一种根据处理水量分阶段控制水厂运行的方法技术

本发明专利技术公开了一种根据处理水量分阶段控制水厂运行的方法，包括下述步骤：S100：采集污水处理厂的实时进水流量数据，并计算当前进水化学需氧量，将采集到的实时进水流量、进水化学需氧量数据以及对应的时间点存入数据库；S200：对采集到的数据以实时进水流量和进水化学需氧量数据为纵坐标，实时进水流量数据对应的时间点为横坐标建立数据曲线，对所述数据曲线进行平滑削噪；S300：将进行平滑削噪后的数据，采用神经网络技术建立数据预测模型；S400：对选定时刻的数据进行预测，获取预测值；S500：按照获取的预测值对污水处理厂的运行进行控制。通过采用本方法可以保证工艺调整及时，使工艺运行依进水变化而微调，以达到出水稳定，并达标排放的目的。

【技术实现步骤摘要】

本专利技术涉及污水处理厂，特别是涉及一种根据处理水量分阶段控制水厂运行的方法。
技术介绍
随着经济的快速发展，城市污水生产量是规划污水系统的布局、配套管网和截污系统的建设、城市污水处理厂的规模、污水处理工艺的决定因素。污水处理厂的设计过程中，设计进水水质、水量往往决定着城市污水处理厂的规模、工艺流程的选择和工程的投资、运行费用。现已建成的大部分城市污水处理厂实际进水水质、水量与设计值存在较大出入，严重影响了城市污水处理的稳定、高效运行。因此，有必要对污水水质、水量进行预测，为污水处理厂的运营、决策提供有力的依据。以较先进、可靠的方法对水量及水质进行预测，对于现有污水处理厂的合理调度、以及运营的稳定性、经济性都有很大的决策参考意义。
技术实现思路
本专利技术的目的在于，提供一种根据处理水量分阶段控制水厂运行的方法，采用本方法可以预测到污水处理厂下一时间段的进水量和进水化学需氧量，为合理运行污水处理厂提供可参考依据。为解决上述技术问题，本专利技术采用如下的技术方案：一种根据处理水量分阶段控制水厂运行的方法，包括下述步骤：S100：采集污水处理厂的实时进水流量和进水化学需氧量数据，将采集到的实时进水流量、进水化学需氧量数据以及对应的时间点存入数据库；S200：对采集到的数据以实时进水流量和进水化学需氧量数据为纵坐标，实时进水流量数据对应的时间点为横坐标建立数据曲线，对所述数据曲线进行平滑削噪；S300：将进行平滑削噪后的数据，采用神经网络技术建立数据预测模型；S400：对选定时刻的数据进行预测，获取预测值；S500：按照获取的预测值对污水处理厂的运行进行控制。前述的一种根据处理水量分阶段控制水厂运行的方法中，所述步骤S200还包括如下步骤：S210：对所述数据曲线采用小波分解法进行平滑削噪处理；S220：重复步骤S210三次，对所述数据曲线进行三次小波分解；S230：利用无偏风险准则选取阈值进行消噪，并重构小波，得到平滑消噪的数据集。无偏风险准则是一种选择阈值的方法，可以自动获取阈值，具体方法如下：具体为无偏似然估计原理的Rigrsure规则W为一向量，其元素为小波系统的平方，并按照由小到大的顺序排列，W＝[w1，w2，……,wn]，且w1≤w2≤……≤wn,再设一向量R，其元素为： r i = [ n - 2 i - ( n - i ) w + Σ k = 1 i w k ] / n ]]>以R元素中的最小值rb为风险值，由rb的小标变量b求出对应的Wb，则阈值T1为 T 1 = σ w b . ]]>前述的一种根据处理水量分阶段控制水厂运行的方法中，所述步骤S500还包括如下步骤：S510：预测t时间后污水处理厂的进水量，根据预测结果调节反应池进水量，控制水处理进程。前述的一种根据处理水量分阶段控制水厂运行的方法中，步骤S300中所述采用神经网络技术建立数据预测模型包括如下步骤：建立输入层、隐层和输出层；输入层包括输入单元，用于输入实时进水流量和进水化学需氧量；所述输入层将输入参数传给隐层，所述隐层分别连接输入层和输出层；所述输出层包括输出单元，用于输出预测进水流量和预测进水COD浓度值。COD指的是化学需氧量(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。采用神经网络技术建立数据预测模型的方法包括如下步骤：S310：向前传输：所述隐层的输入值为所有输入层的输入值得加权之和： y j = Σ i λ i j y i ; ]]>λij是输入层和隐层的加权值，yi为输入层进水水量数据和进水COD数据，yj为隐层输入值；所述隐层的输出值为：y'j＝f(yj)＝1/(1+e-yj)；y'j为隐层的输出值，f(yj)＝1/(1+e-yj)为第一数值函数；所述输出层的输出值为： y m = Σ i λ j m y ′ j ; ]]>λjm为输出层和隐层间的加权值，ym是输出层的第m个输出值；所述输出值包括预测进水水量和预测进水COD浓度；S320：模型参数优化：所述λjm的学习算法为：λjm(t+1)＝λjm(t)+Δλjm Δλ j m = ηy j ′ ( y m o - y m ) ]]>η为学习系数，表示模型学习的速率，取值范围为(0,1)；Δλjm为(t+1)时刻输出层和隐层间的加权值与t时刻输出层和隐层间的加权值之差；所述λij的学习算法为：λij(t+1)＝λij(t)+Δλij Δλ i j = η Σ m = 1 M [ ( y m o - y m ) × λ j o y i ] ]]>Δλij为(t+1)时刻输入层和隐层间的加权值与t时刻输入层和隐层间的加权值之差。S330：模型训练：设定误差精度为E0，λij初始值为0，λjm初始值为0，学习系数η为0.7，训练次数为W次，迭代进行第1)～5)步计算，迭代至误差精度小于E0或迭代次数大于W时，停止迭代，得到模型各参本文档来自技高网...

【技术保护点】
一种根据处理水量分阶段控制水厂运行的方法，其特征在于，包括下述步骤：S100：采集污水处理厂的实时进水流量和进水化学需氧量数据，将采集到的实时进水流量、进水化学需氧量数据以及对应的时间点存入数据库；S200：对采集到的数据以实时进水流量和进水化学需氧量数据为纵坐标，实时进水流量数据对应的时间点为横坐标建立数据曲线，对所述数据曲线进行平滑削噪；S300：将进行平滑削噪后的数据，采用神经网络技术建立数据预测模型；S400：对选定时刻的数据进行预测，获取预测值；S500：按照获取的预测值对污水处理厂的运行进行控制。

【技术特征摘要】
1.一种根据处理水量分阶段控制水厂运行的方法，其特征在于，包括下述步骤：S100：采集污水处理厂的实时进水流量和进水化学需氧量数据，将采集到的实时进水流量、进水化学需氧量数据以及对应的时间点存入数据库；S200：对采集到的数据以实时进水流量和进水化学需氧量数据为纵坐标，实时进水流量数据对应的时间点为横坐标建立数据曲线，对所述数据曲线进行平滑削噪；S300：将进行平滑削噪后的数据，采用神经网络技术建立数据预测模型；S400：对选定时刻的数据进行预测，获取预测值；S500：按照获取的预测值对污水处理厂的运行进行控制。2.根据权利要求1所述的一种根据处理水量分阶段控制水厂运行的方法，其特征在于，所述步骤S200还包括如下步骤：S210：对所述数据曲线采用小波分解法进行平滑削噪处理；S220...

【专利技术属性】
技术研发人员：李鸿燕，
申请(专利权)人：华电水务工程有限公司，
类型：发明
国别省市：北京;11