CN117808216A - 一种针对污水处理的节能减排效果评估方法 - Google Patents
一种针对污水处理的节能减排效果评估方法 Download PDFInfo
- Publication number
- CN117808216A CN117808216A CN202410233611.4A CN202410233611A CN117808216A CN 117808216 A CN117808216 A CN 117808216A CN 202410233611 A CN202410233611 A CN 202410233611A CN 117808216 A CN117808216 A CN 117808216A
- Authority
- CN
- China
- Prior art keywords
- equipment
- energy consumption
- data
- real
- time
- 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.)
- Granted
Links
- 230000009467 reduction Effects 0.000 title claims abstract description 172
- 239000010865 sewage Substances 0.000 title claims abstract description 135
- 230000000694 effects Effects 0.000 title claims abstract description 63
- 238000011156 evaluation Methods 0.000 title claims abstract description 42
- 238000005265 energy consumption Methods 0.000 claims abstract description 151
- 239000010802 sludge Substances 0.000 claims abstract description 110
- 230000032683 aging Effects 0.000 claims abstract description 100
- 238000005273 aeration Methods 0.000 claims abstract description 79
- 238000002156 mixing Methods 0.000 claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 57
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 54
- 231100000719 pollutant Toxicity 0.000 claims abstract description 54
- 238000010992 reflux Methods 0.000 claims abstract description 48
- 238000003062 neural network model Methods 0.000 claims abstract description 38
- 238000004134 energy conservation Methods 0.000 claims abstract description 14
- 239000007788 liquid Substances 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 30
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 17
- 229910052760 oxygen Inorganic materials 0.000 claims description 17
- 239000001301 oxygen Substances 0.000 claims description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 102100034228 Grainyhead-like protein 1 homolog Human genes 0.000 claims description 6
- 101001069933 Homo sapiens Grainyhead-like protein 1 homolog Proteins 0.000 claims description 6
- 238000012797 qualification Methods 0.000 claims description 5
- 238000004065 wastewater treatment Methods 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000003912 environmental pollution Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明实施例提供一种针对污水处理的节能减排效果评估方法,涉及节能减排技术领域,该方法包括:获取污水处理系统中多个传感器在当前时刻采集的系统运行数据;将系统运行数据输入至训练好的预测神经网络模型中,以估计污水处理系统在当前时刻的实时能耗降低率和实时污染物减排量;采集曝气设备、污泥处理设备、回流设备和混合设备在当前时刻的运行状态数据;根据运行状态数据计算污水处理系统在当前时刻的老化程度指数;根据老化程度指数对实时能耗降低率和实时污染物减排量进行校准;根据校准后的实时能耗降低率和校准后的实时污染物减排量确定污水处理系统在当前时刻的实时节能减排效果。该方法能够实现实时、准确的节能减排的效果评估。
Description
技术领域
本发明涉及节能减排技术领域,具体而言,涉及一种针对污水处理的节能减排效果评估方法。
背景技术
随着工业化和城市化的快速发展,污水处理成为环境保护和可持续发展的重要环节。污水处理是指:为使污水达到排入某一水体或再次使用的水质要求对其进行净化的过程。污水处理被广泛应用于建筑、农业、交通、能源、石化、环保、城市景观、医疗、餐饮等各个领域,也越来越多地走进寻常百姓的日常生活。
污水处理系统通常包括曝气设备、污泥处理设备以及回流混合设备等。通过这些设备的共同协作,能够实现污水的有效净化。在这个处理过程中,降低处理消耗的能量,减少处理过程中的污染物排放量是节能减排领域的重要关注点。但是在传统的污水处理系统中,对于节能减排的效果评估不够实时、准确,导致能源的利用效率低下以及排放不达标的问题。
发明内容
有鉴于此,本发明的目的在于提供一种针对污水处理的节能减排效果评估方法,通过采集实时的污水处理系统的传感器的数据,并基于该实时的数据以及训练好的神经网络来预测污水处理系统的能耗降低率和减排量,以及通过系统当前时刻的老化程度对该神经网络预测的能耗降低率和减排量进行校准,以通过校准后的数据对污水处理的节能减排效果评估,能够实现实时、准确的节能减排的效果评估,从而为提升能源的利用效率减少环境污染提供数据参考。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明提供一种针对污水处理的节能减排效果评估方法,应用于污水处理系统,污水处理系统包括曝气设备、污泥处理设备、回流设备和混合设备,方法包括:根据用户在当前时刻的评估操作,获取污水处理系统中多个传感器在当前时刻采集的系统运行数据,其中,多个传感器包括污水处理系统的所有传感器中的实时数据输出传感器;将系统运行数据输入至训练好的预测神经网络模型中,以估计污水处理系统在当前时刻的实时能耗降低率和实时污染物减排量,其中,预测神经网络模型利用实时数据输出传感器采集的数据进行训练;采集曝气设备、污泥处理设备、回流设备和混合设备在当前时刻的运行状态数据;根据运行状态数据计算污水处理系统在当前时刻的老化程度指数;根据老化程度指数对实时能耗降低率和实时污染物减排量进行校准;根据校准后的实时能耗降低率和校准后的实时污染物减排量确定污水处理系统在当前时刻的实时节能减排效果。
第二方面,本发明提供一种污水处理系统。该系统包括曝气设备、污泥处理设备、回流设备、混合设备以及总控制台。总控制台用于执行如下过程:根据用户在当前时刻的评估操作,获取污水处理系统中多个传感器在当前时刻采集的系统运行数据,其中,多个传感器包括污水处理系统的所有传感器中的实时数据输出传感器;将系统运行数据输入至训练好的预测神经网络模型中,以估计污水处理系统在当前时刻的实时能耗降低率和实时污染物减排量,其中,预测神经网络模型利用实时数据输出传感器采集的数据进行训练;采集曝气设备、污泥处理设备、回流设备和混合设备在当前时刻的运行状态数据;根据运行状态数据计算污水处理系统在当前时刻的老化程度指数;根据老化程度指数对实时能耗降低率和实时污染物减排量进行校准;根据校准后的实时能耗降低率和校准后的实时污染物减排量确定污水处理系统在当前时刻的实时节能减排效果。
在可选的实施例中,预测神经网络模型的训练过程包括如下步骤:数据采集步骤,利用多个传感器获取多个训练数据,其中,多个训练数据包括:多个传感器中每个传感器在第一时间的采集数据以及污水处理系统在第一时间的历史能耗降低率和历史污染物减排量;模型训练步骤,利用多个训练数据对预测神经网络模型进行训练,以得到训练好的预测神经网络模型。
在可选的实施例中,运行状态数据包括能耗产出比,能耗产出比为设备的能耗数据与设备的产出数据的比值;其中,根据运行状态数据计算污水处理系统在当前时刻的老化程度指数,包括如下步骤:对于曝气设备、污泥处理设备、回流设备和混合设备中的任一设备,根据该设备在当前时刻的能耗产出比和污水处理系统在第一次运行时的该设备的能耗产出比,确定该设备对应的老化程度指数;根据曝气设备、污泥处理设备、回流设备和混合设备分别对应的老化程度指数,确定污水处理系统在当前时刻的老化程度指数。
在可选的实施例中,曝气设备的能耗产出比的计算过程包括:利用曝气设备中的实时数据输出传感器采集曝气设备的第一能耗数据和第一产出数据,以及根据第一能耗数据和第一产出数据确定曝气设备的能耗产出比,其中,第一能耗数据包括液体流量、管道液体压力、曝气设备运行温度,第一产出数据包括溶解氧浓度、水质酸碱度;污泥处理设备的能耗产出比的计算过程包括:利用污泥处理设备中的实时数据输出传感器采集污泥处理设备的第二能耗数据和第二产出数据,以及根据第二能耗数据和第二产出数据确定污泥处理设备的能耗产出比,其中,第二能耗数据包括污泥进入流量、污泥管道压力、污泥处理设备运行温度,第二产出数据包括污泥排出流量、污泥浓度、污泥处理设备运行液位;回流设备的能耗产出比的计算过程包括:利用回流设备中的实时数据输出传感器采集回流设备的第三能耗数据和第三产出数据,以及根据第三能耗数据和第三产出数据确定回流设备的能耗产出比,其中,第三能耗数据包括回流流量、回流管道压力、回流设备的功率,第三产出数据包括液位下降速度、污泥浓度;混合设备的能耗产出比的计算过程包括:利用混合设备中的实时数据输出传感器采集混合设备的第四能耗数据和第四产出数据,以及根据第四能耗数据和第四产出数据确定混合设备的能耗产出比,其中,第四能耗数据包括混合设备的转速、混合设备的功率,第四产出数据包括液位下降速度、污泥浓度。
在可选的实施例中,曝气设备对应的老化程度指数利用如下第一公式计算:
O1=a1*(NH11*NH12*NH13)/a2*(CC11*|CC12-7|)+S1;
所述污泥处理设备对应的老化程度指数利用如下第二公式计算:
O2=a3*(NH21*NH22*NH23)/a4*(CC21*(1/CC22)*CC23)+S2;
所述回流设备对应的老化程度指数利用如下第三公式计算:
O3=a5*(NH31*NH32*NH33)/a6*(CC31*(1/CC32))+S3;
所述混合设备对应的老化程度指数利用如下第四公式计算:
O4=a7*(NH41*NH42)/a8*(CC41*(1/CC42))+S4;
其中,a1-a8均为预设的经验常数,S1-S4均为预设的经验常数;O1为曝气设备对应的老化程度指数,O2为污泥处理设备对应的老化程度指数,O3为回流设备对应的老化程度指数,O4为混合设备对应的老化程度指数;NH11表示曝气设备的液体流量,NH12表示曝气设备的管道液体压力,NH13表示曝气设备运行温度,CC11表示溶解氧浓度,CC12表示水质酸碱度;NH21表示污泥进入流量,NH22表示污泥管道压力,NH23表示污泥处理设备运行温度,CC21表示污泥排出流量,CC22表示污泥处理设备中的污泥浓度,CC23表示污泥处理设备运行液位;NH31表示回流流量,NH32表示回流管道压力,NH33表示回流设备的功率,CC31表示回流设备中的液位下降速度,CC32表示回流设备中的污泥浓度;NH41表示混合设备的转速,NH42表示混合设备的功率,CC41表示混合设备的液位下降速度,CC42表示混合设备的污泥浓度。
在可选的实施例中,根据老化程度指数对实时能耗降低率和实时污染物减排量进行校准,包括如下步骤:为曝气设备、污泥处理设备、回流设备和混合设备分别设置一个权重值;根据曝气设备、污泥处理设备、回流设备和混合设备分别对应的老化程度指数以及分别对应的权重值,计算污水处理系统的总体老化因子;根据总体老化因子对实时能耗降低率和实时污染物减排量进行校准。
在可选的实施例中,根据校准后的实时能耗降低率和校准后的实时污染物减排量确定污水处理系统在当前时刻的实时节能减排效果,包括如下步骤:获取校准后的实时能耗降低率与预设能耗降低合格率之间的第一差值;获取校准后的实时污染物减排量与预设污染物减排合格量之间的第二差值;根据第一差值和第二差值确定污水处理系统的节能减排效果。
在可选的实施例中,多个传感器包括:溶解氧传感器、pH传感器、浊度传感器、温度传感器、流量传感器、压力传感器、液位传感器和能耗传感器中的一种或多种。
在可选的实施例中,根据运行状态数据计算污水处理系统在当前时刻的老化程度指数,包括如下步骤:将运行状态数据输入训练好的老化程度预测模型中,以估计污水处理系统在当前时刻的老化程度指数。
根据上述各个方面提供的实施例,在第一方面提供的针对污水处理的节能减排效果评估方法中:当用户需要进行评估时,首先采集污水处理系统中所有实时数据输出传感器的数据。然后,将这些数据输入到训练好的预测神经网络模型中,以预测污水处理系统在所述当前时刻的实时能耗降低率和实时污染物减排量。同时,还会采集曝气设备、污泥处理设备、回流设备和混合设备当前的运行状态数据,以计算出污水处理系统的老化程度指数。以及,使用老化程度指数对之前预测出的实时能耗降低率和实时污染物减排量进行校准,以提高预测的准确性。最后,根据校准后的实时能耗降低率和实时污染物减排量,确定污水处理系统在当前时刻的实时节能减排效果。
可以看出,在该方案中,1,通过实时数据输出传感器来采集系统的运行数据,以及根据该数据和预测神经网络模型进行预测,提供了一种实时、准确的针对污水处理系统的节能减排效果评估方法;2,考虑了该预测神经网络模型的建立过程中没有考虑到重要设备的老化程度对预测神经网络模型输出结果的影响(也即是随着系统的使用老化,预测神经网络模型输出结果会出现偏移不准的现象),基于此,本方案考虑了污水处理系统中的重要设备的老化程度对预测神经网络模型输出结果的影响,从而提高了模型预测的准确性;3,利用实时数据输出传感器采集的数据训练预测神经网络模型,能够减少模型训练时间和数据采集难度,并且利用实时数据输出传感器采集的数据进行预测,能够实现快速且实时地数据估计。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举本发明实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例所提供的污水处理系统的一种模块框图;
图2示出了本发明实施例提供的一种针对污水处理的节能减排效果评估方法的流程示意图;
图3示出了本发明实施例提供的一种针对污水处理的节能减排效果评估装置的功能模块图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
此外,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本发明的实施例中的特征可以相互结合。
为了解决上文现有技术中存在的“在传统的污水处理系统中,对于节能减排的效果评估不够实时、准确,导致能源的利用效率低下以及排放不达标的问题”。本发明实施例提出了一种技术方案,包括一种针对污水处理的节能减排效果评估方法及污水处理系统。本发明实施例通过通过采集实时的污水处理系统的传感器的数据,并基于该实时的数据以及训练好的神经网络来预测污水处理系统的能耗降低率和减排量,以及通过系统当前时刻的老化程度对该神经网络预测的能耗降低率和减排量进行校准,以通过校准后的数据对污水处理的节能减排效果评估,能够实现实时、准确的节能减排的效果评估,从而为提升能源的利用效率减少环境污染提供数据参考。
首先,结合附图对本发明实施例提供的污水处理系统进行说明。请参照图1,图1为本发明实施例所提供的污水处理系统的一种模块框图。其中,污水处理系统100可以包括:曝气设备110、污泥处理设备120、回流设备130、混合设备140以及总控制台150。
其中,曝气设备110主要是为污水处理过程中的生物分解环节提供充足的氧气,促进微生物的生长和代谢,从而降解污水中的有机物。曝气设备110中包括:流量传感器、压力传感器、温度传感器、溶解氧传感器、pH传感器等传感器。
污泥处理设备120负责处理生物处理过程中产生的污泥,包括浓缩、脱水和稳定化等步骤。污泥处理设备120中包括:流量传感器、压力传感器、温度传感器、浊度传感器、液位传感器等传感器。
回流设备130主要用于将处理过的水或污泥回流到生物反应器中,以维持反应器内的微生物浓度和处理效果。其中包括:流量传感器、压力传感器、能耗传感器、液位传感器、浊度传感器等传感器。
混合设备140用于将污水、污泥和药剂等充分混合。其中包括:转速传感器、能耗传感器、液位传感器、浊度传感器等传感器。
在一个实施例中,污水处理系统100中的传感器可以包括:溶解氧传感器、pH传感器、浊度传感器、温度传感器、流量传感器、压力传感器、液位传感器、转速传感器和能耗传感器中的一种或多种传感器,对此不作限定。
其中,曝气设备110、污泥处理设备120、回流设备130、混合设备140的运行状态(包括老化程度),是污水处理系统100的所有设备中对污水处理系统100的能耗降低率、实时污染物减排量影响最大的几个设备。
总控制台150用于与曝气设备110、污泥处理设备120、回流设备130以及混合设备140电连接,以控制这些设备的运行,以及执行本发明实施例提供的一种针对污水处理的节能减排效果评估方法。
可以理解,本发明实施例提供的污水处理系统100还可以包括更多的设备(例如,格栅、分离器、调节池、沉淀池等等,图1中未示出)以实现污水处理过程。为描述的简要,在此不再赘述。
下面给出一种针对污水处理的节能减排效果评估方法的实现方式。请参阅图2,图2示出了本发明实施例提供的一种针对污水处理的节能减排效果评估方法的流程示意图。该针对污水处理的节能减排效果评估方法可以应用于上述系统100中的总控制台150,以通过采集实时的污水处理系统的传感器数据,并基于该实时数据、训练好的神经网络预测系统的能耗降低率和减排量,以及通过系统当前时刻的老化程度对该神经网络预测的能耗降低率和减排量进行校准,以及通过校准后的数据对污水处理的节能减排效果评估,能够实现实时、准确的节能减排的效果评估,从而为提升能源的利用效率减少环境污染提供数据参考。
具体来说,该针对污水处理的节能减排效果评估方法可以包括以下步骤S210~S260,下面依次进行说明。
S210,根据用户在当前时刻的评估操作,获取污水处理系统100中多个传感器在当前时刻采集的系统运行数据。
其中,多个传感器包括污水处理系统100的所有传感器中的实时数据输出传感器。系统运行数据表示污水处理系统100的运行状态。例如,系统运行数据可以包括pH值、溶解氧、浊度、电导率、流量、功率、氧化还原电位等,对此不作限定。
用户可以是运维人员、管理人员等,评估操作可以是指用户在总控制台150的显示屏幕上的对“节能减排效果评估”按钮的点击操作,或者是其他的按钮操作,对此不作限定。
污水处理系统100中多个传感器包括污水处理系统100的所有传感器中的实时数据输出传感器。更具体的,该污水处理系统100中多个传感器可以包括:溶解氧传感器、pH传感器、浊度传感器、温度传感器、流量传感器、压力传感器、液位传感器、转速传感器和能耗传感器中的一种或多种。
其中,污水处理系统100的传感器的类型可以分为实时数据输出传感器和非实时数据输出传感器。
实时数据输出传感器是指能够持续、即时地监测并传输数据的传感器,例如pH值、溶解氧、浊度、电导率、流量、功率、氧化还原电位等运行参数的实时变化。可以理解,实时数据输出传感器可以认为是易于采集实时数据的传感器,这样能够减少模型训练时间和数据采集难度,并且利用实时数据输出传感器采集的数据进行预测,能够实现快速且实时地数据估计。
非实时数据输出传感器例如是指以定期或按需的方式进行数据采集传输的传感器。例如,一些化学需氧量或生物需氧量传感器可能需要较长时间才能完成测量。这些传感器通常用于进行长期趋势分析。
污水处理系统100中多个传感器在当前时刻采集的系统运行数据,也即是指实时数据输出传感器实时采集的数据(实时数据)。
S220,将系统运行数据输入至训练好的预测神经网络模型中,以估计污水处理系统100在当前时刻的实时能耗降低率和实时污染物减排量。
其中,预测神经网络模型利用实时数据输出传感器采集的数据进行训练。
在可选的实施例中,预测神经网络模型的训练过程包括如下2个步骤:
数据采集步骤1,利用多个传感器获取多个训练数据。
模型训练步骤1,利用多个训练数据对预测神经网络模型进行训练,以得到训练好的预测神经网络模型。
其中,多个训练数据包括:多个传感器中每个传感器在第一时间的采集数据以及污水处理系统100在第一时间的历史能耗降低率和历史污染物减排量。这里的第一时间是指过去一段(1周、1个月或1年等)时间中的某个时间点。也即是,在过去一段时间中多个时间点进行传感器的数据采集以及对应的污水处理系统100的历史能耗降低率和历史污染物减排量采集,从而可以得到所述多个训练数据。
将所述第一时间的采集数据作为所述预测神经网络模型的输入变量,以及将所述第一时间的历史能耗降低率和历史污染物减排量作为所述预测神经网络模型的输出变量,对所述预测神经网络模型进行训练,以得到所述训练好的预测神经网络模型。可以理解,模型训练步骤的具体实现方式过程可以参照相关技术。
其中可选的,上述的预测神经网络模型的结构包括:输入层、隐藏层以及输出层。在输入层,可以将多个传感器中每个传感器在第一时间的采集数据作为输入变量。隐藏层包括一系列的神经元,每个神经元都有一组权重和偏差。在输出层,可以将污水处理系统100在第一时间的历史能耗降低率和历史污染物减排量作为输出变量。
在模型内部,ReLU和线性函数可以被用作激活函数,以帮助模型更好地处理数据。为了评估模型的准确性,可以使用均方误差作为损失函数。而为了使模型更加准确,可以采用梯度下降法来不断优化神经元的权重和偏差,从而减小预测误差。
例如,在数据采集步骤,可以通过部署在污水处理系统100中的多个传感器,实时捕捉各种关键参数。这些传感器不仅记录当前的运行数据(如流量、温度、浓度等),还关联到系统在同一时间点的历史能耗降低率和污染物减排量。所有这些数据被整合起来,形成一个全面的训练数据集,用于后续的模型训练。在模型训练步骤,预测神经网络模型利用上述数据集进行训练。实时采集的传感器数据被用作模型的输入,而系统的历史能耗降低率和污染物减排量则作为期望的输出。通过不断迭代和调整模型参数,可以使得该模型学习从输入数据中预测出准确且实时的能耗降低率和污染物减排量。
S230,采集曝气设备110、污泥处理设备120、回流设备130和混合设备140在当前时刻的运行状态数据。
在可选的实施例中,运行状态数据可以包括能耗产出比,能耗产出比为设备的能耗数据与设备的产出数据的比值。可以理解,在一些实施例中,运行状态数据等同于能耗产出比。
例如,曝气设备110在当前时刻的运行状态数据包括:曝气设备110在当前时刻的能耗数据与产出数据的比值。具体的采集过程例如包括:利用曝气设备110中的实时数据输出传感器采集曝气设备110在当前时刻的能耗数据和产出数据,以及根据能耗数据和产出数据确定出曝气设备110在当前时刻的能耗产出比。其中,能耗数据可以包括液体流量、管道液体压力、曝气设备运行温度,产出数据可以包括溶解氧浓度、水质酸碱度。
污泥处理设备120、回流设备130和混合设备140在当前时刻的运行状态数据的采集过程可以参照上述曝气设备110的过程,在此不再赘述。
在可选的实施例中,曝气设备110的能耗产出比的计算过程可以包括:利用曝气设备110中的实时数据输出传感器采集曝气设备110的第一能耗数据和第一产出数据,以及根据第一能耗数据和第一产出数据确定曝气设备110的能耗产出比。其中,第一能耗数据包括液体流量、管道液体压力、曝气设备110运行温度,第一产出数据包括溶解氧浓度、水质酸碱度。
污泥处理设备120的能耗产出比的计算过程可以包括:利用污泥处理设备120中的实时数据输出传感器采集污泥处理设备120的第二能耗数据和第二产出数据,以及根据第二能耗数据和第二产出数据确定污泥处理设备120的能耗产出比。其中,第二能耗数据包括污泥进入流量、污泥管道压力、污泥处理设备120运行温度,第二产出数据包括污泥排出流量、污泥浓度、污泥处理设备120运行液位。
回流设备130的能耗产出比的计算过程可以包括:利用回流设备130中的实时数据输出传感器采集回流设备130的第三能耗数据和第三产出数据,以及根据第三能耗数据和第三产出数据确定回流设备130的能耗产出比。其中,第三能耗数据包括回流流量、回流管道压力、回流设备130的功率,第三产出数据包括液位下降速度、污泥浓度。
混合设备140的能耗产出比的计算过程可以包括:利用混合设备140中的实时数据输出传感器采集混合设备140的第四能耗数据和第四产出数据,以及根据第四能耗数据和第四产出数据确定混合设备140的能耗产出比。其中,第四能耗数据包括混合设备140的转速、混合设备140的功率,第四产出数据包括液位下降速度、污泥浓度。
S240,根据运行状态数据计算污水处理系统100在当前时刻的老化程度指数。
具体来说,S240,根据运行状态数据计算污水处理系统100在当前时刻的老化程度指数,可以包括如下步骤1.1-1.2:
步骤1.1,对于曝气设备110、污泥处理设备120、回流设备130和混合设备140中的任一设备,根据该设备在当前时刻的能耗产出比和污水处理系统100在第一次运行时的该设备的能耗产出比,确定该设备对应的老化程度指数。
步骤1.2,根据曝气设备110、污泥处理设备120、回流设备130和混合设备140分别对应的老化程度指数,确定污水处理系统100在当前时刻的老化程度指数。例如,可以为曝气设备110、污泥处理设备120、回流设备130和混合设备140分别对应设置一个权重系数,然后将曝气设备110、污泥处理设备120、回流设备130和混合设备140各自的老化程度指数与权重系数的乘积的和作为所述污水处理系统100的总体老化因子。例如,曝气设备110、污泥处理设备120、回流设备130和混合设备140分别对应的老化程度指数依次为L1、L2、L3、L4,曝气设备110、污泥处理设备120、回流设备130和混合设备140分别对应的权重系数依次为q1、q2、q3、q4,那么总体老化因子= L1*q1+L2*q2+L3*q3+L4*q4。
其中,以曝气设备110的老化程度指数计算为例,首先,获取污水处理系统100在第一次运行时的曝气设备110的能耗产出比(该能耗产出比可以是第一次运行时计算的),假设记为K1。以及获取曝气设备110在当前时刻的能耗产出比,假设记为K2。那么曝气设备110在当前时刻对应的老化程度指数=K2/K1。其中,曝气设备110的能耗产出比的计算方式可以参照下文中的第一公式。
污泥处理设备120、回流设备130和混合设备140分别对应的老化程度指数的计算方式与上述曝气设备110的类似,可以参考其计算过程,在此不再赘述。
在可选的实施例中,曝气设备110对应的老化程度指数可以利用如下第一公式计算:
O1=a1*(NH11*NH12*NH13)/a2*(CC11*|CC12-7|)+S1;
污泥处理设备120对应的老化程度指数可以利用如下第二公式计算:
O2=a3*(NH21*NH22*NH23)/a4*(CC21*(1/CC22)*CC23)+S2;
回流设备130对应的老化程度指数可以利用如下第三公式计算:
O3=a5*(NH31*NH32*NH33)/a6*(CC31*(1/CC32))+S3;
混合设备140对应的老化程度指数可以利用如下第四公式计算:
O4=a7*(NH41*NH42)/a8*(CC41*(1/CC42))+S4;
其中,a1-a8均为预设的经验常数(a1-a8中的部分或全部可以各不相同),S1-S4均为预设的经验常数(S1-S4中的部分或全部可以各不相同);O1为曝气设备110对应的老化程度指数,O2为污泥处理设备120对应的老化程度指数,O3为回流设备130对应的老化程度指数,O4为混合设备140对应的老化程度指数;NH11表示曝气设备110的液体流量,NH12表示曝气设备110的管道液体压力,NH13表示曝气设备110运行温度,CC11表示溶解氧浓度,CC12表示水质酸碱度,(|CC12-7|表示求CC12-7的绝对值);NH21表示污泥进入流量,NH22表示污泥管道压力,NH23表示污泥处理设备120运行温度,CC21表示污泥排出流量,CC22表示污泥处理设备120中的污泥浓度,CC23表示污泥处理设备120运行液位;NH31表示回流流量,NH32表示回流管道压力,NH33表示回流设备130的功率,CC31表示回流设备130中的液位下降速度,CC32表示回流设备130中的污泥浓度;NH41表示混合设备140的转速,NH42表示混合设备140的功率,CC41表示混合设备140的液位下降速度,CC42表示混合设备140的污泥浓度。
在另外的可选实施例中,S240,根据运行状态数据计算污水处理系统100在当前时刻的老化程度指数,包括:将运行状态数据输入训练好的老化程度预测模型中,以估计污水处理系统100在当前时刻的老化程度指数。
其中,该老化程度预测模型的训练过程可以包括如下2个步骤:
数据采集步骤2,获取多组训练数据。每组训练数据包括:某个过去时间点,曝气设备110、污泥处理设备120、回流设备130和混合设备140各自对应的运行状态数据,以及该时间点污水处理系统100的老化程度指数。
模型训练步骤2,利用多组训练数据对老化程度预测模型进行训练,以得到训练好的老化程度预测模型的。可以理解,该老化程度预测模型更具体的训练方式与上述的预测神经网络模型训练过程类似,可以参考上述训练过程,在此不再赘述。
可以理解,通过老化程度预测模型来预测设备的老化程度,可以提升老化程度指数的准确程度,从而提升节能减排效果评估的准确性。
S250,根据老化程度指数对实时能耗降低率和实时污染物减排量进行校准。
在可选的实施例中,S250,根据老化程度指数对实时能耗降低率和实时污染物减排量进行校准,包括如下步骤2.1-2.3:
步骤2.1,为曝气设备110、污泥处理设备120、回流设备130和混合设备140分别设置一个权重值。
步骤2.2,根据曝气设备110、污泥处理设备120、回流设备130和混合设备140分别对应的老化程度指数以及分别对应的权重值,计算污水处理系统100的总体老化因子。
步骤2.3,根据总体老化因子对实时能耗降低率和实时污染物减排量进行校准。
例如,假设曝气设备110对应的权重设置为30%,污泥处理设备120对应的权重设置为30%,回流设备130对应的权重设置为30%,混合设备140对应的权重设置为10%。以及,假设曝气设备110、污泥处理设备120、回流设备130和混合设备140分别对应的老化程度指数依次为0.8,0.9,0.9,0.9。那么,污水处理系统100的总体老化因子=0.8*30%+0.9*30%+0.9*30%+0.9*10%=0.87。
假设实时能耗降低率为10%,实时污染物减排量为100kg,那么校准后的实时能耗降低率=10%*0.87,校准后的实时污染物减排量=100kg*0.87。
S260,根据校准后的实时能耗降低率和校准后的实时污染物减排量确定污水处理系统100在当前时刻的实时节能减排效果。
在可选的实施例中,S260,根据校准后的实时能耗降低率和校准后的实时污染物减排量确定污水处理系统100在当前时刻的实时节能减排效果,包括如下步骤3.1-3.3:
步骤3.1,获取校准后的实时能耗降低率与预设能耗降低合格率之间的第一差值。
步骤3.2,获取校准后的实时污染物减排量与预设污染物减排合格量之间的第二差值。
假设校准后的实时能耗降低率:28%,预设能耗降低合格率:30%,校准后的实时污染物减排量:110kg,预设污染物减排合格量:120kg。那么,第一差值= 30% - 28% = 2%;第二差值=120 kg - 110 kg = 10 kg。
步骤3.3,根据第一差值和第二差值确定污水处理系统100的节能减排效果。
具体来说,可以计算加权均值=第一差值*预设权重+第二差值*预设权重,然后从多个评估等级范围中确定该加权均值对应的评估等级,从而确定污水处理系统100的节能减排效果。
在图2所示的方法实施例中,当用户需要进行评估时,首先采集污水处理系统100中所有实时数据输出传感器的数据。然后,将这些数据输入到训练好的预测神经网络模型中,以预测污水处理系统100在所述当前时刻的实时能耗降低率和实时污染物减排量。同时,还会采集曝气设备110、污泥处理设备120、回流设备130和混合设备140当前的运行状态数据,以计算出污水处理系统100的老化程度指数。以及,使用老化程度指数对之前预测出的实时能耗降低率和实时污染物减排量进行校准,以提高预测的准确性。最后,根据校准后的实时能耗降低率和实时污染物减排量,确定污水处理系统100在当前时刻的实时节能减排效果。可以看出,在该方案中,1,通过实时数据输出传感器来采集系统的运行数据,以及根据该数据和预测神经网络模型进行预测,提供了一种实时、准确的针对污水处理系统100的节能减排效果评估方法;2,考虑了污水处理系统100中的重要设备的老化程度对预测神经网络模型输出结果的影响,从而提高模型预测的准确性;3,利用实时数据输出传感器采集的数据训练预测神经网络模型,能够减少模型训练时间和数据采集难度,并且利用实时数据输出传感器采集的数据进行预测,能够实现快速且实时地数据估计。
为了执行上述实施例及各个可能的方式中的相应步骤,下面还给出一种针对污水处理的节能减排效果评估装置的实现方式,请参阅图3,图3示出了本发明实施例提供的一种针对污水处理的节能减排效果评估装置的功能模块图。该针对污水处理的节能减排效果评估装置300可以应用于上述图1所示的系统100,可以用于执行上述方法实施例中的各个步骤。需要说明的是,本实施例所提供的一种针对污水处理的节能减排效果评估装置300,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本实施例部分未提及之处,可参照上述的实施例中相应内容。该针对污水处理的节能减排效果评估装置300可以包括:收发模块310、处理模块320。
其中,收发模块310用于根据用户在当前时刻的评估操作,获取污水处理系统中多个传感器在当前时刻采集的系统运行数据,其中,多个传感器包括污水处理系统的所有传感器中的实时数据输出传感器;处理模块320用于将系统运行数据输入至训练好的预测神经网络模型中,以估计污水处理系统在当前时刻的实时能耗降低率和实时污染物减排量,其中,预测神经网络模型利用实时数据输出传感器采集的数据进行训练;处理模块320用于采集曝气设备、污泥处理设备、回流设备和混合设备在当前时刻的运行状态数据;处理模块320用于根据运行状态数据计算污水处理系统在当前时刻的老化程度指数;处理模块320用于根据老化程度指数对实时能耗降低率和实时污染物减排量进行校准;处理模块320用于根据校准后的实时能耗降低率和校准后的实时污染物减排量确定污水处理系统在当前时刻的实时节能减排效果。
可选地,上述模块可以软件或固件(Firmware)的形式存储于存储器中或固化于本发明提供的图1所示的总控制台150的操作系统(Operating System,OS)中,并可由图1所示总控制台150执行。同时,执行上述模块所需的数据、程序的代码等可以存储在存储器中。
可以理解的是,收发模块310、处理模块320可以用于支持图1所示的系统100执行上述方法实施例中相关的步骤,和/或用于本文所描述的技术的其他过程,比如上述图2所示的方法实施例以及上述记载的各个方法实施例,对此不作限定。
基于上述实施例,本发明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上存储有计算机程序,该计算机程序被处理器运行时执行上述方法中的各个步骤。
具体地,该存储介质可以为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述实施例中的方法,通过采集实时的污水处理系统的传感器的数据,并基于该实时的数据以及训练好的神经网络来预测污水处理系统的能耗降低率和减排量,以及通过系统当前时刻的老化程度对该神经网络预测的能耗降低率和减排量进行校准,以通过校准后的数据对污水处理的节能减排效果评估,能够实现实时、准确的节能减排的效果评估,从而为提升能源的利用效率减少环境污染提供数据参考。从而解决现有技术中存在的“在传统的污水处理系统中,对于节能减排的效果评估不够实时、准确,导致能源的利用效率低下以及排放不达标的问题”。
在本发明所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本发明的实施例而已,并不用于限制本发明的保护范围,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种针对污水处理的节能减排效果评估方法,其特征在于,应用于污水处理系统,所述污水处理系统包括曝气设备、污泥处理设备、回流设备和混合设备,所述方法包括:
根据用户在当前时刻的评估操作,获取所述污水处理系统中多个传感器在所述当前时刻采集的系统运行数据,其中,所述多个传感器包括所述污水处理系统的所有传感器中的实时数据输出传感器;
将所述系统运行数据输入至训练好的预测神经网络模型中,以估计所述污水处理系统在所述当前时刻的实时能耗降低率和实时污染物减排量,其中,所述预测神经网络模型利用所述实时数据输出传感器采集的数据进行训练;
采集所述曝气设备、所述污泥处理设备、所述回流设备和所述混合设备在所述当前时刻的运行状态数据;
根据所述运行状态数据计算所述污水处理系统在所述当前时刻的老化程度指数;
根据所述老化程度指数对所述实时能耗降低率和所述实时污染物减排量进行校准;
根据校准后的实时能耗降低率和校准后的实时污染物减排量确定所述污水处理系统在所述当前时刻的实时节能减排效果。
2.根据权利要求1所述的针对污水处理的节能减排效果评估方法,其特征在于,所述预测神经网络模型的训练过程包括如下步骤:
数据采集步骤,利用所述多个传感器获取多个训练数据,其中,所述多个训练数据包括:所述多个传感器中每个传感器在第一时间的采集数据以及所述污水处理系统在所述第一时间的历史能耗降低率和历史污染物减排量;
模型训练步骤,利用所述多个训练数据对所述预测神经网络模型进行训练,以得到所述训练好的预测神经网络模型。
3.根据权利要求2所述的针对污水处理的节能减排效果评估方法,其特征在于,运行状态数据包括能耗产出比,能耗产出比为设备的能耗数据与设备的产出数据的比值;
其中,根据所述运行状态数据计算所述污水处理系统在所述当前时刻的老化程度指数,包括如下步骤:
对于所述曝气设备、所述污泥处理设备、所述回流设备和所述混合设备中的任一设备,根据该设备在所述当前时刻的能耗产出比和所述污水处理系统在第一次运行时的该设备的能耗产出比,确定该设备对应的老化程度指数;
根据所述曝气设备、所述污泥处理设备、所述回流设备和所述混合设备分别对应的老化程度指数,确定所述污水处理系统在所述当前时刻的老化程度指数。
4.根据权利要求3所述的针对污水处理的节能减排效果评估方法,其特征在于,所述曝气设备的能耗产出比的计算过程包括:利用所述曝气设备中的实时数据输出传感器采集所述曝气设备的第一能耗数据和第一产出数据,以及根据所述第一能耗数据和所述第一产出数据确定所述曝气设备的能耗产出比,其中,所述第一能耗数据包括液体流量、管道液体压力、曝气设备运行温度,所述第一产出数据包括溶解氧浓度、水质酸碱度;
所述污泥处理设备的能耗产出比的计算过程包括:利用所述污泥处理设备中的实时数据输出传感器采集所述污泥处理设备的第二能耗数据和第二产出数据,以及根据所述第二能耗数据和所述第二产出数据确定所述污泥处理设备的能耗产出比,其中,所述第二能耗数据包括污泥进入流量、污泥管道压力、污泥处理设备运行温度,所述第二产出数据包括污泥排出流量、污泥浓度、污泥处理设备运行液位;
所述回流设备的能耗产出比的计算过程包括:利用所述回流设备中的实时数据输出传感器采集所述回流设备的第三能耗数据和第三产出数据,以及根据所述第三能耗数据和所述第三产出数据确定所述回流设备的能耗产出比,其中,所述第三能耗数据包括回流流量、回流管道压力、回流设备的功率,所述第三产出数据包括液位下降速度、污泥浓度;
所述混合设备的能耗产出比的计算过程包括:利用所述混合设备中的实时数据输出传感器采集所述混合设备的第四能耗数据和第四产出数据,以及根据所述第四能耗数据和所述第四产出数据确定所述混合设备的能耗产出比,其中,所述第四能耗数据包括混合设备的转速、混合设备的功率,所述第四产出数据包括液位下降速度、污泥浓度。
5.根据权利要求4所述的针对污水处理的节能减排效果评估方法,其特征在于,所述曝气设备对应的老化程度指数利用如下第一公式计算:
O1=a1*(NH11*NH12*NH13)/a2*(CC11*|CC12-7|)+S1;
所述污泥处理设备对应的老化程度指数利用如下第二公式计算:
O2=a3*(NH21*NH22*NH23)/a4*(CC21*(1/CC22)*CC23)+S2;
所述回流设备对应的老化程度指数利用如下第三公式计算:
O3=a5*(NH31*NH32*NH33)/a6*(CC31*(1/CC32))+S3;
所述混合设备对应的老化程度指数利用如下第四公式计算:
O4=a7*(NH41*NH42)/a8*(CC41*(1/CC42))+S4;
其中,a1-a8均为预设的经验常数,S1-S4均为预设的经验常数;O1为所述曝气设备对应的老化程度指数,O2为所述污泥处理设备对应的老化程度指数,O3为所述回流设备对应的老化程度指数,O4为所述混合设备对应的老化程度指数;NH11表示所述曝气设备的液体流量,NH12表示所述曝气设备的管道液体压力,NH13表示所述曝气设备运行温度,CC11表示所述溶解氧浓度,CC12表示所述水质酸碱度;NH21表示所述污泥进入流量,NH22表示所述污泥管道压力,NH23表示所述污泥处理设备运行温度,CC21表示所述污泥排出流量,CC22表示所述污泥处理设备中的污泥浓度,CC23表示所述污泥处理设备运行液位;NH31表示所述回流流量,NH32表示所述回流管道压力,NH33表示所述回流设备的功率,CC31表示所述回流设备中的液位下降速度,CC32表示所述回流设备中的污泥浓度;NH41表示所述混合设备的转速,NH42表示所述混合设备的功率,CC41表示所述混合设备的液位下降速度,CC42表示所述混合设备的污泥浓度。
6.根据权利要求1所述的针对污水处理的节能减排效果评估方法,其特征在于,根据所述老化程度指数对所述实时能耗降低率和所述实时污染物减排量进行校准,包括如下步骤:
为所述曝气设备、所述污泥处理设备、所述回流设备和所述混合设备分别设置一个权重值;
根据所述曝气设备、所述污泥处理设备、所述回流设备和所述混合设备分别对应的老化程度指数以及分别对应的权重值,计算所述污水处理系统的总体老化因子;
根据所述总体老化因子对所述实时能耗降低率和所述实时污染物减排量进行校准。
7.根据权利要求1所述的针对污水处理的节能减排效果评估方法,其特征在于,根据校准后的实时能耗降低率和校准后的实时污染物减排量确定所述污水处理系统在所述当前时刻的实时节能减排效果,包括如下步骤:
获取校准后的实时能耗降低率与预设能耗降低合格率之间的第一差值;
获取校准后的实时污染物减排量与预设污染物减排合格量之间的第二差值;
根据所述第一差值和所述第二差值确定所述污水处理系统的节能减排效果。
8.根据权利要求1-7中任一项所述的针对污水处理的节能减排效果评估方法,其特征在于,所述多个传感器包括:溶解氧传感器、pH传感器、浊度传感器、温度传感器、流量传感器、压力传感器、液位传感器、转速传感器和能耗传感器中的一种或多种。
9.根据权利要求2所述的针对污水处理的节能减排效果评估方法,其特征在于,根据所述运行状态数据计算所述污水处理系统在所述当前时刻的老化程度指数,包括如下步骤:
将所述运行状态数据输入训练好的老化程度预测模型中,以估计所述污水处理系统在所述当前时刻的老化程度指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410233611.4A CN117808216B (zh) | 2024-03-01 | 2024-03-01 | 一种针对污水处理的节能减排效果评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410233611.4A CN117808216B (zh) | 2024-03-01 | 2024-03-01 | 一种针对污水处理的节能减排效果评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117808216A true CN117808216A (zh) | 2024-04-02 |
CN117808216B CN117808216B (zh) | 2024-05-07 |
Family
ID=90433834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410233611.4A Active CN117808216B (zh) | 2024-03-01 | 2024-03-01 | 一种针对污水处理的节能减排效果评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117808216B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019166431A (ja) * | 2018-03-22 | 2019-10-03 | 住友重機械エンバイロメント株式会社 | 排水処理設備の運転制御装置及び運転制御方法 |
CN113033917A (zh) * | 2021-04-19 | 2021-06-25 | 重庆工商大学 | 一种基于外围数据的污水处理厂预测规划运行管理方法 |
CN113837356A (zh) * | 2021-08-24 | 2021-12-24 | 华南师范大学 | 基于融合神经网络的污水处理智能预测方法 |
CN114671523A (zh) * | 2021-12-31 | 2022-06-28 | 广东长天思源环保科技股份有限公司 | 一种基于预测控制的污水处理节能方法 |
CN115375104A (zh) * | 2022-07-29 | 2022-11-22 | 中国电力科学研究院有限公司 | 一种基于电力大数据的建筑节能潜力评估方法及装置 |
CN115557600A (zh) * | 2022-07-26 | 2023-01-03 | 成都工业学院 | 一种生化反应的人工神经网络智能曝气装置及其控制方法 |
US20230004780A1 (en) * | 2021-06-30 | 2023-01-05 | Beijing University Of Technology | Multi-time Scale Model Predictive Control of Wastewater Treatment Process |
CN115809749A (zh) * | 2023-02-09 | 2023-03-17 | 四川文韬工程技术有限公司 | 污水处理综合性在线预测模型的建立方法及预测预警方法 |
CN115860351A (zh) * | 2022-09-21 | 2023-03-28 | 国网青海省电力公司经济技术研究院 | 一种确定高耗能企业节能减排目标的方法及系统 |
CN115983534A (zh) * | 2023-03-01 | 2023-04-18 | 华东理工大学 | 污水处理过程的状态评价方法以及评价系统 |
CN116681174A (zh) * | 2023-06-06 | 2023-09-01 | 北京金控数据技术股份有限公司 | 污水处理生化池曝气量预测方法、系统、设备及介质 |
KR20230138276A (ko) * | 2022-03-23 | 2023-10-05 | 경희대학교 산학협력단 | 인공지능에 기반하여, 물 환경 시스템의 센서 보정을 하는 방법 및 장치 |
-
2024
- 2024-03-01 CN CN202410233611.4A patent/CN117808216B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019166431A (ja) * | 2018-03-22 | 2019-10-03 | 住友重機械エンバイロメント株式会社 | 排水処理設備の運転制御装置及び運転制御方法 |
CN113033917A (zh) * | 2021-04-19 | 2021-06-25 | 重庆工商大学 | 一种基于外围数据的污水处理厂预测规划运行管理方法 |
US20230004780A1 (en) * | 2021-06-30 | 2023-01-05 | Beijing University Of Technology | Multi-time Scale Model Predictive Control of Wastewater Treatment Process |
CN113837356A (zh) * | 2021-08-24 | 2021-12-24 | 华南师范大学 | 基于融合神经网络的污水处理智能预测方法 |
CN114671523A (zh) * | 2021-12-31 | 2022-06-28 | 广东长天思源环保科技股份有限公司 | 一种基于预测控制的污水处理节能方法 |
KR20230138276A (ko) * | 2022-03-23 | 2023-10-05 | 경희대학교 산학협력단 | 인공지능에 기반하여, 물 환경 시스템의 센서 보정을 하는 방법 및 장치 |
CN115557600A (zh) * | 2022-07-26 | 2023-01-03 | 成都工业学院 | 一种生化反应的人工神经网络智能曝气装置及其控制方法 |
CN115375104A (zh) * | 2022-07-29 | 2022-11-22 | 中国电力科学研究院有限公司 | 一种基于电力大数据的建筑节能潜力评估方法及装置 |
CN115860351A (zh) * | 2022-09-21 | 2023-03-28 | 国网青海省电力公司经济技术研究院 | 一种确定高耗能企业节能减排目标的方法及系统 |
CN115809749A (zh) * | 2023-02-09 | 2023-03-17 | 四川文韬工程技术有限公司 | 污水处理综合性在线预测模型的建立方法及预测预警方法 |
CN115983534A (zh) * | 2023-03-01 | 2023-04-18 | 华东理工大学 | 污水处理过程的状态评价方法以及评价系统 |
CN116681174A (zh) * | 2023-06-06 | 2023-09-01 | 北京金控数据技术股份有限公司 | 污水处理生化池曝气量预测方法、系统、设备及介质 |
Non-Patent Citations (3)
Title |
---|
PENG LI,等: "Global calibration model of UV-Vis spectroscopy for COD estimation in the effluent of rural sewage treatment facilities", RSC ADVANCES, vol. 60, 1 June 2020 (2020-06-01), pages 20691 - 20700 * |
QIANQIAN ZHANG, 等: "Predictive models for wastewater flow forecasting based on time series analysis and artificial neural network", WATER SCI TECHNOL, vol. 80, no. 2, 15 July 2019 (2019-07-15), pages 243 - 253 * |
李娅情: "城市排水泵站老化评估建模及可视化研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, 15 February 2017 (2017-02-15), pages 1 - 71 * |
Also Published As
Publication number | Publication date |
---|---|
CN117808216B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Drewnowski et al. | Aeration process in bioreactors as the main energy consumer in a wastewater treatment plant. Review of solutions and methods of process optimization | |
Regmi et al. | The future of WRRF modelling–outlook and challenges | |
CN104360035B (zh) | 一种基于自组织粒子群-径向基神经网络的污水总磷tp软测量方法 | |
CN111553468B (zh) | 一种准确预测污水处理厂出水水质的方法 | |
CN102262147A (zh) | 一种废水处理系统出水cod的软测量方法和系统 | |
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 | |
CN115470702B (zh) | 一种基于机器学习的污水处理水质预测方法及系统 | |
US20190359510A1 (en) | Cooperative optimal control method and system for wastewater treatment process | |
CN109492265B (zh) | 基于动态非线性pls软测量方法的废水出水指标预测方法 | |
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 | |
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 | |
CN103235096A (zh) | 污水水质检测方法与装置 | |
CN112782975A (zh) | 一种基于深度学习的污水处理曝气智能控制方法及系统 | |
CN111762958A (zh) | 基于asm2d模型的污水处理厂深井曝气工艺优化方法及装置 | |
Han et al. | An intelligent detecting system for permeability prediction of MBR | |
CN101693573B (zh) | 一种aao工艺反应池的优化设计方法 | |
Cheng et al. | Development and application of random forest regression soft sensor model for treating domestic wastewater in a sequencing batch reactor | |
Han et al. | Robust optimal control for anaerobic-anoxic-oxic reactors | |
CN113838542B (zh) | 化学需氧量智能预测方法和系统 | |
CN106706491B (zh) | 膜生物反应器-mbr出水透水率的智能检测方法 | |
Pan et al. | A new approach to estimating oxygen off-gas fraction and dynamic alpha factor in aeration systems using hybrid machine learning and mechanistic models | |
CN117808216B (zh) | 一种针对污水处理的节能减排效果评估方法 | |
KR20230038038A (ko) | 수처리 에너지지수 기반 하수처리장의 에너지 효율 평가 방법 및 에너지 절감 의사결정 시스템 | |
KR101016394B1 (ko) | 급속 미생물 호흡률 측정장치와 에스에스, 이시 측정기가 결합한 실시간 하수처리장 유입하수 성분분석 장치 | |
CN104345636A (zh) | 一种基于改进差分算法的溶解氧控制方法 |
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 |