CN110186505B - 一种基于支持向量机的农村生活污水处理设施出水达标情况的预测方法 - Google Patents
一种基于支持向量机的农村生活污水处理设施出水达标情况的预测方法 Download PDFInfo
- Publication number
- CN110186505B CN110186505B CN201910492731.5A CN201910492731A CN110186505B CN 110186505 B CN110186505 B CN 110186505B CN 201910492731 A CN201910492731 A CN 201910492731A CN 110186505 B CN110186505 B CN 110186505B
- Authority
- CN
- China
- Prior art keywords
- sewage treatment
- domestic sewage
- rural domestic
- conductivity
- water
- 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.)
- Active
Links
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/02—Aerobic processes
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/02—Aerobic processes
- C02F3/12—Activated sludge processes
- C02F3/1236—Particular type of activated sludge installations
- C02F3/1263—Sequencing batch reactors [SBR]
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/30—Aerobic and anaerobic processes
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/32—Biological treatment of water, waste water, or sewage characterised by the animals or plants used, e.g. algae
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/06—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a liquid
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/05—Conductivity or salinity
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/06—Controlling or monitoring parameters in water treatment pH
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/08—Chemical Oxygen Demand [COD]; Biological Oxygen Demand [BOD]
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/14—NH3-N
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/16—Total nitrogen (tkN-N)
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/18—PO4-P
-
- 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
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Data Mining & Analysis (AREA)
- Organic Chemistry (AREA)
- Water Supply & Treatment (AREA)
- Environmental & Geological Engineering (AREA)
- Hydrology & Water Resources (AREA)
- Microbiology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Medicinal Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Botany (AREA)
- Food Science & Technology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Activated Sludge Processes (AREA)
- Sewage (AREA)
Abstract
本发明公开了一种基于支持向量机的农村生活污水处理设施出水达标情况的预测方法,该方法包括:同时采集训练集中农村生活污水处理设施的进水电导率、出水电导率和出水悬浮物浓度,并记录处理设施的出水达标情况;以进水电导率、出水电导率和出水悬浮物浓度作为输入,农村生活污水处理设施出水达标情况作为输出,利用支持向量机对训练集进行训练,构建预测模型;采集待预测的农村生活污水处理设施的进水电导率、出水电导率和出水悬浮物浓度,输入至预测模型中,得到预测结果。本发明将检测指标进水电导率、出水电导率和出水悬浮物浓度与农村生活污水处理设施的出水达标情况进行关联,并构建支持向量机模型获得预测模型,不仅预测准确性高,而且快速、廉价。
Description
技术领域
本发明涉及废水处理技术领域,尤其涉及一种基于支持向量机的农村生活污水处理设施出水达标情况的预测方法。
背景技术
随着我国对农村生活污水处理的日益重视,全国各地建设了大量的分散式农村生活污水处理设施,相比于城市污水处理厂,这些设施处理水量较小,每天处理的水量一般为几吨至几百吨,且地理位置高度分散。
目前,这些设施排水达标情况的监测主要依靠人工采样后基于国标法监测相应的水质指标来判断,在监管过程中取样与水质测试的成本较高、周期较长、工作量较大,难以实时指示设施的水达标情况。
以浙江省为例,目前省内的农村生活污水处理设施排放标准执行《农村生活污水处理设施水污染物排放标准》(DB 33/973—2015),主要水质指标有pH、化学需氧量(COD)、氨氮(NH3-N)、总磷(以P计)、悬浮物(SS)等,对应的一级和二级排放标准分别为6-9、60mg/L、15mg/L、2mg/L、20mg/L和6-9、100mg/L、25mg/L、3mg/L、30mg/L。
对于数量众多且位置分散的农村生活污水处理设施而言,采样和水质测试的工作量十分巨大。并且,基于国标方法,检测的成本较高,时效性较差,无法通过获得实时出水结果来针对性的调控农村生活污水处理设施。
此外,由于资金上的限制,农村污水处理设施不可能像城市污水厂一样,采用大量的在线监测装置对出水水质进行***的监测与管理;并且,由于针对COD、氨氮等指标的快速检测方法往往与国标法存在一定误差,当通过这些快速水质检测仪器获得的结果来判断农村生活污水处理设施出水的水质情况时,往往因误差累积而使得判断结果失准。
因此,对农村生活污水处理设施水达标情况的监测是农村污水处理设施运维的难题。
发明内容
本发明提供了一种基于支持向量机的农村生活污水处理设施出水达标情况的预测方法,该方法将检测指标进水电导率、出水电导率和出水悬浮物浓度与农村生活污水处理设施的出水达标情况进行关联,并构建支持向量机模型获得预测模型,不仅预测准确性高,而且快速、廉价。
具体技术方案如下:
一种基于支持向量机的农村生活污水处理设施出水达标情况的预测方法,包括以下步骤:
(1)选取若干农村生活污水处理设施作为训练集,同时采集训练集中农村生活污水处理设施的进水电导率、出水电导率和出水悬浮物浓度,并记录相对应的农村生活污水处理设施的出水达标情况;
(2)以进水电导率、出水电导率和出水悬浮物浓度作为输入,农村生活污水处理设施出水达标情况作为输出,利用支持向量机对训练集进行训练,构建农村生活污水处理设施运行出水达标情况的预测模型;
(3)采集待预测的农村生活污水处理设施的进水电导率、出水电导率和出水悬浮物浓度,输入至步骤(2)所得的预测模型中,得到预测结果。
本发明中,所述的农村生活污水是指农村居民生活所产生的污水,具体包括三类污水,即:经化粪池处理后的粪尿污水、厨房污水和洗衣污水,其主要污染物为COD、总氮、氨氮、总磷以及悬浮物。所述农村生活污水处理设施是指用于处理农村生活污水的处理设置。
经试验发现,对于上述农村生活污水处理设施而言,进水电导率、出水电导率和出水悬浮物浓度与农村生活污水处理设施的出水达标情况之间存在相关性,可以将进水电导率、出水电导率和出水悬浮物浓度作为输入代入支持向量机模型中,并根据农村生活污水处理设施出水达标情况的结果进行训练,构建农村生活污水处理设施出水达标情况的预测模型,进而实现农村生活污水处理设施水达标情况的预测。
为保证预测模型的预测结果更为准确,步骤(1)中,所述训练集中样本数量至少大于120~150个。
由于电导率值与水温有关,本领域普遍以水温20℃或者25℃时的电导率值作为参比进行校正,且常规电导率仪一般会自动校正。本发明中只需保证测定的电导率采用相同标准进行校正即可。
本发明所述农村生活污水处理设施为A2O处理设施、人工湿地处理设施、SBR处理设施和曝气滤池处理设施中的至少一种。上述农村生活污水处理设施均由进水调节池和污水处理装置两部分组成,污水处理装置的出水处设有出水井。
进一步地,步骤(1)中,
所述进水电导率在农村生活污水处理设施的调节池内测定,测定时间为调节池内提升泵开启15min后;
所述出水电导率和出水悬浮物浓度在农村生活污水处理设施的出水井内测定,与进水电导率同时测定。
进水电导率、出水电导率和出水悬浮物浓度测定方式为:采集调节池或出水井内的水样测定电导率值和悬浮物浓度,或者,直接采用在线监测电导率仪和在线悬浮物浓度仪测定调节池或出水井内的水。
作为优选,在提升泵开启15min后,同时各测定进水电导率、出水电导率和出水悬浮物浓度一次,此后每隔15分钟各检测进水电导率、出水电导率和出水悬浮物浓度一次,共连续测定3~4次,分别取平均值作为检测阶段的进水电导率值、出水电导率值和出水悬浮物浓度;
在每次检测进水电导率、出水电导率和出水悬浮物浓度的同时,检测农村生活污水处理设施的出水井内其他污染物的浓度,计算各污染物在进水和出水中浓度的平均值作为检测阶段的其他污染物浓度,将其他污染物浓度值与污染物排放标准进行比对,确定判断农村生活污水处理设施的出水达标情况。
上述其他污染物是指除悬浮物浓度以外的《农村生活污水处理设施水污染物排放标准》所规定的其他污染物指标,例如:pH、化学需氧量(COD)、氨氮(NH3-N)、总磷(以P计)、悬浮物(SS)。
进一步地,步骤(1)中,所述出水达标情况为出水达标或出水超标;出水是否达标根据国家或当地的《农村生活污水处理设施水污染物排放标准》进行判定,所有指标均符合排放标准记为出水达标,任一指标不符合排放标准记为出水超标。
出水达标判定标准根据实际情况选取,试验发现,判定标准的选取不影响本发明方法的适用性。
进一步地,步骤(2)中,先分别将进水电导率、出水电导率和出水悬浮物浓度代入mapminmax函数中进行归一化处理,再输入至支持向量机中;
mapminmax函数的公式为:y=(x-xmin)/(xmax-xmin) (1);
式(1)中,y为归一化处理后的进水电导率、出水电导率或出水悬浮物浓度的实测数据,x为归一化处理前的进水电导率、出水电导率或出水悬浮物浓度的实测数据,xmin为x中的最小值,xmax为x中的最大值;
将出水达标的农村生活污水处理设施标记为1,出水超标的农村生活污水处理设施标记为-1。
进一步地,步骤(2)中,利用Libsvm工具箱训练模型,所述训练包括惩罚参数c和RBF核函数参数g的优化;
所述优化为利用SVMcgForClass函数对惩罚参数c和核函数参数g进行两轮优选,得到惩罚参数c和核函数参数g的最优解。
进一步地,步骤(3)中,采集待预测的农村生活污水处理设施的进水电导率、出水电导率和出水悬浮物浓度后,先进行初判;
所述初判的方法为:直接根据农村生活污水处理设施水污染物排放标准中悬浮物浓度的达标限值进行出水达标或出水超标的判定;
若待预测的农村生活污水处理设施的出水悬浮物浓度>达标限值,判定为出水超标;反之,则再将采集的待预测的农村生活污水处理设施的进水电导率、出水电导率和出水悬浮物浓度输入至步骤(2)所得的预测模型中,得到预测结果。
与现有技术相比,本发明具有以下有益效果:
(1)本发明将检测指标进水电导率、出水电导率和出水悬浮物浓度与农村生活污水处理设施的出水达标情况进行关联,并构建支持向量机模型获得预测模型,不仅预测准确性高,而且快速、廉价。
(2)相对于常规的标准检测方法(最快需要30min左右的时间),本发明预测方法可以实现快速预测,有利于后续设施调控的进行。
附图说明
图1为本发明实施例1中基于支持向量机的农村生活污水处理设施出水达标情况的预测方法的流程图。
图2为实施例1中粗选过程最佳惩罚参数c和核函数参数g的选择结果图。
图3为实施例1中细选过程最佳惩罚参数c和核函数参数g选择结果图。
图4为实施例1中预测结果与实际结果对比图。
图5为实施例2中预测结果与实际结果对比图。
具体实施方式
下面结合具体实施例对本发明作进一步描述,以下列举的仅是本发明的具体实施例,但本发明的保护范围不仅限于此。
实施例1
一种基于支持向量机的农村生活污水处理设施出水达标情况的预测方法,具体步骤如下:
(1)选取长三角地区164个农村生活污水处理设施,该农村生活污水处理设施包含主流的A2O处理设施、人工湿地处理设施、SBR处理设施和曝气滤池设施,处理规模5-160t/d不等;所有设施均由进水调节池和污水处理装置两部分组成,进水调节池内装有提升泵,污水处理装置的出水处设有出水井。上述设施处理的农村生活污水由经化粪池处理后的粪尿污水、厨房污水和洗衣污水组成,其主要污染物为COD、总氮、氨氮、总磷以及悬浮物SS;
测定农村生活污水处理设施的进水电导率、出水电导率和出水悬浮物浓度,具体测定方法为:
在提升泵开启15min后,同时采集调节池和出水井内的水样,测定得到第一次进水电导率值、第一次出水电导率值和第一次出水悬浮物浓度;15分钟后,测定得到第二次进水电导率值、第二次出水电导率值和第二次出水悬浮物浓度;30分钟后,测定得到第三次进水电导率值、第三次出水电导率值和第三次出水悬浮物浓度;分别将三次进水电导率值、出水电导率值和出水悬浮物浓度进行平均,得到平均进水电导率值、平均出水电导率值和出水悬浮物浓度;
与此同时,参照目前浙江省内执行的《农村生活污水处理设施水污染物排放标准》(DB 33/973—2015)中的二级标准,一般监测的水质指标为pH、化学需氧量(COD)、氨氮(NH3-N)、总磷(以P计)、悬浮物(SS),对应的二级排放标准为6-9、100mg/L、25mg/L、3mg/L、30mg/L。记录测定电导率和悬浮物浓度所对应的农村生活污水处理设施的出水各污染物的浓度,分别计算各污染物浓度的三次平均值,将各出水污染物浓度平均值与污染物排放标准限值进行比对,确定判断农村生活污水处理设施的出水达标情况。即:当设施出水达标时记为1,设施出水超标时记为-1。
(2)以进水电导率、出水电导率和出水悬浮物浓度作为输入,农村生活污水处理设施的出水达标情况作为输出,在164组数据中随机选取154组作为训练集,利用支持向量机对训练集进行训练,构建农村生活污水处理设施出水达标情况的预测模型;
具体步骤为:
先分别将进水电导率、出水电导率和出水悬浮物浓度代入mapminmax函数中进行归一化处理,再输入至支持向量机中;
mapminmax函数的公式为:y=(x-xmin)/(xmax-xmin) (1);
式(1)中,y为归一化处理后的进水电导率、出水电导率或出水悬浮物浓度的实测数据,x为归一化处理前的进水电导率、出水电导率或出水悬浮物浓度的实测数据,xmin为x中的最小值,xmax为x中的最大值;
训练过程中,利用Libsvm工具箱,实现支持向量机对训练集进行训练,构建农村生活污水处理设施运行出水达标情况的预测模型,进行惩罚参数c和RBF核函数参数g的优化;
利用SVMcgForClass函数对惩罚参数c和核函数参数g进行两轮优选,得到惩罚参数c和核函数参数g的最优解;
其中,第一轮为粗选,惩罚参数c和核函数参数g的变化范围分别为[2-10,210]和[2-10,210];第二轮为细选,惩罚参数c和核函数参数g的变化范围分别为[2-5,25]和[2-5,25]。
(3)剩余的10组数据作为预测集,采集待预测的农村生活污水处理设施的进水电导率、出水电导率和出水悬浮物浓度,进行初判;
初判的方法为:直接根据农村生活污水处理设施水污染物排放标准中悬浮物浓度的达标限值进行出水达标或出水超标的判定;
若待预测的农村生活污水处理设施的出水悬浮物浓度>达标限值,判定为出水超标;反之,则再将采集的待预测的农村生活污水处理设施的进水电导率、出水电导率和出水悬浮物浓度输入至步骤(2)所得的预测模型中,得到预测结果。
预测结果:8个设施的实际出水达标情况与预测出水达标情况相同,表明预测正确;2个设施的实际出水达标情况与预测出水达标情况不同,表明预测错误;故预测集的预测正确率为80%。
实施例2
本实施例除将出水达标的判定标准改为“根据国家《城镇污水处理厂污染物排放标准》一级B标准”外,其余采用与实施例1完全相同的样本和预测方法。
预测结果:8个设施的实际有效性与预测有效性相同,表明预测正确;2个设施的实际有效性与预测有效性不同,表明预测错误;故预测集的预测正确率为80%。
Claims (6)
1.一种基于支持向量机的农村生活污水处理设施出水达标情况的预测方法,其特征在于,包括以下步骤:
(1)选取若干农村生活污水处理设施作为训练集,同时采集训练集中农村生活污水处理设施的进水电导率、出水电导率和出水悬浮物浓度,并记录相对应的农村生活污水处理设施的出水达标情况;
记录出水达标情况的方法为:在每次检测进水电导率、出水电导率和出水悬浮物浓度的同时,检测农村生活污水处理设施的出水井内其他污染物的浓度,计算各污染物在出水中浓度的平均值作为检测阶段的其他污染物浓度,将其他污染物浓度值与污染物排放标准进行比对,确定判断农村生活污水处理设施的出水达标情况;
所述其他污染物为pH、化学需氧量、氨氮和总磷;所述污染物排放标准为国家或当地的《农村生活污水处理设施水污染物排放标准》;
(2)以进水电导率、出水电导率和出水悬浮物浓度作为输入,农村生活污水处理设施出水达标情况作为输出,利用支持向量机对训练集进行训练,构建农村生活污水处理设施运行出水达标情况的预测模型;
(3)采集待预测的农村生活污水处理设施的进水电导率、出水电导率和出水悬浮物浓度,输入至步骤(2)所得的预测模型中,得到预测结果。
2.如权利要求1所述的基于支持向量机的农村生活污水处理设施出水达标情况的预测方法,其特征在于,步骤(1)中,所述农村生活污水处理设施为A2O处理设施、人工湿地处理设施、SBR处理设施和曝气滤池处理设施中的至少一种。
3.如权利要求1所述的基于支持向量机的农村生活污水处理设施出水达标情况的预测方法,其特征在于,步骤(1)中,
所述进水电导率在农村生活污水处理设施的调节池内测定,测定时间为调节池内提升泵开启15min后;
所述出水电导率和出水悬浮物浓度在农村生活污水处理设施的出水井内测定,与进水电导率同时测定。
4.如权利要求1所述的基于支持向量机的农村生活污水处理设施出水达标情况的预测方法,其特征在于,步骤(2)中,先分别将进水电导率、出水电导率和出水悬浮物浓度代入mapminmax函数中进行归一化处理,再输入至支持向量机中;
mapminmax函数的公式为:y=(x-xmin)/(xmax-xmin) (1);
式(1)中,y为归一化处理后的进水电导率、出水电导率或出水悬浮物浓度的实测数据,x为归一化处理前的进水电导率、出水电导率或出水悬浮物浓度的实测数据,xmin为x中的最小值,xmax为x中的最大值;
将出水达标的农村生活污水处理设施标记为1,出水超标的农村生活污水处理设施标记为-1。
5.如权利要求1所述的基于支持向量机的农村生活污水处理设施出水达标情况的预测方法,其特征在于,步骤(2)中,利用Libsvm工具箱训练模型,所述训练包括惩罚参数c和RBF核函数参数g的优化;
所述优化为采用SVMcgForClass函数对惩罚参数c和核函数参数g进行两轮优选,得到惩罚参数c和核函数参数g的最优解。
6.如权利要求1所述的基于支持向量机的农村生活污水处理设施出水达标情况的预测方法,其特征在于,步骤(3)中,采集待预测的农村生活污水处理设施的进水电导率、出水电导率和出水悬浮物浓度后,先进行初判;
所述初判的方法为:直接根据农村生活污水处理设施水污染物排放标准中悬浮物浓度的达标限值进行出水达标或出水超标的判定;
若待预测的农村生活污水处理设施的出水悬浮物浓度>达标限值,判定为出水超标;反之,则再将采集的待预测的农村生活污水处理设施的进水电导率、出水电导率和出水悬浮物浓度输入至步骤(2)所得的预测模型中,得到预测结果。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910492731.5A CN110186505B (zh) | 2019-06-06 | 2019-06-06 | 一种基于支持向量机的农村生活污水处理设施出水达标情况的预测方法 |
PCT/CN2019/094668 WO2020244014A1 (zh) | 2019-06-06 | 2019-07-04 | 一种基于支持向量机的农村生活污水处理设施出水达标情况的预测方法 |
US17/001,668 US11370679B2 (en) | 2019-06-06 | 2020-08-24 | Method for predicting discharge level of effluent from decentralized sewage treatment facilities |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910492731.5A CN110186505B (zh) | 2019-06-06 | 2019-06-06 | 一种基于支持向量机的农村生活污水处理设施出水达标情况的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110186505A CN110186505A (zh) | 2019-08-30 |
CN110186505B true CN110186505B (zh) | 2020-02-14 |
Family
ID=67720801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910492731.5A Active CN110186505B (zh) | 2019-06-06 | 2019-06-06 | 一种基于支持向量机的农村生活污水处理设施出水达标情况的预测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110186505B (zh) |
WO (1) | WO2020244014A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112964843A (zh) * | 2021-01-26 | 2021-06-15 | 清华大学 | 污水处理设施水质监测的物联网传感器***及监测方法 |
CN114062442B (zh) * | 2021-08-13 | 2024-04-26 | 浙江工业大学 | 一种自动寻污采样水质监测方法及监测船 |
CN114047719A (zh) * | 2021-11-02 | 2022-02-15 | 江西零真生态环境集团有限公司 | 一种农村生活污水处理设施远程监测评估***与运行方法 |
CN114240127B (zh) * | 2021-12-14 | 2022-06-21 | 云南省设计院集团有限公司 | 基于水质水量诊断分析的城镇污水提质增效评估方法 |
CN115684529B (zh) * | 2022-11-04 | 2023-05-16 | 湖北碧尔维环境科技有限公司 | 基于反馈调节的污水去污优化方法及装置 |
CN116029589B (zh) * | 2022-12-14 | 2023-08-22 | 浙江问源环保科技股份有限公司 | 基于两段式rbf的农村生活污水动植物油在线监测方法 |
CN117035230B (zh) * | 2023-08-08 | 2024-04-30 | 上海东振环保工程技术有限公司 | 一种基于大数据分析的污水处理设备运行状态评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202075272U (zh) * | 2011-03-30 | 2011-12-14 | 北京中拓百川投资有限公司 | 一种应用于污水处理的软测量*** |
KR20160019681A (ko) * | 2014-08-12 | 2016-02-22 | 두산중공업 주식회사 | 감지 조류 제거 시스템 및 방법 |
CN109534501A (zh) * | 2018-12-03 | 2019-03-29 | 浙江清华长三角研究院 | 一种农村生活污水处理设施的监管方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8198075B2 (en) * | 2005-08-31 | 2012-06-12 | Ut-Battelle, Llc | Method and apparatus for enhanced detection of toxic agents |
CN101266254A (zh) * | 2008-05-09 | 2008-09-17 | 邯郸市隆达利科技发展有限公司 | 水质自动在线监测*** |
CN101944275B (zh) * | 2010-08-26 | 2012-07-04 | 天津市环境保护科学研究院 | 中空纤维设备的膜污染诊断与预警决策方法 |
CN102249411B (zh) * | 2011-05-17 | 2013-06-26 | 中国科学技术大学 | 一种污水处理工艺的优化方法 |
US20150323514A1 (en) * | 2014-04-28 | 2015-11-12 | University Of Massachusetts | Systems and methods for forecasting bacterial water quality |
JP6501593B2 (ja) * | 2015-04-03 | 2019-04-17 | 住友化学株式会社 | 予測ルール生成システム、予測システム、予測ルール生成方法及び予測方法 |
CN104787875B (zh) * | 2015-04-14 | 2016-08-31 | 北京金控数据技术股份有限公司 | 一种序批式活性污泥法的曝气控制方法及*** |
CN204666616U (zh) * | 2015-05-07 | 2015-09-23 | 广西壮族自治区环境保护科学研究院 | 一种农村污水监测*** |
JP5925371B1 (ja) * | 2015-09-18 | 2016-05-25 | 三菱日立パワーシステムズ株式会社 | 水質管理装置、水処理システム、水質管理方法、および水処理システムの最適化プログラム |
CN108425405B (zh) * | 2018-04-02 | 2024-02-13 | 淮阴工学院 | 一种网络化水源监测及分级供水装置及其监测*** |
CN109542150B (zh) * | 2018-12-03 | 2020-01-31 | 浙江清华长三角研究院 | 一种农村生活污水处理设施进水负荷的调节方法 |
-
2019
- 2019-06-06 CN CN201910492731.5A patent/CN110186505B/zh active Active
- 2019-07-04 WO PCT/CN2019/094668 patent/WO2020244014A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202075272U (zh) * | 2011-03-30 | 2011-12-14 | 北京中拓百川投资有限公司 | 一种应用于污水处理的软测量*** |
KR20160019681A (ko) * | 2014-08-12 | 2016-02-22 | 두산중공업 주식회사 | 감지 조류 제거 시스템 및 방법 |
CN109534501A (zh) * | 2018-12-03 | 2019-03-29 | 浙江清华长三角研究院 | 一种农村生活污水处理设施的监管方法 |
Non-Patent Citations (3)
Title |
---|
分析支持向量机算法在污水处理中的应用;刘淑雅等;《科技经济市场》;20150630(第6期);第95-96页 * |
基于集成学习的支持向量机预测优化算法及其应用;束诗雨;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150715(第7期);第I140-28页 * |
支持向量机在污水处理中的节能应用研究;冯虚;《中国优秀硕士学位论文全文数据库》;20091115(第11期);第B027-339页 * |
Also Published As
Publication number | Publication date |
---|---|
WO2020244014A1 (zh) | 2020-12-10 |
CN110186505A (zh) | 2019-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110186505B (zh) | 一种基于支持向量机的农村生活污水处理设施出水达标情况的预测方法 | |
CN110132629B (zh) | 一种利用支持向量机预测农村生活污水处理设施运行有效性的方法 | |
Hulsbeek et al. | A practical protocol for dynamic modelling of activated sludge systems | |
Wang et al. | Statistical monitoring and dynamic simulation of a wastewater treatment plant: A combined approach to achieve model predictive control | |
CN115470702B (zh) | 一种基于机器学习的污水处理水质预测方法及*** | |
CN110146122B (zh) | 一种农村生活污水处理设施运行有效性的预测方法 | |
Gabarrón et al. | Optimization of full-scale membrane bioreactors for wastewater treatment through a model-based approach | |
Spinelli et al. | Critical analyses of nitrous oxide emissions in a full scale activated sludge system treating low carbon-to-nitrogen ratio wastewater | |
JP2000218263A (ja) | 水質制御方法及びその装置 | |
Wu et al. | Coupling process-based modeling with machine learning for long-term simulation of wastewater treatment plant operations | |
CN109542150B (zh) | 一种农村生活污水处理设施进水负荷的调节方法 | |
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 | |
CN112573641A (zh) | 一种污水处理量确定方法及装置 | |
CN115403226B (zh) | 一种平衡***内碳源的厂网联调控制方法、***及装置 | |
Fall et al. | Stepwise calibration of the activated sludge model No. 1 at a partially denitrifying large wastewater treatment plant | |
US11370679B2 (en) | Method for predicting discharge level of effluent from decentralized sewage treatment facilities | |
US6656367B1 (en) | Method for managing urban wastewater based on indications on pollutants | |
Carrette et al. | Full-scale application of the IAWQ ASM No. 2d model | |
CN116263850A (zh) | 结合离线模拟数据的在线污水水质预警方法 | |
Szeląg et al. | Impact of the selected indicators of the wastewater quality and operating parameters of the biological reactor on the simulation of sludge sedimentation: Probabilistic approach | |
Nowak et al. | The efficiency of pollutant elimination in the Dobra treatment plant | |
Bakos et al. | Reconsideration and upgrading of sampling and analysis methods for avoiding measurement-related design and operation failures in wastewater treatment | |
CN116395831B (zh) | 一种污水处理工艺的碳源投加智能控制***和方法 | |
CN113962493B (zh) | 一种基于合流制溢流污水污染物去除率快速预测方法 | |
CN108491995A (zh) | 一种用于饮用水风险因子识别的关键控制因素筛选方法 |
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 |