CN118898317A - 一种自来水厂沉淀池智能排泥控制方法、系统、设备以及介质 - Google Patents

一种自来水厂沉淀池智能排泥控制方法、系统、设备以及介质 Download PDF

Info

Publication number
CN118898317A
CN118898317A CN202411376048.2A CN202411376048A CN118898317A CN 118898317 A CN118898317 A CN 118898317A CN 202411376048 A CN202411376048 A CN 202411376048A CN 118898317 A CN118898317 A CN 118898317A
Authority
CN
China
Prior art keywords
sludge
mud
discharge
sedimentation tank
area
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
Application number
CN202411376048.2A
Other languages
English (en)
Other versions
CN118898317B (zh
Inventor
苟茂华
冯宽亮
沈寅杰
潘志鹏
何东
殷实磊
蔡艳伟
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.)
Zhejiang Supcon Information Industry Co Ltd
Original Assignee
Zhejiang Supcon Information Industry 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 Zhejiang Supcon Information Industry Co Ltd filed Critical Zhejiang Supcon Information Industry Co Ltd
Priority to CN202411376048.2A priority Critical patent/CN118898317B/zh
Publication of CN118898317A publication Critical patent/CN118898317A/zh
Application granted granted Critical
Publication of CN118898317B publication Critical patent/CN118898317B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D21/00—Separation of suspended solid particles from liquids by sedimentation
    • B01D21/24—Feed or discharge mechanisms for settling tanks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D21/00—Separation of suspended solid particles from liquids by sedimentation
    • B01D21/30—Control equipment
    • B01D21/302—Active control mechanisms with external energy, e.g. with solenoid valve
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D21/00—Separation of suspended solid particles from liquids by sedimentation
    • B01D21/30—Control equipment
    • B01D21/34—Controlling the feed distribution; Controlling the liquid level ; Control of process parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • G06Q50/04—Manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Manufacturing & Machinery (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Activated Sludge Processes (AREA)

Abstract

本发明涉及一种自来水厂沉淀池智能排泥控制方法、系统、设备以及介质，其方法包括：将排泥数据切分为多个片段或样本，并经处理得到数据集；构建并耦合经验模型和深度学习模型，以构建沉淀池污泥产量预测模型；利用神经网络模型和数据集构建并训练底泥分布预测模型；根据污泥产量预测模型输出的平均污泥产量、底泥分布预测模型输出的各区域污泥分布比例及对应排泥周期的总进水流量，得到沉淀池各区域的污泥累积量，结合泥位数据得到沉淀池各区域的泥位高度；基于沉淀池各区域的泥位高度和泥位阈值，输出排泥方案。由此，本发明这一系列创新方法和技术手段，显著提升了沉淀池排泥的智能化水平，为水处理领域带来了实质性的进步。

Description

一种自来水厂沉淀池智能排泥控制方法、系统、设备以及介质
技术领域
本发明涉及水处理技术领域，尤其涉及一种自来水厂沉淀池智能排泥控制方法、系统、设备以及介质。
背景技术
在当前的排泥控制实践中，周期性排泥策略被广泛采用。然而，这种方法在面对进水条件和药剂投加量的波动时显得不够灵活，经常导致两个问题：一是排泥间隔过长，导致污泥累积过多；二是排泥过于频繁，造成水资源的无谓损失。这一现状背后的关键制约因素在于，目前尚缺乏对污泥产生量的精确预估以及对沉淀池内底泥分布的精细模拟。
在现有的预测污泥产量的模型谱系中，经验模型和深度学习模型是两个重要的类别。经验模型虽然具有一定的实用性，但其效果在很大程度上依赖于精确的输入参数，这使得它在动态适应进水条件的实时变化上存在困难。另一方面，深度学习模型能够从大量的历史数据中挖掘出复杂的关联性，然而，由于排泥周期相对较长，导致获取高质量的训练样本变得十分困难，这在一定程度上影响了模型的成熟度和准确性。
在底泥分布的模拟方面，传统的方法主要依赖人工测量沉淀池各点的泥位高度来描绘积泥趋势。这种方法不仅耗时且费力，而且监测频次较低，无法满足对沉淀池底泥分布的实时监控需求。另外，底泥的分布还会受到季节变化和进水特性的显著影响。例如，在夏季，由于原水浊度偏高和重质污染物增多，需要增加混凝剂的使用量，这会导致沉淀池前端的污泥占比增加，进一步加大了底泥分布的模拟难度。
发明内容
（一）要解决的技术问题
鉴于现有技术的上述缺点、不足，本发明提供一种自来水厂沉淀池智能排泥控制方法、系统、设备以及介质，其解决了现有的排泥控制策略、污泥产量预测模型以及底泥分布模拟方法均存在明显的不足，难以满足实际应用中的灵活性和准确性需求的技术问题。
（二）技术方案
为了达到上述目的，本发明采用的主要技术方案包括：
第一方面，本发明实施例提供一种自来水厂沉淀池智能排泥控制方法，包括：
将收集的排泥数据切分为多个片段或样本，并经处理得到数据集；
构建映射关键影响因素与污泥产量关系的经验模型和用于学习多个影响因素之间关系的深度学习模型，并将基于数据集训练完成的经验模型和深度学习模型进行耦合，以构建沉淀池污泥产量预测模型；
利用神经网络模型和数据集构建并训练底泥分布预测模型；
根据污泥产量预测模型输出的平均污泥产量、底泥分布预测模型输出的各区域污泥分布比例以及对应排泥周期的总进水流量，得到沉淀池各区域的污泥累积量，结合泥位数据得到沉淀池各区域的泥位高度；
基于沉淀池各区域的泥位高度和动态生成的泥位阈值，输出至少一个排泥方案。
可选地，将收集的排泥数据切分为多个片段或样本，并经处理得到数据集包括：
基于收集的排泥信息求取单次排泥周期的平均产泥量以及每个排泥时段内各区域内污泥的比例分布；
确定包含进水浊度、出水浊度、进水流量、絮凝剂投加量、助凝剂投加量、水温、沉淀池液位、沉淀池泥位的逐时平均值的所关注的监测指标数据；
对收集的排泥数据进行遍历，根据排泥状态将排泥数据划分为多个长度不等的包括至少一组排泥周期内所关注的监测指标数据、单次排泥周期平均产泥量以及沉淀池底泥分布比例的片段或样本；
对所关注的监测指标数据进行下采样处理，得到新的输入序列；
根据新的输入序列、单次排泥周期平均产泥量以及沉淀池底泥分布比例形成数据集，按照设定比例将数据集划分为训练集和测试集。
可选地，基于收集的排泥信息求取单次排泥周期的平均产泥量以及每个排泥时段内各区域内污泥的比例分布包括：
在每一个排泥周期开始和结束时，根据收集的排泥前后排泥池的液位高度、排泥前后排泥池内的平均污泥浓度、排泥池的底面积、从排泥池内排放的流量以及排泥池由于达到容量上限后而排放污泥的持续时间，计算排泥时段内排放的干污泥量；
根据排泥时段内排放的干污泥量和对应排泥周期的累计进水量，计算单次排泥周期的平均产泥量：
确定沉淀池的长度、吸泥行车的行进速度和排泥时段；
当吸泥行车以行进速度开始排泥时，记录行车行进过程中每个位置处对应的污泥流量、污泥浓度数据以及行车经过每个位置的时间；
根据行车行进过程中每个位置处对应的污泥流量、污泥浓度数据以及行车经过每个位置的时间，计算出吸泥行车在每个位置处的排泥量；
基于吸泥行车在任意位置处的排泥量求得任意位置处污泥量占沉淀池总产泥量的底泥分布；
将沉淀池等分为多个单元区域，并将排泥时段也等分为对应于单元区域数量的多个时间段，分别计算的每个单元面积或每个时间段内产泥量所占比例；
其中，
排泥时段内排放的干污泥量为：
；
式中，S total 为排泥时段内排放的干污泥量，H 1与H 0分别为排泥前、后排泥池的液位高度，SS 1与SS 0分别为排泥前、后排泥池内的平均污泥浓度，A为排泥池的底面积，Q 1为从排泥池内排放的流量，T 1为排泥池由于达到容量上限后而排放污泥的持续时间；
单次排泥周期平均产泥量为：
；
式中，S为单次排泥周期平均产量，为此次排泥周期的累计进水量，Q t 为t时刻沉淀池的进水流量，T total 为此次排泥周期的持续时间；
吸泥行车在每个位置处的排泥量为：
S x =SS t ×Q t ×dt；
式中，S x 为t时刻行车行至位置x处排放的污泥量，SS t 与Q t 分别是在该位置处排泥管上传感器测得的污泥浓度与污泥流量，dt为行车经过x位置处所耗时间；
任意位置处污泥量占沉淀池总产泥量的底泥分布为：
；
式中，为位置x处污泥量占沉淀池总产泥量的比例，T RS 为排泥时段；
每个单元面积或每个时间段内产泥量所占比例为：
；
式中，与分别为行车在第i个单元面积/时间段内的平均污泥浓度与平均流量，M为划分的单元个数。
可选地，构建映射关键影响因素与污泥产量关系的经验模型和用于学习多个影响因素之间关系的深度学习模型，并将基于数据集训练完成的经验模型和深度学习模型进行耦合，以构建沉淀池污泥产量预测模型包括：
确定污泥产量的包含进水浊度与药剂投加量的关键影响因素；
基于质量守恒定律，构建映射关键影响因素与污泥产量关系的经验模型；
基于数据集，以均方误差作为优化目标，通过梯度下降法对经验模型中的各项参数进行至少一轮迭代求解，以完成经验模型的训练；
采用长短期记忆网络构建包括输入层、一层掩码层、两层LSTM层以及两层全连接层的深度学习模型；
在数据集中选取逐时进水浊度、出水浊度、进水流量、加药量、水温、沉淀池液位和淀池泥位作为深度学习模型的输入特征，并在输入特征中选取沉淀池泥位进行一阶差分操作，以得到泥位的差分值作为新的特征加入深度学习模型的输入特征；
以历史最长排泥周期的时长作为序列长度，并对序列长度小于设定长度的输入特征进行零值填充，从而构建出的多维时间序列形式的输入特征；
将多维时间序列形式的输入特征与作为对应输出的平均污泥产量分批次输入深度学习模型，以均方误差作为优化目标，通过Adam优化器对经验模型中的各项参数进行至少一轮迭代求解，以完成深度学习模型的训练；
分别利用训练好的经验模型和深度学习模型对污泥产量进行预测，生成两组的预测结果集并组合成新的特征组合集；
将新的特征组合集与真实的污泥产量配对，形成新的数据集；
选择线性回归模型作为元模型，使用新的数据集对元模型进行训练；
训练完成后，通过元模型将训练好的经验模型和深度学习模型的预测结果自动进行加权组合生成最终的污泥产量预测结果，以完成训练好的经验模型和深度学习模型的耦合，形成沉淀池污泥产量预测模型。
可选地，利用神经网络模型和数据集构建并训练底泥分布预测模型包括：
采用神经网络模型构建底泥分布预测模型；
将数据集中的排泥周期内的进水条件逐时均值作为输入数据，以及对应的底泥分布数据作为输出数据，得到底泥分布预测模型的数据集；
构建一考虑递减顺序惩罚项的损失函数；
基于底泥分布预测模型的数据集对底泥分布预测模型进行训练，并在训练中不断调整模型的参数，以最小化考虑递减规律的损失函数；
训练完成后，得到能够根据实时进水条件预测底泥分布的底泥分布预测模型；
其中，考虑递减顺序惩罚项的损失函数为：
；
式中，N train 为训练集样本数量，第一项为标准均方误差MSE，y ij 为第i个样本的第j个真实输出值，为第i个样本的第j个预测输出值，λ是权重系数，用于平衡均方误差和递减顺序惩罚项，是递减顺序惩罚项，k为模型输出的预测值的顺序。
可选地，根据污泥产量预测模型输出的平均污泥产量、底泥分布预测模型输出的各区域污泥分布比例以及对应排泥周期的总进水流量，得到沉淀池各区域的污泥累积量，结合泥位数据得到沉淀池各区域的泥位高度包括：
根据污泥产量预测模型输出的平均污泥产量、底泥分布预测模型输出的各区域污泥分布比例以及对应排泥周期的总进水流量，得到各个区域的污泥产量；
对于沉淀池的每个区域，根据初始时刻的沉淀池各区域的泥位高度污泥累积量和各个区域的污泥产量，得到任意时刻沉淀池各区域的污泥累积量；
根据任意时刻沉淀池各区域的污泥累积量和获取的泥位数据，得到沉淀池各区域的泥位高度；
其中，
各个区域的污泥产量为：
；
式中，是t 0~t 0+△t时间内第i块区域的污泥产量，是△t时间内污泥产量预测模型计算得到的平均污泥产量，为△t时间内的总进水流量，则为底泥分布预测模型计算得到的各区域污泥比例；
任意时刻沉淀池各区域的污泥累积量为：
；
式中，是t 0+△t时刻沉淀池第i块区域的污泥累积量，则是t 0时刻沉淀池第i块区域的污泥累积量。
可选地，基于沉淀池各区域的泥位高度和动态生成的泥位阈值，输出至少一个排泥方案包括：
确定每个区域的泥位低限和泥位高限，其中，泥位低限保证待排污泥总体积大于排泥管排放水量，泥位高限则根据经验或设定为泥位低限的两倍；
基于沉淀池各区域的泥位高度，判断各区域的排泥需求，当某区域泥位高度超过其对应的泥位低限时，将该区域加入等待排泥序列；
监控等待排泥序列中各区域的泥位高度变化，当序列中任一区域的泥位高度达到其泥位高限时，触发排泥动作；
在触发排泥动作后，根据排泥序列中包含的区域个数与设定个数的大小，确定采用全局排泥或局部排泥模式；
若排泥序列中包含的区域个数等于设定个数，则采取全局排泥模式，则规划吸泥行车在沉淀池所有区域执行排泥动作的排泥路径；
若排泥序列中包含的区域个数小于等于设定个数，则采取局部排泥模式，规划吸泥行车仅针对排泥序列中包含的区域进行排泥的排泥路径；
基于排泥触发时机、排泥模式及排泥路径，生成至少一个排泥方案。
第二方面，本发明实施例提供一种自来水厂沉淀池智能排泥控制系统，包括：
数据集创建模块，用于将收集的排泥数据切分为多个片段或样本，并经处理得到数据集；
污泥产量预测模块，用于构建映射关键影响因素与污泥产量关系的经验模型和用于学习多个影响因素之间关系的深度学习模型，并将基于数据集训练完成的经验模型和深度学习模型进行耦合，以构建沉淀池污泥产量预测模型；
底泥分布模拟模块，用于利用神经网络模型和数据集构建并训练底泥分布预测模型；
泥位高度求取模块，用于根据污泥产量预测模型输出的平均污泥产量、底泥分布预测模型输出的各区域污泥分布比例以及对应排泥周期的总进水流量，得到沉淀池各区域的污泥累积量，结合泥位数据得到沉淀池各区域的泥位高度；
排泥方案输出模块，用于基于沉淀池各区域的泥位高度和动态生成的泥位阈值，输出至少一个排泥方案。
第三方面，本发明实施例提供一种自来水厂沉淀池智能排泥控制设备，包括：
至少一个数据库；
以及与所述至少一个数据库通信连接的存储器；
其中，所述存储器存储有可被所述至少一个数据库执行的指令，所述指令被所述至少一个数据库执行，以使所述至少一个数据库能够执行如上所述的自来水厂沉淀池智能排泥控制方法。
第四方面，本发明实施例提供一种计算机可读介质，其上存储有计算机可执行指令，所述可执行指令被处理器执行时实现如上所述的自来水厂沉淀池智能排泥控制方法。
（三）有益效果
本发明的有益效果是：
首先，本发明将排泥数据切分为多个片段或样本，并经过精细处理得到的数据集，为构建高效、精准的预测模型提供了坚实的基础。
接着，本发明以经验模型所建立的从进水浊度与药剂投加量到污泥产量的映射关系为基础，耦合深度学习模型以发掘多种变量之间的非线性和长期依赖关系，所构建的沉淀池污泥产量预测模型不仅基于传统的经验知识，还融合了先进的机器学习方法，从而实现了对污泥产量的精准预测，实现对污泥产量的精准预测。
同时，本发明建立了从进水特征到底泥分布的精细化映射模型，其能够根据实时的进水条件与药剂头投加情况，动态计算沉淀池内污泥产生及底泥分布情况，解决了传统方法中采样频率低、劳动强度大且无法实时监控的问题，为后续的排泥策略提供了重要参考。
再者，本发明通过结合污泥产量预测模型输出的平均污泥产量、底泥分布预测模型输出的各区域污泥分布比例，以及对应排泥周期的总进水流量，可以精确计算出沉淀池各区域的污泥累积量。再结合实时的泥位数据，就能得到沉淀池各区域的泥位高度，这为排泥控制提供了关键的参考指标。
最后，本发明基于沉淀池各区域的泥位高度和动态生成的泥位阈值，所输出的排泥方案不仅考虑了污泥的产量和分布，还充分结合了实时的运行条件，实现了排泥策略的灵活性和准确性的双重提升。这种智能化的排泥控制方法，不仅提高了排泥效率，还能有效减少资源浪费，为水处理行业的可持续发展做出了积极的贡献。
由此，本发明这一系列创新方法和技术手段的应用，显著提升了沉淀池排泥的智能化水平，为水处理领域带来了实质性的进步。
附图说明
图1为本发明实施例提供的一种自来水厂沉淀池智能排泥控制方法的流程示意图；
图2为本发明实施例提供的一种自来水厂沉淀池智能排泥控制方法的步骤S1的具体流程示意图；
图3为本发明实施例提供的一种自来水厂沉淀池智能排泥控制方法的步骤S11的具体流程示意图；
图4为本发明实施例提供的一种自来水厂沉淀池智能排泥控制方法的步骤S2的具体流程示意图；
图5为本发明实施例提供的一种自来水厂沉淀池智能排泥控制方法的步骤S3的具体流程示意图；
图6为本发明实施例提供的一种自来水厂沉淀池智能排泥控制方法的步骤S4的具体流程示意图；
图7为本发明实施例提供的一种自来水厂沉淀池智能排泥控制方法的步骤S5的具体流程示意图；
图8为本发明实施例提供的一种自来水厂沉淀池智能排泥控制方法的整体流程示意图。
具体实施方式
为了更好地解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
如图1所示，本发明实施例提出的一种自来水厂沉淀池智能排泥控制方法，包括：将收集的排泥数据切分为多个片段或样本，并经处理得到数据集；构建映射关键影响因素与污泥产量关系的经验模型和用于学习多个影响因素之间关系的深度学习模型，并将基于数据集训练完成的经验模型和深度学习模型进行耦合，以构建沉淀池污泥产量预测模型；利用神经网络模型和数据集构建并训练底泥分布预测模型；根据污泥产量预测模型输出的平均污泥产量、底泥分布预测模型输出的各区域污泥分布比例以及对应排泥周期的总进水流量，得到沉淀池各区域的污泥累积量，结合泥位数据得到沉淀池各区域的泥位高度；基于沉淀池各区域的泥位高度和动态生成的泥位阈值，输出至少一个排泥方案。
首先，本发明将排泥数据切分为多个片段或样本，并经过精细处理得到的数据集，为构建高效、精准的预测模型提供了坚实的基础。
接着，本发明以经验模型所建立的从进水浊度与药剂投加量到污泥产量的映射关系为基础，耦合深度学习模型以发掘多种变量之间的非线性和长期依赖关系，所构建的沉淀池污泥产量预测模型不仅基于传统的经验知识，还融合了先进的机器学习方法，从而实现了对污泥产量的精准预测，实现对污泥产量的精准预测。
同时，本发明建立了从进水特征到底泥分布的精细化映射模型，其能够根据实时的进水条件与药剂头投加情况，动态计算沉淀池内污泥产生及底泥分布情况，解决了传统方法中采样频率低、劳动强度大且无法实时监控的问题，为后续的排泥策略提供了重要参考。
再者，本发明通过结合污泥产量预测模型输出的平均污泥产量、底泥分布预测模型输出的各区域污泥分布比例，以及对应排泥周期的总进水流量，可以精确计算出沉淀池各区域的污泥累积量。再结合实时的泥位数据，就能得到沉淀池各区域的泥位高度，这为排泥控制提供了关键的参考指标。
最后，本发明基于沉淀池各区域的泥位高度和动态生成的泥位阈值，所输出的排泥方案不仅考虑了污泥的产量和分布，还充分结合了实时的运行条件，实现了排泥策略的灵活性和准确性的双重提升。这种智能化的排泥控制方法，不仅提高了排泥效率，还能有效减少资源浪费，为水处理行业的可持续发展做出了积极的贡献。
由此，本发明这一系列创新方法和技术手段的应用，显著提升了沉淀池排泥的智能化水平，为水处理领域带来了实质性的进步。
为了更好地理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
具体地，本发明实施例提供一种自来水厂沉淀池智能排泥控制方法，包括：
S1、将收集的排泥数据切分为多个片段或样本，并经处理得到数据集。
本发明涉及沉淀池污泥产量预测与底泥分布模拟，需收集相关水质、水量、污泥浓度等指标的历史数据用于模型训练。具体而言，收集进水浊度、出水浊度、进水流量、絮凝剂投加量、助凝剂投加量、水温、沉淀池液位、沉淀池泥位、排泥管污泥浓度、排泥管流量、污泥池液位、污泥池污泥浓度等水厂监测指标至少一年以上的历史数据，频率至少为每十分钟一条，频率越高则能够提供更精细的排泥信息。
根据吸泥行车的启动状态，将沉淀池的排泥周期分为排泥时段（T RS ）与非排泥时段（T NS ），上次排泥结束到此次排泥结束的整个阶段记作一次排泥周期，则排泥周期的持续时间。在正常生产中，平流式沉淀池不间断运行，污泥的产生也贯穿整个排泥周期。在排泥时段，污泥经吸泥行车上的排泥管通过虹吸或泵吸的方式排出，再经过排泥渠（通常是开放式的）输送到排泥池中，在排泥池暂存后输送到后续污泥浓缩、处理段。
在上述监测指标中，进水浊度、出水浊度、进水流量、絮凝剂投加量、助凝剂投加量、水温、沉淀池液位、沉淀池泥位在整个排泥周期持续监测，后续将作为污泥产量预测模型与底泥分布预测模型的输入特征。污泥池液位、污泥池污泥浓度则收集自排泥时段，用于计算排泥时段所排放的污泥总量，在理想条件下（即该次排泥彻底，排泥后池内没有污泥残留）应当等于排泥周期内产生的污泥总量。排泥管污泥浓度、排泥管流量同样收集自排泥时段，它们将用于计算沉淀池沿长度方向的污泥分布比例。
以下将详细介绍污泥产泥量计算、底泥分布计算、数据集构建的方式。
进一步地，如图2所示，步骤S1包括：
S11、基于收集的排泥信息求取单次排泥周期的平均产泥量以及每个排泥时段内各区域内污泥的比例分布。
进一步地，如图3所示，步骤S11包括：
S111、在每一个排泥周期开始和结束时，根据收集的排泥前后排泥池的液位高度、排泥前后排泥池内的平均污泥浓度、排泥池的底面积、从排泥池内排放的流量以及排泥池由于达到容量上限后而排放污泥的持续时间，计算排泥时段内排放的干污泥量。
S112、根据排泥时段内排放的干污泥量和对应排泥周期的累计进水量，计算单次排泥周期的平均产泥量。
S113、确定沉淀池的长度、吸泥行车的行进速度和排泥时段。
S114、当吸泥行车以行进速度开始排泥时，记录行车行进过程中每个位置处对应的污泥流量、污泥浓度数据以及行车经过每个位置的时间。
S115、根据行车行进过程中每个位置处对应的污泥流量、污泥浓度数据以及行车经过每个位置的时间，计算出吸泥行车在每个位置处的排泥量。
S116、基于吸泥行车在任意位置处的排泥量求得任意位置处污泥量占沉淀池总产泥量的底泥分布。
S117、将沉淀池等分为多个单元区域，并将排泥时段也等分为对应于单元区域数量的多个时间段，分别计算的每个单元面积或每个时间段内产泥量所占比例。
在一具体实施例中，目前尚无直接监测污泥产量的可靠在线监测仪表，因此需根据排泥前后排泥池内液位、流量和污泥浓度的变化，对每个排泥周期内污泥产量及进行间接计算，排泥时段内排放的干污泥量为：
；
式中，S total 为排泥时段内排放的干污泥量，也即此次排泥周期的总污泥产量，H 1与H 0分别为排泥前、后排泥池的液位高度，SS 1与SS 0分别为排泥前、后排泥池内的平均污泥浓度，A为排泥池的底面积，Q 1为从排泥池内排放的流量，T 1为排泥池由于达到容量上限后而排放污泥的持续时间。
则单次排泥周期平均产泥量为：
；
式中，S为单次排泥周期平均产量，表示此次排泥周期的累计进水量，Q t 是t时刻沉淀池的进水流量，T total 为此次排泥周期的持续时间。
接着，进行沉淀池底泥分布计算：假设前一次排泥周期内污泥排空，则在此次排泥过程中，污泥自排泥管向外排出，安装于排泥管出口处的流量计与污泥浓度计可用于计算吸泥行车所在位置处（记作x）的污泥产量（S x ）。随着行车走完沉淀池全程（长度记作L），则可根据不同位置处的S x 得到整个沉淀池内沿长度方向的污泥分布情况。吸泥行车通常恒速运行，假设行车行进速度为v 0，则v 0=L/T RS 。假设行车在t 0时刻从沉淀池进水端x 0出发向沉淀池末端前进，一边前进一边排泥，经过排泥周期T RS 到达末端x L 后返程，返程过程中不排泥，也即所谓单程排泥。
吸泥行车在任意位置x处的排泥量为：
S x =SS t ×Q t ×dt；
式中，S x 为t时刻行车行至位置x处排放的污泥量即产泥量，SS t 分别为与Q t 是在该位置处排泥管上传感器测得的污泥浓度与污泥流量，dt为行车经过x位置处所耗时间，其中，t时刻与x一一对应。
由此可得到，任意位置处污泥量占沉淀池总产泥量的底泥分布为：
；
式中，表示位置x处污泥量占沉淀池总产泥量的比例。
为了便于建模计算，将上述分布进行离散化，即将沉淀池沿长度划分为面积相等的M组单元，对应的也将排泥时段T RS 划分为等长的M个时间段。则上式可转化为每个单元面积或每个时间段内产泥量所占比例为：
；
式中，与分别为行车在第i个单元面积/时间段内的平均污泥浓度与平均流量，M为划分的单元个数。分子分母中的时间部分经过约分去掉，本发明中M取10。
经过计算，最终得到每个排泥时段内各区域内污泥的比例分布，=（y 1，y 2，…，y M ），其中i∈（1,M），y i 表示沉淀池从进水到出水端第i段区域对应的产泥量占总产泥量的比例，y i 满足归一化要求即，且通常随着i的增加递减。
本发明中n取10，则y 1，y 2，…，y 10分别为沉淀池沿长度方向前10%，10%~20%，…，90%~100%区间内污泥占总污泥量的比例。
S12、确定包含进水浊度、出水浊度、进水流量、絮凝剂投加量、助凝剂投加量、水温、沉淀池液位、沉淀池泥位的逐时平均值的所关注的监测指标数据。
S13、对收集的排泥数据进行遍历，根据排泥状态将排泥数据划分为多个长度不等的包括至少一组排泥周期内所关注的监测指标数据、单次排泥周期平均产泥量以及沉淀池底泥分布比例的片段或样本。
S14、对所关注的监测指标数据进行下采样处理，得到新的输入序列。
S15、根据新的输入序列、单次排泥周期平均产泥量以及沉淀池底泥分布比例形成数据集，按照设定比例将数据集划分为训练集和测试集。
具体来说，对历史数据集进行遍历，根据排泥状态将所有数据划切分为长度不等的片段，每个片段对应一组排泥周期。经过划分，最终得到组片段或样本，每个样本可表示为。对于样本i，其对应的排泥周期内平均污泥产量与S i 底泥分布比例，将分别作为污泥产量预测模型与底泥分布预测模型的输出。相应的，模型的输入特征X i 为此次排泥周期内进水浊度、出水浊度、进水流量、絮凝剂投加量、助凝剂投加量、水温、沉淀池液位、沉淀池泥位共8种监测指标的逐时平均值。
由于原始数据为10分钟一条，因此通过下采样的方式将原始数据转化为每小时一条。对样本D i 的原始输入特征矩阵为例，原始数据可以表示为，其中x i 为长度为8的向量，N为该样本原始数据的条数。则经过下采样得到新的输入序列可以表示为:
；
式中，X i 表示下采样后得到的新的输入序列，其中的每条数据是其所在小时区间内6条原始数据的均值，是处理后的数据条数，表示向下取整。
基于前述处理，最终得到完整的数据集，每个样本的输入特征矩阵X i 表示该次排泥周期内的逐时进水条件等监测指标，S i 表示该次排泥周期内平均产泥量，表示底泥分布情况。
最后，将数据集按照8：2的比例划分为训练集和测试集，分别用于模型训练和性能验证。
S2、构建映射关键影响因素与污泥产量关系的经验模型和用于学习多个影响因素之间关系的深度学习模型，并将基于数据集训练完成的经验模型和深度学习模型进行耦合，以构建沉淀池污泥产量预测模型。
在步骤S2中，基于历史数据构建沉淀池污泥产量预测模型，根据沉淀池的进水条件及加药情况，实时计算污泥产量。现有方法包括基于质量守恒定律的经验模型，以及基于大数据的深度学习模型。经验模型依赖于准确的计量参数，无法根据进水条件做出动态调整；深度学习模型从大量的历史数据中发掘规律，但由于排泥周期较长所以有效样本数量较少，模型无法得到充分训练。因此，本发明以经验模型所建立的从进水浊度与药剂投加量到污泥产量的映射关系为基础，耦合深度学习模型以发掘多种变量之间的非线性和长期依赖关系，实现对污泥产量的精准预测。
进一步地，如图4所示，步骤S2包括：
S21、确定污泥产量的包含进水浊度与药剂投加量的关键影响因素。
S22、基于质量守恒定律，构建映射关键影响因素与污泥产量关系的经验模型。
S23、基于数据集，以均方误差作为优化目标，通过梯度下降法对经验模型中的各项参数进行至少一轮迭代求解，以完成经验模型的训练。
在一具体实施例中，根据质量守恒定律可知，沉淀池污泥主要来自于原水中的颗粒物以及投加的絮凝剂，除此以外还与原水中的溶解性物质、助凝剂、活性炭等其他药剂有关。当以铝盐作为混凝剂时，干污泥产量可根据下式计算：
；
式中，为单次排泥周期内的干污泥产量，单位为t/d，为此次排泥周期内的沉淀池累计进水流量，Tu为排泥周期内的平均原水浊度，E 1为浊度与SS的换算系数，E 2为铝盐混凝剂与Al(OH)3的换算系数，Al为铝盐混凝剂平均投加量（以Al 2 O 3计），B为水处理过程中其他因素的影响。
需要注意的是，经验模型中模型输入特征Tu、Al为排泥周期内的平均值，对于样本，X i 中的进水浊度Tu、絮凝剂投加量Al需求平均后再用于经验模型训练。假设X i 对应的排泥周期为T小时，则，其中，分别表示第i个样本（排泥周期）内第j小时的平均进水浊度和絮凝剂投加量。
则该次排泥周期内的平均产泥量为：
；
公式中的各项系数：E 1，E 2，B需要由数据集中的历史数据进行标定，具体的方式是以经验模型预测值与实际值的均方误差（MSE）为优化目标，并在整个训练集通过梯度下降法对各项系数进行求解计算。MSE的计算过程如下：
；
其中，L为均方误差，N train 为训练集的样本个数，为第i个样本的实际产泥量，，是第i个样本的平均进水浊度和铝盐混凝剂平均投加量。
首先确定E 1，E 2，B的初始值，可以根据人为经验设置，以加速模型收敛，例如E 1取2.2，E 2取1.53，B取0.2。之后在每个轮次计算损失函数L对每个参数E 1，E 2，B的偏导数，用于指导梯度下降的方向和步长。
式中，，，分别表示损失函数对E 1，E 2，B的偏导数。
再根据计算得到的梯度，结合学习率h计算该轮次梯度下降的步长，对每个参数E 1，E 2，B进行更新。
式中，h表示学习率，，，表示每轮迭代后得到的新的系数。通过反复迭代，当梯度的绝对值小于某个阈值或损失函数的下降幅度小于某个阈值时，则停止迭代得到最优的模型参数，该模型将用于后续混合模型的构建。
S24、采用长短期记忆网络构建包括输入层、一层掩码层、两层LSTM层以及两层全连接层的深度学习模型。
S25、在数据集中选取逐时进水浊度、出水浊度、进水流量、加药量、水温、沉淀池液位和已补充沉淀池泥位作为深度学习模型的输入特征，并在输入特征中选取沉淀池泥位进行一阶差分操作，以得到泥位的差分值作为新的特征加入深度学习模型的输入特征。
S26、以历史最长排泥周期的时长作为序列长度，并对序列长度小于设定长度的输入特征进行零值填充，从而构建出的多维时间序列形式的输入特征。
S27、将多维时间序列形式的输入特征与作为对应输出的平均污泥产量分批次输入深度学习模型，以均方误差作为优化目标，通过Adam优化器对经验模型中的各项参数进行至少一轮迭代求解，以完成深度学习模型的训练。
S28、分别利用训练好的经验模型和深度学习模型对污泥产量进行预测，生成两组的预测结果集并组合成新的特征组合集；将新的特征组合集与真实的污泥产量配对，形成新的数据集。
S29、选择线性回归模型作为元模型，使用新的数据集对元模型进行训练；训练完成后，通过元模型将训练好的经验模型和深度学习模型的预测结果自动进行加权组合生成最终的污泥产量预测结果，以完成训练好的经验模型和深度学习模型的耦合，形成沉淀池污泥产量预测模型。
在一具体实施例中，鉴于前述经验模型仅考虑了原水浊度和加药量的贡献，未考虑季节变化、水流特性、原水中铁、锰、溶解性固体等因素对产泥量的影响。因此，采用深度学习模型从大量历史数据中学习多种变量之间的非线性和长期依赖关系，提高预测模型的准确性。本发明中采用长短期记忆网络（LSTM）对污泥产量进行预测，模型输出为单次排泥周期内的平均产泥量，模型输入为排泥周期内对应的逐时进水浊度、出水浊度、进水流量、絮凝剂投加量、助凝剂投加量、水温、沉淀池液位、沉淀池泥位共8种特征。
为了提高模型预测效果和泛化能力，对沉淀池泥位这一特征进行一阶差分得到泥位差分值这一新特征，帮助模型学习污泥产生的趋势信息。一阶差分操作可以表示为：，其中LS t 是时间点t的泥位值，是差分后的数据。
将泥位的差分值作为新的特征加入LSTM模型输入特征，得到LSTM模型最终的输入共9种特征。
需要了解的是，LSTM的输入为多维时间序列形式，即形状为的矩阵，其中每一行为一个时间点，每一列为一个特征或变量。由于排泥周期可能存在差别，因此不同样本原始序列的长度是不确定的。本发明中选择历史最长排泥周期的时长36h作为序列长度，即，对于较短的序列则在序列末尾添加零值进行填充。
按照上述方式，对历史数据进行转化，得到形状如的数据集，其中表示数据集中的样本数量，也即历史数据中包含的排泥周期个数，。
本发明中LSTM基于Pytorch框架搭建，模型包括输入层、1层掩码层、2层LSTM层、2层全连接层。其中输入层接受36´9的多维时间序列并传递给后续层，掩码层用于忽略填充部分的数据，确保模型在训练和预测过程中只关注实际数据而不是填充值；第一层LSTM接收掩码层的输出，并通过其内置的记忆和门控机制处理时间序列数据；第二层LSTM进一步提取更高层次的时间序列特征；第一层全连接层接受LSTM层的输出并进行特征转换；第二层全连接层作为输出层，生成最终的预测结果。每层的神经元数量可根据实际数据集情况确定，此处所列的超参数组合仅作为示例：第一层LSTM层神经元数量为32，第二层LSTM层神经元数量为64，第一层全连接层神经元数量为64，第二层全连接层神经元数量为1。
将前述构建的多维时间序列输入与对应的输出（平均污泥产量）分批次输入LSTM模型，通过计算模型预测值与实际值的均方误差MSE，并基于梯度下降法的变体Adam优化器更新模型权重参数。经过多次迭代，得到最终的LSTM模型，用于后续混合模型构建。
为了提高预测效果，增强模型的鲁棒性和泛化能力，本发明基于Stacking算法耦合前述经验模型与深度学习模型。相比求均值、残差拟合等方式，Stacking算法利用一个新的模型（元模型）整合多个模型（基础模型）的预测结果，能够捕捉数据的不同方面特征，具有很高的灵活性和鲁棒性。
本发明中，基础模型为前述训练完成的与，元模型选择线性回归模型，记作。以与的预测结果作为新的输入特征，真实的污泥产量作为输出值，其目标是将与的预测结果组合成最终的预测结果。对于样本，其中X i 为多维时间序列形式，与分别对污泥产量进行预测，分别得到预测结果与。对而言，其输入特征为与组成的新的特征组合，则数据集样本可以表示为, i∈[1,N samples]。使用新的训练集对即线性回归模型进行训练，得到最优的元模型，其能够根据基础模型的预测结果自动进行组合加权，计算得到最终的污泥产量。
S3、利用神经网络模型和数据集构建并训练底泥分布预测模型。
进一步地，如图5所示，步骤S3包括：
S31、采用神经网络模型构建底泥分布预测模型。
S32、将数据集中的排泥周期内的进水条件逐时均值作为输入数据，以及对应的底泥分布数据作为输出数据，得到底泥分布预测模型的数据集。
S33、构建一考虑递减顺序惩罚项的损失函数。
S34、基于底泥分布预测模型的数据集对底泥分布预测模型进行训练，并在训练中不断调整模型的参数，以最小化考虑递减规律的损失函数。
S35、训练完成后，得到能够根据实时进水条件预测底泥分布的底泥分布预测模型。
传统方法通常是人工测定沉淀池不同位置处的泥位高度再绘制积泥曲线，但这种方法劳动强度大，采样频率低，无法用于在线底泥分布模拟。事实上，底泥分布还与季节、进水条件有关，例如夏季原水浊度高，水中的高比重污染物含量多，相应的混凝剂投加量也增多，因此沉淀池前段污泥在所有污泥中所占比例会更多。因此，有必要建立从进水水质到底泥分布比例的映射，从而支持对沉淀池底泥分布的动态模拟。
本发明采用神经网络模型构建底泥分布预测模型，模型的输入与经验模型相同，是排泥周期内的进水条件逐时均值X i ，模型的输出为前述计算得到的。
模型设计中，采用包含两层隐藏层的神经网络模型，输入形状为（9,1），两层隐藏层神经元个数均设置为64，输出层激活函数选择softmax确保所有输出的总和为1。除此以外，考虑到沉淀池污泥分布呈现沿程递减的规律，因此（y 1，y 2，…，y 10）应当也呈现递减规律。因此，本发明对损失函数进行特殊设计，在一般的MSE基础上增加了额外的惩罚项，具体如公式所述：
；
式中，当时，则产生惩罚，否则惩罚为0。
则考虑递减顺序惩罚项的损失函数为：
；
式中，N train 为训练集样本数量，10为模型输出的维度即对应划分的单元数M取10的情况，第一项为标准均方误差MSE，y ij 是第i个样本的第j个真实输出值，是第i个样本的第j个预测输出值，λ是权重系数，用于平衡均方误差和递减顺序惩罚项，是递减顺序惩罚项，k是模型输出的预测值的顺序。
S4、根据污泥产量预测模型输出的平均污泥产量、底泥分布预测模型输出的各区域污泥分布比例以及对应排泥周期的总进水流量，得到沉淀池各区域的污泥累积量，结合泥位数据得到沉淀池各区域的泥位高度。
进一步地，如图6所示，步骤S4包括：
S41、根据污泥产量预测模型输出的平均污泥产量、底泥分布预测模型输出的各区域污泥分布比例以及对应排泥周期的总进水流量，得到各个区域的污泥产量。
S42、对于沉淀池的每个区域，根据初始时刻的沉淀池各区域的泥位高度污泥累积量和各个区域的污泥产量，得到任意时刻沉淀池各区域的污泥累积量。
S43、根据任意时刻沉淀池各区域的污泥累积量和获取的泥位数据，得到沉淀池各区域的泥位高度。
训练完成的底泥分布预测模型能够根据实时进水条件，计算得到实时产生的污泥分布比例，结合沉淀池已有污泥分布信息和污泥产量预测结果，即可得到沉淀池当前的底泥分布情况。假设t 0时刻沉淀池沿长度第i块区域的污泥累积量为，i=0,1，…，10，经过Δt时间后沉淀池各位置处的污泥累积量可以表示为：
；
式中，是时刻沉淀池第i块区域的污泥累积量，则是t 0时刻沉淀池第i块区域的污泥累积量，是时间内第i块区域的污泥产量，可以按照下式计算：
；
式中，为t 0~t 0+△t时间内第i块区域的污泥产量，是△t时间内污泥产量预测模型计算得到的平均污泥产量，为△t时间内的总进水流量，则为底泥分布预测模型计算得到的各区域污泥比例。
基于上述计算，可以得到任意时刻沉淀池底部各区域的污泥累积量，进一步与泥位数据结合，则可以得到沉淀池任意位置的积泥高度。假设泥位计安装于第k（k∈[1,10]）块区域的中间位置，其数据为k区域的平均泥位高度。记t时刻泥位高度为记作，则沉淀池各区域的泥位高度可以表示为：
；
式中，表示t时刻第i块区域的平均泥位，表示t时刻该区域的污泥累积量。
S5、基于沉淀池各区域的泥位高度和动态生成的泥位阈值，输出至少一个排泥方案。
基于前述污泥产量预测模型与底泥分布预测模型，得到沉淀池实时污泥产量与底泥分布情况，从而确定沉淀池整体及局部的排泥需求，进而对排泥时机与排泥路径进行智能推荐。
进一步地，如图7所示，步骤S5包括：
S51、确定每个区域的泥位低限和泥位高限，其中，泥位低限保证待排污泥总体积大于排泥管排放水量，泥位高限则根据经验或设定为泥位低限的两倍。
S52、基于沉淀池各区域的泥位高度，判断各区域的排泥需求，当某区域泥位高度超过其对应的泥位低限时，将该区域加入等待排泥序列。
S53、监控等待排泥序列中各区域的泥位高度变化，当序列中任一区域的泥位高度达到其泥位高限时，触发排泥动作。
S54、在触发排泥动作后，根据排泥序列中包含的区域个数与设定个数的大小，确定采用全局排泥或局部排泥模式。
S55、若排泥序列中包含的区域个数等于设定个数，则采取全局排泥模式，则规划吸泥行车在沉淀池所有区域执行排泥动作的排泥路径。
S56、若排泥序列中包含的区域个数小于等于设定个数，则采取局部排泥模式，规划吸泥行车仅针对排泥序列中包含的区域进行排泥的排泥路径。
S57、基于排泥触发时机、排泥模式及排泥路径，生成至少一个排泥方案。
在一具体实施例中，对于吸泥行车，其前进速度恒定（记作v 0），排泥管流量通常也是定值（记作Q 0）。对沉淀池任意位置x处，长为Δx，宽为沉淀池宽度w的矩形区域，假设该位置泥位高度为LS x ，则该矩形区域内待排污泥总体积为，行车经过该区域排放污泥水量可表示为。为了尽可能提高排泥水污泥浓度，降低污泥含水率，需保证待排污污泥总体积大于排泥管排放水量，从而得到泥位低限：
式中，L Smin 表示对特定区域进行排泥需达到的泥位低限，Q 0为排泥管流量，w为沉淀池宽度，v 0为行车前进速度。
在另一方面，当污泥累积过多导致泥位抬升时，会压缩沉淀区域导致沉淀效率下降，出水恶化，严重时甚至在沉淀池底部形成难以清除的污泥停滞区。因此，设置沉淀池泥位高限LS max ，防止积泥过多，其大小可以根据经验设定，简单起见也可以设置为LS min 的两倍确保污泥可以通过双程排泥的方式及时排出）。
基于前述底泥分布模拟模块得到沉淀池内各区域的实时泥位高度，判断每个区域的排泥需求。具体而言，当某区域泥位高度超过泥位低限L Smin 时，表明在该区域将在接下来的排泥时段内进行排泥动作，区域i（i∈[1,10]）进入等待排泥序列Π。随着时间推移，各个区域的污泥量持续增加，并且不断有新的区域进入排泥序列Π，直至排泥序列中的某区域泥位高度达到泥位高限LS max 时，触发排泥动作，该判断条件可以表示为：
；
式中，max（.）表示取最大值，Π表示排泥序列。
在触发排泥动作后，统计排泥序列中包含的区域个数N Π，确定采用全局排泥或者局部排泥，全局排泥是指对沉淀池所有区域进行排泥动作，局部排泥只针对排泥序列Π中包含的区域进行排泥。具体排泥规则定义如下：
若N Π=10，则采取全局排泥。
若N Π≤10，需进一步判断非排泥序列区域的泥位高度：若非排泥序列中的区域均满足，则采取全局排泥方式，否则执行局部排泥动作。
经过上述计算，得到最终的排泥方案，包括排泥时机、排泥路径、排泥模式等关键参数。
另外地，本发明实施例提供一种自来水厂沉淀池智能排泥控制系统，包括：
数据集创建模块，用于将收集的排泥数据切分为多个片段或样本，并经处理得到数据集。
污泥产量预测模块，用于构建映射关键影响因素与污泥产量关系的经验模型和用于学习多个影响因素之间关系的深度学习模型，并将基于数据集训练完成的经验模型和深度学习模型进行耦合，以构建沉淀池污泥产量预测模型。
底泥分布模拟模块，用于利用神经网络模型和数据集构建并训练底泥分布预测模型。
泥位高度求取模块，用于根据污泥产量预测模型输出的平均污泥产量、底泥分布预测模型输出的各区域污泥分布比例以及对应排泥周期的总进水流量，得到沉淀池各区域的污泥累积量，结合泥位数据得到沉淀池各区域的泥位高度。
排泥方案输出模块，用于基于沉淀池各区域的泥位高度和动态生成的泥位阈值，输出至少一个排泥方案。
以及，本发明提供一种自来水厂沉淀池智能排泥控制设备，包括：至少一个数据库；以及与至少一个数据库通信连接的存储器；其中，存储器存储有可被至少一个数据库执行的指令，指令被至少一个数据库执行，以使至少一个数据库能够执行如上所述的自来水厂沉淀池智能排泥控制方法。
其中，数据库用于存储和管理与沉淀池排泥控制相关的各类数据，包括但不限于进水浊度、药剂投加量、污泥产量、底泥分布情况等实时和历史数据。这些数据是执行智能排泥控制方法的基础。
存储器则存储有可被至少一个数据库执行的指令集。当这些指令被数据库执行时，能够使数据库按照预设的逻辑和算法，执行如上所述的自来水厂沉淀池智能排泥控制方法。具体来说，就是通过建立并运行污泥产量预测模型和底泥分布预测模型，实现对污泥产量的精准预测和对底泥分布的实时模拟，进而智能地确定排泥的时机、路径和模式，以达到高效、节能的排泥控制目的。
再者，本发明实施例提供一种计算机可读介质，其上存储有计算机可执行指令，可执行指令被处理器执行时实现如上所述的自来水厂沉淀池智能排泥控制方法。
具体来说，这些指令在被处理器执行时，会引导处理器进行一系列复杂的运算和操作，包括但不限于数据的采集、处理、分析，模型的建立、训练、运行，以及排泥策略的制定、优化、执行等。通过这些指令的执行，处理器能够精确地预测污泥产量和底泥分布，智能地确定排泥的时机、路径和模式，从而实现对自来水厂沉淀池排泥过程的全面、高效、智能化控制。
因此，本发明提供的计算机可读介质，不仅为自来水厂沉淀池智能排泥控制方法的实现提供了强有力的技术支撑，也为自来水厂运营管理的智能化、高效化、精细化提供了有力的工具保障。
综上所述，本发明实施例提供一种自来水厂沉淀池智能排泥控制方法、系统、设备以及介质，本发明的核心在于利用经验模型与深度学习模型的结合，对污泥产量进行精准预测。具体而言，如图8所示，首先通过经验模型建立起进水浊度、药剂投加量与污泥产量之间的映射关系。为了发掘这些变量之间的非线性和长期依赖关系，进一步采用了基于Stacking算法耦合经验模型与深度学习模型，这不仅显著提高了预测精度，还减少了对高质量训练样本的依赖，并能动态地适应进水条件的实时变化。
同时，本发明还构建了一套底泥分布预测模型。该模型能依据实时的进水状况和药剂投加情况，动态地计算出沉淀池内的污泥生成及底泥的分布情况，从而有效地解决了传统方法中因采样频率低、劳动强度大且无法实现实时监控的问题。通过污泥产量预测模型，实现了对污泥产量的实时动态计算；同时，结合底泥分布预测模型，可以精确地模拟沉淀池的泥位动态。这些预测结果进一步支持了对排泥时机、路径与模式的动态调整。基于上述预测，本发明还能智能地选定排泥的时机、路径和模式（包括全局或局部排泥），旨在确保排泥作业的高效进行，既减少了资源的浪费，也避免了沉淀池运行效率的降低。与现有的排泥控制技术相比，本发明不仅提高了污泥产量的预测精度，还增强了动态适应性，并实现了智能化的排泥策略。其优势具体表现在：
本发明融合了经验模型与深度学习模型，从而克服了单一模型的限制，不仅借鉴了经验模型的直观性和可靠性，还充分发挥了深度学习在处理复杂、非线性关系上的长处，进而提升了预测的准确性和泛化能力。
与传统的周期性排泥方法相比，本发明更能适应水质和药剂投加量的变化。通过实时的污泥产量预测和底泥分布模拟，确保排泥策略始终灵活有效，避免了条件变化导致的排泥问题。
借助前述的预测结果，本发明对排泥策略进行了优化，智能化地选择排泥的时机、模式和路径，从而大幅提高了排泥效率，降低了水资源的浪费。
总的来说，本发明凭借其出色的预测能力、动态适应性和智能化策略，为自来水厂的排泥控制提供了一种更加高效和智能的解决方案，有望大幅提升排泥管理的效率并带来更好的环境效益。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。
此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是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发明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。
尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，本发明方案应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明方案及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。

Claims (10)

1.一种自来水厂沉淀池智能排泥控制方法，其特征在于，包括：
将收集的排泥数据切分为多个片段或样本，并经处理得到数据集；
构建映射关键影响因素与污泥产量关系的经验模型和用于学习多个影响因素之间关系的深度学习模型，并将基于数据集训练完成的经验模型和深度学习模型进行耦合，以构建沉淀池污泥产量预测模型；
利用神经网络模型和数据集构建并训练底泥分布预测模型；
根据污泥产量预测模型输出的平均污泥产量、底泥分布预测模型输出的各区域污泥分布比例以及对应排泥周期的总进水流量，得到沉淀池各区域的污泥累积量，结合泥位数据得到沉淀池各区域的泥位高度；
基于沉淀池各区域的泥位高度和动态生成的泥位阈值，输出至少一个排泥方案。
2.如权利要求1所述的自来水厂沉淀池智能排泥控制方法，其特征在于，将收集的排泥数据切分为多个片段或样本，并经处理得到数据集包括：
基于收集的排泥信息求取单次排泥周期的平均产泥量以及每个排泥时段内各区域内污泥的比例分布；
确定包含进水浊度、出水浊度、进水流量、絮凝剂投加量、助凝剂投加量、水温、沉淀池液位、沉淀池泥位的逐时平均值的所关注的监测指标数据；
对收集的排泥数据进行遍历，根据排泥状态将排泥数据划分为多个长度不等的包括至少一组排泥周期内所关注的监测指标数据、单次排泥周期平均产泥量以及沉淀池底泥分布比例的片段或样本；
对所关注的监测指标数据进行下采样处理，得到新的输入序列；
根据新的输入序列、单次排泥周期平均产泥量以及沉淀池底泥分布比例形成数据集，按照设定比例将数据集划分为训练集和测试集。
3.如权利要求2所述的自来水厂沉淀池智能排泥控制方法，其特征在于，基于收集的排泥信息求取单次排泥周期的平均产泥量以及每个排泥时段内各区域内污泥的比例分布包括：
在每一个排泥周期开始和结束时，根据收集的排泥前后排泥池的液位高度、排泥前后排泥池内的平均污泥浓度、排泥池的底面积、从排泥池内排放的流量以及排泥池由于达到容量上限后而排放污泥的持续时间，计算排泥时段内排放的干污泥量；
根据排泥时段内排放的干污泥量和对应排泥周期的累计进水量，计算单次排泥周期的平均产泥量：
确定沉淀池的长度、吸泥行车的行进速度和排泥时段；
当吸泥行车以行进速度开始排泥时，记录行车行进过程中每个位置处对应的污泥流量、污泥浓度数据以及行车经过每个位置的时间；
根据行车行进过程中每个位置处对应的污泥流量、污泥浓度数据以及行车经过每个位置的时间，计算出吸泥行车在每个位置处的排泥量；
基于吸泥行车在任意位置处的排泥量求得任意位置处污泥量占沉淀池总产泥量的底泥分布；
将沉淀池等分为多个单元区域，并将排泥时段也等分为对应于单元区域数量的多个时间段，分别计算的每个单元面积或每个时间段内产泥量所占比例；
其中，
排泥时段内排放的干污泥量为：
；
式中，S total 为排泥时段内排放的干污泥量，H 1与H 0分别为排泥前、后排泥池的液位高度，SS 1与SS 0分别为排泥前、后排泥池内的平均污泥浓度，A为排泥池的底面积，Q 1为从排泥池内排放的流量，T 1为排泥池由于达到容量上限后而排放污泥的持续时间；
单次排泥周期平均产泥量为：
；
式中，S为单次排泥周期平均产量，为此次排泥周期的累计进水量，Q t 为t时刻沉淀池的进水流量，T total 为此次排泥周期的持续时间；
吸泥行车在每个位置处的排泥量为：
S x =SS t ×Q t ×dt；
式中，S x 为t时刻行车行至位置x处排放的污泥量，SS t 与Q t 分别是在该位置处排泥管上传感器测得的污泥浓度与污泥流量，dt为行车经过x位置处所耗时间；
任意位置处污泥量占沉淀池总产泥量的底泥分布为：
；
式中，为位置x处污泥量占沉淀池总产泥量的比例，T RS 为排泥时段；
每个单元面积或每个时间段内产泥量所占比例为：
；
式中，与分别为行车在第i个单元面积/时间段内的平均污泥浓度与平均流量，M为划分的单元个数。
4.如权利要求2所述的自来水厂沉淀池智能排泥控制方法，其特征在于，构建映射关键影响因素与污泥产量关系的经验模型和用于学习多个影响因素之间关系的深度学习模型，并将基于数据集训练完成的经验模型和深度学习模型进行耦合，以构建沉淀池污泥产量预测模型包括：
确定污泥产量的包含进水浊度与药剂投加量的关键影响因素；
基于质量守恒定律，构建映射关键影响因素与污泥产量关系的经验模型；
基于数据集，以均方误差作为优化目标，通过梯度下降法对经验模型中的各项参数进行至少一轮迭代求解，以完成经验模型的训练；
采用长短期记忆网络构建包括输入层、一层掩码层、两层LSTM层以及两层全连接层的深度学习模型；
在数据集中选取逐时进水浊度、出水浊度、进水流量、加药量、水温、沉淀池液位和淀池泥位作为深度学习模型的输入特征，并在输入特征中选取沉淀池泥位进行一阶差分操作，以得到泥位的差分值作为新的特征加入深度学习模型的输入特征；
以历史最长排泥周期的时长作为序列长度，并对序列长度小于设定长度的输入特征进行零值填充，从而构建出的多维时间序列形式的输入特征；
将多维时间序列形式的输入特征与作为对应输出的平均污泥产量分批次输入深度学习模型，以均方误差作为优化目标，通过Adam优化器对经验模型中的各项参数进行至少一轮迭代求解，以完成深度学习模型的训练；
分别利用训练好的经验模型和深度学习模型对污泥产量进行预测，生成两组的预测结果集并组合成新的特征组合集；
将新的特征组合集与真实的污泥产量配对，形成新的数据集；
选择线性回归模型作为元模型，使用新的数据集对元模型进行训练；
训练完成后，通过元模型将训练好的经验模型和深度学习模型的预测结果自动进行加权组合生成最终的污泥产量预测结果，以完成训练好的经验模型和深度学习模型的耦合，形成沉淀池污泥产量预测模型。
5.如权利要求1所述的自来水厂沉淀池智能排泥控制方法，其特征在于，利用神经网络模型和数据集构建并训练底泥分布预测模型包括：
采用神经网络模型构建底泥分布预测模型；
将数据集中的排泥周期内的进水条件逐时均值作为输入数据，以及对应的底泥分布数据作为输出数据，得到底泥分布预测模型的数据集；
构建一考虑递减顺序惩罚项的损失函数；
基于底泥分布预测模型的数据集对底泥分布预测模型进行训练，并在训练中不断调整模型的参数，以最小化考虑递减规律的损失函数；
训练完成后，得到能够根据实时进水条件预测底泥分布的底泥分布预测模型；
其中，考虑递减顺序惩罚项的损失函数为：
；
式中，N train 为训练集样本数量，第一项为标准均方误差MSE，y ij 为第i个样本的第j个真实输出值，为第i个样本的第j个预测输出值，λ是权重系数，用于平衡均方误差和递减顺序惩罚项，是递减顺序惩罚项，k为模型输出的预测值的顺序。
6.如权利要求1所述的自来水厂沉淀池智能排泥控制方法，其特征在于，根据污泥产量预测模型输出的平均污泥产量、底泥分布预测模型输出的各区域污泥分布比例以及对应排泥周期的总进水流量，得到沉淀池各区域的污泥累积量，结合泥位数据得到沉淀池各区域的泥位高度包括：
根据污泥产量预测模型输出的平均污泥产量、底泥分布预测模型输出的各区域污泥分布比例以及对应排泥周期的总进水流量，得到各个区域的污泥产量；
对于沉淀池的每个区域，根据初始时刻的沉淀池各区域的泥位高度污泥累积量和各个区域的污泥产量，得到任意时刻沉淀池各区域的污泥累积量；
根据任意时刻沉淀池各区域的污泥累积量和获取的泥位数据，得到沉淀池各区域的泥位高度；
其中，
各个区域的污泥产量为：
；
式中，是t 0~t 0+△t时间内第i块区域的污泥产量，是△t时间内污泥产量预测模型计算得到的平均污泥产量，为△t时间内的总进水流量，则为底泥分布预测模型计算得到的各区域污泥比例；
任意时刻沉淀池各区域的污泥累积量为：
；
式中，是t 0+△t时刻沉淀池第i块区域的污泥累积量，则是t 0时刻沉淀池第i块区域的污泥累积量。
7.如权利要求1所述的自来水厂沉淀池智能排泥控制方法，其特征在于，基于沉淀池各区域的泥位高度和动态生成的泥位阈值，输出至少一个排泥方案包括：
确定每个区域的泥位低限和泥位高限，其中，泥位低限保证待排污泥总体积大于排泥管排放水量，泥位高限则根据经验或设定为泥位低限的两倍；
基于沉淀池各区域的泥位高度，判断各区域的排泥需求，当某区域泥位高度超过其对应的泥位低限时，将该区域加入等待排泥序列；
监控等待排泥序列中各区域的泥位高度变化，当序列中任一区域的泥位高度达到其泥位高限时，触发排泥动作；
在触发排泥动作后，根据排泥序列中包含的区域个数与设定个数的大小，确定采用全局排泥或局部排泥模式；
若排泥序列中包含的区域个数等于设定个数，则采取全局排泥模式，则规划吸泥行车在沉淀池所有区域执行排泥动作的排泥路径；
若排泥序列中包含的区域个数小于等于设定个数，则采取局部排泥模式，规划吸泥行车仅针对排泥序列中包含的区域进行排泥的排泥路径；
基于排泥触发时机、排泥模式及排泥路径，生成至少一个排泥方案。
8.一种自来水厂沉淀池智能排泥控制系统，其特征在于，包括：
数据集创建模块，用于将收集的排泥数据切分为多个片段或样本，并经处理得到数据集；
污泥产量预测模块，用于构建映射关键影响因素与污泥产量关系的经验模型和用于学习多个影响因素之间关系的深度学习模型，并将基于数据集训练完成的经验模型和深度学习模型进行耦合，以构建沉淀池污泥产量预测模型；
底泥分布模拟模块，用于利用神经网络模型和数据集构建并训练底泥分布预测模型；
泥位高度求取模块，用于根据污泥产量预测模型输出的平均污泥产量、底泥分布预测模型输出的各区域污泥分布比例以及对应排泥周期的总进水流量，得到沉淀池各区域的污泥累积量，结合泥位数据得到沉淀池各区域的泥位高度；
排泥方案输出模块，用于基于沉淀池各区域的泥位高度和动态生成的泥位阈值，输出至少一个排泥方案。
9.一种自来水厂沉淀池智能排泥控制设备，其特征在于，包括：
至少一个数据库；
以及与所述至少一个数据库通信连接的存储器；
其中，所述存储器存储有可被所述至少一个数据库执行的指令，所述指令被所述至少一个数据库执行，以使所述至少一个数据库能够执行如权利要求1-7任一项所述的自来水厂沉淀池智能排泥控制方法。
10.一种计算机可读介质，其上存储有计算机可执行指令，其特征在于，所述可执行指令被处理器执行时实现如权利要求1-7任一项所述的自来水厂沉淀池智能排泥控制方法。
CN202411376048.2A 2024-09-30 2024-09-30 一种自来水厂沉淀池智能排泥控制方法、系统、设备以及介质 Active CN118898317B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411376048.2A CN118898317B (zh) 2024-09-30 2024-09-30 一种自来水厂沉淀池智能排泥控制方法、系统、设备以及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411376048.2A CN118898317B (zh) 2024-09-30 2024-09-30 一种自来水厂沉淀池智能排泥控制方法、系统、设备以及介质

Publications (2)

Publication Number Publication Date
CN118898317A true CN118898317A (zh) 2024-11-05
CN118898317B CN118898317B (zh) 2025-01-24

Family

ID=93264839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411376048.2A Active CN118898317B (zh) 2024-09-30 2024-09-30 一种自来水厂沉淀池智能排泥控制方法、系统、设备以及介质

Country Status (1)

Country Link
CN (1) CN118898317B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119990707A (zh) * 2025-04-14 2025-05-13 上海浦东威立雅自来水有限公司 一种自来水厂智慧调度系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011532A (zh) * 2021-04-30 2021-06-22 平安科技（深圳）有限公司 分类模型训练方法、装置、计算设备及存储介质
CN113591317A (zh) * 2021-08-06 2021-11-02 金盛 一种水厂反应沉淀池精确排泥模型控制方法
CN114925891A (zh) * 2022-05-07 2022-08-19 新智道枢(上海)科技有限公司 基于小波分析与混合模型的用水量趋势预测方法和系统
CN114970946A (zh) * 2022-03-30 2022-08-30 大连理工大学 基于深度学习模型与经验模态分解耦合的pm2.5污染浓度长时空预测方法
CN115504557A (zh) * 2022-10-25 2022-12-23 中冶赛迪技术研究中心有限公司 应用于沉淀池的自动排泥方法
CN115759411A (zh) * 2022-11-21 2023-03-07 广东电网有限责任公司 一种配电网边缘侧光伏自适应集成预测方法
CN115936269A (zh) * 2023-03-14 2023-04-07 北京埃睿迪硬科技有限公司 一种排泥量预测方法、装置及设备
WO2023181322A1 (ja) * 2022-03-25 2023-09-28 日本電気株式会社 モデル分析装置、モデル分析方法、及び、記録媒体
CN116870542A (zh) * 2023-08-07 2023-10-13 浙江中控信息产业股份有限公司 一种基于沉淀池沉积曲线的动态行车排泥方法
CN117057668A (zh) * 2023-09-12 2023-11-14 河北工程大学 基于深度学习模型的工业污染物排放量预测方法
CN117474040A (zh) * 2023-10-30 2024-01-30 上海冠龙阀门节能设备股份有限公司 一种基于深度神经网络的沉淀池刮泥机节能控制方法
CN117808145A (zh) * 2023-12-25 2024-04-02 西南石油大学 一种基于改进lstm模型的页岩油井油气水产量快速预测方法
KR20240042849A (ko) * 2022-09-26 2024-04-02 한국항공우주연구원 작물 생산량 공간 정보 예측 방법 및 시스템
CN118690585A (zh) * 2024-08-23 2024-09-24 天津智云水务科技有限公司 一种基于混合模型预测沉淀池泥位时空分布的方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011532A (zh) * 2021-04-30 2021-06-22 平安科技（深圳）有限公司 分类模型训练方法、装置、计算设备及存储介质
CN113591317A (zh) * 2021-08-06 2021-11-02 金盛 一种水厂反应沉淀池精确排泥模型控制方法
WO2023181322A1 (ja) * 2022-03-25 2023-09-28 日本電気株式会社 モデル分析装置、モデル分析方法、及び、記録媒体
CN114970946A (zh) * 2022-03-30 2022-08-30 大连理工大学 基于深度学习模型与经验模态分解耦合的pm2.5污染浓度长时空预测方法
CN114925891A (zh) * 2022-05-07 2022-08-19 新智道枢(上海)科技有限公司 基于小波分析与混合模型的用水量趋势预测方法和系统
KR20240042849A (ko) * 2022-09-26 2024-04-02 한국항공우주연구원 작물 생산량 공간 정보 예측 방법 및 시스템
CN115504557A (zh) * 2022-10-25 2022-12-23 中冶赛迪技术研究中心有限公司 应用于沉淀池的自动排泥方法
CN115759411A (zh) * 2022-11-21 2023-03-07 广东电网有限责任公司 一种配电网边缘侧光伏自适应集成预测方法
CN115936269A (zh) * 2023-03-14 2023-04-07 北京埃睿迪硬科技有限公司 一种排泥量预测方法、装置及设备
CN116870542A (zh) * 2023-08-07 2023-10-13 浙江中控信息产业股份有限公司 一种基于沉淀池沉积曲线的动态行车排泥方法
CN117057668A (zh) * 2023-09-12 2023-11-14 河北工程大学 基于深度学习模型的工业污染物排放量预测方法
CN117474040A (zh) * 2023-10-30 2024-01-30 上海冠龙阀门节能设备股份有限公司 一种基于深度神经网络的沉淀池刮泥机节能控制方法
CN117808145A (zh) * 2023-12-25 2024-04-02 西南石油大学 一种基于改进lstm模型的页岩油井油气水产量快速预测方法
CN118690585A (zh) * 2024-08-23 2024-09-24 天津智云水务科技有限公司 一种基于混合模型预测沉淀池泥位时空分布的方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119990707A (zh) * 2025-04-14 2025-05-13 上海浦东威立雅自来水有限公司 一种自来水厂智慧调度系统

Also Published As

Publication number Publication date
CN118898317B (zh) 2025-01-24

Similar Documents

Publication Publication Date Title
CN106599571B (zh) 兼顾流量和蒸发的流域水文模型分期率定方法
JP4807565B2 (ja) 流量予測装置
CN104318325B (zh) 多流域实时智能水质预测方法及系统
CN113762618B (zh) 一种基于多因子相似分析的湖泊水位预报方法
Cui et al. A novel hybrid XAJ-LSTM model for multi-step-ahead flood forecasting
CN111650834B (zh) 基于极限学习机的污水处理过程预测控制方法
CN118898317A (zh) 一种自来水厂沉淀池智能排泥控制方法、系统、设备以及介质
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
CN101807045B (zh) 基于数据的城市污水泵站系统建模方法
CN106200381B (zh) 一种根据处理水量分阶段控制水厂运行的方法
CN110443418A (zh) 基于ga-bp神经网络的城市用水量预测方法
CN115031776B (zh) 一种排水管网淤积监测分析的方法
CN119430460B (zh) 结合时空图神经网络和强化学习调控曝气量实现石化废水高效低耗微氧水解酸化的方法
CN117247132B (zh) 一种基于aao工艺的智能精准曝气方法
CN117850324B (zh) 基于无线传感器网络的闸门远程控制系统及方法
CN111125907B (zh) 一种基于混合智能模型的污水处理氨氮软测量方法
CN114595631B (zh) 一种基于efdc模型和机器学习算法的水质预测方法
CN109814510A (zh) 基于来水预测的污水处理提升泵优化调度控制方法
CN117995314B (zh) 基于机器学习的含聚污水重力式沉降清淤界限预测方法
JP2023169099A (ja) 流入量予測システム
CN118172951A (zh) 基于深度强化学习的城市交叉口信号控制方法
WO2025092013A1 (zh) 一种基于深度神经网络的沉淀池刮泥机节能控制方法
CN113159395A (zh) 一种基于深度学习的污水处理厂进水流量预测方法及系统
CN108428193A (zh) 一种水污染防治规划决策支持系统及其使用方法
CN116341753A (zh) 一种使用机器学习对区域二氧化碳排放预测的方法

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