CN115583721B - 基于污水处理的ai智能曝气方法及*** - Google Patents
基于污水处理的ai智能曝气方法及*** Download PDFInfo
- Publication number
- CN115583721B CN115583721B CN202211163731.9A CN202211163731A CN115583721B CN 115583721 B CN115583721 B CN 115583721B CN 202211163731 A CN202211163731 A CN 202211163731A CN 115583721 B CN115583721 B CN 115583721B
- Authority
- CN
- China
- Prior art keywords
- aeration
- action
- time
- fan
- air quantity
- 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
- 238000005273 aeration Methods 0.000 title claims abstract description 124
- 239000010865 sewage Substances 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000008859 change Effects 0.000 claims abstract description 23
- 230000009471 action Effects 0.000 claims description 67
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 45
- 229910052760 oxygen Inorganic materials 0.000 claims description 45
- 239000001301 oxygen Substances 0.000 claims description 45
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 230000001105 regulatory effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000007667 floating Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 4
- 238000011217 control strategy Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 229910052757 nitrogen Inorganic materials 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000002351 wastewater Substances 0.000 description 4
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- C02F7/00—Aeration of stretches of water
-
- 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
- C02F2209/22—O2
-
- 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
- Life Sciences & Earth Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Microbiology (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明涉及污水处理技术,公开了基于污水处理的AI智能曝气方法及***,其方法包括,曝气运行指标的获取,智能曝气***实时的获取污水处理池曝气运行指标;控制参数的设置,智能曝气***设置风机控制***的控制参数;决策模型的配置,依据曝气运行指标和控制参数配置决策模型;曝气目标调控指标的输出,通过智能曝气***加载决策模型后进行曝气目标调控指标的计算,并输出风机控制***的曝气目标调控指标。本发明能根据输入的运行指标和设备调控值之间的变化规律和趋势来实时感知当前各个池子的负荷情况,然后根据所感知到负荷分布和趋势来调整控制策略,使***整体风量分配更合理,实现负荷在不同池子之间有效分摊的效果。
Description
技术领域
本发明涉及污水处理技术,尤其涉及了基于污水处理的AI智能曝气方法及***。
背景技术
生化处理是大多数传统污水处理工艺的核心,我国大多数市政污水处理场都采用生化处理技术处理城市居民的生活污水。
近年来,随着排放标准的提升,污水处理过程中能源和碳源的消耗量也增加了。当前我国污水处理厂在污水处理过程中消耗的能源较大,特别是在曝气等生化处理阶段存在着较大的能耗。由于污水处理厂存在着能源消耗大及运行成本高的问题,这对城市污水处理厂的建设和发展起到了较大的阻碍作用。
目前,污水厂来水存在水质水量不稳定的情况,对污水处理的生化***存在一定的冲击;此外,污水厂的曝气设计和碳源投加普遍采用人工手动控制的方式,限于污水厂操作人员的水平,无法进行实时调整,造成了不必要的浪费,增加了污水厂的运行成本。
曝气工艺:污水厂中常见的工艺,通过利用好氧微生物来降解有机物,达到去除COD、去氮的效果。微生物在降解有机物的过程中会消耗大量氧气,经过一段时间后污水处理池中的溶解氧会下降。为了保持微生物活性,必须通过曝气来补充溶解氧,使溶解氧维持在合理安全的水平。运行指标:污水厂运行中曝气工艺常用的运行指标,一般由传感器检测。
污水检测中的传感器用于检测某种指标所对应的的仪器或仪表;如:DO仪能检测DO值,流量计能检测流量,并且将检测值转变成信号输出给自控单元(PLC或DCS。
近年来,随着“智慧城市”概念的兴起,污水处理领域已出现了“精准曝气”技术,如现有技术中,CN202111597108.X,其主要是依靠各类在线传感器,感知进水流量、池内实时DO值、进出水COD浓度、进出水总氮浓度、进出水氨氮浓度,以及回流量、池容等多个参数,通过公式计算出所需的曝气量,并根据计算结果调节曝气风量。该方法相比于人工手动调控,已有了一定的优势,其反应速率更快。但该方法仍然存在问题:如果水质变化较大,COD、总氮、氨氮等数据并不能判断该废水的降解难度。比如两股废水的组分不同,但COD、总氮、氨氮等数据类似,但这两股废水在好氧处理时所需的曝气量并不相同。因此,依靠公式计算曝气量并不适用于所有的污水好氧处理工艺段。
发明内容
本发明针对现有技术中如果水质变化较大,COD、总氮、氨氮等数据并不能判断该废水的降解难度,依靠水量测量计算曝气量并不适用于所有的污水好氧处理工艺段的问题,提供了基于污水处理的AI智能曝气方法及***。
为了解决上述技术问题,本发明通过下述技术方案得以解决:
基于污水处理的AI智能曝气方法,包括多个污水处理池,风机控制***和智能曝气***,其方法包括:
曝气运行指标的获取,智能曝气***实时的获取污水处理池曝气运行指标;曝气运行指标包括溶解氧DO、管道压力P和风管流量F;
控制参数的设置,智能曝气***设置风机控制***的控制参数;
决策模型的配置,依据曝气运行指标和控制参数配置决策模型;
曝气目标调控指标的输出,通过智能曝气***加载决策模型后进行曝气目标调控指标的计算,并输出风机控制***的曝气目标调控指标。
作为优选,通过智能曝气***加载决策模型后进行曝气目标调控指标的计算步骤包括:
S1、数据的处理,对输入的时间序列数据进行处理,处理后的数据序列为[(t1,x1),(t2,x2),...(ti,xi),...],其中,第i个元素(ti,xi)代表第i个时间段ti和其对应的当时指标值xi,i值按照时间顺序来排序;时间序列包括风量时间序列F和溶解氧时间序列DO;
S2、实时负荷序列L的计算,通过风量时间序列F和溶解氧时间序列DO计算实时的负荷序列L;
S3、溶解氧目标值DOv的计算,通过实时感知的负荷序列L、实时感知的负荷序列上限Lv、溶解氧浮动水平DOs和浮动系数s来计算出溶解氧目标值DOv;
其中,Et(L)为实时感知的负荷序列L在时间t上的平均负荷;
S4、风量目标值Fv的计算,通过实时感知的负荷序列L和溶解氧目标值DOv计算风量目标值Fv;
S5、风量缺口时间序列δ的计算,通过风量目标值Fv和风量时间序列F计算风量缺口时间序列δ;
s6、动作误差ε的计算,
其中,δ-1为风量缺口时间序列δ的最后一个值,δ-2为风量缺口时间序列δ的最后第二个值,δt+1-δt为风量缺口时间序列的变化趋势,tv为阀门的最短调整时间间隔,tθ为风机的最短调整时间间隔;
S7、阀门动作变化倾向dV和风机动作变化倾向dθ的计算;通过动作误差ε获取阀门动作变化倾向dV;通过动作误差ε在时间t上的平均Et(ε),风机时间序列θ中最新值θ-1在风机之间的平均为EθEθ(θ-1);
S8、计算阀门动作ΔV和风机动作Δθ;通过阀门的动作输入输出线性度最优值为Vopt;风机的动作输入输出线性度最优值为θopt。
作为优选,
通过智能曝气***加载决策模型后进行曝气目标调控指标的计算步骤还包括:
风机动作Δθ的调节,目标值DOv的判断,当溶解氧目标值DOv小于溶解氧目标值阈值,则调节风机动作Δθ;
阀门ΔV的调节,通过对风量目标值Fv的判断,当风量目标值Fv大于风量目标值阈值,则进行阀门ΔV的调节;
其中,V_1为最新阀门值,P-1为最新风压值,clip为封顶函数,max为取最大值。
作为优选,阀门动作变化倾向dV和风机动作变化倾向dθ的计算,包括:
DO欠调的判断,通过DOnoise进行判断,当DO变化大于DOnoise,则判断该DO变化为真正的趋势变化,则进行预期动作,否则不进行任何动作;
DOnoise=α*std(|DO-savgol(DO)|)
其中,DOnoise为DO噪音,std为标准偏差函数,savgol(DO)为DO时间序列经过标准Savitsky-Golay滤波器降噪后的输出,α为DO噪音系数;
action=(1-OR(boolean(|DO-1-DO-2|>DOnoise)))
dV=action*dV
dθ=action*dθ
其中,action为动作倾向,boolean为布尔函数,DO-1-DO-2代表最新DO变化,DOnoise为之前计算的DO噪音,OR为OR函数(只要任何DO仪器检测出的变化大于DOnoise则为1,如果全部DO仪器检测出的变化都小于DOnoise则为0),dV为阀门动作变化倾向,dθ为风机动作变化倾向。
为了解决上述技术问题,本发明还提供了基于污水处理的AI智能曝气***,包括多个污水处理池,风机控制***和智能曝气***,其曝气运行指标的获取模块,曝气运行指标的获取模块通过智能曝气***实时的获取污水处理池曝气运行指标;曝气运行指标包括溶解氧DO、管道压力P和风管流量F;
控制参数的设置模块,控制参数的设置模块通过智能曝气***设置风机控制***的控制参数;
决策模型的配置,决策模型的配置模块依据曝气运行指标和控制参数配置决策模型;
曝气目标调控指标的输出模块,曝气目标调控指标的输出模块通过智能曝气***加载决策模型后进行曝气目标调控指标的计算,并输出风机控制***的曝气目标调控指标。
为了解决上述技术问题,本发明还提供了一种计算机可读存储介质,其所述计算机可读存储介质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所述的基于污水处理的AI智能曝气方法的步骤。
为了解决上述技术问题,本发明还提供了一种电子设备,其包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现如所述的基于污水处理的AI智能曝气方法的步骤。
本发明由于采用了以上技术方案,具有显著的技术效果:
本发明根据输入的运行指标和设备调控值之间的变化规律和趋势来实时感知当前各个池子的负荷情况,然后根据所感知到负荷分布和趋势来调整控制策略,使***整体风量分配更合理,实现负荷在不同池子之间有效分摊的效果;
本发明在多级AO工艺中,当后段污水处理池还有一些负荷承受空间时,通过精准降低前段污水处理池的曝气量,使前段污水处理池的一些负荷转移到后段污水处理池,然后增加后段污水处理池的曝气量,来提升前后段整体的好氧处理效率,在出水一样达标的前提下大量节约曝气量(电耗)。备注(现状和原理):在很多污水厂的多级好氧运行现状中,因为前段负荷很高而根据以往经验来大量曝气(但是负荷越高,曝气的边际效益会越低,反而低效),后段剩余的负荷又太小而导致后端曝气浪费(因为必须满足一定曝气量,否则违规)。负荷分摊通过将前段负荷分摊到后段,使前后段的曝气边际效益得到大量提升,使整体所需曝气量大量减少,同时因为前后段的溶解氧趋近而增加曝气可控性,溶解氧的稳定性也得到大量提升。负荷分摊使出水更稳定安全,同时节约了大量电耗。
本发明仅需要在线DO仪表和可调控的风机和阀门即可实现精准曝气的功能;本发明调试时间短、需要的硬件设施少、响应速度快、适用于各类水质。
附图说明
图1是本发明污水处理工艺控制原理图。
图2-1是本发明的人工控制风量的波形图,图2-2是本发明的曝气方法控制风量的波形图;
图3-1是本发明的人工控制溶解氧的波形图,图3-2是本发明的曝气方法控制溶解氧的波形图;
图4-1是本发明的人工控制调节阀的波形图,图4-2是本发明的曝气方法控制调节阀的波形图;
图5是本发明的流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步详细描述。
实施例1
基于污水处理的AI智能曝气方法,通过图1污水处理工艺控制原理图可知包括多个污水处理池,风机控制***和智能曝气***,通过图5实现方法包括:
曝气运行指标的获取,智能曝气***实时的获取污水处理池曝气运行指标;曝气运行指标包括溶解氧DO、管道压力P和风管流量F;
控制参数的设置,智能曝气***设置风机控制***的控制参数;
决策模型的配置,依据曝气运行指标和控制参数配置决策模型;
曝气目标调控指标的输出,通过智能曝气***加载决策模型后进行曝气目标调控指标的计算,并输出风机控制***的曝气目标调控指标。
风机控制***包括风机和阀门;控制参数包括风机的风机的导叶开度、风机的导叶频率、阀门的开度和泵的频率;
决策函数带有可配置的参数,这些参数根据不同的配置会使决策函数拥有不同的决策偏好。可配置的参数包含(但不仅限于)噪音敏感度、阀门开度范围、风机导叶开度范围、DO衰减率、阀门一致性、负荷承受值等。配置参数可分为控制设定值和控制算法参数两种。
曝气目标调控指标为运行中的控制指标值设定,如各个污水处理池的DO设定值,阀门和风机的开度范围,风压上限等,通过运行人员根据运行需求来输入。算法内置的配置参数,参数会影响算法的收敛表现、数值稳定性、控制稳定性等算法相关表现。
通过智能曝气***加载决策模型后进行曝气目标调控指标的计算步骤包括:
S1、数据的处理,对输入的时间序列数据进行处理,对所有的输入时间序列数据进行清洗,将无效的传感器输入值(如负数、None、异常过大值、空值、非数值等)剔除然后通过取均值填充来处理。所有的时间序列进行时间上的顺序排序,处理后的数据序列为[(t1,x1),(t2,x2),...(ti,xi),...],其中,第i个元素(ti,xi)代表第i个时间段ti和其对应的当时指标值xi,i值按照时间顺序来排序;时间序列包括风量时间序列F和溶解氧时间序列DO;
S2、实时负荷序列L的计算,通过风量时间序列F和溶解氧时间序列DO计算实时的负荷序列L;
其中,F为风量时间序列;DO为溶解氧时间序列;
在分母的DO+0.01是为了保证数值稳定性;
S3、溶解氧目标值DOv的计算,通过实时感知的负荷序列L、实时感知的负荷序列上限Lv、溶解氧浮动水平DOs和浮动系数s来计算出溶解氧目标值DOv;
其中,Et(L)为实时感知的负荷序列L在时间t上的平均负荷;
根据每个污水处理池不同的负荷程度分别计算出合理的溶解氧目标值DOv,实现负荷分摊;
S4、风量目标值Fv的计算,通过实时感知的负荷序列L和溶解氧目标值DOv计算风量目标值Fv;
Fv=DOv*L
S5、风量缺口时间序列δ的计算,通过风量目标值Fv和风量时间序列F计算风量缺口时间序列δ;
s6、动作误差ε的计算,
其中,δ-1为风量缺口时间序列δ的最后一个值,δ-2为风量缺口时间序列δ的最后第二个值,δt+1-δt为风量缺口时间序列的变化趋势,tv为阀门的最短调整时间间隔,tθ为风机的最短调整时间间隔;
S7、阀门动作变化倾向dV和风机动作变化倾向dθ的计算
dV=-ε
其中,Et(ε)为动作误差ε在时间t上的平均,Eθ(θ-1)为风机时间序列θ中最新值θ-1在风机之间的平均Eθ;
S8、计算阀门动作ΔV和风机动作Δθ;
ΔV=Vopt*dV
Δθ=θopt*dθ
其中,Vopt为阀门的动作输入输出线性度最优值;θopt为风机的动作输入输出线性度最优值。
其中,Vopt和θopt可人为设定,或通过机器学习来学习设备的输入输出曲线的拐点(拐点为线性度最高点)。
阀门动作变化倾向dV和风机动作变化倾向dθ的计算,包括:
DO欠调的判断,通过DOnoise进行判断,当DO变化大于DOnoise,则判断该DO变化为真正的趋势变化,则进行预期动作,否则不进行任何动作;
DOnoise=α*std(|DO-savgol(DO)|)
其中,DOnoise为DO噪音,std为标准偏差函数,savgol(DO)为DO时间序列经过标准Savitsky-Golay滤波器降噪后的输出,α为DO噪音系数;
action=(1-OR(boolean(|DO-1-DO-2|>DOnoise)))
dV=action*dV
dθ=action*dθ
其中,action为动作倾向,boolean为布尔函数,DO-1-DO-2代表最新DO变化,DOnoise为之前计算的DO噪音,OR为OR函数(只要任何DO仪器检测出的变化大于DOnoise则为1,如果全部DO仪器检测出的变化都小于DOnoise则为0),dV为阀门动作变化倾向,dθ为风机动作变化倾向。
通过DO欠调的判断,通过DOnoise进行判断有效的防止算法将DO正常噪音误判为变化趋势来进行动作调整,导致超调现象,或因为DO真正的变化被误判为噪音而不执行应该执行的动作调整,导致欠调现象
实施例2
在上述实施例基础上,本实施例的通过智能曝气***加载决策模型后进行曝气目标调控指标的计算步骤还包括:
风机动作Δθ的调节,目标值DOv的判断,当溶解氧目标值DOv小于溶解氧目标值阈值,则调节风机动作Δθ;
阀门ΔV的调节,通过对风量目标值Fv的判断,当风量目标值Fv大于风量目标值阈值,则进行阀门ΔV的调节;
其中,V-1为最新阀门值,P-1为最新风压值,clip为封顶函数,max为取最大值。
实施例3
在上述实施例基础上,本实施例阀门和风机必须根据tv-阀门的最短调整时间间隔(如,1分钟)和tθ-风机的最短调整时间间隔(如,10分钟)来执行阀门动作ΔV和风机动作Δθ。举例:如最近一次风机动作在10分钟之内已经执行过,那么即便每分钟都会计算风机的动作(当然也同时计算了阀门的动作),但是风机动作将不会被执行,为了保证风机至少10分钟才能动一次;
决策输出的阀门动作ΔV和风机动作Δθ之后可以通过人为配置程序来进行约束,比如阀门最大动作幅度不能超过5°、风机动作幅度不能超过5°、阀门开度在15°到90°之间、风机开度在20°到85°之间、风机避开45°到50°之间、几个同时运行的风机必须保持同样的开度值。
通过对比图2-1人工控制风量的波形图与图2-2曝气方法控制风量的波形图;通过本发明方法进行风量的调节更加稳定。
通过对比图3-1人工控制溶解氧的波形图,图3-2曝气方法控制溶解氧的波形图;通过本发明方法进行溶解氧的调节更加稳定。
通过图4-1人工控制调节阀的波形图,图4-2曝气方法控制调节阀的波形图;通过本发明方法进行调节阀的调节更柔和,更频繁。
实施例4
在上述实施例基础上,本实施例通过基于污水处理的AI智能曝气方法实现基于污水处理的AI智能曝气***,包括多个污水处理池,风机控制***和智能曝气***,其曝气运行指标的获取模块,曝气运行指标的获取模块通过智能曝气***实时的获取污水处理池曝气运行指标;曝气运行指标包括溶解氧DO、管道压力P和风管流量F;
控制参数的设置模块,控制参数的设置模块通过智能曝气***设置风机控制***的控制参数;
决策模型的配置,决策模型的配置模块依据曝气运行指标和控制参数配置决策模型;
曝气目标调控指标的输出模块,曝气目标调控指标的输出模块通过智能曝气***加载决策模型后进行曝气目标调控指标的计算,并输出风机控制***的曝气目标调控指标。
实施例5
在上述实施例基础上,本实施例一种计算机可读存储介质,其所述计算机可读存储介质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所述的基于污水处理的AI智能曝气方法的步骤。
实施例6
在上述实施例基础上,本实施例一种电子设备,其包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现如所述的基于污水处理的AI智能曝气方法的步骤。
Claims (4)
1.基于污水处理的AI智能曝气方法,包括多个污水处理池,风机控制***和智能曝气***,其方法包括:
曝气运行指标的获取,智能曝气***实时的获取污水处理池曝气运行指标;曝气运行指标包括溶解氧DO、管道压力P和风管流量F;
控制参数的设置,智能曝气***设置风机控制***的控制参数;
决策模型的配置,依据曝气运行指标和控制参数配置决策模型;
曝气目标调控指标的输出,通过智能曝气***加载决策模型后进行曝气目标调控指标的计算,并输出风机控制***的曝气目标调控指标;
通过智能曝气***加载决策模型后进行曝气目标调控指标的计算步骤包括:
S1、数据的处理,对输入的时间序列数据进行处理,处理后的数据序列为[(t1,x1),(t2,x2),...(ti,xi),...],其中,第i个元素(ti,xi)代表第i个时间段ti和其对应的当时指标值xi,i值按照时间顺序来排序;时间序列包括风量时间序列F和溶解氧时间序列DO;
S2、实时负荷序列L的计算,通过风量时间序列F和溶解氧时间序列DO计算实时的负荷序列L;
其中,F为风量时间序列;DO为溶解氧时间序列;
在分母的DO+0.01是为了保证数值稳定性;
S3、溶解氧目标值DOv的计算,通过实时感知的负荷序列L、实时感知的负荷序列上限Lv、溶解氧浮动水平DOs和浮动系数s来计算出溶解氧目标值DOv;
其中,Et(L)为实时感知的负荷序列L在时间t上的平均负荷;
根据每个污水处理池不同的负荷程度分别计算出合理的溶解氧目标值DOv,实现负荷分摊;
S4、风量目标值Fv的计算,通过实时感知的负荷序列L和溶解氧目标值DOv计算风量目标值Fv;
Fv=DOv*L
S5、风量缺口时间序列δ的计算,通过风量目标值Fv和风量时间序列F计算风量缺口时间序列δ;
s6、动作误差ε的计算,
其中,δ-1为风量缺口时间序列δ的最后一个值,δ-2为风量缺口时间序列δ的最后第二个值,δt+1-δt为风量缺口时间序列的变化趋势,tv为阀门的最短调整时间间隔,tθ为风机的最短调整时间间隔;
S7、阀门动作变化倾向dV和风机动作变化倾向dθ的计算,
dV=-ε;
其中,Et(ε)为动作误差ε在时间t上的平均,Eθ(θ-1)为风机时间序列θ中最新值θ-1在风机之间的平均Eθ;
S8、计算阀门动作ΔV和风机动作Δθ;
ΔV=Vopt*dV
Δθ=θopt*dθ
其中,Vopt为阀门的动作输入输出线性度最优值;θopt为风机的动作输入输出线性度最优值;
通过智能曝气***加载决策模型后进行曝气目标调控指标的计算步骤还包括:
风机动作Δθ的调节,溶解氧目标值DOv的判断,当溶解氧目标值DOv小于溶解氧目标值阈值,则调节风机动作Δθ;
阀门ΔV的调节,通过对风量目标值Fv的判断,当风量目标值Fv大于风量目标值阈值,则进行阀门ΔV的调节;
其中,V-1为最新阀门值,P-1为最新风压值,clip为封顶函数,max为取最大值。
2.根据权利要求1所述的基于污水处理的AI智能曝气方法,其特征在于:阀门动作变化倾向dV和风机动作变化倾向dθ的计算,包括:
DO欠调的判断,通过DOnoise进行判断,当DO变化大于DOnoise,则判断该DO变化为真正的趋势变化,则进行预期动作,否则不进行任何动作;
DOnoise=α*std(|DO-savgol(DO)|);
其中,DOnoise为DO噪音,std为标准偏差函数,savgol(DO)为DO时间序列经过标准Savitsky-Golay滤波器降噪后的输出,α为DO噪音系数;
action=(1-OR(boolean(|DO-1-DO-2|>DOnoise)))
dV=action*dV
dθ=action*dθ
其中,action为动作倾向,boolean为布尔函数,DO-1-DO-2代表最新DO变化,DOnoise为之前计算的DO噪音,OR为OR函数,只要任何DO仪器检测出的变化大于DOnoise则OR为1,如果全部DO仪器检测出的变化都小于DOnoise则OR为0,dV为阀门动作变化倾向,dθ为风机动作变化倾向。
3.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质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权利要求1至2任一项所述的基于污水处理的AI智能曝气方法的步骤。
4.一种电子设备,其特征在于,包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现如权利要求1至2任一项所述的基于污水处理的AI智能曝气方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211163731.9A CN115583721B (zh) | 2022-09-23 | 2022-09-23 | 基于污水处理的ai智能曝气方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211163731.9A CN115583721B (zh) | 2022-09-23 | 2022-09-23 | 基于污水处理的ai智能曝气方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115583721A CN115583721A (zh) | 2023-01-10 |
CN115583721B true CN115583721B (zh) | 2023-11-07 |
Family
ID=84778263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211163731.9A Active CN115583721B (zh) | 2022-09-23 | 2022-09-23 | 基于污水处理的ai智能曝气方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115583721B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116216913B (zh) * | 2023-02-20 | 2023-12-05 | 浙江数翰科技有限公司 | Mbbr脉冲式曝气控制方法和*** |
CN116282250A (zh) * | 2023-02-23 | 2023-06-23 | 浙江数翰科技有限公司 | 一种智能臭氧投加方法和*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS58202093A (ja) * | 1982-05-19 | 1983-11-25 | Shinko Electric Co Ltd | 溶存酸素濃度制御装置 |
CN102491546A (zh) * | 2011-12-31 | 2012-06-13 | 成都绿水科技有限公司 | 一种曝气*** |
CN102863074A (zh) * | 2011-07-06 | 2013-01-09 | 北京源汇远科技有限公司 | 一种城市污水厂鼓风曝气***智能控制方法 |
CN109879410A (zh) * | 2019-03-27 | 2019-06-14 | 上海西派埃智能化***有限公司 | 一种污水处理曝气控制*** |
CN110482687A (zh) * | 2019-09-05 | 2019-11-22 | 中冶华天工程技术有限公司 | 一种基于自动控制的精确曝气方法 |
WO2021199886A1 (ja) * | 2020-03-31 | 2021-10-07 | 栗田工業株式会社 | 好気性生物膜処理方法および装置 |
WO2021199885A1 (ja) * | 2020-03-31 | 2021-10-07 | 栗田工業株式会社 | 好気性生物膜処理方法および装置 |
-
2022
- 2022-09-23 CN CN202211163731.9A patent/CN115583721B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS58202093A (ja) * | 1982-05-19 | 1983-11-25 | Shinko Electric Co Ltd | 溶存酸素濃度制御装置 |
CN102863074A (zh) * | 2011-07-06 | 2013-01-09 | 北京源汇远科技有限公司 | 一种城市污水厂鼓风曝气***智能控制方法 |
CN102491546A (zh) * | 2011-12-31 | 2012-06-13 | 成都绿水科技有限公司 | 一种曝气*** |
CN109879410A (zh) * | 2019-03-27 | 2019-06-14 | 上海西派埃智能化***有限公司 | 一种污水处理曝气控制*** |
CN110482687A (zh) * | 2019-09-05 | 2019-11-22 | 中冶华天工程技术有限公司 | 一种基于自动控制的精确曝气方法 |
WO2021199886A1 (ja) * | 2020-03-31 | 2021-10-07 | 栗田工業株式会社 | 好気性生物膜処理方法および装置 |
WO2021199885A1 (ja) * | 2020-03-31 | 2021-10-07 | 栗田工業株式会社 | 好気性生物膜処理方法および装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115583721A (zh) | 2023-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115583721B (zh) | 基于污水处理的ai智能曝气方法及*** | |
US9747544B2 (en) | Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network | |
AU2021101438A4 (en) | Adaptive control method and system for aeration process | |
Bernard et al. | Dynamical model development and parameter identification for an anaerobic wastewater treatment process | |
CN101576734B (zh) | 基于动态径向基神经网络的溶解氧的控制方法 | |
CN103197539B (zh) | 污水处理智能优化控制曝气量的方法 | |
CN102863074A (zh) | 一种城市污水厂鼓风曝气***智能控制方法 | |
CN109188899A (zh) | 用于污水处理模糊化的精准曝气控制***及模糊控制方法 | |
AU2021100130A4 (en) | Intelligent control method and system for sewage treatment aeration based on deep learning | |
CN202758178U (zh) | 一种智能动态曝气控制*** | |
Chen et al. | Smart energy savings for aeration control in wastewater treatment | |
CN114671523B (zh) | 一种基于预测控制的污水处理节能方法 | |
CN107555590A (zh) | 一种多点组合式精确曝气控制方法 | |
CN115793471A (zh) | 一种基于污水处理监测的可调式控制方法及*** | |
CN109592804A (zh) | 一种污水处理趋近循优精确曝气方法 | |
Alferes et al. | Combination of extremum-seeking algorithms with effective hydraulic handling of equalization tanks to control anaerobic digesters | |
KR20060092660A (ko) | 퍼지제어를 이용한 하·폐수 처리장의 자동제어장치 및 방법 | |
Grognard et al. | Stability analysis of a wastewater treatment plantwith saturated control | |
CN113651413A (zh) | 基于抗生素在线监测的臭氧投加控制方法和*** | |
CN111273706B (zh) | 一种曝气池溶解氧控制方法、装置、计算机设备及介质 | |
JP2007249767A (ja) | プロセス制御システム | |
CN116655130A (zh) | 一种控制曝气的方法、***、装置、设备和存储介质 | |
CN115343944B (zh) | 一种具有输入饱和的污水处理***的可靠pi控制方法 | |
CN208413970U (zh) | 精确曝气控制*** | |
CN214174904U (zh) | 一种污水处理智能曝气量计算控制*** |
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 |