The invention relates to a method for realizing short cut nitrification of SBR based on a neural network model to predict pH variation, belonging to the field of wastewater treatment methods. In the SBR system, the control of aeration time by real-time control strategy, to long-term stable operation of the SBR data as the basic data, establish the prediction model of 3 layer BP neural network, forecast the change curve of pH, according to the pH change point prediction, set in advance to stop aeration time, prevent NO
【技术实现步骤摘要】
一种基于神经网络模型预测pH变化实现SBR短程硝化的方法
本专利技术涉及一种污水处理技术,尤其是能够通过神经网络模型预测SBR氨氧化过程pH变化点,提前设定停止曝气时间,从而使SBR系统逐步实现短程硝化,适用于城市生活污水的脱氮处理,属于废水处理方法领域。
技术介绍
传统生物脱氮技术主要包括硝化反硝化两个阶段,硝化反应包括两个步骤,第一步为氨氧化过程,由氨氧化菌(AOB)将氨氮转化为亚硝酸氮,第二步为硝化过程,由亚硝酸盐氧化菌(NOB)将亚硝酸氮进一步转化为硝酸氮。反硝化反应是在缺氧和有机碳源存在的条件下,将亚硝酸盐或者硝酸盐转化为N2或N2O的过程。传统生物脱氮技术中,硝化菌群生长较慢,反应器内难以维持较高的生物浓度,造成系统水力停留时间长,容积负荷率低,基建投资大,反硝化外加有机碳源造成能源浪费。短程硝化是将硝化过程控制在NO2--N阶段,随后进行反硝化。实现短程硝化的关键在于将氨氧化控制在NO2--N阶段,阻止NO2--N的进一步氧化,再直接进行反硝化。目前实现短程硝化常用的控制策略是根据在线传感器观察pH变化点,在氨氧化过程完成之时关闭曝气,但是由于缺氧环境下仍会有部分亚硝酸氮转化为硝酸氮,由于NOB必须在AOB产生亚硝酸盐后方可生长,因此,如果能够在氨氧化过程完成之前及时关闭曝气,便可以降低NOB的生长,长期下去可以达到淘洗系统NOB的目的。城市生活污水氨氧化过程具有非线性、时变性和不确定性,这对于建立准确的数学模型造成一定困难,即使建立,结构也十分复杂,难以有效控制。基于研究发现模糊控制缺乏自学习能力,适应性比较差,控制精度不高,实际应用比较困 ...
【技术保护点】
一种基于神经网络模型预测pH变化实现SBR短程硝化的方法,其特征在于,在SBR系统中,利用实时控制策略控制曝气时间,以长期运行稳定的SBR数据为基础数据,建立3层BP神经网络预测模型,提前预测pH变化曲线,根据预测的pH变化点,提前设定停止曝气时间,防止NO
【技术特征摘要】
1.一种基于神经网络模型预测pH变化实现SBR短程硝化的方法,其特征在于,在SBR系统中,利用实时控制策略控制曝气时间,以长期运行稳定的SBR数据为基础数据,建立3层BP神经网络预测模型,提前预测pH变化曲线,根据预测的pH变化点,提前设定停止曝气时间,防止NO2--N进一步氧化,具体如下:(1)数据采集:通过在线仪表将数据采集进行下一步;(2)数据选择处理:将第一步采集到的数据进行选则预处理,从中选择连续稳定的足够的样本,将pH作为变量参数;(3)模型建立:将选择的数据进行建模,选择BP神经网络模型,进行训练、校正和测试,达到精度要求后,进行过程传感器监测pH和在线预测pH。2.按照权利要求1的一种基于神经网络模型预测pH变化实现SBR短程硝化的方法,其特征在于,建立的BP神经网络的输入层包括在线监测的pH值,输出层为预测的下一刻pH值,具体方法如下:1)利用Matlab编写神经网络函数如下:采用的隐含层的激活函数采取S函数:f(x)=1/(1+exp(-x));2)BP神经网络的设计:典型的BP神经网络为3层结构:输入错、隐含层和输出层;输入层接受算法的输入,在本模型中输入层为x,输入层节点的个数和x的维数对应,本模型中,输入x为标量,输入层节点个数为1;隐含层节点个数为3个;输出层节点个数和输出y的维数对应,本模型中,输出y为标量,因此输出层结点个数为1;3)训练的基本思路在SBR系统内,建立一个3层的BP神经网络模型,利用输出后的误差来估计输出层的直接前导层的误差,再用这个直接前导层的误差估计更前一层的误差,如此一层一层的反传下去,就获得了所有其他各层的误差估计;神经网络在外界输入样本的刺激下不断改变网络的连接权值,以使网络的输出不断地接近期...
【专利技术属性】
技术研发人员:杨庆,杨玉兵,刘秀红,冯红利,李健敏,李健伟,
申请(专利权)人:北京工业大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。