CN115097886A - 污水处理中溶解氧浓度的控制方法及***、设备及介质 - Google Patents
污水处理中溶解氧浓度的控制方法及***、设备及介质 Download PDFInfo
- Publication number
- CN115097886A CN115097886A CN202210761824.5A CN202210761824A CN115097886A CN 115097886 A CN115097886 A CN 115097886A CN 202210761824 A CN202210761824 A CN 202210761824A CN 115097886 A CN115097886 A CN 115097886A
- Authority
- CN
- China
- Prior art keywords
- dissolved oxygen
- oxygen concentration
- concentration
- water
- sewage
- 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
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 127
- 239000001301 oxygen Substances 0.000 title claims abstract description 127
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 127
- 239000010865 sewage Substances 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 52
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 98
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims abstract description 41
- 238000005273 aeration Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000004065 wastewater treatment Methods 0.000 claims description 5
- 239000002351 wastewater Substances 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000035772 mutation Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- GPRLSGONYQIRFK-UHFFFAOYSA-N hydron Chemical compound [H+] GPRLSGONYQIRFK-UHFFFAOYSA-N 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
- G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明公开了一种污水处理中溶解氧浓度的控制方法及***、设备及介质。其中，污水处理中溶解氧浓度的控制方法包括：获取污水的进水氨氮浓度；根据所述进水氨氮浓度确定设定溶解氧浓度；根据所述设定溶解氧浓度与预测溶解氧浓度之间的差值控制鼓风机的曝气风量；所述预测溶解氧浓度是根据污水的进水数据预测得到的。本发明根据实时的进水氨氮浓度动态调整设定溶解氧浓度，以及根据设定溶解氧浓度与预测溶解氧浓度之间的差值控制鼓风机的曝气风量，从而实现对污水中溶解氧浓度的控制，使其跟踪设定溶解氧浓度，提升了溶解氧浓度的控制效果，降低了鼓风机曝气过程中产生的能耗。
Description
技术领域
本发明涉及污水处理领域，特别涉及一种污水处理中溶解氧浓度的控制方法及***、设备及介质。
背景技术
污水处理过程中氨氮浓度和溶解氧浓度是重要的水质指标，是评价排放是否达标和污水处理效率的重要依据。而在实际生产过程中，通过检测仪表难以实时获取，往往存在较大延迟，容易造成溶解氧浓度的控制波动较大，难以实现溶解氧浓度精准实时控制。建模预测称为解决水质在线监测困难的可行性方法，其中，神经网络、机器学习等智能算法不依赖机理模型，通过已有数据主动学习，容错性强，已广泛应用到污水处理***建模预测中。
曝气过程中溶解氧浓度的控制是污水处理中的重要环节，其值直接影响着污水处理效率和处理质量。从上世纪至今，国内外学者一直进行曝气过程设计和溶解氧浓度的控制研究。常规PID控制技术已广泛被污水处理厂使用，这种控制技术虽然可以取得一定成效，但在复杂工况环境下，控制效果一般且曝气过程产生较大能耗，造成能源浪费。因而，将更加先进的智能控制方法应用于曝气过程溶解氧浓度的控制可以对节能降耗起到至关重要的作用。
发明内容
本发明要解决的技术问题是为了克服现有技术中曝气过程中溶解氧浓度的控制方法存在控制效果不理想且能耗较大的缺陷，提供一种污水处理中溶解氧浓度的控制方法及***、设备及介质。
本发明是通过下述技术方案来解决上述技术问题：
本发明的第一方面提供一种污水处理中溶解氧浓度的控制方法，包括以下步骤：
获取污水的进水氨氮浓度；
根据所述进水氨氮浓度确定设定溶解氧浓度；
根据所述设定溶解氧浓度与预测溶解氧浓度之间的差值控制鼓风机的曝气风量；
其中，所述预测溶解氧浓度是根据污水的进水数据预测得到的。
可选地，所述根据所述进水氨氮浓度确定设定溶解氧浓度的步骤具体包括：
对所述进水氨氮浓度进行模糊控制，得到设定溶解氧浓度。
可选地，所述预测溶解氧浓度是根据污水的进水数据预测得到的，具体包括：
采集污水的进水数据；
将所述进水数据输入水质预测模型；其中，所述水质预测模型基于样本数据训练得到；
输出所述预测溶解氧浓度。
可选地，所述控制方法还包括以下步骤：
在所述水质预测模型的训练过程中，利用差分进化算法对所述水质预测模型的参数进行优化。
本发明的第二方面提供一种污水处理中溶解氧浓度的控制***，包括：
获取模块，用于获取污水的进水氨氮浓度；
确定模块，用于根据所述进水氨氮浓度确定设定溶解氧浓度；
控制模块，用于根据所述设定溶解氧浓度与预测溶解氧浓度之间的差值控制鼓风机的曝气风量；
其中，所述预测溶解氧浓度是根据污水的进水数据预测得到的。
可选地，所述确定模块具体用于对所述进水氨氮浓度进行模糊控制，得到设定溶解氧浓度。
可选地，所述控制***还包括：
采集模块，用于采集污水的进水数据；
输入模块，用于将所述进水数据输入水质预测模型；其中，所述水质预测模型基于样本数据训练得到；
输出模块，用于输出所述预测溶解氧浓度。
可选地，所述控制***还包括：训练模块，用于在所述水质预测模型的训练过程中，利用差分进化算法对所述水质预测模型的参数进行优化。
本发明的第三方面提供一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的污水处理中溶解氧浓度的控制方法。
本发明的第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的污水处理中溶解氧浓度的控制方法。
本发明的积极进步效果在于：根据实时的进水氨氮浓度动态调整设定溶解氧浓度，以及根据设定溶解氧浓度与预测溶解氧浓度之间的差值控制鼓风机的曝气风量，从而实现对污水中溶解氧浓度的控制，使其跟踪设定溶解氧浓度，提升了溶解氧浓度的控制效果，降低了鼓风机曝气过程中产生的能耗。
附图说明
图1为本发明实施例1提供的一种污水处理中溶解氧浓度的控制方法的流程图。
图2为本发明实施例1提供的一种污水处理中溶解氧浓度的控制框图。
图3为本发明实施例1提供的一种溶解氧浓度的预测方法的流程图。
图4为本发明实施例1提供的一种污水处理中溶解氧浓度的控制***的结构框图。
图5为本发明实施例2提供的一种电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
图1为本实施例提供的一种污水处理中溶解氧浓度的控制方法的流程图，该控制方法可以由污水处理中溶解氧浓度的控制***执行，该控制***可以通过软件和/或硬件的方式实现，该控制***可以为电子设备的部分或全部。本实施例中的电子设备可以为台式电脑、笔记本电脑、平板电脑、PDA(Personal Digital Assistant，掌上电脑)等电子设备。
下面以电子设备为执行主体介绍本实施例提供的污水处理中溶解氧浓度的控制方法。如图1所示，本实施例提供的污水处理中溶解氧浓度的控制方法可以包括以下步骤S101～S103：
步骤S101、获取污水的进水氨氮浓度。在具体实施中，可以使用检测设备或者仪器仪表实时采集污水的进水氨氮浓度。
步骤S102、根据所述进水氨氮浓度确定设定溶解氧浓度。
在具体实施中，出水氨氮浓度的去除率随溶解氧浓度呈指数性增长，在保证出水水质达标的前提下，仍可以进一步节能。当进水氨氮浓度较高时，通过提高溶解氧浓度降低出水氨氮浓度；当进水氨氮浓度较低时，降低溶解氧浓度，以降低曝气过程产生的能耗。
为了避免调整过程中溶解氧浓度产生阶跃性变化及较大超调，可以选择模糊控制器作为氨氮浓度前馈的动态调整控制器。在步骤S102可选的一种实施方式中，对所述进水氨氮浓度进行模糊控制，得到设定溶解氧浓度。本实施方式中，在保证出水水质达标的前提下，为进一步降低曝气过程产生的能耗，通过建立氨氮浓度与溶解氧浓度设定值之间的模糊控制器，实现动态调整溶解氧浓度的设定值，即实现动态调整设定溶解氧浓度。
其中，设定溶解氧浓度的范围可以为1.2mg/L至1.8mg/L，对应的进水氨氮浓度的设定范围可以为10mg/L至22mg/L。基于此，进水氨氮浓度的模糊论域为N＝{10、12、14、16、18、20、22}，对应语言值为AN、BN、CN、DN、EN、FN、GN；相适应的设定溶解氧浓度的模糊论域为DO＝{1.2、1.3、1.4、1.5、1.6、1.7、1.8}，对应语言值为VS、LS、S、M、B、CB、VB，分别表示很小、较小、小、中、大、较大、很大。其中，可以选择三角形函数作为进水氨氮浓度和设定溶解氧浓度的隶属度函数。
基于氨氮浓度前馈的设定溶解氧浓度的模糊控制规则表为：
| 进水氨氮浓度 | AN | BN | CN | DN | EN | FN | GN |
| 设定溶解氧浓度 | VS | LS | S | M | B | CB | VB |
此外，在建立模糊控制器的具体过程中，可以采用加权平均法进行解模糊化。
需要说明的是，在步骤S102的具体实施中，还可以采用其它方式根据进水氨氮浓度确定设定溶解氧浓度。例如采用模糊PID(比例积分微分)控制器确定设定溶解氧浓度，或者根据预先建立的氨氮浓度-溶解氧浓度的对应关系确定设定溶解氧浓度等。
步骤S103、根据所述设定溶解氧浓度与预测溶解氧浓度之间的差值控制鼓风机的曝气风量。其中，利用鼓风机曝气是指向污水中增加溶解氧。本实施方式中，通过控制鼓风机的曝气风量可以实现对污水中溶解氧浓度的控制，从而使其跟踪设定溶解氧浓度。因此，步骤S103中控制鼓风机的控制器可以称为DO(溶解氧)控制器，在具体实施中，DO控制器可以使用PID控制器。
本实施方式中，步骤S103中的预测溶解氧浓度是根据污水的进水数据预测得到的。其中，所述污水的进水数据可以包括与出水水质相关性较大的数据，例如进水SS(Suspended solid，固定悬浮物)、进水COD(Chemical Oxygen Demand，化学需氧量)、进水PH(氢离子浓度指数)、进水流量以及进水TN(总氮)等。
图2示出了一种污水处理中溶解氧浓度的控制框图。如图2所示，将进水氨氮浓度输入模糊控制器，得到设定溶解氧浓度，将设定溶解氧浓度与水质预测模型输出的预测溶解氧浓度之间的差值输入DO控制器，以控制鼓风机的曝气风量。其中，水质预测模型用于根据进水数据对溶解氧浓度进行预测，输出预测溶解氧浓度，用于对溶解氧浓度形成闭环控制。
如图3所示，本实施例还提供一种溶解氧浓度的预测方法，具体包括以下步骤S201～S203：
步骤S201、采集污水的进水数据。在具体实施中，可以通过传感器、PLC(可编程逻辑控制器)设备或者仪器仪表等采集污水的进水数据。
步骤S202、将所述进水数据输入水质预测模型。其中，所述水质预测模型基于样本数据训练得到。
步骤S203、输出所述预测溶解氧浓度。
在具体实施中，可以通过采集污水处理厂的历史数据和/或实验数据得到原始样本数据，将原始样本数据中的异常数据进行剔除，然后进行归一化预处理，得到最终的样本数据。利用最终的样本数据训练上述水质预测模型。
最终的样本数据为：(xi,ti)∈Rn×Rm；其中，xi＝[xi1,xi2,...,xin]T∈Rn，ti＝[ti1,ti2,...,tim]T∈Rm分别代表输入样本和期望输出样本。
其中，含有L个隐含层节点的单隐层神经网络的表达式为：
其中，g(x)为激活函数，wi＝[wi1,wi2,...,win]T为连接输入节点与第i个隐层节点的权重向量，βi＝[βi1,βi2,...,βim]T为连接第i个隐层节点与输出节点的输出权值，bi为第i个隐层节点的偏置，oj为第j个输出神经元的实际输出值。
其中，n为输入水质预测模型的进水数据的个数，m为水质预测模型的输出数据的个数。本实施例中，水质预测模型用于预测溶解氧浓度，因此，m＝1。
在一个具体的例子中，上述水质预测模型采用极限学习机网络。具体地，在构建水质预测模型的过程中，首先初始化隐层节点个数，然后不断增加隐层节点个数，但隐层节个数小于训练数据个数，训练和测试在不同隐层节点下的ELM(Extreme Learning Machine，极限学习机)网络，输出训练和测试误差，训练误差和测试误差相加，误差之和为最小值时的隐含节点个数L值即确定为该极限学习机网络的隐含层神经元个数。
在具体实施的一个例子中，选择sigmoid函数作为激活函数，随机生成输入权重ω和偏置b，输入权重ω和偏置b的范围选为[-1,1]，计算隐含层输出矩阵H：
单隐层神经网路模型能够零误差逼近样本，即满足：
则
即Hβ＝T。由此计算输出权值β＝H+T；其中，H+为矩阵H的广义逆。
在极限学习机网络中，输出权值β是根据H+T计算得来的，而其中的输入权重ω和偏置b随机生成且不会改变，从而会不可避免存在非最优的输入值产生，导致水质预测模型对数据的响应速度慢、泛化性能差等问题。因此，在可选的一种实施方式中，利用差分进化算法对极限学习机模型的输入权重ω和偏置b进行寻优。
差分进化算法是具有启发式全局搜索能力的一种智能优化学习算法。通过可行解空间随机生成的一组初始种群，经过变异、交叉、选择操作，生成新一代种群，不断迭代，直至满足终止条件取得最优值。利用
中的每个单独个体作目标变量进行变异操作，得到新变异个体
其中典型的变异操作为：
其中，r0,r1,r2∈(1,2,…,NP)与当前目标个体ri互异；F为变异因子；g为当前迭代次数。
交叉操作是父代个体根据交叉概率与变异个体进行部分交换，得到新试验个体的过程，每一父代个体
的第j维分量与变异个体
的第j维分量一一对应进行交叉操作，得到新试验个体
的第j维分量
其中，CR为交叉概率，通常取值范围是[0,1]；jrand为维数D内随机生成的定值；rand(j)∈[0,1]。
选择操作即将
和试验个体
一一对照选择下一代个体
选择后新一代种群为
其中，f为适应度函数。
以极限学***方和作为目标函数，判断差分进化算法优化输出的预测值的误差大小是否满足目标函数。如果满足，则输出预测值，否则重复上述步骤，直至最大迭代次数，输出最优参数输入权重ω和偏置b。
本实施方式中，根据优化参数后的水质预测模型实时预测溶解氧浓度，能够提高预测结果的准确性，进一步地，根据预测预测溶解氧浓度和设定氨氮浓度对鼓风机进行控制，进一步提高了溶解氧浓度的控制效果，降低了曝气过程产生的能耗。
如图4所示，本实施例还提供一种污水处理中溶解氧浓度的控制***40，包括：获取模块41、确定模块42、控制模块43。
获取模块41用于获取污水的进水氨氮浓度。
确定模块42用于根据所述进水氨氮浓度确定设定溶解氧浓度。
控制模块43用于根据所述设定溶解氧浓度与预测溶解氧浓度之间的差值控制鼓风机的曝气风量。
其中，所述预测溶解氧浓度是根据污水的进水数据预测得到的。
在可选的一种实施方式中，确定模块42具体用于对所述进水氨氮浓度进行模糊控制，得到设定溶解氧浓度。
在可选的一种实施方式中，如图4所示，上述控制***40还包括采集模块44、输入模块45以及输出模块46。
采集模块44用于采集污水的进水数据。
输入模块45用于将所述进水数据输入水质预测模型；其中，所述水质预测模型基于样本数据训练得到。
输出模块46用于输出所述预测溶解氧浓度。
在可选的一种实施方式中，上述控制***还包括训练模块，用于在所述水质预测模型的训练过程中，利用差分进化算法对所述水质预测模型的参数进行优化。
实施例2
图5为本实施例提供的一种电子设备的结构示意图。所述电子设备包括至少一个处理器以及与所述至少一个处理器通信连接的存储器。其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行实施例1的污水处理中溶解氧浓度的控制方法。图5显示的电子设备3仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
电子设备3的组件可以包括但不限于：上述至少一个处理器4、上述至少一个存储器5、连接不同***组件(包括存储器5和处理器4)的总线6。
总线6包括数据总线、地址总线和控制总线。
存储器5可以包括易失性存储器，例如随机存取存储器(RAM)51和/或高速缓存存储器52，还可以进一步包括只读存储器(ROM)53。
存储器5还可以包括具有一组(至少一个)程序模块54的程序/实用工具55，这样的程序模块54包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器4通过运行存储在存储器5中的计算机程序，从而执行各种功能应用以及数据处理，例如上述污水处理中溶解氧浓度的控制方法。
电子设备3也可以与一个或多个外部设备7(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口8进行。并且，电子设备3还可以通过网络适配器9与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图5所示，网络适配器9通过总线6与电子设备3的其它模块通信。应当明白，尽管图5中未示出，可以结合电子设备3使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)***、磁带驱动器以及数据备份存储***等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例3
本实施例提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行实施例1中的污水处理中溶解氧浓度的控制方法。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在电子设备上运行时，所述程序代码用于使所述电子设备执行实现实施例1中的污水处理中溶解氧浓度的控制方法。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在电子设备上执行、部分地在电子设备上执行、作为一个独立的软件包执行、部分在电子设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。
Claims (10)
1.一种污水处理中溶解氧浓度的控制方法，其特征在于，包括以下步骤：
获取污水的进水氨氮浓度；
根据所述进水氨氮浓度确定设定溶解氧浓度；
根据所述设定溶解氧浓度与预测溶解氧浓度之间的差值控制鼓风机的曝气风量；
其中，所述预测溶解氧浓度是根据污水的进水数据预测得到的。
2.如权利要求1所述的控制方法，其特征在于，所述根据所述进水氨氮浓度确定设定溶解氧浓度的步骤具体包括：
对所述进水氨氮浓度进行模糊控制，得到设定溶解氧浓度。
3.如权利要求1所述的控制方法，其特征在于，所述预测溶解氧浓度是根据污水的进水数据预测得到的，具体包括：
采集污水的进水数据；
将所述进水数据输入水质预测模型；其中，所述水质预测模型基于样本数据训练得到；
输出所述预测溶解氧浓度。
4.如权利要求3所述的控制方法，其特征在于，所述控制方法还包括以下步骤：
在所述水质预测模型的训练过程中，利用差分进化算法对所述水质预测模型的参数进行优化。
5.一种污水处理中溶解氧浓度的控制***，其特征在于，包括：
获取模块，用于获取污水的进水氨氮浓度；
确定模块，用于根据所述进水氨氮浓度确定设定溶解氧浓度；
控制模块，用于根据所述设定溶解氧浓度与预测溶解氧浓度之间的差值控制鼓风机的曝气风量；
其中，所述预测溶解氧浓度是根据污水的进水数据预测得到的。
6.如权利要求5所述的控制***，其特征在于，所述确定模块具体用于对所述进水氨氮浓度进行模糊控制，得到设定溶解氧浓度。
7.如权利要求5所述的控制***，其特征在于，所述控制***还包括：
采集模块，用于采集污水的进水数据；
输入模块，用于将所述进水数据输入水质预测模型；其中，所述水质预测模型基于样本数据训练得到；
输出模块，用于输出所述预测溶解氧浓度。
8.如权利要求7所述的控制***，其特征在于，所述控制***还包括：训练模块，用于在所述水质预测模型的训练过程中，利用差分进化算法对所述水质预测模型的参数进行优化。
9.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述的污水处理中溶解氧浓度的控制方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述的污水处理中溶解氧浓度的控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210761824.5A CN115097886A (zh) | 2022-06-29 | 2022-06-29 | 污水处理中溶解氧浓度的控制方法及***、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210761824.5A CN115097886A (zh) | 2022-06-29 | 2022-06-29 | 污水处理中溶解氧浓度的控制方法及***、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115097886A true CN115097886A (zh) | 2022-09-23 |
Family
ID=83295834
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210761824.5A Pending CN115097886A (zh) | 2022-06-29 | 2022-06-29 | 污水处理中溶解氧浓度的控制方法及***、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115097886A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116859830A (zh) * | 2023-03-27 | 2023-10-10 | 福建天甫电子材料有限公司 | 用于电子级氟化铵生产的生产管理控制*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101570385A (zh) * | 2009-06-17 | 2009-11-04 | 北京美华博大环境工程有限公司 | 一种废水脱氮处理工艺 |
| CN102122134A (zh) * | 2011-02-14 | 2011-07-13 | 华南理工大学 | 基于模糊神经网络的溶解氧控制的废水处理方法及*** |
| CN103454390A (zh) * | 2013-03-27 | 2013-12-18 | 深圳信息职业技术学院 | 一种测量溶解氧浓度的方法及装置 |
| CN104593304A (zh) * | 2015-01-21 | 2015-05-06 | 浙江大学 | 一种海洋氨氧化古菌的快速富集培养方法 |
| CN108439580A (zh) * | 2018-05-30 | 2018-08-24 | 北京天诚同创电气有限公司 | 溶解氧浓度控制***、方法和装置 |
| CN109711070A (zh) * | 2018-12-29 | 2019-05-03 | 上海海事大学 | 一种基于活性污泥水处理的溶解氧浓度优化方法 |
| CN114314823A (zh) * | 2022-02-09 | 2022-04-12 | 南开大学 | 一种曝气环节溶解氧控制***与方法 |
-
2022
- 2022-06-29 CN CN202210761824.5A patent/CN115097886A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101570385A (zh) * | 2009-06-17 | 2009-11-04 | 北京美华博大环境工程有限公司 | 一种废水脱氮处理工艺 |
| CN102122134A (zh) * | 2011-02-14 | 2011-07-13 | 华南理工大学 | 基于模糊神经网络的溶解氧控制的废水处理方法及*** |
| CN103454390A (zh) * | 2013-03-27 | 2013-12-18 | 深圳信息职业技术学院 | 一种测量溶解氧浓度的方法及装置 |
| CN104593304A (zh) * | 2015-01-21 | 2015-05-06 | 浙江大学 | 一种海洋氨氧化古菌的快速富集培养方法 |
| CN108439580A (zh) * | 2018-05-30 | 2018-08-24 | 北京天诚同创电气有限公司 | 溶解氧浓度控制***、方法和装置 |
| CN109711070A (zh) * | 2018-12-29 | 2019-05-03 | 上海海事大学 | 一种基于活性污泥水处理的溶解氧浓度优化方法 |
| CN114314823A (zh) * | 2022-02-09 | 2022-04-12 | 南开大学 | 一种曝气环节溶解氧控制***与方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116859830A (zh) * | 2023-03-27 | 2023-10-10 | 福建天甫电子材料有限公司 | 用于电子级氟化铵生产的生产管理控制*** |
| CN116859830B (zh) * | 2023-03-27 | 2024-01-26 | 福建天甫电子材料有限公司 | 用于电子级氟化铵生产的生产管理控制*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Han et al. | Dynamic MOPSO-based optimal control for wastewater treatment process | |
| CN113837356B (zh) | 基于融合神经网络的污水处理智能预测方法 | |
| Niu et al. | Dynamic optimization of wastewater treatment process based on novel multi-objective ant lion optimization and deep learning algorithm | |
| CN111650834B (zh) | 基于极限学习机的污水处理过程预测控制方法 | |
| Zhou et al. | Soft-sensing of effluent total phosphorus using adaptive recurrent fuzzy neural network with Gustafson-Kessel clustering | |
| CN108536106B (zh) | 一种基于卡尔曼滤波-极限学习机的曝气***溶解氧在线调控方法 | |
| Han et al. | Type-2 fuzzy broad learning controller for wastewater treatment process | |
| Wang et al. | Data-based composite control design with critic intelligence for a wastewater treatment platform | |
| CN115097886A (zh) | 污水处理中溶解氧浓度的控制方法及***、设备及介质 | |
| Harrou et al. | Energy consumption prediction in water treatment plants using deep learning with data augmentation | |
| Mihaly et al. | Data-driven modelling based on artificial neural networks for predicting energy and effluent quality indices and wastewater treatment plant optimization | |
| Zhao et al. | Development of a novel feedforward neural network model based on controllable parameters for predicting effluent total nitrogen | |
| Li et al. | An effective dynamic immune optimization control for the wastewater treatment process | |
| Li et al. | Online self-learning stochastic configuration networks for nonstationary data stream analysis | |
| CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
| Wang et al. | Data-driven robust adaptive control with deep learning for wastewater treatment process | |
| Li et al. | Operational parameter prediction of electrocoagulation system in a rural decentralized water treatment plant by interpretable machine learning model | |
| Bagheri et al. | Analysis of variables affecting mixed liquor volatile suspended solids and prediction of effluent quality parameters in a real wastewater treatment plant | |
| Türkmenler et al. | Performance assessment of advanced biological wastewater treatment plants using artificial neural networks | |
| Salles et al. | Dynamic setpoint optimization using metaheuristic algorithms for wastewater treatment plants | |
| Liu et al. | Dynamic multi-objective optimization and multi-units linear active disturbance rejection control for wastewater treatment processes | |
| Zheng et al. | Green simulation assisted reinforcement learning with model risk for biomanufacturing learning and control | |
| CN115356930B (zh) | 一种污水处理过程中的多目标优化控制***及方法 | |
| Xiong et al. | An evolutionary robust soft measurement technique via enhanced atom search optimization and outlier robust extreme learning machine for wastewater treatment process | |
| Protoulis et al. | A machine learning dynamic modelling scheme for wastewater treatment plants using cooperative particle swarm optimization and neural networks |
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 |