CN118084222A - 用于污水处理的智能曝气方法及设备 - Google Patents
用于污水处理的智能曝气方法及设备 Download PDFInfo
- Publication number
- CN118084222A CN118084222A CN202410474449.5A CN202410474449A CN118084222A CN 118084222 A CN118084222 A CN 118084222A CN 202410474449 A CN202410474449 A CN 202410474449A CN 118084222 A CN118084222 A CN 118084222A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- bod
- equivalent
- total nitrogen
- vector
- 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
- 239000010865 sewage Substances 0.000 title claims abstract description 68
- 238000005273 aeration Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 46
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 388
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 194
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 126
- 239000013598 vector Substances 0.000 claims description 314
- 238000012549 training Methods 0.000 claims description 136
- 238000004065 wastewater treatment Methods 0.000 claims description 16
- 230000003247 decreasing effect Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 238000011217 control strategy Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 abstract description 8
- 230000008859 change Effects 0.000 description 24
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000031018 biological processes and functions Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- VUZPPFZMUPKLLV-UHFFFAOYSA-N methane;hydrate Chemical compound C.O VUZPPFZMUPKLLV-UHFFFAOYSA-N 0.000 description 1
- 230000002906 microbiologic effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Classifications
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/10—Biological treatment of water, waste water, or sewage
Landscapes
- Activated Sludge Processes (AREA)
Abstract
本公开涉及一种用于污水处理的智能曝气方法及设备，涉及污水处理技术领域，包括：获取污水处理线进水处的进水量的时间序列、第一总氮值的时间序列和第一等效BOD的时间序列；获取好氧池出水以后的第二总氮值的时间序列和第二等效BOD的时间序列；基于所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效BOD的时间序列、所述第二总氮值的时间序列和所述第二等效BOD的时间序列，确定基础风量调整策略；以及，基于所述基础风量调整策略，控制基础风量。这样，能够根据污水特性和处理要求实时调整曝气量，从而优化污水处理效率，同时降低能源消耗。
Description
技术领域
本公开涉及污水处理技术领域，具体地，涉及一种用于污水处理的智能曝气方法及设备。
背景技术
污水处理的目的是去除污水中对人类健康和环境有害的污染物。在污水处理过程中，污水处理厂使用一系列物理、化学和生物过程来处理污水，使其达到排放或再利用的标准。
曝气是污水处理中至关重要的操作步骤，通过向水体中注入气泡，提供氧气以促进微生物的生长和有机物的降解，以将污水中的有机物转化为二氧化碳、水和其他无害物质。
然而，传统的曝气方法通常依赖于预定义的风量控制或反馈控制，预定义的风量可能不足以满足污水处理要求，导致处理效率低下，还可能会导致风量过大，造成浪费能源并增加运营成本。此外，污水特性会随着时间而变化，但传统曝气反馈控制方案的反馈时间较长，存在滞后性问题，这会导致曝气量无法及时调整，从而影响污水的处理效率并造成能源浪费。
因此，期望一种优化的用于污水处理的智能曝气方案。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供了一种用于污水处理的智能曝气方法，所述方法包括：
获取污水处理线进水处的进水量的时间序列、第一总氮值的时间序列和第一等效BOD的时间序列；
获取好氧池出水以后的第二总氮值的时间序列和第二等效BOD的时间序列；
基于所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效BOD的时间序列、所述第二总氮值的时间序列和所述第二等效BOD的时间序列，确定基础风量调整策略；以及
基于所述基础风量调整策略，控制基础风量。
可选地，基于所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效BOD的时间序列、所述第二总氮值的时间序列和所述第二等效BOD的时间序列，确定基础风量调整策略，包括：将所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效BOD的时间序列、所述第二总氮值的时间序列和所述第二等效BOD的时间序列分别按照时间维度进行数据规整以得到进水量时序输入向量、第一总单值时序输入向量、第一等效BOD时序输入向量、第二总氮值时序输入向量、第二等效BOD时序输入向量；基于所述第一总氮值时序输入向量和所述第二总氮值时序输入向量，所述第一等效BOD时序输入向量和所述第二等效BOD时序输入向量，确定总氮值时序差分向量和等效BOD时序差分向量；通过基于深度神经网络的时序模式特征提取器分别对所述进水量时序输入向量、所述总氮值时序差分向量和所述等效BOD时序差分向量进行特征提取以得到进水量时序关联特征向量、总氮值时序差分特征向量和等效BOD时序差分特征向量；将所述进水量时序关联特征向量、所述总氮值时序差分特征向量和所述等效BOD时序差分特征向量通过基于类贝叶斯概率网络的推理器以得到风量控制预测特征向量作为风量控制预测特征；基于所述风量控制预测特征，确定当前时间点的基础风量应增大、应减小或应保持不变。
可选地，基于所述第一总氮值时序输入向量和所述第二总氮值时序输入向量，所述第一等效BOD时序输入向量和所述第二等效BOD时序输入向量，确定总氮值时序差分向量和等效BOD时序差分向量，包括：计算所述第一总氮值时序输入向量和所述第二总氮值时序输入向量之间的按位置差分以得到所述总氮值时序差分向量；计算所述第一等效BOD时序输入向量和所述第二等效BOD时序输入向量之间的按位置差分以得到所述等效BOD时序差分向量。
可选地，所述基于深度神经网络的时序模式特征提取器为基于一维卷积层的时序模式特征提取器。
可选地，将所述进水量时序关联特征向量、所述总氮值时序差分特征向量和所述等效BOD时序差分特征向量通过基于类贝叶斯概率网络的推理器以得到风量控制预测特征向量作为风量控制预测特征，包括：以如下融合公式来将所述进水量时序关联特征向量、所述总氮值时序差分特征向量和所述等效BOD时序差分特征向量通过基于类贝叶斯概率网络的推理器以得到风量控制预测特征向量；其中，所述融合公式为：
；
其中，表示所述风量控制预测特征向量中各个位置的特征值、/>表示所述进水量时序关联特征向量中各个位置的特征值、/>表示所述总氮值时序差分特征向量中各个位置的特征值，/>表示所述等效BOD时序差分特征向量中各个位置的特征值。
可选地，基于所述风量控制预测特征，确定当前时间点的基础风量应增大、应减小或应保持不变，包括：将所述风量控制预测特征向量通过基于分类器的风量控制器以得到控制策略，所述控制策略用于表示当前时间点的基础风量应增大、应减小或应保持不变。
可选地，还包括训练步骤：用于对所述基于一维卷积层的时序模式特征提取器、所述基于类贝叶斯概率网络的推理器和所述基于分类器的风量控制器进行训练。
可选地，所述训练步骤，包括：获取污水处理线进水处的训练进水量的时间序列、训练第一总氮值的时间序列和训练第一等效BOD的时间序列；获取好氧池出水以后的训练第二总氮值的时间序列和训练第二等效BOD的时间序列；将所述训练进水量的时间序列、所述训练第一总氮值的时间序列、所述训练第一等效BOD的时间序列、所述训练第二总氮值的时间序列和所述训练第二等效BOD的时间序列分别按照时间维度进行数据规整以得到训练进水量时序输入向量、训练第一总单值时序输入向量、训练第一等效BOD时序输入向量、训练第二总氮值时序输入向量、训练第二等效BOD时序输入向量；基于所述训练第一总氮值时序输入向量和所述训练第二总氮值时序输入向量，所述训练第一等效BOD时序输入向量和所述训练第二等效BOD时序输入向量，确定训练总氮值时序差分向量和训练等效BOD时序差分向量；通过所述基于深度神经网络的时序模式特征提取器分别对所述训练进水量时序输入向量、所述训练总氮值时序差分向量和所述训练等效BOD时序差分向量进行特征提取以得到训练进水量时序关联特征向量、训练总氮值时序差分特征向量和训练等效BOD时序差分特征向量；将所述训练进水量时序关联特征向量、所述训练总氮值时序差分特征向量和所述训练等效BOD时序差分特征向量通过所述基于类贝叶斯概率网络的推理器以得到训练风量控制预测特征向量；将所述训练风量控制预测特征向量通过所述基于分类器的风量控制器以得到分类损失函数值；基于所述分类损失函数值对所述基于一维卷积层的时序模式特征提取器、所述基于类贝叶斯概率网络的推理器和所述基于分类器的风量控制器进行训练，在每一次迭代中，对所述训练风量控制预测特征向量进行优化。
第二方面，本公开提供了一种用于污水处理的智能曝气设备，所述设备包括：
污水处理线进水处的数据获取模块，用于获取污水处理线进水处的进水量的时间序列、第一总氮值的时间序列和第一等效BOD的时间序列；
好氧池出水以后的数据获取模块，用于获取好氧池出水以后的第二总氮值的时间序列和第二等效BOD的时间序列；
基础风量调整策略确定模块，用于基于所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效BOD的时间序列、所述第二总氮值的时间序列和所述第二等效BOD的时间序列，确定基础风量调整策略；以及
基础风量控制模块，用于基于所述基础风量调整策略，控制基础风量。
可选地，所述基础风量调整策略确定模块，包括：数据规整单元，用于将所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效BOD的时间序列、所述第二总氮值的时间序列和所述第二等效BOD的时间序列分别按照时间维度进行数据规整以得到进水量时序输入向量、第一总单值时序输入向量、第一等效BOD时序输入向量、第二总氮值时序输入向量、第二等效BOD时序输入向量；差分向量确定单元，用于基于所述第一总氮值时序输入向量和所述第二总氮值时序输入向量，所述第一等效BOD时序输入向量和所述第二等效BOD时序输入向量，确定总氮值时序差分向量和等效BOD时序差分向量；时序模式特征提取单元，用于通过基于深度神经网络的时序模式特征提取器分别对所述进水量时序输入向量、所述总氮值时序差分向量和所述等效BOD时序差分向量进行特征提取以得到进水量时序关联特征向量、总氮值时序差分特征向量和等效BOD时序差分特征向量；基于类贝叶斯概率网络的推理单元，用于将所述进水量时序关联特征向量、所述总氮值时序差分特征向量和所述等效BOD时序差分特征向量通过基于类贝叶斯概率网络的推理器以得到风量控制预测特征向量作为风量控制预测特征；基础风量控制单元，用于基于所述风量控制预测特征，确定当前时间点的基础风量应增大、应减小或应保持不变。
采用上述技术方案，通过获取污水处理线进水处的进水量的时间序列、第一总氮值的时间序列和第一等效BOD的时间序列；获取好氧池出水以后的第二总氮值的时间序列和第二等效BOD的时间序列；基于所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效BOD的时间序列、所述第二总氮值的时间序列和所述第二等效BOD的时间序列，确定基础风量调整策略；以及，基于所述基础风量调整策略，控制基础风量。这样，能够根据污水特性和处理要求实时调整曝气量，从而优化污水处理效率，同时降低能源消耗。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是根据一示例性实施例示出的一种用于污水处理的智能曝气方法的流程图。
图2是根据图1所示实施例示出的一种用于污水处理的智能曝气方法的步骤103的流程图。
图3是根据一示例性实施例示出的一种用于污水处理的智能曝气系统的框图。
图4是根据一示例性实施例示出的一种电子设备的框图。
图5是根据一示例性实施例示出的一种用于污水处理的智能曝气方法的应用场景图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
为了解决上述问题，本公开提供了一种用于污水处理的智能曝气方法及设备，通过获取污水处理线进水处的进水量的时间序列、第一总氮值的时间序列和第一等效BOD的时间序列；获取好氧池出水以后的第二总氮值的时间序列和第二等效BOD的时间序列；基于所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效BOD的时间序列、所述第二总氮值的时间序列和所述第二等效BOD的时间序列，确定基础风量调整策略；以及，基于所述基础风量调整策略，控制基础风量。这样，能够根据污水特性和处理要求实时调整曝气量，从而优化污水处理效率，同时降低能源消耗。
以下结合附图对本公开的具体实施方式进行详细说明。
针对上述技术问题，在本申请的技术方案中，提出了一种用于污水处理的智能曝气方法，图1是根据一示例性实施例示出的一种用于污水处理的智能曝气方法的流程图，如图1所示，该方法包括：
步骤101、获取污水处理线进水处的进水量的时间序列、第一总氮值的时间序列和第一等效BOD的时间序列；
步骤102、获取好氧池出水以后的第二总氮值的时间序列和第二等效BOD的时间序列；
步骤103、基于所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效BOD的时间序列、所述第二总氮值的时间序列和所述第二等效BOD的时间序列，确定基础风量调整策略；以及
步骤104、基于所述基础风量调整策略，控制基础风量。
这样，能够根据曝气过程中污水特征的变化情况来自动预测并控制风量，从而实现曝气量的实时调整，以优化污水处理效率，同时降低能源消耗。
相应地，在上述污水处理的智能曝气方法中，在进行风量的自适应调整过程中，为了能够根据污水特性和处理要求进行风量的精准调控，以此来实时调整曝气量，本申请的技术构思为采用基于人工智能的数据处理和分析算法来进行进水量、第一总氮值、第一等效BOD、第二总氮值和第二等效BOD的时序数据的时序协同关联分析，以此来进行风量预测，从而实现对当前时间点的基础风量的精准自适应控制。这样，能够根据污水特性和处理要求实时调整曝气量，从而优化污水处理效率，同时降低能源消耗。
在本公开的一个实施例中，图2是根据图1所示实施例示出的一种用于污水处理的智能曝气方法的步骤103的流程图。如图2所示，步骤103、基于所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效BOD的时间序列、所述第二总氮值的时间序列和所述第二等效BOD的时间序列，确定基础风量调整策略，包括：
步骤1031、将所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效BOD的时间序列、所述第二总氮值的时间序列和所述第二等效BOD的时间序列分别按照时间维度进行数据规整以得到进水量时序输入向量、第一总单值时序输入向量、第一等效BOD时序输入向量、第二总氮值时序输入向量、第二等效BOD时序输入向量；
步骤1032、基于所述第一总氮值时序输入向量和所述第二总氮值时序输入向量，所述第一等效BOD时序输入向量和所述第二等效BOD时序输入向量，确定总氮值时序差分向量和等效BOD时序差分向量；
步骤1033、通过基于深度神经网络的时序模式特征提取器分别对所述进水量时序输入向量、所述总氮值时序差分向量和所述等效BOD时序差分向量进行特征提取以得到进水量时序关联特征向量、总氮值时序差分特征向量和等效BOD时序差分特征向量；
步骤1034、将所述进水量时序关联特征向量、所述总氮值时序差分特征向量和所述等效BOD时序差分特征向量通过基于类贝叶斯概率网络的推理器以得到风量控制预测特征向量作为风量控制预测特征；
步骤1035、基于所述风量控制预测特征，确定当前时间点的基础风量应增大、应减小或应保持不变。
具体地，在本申请的技术方案中，首先，考虑到由于进水量、第一总氮值、第一等效BOD、第二总氮值和第二等效BOD在时间维度上都具有着时序的相关性，也就是说，这些参数的时序数据都存在着时序的关联。基于此，为了能够有效地进行后续的时序分析和特征捕捉，以此来利用这些参数的时序特征综合进行风量推理和预测，在本申请的技术方案中，需要将所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效BOD的时间序列、所述第二总氮值的时间序列和所述第二等效BOD的时间序列分别按照时间维度进行数据规整以得到进水量时序输入向量、第一总单值时序输入向量、第一等效BOD时序输入向量、第二总氮值时序输入向量、第二等效BOD时序输入向量。通过按照时间维度进行数据规整的方式，能够保留进水量、第一总氮值、第一等效BOD、第二总氮值和第二等效BOD在时间维度上的数据分布信息，以更为准确地进行基础风量的预测和控制。
然后，考虑到在实际进行基础风量的调整来进行曝气控制的过程中，需要更加关注于污水特性的变化情况，即总氮值的时序相对变化情况和等效BOD的时序相对变化情况。基于此，为了能够识别污水特性变化中的模式和趋势，从而实现更准确的曝气控制，在本申请的技术方案中，进一步计算所述第一总氮值时序输入向量和所述第二总氮值时序输入向量之间的按位置差分以得到总氮值时序差分向量；并计算所述第一等效BOD时序输入向量和所述第二等效BOD时序输入向量之间的按位置差分以得到等效BOD时序差分向量。应可以理解，按位置差分操作可以去除时间相关性，只保留并突出序列中的数据变化信息，使特征提取器能够专注于这些变化。这对于污水处理中的曝气控制至关重要，因为曝气量需要根据污水特性的变化进行调整。具体来说，通过计算总氮值时序差分向量，可以专注于总氮值随时间的变化，而不是它们的绝对值，以此根据总氮值的变化来调整曝气量。例如，如果总氮值的时序变化率增加，则需要增加曝气量以满足微生物对氧气的增加需求。通过计算等效 BOD 时序差分向量，可以专注于等效 BOD 随时间的变化，而不是它们的绝对值，以此根据等效 BOD 的变化进行曝气量的调整。例如，如果等效 BOD 的时序变化率增加，则需要增加曝气量以满足微生物需求。
在本公开的一个实施例中，基于所述第一总氮值时序输入向量和所述第二总氮值时序输入向量，所述第一等效BOD时序输入向量和所述第二等效BOD时序输入向量，确定总氮值时序差分向量和等效BOD时序差分向量，包括：计算所述第一总氮值时序输入向量和所述第二总氮值时序输入向量之间的按位置差分以得到所述总氮值时序差分向量；计算所述第一等效BOD时序输入向量和所述第二等效BOD时序输入向量之间的按位置差分以得到所述等效BOD时序差分向量。
进一步地，为了能够捕获进水量、总氮值时序差分值和等效BOD时序差分值的时序数据在时间维度上的时序依赖特征和关联关系，并识别出其中的重要模式，在本申请的技术方案中，进一步将所述进水量时序输入向量、所述总氮值时序差分向量和所述等效BOD时序差分向量通过基于一维卷积层的时序模式特征提取器中进行特征挖掘，以分别提取出进水量、总氮值时序差分数据和等效BOD时序差分数据分别在时间维度上的时序模式特征信息，从而得到进水量时序关联特征向量、总氮值时序差分特征向量和等效BOD时序差分特征向量。通过所述基于一维卷积层的时序模式特征提取器的处理，能够捕捉到曝气过程中污水特性的时序模式和变化趋势，例如周期性模式和长期趋势，以便进行曝气量的自适应调整，以满足污水特性的变化。
其中，所述基于深度神经网络的时序模式特征提取器为基于一维卷积层的时序模式特征提取器。
应可以理解，由于污水处理的曝气过程是一个复杂的过程，涉及许多不确定因素。而所述进水量时序关联特征向量、所述总氮值时序差分特征向量和所述等效BOD时序差分特征向量分别包含了有关于进水量、总氮值时序差分数据和等效BOD时序差分数据的时序动态模式和变化特征信息。为了能够对于污水处理中的曝气过程进行动态建模，需要捕获变量之间的因果关系，以根据进水量、总氮值变化率和等效 BOD 变化率的变化进行基础风量和曝气量的调整。基于此，在本申请的技术方案中，进一步将所述进水量时序关联特征向量、所述总氮值时序差分特征向量和所述等效BOD时序差分特征向量通过基于类贝叶斯概率网络的推理器以得到风量控制预测特征向量。应可以理解，由于所述类贝叶斯概率网络可以根据给定的证据对未知变量进行推理。在曝气风量控制的情况下，推理器可以根据进水量、总氮值变化率和等效 BOD 变化率的时序模式特征来预测曝气量的设置，从而进行基础风量相应的调整预测，使其满足实际的污水特性变化。
在本公开的一个实施例中，将所述进水量时序关联特征向量、所述总氮值时序差分特征向量和所述等效BOD时序差分特征向量通过基于类贝叶斯概率网络的推理器以得到风量控制预测特征向量作为风量控制预测特征，包括：以如下融合公式来将所述进水量时序关联特征向量、所述总氮值时序差分特征向量和所述等效BOD时序差分特征向量通过基于类贝叶斯概率网络的推理器以得到风量控制预测特征向量；其中，所述融合公式为：
；
其中，表示所述风量控制预测特征向量中各个位置的特征值、/>表示所述进水量时序关联特征向量中各个位置的特征值、/>表示所述总氮值时序差分特征向量中各个位置的特征值，/>表示所述等效BOD时序差分特征向量中各个位置的特征值。
进而，再将所述风量控制预测特征向量通过基于分类器的风量控制器以得到控制策略，所述控制策略用于表示当前时间点的基础风量应增大、应减小或应保持不变。也就是说，利用基于多证据参数时序特征来预测的风量调整特征信息来进行分类处理，以此来进行当前时间点的基础风量控制。这样，能够根据曝气过程中污水特征的变化情况来自动预测并控制风量，从而实现曝气量的实时调整，以优化污水处理效率，同时降低能源消耗。
在本公开的一个实施例中，基于所述风量控制预测特征，确定当前时间点的基础风量应增大、应减小或应保持不变，包括：将所述风量控制预测特征向量通过基于分类器的风量控制器以得到控制策略，所述控制策略用于表示当前时间点的基础风量应增大、应减小或应保持不变。
进一步地，在本公开的一个实施例中，所述用于污水处理的智能曝气方法，还包括训练步骤：用于对所述基于一维卷积层的时序模式特征提取器、所述基于类贝叶斯概率网络的推理器和所述基于分类器的风量控制器进行训练。所述训练步骤，包括：获取污水处理线进水处的训练进水量的时间序列、训练第一总氮值的时间序列和训练第一等效BOD的时间序列；获取好氧池出水以后的训练第二总氮值的时间序列和训练第二等效BOD的时间序列；将所述训练进水量的时间序列、所述训练第一总氮值的时间序列、所述训练第一等效BOD的时间序列、所述训练第二总氮值的时间序列和所述训练第二等效BOD的时间序列分别按照时间维度进行数据规整以得到训练进水量时序输入向量、训练第一总单值时序输入向量、训练第一等效BOD时序输入向量、训练第二总氮值时序输入向量、训练第二等效BOD时序输入向量；基于所述训练第一总氮值时序输入向量和所述训练第二总氮值时序输入向量，所述训练第一等效BOD时序输入向量和所述训练第二等效BOD时序输入向量，确定训练总氮值时序差分向量和训练等效BOD时序差分向量；通过所述基于深度神经网络的时序模式特征提取器分别对所述训练进水量时序输入向量、所述训练总氮值时序差分向量和所述训练等效BOD时序差分向量进行特征提取以得到训练进水量时序关联特征向量、训练总氮值时序差分特征向量和训练等效BOD时序差分特征向量；将所述训练进水量时序关联特征向量、所述训练总氮值时序差分特征向量和所述训练等效BOD时序差分特征向量通过所述基于类贝叶斯概率网络的推理器以得到训练风量控制预测特征向量；将所述训练风量控制预测特征向量通过所述基于分类器的风量控制器以得到分类损失函数值；基于所述分类损失函数值对所述基于一维卷积层的时序模式特征提取器、所述基于类贝叶斯概率网络的推理器和所述基于分类器的风量控制器进行训练，在每一次迭代中，对所述训练风量控制预测特征向量进行优化。
在以上说明的技术方案中，所述训练进水量时序关联特征向量、所述训练总氮值时序差分特征向量和所述训练等效BOD时序差分特征向量分别表达训练进水量、训练总氮值差值和训练等效BOD差值的局部时序关联特征，但是，考虑到训练进水量、训练总氮值差值和训练等效BOD差值的源时序分布差异，所述训练进水量时序关联特征向量、所述训练总氮值时序差分特征向量和所述训练等效BOD时序差分特征向量也会具有特征分布不对齐。这样，将所述训练进水量时序关联特征向量、所述训练总氮值时序差分特征向量和所述训练等效BOD时序差分特征向量输入基于类贝叶斯概率网络的推理器时，也会由于其间的特征分布的局部分布间不一致而导致通过逐位置贝叶斯后验概率计算得到的所述训练风量控制预测特征向量的离散化局部特征分布，从而影响所述训练风量控制预测特征向量通过分类器进行分类时到类概率密度空间的收敛效果。
因此，本申请的申请人在每次所述训练风量控制预测特征向量通过分类器进行分类迭代时，对所述训练风量控制预测特征向量进行优化，表示为：在每一次迭代中，以如下优化公式对所述训练风量控制预测特征向量进行优化以得到优化后训练风量控制预测特征向量；其中，所述优化公式为：
其中，和/>分别是所述训练风量控制预测特征向量/>的第/>和第/>位置的特征值，/>是所述训练风量控制预测特征向量，/>是优化后训练风量控制预测特征向量，/>表示按位置加法，/>表示矩阵乘法。
也就是，通过引入所述训练风量控制预测特征向量的局部统计信息分布作为外部信息源来进行特征向量的检索增强，以基于局部统计密集信息结构化来避免局部溢出信息分布导致所述训练风量控制预测特征向量/>的分布幻觉，从而获得所述训练风量控制预测特征向量/>以局部分布组维度保留为基础的信息可信响应推理，以获得所述训练风量控制预测特征向量/>基于离散化局部特征分布的在概率密度空间内的可信分布响应，从而提升概率密度空间收敛效果，以改进训练速度和训练结果的准确性。这样，根据污水特性和处理要求的变化进行风量的精准调控，以此来实时调整曝气量，从而优化污水处理效率，同时降低能源消耗。
综上所述，采用上述方案，通过采用基于人工智能的数据处理和分析算法来进行进水量、第一总氮值、第一等效BOD、第二总氮值和第二等效BOD的时序数据的时序协同关联分析，以此来进行风量预测，从而实现对当前时间点的基础风量的精准自适应控制。这样，能够根据污水特性和处理要求实时调整曝气量，从而优化污水处理效率，同时降低能源消耗。
图3是根据一示例性实施例示出的一种用于污水处理的智能曝气系统的框图。如图3所示，该系统200包括：
污水处理线进水处的数据获取模块201，用于获取污水处理线进水处的进水量的时间序列、第一总氮值的时间序列和第一等效BOD的时间序列；
好氧池出水以后的数据获取模块202，用于获取好氧池出水以后的第二总氮值的时间序列和第二等效BOD的时间序列；
基础风量调整策略确定模块203，用于基于所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效BOD的时间序列、所述第二总氮值的时间序列和所述第二等效BOD的时间序列，确定基础风量调整策略；以及基础风量控制模块204，用于基于所述基础风量调整策略，控制基础风量。
在本公开的一个实施例中，所述基础风量调整策略确定模块203，包括：数据规整单元2031，用于将所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效BOD的时间序列、所述第二总氮值的时间序列和所述第二等效BOD的时间序列分别按照时间维度进行数据规整以得到进水量时序输入向量、第一总单值时序输入向量、第一等效BOD时序输入向量、第二总氮值时序输入向量、第二等效BOD时序输入向量；差分向量确定单元2032，用于基于所述第一总氮值时序输入向量和所述第二总氮值时序输入向量，所述第一等效BOD时序输入向量和所述第二等效BOD时序输入向量，确定总氮值时序差分向量和等效BOD时序差分向量；时序模式特征提取单元2033，用于通过基于深度神经网络的时序模式特征提取器分别对所述进水量时序输入向量、所述总氮值时序差分向量和所述等效BOD时序差分向量进行特征提取以得到进水量时序关联特征向量、总氮值时序差分特征向量和等效BOD时序差分特征向量；基于类贝叶斯概率网络的推理单元2034，用于将所述进水量时序关联特征向量、所述总氮值时序差分特征向量和所述等效BOD时序差分特征向量通过基于类贝叶斯概率网络的推理器以得到风量控制预测特征向量作为风量控制预测特征；基础风量控制单元2035，用于基于所述风量控制预测特征，确定当前时间点的基础风量应增大、应减小或应保持不变。
下面参考图4，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperTextTransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，测试参数获取模块还可以被描述为“获取目标设备对应的设备测试参数的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
图5是根据一示例性实施例示出的一种用于污水处理的智能曝气方法的应用场景图。如图5所示，在该应用场景中，首先，获取污水处理线进水处的进水量的时间序列（例如，如图5中所示意的C1）、第一总氮值的时间序列（例如，如图5中所示意的C2）和第一等效BOD的时间序列（例如，如图5中所示意的C3）；获取好氧池出水以后的第二总氮值的时间序列（例如，如图5中所示意的C4）和第二等效BOD的时间序列（例如，如图5中所示意的C5）；然后，将获取的进水量的时间序列、第一总氮值的时间序列、第一等效BOD的时间序列、第二总氮值的时间序列和第二等效BOD的时间序列输入至部署有用于污水处理的智能曝气算法的服务器（例如，如图5中所示意的S）中，其中所述服务器能够基于用于污水处理的智能曝气算法对所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效BOD的时间序列、所述第二总氮值的时间序列和所述第二等效BOD的时间序列进行处理，以确定当前时间点的基础风量应增大、应减小或应保持不变。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
Claims (10)
1.一种用于污水处理的智能曝气方法，其特征在于，包括：
获取污水处理线进水处的进水量的时间序列、第一总氮值的时间序列和第一等效BOD的时间序列；
获取好氧池出水以后的第二总氮值的时间序列和第二等效BOD的时间序列；
基于所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效BOD的时间序列、所述第二总氮值的时间序列和所述第二等效BOD的时间序列，确定基础风量调整策略；以及
基于所述基础风量调整策略，控制基础风量。
2.根据权利要求1所述的用于污水处理的智能曝气方法，其特征在于，基于所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效BOD的时间序列、所述第二总氮值的时间序列和所述第二等效BOD的时间序列，确定基础风量调整策略，包括：
将所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效BOD的时间序列、所述第二总氮值的时间序列和所述第二等效BOD的时间序列分别按照时间维度进行数据规整以得到进水量时序输入向量、第一总单值时序输入向量、第一等效BOD时序输入向量、第二总氮值时序输入向量、第二等效BOD时序输入向量；
基于所述第一总氮值时序输入向量和所述第二总氮值时序输入向量，所述第一等效BOD时序输入向量和所述第二等效BOD时序输入向量，确定总氮值时序差分向量和等效BOD时序差分向量；
通过基于深度神经网络的时序模式特征提取器分别对所述进水量时序输入向量、所述总氮值时序差分向量和所述等效BOD时序差分向量进行特征提取以得到进水量时序关联特征向量、总氮值时序差分特征向量和等效BOD时序差分特征向量；
将所述进水量时序关联特征向量、所述总氮值时序差分特征向量和所述等效BOD时序差分特征向量通过基于类贝叶斯概率网络的推理器以得到风量控制预测特征向量作为风量控制预测特征；
基于所述风量控制预测特征，确定当前时间点的基础风量应增大、应减小或应保持不变。
3.根据权利要求2所述的用于污水处理的智能曝气方法，其特征在于，基于所述第一总氮值时序输入向量和所述第二总氮值时序输入向量，所述第一等效BOD时序输入向量和所述第二等效BOD时序输入向量，确定总氮值时序差分向量和等效BOD时序差分向量，包括：
计算所述第一总氮值时序输入向量和所述第二总氮值时序输入向量之间的按位置差分以得到所述总氮值时序差分向量；
计算所述第一等效BOD时序输入向量和所述第二等效BOD时序输入向量之间的按位置差分以得到所述等效BOD时序差分向量。
4.根据权利要求3所述的用于污水处理的智能曝气方法，其特征在于，所述基于深度神经网络的时序模式特征提取器为基于一维卷积层的时序模式特征提取器。
5.根据权利要求4所述的用于污水处理的智能曝气方法，其特征在于，将所述进水量时序关联特征向量、所述总氮值时序差分特征向量和所述等效BOD时序差分特征向量通过基于类贝叶斯概率网络的推理器以得到风量控制预测特征向量作为风量控制预测特征，包括：
以如下融合公式来将所述进水量时序关联特征向量、所述总氮值时序差分特征向量和所述等效BOD时序差分特征向量通过基于类贝叶斯概率网络的推理器以得到风量控制预测特征向量；
其中，所述融合公式为：；
其中，表示所述风量控制预测特征向量中各个位置的特征值、/>表示所述进水量时序关联特征向量中各个位置的特征值、/>表示所述总氮值时序差分特征向量中各个位置的特征值，/>表示所述等效BOD时序差分特征向量中各个位置的特征值。
6.根据权利要求5所述的用于污水处理的智能曝气方法，其特征在于，基于所述风量控制预测特征，确定当前时间点的基础风量应增大、应减小或应保持不变，包括：将所述风量控制预测特征向量通过基于分类器的风量控制器以得到控制策略，所述控制策略用于表示当前时间点的基础风量应增大、应减小或应保持不变。
7.根据权利要求6所述的用于污水处理的智能曝气方法，其特征在于，还包括训练步骤：用于对所述基于一维卷积层的时序模式特征提取器、所述基于类贝叶斯概率网络的推理器和所述基于分类器的风量控制器进行训练。
8.根据权利要求7所述的用于污水处理的智能曝气方法，其特征在于，所述训练步骤，包括：
获取污水处理线进水处的训练进水量的时间序列、训练第一总氮值的时间序列和训练第一等效BOD的时间序列；
获取好氧池出水以后的训练第二总氮值的时间序列和训练第二等效BOD的时间序列；
将所述训练进水量的时间序列、所述训练第一总氮值的时间序列、所述训练第一等效BOD的时间序列、所述训练第二总氮值的时间序列和所述训练第二等效BOD的时间序列分别按照时间维度进行数据规整以得到训练进水量时序输入向量、训练第一总单值时序输入向量、训练第一等效BOD时序输入向量、训练第二总氮值时序输入向量、训练第二等效BOD时序输入向量；
基于所述训练第一总氮值时序输入向量和所述训练第二总氮值时序输入向量，所述训练第一等效BOD时序输入向量和所述训练第二等效BOD时序输入向量，确定训练总氮值时序差分向量和训练等效BOD时序差分向量；
通过所述基于深度神经网络的时序模式特征提取器分别对所述训练进水量时序输入向量、所述训练总氮值时序差分向量和所述训练等效BOD时序差分向量进行特征提取以得到训练进水量时序关联特征向量、训练总氮值时序差分特征向量和训练等效BOD时序差分特征向量；
将所述训练进水量时序关联特征向量、所述训练总氮值时序差分特征向量和所述训练等效BOD时序差分特征向量通过所述基于类贝叶斯概率网络的推理器以得到训练风量控制预测特征向量；
将所述训练风量控制预测特征向量通过所述基于分类器的风量控制器以得到分类损失函数值；
基于所述分类损失函数值对所述基于一维卷积层的时序模式特征提取器、所述基于类贝叶斯概率网络的推理器和所述基于分类器的风量控制器进行训练，在每一次迭代中，对所述训练风量控制预测特征向量进行优化。
9.一种用于污水处理的智能曝气设备，其特征在于，包括：
污水处理线进水处的数据获取模块，用于获取污水处理线进水处的进水量的时间序列、第一总氮值的时间序列和第一等效BOD的时间序列；
好氧池出水以后的数据获取模块，用于获取好氧池出水以后的第二总氮值的时间序列和第二等效BOD的时间序列；
基础风量调整策略确定模块，用于基于所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效BOD的时间序列、所述第二总氮值的时间序列和所述第二等效BOD的时间序列，确定基础风量调整策略；以及
基础风量控制模块，用于基于所述基础风量调整策略，控制基础风量。
10.根据权利要求9所述的用于污水处理的智能曝气设备，其特征在于，所述基础风量调整策略确定模块，包括：
数据规整单元，用于将所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效BOD的时间序列、所述第二总氮值的时间序列和所述第二等效BOD的时间序列分别按照时间维度进行数据规整以得到进水量时序输入向量、第一总单值时序输入向量、第一等效BOD时序输入向量、第二总氮值时序输入向量、第二等效BOD时序输入向量；
差分向量确定单元，用于基于所述第一总氮值时序输入向量和所述第二总氮值时序输入向量，所述第一等效BOD时序输入向量和所述第二等效BOD时序输入向量，确定总氮值时序差分向量和等效BOD时序差分向量；
时序模式特征提取单元，用于通过基于深度神经网络的时序模式特征提取器分别对所述进水量时序输入向量、所述总氮值时序差分向量和所述等效BOD时序差分向量进行特征提取以得到进水量时序关联特征向量、总氮值时序差分特征向量和等效BOD时序差分特征向量；
基于类贝叶斯概率网络的推理单元，用于将所述进水量时序关联特征向量、所述总氮值时序差分特征向量和所述等效BOD时序差分特征向量通过基于类贝叶斯概率网络的推理器以得到风量控制预测特征向量作为风量控制预测特征；
基础风量控制单元，用于基于所述风量控制预测特征，确定当前时间点的基础风量应增大、应减小或应保持不变。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410474449.5A CN118084222A (zh) | 2024-04-19 | 2024-04-19 | 用于污水处理的智能曝气方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410474449.5A CN118084222A (zh) | 2024-04-19 | 2024-04-19 | 用于污水处理的智能曝气方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118084222A true CN118084222A (zh) | 2024-05-28 |
Family
ID=91157206
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410474449.5A Pending CN118084222A (zh) | 2024-04-19 | 2024-04-19 | 用于污水处理的智能曝气方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118084222A (zh) |
-
2024
- 2024-04-19 CN CN202410474449.5A patent/CN118084222A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110852438B (zh) | 模型生成方法和装置 | |
| CN112347476B (zh) | 数据保护方法、装置、介质及设备 | |
| CN111340221B (zh) | 神经网络结构的采样方法和装置 | |
| CN112488183B (zh) | 一种模型优化方法、装置、计算机设备及存储介质 | |
| CN111027672A (zh) | 一种基于交互式多尺度循环神经网络的时间序列预测方法 | |
| CN116310582A (zh) | 分类模型训练方法、图像分类方法、装置、介质及设备 | |
| Zhu et al. | Lyapunov‐based adaptive model predictive control for unconstrained non‐linear systems with parametric uncertainties | |
| CN116166271A (zh) | 代码生成方法、装置、存储介质及电子设备 | |
| CN117236805B (zh) | 电力设备控制方法、装置、电子设备和计算机可读介质 | |
| CN110825589A (zh) | 用于微服务系统的异常检测方法及其装置和电子设备 | |
| CN114219078A (zh) | 一种神经网络模型交互训练方法、装置及存储介质 | |
| CN118084222A (zh) | 用于污水处理的智能曝气方法及设备 | |
| CN113610228B (zh) | 神经网络模型的构建方法及装置 | |
| Pisa et al. | Artificial neural networks application to support plant operation in the wastewater industry | |
| CN111898061B (zh) | 搜索网络的方法、装置、电子设备和计算机可读介质 | |
| CN111582456B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
| WO2022040963A1 (en) | Methods and apparatus to dynamically normalize data in neural networks | |
| CN111709784B (zh) | 用于生成用户留存时间的方法、装置、设备和介质 | |
| Zhang et al. | A novel hybrid framework based on temporal convolution network and transformer for network traffic prediction | |
| Zhang et al. | Deformable channel non‐local network for crowd counting | |
| CN112070163B (zh) | 图像分割模型训练和图像分割方法、装置、设备 | |
| CN116343905B (zh) | 蛋白质特征的预处理方法、装置、介质及设备 | |
| CN115093028B (zh) | Aoa系统低总氮出水自动控制方法及系统 | |
| CN116501993B (zh) | 房源数据推荐方法及装置 | |
| CN115938470B (zh) | 蛋白质特征预处理方法、装置、介质及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |