CN110188946B - 一种污水参数的预测方法及污水预测*** - Google Patents
一种污水参数的预测方法及污水预测*** Download PDFInfo
- Publication number
- CN110188946B CN110188946B CN201910459170.9A CN201910459170A CN110188946B CN 110188946 B CN110188946 B CN 110188946B CN 201910459170 A CN201910459170 A CN 201910459170A CN 110188946 B CN110188946 B CN 110188946B
- Authority
- CN
- China
- Prior art keywords
- sensor
- sewage
- tank
- parameters
- sensors
- 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
-
- 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
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2219/00—Indexing scheme relating to application aspects of data processing equipment or methods
- G06F2219/10—Environmental application, e.g. waste reduction, pollution control, compliance with environmental legislation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Activated Sludge Processes (AREA)
Abstract
一种污水参数的预测方法及污水预测***,该预测方法包括:获取用于监测污水中一种或多种参数的传感器的数据,其中在污水处理过程中一个或多个环节处被预设有多个传感器点,这多个传感器点中只有部分传感器点设置有监测污水中一种或多种参数的传感器;然后,根据获取的传感器的数据,预测未设置有传感器的传感器点处的污水的一种或多种参数。由于采用部分传感器点设置的传感器来预测未设置有传感器的传感器点处的污水参数,使得***根据预测结果就可知晓未设置传感器点处的水质变化情况,无需再在该些位置处设置相关的传感器进行水质的测量工作,这样就可以减少甚至不使用一些传感器,减少污水处理过程的硬件投入成本。
Description
技术领域
本发明涉及污水处理技术领域,具体涉及一种污水参数的预测方法及污水预测***。
背景技术
随着城市化、工业化的不断提速,我国水环境已遭到严重破坏并有继续恶化的趋势。污水排放不但严重影响着居民的日常生活,而且破坏了大自然的生态平衡。为了降低污水的排放量,全国各地已经纷纷建立了污水处理厂,然而在污水处理过程还长期存在着电能消耗过大、运行成本居高的问题,因此,研究污水处理过程优化控制实现节能降耗意义重大,是未来污水处理行业必然的发展趋势。
例如,在工厂的生产周期中,生产旺季所产生的污水量大、污染物浓度高、水质变化快,对于其污水处理设施、设备造成极大的压力,大大增加了超标排放的风险。那么,在工业污水处理时,对进水水量、水质调节极重要,为保障出水水质,通常采用过饱和式运营控制来应对污水水质、水量的变化情形,这就导致了运营成本的不合理增加。如何合理降低污水处理工艺的运行成本成为污水处理企业面临的新课题。
现有污水处理***中,常常通过在污水处理各环节、污水处理设备和地点中设备相应的传感器,来监测污水量以及污水水质情况,然后根据传感器所监测的数据,来控制污水处理流程和相应设备,例如调节污水进水量、投药时机、投药量等等。由于传感器是用于检测污水情况,工业污水一般都具有高温且污染物浓度高的特点,这就造成传感器的寿命一般都很短,通常每几个月就要全部换一批传感器,这极大提高了污水处理的成本。
发明内容
本发明提出一种新的污水监测方案,在污水处理过程中只设置少数或部分的传感器,通过这些传感器的数据来预测其他未设置传感器的地方的污水情况,这可以极大减少传感器的使用量,从而降低成本;下面具体说明。
根据第一方面,一种实施例中提供一种污水预测方法,包括:
在污水处理过程中一个或多个环节处设置多个传感器点,每个传感器点能够被设置一个用于监测污水中一种或多种参数的传感器;其中传感器点分为第一类的传感器点和第二类的传感器点;
在第一时间段内,在各传感器点都设置一个用于监测污水中一种或多种参数的传感器;
获取各传感器的数据;
根据所获取的传感器的数据制作训练集,其中所述训练集中的数据为第一类的传感器点处的传感器的数据,所述训练集中的数据的标签为第二类的传感器点处的传感器的数据;
利用所述训练集,通过机器学习,训练得到污水预测模型;
在第一时间段之后,在第一类的传感器点处设置与各自在第一时间段被设置的传感器种类相同的传感器,第二类的传感器点处不设置传感器;
获取第一类的传感器点处的传感器的数据;
根据所获取的第一类的传感器点处的传感器的数据,预测第二类的传感器点处的污水的一种或多种参数。
根据第二方面,一种实施例中提供另一种污水参数的预测方法,包括:
获取用于监测污水中一种或多种参数的传感器的数据;其中在污水处理过程中一个或多个环节处被预设有多个传感器点,每个传感器点能够被设置一个用于监测污水中一种或多种参数的传感器,且这多个传感器点中只有部分传感器点设置有监测污水中一种或多种参数的传感器;
根据所获取的传感器的数据,预测未设置有传感器的传感器点处的污水的一种或多种参数。
所述根据所获取的传感器的数据,预测未设置有传感器的传感器点处的污水的一种或多种参数,包括:将所获取的传感器的数据,输入到预先建立的污水预测模型中,以得到未设置有传感器的传感器点处的污水的一种或多种参数;其中所述污水预测模型通过以下方式建立:
获取训练集,所述训练集中的数据为设置被设置在传感器点处的传感器的数据,训练集中数据的标签为未设置有传感器的传感器点处的污水的一种式多种参数;
利用所述训练集,通过机器学习,训练得到污水预测模型。
所述的污水预测方法还包括:根据所获取的传感器的数据,以及预测的未设置有传感器的传感器点处的污水的一种或多种参数,控制污水处理过程中一个或多个环节的污水处理参数;其中污水处理参数包括:污水流量、曝气量、污泥回流量、投药品种和投药量中的一者或多者。
所述传感器包括COD传感器、TP传感器、TN传感器、pH传感器、SS传感器、MLSS传感器、NH3-N传感器、超声波泥位计、超声波流量计,以及用于检测污水的酸碱度、氧化还原电位、溶解氧浓度和水温、水深的一体式多参数传感器中的一者或多者。
根据第三方面,一种实施例提供中提供一种污水预测***,包括调节池、冷却塔、加药设备、气浮设备、生化池、二沉池、污泥浓缩池、污泥脱水间、中间水池、处理器、控制器和一个或多个传感器;
所述调节池用于接收生产设备生产过程中所产生的污水,并调节污水量和污水水质;所述冷却塔用于接收从调节池流出的污水,并对污水进行降温;所述气浮设备用于接收从冷却塔流出的污水,通过气浮、混凝和沉淀的方式分离污水中的悬浮物;所述加药设备用于在气浮设备的污水流入端进行投药,用于混凝和/或调节pH;所述生化池用于接收从气浮设备流出的污水,通过活性污泥里的微生物处理污水;所述二沉池用于接收从生化池流出的污水,并使污水中的活性污泥沉降下来;所述污泥浓缩池用于接收用从二沉池传输过来的活性污泥,并对活性污泥进一步沉降、浓缩和降解;所述污泥脱水间用于接收从污泥浓缩池传输过来的活性污泥,并对活性污泥进行脱水;所述中间水池用于接收并储蓄从二沉池流出的污水,作为待排放的污水;
所述传感器用于监测污水信息的传感器的数据;其中在污水处理过程中的调节池、冷却塔、加药设备、气浮设备、生化池、二沉池、污泥浓缩池、污泥脱水间和中间水池中的一者或多者处总共预设有多个传感器点,每个传感器点能够被设置一个用于监测污水中一种或多种参数的传感器,且这多个传感器点中只有部分传感器点设置有监测污水中一种或多种参数的传感器;所述处理器用于根据所获取的传感器的数据,预测未设置有传感器的传感器点处的污水的一种或多种参数;所述控制器根据获取的传感器的数据,以及预测到的未设置有传感器的传感器点处的污水的一种或多种参数,控制污水处理过程中一个或多个环节的污水处理参数;其中污水处理参数包括:污水流量、曝气量、污泥回流量、投药品种和投药量中的一者或多者。
所述处理器将所获取的传感器的数据,输入到预先建立的污水预测模型中,以得到未设置有传感器的传感器点处的污水的一种或多种参数;其中所述污水预测模型通过以下方式建立:获取训练集,所述训练集中的数据为设置被设置在传感器点处的传感器的数据,训练集中数据的标签为未设置有传感器的传感器点处的污水的一种式多种参数;利用所述训练集,通过机器学习,训练得到污水预测模型。
所述传感器包括COD传感器、TP传感器、TN传感器、pH传感器、SS传感器、MLSS传感器、NH3-N传感器、超声波泥位计、超声波流量计,以及用于检测污水的酸碱度、氧化还原电位、溶解氧浓度和水温、水深的一体式多参数传感器中的一者或多者。
根据第四方面,一种实施例中提供另一种污水预测***,包括:
一个或多个传感器,所述传感器用于监测污水中一种或多种参数;其中在污水处理过程中一个或多个环节处被预设有多个传感器点,每个传感器点能够被设置一个用于监测污水中一种或多种参数的传感器,且这多个传感器点中只有部分传感器点设置有监测污水中一种或多种参数的传感器;
处理器,根据所获取的传感器的数据,预测未设置有传感器的传感器点处的污水的一种或多种参数。
根据第五方面,一种实施例中提供一种计算机可读存储介质,包括程序,所述程序能够被处理器执行以实现上述第一方面或第二方面中所述的方法。
本申请的有益效果是:
依据上述实施例的一种污水参数的预测方法及污水预测***,该预测方法包括:获取用于监测污水中一种或多种参数的传感器的数据,其中在污水处理过程中一个或多个环节处被预设有多个传感器点,每个传感器点能够被设置一个用于监测污水中一种或多种参数的传感器,且这多个传感器点中只有部分传感器点设置有监测污水中一种或多种参数的传感器;然后,根据获取的传感器的数据,预测未设置有传感器的传感器点处的污水的一种或多种参数。第一方面,由于采用部分传感器点设置的传感器来预测未设置有传感器的传感器点处的污水参数,使得***根据预测结果就可知晓未设置传感器点处的水质变化情况,无需再在该些位置处设置相关的传感器进行水质的测量工作,这样就减少甚至不使用一些传感器,减少污水处理过程的硬件投入成本;第二方面,由于用一部分传感器的测量数据对污水处理过程中的污水信息进行预测,使得用户可以根据预测结果及时了解下一阶段中污水水质的变化情况,为用户提供宽裕的污水处理准备时间,可有效避免以往因污水处理准备过程不及时而造成的药品浪费、耗时量大、出水水质欠佳、成本居高的情形;第三方面,根据预测结果,可以通过预先调控投药品种、投药量、曝气量、污泥回流量等处理工艺来合理地改变各个环节的污水处理强度,不但利于达到污水处理及时、处理强度合适的效果,还能够最大限度地节约药品、节省时间、降低成本、保证高品质出水水质,同时还能够提高污水处理单位的经济效益。
附图说明
图1为本申请一种实施例中污水预测***的结构图;
图2为本申请另一种实施例中污水预测***的结构图;
图3为本申请一种实施例中污水参数的预测方法的流程图;
图4为本申请另一种实施例中污水参数的预测方法的流程图;
图5为预测污水的参数的原理示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
为清楚、准确地理解本申请的技术方案,这里对一些技术术语进行解释。
COD参数,即化学需氧量(Chemical Oxygen Demand),是以化学方法测量水样中需要被氧化的还原性物质的量。水样在一定条件下,以氧化1升水样中还原性物质所消耗的氧化剂的量为指标,折算成每升水样全部被氧化后,需要的氧的毫克数,以mg/L表示。COD量反映了水中受还原性物质污染的程度,通常,COD量越高,水质污染越严重。通常COD参数由COD传感器测量得到。
TN参数,即总氮量(Total Nitrogen),是水中各种形态无机和有机氮的总量,往往包括NO3-、NO2-和NH4+等无机氮和蛋白质、氨基酸和有机胺等有机氮,以每升水含氮毫克数计算。TN量常被用来表示水体受营养物质污染的程度,一般数值越高,水质污染越严重。通常TN参数由TN传感器测量得到。
TP参数,即总磷量(Total Phosphorus),是废水中以无机态和有机态存在的磷的总和。TP量是衡量水污染程度的指标之一,一般数值越大,水质污染程度越高。通常TP参数由TP传感器测量得到。
NH3-N参数,即氨氮浓度,氨氮的含量是衡量水质的一个重要标准,以毫克/升表示,如果氨氮含量高的话,可能导致水体富营养化。通常NH3-N参数由NH3-N传感器测量得到。
pH参数,是指污水中氢离子的总数和总物质的量的比,通常为酸碱度。通常pH参数由pH传感器测量得到。
SS参数,即悬浮物浓度,(Suspended Solids),是指悬浮在水中的固体物质的含量,包括不溶于水中的无机物、有机物及泥砂、黏土、微生物等。SS量是衡量水污染程度的指标之一,一般数值越高,水质污染越严重。通常SS参数由SS传感器测量得到。
DO参数,即溶解氧浓度(dissolved oxygen),是指溶解在水里氧的量,是衡量水体自净能力的一个指标,用每升水里氧气的毫克数表示。DO量与空气中氧的分压、水的温度都有密切关系,在自然情况下,空气中的含氧量变动不大,故水温是主要的因素,水温愈低,水中溶解氧的含量愈高。但当水体受到有机物污染,耗氧严重,溶解氧得不到及时补充,水体中的厌氧菌就会很快繁殖,有机物因腐败而使水体变黑、发臭,由此来说明水体污染严重,自净能力弱,甚至失去自净能力。
ORP参数,即氧化还原电位(Oxidation-Reduction Potential),是用来反映水溶液中所有物质反应出来的宏观氧化-还原性,氧化还原电位越高,氧化性越强,电位越低,氧化性越弱。ORP量作为介质环境条件的一个综合性指标,它表征介质氧化性或还原性的相对程度,它虽然不能独立反应水质的好坏,但是能够综合其他水质指标来反映水族***中的生态环境。通常ORP参数、DO参数由一体式多参数传感器测量得到。
MLSS参数,即混合液悬浮固体浓度(mixed liquid suspended solids),也就是混合液污泥浓度,它表示的是在曝气池单位容积混合液内所含有的活性污泥固体物的总重量(mg/L),污泥浓度指的是生化反应的池子里的活性污泥的含量,活性污泥中含有大量的微生物。一般情况下,污泥浓度越高,微生物越多,那可以分解消耗的污染物就越多,反应效率越快。通常MLSS参数由MLSS传感器测量得到。
泥位参数,即混合液内污泥的高度。通常泥位参数由超声波泥位计测量得到。
下面将结合实施例对本申请的技术方案进行说明。
实施例一、
请参考图1,本申请公开一种污水预测***,其包括调节池11、冷却塔12、加药设备13、气浮设备14、生化池15、二沉池16、污泥浓缩池17、污泥脱水间18、中间水池19、处理器22和控制器23。下面将分别说明。
调节池11用于接收生产设备生产过程中所产生的污水,并调节污水量和污水水质。一般情况下,生产过程中排出的污水的水量、水质在不同时间段内有较大变化,为使后端的污水处理作业过程能够正常工作,排放的污水应通过一定容量的水池并停留一定时间,使高峰流量或高浓度污水在池中混合均匀,由此来避免高浓度物质集中排放所带来的危害,最终使得污水达到水量、水质均匀稳定的待处理状态,其中污水在调节池11内的停留时间可以通过控制进水流量和污泥回流量来进行实现。
冷却塔12用于接收从调节池流出的污水,并对污水进行降温。通常,调节池11中安装有污水提升泵,通过污水提升泵控制进入冷却塔12的流量。有时会设置多个冷却塔,如图1中的冷却塔1和冷却塔2,以此来增强污水冷却效果。
气浮设备14用于接收从冷却塔12流出的污水,通过气浮、混凝和沉淀的方式分离污水中的悬浮物,达到固液分离、降低污染物浓度的目的。
加药设备13用于在气浮设备14的污水流入端进行投药,用于混凝和/或调节pH。这里的加药设备13可以具备药品调配、投药量控制等功能,实现硫酸亚铁、片碱、PAM等药品的调配、投药,其中硫酸亚铁(混凝剂,同时降低pH)和PAM(助凝剂,增强效果)用于调节污水酸性,而片碱是为了中和过量投加的硫酸亚铁。通常情况下,可以调配的药品种类包括混凝剂、助凝剂、酸、碱、氧化剂、还原剂、碳源、消毒剂等,粉末状、颗粒状或块状药品一般需要溶解后配成一定浓度的溶液再使用计量泵定量投加,气态的药剂需要和水混合压缩后通过计量泵定量投加,溶液状态的药剂可稀释成一定浓度的溶液或直接使用计量泵投加,部分不溶于水的粉末状药品可直接使用输送螺杆、气力输送泵或漏斗投加。
生化池15用于接收从气浮设备14流出的污水,通过活性污泥里的微生物处理污水,具体来说,就是通过池中活性污泥里的微生物来吸附、分解、吸收、氧化、还原污水中的污染物,实现去除大部分污水中溶解的污染物的目的。一般情况下,生化池15中会包括厌氧池、缺氧池、好氧池,分别实现相应的生化处理效果。而且,生化池15中也可以包括多组并联的工程结构,如图2中的工程结构1(可以为混凝土工程结构,内置串联的好氧池1、好氧池2、好氧池3)、工程结构2(可以为不锈钢工程结构,内置串联的好氧池4、好氧池5、好氧池6),通过并联的工程结构来实现不同性质污水的生化处理作用,通过串联的好氧池实现处理强度逐次增加的生化处理效果。此外,本实施例中还为生化池15设置一套或多套曝气设备,通过改变曝气量来调节生化池(或者氧化池)内的溶解氧量或溶解氧浓度进而达到增强去除COD的处理能力。
二沉池16用于接收从生化池15流出的污水,并使污水中的活性污泥沉降下来。在本实施例中,二沉池16可以包括多个池子,如图2中的二沉池1、二沉池2,由此来对不同路径流出的污水进行活性污泥沉降作业。此外,二沉池16通过管道与前端的生化池15连通,如与好氧池1、好氧池4连通,并通过设置在管道上的回泥设备调节污泥的回流量。
污泥浓缩池17用于接收用从二沉池16传输过来的活性污泥,并对活性污泥进一步沉降、浓缩和降解;目的是减少污泥总量,以及利于下一步的污泥脱水作业。
污泥脱水间18用于接收从污泥浓缩池17传输过来的活性污泥,并对活性污泥进行脱水,通常使用机械设备,并通过物理方法进一步分离污泥中的水分,达到减少污泥总量、便于污泥外运的目的。
中间水池19用于接收并储蓄从二沉池16流出的污水,作为待排放的污水。在一些情况下,可以用次氯酸钠作为消毒剂来对中间水池19内的水进行消毒处理。
需要说明的是,中间水池19内的水可以直接进行出水处理,也可以输出至MBR膜***20,进行深度处理,将深度处理后的水进入生产车间重新利用(即中水回用),对于反冲洗MBR膜后产生的废水,令其流回至调节池16以继续进行处理。此外,气浮设备14产生的物化污泥可以输送至污泥浓缩池17进行污泥收集,污泥脱水间18内脱水后的污泥可以直接进行污泥外运,并且脱水后的滤液可以以滤液回流的形式进入到调节池11内以进行继续处理。
参见图1,所涉及的传感器用于监测污水信息的传感器的数据;其中在污水处理过程中的调节池11、冷却塔12、加药设备13、气浮设备14、生化池15、二沉池16、污泥浓缩池17、污泥脱水间18和中间水池19中的一者或多者处总共预设有多个传感器点,每个传感器点能够被设置一个用于监测污水中一种或多种参数的传感器,且这多个传感器点中只有部分传感器点设置有监测污水中一种或多种参数的传感器。比如,在调节池11处设置超声波流量计,用于监测生产过程进入、或回流进入调节池11的污水量;在气浮设备14处设置COD传感器、TP传感器、TN传感器、pH传感器、SS传感器、NH3-N传感器来分别监测污水的COD参数、TP参数、TN参数、pH参数、SS参数、NH3-N(氨氮)参数;在生化池15的第一个好氧池(附图标记1、4)内设置一体多参数传感器、MLSS传感器,用于监测pH参数、DO参数、ORP参数、水温、水深、MLSS参数;在二沉池16处设置超声波泥位计,用于监测污泥的高度;在污泥浓缩池(或污泥脱水间)设置超声波泥位计,用于检测污泥的高度;在中间水池19处设置COD传感器、TP传感器、TN传感器、pH传感器、SS传感器、NH3-N传感器来分别监测待排放水的COD参数、TP参数、TN参数、pH参数、SS参数、NH3-N(氨氮)参数。
处理器22分别于各处的传感器信号连接,用于根据所获取的传感器的数据,预测未设置有传感器的传感器点处的污水的一种或多种参数。可以理解,本实施例中的处理器22可以是具有相关功能的计算机、服务器、中控平台、云平台等设备,这里不做具体限制。
控制器23用于根据预测到的未设置有传感器的传感器点处的污水的一种或多种参数,控制污水处理过程中一个或多个环节的污水处理参数;其中污水处理参数包括:污水流量、曝气量、污泥回流量、投药品种和投药量中的一者或多者。具体地,控制器23可以控制调节池11以调节污水流量(如调节污水提升泵的功率),控制加药设备13的投药品种和投药量(如调节药品的配比种类、各成分药量),控制对生化池15的曝气量(如调节曝气设备的风机功率),控制从二沉池16到生化池15中的污泥回流量(如调节回泥设备的管道泵功率)。
进一步地,处理器22将所获取的传感器的数据,输入到预先建立的污水预测模型中,以得到未设置有传感器的传感器点处的污水的一种或多种参数;其中所述污水预测模型通过以下方式建立:
(1)处理器22获取训练集,训练集中的数据为设置被设置在传感器点处的传感器的数据,训练集中数据的标签为未设置有传感器的传感器点处的污水的一种式多种参数;
(2)处理器22利用所述训练集,通过机器学习,训练得到污水预测模型。
在本实施例中,所涉及的传感器包括COD传感器、TP传感器、TN传感器、pH传感器、SS传感器、MLSS传感器、NH3-N传感器、超声波泥位计、超声波流量计,以及用于检测污水的酸碱度、氧化还原电位、溶解氧浓度和水温、水深的一体式多参数传感器中的一者或多者。各个传感器的所测量的水质参数在上文中已有说明,这里不再进行赘述。
实施例二、
请参考图2,本申请公开一种污水预测***,其包括一个或多个传感器,和处理器22。下面分别说明。
如图1中所示的一个或多个传感器(如附图标记21),该些传感器21用于监测污水中一种或多种参数;其中在污水处理过程中一个或多个环节处被预设有多个传感器点,每个传感器点能够被设置一个用于监测污水中一种或多种参数的传感器,且这多个传感器点中只有部分传感器点设置有监测污水中一种或多种参数的传感器。具体地,传感器21用于设置在污水处理设施的一个或多个处理环节处,实时获取各个传感器点的测量参数。
需要说明的是,本实施例中所涉及的传感器包括COD传感器、TP传感器、TN传感器、pH传感器、SS传感器、MLSS传感器、NH3-N传感器、超声波泥位计、超声波流量计,以及用于检测污水的酸碱度、氧化还原电位、溶解氧浓度和水温、水深的一体式多参数传感器中的一者或多者
处理器22根据所获取的传感器的数据,预测未设置有传感器的传感器点处的污水的一种或多种参数。本实施例中的处理器22可以是具有相关功能的计算机、服务器、中控平台、云平台等设备,这里不做具体限制。具体地,处理器22用于与污水处理设施内的调控装置连接,通过污水量、污水水质的预测结果来实时地调控污水处理设施内各个处理环节的设备运行状态。
需要说明的是,本实施例中传感器21和处理器22构成的污水预测***能够灵活地与不同污水处理单位的污水处理设备配合,预测污水处理过程中所处理的污水的信息,借助预测结果给污水处理单位进行污水处理作业的指导。这里仅涉及保护的传感器21和处理器22构成的污水预测***,而不涉及保护相关的污水处理设施。
实施例三、
请参考图3,在实施例一中公开的污水预测***的基础上,本申请公开一种污水参数的预测方法,其包括步骤S310-S360,下面分别说明。
步骤S310,用户在污水处理过程中一个或多个环节处设置多个传感器点,每个传感器点能够被设置一个用于监测污水中一种或多种参数的传感器;其中传感器点分为第一类的传感器点和第二类的传感器点。
步骤S320,在第一时间段内,在各传感器点都设置一个用于监测污水中一种或多种参数的传感器。
步骤S330,处理器22通过各传感器点处的传感器获取各传感器的数据;根据所获取的传感器的数据制作训练集,其中训练集中的数据为第一类的传感器点处的传感器的数据,训练集中的数据的标签为第二类的传感器点处的传感器的数据。
步骤S340,处理器22利用训练集,通过机器学习,训练得到污水预测模型。
步骤S350,在第一时间段之后,在第一类的传感器点处设置与各自在第一时间段被设置的传感器种类相同的传感器,第二类的传感器点处不设置传感器。
步骤S360,处理器22通过第一类的传感器点的传感器来获取第一类的传感器点处的传感器的数据;根据所获取的第一类的传感器点处的传感器的数据,预测第二类的传感器点处的污水的一种或多种参数。
在第一个具体实施例中,参考图1,将气浮设备14、中间水池19作为第一类的传感器点,将生化池15作为第二类的传感器点。在第一时间内(如1小时),在气浮设备14、中间水池19处分别设置COD传感器,并且在生化池15(如内部的好氧池4)处设置MLSS传感器,处理器22获取第一时间内两个COD传感器、MLSS传感器的数据;把两个COD传感器均测量的COD参数作为训练集的数据,把MLSS传感器测量的MLSS参数作为训练集的数据的标签,从而制作训练集;处理器利用训练集,通过XGBoost算法进行学习,训练得到关于污泥浓度的污水预测模型。在第一时间段之后,可以仅保留气浮设备14、中间水池19处分别设置的COD传感器,处理器22仅获取这两个COD传感器测量的COD参数,将该些COD参数输入至训练得到的关于污泥浓度的污水预测模型,就可以预测得到生化池15处(即第二类的传感器点处)的MLSS参数(污泥浓度)。
在第二个具体实施例中,参考图1,将气浮设备14、生化池15作为第一类的传感器点,同时也将生化池15特别是曝气设备作为第二类的传感器点。在第一时间内(如1小时),在气浮设备14、生化池19处分别设置COD传感器、TP传感器、TN传感器、一体多参数传感器,处理器22获取第一时间内COD传感器、TP传感器、TN传感器、一体多参数传感器的数据;把COD传感器测量的COD参数、一体多参数传感器测量的DO参数、水温、水深作为训练集的数据,把生化池处所需要的氧气量(该氧气量可由已测量的COD参数、TP参数、TN参数来计算得到)作为训练集的数据的标签,从而制作训练集;处理器利用训练集,通过XGBoost算法进行学习,训练得到关于曝气量的污水预测模型。在第一时间段之后,可以仅保留气浮设备14、生化池15处分别设置的COD传感器、一体多参数传感器,处理器22仅获取COD传感器测量的COD参数以及一体多参数传感器测量的DO参数、水温、水深参数,将该些参数输入至训练得到的关于曝气量的污水预测模型,就可以预测得到生化池15处(特别是曝气设备所在的第二类的传感器点处)的曝气量。
在第三个具体实施例中,参考图1,将气浮设备14作为第一类的传感器点,将加药设备13作为第二类的传感器点。在第一时间内(如1小时),在气浮设备14处pH传感器,并且在加药设备13(如内部的计量泵)处设置计量传感器,处理器22获取第一时间内投药的时间点后预设第二时间(如10分钟)内pH的数据;把pH传感器测量的pH参数的均值、峰值、谷值、方差作为训练集的数据,把第二时间前计量传感器测量的投药量作为训练集的数据的标签,从而制作训练集;处理器利用训练集,通过XGBoost算法进行学习,训练得到关于投药量的污水预测模型。在第一时间段之后,可以仅保留气浮设备14设置的pH传感器,处理器22仅获取该pH传感器测量的pH参数,将该些pH参数输入至训练得到的关于投药量的污水预测模型,就可以预测得到加药设备13处(即第二类的传感器点处)的投药量参数。
在第四个具体实施例中,参考图1,将气浮设备14、中间水池19作为第一类的传感器点,同时也将中间水池19作为第二类的传感器点。在第一时间内(如1小时),在气浮设备14、中间水池19处均设置COD传感器、TP传感器、TN传感器、SS传感器、NH3-N传感器,处理器22获取第一时间内各个传感器的数据;将气浮设备14处传感器测量的COD参数、TP参数、TN参数、SS参数、NH3-N参数,与中间水池19处传感器测量的COD参数、TP参数、TN参数、SS参数、NH3-N参数在第三维度上进行对应叠加,将各个参数的对应叠加结果作为特征数据,预设第三时间后的各个污染物浓度(即COD、TP、TN、SS、NH3-N)作为分别数据的标签,输入至预设的长短期记忆神经网络,训练得到关于各个污染物浓度的污水预测模型。在第一时间段之后,可以仅保留气浮设备14设置的COD传感器、TP传感器、TN传感器、SS传感器、NH3-N传感器,处理器22仅获取这些传感器测量的COD参数、TP参数、TN参数、SS参数、NH3-N参数,将该些参数输入至训练得到的关于各个污染物浓度的污水预测模型,就可以预测得到中间水池19处(即第二类的传感器点处)的各个污染物的参数。
实施例四、
请参考图4,在实施例二中请求保护的污水预测***的基础上,本申请公开一种污水参数的预测方法,其主要包括步骤S410-S420,下面分别说明。
步骤S410,处理器22获取用于监测污水中一种或多种参数的传感器的数据;其中在污水处理过程中一个或多个环节处被预设有多个传感器点,每个传感器点能够被设置一个用于监测污水中一种或多种参数的传感器,且这多个传感器点中只有部分传感器点设置有监测污水中一种或多种参数的传感器。
步骤S420,处理器22根据所获取的传感器的数据,预测未设置有传感器的传感器点处的污水的一种或多种参数。在一具体实施例中,将所获取的传感器的数据,输入到预先建立的污水预测模型中,以得到未设置有传感器的传感器点处的污水的一种或多种参数;其中污水预测模型通过以下方式建立:
(1)处理器22获取训练集,这里的训练集中的数据为设置被设置在传感器点处的传感器的数据,训练集中数据的标签为未设置有传感器的传感器点处的污水的一种式多种参数;
(2)处理器22利用所述训练集,通过机器学习,训练得到污水预测模型。
需要说明的是,请参考图5,训练集中的数据可以是处理器22在第一类的传感器点处测量的历史数据,数据的标签可以同时间节点时在第二类的传感器点处测量的历史数据。如此,可以将训练集作为样本数据输入至一机器学习模型,训练得到的模型就是关于数据的标签的污水预测模型。
为了得到更优的污水预测模型,本具体实施例中还可以将第一类的传感器点、第二类的传感器点测量的数据进行划分,得到训练集和测试集,将训练集输入至预设的XGBoost算法以训练得到污水预测模型,再根据测试集对该污水预测模型进行测试,通过测试结果对该污水预测模型进行超参调优,从而得到优化后的污水预测模型。
在本实施例中,所述传感器包括COD传感器、TP传感器、TN传感器、pH传感器、SS传感器、MLSS传感器、NH3-N传感器、超声波泥位计、超声波流量计,以及用于检测污水的酸碱度、氧化还原电位、溶解氧浓度和水温、水深的一体式多参数传感器中的一者或多者。
进一步地,步骤S420之后还包括步骤S430,具体为:根据所获取的传感器的数据,以及预测的未设置有传感器的传感器点处的污水的一种或多种参数,控制污水处理过程中一个或多个环节的污水处理参数;其中污水处理参数包括:污水流量、曝气量、污泥回流量、投药品种和投药量中的一者或多者。
例如,参考图1,处理器22预测到下一阶段的生化池15内的水深减小,则可以预先调控调节池11处的污水提升泵的功率,使得污水提升功率增大以满足生化池15对水深的要求。
例如,处理器22预测到下一阶段的调节池11处的污染物浓度发生改变(比如COD参数、TP参数、TN参数),从而预测到生化池15处的所需要消耗的氧气量(该氧气量可由已预测到的COD参数、TP参数、TN参数来计算得到),进而控制器23预先调控曝气设备的风机功率,改变曝气量,为生化池15处提供所需要消耗的氧气量,最终使得生化池15内的溶解氧量或溶解氧浓度满足于污水的生化处理要求。
例如,处理器22预测到下一阶段的气浮设备14处污水的酸碱度成碱性并且碱性增大,则通过相关的控制器预先调控加药设备13的投药品种和投药量,使得硫酸亚铁和PAM的含量增加,使投药品种和投药量满足于气浮设备14内污水的酸性要求。
例如,处理器22预测到下一阶段的生化池15处的MLSS参数减小,则通过相关的控制器预先调控回泥设备的污泥回流量,使得生化池15内(如好氧池1、好氧池4)的污泥量增加,从而让活性污泥的量满足于生化池15内污水的微生物活性要求。
例如,处理器22预测到下一阶段的中间水池19处的某一项污染物浓度(如SS参数)增大,则通过相关的控制器预先调控调节池11处污水提升泵的运行功率,减少进入后续污水处理环节的污水流量,同时也减少进入后续污水处理环节的污染物含量,最终满足于降低中间水池19内该污染物浓度的要求。
需要说明的是,本申请中的“下一阶段”可以是未来的某个时间段或某个时间点,如当前时间开始的第30分钟-第60分钟的时间段,还如第30分钟的时间节点。下一阶段所指代的时间量可以根据用户的实际需求而定,这里不做限制。
综上所述,本申请公开的技术方案主要是为了提高生产单位、污水处理单位的运营管理水平、废水处理能力,保障处理后的污水达到排放标准,同时能够降低药剂、电力和人力成本,还能够减少对一些传感器的使用量以降低硬件投入成本。
需要本领域技术人员理解,生产单位刚产生的污水水温高、污染物浓度高,无法使用水质分析进行快速测量,所以在污水处理过程中没有实时准确的水质数据,不能准确地判断药剂的投加量,现场运营人员只能凭借经验判断,投加过量的药剂,以降低超标排放的风险。而本技术方案可以通过预测模型对污水的排放量以及污水水质进行预测,可以实现准确控制药品的投加量以及其它污水处理环节的作业。同时,传感器在线自动监测设备的检测结果存在延时的问题,不能根据实时数据控制药剂投加量,也无法针对性地调控其他处理环节的操作,由此增加了运营成本和超负荷处理的风险。本申请技术方案能够通过预测得到的水质参数替代传感器的反馈信息,提前预知各个污水处理环节中污水水质的变化情况,使运营人员可以根据对应的预测值调控药剂的投加量以及其他环节的污水处理作业,从而达到预先调控、精准调控、科学智能管理、降低污水处理成本、提高经济效益的目的。
本领域技术人员可以理解,上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现,也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器、随机存储器、磁盘、光盘、硬盘等,通过计算机执行该程序以实现上述功能。例如,将程序存储在设备的存储器中,当通过处理器执行存储器中程序,即可实现上述全部或部分功能。另外,当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中,通过下载或复制保存到本地设备的存储器中,或对本地设备的***进行版本更新,当通过处理器执行存储器中的程序时,即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。
Claims (3)
1.一种污水参数的预测方法,其特征在于,包括:
在污水处理过程中一个环节处设置多个传感器点,每个传感器点能够被设置一个用于监测污水中一种或多种参数的传感器;其中传感器点分为第一类的传感器点和第二类的传感器点;
在第一时间段内,在各传感器点都设置一个用于监测污水中一种或多种参数的传感器;所述传感器包括COD传感器、TP传感器、TN传感器、pH传感器、SS传感器、MLSS传感器、NH3-N传感器、超声波流量计、超声波泥位计,以及用于检测污水的酸碱度、氧化还原电位、溶解氧浓度和水温、水深的一体式多参数传感器中的一者或多者;
获取各传感器的数据;
根据所获取的传感器的数据制作训练集,其中所述训练集中的数据为第一类的传感器点处的传感器的数据,所述训练集中的数据的标签为第二类的传感器点处的传感器的数据;
利用所述训练集,通过机器学习,训练得到污水预测模型;
在第一时间段之后,在第一类的传感器点处设置与各自在第一时间段被设置的传感器种类相同的传感器,第二类的传感器点处不设置传感器;
获取第一类的传感器点处的传感器的数据;
根据所获取的第一类的传感器点处的传感器的数据,预测第二类的传感器点处的污水的一种或多种参数。
2.一种污水预测***,其特征在于,包括调节池、冷却塔、加药设备、气浮设备、生化池、二沉池、污泥浓缩池、污泥脱水间、中间水池、处理器、控制器和一个或多个传感器;
所述调节池用于接收生产设备生产过程中所产生的污水,并调节污水量和污水水质;
所述冷却塔用于接收从调节池流出的污水,并对污水进行降温;
所述气浮设备用于接收从冷却塔流出的污水,通过气浮、混凝和沉淀的方式分离污水中的悬浮物;
所述加药设备用于在气浮设备的污水流入端进行投药,用于混凝和/或调节pH;
所述生化池用于接收从气浮设备流出的污水,通过活性污泥里的微生物处理污水;
所述二沉池用于接收从生化池流出的污水,并使污水中的活性污泥沉降下来;
所述污泥浓缩池用于接收用从二沉池传输过来的活性污泥,并对活性污泥进一步沉降、浓缩和降解;
所述污泥脱水间用于接收从污泥浓缩池传输过来的活性污泥,并对活性污泥进行脱水;
所述中间水池用于接收并储蓄从二沉池流出的污水,作为待排放的污水;
所述传感器用于监测污水信息的传感器的数据;其中在污水处理过程中的调节池、冷却塔、加药设备、气浮设备、生化池、二沉池、污泥浓缩池、污泥脱水间和中间水池中的一者处总共预设有多个传感器点,每个传感器点能够被设置一个用于监测污水中一种或多种参数的传感器,且这多个传感器点中只有部分传感器点设置有监测污水中一种或多种参数的传感器;所述传感器包括COD传感器、TP传感器、TN传感器、pH传感器、SS传感器、MLSS传感器、NH3-N传感器、超声波泥位计、超声波流量计,以及用于检测污水的酸碱度、氧化还原电位、溶解氧浓度和水温、水深的一体式多参数传感器中的一者或多;
所述处理器用于根据所获取的传感器的数据,预测未设置有传感器的传感器点处的污水的一种或多种参数;所述处理器将所获取的传感器的数据,输入到预先建立的污水预测模型中,以得到未设置有传感器的传感器点处的污水的一种或多种参数;其中所述污水预测模型通过以下方式建立:获取训练集,所述训练集中的数据为设置被设置在传感器点处的传感器的数据,训练集中数据的标签为未设置有传感器的传感器点处的污水的一种式多种参数;利用所述训练集,通过机器学习,训练得到污水预测模型;
所述控制器用于根据所获取的传感器的数据,以及预测到的未设置有传感器的传感器点处的污水的一种或多种参数,控制污水处理过程中一个或多个环节的污水处理参数;其中污水处理参数包括:污水流量、曝气量、污泥回流量、投药品种和投药量中的一者或多者。
3.一种计算机可读存储介质,其特征在于,包括程序,所述程序能够被处理器执行以实现如权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910459170.9A CN110188946B (zh) | 2019-05-29 | 2019-05-29 | 一种污水参数的预测方法及污水预测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910459170.9A CN110188946B (zh) | 2019-05-29 | 2019-05-29 | 一种污水参数的预测方法及污水预测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110188946A CN110188946A (zh) | 2019-08-30 |
CN110188946B true CN110188946B (zh) | 2021-07-20 |
Family
ID=67718724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910459170.9A Active CN110188946B (zh) | 2019-05-29 | 2019-05-29 | 一种污水参数的预测方法及污水预测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188946B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275333B (zh) * | 2020-01-20 | 2021-06-01 | 江苏神彩科技股份有限公司 | 污染数据处理方法和装置 |
CN113033917B (zh) * | 2021-04-19 | 2022-04-12 | 重庆工商大学 | 一种基于***数据的污水处理厂预测规划运行管理方法 |
CN113387450B (zh) * | 2021-06-25 | 2023-06-20 | 江苏农林职业技术学院 | 河道黑臭水体原位修复无人船及其控制方法 |
CN114031147B (zh) * | 2021-11-02 | 2022-06-14 | 航天环保(北京)有限公司 | 利用波裂解纳米材料提升水质的方法及*** |
CN116819029B (zh) * | 2023-08-09 | 2024-02-09 | 水利部珠江水利委员会水文局 | 一种河道水污染监测方法及*** |
CN116881747B (zh) * | 2023-09-06 | 2023-11-24 | 武汉华康世纪医疗股份有限公司 | 基于医疗废水监测的智能处理方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107014970A (zh) * | 2017-04-11 | 2017-08-04 | 盐城工学院 | 污水处理水质预测方法及服务器 |
EP3348995A1 (de) * | 2017-01-11 | 2018-07-18 | IKA Neugut | Verfahren zur entfernung von mikroverunreinigungen aus dem abwasser |
CN109508811A (zh) * | 2018-09-30 | 2019-03-22 | 中冶华天工程技术有限公司 | 基于主成分分析和长短期记忆网络的污水处理出水参数预测方法 |
-
2019
- 2019-05-29 CN CN201910459170.9A patent/CN110188946B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3348995A1 (de) * | 2017-01-11 | 2018-07-18 | IKA Neugut | Verfahren zur entfernung von mikroverunreinigungen aus dem abwasser |
CN107014970A (zh) * | 2017-04-11 | 2017-08-04 | 盐城工学院 | 污水处理水质预测方法及服务器 |
CN109508811A (zh) * | 2018-09-30 | 2019-03-22 | 中冶华天工程技术有限公司 | 基于主成分分析和长短期记忆网络的污水处理出水参数预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110188946A (zh) | 2019-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188946B (zh) | 一种污水参数的预测方法及污水预测*** | |
CN203630652U (zh) | Aao脱氮除磷污水处理工艺回流量控制*** | |
Assmann et al. | Online total organic carbon (TOC) monitoring for water and wastewater treatment plants processes and operations optimization | |
CN110456754A (zh) | 一种污水的监控处理***及智能分析处理方法、存储介质 | |
CN110188945B (zh) | 一种生产中的污水预测***及污水预测方法 | |
Palatsi et al. | Enhancement of biological nutrient removal process with advanced process control tools in full-scale wastewater treatment plant | |
Padalkar et al. | Common effluent treatment plant (CETP): Reliability analysis and performance evaluation | |
CN103864194A (zh) | 一种应对异常进出水水质的污水处理***应急调控方法 | |
KR102396986B1 (ko) | 머신 런닝 플랫폼 기반 지능형 수처리 공정 관리 시스템 | |
KR101197392B1 (ko) | 사전계측된 유량 및 인농도와 응집여과수의 인농도를 제어인자로 하여 적정 응집제주입량이 결정되는 인공지능형 인제거 시스템 | |
CN110763730A (zh) | 一种单探头污水毒性实时监测***和方法 | |
CN102503062A (zh) | 双污泥反硝化除磷工艺运行的在线优化调控方法及其装置 | |
CN113480093A (zh) | 一种污水处理厂双加药耦合高负荷运行方法及*** | |
Sweeney et al. | Modeling, instrumentation, automation, and optimization of water resource recovery facilities (Review of 2018 Literature) DIRECT | |
Rizaluddin et al. | Online Monitoring of Effluent Quality for Assessing the Effect of Wastewater Treatment Plant to Discharge into the Receiving Water: a review | |
Zinatizadeh et al. | Influence of process and operational factors on a sequencing batch reactor (SBR) performance treating stimulated dairy wastewater | |
Haimi et al. | Process automation in wastewater treatment plants: The Finnish experience | |
Animireddy et al. | Automation of common effluent treatment plant | |
JPH0938682A (ja) | 生物学的水処理方法 | |
Sweeney et al. | Modeling, instrumentation, automation, and optimization of water resource recovery facilities (2019) DIRECT | |
CN218646956U (zh) | 一种污水处理在线监测*** | |
EP3052446B1 (en) | Plant and method for treatment of waste water in an activated sludge plant | |
Sweeney et al. | Modeling, instrumentation, automation, and optimization of water resource recovery facilities | |
CN100475717C (zh) | 交替式好氧厌氧完全混合活性污泥工艺 | |
Berg | Reduced energy consumption and improved treatment using intermittent aeration at the Ja-Ela/Ekala wastewater treatment plant in Sri Lanka |
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 |