂投加量。
步骤64：根据G值和H值，计算药剂投加的修正量；
根据一阶梯度G以及二阶导数H求解药剂投加修正量▽X。
步骤65：根据药剂投加修正量，更新新的药剂投加；如果更新药剂投加量和上一步投加量差值小于给定阈值，结束循环，输出药剂投加量；
更新新的计划药剂投加量。
式子(10)中，ρ是变化的步长，X_new是新的药剂输出，根据新的价值输出，更新调整。
步骤66：计算新的药剂投加预期的价值，如果小于当前价值，计划投加量调整为新的药剂投加；如果大于当前价值，缩短价值调整一半步长，更新计划药剂投加量，跳回步骤62。
如果新的药剂投加预期的价值等于当前价值则结束循环。
本发明还公开了一种污水处理工艺的药剂投加控制方法的系统，其包括数据预处理模块、工艺模型计算模块、未来输入预测模块、模型自适应更新模块、药剂需求模型建模模块、MPC模型预判控制模块、未来期望输出模块和断面输出及总出水输出反馈模块；
所述数据预处理模块，用于水质信息及流量数据的预处理；
所述工艺理论计算模块，用于通过工艺理论计算获取基础当量；
所述未来输入预测模块，用于根据当前时间点的前段时间的工艺水质数据，预测到未来输入水质；
所述模型自适应更新模块，用于获取一段时间的历史数据进行数据拟合，更新工艺模型；
所述药剂需求模型建模模块，用于对基础当量及大数据进行拟合，建立基础当量和药剂投加的药剂需求模型；
所述MPC模型预判控制模块，用于根据未来多步输入信息以及价值函数，找到控制的最优值；
所述未来期望输出模块，用于根据历史数据包含断面输出及总出水输出等数据，利用深度神经网络模型进行训练，根据模型来预测后续工艺对于关键水质参数的消减，根据预测及总出水的水质目标，生成当前工艺的输出期望值；
所述断面输出及总出水输出反馈模块，用于根据输出和期望值的误差，把误差作为补偿量加在MPC控制参考值之上，补偿由于模型不准，数据不准，控制不准等因素造成的误差。
本发明还公开了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的污水处理工艺的药剂投加控制方法。
本发明还公开了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据所述的污水处理工艺的药剂投加控制方法。
本发明还公开了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据所述的污水处理工艺的药剂投加控制方法。
本发明中，通过数据预处理模块、工艺模型计算模块、未来输入预测模块、模型自适应更新模块、药剂需求模型建模模块、MPC模型预判控制模块、未来期望输出模块和断面输出及总出水输出反馈模块等各个模块整体步骤协同，形成更加稳定，可靠，经济的污水处理药剂投加方法。以模型预判控制为核心，结合模型自适应跟新、基于机器学习的预测输入，预测输出、工艺端加出水端的输出反馈以及数据预处理，形成一套完成的包含机器学习预测及模型自适应更新的污水药剂投加模型预判控制。
本发明的污水处理工艺的药剂投加控制方法及系统，具有以下几个特点。
1、为了平滑、稳定控制，融合模型及预测技术，采用模型预判控制方法。
2、为了保障模型和实际工艺过程的一致性，采用自适应的模型更新算法。
3、为了提前预判未来几步的控制量，采用深度神经网络架构预测未来几步的输入。
4、为了节约药剂成本，采用深度神经网络架构预测后续工艺性能，调整预期输出。
5、为了节约药剂成本，根据控制的平稳，动态调整出水水质输出控制值。
本发明的污水处理工艺的药剂投加控制方法及系统，通过数据预处理、模型自适应更新、预测未来输入、预测优化的输出，然后给到模型预判控制，得到最优的控制量，达到平滑、稳定、可靠、经济的整体效果，解决了现有控制模型和真实模型差别大不能更新、控制算法波动大不稳定、控制算法不能处理进水变化而输出超出预期值、控制算法不经济等问题。
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)
1.一种污水处理工艺的药剂投加控制方法，其特征是，包括如下步骤：
步骤1：数据预处理步骤；水质信息及流量数据的预处理；
步骤2：工艺理论计算步骤；通过工艺理论计算获取基础当量；
步骤3：未来输入预测步骤；根据当前时间点的前段时间的工艺水质数据，预测到未来输入水质；
步骤4：药剂需求模型建模步骤；对基础当量采用大数据学习规律，建立基础当量和药剂投加的药剂需求模型；
步骤5：模型自适应更新步骤；获取一段时间的历史数据进行数据学习，更新工艺模型；
步骤6：MPC模型预判控制步骤；
步骤7：未来期望输出步骤；
步骤8：断面输出及总出水输出反馈步骤。
2.根据权利要求1所述的一种污水处理工艺的药剂投加控制方法，其特征是，所述步骤1中，所述数据的预处理方法包括采用趋势法、阈值法去除异常值的步骤。
3.根据权利要求1所述的一种污水处理工艺的药剂投加控制方法，其特征是，所述步骤1中，所述步骤1中，所述数据的预处理方法包括均值滤波的步骤。
4.根据权利要求1所述的一种污水处理工艺的药剂投加控制方法，其特征是，所述步骤3中，基于神经网络的未来输入及期望输出预测方法，采用深度神经网络模型构建预测模型。
5.根据权利要求1所述的一种污水处理工艺的药剂投加控制方法，其特征是，所述步骤5中，所述模型自适应更新步骤中，根据水质因素、流量因素、天气因素的影响，根据实际情况调整和更新模型。
6.根据权利要求1所述的一种污水处理工艺的药剂投加控制方法，其特征是，所述步骤6中，所述MPC模型预判控制步骤包括如下步骤：
步骤61：建立价值函数J(k)；
步骤62：根据计划药剂投加量，计算价值函数的一阶梯度极点及对应的G值；
步骤63：根据一阶梯度G值，计算二阶导数矩阵H值；
步骤64：根据G值和H值，计算药剂投加的修正量；
步骤65：根据药剂投加修正量，更新新的药剂投加；如果更新药剂投加量和上一步投加量差值小于给定阈值，结束循环，输出药剂投加量；
步骤66：计算新的药剂投加预期的价值，如果小于当前价值，计划投加量调整为新的药剂投加；如果大于当前价值，缩短价值调整一半步长，更新计划药剂投加量，跳回步骤62。
7.根据权利要求1所述的一种污水处理工艺的药剂投加控制方法的系统，其特征是，包括数据预处理模块、工艺模型计算模块、未来输入预测模块、模型自适应更新模块、药剂需求模型建模模块、MPC模型预判控制模块、未来期望输出模块和断面输出及总出水输出反馈模块；
所述数据预处理模块，用于水质信息及流量数据的预处理；
所述工艺理论计算模块，用于通过工艺理论计算获取基础当量；
所述未来输入预测模块，用于根据当前时间点的前段时间的工艺水质数据，预测到未来输入水质；
所述模型自适应更新模块，用于获取一段时间的历史数据进行数据拟合，更新工艺模型；
所述药剂需求模型建模模块，用于对基础当量及大数据进行拟合，建立基础当量和药剂投加的药剂需求模型；
所述MPC模型预判控制模块，用于根据未来多步输入信息以及价值函数，找到控制的最优值；
所述未来期望输出模块，用于根据历史数据包含断面输出及总出水输出等数据，利用深度神经网络模型进行训练，根据模型来预测后续工艺对于关键水质参数的消减，根据预测及总出水的水质目标，生成当前工艺的输出期望值；
所述断面输出及总出水输出反馈模块，用于根据输出和期望值的误差，把误差作为补偿量加在MPC控制参考值之上，补偿由于模型不准，数据不准，控制不准等因素造成的误差。
8.一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的污水处理工艺的药剂投加控制方法。
9.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的污水处理工艺的药剂投加控制方法。
10.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的污水处理工艺的药剂投加控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311393103.4A CN117452815A (zh) | 2023-10-25 | 2023-10-25 | 一种污水处理工艺的药剂投加控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311393103.4A CN117452815A (zh) | 2023-10-25 | 2023-10-25 | 一种污水处理工艺的药剂投加控制方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117452815A true CN117452815A (zh) | 2024-01-26 |
Family
ID=89595895
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311393103.4A Pending CN117452815A (zh) | 2023-10-25 | 2023-10-25 | 一种污水处理工艺的药剂投加控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117452815A (zh) |
-
2023
- 2023-10-25 CN CN202311393103.4A patent/CN117452815A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7059989B2 (ja) | 制御システム及び制御方法 | |
| Guerrero et al. | Multi-criteria selection of optimum WWTP control setpoints based on microbiology-related failures, effluent quality and operating costs | |
| CN107065556B (zh) | 一种堆芯机组变功率运行策略优化方案的自动搜索方法 | |
| CN116610025A (zh) | 一种基于改进元启发式算法的pid控制器优化方法 | |
| CN114665519A (zh) | 一种基于分层模型的风电场集群有功功率协调控制方法 | |
| CN114362187B (zh) | 一种基于多智能体深度强化学习的有源配电网协同调压方法及系统 | |
| Du et al. | Performance-guaranteed adaptive self-healing control for wastewater treatment processes | |
| CN113285457A (zh) | 非理想通信下区域电力系统的分布式经济调度方法及系统 | |
| CN103632214A (zh) | 库存退化数据缺失情况下的维修及备件供给联合优化方法 | |
| Huo et al. | Adaptive critic optimization to decentralized event‐triggered control of continuous‐time nonlinear interconnected systems | |
| CN113032968B (zh) | 双馈风机控制器参数辨识方法及装置 | |
| CN117452815A (zh) | 一种污水处理工艺的药剂投加控制方法及系统 | |
| Zhou et al. | A two-stage robust iterative learning model predictive control for batch processes | |
| CN109613830A (zh) | 基于递减预测步长的模型预测控制方法 | |
| Diehl et al. | Nonlinear model predictive control | |
| Woodward et al. | Improved performance in the multi-unit optimization method with non-identical units | |
| JP7052399B2 (ja) | 水処理施設の運転支援装置及び運転支援方法 | |
| Liu et al. | Prescribed-time stabilization and inverse optimal control of stochastic high-order nonlinear systems | |
| Zerar et al. | Robust tracking of nonlinear MIMO uncertain flat systems | |
| van Impe et al. | Optimal control of the penicillin G fed‐batch fermentation: An analysis of the model of heijnen et al. | |
| CN112327958A (zh) | 一种基于数据驱动的发酵过程pH值控制方法 | |
| CN111158243A (zh) | 卫星姿态自适应控制方法、装置以及控制器和介质 | |
| CN115712243B (zh) | 一种校正方法、装置、设备及介质 | |
| CN117057255B (zh) | 一种用于数字孪生模型在线同步的预训练模型获取方法 | |
| Borisov et al. | Stability analysis and simulations of bioreactor model with delayed feedback |
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 |