CN117690518A - 一种用于处理水煤浆废水的药品投加量确定方法及系统 - Google Patents

一种用于处理水煤浆废水的药品投加量确定方法及系统 Download PDF

Info

Publication number
CN117690518A
CN117690518A CN202311584972.5A CN202311584972A CN117690518A CN 117690518 A CN117690518 A CN 117690518A CN 202311584972 A CN202311584972 A CN 202311584972A CN 117690518 A CN117690518 A CN 117690518A
Authority
CN
China
Prior art keywords
data
water
prediction model
flocculant
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
Application number
CN202311584972.5A
Other languages
English (en)
Inventor
宁振兴
李扬
项逸达
任佳朋
乔畅
刘思潮
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.)
China Coal Industry Group Information Technology Co ltd
Original Assignee
China Coal Industry Group Information Technology 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 China Coal Industry Group Information Technology Co ltd filed Critical China Coal Industry Group Information Technology Co ltd
Priority to CN202311584972.5A priority Critical patent/CN117690518A/zh
Publication of CN117690518A publication Critical patent/CN117690518A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Human Resources & Organizations (AREA)
  • Analytical Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Separation Of Suspended Particles By Flocculating Agents (AREA)

Abstract

本申请提出一种用于处理水煤浆废水的药品投加量确定方法及系统，所述方法包括：获取待处理的水煤浆提浓废水对应的混凝池数据和澄清池数据，并对所述混凝池数据和澄清池数据进行预处理；将预处理后的所述混凝池数据输入到预先训练好的第一预测模型中，得到絮凝剂药品第一投加量参考值，将预处理后的所述澄清池数据输入到预先训练好的第二预测模型中，得到絮凝剂药品第二投加量参考值；根据所述絮凝剂药品第一投加量参考值和所述絮凝剂药品第二投加量参考值确定所述待处理的水煤浆提浓废水所需的药品投加量。本申请提出的技术方案，可以高效且准确地预测水煤浆提浓废水的加药需求，进而降低了环境污染。

Description

一种用于处理水煤浆废水的药品投加量确定方法及系统
技术领域
本申请涉及污水处理智能化应用领域，尤其涉及一种用于处理水煤浆废水的药品投加量确定方法及系统。
背景技术
水煤浆是一种将煤粉与水混合形成的浆料，被广泛应用于煤炭燃烧、煤化工和煤电联产等领域。在水煤浆提浓的过程中，会产生大量包含高浓度煤粉尘和悬浮物的废水，需要进行相关净水材料添加对其进行处理，否则会对环境造成严重污染。而混凝剂药品投加量的多少又是其中的关键问题，直接决定了净水效果。
在水煤浆废水的处理问题上，传统的药剂投加主要依赖于工作人员的经验值判断或是采用经验公式或基于规则的模型进行投加量计算，依赖工作人员经验时在药剂投放过程中存在非线性、大滞后、水质突变等情况，人为操作很难准确进行投加或应对现场突发情况，且容易引发沉淀池出水水质不稳定或药物过量投加等问题，而采用经验公式或规则，往往由于缺乏废水特性和运行状态详细信息，其预测结果往往较为粗糙和不准确。因此，如何高效且准确地预测水煤浆提浓废水的加药需求，逐渐成为了解决这一环境问题的重点。
发明内容
本申请提供一种用于处理水煤浆废水的药品投加量确定方法及系统，以至少解决加药需求预测结果较为粗糙和不准确的技术问题。
本申请第一方面实施例提出一种用于处理水煤浆废水的药品投加量确定方法，所述方法包括：
获取待处理的水煤浆提浓废水对应的混凝池数据和澄清池数据，并对所述混凝池数据和澄清池数据进行预处理；
将预处理后的所述混凝池数据输入到预先训练好的第一预测模型中，得到絮凝剂药品第一投加量参考值，将预处理后的所述澄清池数据输入到预先训练好的第二预测模型中，得到絮凝剂药品第二投加量参考值；
根据所述絮凝剂药品第一投加量参考值和所述絮凝剂药品第二投加量参考值确定所述待处理的水煤浆提浓废水所需的药品投加量；
其中，所述第一预测模型和所述第二预测模型均是由BP神经网络构建的。
优选的，所述混凝池数据包括：混凝池的进水浊度、出水浊度、进水流量、出水流量、PH值和水温；
所述澄清池数据包括：澄清池的进水硬度、出水硬度、进水流量、出水流量、PH值、水温。
进一步的，所述第一预测模型的训练过程包括：
获取历史时段内各次处理水煤浆提浓废水的第一投药数据，并对所述第一投药数据进行预处理，得到第一样本集数据，然后将所述第一样本集数据划分为第一训练集数据和第一测试集数据；其中所述第一投药数据包括：混凝池的进水浊度、出水浊度、进水流量、出水流量、PH值、水温和絮凝剂药品第一投加量；
以第一训练集数据中的混凝池的进水浊度、出水浊度、进水流量、出水流量、PH值、水温为初始的BP神经网络模型的输入，以第一训练集数据中的絮凝剂药品第一投加量为所述初始的BP神经网络模型的输出，并将ReLu函数作为模型的损失函数，用随机梯度下降的方法对所述模型进行优化训练，得到初始的第一预测模型；
基于MSE误差法、R2系数法和所述第一测试集数据对所述初始的第一预测模型进行校验，得到训练好的第一预测模型；
所述第二预测模型的训练过程包括：
获取历史时段内各次处理水煤浆提浓废水的第二投药数据，并对所述第二投药数据进行预处理，得到第二样本集数据，然后将所述第二样本集数据划分为第二训练集数据和第二测试集数据；其中所述第二投药数据包括：澄清池的进水硬度、出水硬度、进水流量、出水流量、PH值、水温和絮凝剂药品第二投加量；
以第二训练集数据中的澄清池的进水硬度、出水硬度、进水流量、出水流量、PH值、水温为初始的BP神经网络模型的输入，以第二训练集数据中的絮凝剂药品第二投加量为所述初始的BP神经网络模型的输出，并将ReLu函数作为模型的损失函数，用随机梯度下降的方法对所述模型进行优化训练，得到初始的第二预测模型；
基于MSE误差法、R2系数法和所述第二测试集数据对所述初始的第二预测模型进行校验，得到训练好的第二预测模型。
进一步的，所述BP神经网络模型包括：输入层、第一隐藏层、第二隐藏层和输出层。
进一步的，所述方法还包括：
实时监测所述待处理的水煤浆提浓废水在投入药品后所述废水的浓度值；
当所述废水的浓度值大于预设的浓度阈值时，确定所需增加的药品投加量；
根据所需增加的药品投加量、所述第一投加量参考值、所述第二投加量参考值确定所述待处理的水煤浆提浓废水所需的药品投加理想量，并将所述药品投加理想量进行存储。
进一步的，所述方法还包括：
基于增量学习法和所述药品投加理想量定期更新所述第一预测模型、第二预测模型。
进一步的，所述方法还包括：
接收用户在应用界面输入的所述混凝池数据、所述澄清池数据，并进行展示。
进一步的，所述方法还包括：
将所述絮凝剂药品第一投加量参考值、所述絮凝剂药品第二投加量参考值和所述待处理的水煤浆提浓废水所需的药品投加量进行存储，并在应用界面进行展示。
本申请第二方面实施例提出一种用于处理水煤浆废水的药品投加量确定系统，包括：
获取模块，用于获取待处理的水煤浆提浓废水对应的混凝池数据和澄清池数据，并对所述混凝池数据和澄清池数据进行预处理；
预测模块，用于将预处理后的所述混凝池数据输入到预先训练好的第一预测模型中，得到絮凝剂药品第一投加量参考值，将预处理后的所述澄清池数据输入到预先训练好的第二预测模型中，得到絮凝剂药品第二投加量参考值；
确定模块，用于根据所述絮凝剂药品第一投加量参考值和所述絮凝剂药品第二投加量参考值确定所述待处理的水煤浆提浓废水所需的药品投加量；
其中，所述第一预测模型和所述第二预测模型均是由BP神经网络构建的。
优选的，所述系统还包括：增量学习模块；
所述增量学习模块，用于基于增量学习法和所述药品投加理想量定期更新所述第一预测模型、第二预测模型。
本申请的实施例提供的技术方案至少带来以下有益效果：
本申请提出了一种用于处理水煤浆废水的药品投加量确定方法及系统，其中所述方法包括：获取待处理的水煤浆提浓废水对应的混凝池数据和澄清池数据，并对所述混凝池数据和澄清池数据进行预处理；将预处理后的所述混凝池数据输入到预先训练好的第一预测模型中，得到絮凝剂药品第一投加量参考值，将预处理后的所述澄清池数据输入到预先训练好的第二预测模型中，得到絮凝剂药品第二投加量参考值；根据所述絮凝剂药品第一投加量参考值和所述絮凝剂药品第二投加量参考值确定所述待处理的水煤浆提浓废水所需的药品投加量；其中，所述第一预测模型和所述第二预测模型均是由BP神经网络构建的。本申请提出的技术方案，可以高效且准确地预测水煤浆提浓废水的加药需求，进而降低了环境污染。
本申请附加的方面以及优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面以及优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请一个实施例提供的一种用于处理水煤浆废水的药品投加量确定方法的流程图；
图2为根据本申请一个实施例提供的神经网络模型结构示意图；
图3为根据本申请一个实施例提供的BP神经网络模型对应的基础模型结构示意图；
图4为根据本申请一个实施例提供的预测模型训练及更新的流程图；
图5为根据本申请一个实施例提供的预测模型在web系统中的应用流程示意图；
图6为根据本申请一个实施例提供的煤浆提浓废水处理总体工艺流程示意图；
图7为根据本申请一个实施例提供的一种用于处理水煤浆废水的药品投加量确定系统的第一种结构图；
图8为根据本申请一个实施例提供的一种用于处理水煤浆废水的药品投加量确定系统的第二种结构图；
图9为根据本申请一个实施例提供的一种用于处理水煤浆废水的药品投加量确定系统的第三种结构图；
图10为根据本申请一个实施例提供的一种用于处理水煤浆废水的药品投加量确定系统的第四种结构图；
图11为根据本申请一个实施例提供的一种用于处理水煤浆废水的药品投加量确定系统的第五种结构图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
本申请提出的一种用于处理水煤浆废水的药品投加量确定方法及系统，其中所述方法包括：获取待处理的水煤浆提浓废水对应的混凝池数据和澄清池数据，并对所述混凝池数据和澄清池数据进行预处理；将预处理后的所述混凝池数据输入到预先训练好的第一预测模型中，得到絮凝剂药品第一投加量参考值，将预处理后的所述澄清池数据输入到预先训练好的第二预测模型中，得到絮凝剂药品第二投加量参考值；根据所述絮凝剂药品第一投加量参考值和所述絮凝剂药品第二投加量参考值确定所述待处理的水煤浆提浓废水所需的药品投加量；其中，所述第一预测模型和所述第二预测模型均是由BP神经网络构建的。本申请提出的技术方案，可以高效且准确地预测水煤浆提浓废水的加药需求，进而降低了环境污染。
下面参考附图描述本申请实施例的一种用于处理水煤浆废水的药品投加量确定方法及系统。
实施例一
图1为根据本申请一个实施例提供的一种用于处理水煤浆废水的药品投加量确定方法的流程图，如图1所示，所述方法包括：
步骤1：获取待处理的水煤浆提浓废水对应的混凝池数据和澄清池数据，并对所述混凝池数据和澄清池数据进行预处理。
需要说明的是，可以从数据库中获取所需数据。
在本公开实施例中，所述混凝池数据包括：混凝池的进水浊度、出水浊度、进水流量、出水流量、PH值和水温；
所述澄清池数据包括：澄清池的进水硬度、出水硬度、进水流量、出水流量、PH值、水温。
在本公开实施例中，所述对所述混凝池数据和澄清池数据进行预处理包括：
对所述混凝池数据和澄清池数据依次进行数据缺失值处理、数据标准化(采用z-scores方案)、数据张量化。
其中，所述z-scores方案的标准化转换公式为：
式中，Z为标准化后的值,x为单个观测值即获取的数据值,μ为总体数据均值，σ为总体数据的标准差。
步骤2：将预处理后的所述混凝池数据输入到预先训练好的第一预测模型中，得到絮凝剂药品第一投加量参考值，将预处理后的所述澄清池数据输入到预先训练好的第二预测模型中，得到絮凝剂药品第二投加量参考值；其中，所述第一预测模型和所述第二预测模型均是由BP神经网络构建的，且所述BP神经网络模型包括：输入层、第一隐藏层、第二隐藏层和输出层。
需要说明的是，所述第一预测模型的训练过程包括：
获取历史时段内各次处理水煤浆提浓废水的第一投药数据，并对所述第一投药数据进行预处理，得到第一样本集数据，然后将所述第一样本集数据划分为第一训练集数据和第一测试集数据；其中所述第一投药数据包括：混凝池的进水浊度、出水浊度、进水流量、出水流量、PH值、水温和絮凝剂药品第一投加量；
以第一训练集数据中的混凝池的进水浊度、出水浊度、进水流量、出水流量、PH值、水温为初始的BP神经网络模型的输入，以第一训练集数据中的絮凝剂药品第一投加量为所述初始的BP神经网络模型的输出，并将ReLu函数作为模型的损失函数，用随机梯度下降的方法对所述模型进行优化训练，得到初始的第一预测模型；
基于MSE误差法、R2系数法和所述第一测试集数据对所述初始的第一预测模型进行校验，得到训练好的第一预测模型；
所述第二预测模型的训练过程包括：
获取历史时段内各次处理水煤浆提浓废水的第二投药数据，并对所述第二投药数据进行预处理，得到第二样本集数据，然后将所述第二样本集数据划分为第二训练集数据和第二测试集数据；其中所述第二投药数据包括：澄清池的进水硬度、出水硬度、进水流量、出水流量、PH值、水温和絮凝剂药品第二投加量；
以第二训练集数据中的澄清池的进水硬度、出水硬度、进水流量、出水流量、PH值、水温为初始的BP神经网络模型的输入，以第二训练集数据中的絮凝剂药品第二投加量为所述初始的BP神经网络模型的输出，并将ReLu函数作为模型的损失函数，用随机梯度下降的方法对所述模型进行优化训练，得到初始的第二预测模型；
基于MSE误差法、R2系数法和所述第二测试集数据对所述初始的第二预测模型进行校验，得到训练好的第二预测模型。
具体的，在训练模型前先获取样本数据、构建BP神经网络模型，其中所述第一预测模型与第二预测模型构建、训练方法相同。
所述样本数据包括，获取水煤浆提浓废水处理历史投药数据，所述投药数据分为第一投药数据和第二投药数据。其中第一投药数据包括：进水浊度、出水浊度、进水流量、出水流量、PH值、混凝池水温、混凝池絮凝剂投放量7项数据；第二投药数据包括：进水硬度、出水硬度、进水流量、出水流量、PH值、高效澄清池水温、澄清池絮凝剂投药量7项数据；其中絮凝剂投放量均作为结果值，其余6项数据作为因变量样本数据备用，并将样本数据按照8:2的比例分割为训练数据集和测试数据集。
所述构建BP神经网络模型包括，根据因变量个数即输入模型的数据类型确定神经网络模型结构输入层参数参考值。所述神经网络模型结构如图2所示，模型总层数为4层，包含输入层，两层隐藏层及输出层，其中，所述BP神经网络模型对应的基础模型结构如图3所示，图3中σ表示经过激活函数计算。其中输入层、隐藏层、输出层均由全连接层构成，隐藏层包含有两个全连接层，每一层的输出经过激活函数计算后传入下一个全连接层中。
初始输入层神经元维度依照因变量个数设置为6，输出维度为4，之后维度经过激活函数计算后输入到下一全连接层中，逐渐递减，通过输出层传出最终输出维度为1的结果。
在所述BP神经网络中，选择了线性修正单元Rectified Linear Unit(ReLU)作为模型激活函数以最大程度避免梯度消失的问题。具体的被定义为，给定元素x,ReLU为该元素x与0的最大值，计算公式为：ReLU＝max(x，0)；
在实际的模型运算中，ReLU结果表示当前全连接层神经元激活值，x则为上一全连接层加权映射到该全连接层神经元的值。
将训练数据集的样本数据，以小批量随机梯度下降的方法喂入构建好的神经网络中进行学习训练。在训练过程中，选用随机梯度下降(SGD)作为模型训练的优化器，均方差(MSE)作为损失函数计算模型预测损失，通过在神经元处得到的损失误差来更新链接的权重，即在每个训练epoch中，分多个批次，每个批次读取设定小批量样本数据以随机梯度下降的方法进行计算。
BP神经网络重点在于在训练的过程中加入反向传播的机制，在学习过程中由由信号的正向传播和误差的反向传播组成,输入值从输入层输入,经隐藏层处理以后,传向输出层。在这个过程中，反向传播将模型拟合值与真实值的误差以某种形式通过隐含层向输入层反向传播,误差信号作为修正权值的依据。即基于前全连接输出神经元处得到的误差来更新链接的权重。训练过程直至输出的误差满足一定条件或者迭代次数达到一定次数停止。输入层数据传入隐含层、隐含层之间数据传递及隐含层数据传至输出层时均有激活函数。
所述损失函数MSE为：
式中，n为样本数量，Yi为第i个样本的真实值，为第i个样本的预测值。
所述优化器SGD，即随机梯度下降，基于mini-batch的SGD，在模型训练的批次中，将样本随机分为m个样本batch_size大小的样本批次，通过计算小批量的平均损失关于模型的梯度，并在负梯度的方向上更新来进行权值更新这一操作，并不断迭代。
通常的梯度下降权值更新原理在数学上可以表达为：
式中，为偏导数，w和b通常是需要寻找更新的模型参数，其中w为模型权重，b偏置项，l为损失值，i为针对第i个样本。
具体的，对于平方损失和仿射变换可以表示为:
以上w和x均为向量，|B|表示每个mini-batch中的样本数即批量大小，η表示学习率，批量大小和学习率通常会预先指定。
当反向传播开始时，随机分配初始权重，随后将训练集中的数据样本输入激活网络，值从输入层通过隐藏层前向传播进入到输出层得到预测值，根据真实值计算出预测值与真实值的损失误差，使用优化器将误差反向传播回去，从而使神经网络权重得到调整更新，迭代多次直到损失降低到足够低的阈值，得到最终的权重模型。综上，本神经网络在进行反向传播训练时会经过：
1.通过前向传播，计算从输入到输出的前馈信号，得到预测值；
2.根据预测值和真实值计算使用损失函数计算损失及误差；
3.将损失误差信号结果进行反馈(反向传播)将他们与前连接层以及关联的激活函数梯度相乘，再根据反馈和前馈的信号结果求得所有参数的梯度；
4.使用计算得到的梯度进行权值更新。
也就是说在模型训练的过程中，前向传播与反向传播相互依赖，相辅相成，在初始化模型参数后，通过正反向传播交替使用，利用反向传播的梯度来更新模型参数权重等相关参数，得到最终的模型。
在模型经过上述学习训练后等到初始的预测模型，使用测试数据集样本数据对所得模型通过计算MSE误差与R2系数作为数据参考验证，评估模型预测精度，验证模型是否过拟合。
所述R2系数计算，计算结果范围为[0,1]，其结果越接近1则说明模型拟合结果越好，其计算公式表达为：
若总样本数量为n，针对第i个样本，式中，ESS为回归平方和，用以表示预测值和样本均值/>的离差平方和；TSS为总偏差平方和，反应真实观测值和样本均值误差大小的平方和,y表示样本真实观测值，/>则为样本均值。
需要说明的是，模型的具体训练过程可以如图4所示。
步骤3：根据所述絮凝剂药品第一投加量参考值和所述絮凝剂药品第二投加量参考值确定所述待处理的水煤浆提浓废水所需的药品投加量。
具体的，确定所述絮凝剂药品第一投加量参考值和所述絮凝剂药品第二投加量参考值之和，将所述絮凝剂药品第一投加量参考值和所述絮凝剂药品第二投加量参考值之和作为所述待处理的水煤浆提浓废水所需的药品投加量。
在本公开实施例中，如图4所示，所述方法还包括：
实时监测所述待处理的水煤浆提浓废水在投入药品后所述废水的浓度值；
当所述废水的浓度值大于预设的浓度阈值时，确定所需增加的药品投加量；
根据所需增加的药品投加量、所述第一投加量参考值、所述第二投加量参考值确定所述待处理的水煤浆提浓废水所需的药品投加理想量，并将所述药品投加理想量进行存储即存储到数据库。
进一步的，如图4所示，所述方法还包括：
基于增量学习法和所述药品投加理想量定期更新所述第一预测模型、第二预测模型。
需要说明的是，所述增量学习法，是以模型可自动根据累计实际情况进行精度修正，不断增加模型预测结果可靠性，提升准确度为的方法。
采用定期读取数据库理想值量数据记录的方案，经过数据预处理后，在当前使用模型的权值参数基础上，对模型进行再训练，由此获得新模型。以此保证模型在不断的学习中修正调整，使得预测结果准确度逐渐提升。若模型存在过拟合或精度指标无明显提升,则不更新系统当前投入使用的模型。当模型精度趋于稳定后，则可停止对于预测模型的迭代。
进一步的，如图5所示，所述方法还包括：
接收用户在应用界面输入的所述混凝池数据、所述澄清池数据，并进行展示。
示例的，将预测模型与web程序联通，将所述混凝池数据、所述澄清池数据在web页面展示，供平台用户查看。
进一步的，如图5所示，所述方法还包括：
将所述絮凝剂药品第一投加量参考值、所述絮凝剂药品第二投加量参考值和所述待处理的水煤浆提浓废水所需的药品投加量进行存储即存储到数据库，并在应用界面进行展示。
实例的，将所述絮凝剂药品第一投加量参考值、所述絮凝剂药品第二投加量参考值和所述待处理的水煤浆提浓废水所需的药品投加量在web页面展示，供平台用户获取直观的预测结果。
在本公开实施例中，所述方法还包括：将验证拟合良好后得到的第一预测模型和第二预测模型进行保存，并将模型嵌入web应用程序中调用来确定投药量，其中如图5所示为本发明提供的发明嵌入web应用程序中调用来确定投药量的详细流程示意图。
需要说明的是，图6为煤浆提浓废水处理总体工艺流程示意图，基于该工艺流程，本发明设计的一种综合预期其在絮凝沉淀处理区、高效沉淀处理区的絮凝剂投加量，以估测每次提浓废水处理时的絮凝剂综合投药量作为实际的应用参考。
综上所述，本实施例提出的一种用于处理水煤浆废水的药品投加量确定方法，可以高效且准确地预测水煤浆提浓废水的加药需求，进而降低了环境污染。
实施例二
图7为根据本申请一个实施例提供的一种用于处理水煤浆废水的药品投加量确定系统的结构图，如图7所示，所述系统包括：
获取模块100，用于获取待处理的水煤浆提浓废水对应的混凝池数据和澄清池数据，并对所述混凝池数据和澄清池数据进行预处理；
预测模块200，用于将预处理后的所述混凝池数据输入到预先训练好的第一预测模型中，得到絮凝剂药品第一投加量参考值，将预处理后的所述澄清池数据输入到预先训练好的第二预测模型中，得到絮凝剂药品第二投加量参考值；
确定模块300，用于根据所述絮凝剂药品第一投加量参考值和所述絮凝剂药品第二投加量参考值确定所述待处理的水煤浆提浓废水所需的药品投加量；
其中，所述第一预测模型和所述第二预测模型均是由BP神经网络构建的。
在本公开实施例中，所述混凝池数据包括：混凝池的进水浊度、出水浊度、进水流量、出水流量、PH值和水温；
所述澄清池数据包括：澄清池的进水硬度、出水硬度、进水流量、出水流量、PH值、水温。
进一步的，所述第一预测模型的训练过程包括：
获取历史时段内各次处理水煤浆提浓废水的第一投药数据，并对所述第一投药数据进行预处理，得到第一样本集数据，然后将所述第一样本集数据划分为第一训练集数据和第一测试集数据；其中所述第一投药数据包括：混凝池的进水浊度、出水浊度、进水流量、出水流量、PH值、水温和絮凝剂药品第一投加量；
以第一训练集数据中的混凝池的进水浊度、出水浊度、进水流量、出水流量、PH值、水温为初始的BP神经网络模型的输入，以第一训练集数据中的絮凝剂药品第一投加量为所述初始的BP神经网络模型的输出，并将ReLu函数作为模型的损失函数，用随机梯度下降的方法对所述模型进行优化训练，得到初始的第一预测模型；
基于MSE误差法、R2系数法和所述第一测试集数据对所述初始的第一预测模型进行校验，得到训练好的第一预测模型；
所述第二预测模型的训练过程包括：
获取历史时段内各次处理水煤浆提浓废水的第二投药数据，并对所述第二投药数据进行预处理，得到第二样本集数据，然后将所述第二样本集数据划分为第二训练集数据和第二测试集数据；其中所述第二投药数据包括：澄清池的进水硬度、出水硬度、进水流量、出水流量、PH值、水温和絮凝剂药品第二投加量；
以第二训练集数据中的澄清池的进水硬度、出水硬度、进水流量、出水流量、PH值、水温为初始的BP神经网络模型的输入，以第二训练集数据中的絮凝剂药品第二投加量为所述初始的BP神经网络模型的输出，并将ReLu函数作为模型的损失函数，用随机梯度下降的方法对所述模型进行优化训练，得到初始的第二预测模型；
基于MSE误差法、R2系数法和所述第二测试集数据对所述初始的第二预测模型进行校验，得到训练好的第二预测模型。
需要说明的是，所述BP神经网络模型包括：输入层、第一隐藏层、第二隐藏层和输出层。
进一步的，如图8所示，所述系统还包括：监测模块400；
所述监测模块400用于：
实时监测所述待处理的水煤浆提浓废水在投入药品后所述废水的浓度值；
当所述废水的浓度值大于预设的浓度阈值时，确定所需增加的药品投加量；
根据所需增加的药品投加量、所述第一投加量参考值、所述第二投加量参考值确定所述待处理的水煤浆提浓废水所需的药品投加理想量，并将所述药品投加理想量进行存储。
进一步的，如图9所示，所述系统还包括：增量学习模块500；
所述增量学习模块500，用于基于增量学习法和所述药品投加理想量定期更新所述第一预测模型、第二预测模型。
进一步的，如图10所示，所述系统还包括：展示模块600；
所述展示模块600，用于接收用户在应用界面输入的所述混凝池数据、所述澄清池数据，并进行展示。
进一步的，所述展示模块600，还用于将所述絮凝剂药品第一投加量参考值、所述絮凝剂药品第二投加量参考值和所述待处理的水煤浆提浓废水所需的药品投加量进行存储，并在应用界面进行展示。
需要说明的是，如图11所示，本发明提供的系统，还可以分为数据管理模块700、算法服务模块800和web应用交互模块900；
所述获取模块100可以属于数据管理模块700，所述预测模块200、监测模块400、确定模块300、增量学习模块500可以属于算法服务模块800，所述展示模块600可以属于web应用交互模块900。
具体的，数据管理模块700以数据库为存储介质对接程序负责数据的存储管理、读取与数据样本处理工作；算法服务模块800包括有神经网络模型、模型训练、模型评估、模型增量学习训练模型，主要用于模型的搭建与学习中；web应用交互模块900由web页面与预测算法后台服务为主要构成，其中web页面用于用户的交互，后台算法服务负责调用模型对絮凝剂投加量进行预测并将结果响应给web页面；额外的若模型预测结果与预期理想值有偏差较大，web页面支持用户对推荐值进行录入保存，从而在后期联动增量学习模块，让模型进行修正从而提高精度。
具体地说，是将当前系统与水煤浆废水池数据采集传感系统联通，使用数据管理层模块存储获取到的水煤浆废水水质实时数据；当执行预测任务时，在web页面激活絮凝剂投药量预测模块逻辑，获取到投药结果反馈到页面，同时调用数据模块将本次预测变量与结果值存入数据管理模块中。
在本公开实施例中，当预测模块200被激活后，系统从后台调取当前混凝池与澄清池的两组因变量数据项当前记录，张量化后分别将数据项输入到各自归属的模型中，调用模型对结果值进行预测计算，得到结果后，对两组数据进行求和获取到当前投药量的参考总量和两废水池各自需要的投药量参考值，并将预测结果展示到web页面中。
若本次预测参考值与理想值有所偏差，由用户进行推荐值修正，并将相关结果通过数据库存入数据管理模块中。在定期使用中，推荐值数据作为历史参考数据累计。
在累计的理想值历史数据的基础上，采用定期执行的方案，在当前版本模型的权重基础上进行模型增量训练,若验证模型存在过拟合情况或与当前版本模型性能相比较差或精度较低则选择继续沿用当前模型，若模型得的一定度的提升，则对当前模型进行更新，以此不断迭代模型版本，提升模型预测准确度。
综上所述，本实施例提出的一种用于处理水煤浆废水的药品投加量确定系统，可以高效且准确地预测水煤浆提浓废水的加药需求，进而降低了环境污染。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种用于处理水煤浆废水的药品投加量确定方法，其特征在于，所述方法包括：
获取待处理的水煤浆提浓废水对应的混凝池数据和澄清池数据，并对所述混凝池数据和澄清池数据进行预处理；
将预处理后的所述混凝池数据输入到预先训练好的第一预测模型中，得到絮凝剂药品第一投加量参考值，将预处理后的所述澄清池数据输入到预先训练好的第二预测模型中，得到絮凝剂药品第二投加量参考值；
根据所述絮凝剂药品第一投加量参考值和所述絮凝剂药品第二投加量参考值确定所述待处理的水煤浆提浓废水所需的药品投加量；
其中，所述第一预测模型和所述第二预测模型均是由BP神经网络构建的。
2.如权利要求1所述的方法，其特征在于，所述混凝池数据包括：混凝池的进水浊度、出水浊度、进水流量、出水流量、PH值和水温；
所述澄清池数据包括：澄清池的进水硬度、出水硬度、进水流量、出水流量、PH值、水温。
3.如权利要求2所述的方法，其特征在于，所述第一预测模型的训练过程包括：
获取历史时段内各次处理水煤浆提浓废水的第一投药数据，并对所述第一投药数据进行预处理，得到第一样本集数据，然后将所述第一样本集数据划分为第一训练集数据和第一测试集数据；其中所述第一投药数据包括：混凝池的进水浊度、出水浊度、进水流量、出水流量、PH值、水温和絮凝剂药品第一投加量；
以第一训练集数据中的混凝池的进水浊度、出水浊度、进水流量、出水流量、PH值、水温为初始的BP神经网络模型的输入，以第一训练集数据中的絮凝剂药品第一投加量为所述初始的BP神经网络模型的输出，并将ReLu函数作为模型的损失函数，用随机梯度下降的方法对所述模型进行优化训练，得到初始的第一预测模型；
基于MSE误差法、R2系数法和所述第一测试集数据对所述初始的第一预测模型进行校验，得到训练好的第一预测模型；
所述第二预测模型的训练过程包括：
获取历史时段内各次处理水煤浆提浓废水的第二投药数据，并对所述第二投药数据进行预处理，得到第二样本集数据，然后将所述第二样本集数据划分为第二训练集数据和第二测试集数据；其中所述第二投药数据包括：澄清池的进水硬度、出水硬度、进水流量、出水流量、PH值、水温和絮凝剂药品第二投加量；
以第二训练集数据中的澄清池的进水硬度、出水硬度、进水流量、出水流量、PH值、水温为初始的BP神经网络模型的输入，以第二训练集数据中的絮凝剂药品第二投加量为所述初始的BP神经网络模型的输出，并将ReLu函数作为模型的损失函数，用随机梯度下降的方法对所述模型进行优化训练，得到初始的第二预测模型；
基于MSE误差法、R2系数法和所述第二测试集数据对所述初始的第二预测模型进行校验，得到训练好的第二预测模型。
4.如权利要求3所述的方法，其特征在于，所述BP神经网络模型包括：输入层、第一隐藏层、第二隐藏层和输出层。
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
实时监测所述待处理的水煤浆提浓废水在投入药品后所述废水的浓度值；
当所述废水的浓度值大于预设的浓度阈值时，确定所需增加的药品投加量；
根据所需增加的药品投加量、所述第一投加量参考值、所述第二投加量参考值确定所述待处理的水煤浆提浓废水所需的药品投加理想量，并将所述药品投加理想量进行存储。
6.如权利要求5所述的方法，其特征在于，所述方法还包括：
基于增量学习法和所述药品投加理想量定期更新所述第一预测模型、第二预测模型。
7.如权利要求6所述的方法，其特征在于，所述方法还包括：
接收用户在应用界面输入的所述混凝池数据、所述澄清池数据，并进行展示。
8.如权利要求7所述的方法，其特征在于，所述方法还包括：
将所述絮凝剂药品第一投加量参考值、所述絮凝剂药品第二投加量参考值和所述待处理的水煤浆提浓废水所需的药品投加量进行存储，并在应用界面进行展示。
9.一种用于处理水煤浆废水的药品投加量确定系统，其特征在于，所述系统包括：
获取模块，用于获取待处理的水煤浆提浓废水对应的混凝池数据和澄清池数据，并对所述混凝池数据和澄清池数据进行预处理；
预测模块，用于将预处理后的所述混凝池数据输入到预先训练好的第一预测模型中，得到絮凝剂药品第一投加量参考值，将预处理后的所述澄清池数据输入到预先训练好的第二预测模型中，得到絮凝剂药品第二投加量参考值；
确定模块，用于根据所述絮凝剂药品第一投加量参考值和所述絮凝剂药品第二投加量参考值确定所述待处理的水煤浆提浓废水所需的药品投加量；
其中，所述第一预测模型和所述第二预测模型均是由BP神经网络构建的。
10.如权利要求9所述的系统，其特征在于，所述系统还包括：增量学习模块；
所述增量学习模块，用于基于增量学习法和所述药品投加理想量定期更新所述第一预测模型、第二预测模型。
CN202311584972.5A 2023-11-24 2023-11-24 一种用于处理水煤浆废水的药品投加量确定方法及系统 Pending CN117690518A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311584972.5A CN117690518A (zh) 2023-11-24 2023-11-24 一种用于处理水煤浆废水的药品投加量确定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311584972.5A CN117690518A (zh) 2023-11-24 2023-11-24 一种用于处理水煤浆废水的药品投加量确定方法及系统

Publications (1)

Publication Number Publication Date
CN117690518A true CN117690518A (zh) 2024-03-12

Family

ID=90132915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311584972.5A Pending CN117690518A (zh) 2023-11-24 2023-11-24 一种用于处理水煤浆废水的药品投加量确定方法及系统

Country Status (1)

Country Link
CN (1) CN117690518A (zh)

Similar Documents

Publication Publication Date Title
US5845052A (en) Supporting method and system for process operation
Gernaey et al. Activated sludge wastewater treatment plant modelling and simulation: state of the art
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
JP2004025160A (ja) 神経回路網及び逆転波アルゴリズムによる下排水処理人工知能制御システム及び方法
CN103632032A (zh) 一种城市污水处理过程出水指标在线软测量预测方法
CN103810309B (zh) 基于约束理论的a2o 城市污水处理工艺的软测量建模方法
CN108562709A (zh) 一种基于卷积自编码器极限学习机的污水处理系统水质监测预警方法
KR102440371B1 (ko) 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체
Qiao et al. Neural network on‐line modeling and controlling method for multi‐variable control of wastewater treatment processes
Do et al. A design of higher-level control based genetic algorithms for wastewater treatment plants
KR100920522B1 (ko) 하수처리공정 진단 및 제어장치 및 방법
Nawaz et al. Intelligent human–machine interface: An agile operation and decision support for an ANAMMOX SBR system at a pilot-scale wastewater treatment plant
CN108536106A (zh) 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法
CN112417765A (zh) 一种基于改进师生网络模型的污水处理过程故障检测方法
JP4188200B2 (ja) プラントワイド最適プロセス制御装置
CN116029612A (zh) 一种基于深度学习的城镇污水厂外加碳源精准控制方法
Baeza et al. In-line fast OUR (oxygen uptake rate) measurements for monitoring and control of WWTP
Szeląg et al. Application of the model of sludge volume index forecasting to assess reliability and improvement of wastewater treatment plant operating conditions
Han et al. Efficient economic model predictive control of water treatment process with learning-based Koopman operator
Civelekoglu et al. Modeling Carbon and Nitrogen Removal in an Industrial Wastewater Treatment Plant Using an Adaptive Network‐Based Fuzzy Inference System
Rustum Modelling activated sludge wastewater treatment plants using artificial intelligence techniques (fuzzy logic and neural networks)
CN117690518A (zh) 一种用于处理水煤浆废水的药品投加量确定方法及系统
Szeląg et al. A Data Mining Approach to the Prediction of Food-to-Mass Ratio and Mixed Liquor Suspended Solids.
Chi et al. Wastewater treatment sensor fault detection using RBF neural network with set membership estimation
Chmielowski et al. Effect of parametric uncertainty of selected classification models and simulations of wastewater quality indicators on predicting the sludge volume index

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