基于深度神经网络的溶解氧浓度控制方法及系统技术方案

本发明专利技术公开了一种基于深度神经网络的溶解氧浓度控制方法及系统，所述方法包括：检测并采集废水中的多组原始数据；根据所述原始数据建立深度神经网络模型；利用所述深度神经网络模型计算控制参数；根据所述控制参数，对曝气量进行调整。本发明专利技术通过建立深度神经网络的溶解氧模型，实现对溶解氧的精准控制。

【技术实现步骤摘要】
基于深度神经网络的溶解氧浓度控制方法及系统
本专利技术涉及控制
，尤其涉及一种溶解氧浓度控制方法及系统。
技术介绍
溶解氧是污水好氧生物处理系统运行的关键因素，供氧总量直接决定污水处理成本，溶解氧浓度水平过低，使活性污泥活性降低，抑制生物对有机物的降解，产生污泥膨胀；溶解氧过高会加速消耗污水中的有机物，使微生物因缺乏营养而引起活性污泥的老化，长期过高的溶解氧会降低活性污泥的絮凝性能和吸附能力，增加能耗，导致悬浮固体沉降性变差。因此，溶解氧的控制非常重要。污水活性污泥好氧处理系统溶解氧的浓度控制具有复杂的非线性、滞后性和一定的不确定性，因此，在充分考虑处理负荷的情况下，寻求一种通过控制曝气量进而对溶解氧浓度实现精准控制的方法，对于提高污水处理控制的自动化水平和效果、节约能源都有很大的意义。目前，对污水处理厂曝气量的控制主要是依赖设计标准以及技术员的经验来人为实施，但是，进水流量及水质参数是随时变化的，这种变化存在很大随机性，这使得对污水厂的运行控制难度很大。另外，目前污水处理厂使用的污水处理系统是一种多变量非线性系统，溶解氧的浓度控制、污水水质及运行条件关系复杂，很难用线性关系来描述，因此无法用传统的机理分析和数学推导的方法来建立相应的模型。
技术实现思路
针对现有技术中的缺陷，本专利技术提供一种基于深度神经网络的溶解氧浓度控制方法及系统，通过应用基于深度神经网络的溶解氧模型，通过对控制曝气量进而实现对溶解氧的精准控制。第一方面，本专利技术提供了一种基于深度神经网络的溶解氧浓度控制方法，所述方法包括：检测并采集废水中的多组原始数据；根据所述原始数据建立深度神经网络模型；利用所述深度神经网络模型计算控制参数；根据所述控制参数，对曝气量进行调整。进一步地，所述根据所述原始数据建立深度神经网络模型，具体包括：取出所述原始数据中的一部分数据作为训练样本；调用所述深度神经网络模型的参数训练函数；采用所述参数训练函数，对所述训练样本进行学习和训练；根据学习和训练的结果建立深度神经网络模型。进一步地，所述根据所述原始数据建立深度神经网络模型，还包括：利用所述深度神经网络模型进行废水处理的仿真。进一步地，所述利用所述深度神经网络模型进行废水处理的仿真，具体包括：取出所述原始数据中剩余的数据作为测试样本；调用所述深度神经网络模型的仿真函数；利用所述仿真函数和所述测试样本对污水处理进行仿真，得到预测数据；利用所述预测数据检测所述模型的准确性和稳定性。进一步地，所述检验深度神经网络模型的准确性和稳定性，具体包括：将所述预测数据和实测数据的变化趋势进行对比，检验两者之间的误差。进一步地，所述利用所述深度神经网络模型计算控制参数，具体包括：设置所述模型的输入参数，利用所述模型计算与输入参数相对应的输出参数，作为控制参数。进一步地，所述输入参数包括：废水流量，水力停留时间，进水污染物浓度，出水污染物浓度，活性污泥浓度，溶解氧浓度；所述输出参数为曝气量。进一步地，所述检测并采集废水中的多组原始数据之后，建立深度神经网络模型之前，还包括：对所述原始数据进行有效性分析，从中提取有效数据，用所述有效数据更新所述原始数据。进一步地，所述原始数据包括：废水流量，水力停留时间，进水污染物浓度，出水污染物浓度，活性污泥浓度，曝气量参数及对应的溶解氧浓度。第二方面，本专利技术还提供了一种基于深度神经网络的溶解氧浓度控制系统，所述系统包括：数据采集模块，模型建立模块，参数计算模块，控制模块；所述数据采集模块，用于检测并采集废水中的多组原始数据；所述模型建立模块，用于根据所述原始数据建立深度神经网络模型；所述参数计算模块，用于利用所述深度神经网络模型计算控制参数；所述控制模块，用于根据所述控制参数，对曝气量进行调整。由上述技术方案可知，本专利技术提供一种基于深度神经网络的溶解氧浓度控制方法及系统，将深度神经网络应用于溶解氧监测与控制模型中，建立基于深度神经网络的溶解氧模型，通过对控制曝气量以实现对溶解氧的精准控制。附图说明图1示出了本专利技术提供的溶解氧浓度控制方法的流程示意图。图2示出了限制性玻尔兹曼机的网络结构示意图。图3示出了本专利技术中建立深度神经网络模型的流程示意图。图4示出了本专利技术中利用深度神经网络模型进行仿真的流程示意图。图5示出了本专利技术提供的溶解氧浓度控制系统的结构示意图。具体实施方式下面将结合附图对本专利技术技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，因此只是作为示例，而不能以此来限制本专利技术的保护范围。实施例一图1示出了本专利技术实施例一提供的基于深度神经网络的溶解氧浓度控制方法的流程示意图。如图1所示，所述方法包括：步骤S100，检测并采集废水中的多组原始数据；步骤S200，根据所述原始数据建立深度神经网络模型；步骤S300，利用所述深度神经网络模型计算控制参数；步骤S400，根据所述控制参数，对曝气量进行调整。本专利技术实施例一的具体技术方案为：步骤S100，检测并采集废水中的多组原始数据。所述原始数据包括但不限于：废水流量，水力停留时间，进水污染物浓度，出水污染物浓度，活性污泥浓度，曝气量参数及对应的溶解氧浓度。采集到原始数据后，必要时需要对原始数据进行有效性分析，从中提取有效数据，用所述有效数据更新所述原始数据。有效性分析的具体方式为：将原始数据与预先监测的对比数据进行对比，检验两者的误差大小，如果某一原始数据与相应的对比数据相比，误差过大，或大于某一个设定的阈值，则认为该原始数据为无效数据，反之则为有效数据，完成全部对比后，用筛选出的有效数据来替换原始数据，成为新的原始数据，以备后续步骤使用。步骤S200，根据所述原始数据建立深度神经网络模型。本专利技术实施例的原理为：将深度神经网络应用于溶解氧监测与控制模型中，具体来讲，利用深度神经网络中的迭代训练算法训练基于深度神经网络的溶解氧模型。一般而言，深度神经网络模型和浅层神经网络模型都采用分层结构，两者都包括输入层，隐藏层和输出层，相邻层之间有连接，同一层和跨层的节点之间没有连接。相较于浅层神经网络模型，深度神经网络模型采用逐层训练的方法而非反向传播算法，在反馈调整时候，梯度越来越稀疏，从顶层越往下，误差校正信号越来越小，而且收敛容易局部最小，这主要与初始值的随机性和数据的无标签性密切相关。深度神经网络(DeepNeuralNetwork，DNN)指的是具有多层隐藏层的表示非线性关系的深层结构，使用该模型结构理论上可以逼近复杂的函数。深度神经网络各神经单元之间表示的是一种非线性关系，可以用来逼近复杂函数并拟合可观测数据，在学习数据的本质特征上显示了强大的建模能力及抽取能力。同时，深度神经网络有多个隐藏层，多隐层的网络具有优异的特征学习能力，这种学习得到的特征对于数据有着更本质的刻画，利于分类。深度学习的本质是通过构建多隐藏层，利用大量的训练数据来学习更有用的特征，从而提高预测的准确性，因此，深度模型是手段，特征学习是目的。深度神经网络模型通过学习深层非线性的网络结构，可实现复杂函数逼近来表示输入数据的分布式表达。由于溶解氧的影响因素多样而复杂，浅层的模型结构如高斯混合模型的建模能力有限，并不能精确表达溶解氧与其影响因素之间的高阶相关性。深度神经网络强大的建模能力则更适合本文档来自技高网...

【技术保护点】
基于深度神经网络的溶解氧浓度控制方法，其特征在于，所述方法包括：检测并采集废水中的多组原始数据；根据所述原始数据建立深度神经网络模型；利用所述深度神经网络模型计算控制参数；根据所述控制参数，对曝气量进行调整。

【技术特征摘要】
1.基于深度神经网络的溶解氧浓度控制方法，其特征在于，所述方法包括：检测并采集废水中的多组原始数据；根据所述原始数据建立深度神经网络模型；利用所述深度神经网络模型计算控制参数；根据所述控制参数，对曝气量进行调整。2.根据权利要求1所述的溶解氧浓度控制方法，其特征在于，所述根据所述原始数据建立深度神经网络模型，具体包括：取出所述原始数据中的一部分数据作为训练样本；调用所述深度神经网络模型的参数训练函数；采用所述参数训练函数，对所述训练样本进行学习和训练；根据学习和训练的结果建立深度神经网络模型。3.根据权利要求2所述的溶解氧浓度控制方法，其特征在于，所述根据所述原始数据建立深度神经网络模型，还包括：利用所述深度神经网络模型进行废水处理的仿真。4.根据权利要求3所述的溶解氧浓度控制方法，其特征在于，所述利用所述深度神经网络模型进行废水处理的仿真，具体包括：取出所述原始数据中剩余的数据作为测试样本；调用所述深度神经网络模型的仿真函数；利用所述仿真函数和所述测试样本对污水处理进行仿真，得到预测数据；利用所述预测数据检测所述模型的准确性和稳定性。5.根据权利要求4所述的溶解氧浓度控制方法，其特征在于，所述检验深度神经网络模型的准确性和稳定性，具体包括：将所述预测数据和实测数据的变化趋势进行对比，检验两者之间的误...

【专利技术属性】
技术研发人员：方芳，贾胜勇，李守东，姜宁，梁猛，
申请(专利权)人：北京易沃特科技有限公司，
类型：发明
国别省市：北京,11