【技术实现步骤摘要】
一种渗滤液生化段碳源投加量的预测方法及优化算法
[0001]本专利技术属于渗滤液处理
，尤其是涉及一种渗滤液生化段碳源投加量的预测方法及优化算法。
技术介绍
[0002]垃圾填埋场渗滤液的处理一直都是填埋场设计、运行和管理中非常棘手的问题，垃圾填埋场的渗滤液属于高浓度有机废液，垃圾渗滤液总氮浓度一般从数百到几千毫克每升不等，与城市污水相比，垃圾渗沥液的氨氮浓度高出数十至数百倍。
[0003]MBR膜生化处理是最为经济有效的渗滤液处理方式，是应用最为广泛的技术之一。在渗滤液处理过程中，渗滤液从填埋场底部搜集进入调节池、均衡池中缓存，在一级硝化池的生化反应阶段，通过投加碳源以分解渗滤液中的总氮，经过生化反应可有效降低渗滤液中的COD和总氮，再经过深化处理单元处理后可实现达标排放。生化反应是整个工艺系统的核心，分为反硝化反应和硝化反应，而氮是垃圾渗滤液污染程度的重要指标之一，渗滤液处理中碳源在反硝化菌作用下可有效分解硝态氮，良好的碳氮比是生化反应顺利进行的保障，在碳源不足的情况下需投加碳源，一般渗滤液中的总氮在一级硝...
【技术保护点】
【技术特征摘要】
1.一种渗滤液生化段碳源投加量的预测方法及优化算法，其特征在于：其包括以下步骤：S1)确定影响因子：确定影响渗滤液生化段出水总氮浓度的影响因子；S2)数据提取与清洗：基于现场生产数据进行数据提取与清洗，得到包含训练数据组和验证数据组的基础数据组；S3)模型创建：设定模型创建参数以创建深度学习神经网络算法模型；S4)模型训练：使用训练数据组对深度学习神经网络算法模型进行训练；S5)模型验证：分别使用训练数据组和验证数据组对深度学习神经网络算法模型进行验证；S6)优化算法设计：创建包含影响因子参数的碳源投加量目标函数，并通过梯度下降法、牛顿迭代法或者二分法对碳源投加量目标函数进行求解，得到最低碳源投加量预测值；S7)优化算法调优与验证：针对碳源投加量目标函数引入碳源投加系数对最低碳源投加量预测值进行误差调节，并通过观测渗滤液生化段出水总氮浓度的实际值进行验证，得到最优碳源投加量预测值。2.根据权利要求1所述的渗滤液生化段碳源投加量的预测方法及优化算法，其特征在于：步骤S1)中的影响因子包括进水流量、进水COD浓度、进水氨氮浓度、进水总氮浓度、硝化池内回流流量、硝化池内温度、硝化池内pH、硝化池内溶解氧以及碳源投加量。3.根据权利要求1所述的渗滤液生化段碳源投加量的预测方法及优化算法，其特征在于：步骤S2)中数据提取与清洗的方法为：基于现场生产数据，提取与影响因子相关的基础数据，对基础数据进行异常数据排查或者人工标注错误以剔除脏数据，进行数据清洗，得到包含训练数据组和验证数据组的基础数据组。4.根据权利要求1所述的渗滤液生化段碳源投加量的预测方法及优化算法，其特征在于：步骤S3)中模型创建的方法为：应用matlab中newff.m函数，创建深度学习神经网络算法模型，设定隐含层的层数为单隐含层、隐含层的节点数为20
‑
40个、输入层的节点数为9个、输出层为渗滤液生化段出水的总氮浓度预测值、隐含层节点激发函数为Logsig以及输出层节点激发函数为Purelin作为模型创建参数。5.根据权利要求1所述的渗滤液生化段碳源投加量的预测方法及优化算法，其特征在于：步骤S4)中模型训练的方法为：对训练数据组进行数据归一化处理后，设定模型的权值、阀值、最大训练步数以及训练误差作为模型训练参数，应用matlab中train.m函数，使用训练数据组对深度学习神经网络算法模型进行训练。6.根据权利要求1所述的渗滤液生化段碳源投加量的预测方法及优化算法，其特征在于：步骤S5)中模型验证的方法，包括：对基础数据组中所有数据进行归一化处理后，调用matlab中sim.m函数，使用基础数据组对深度学习神经网络算法模型进行验证，输出验证结果，调用matlab中自带的mapminmax.m函数对输出的验证结果进行逆归一化处理，得到渗滤液生化段出水的总氮浓度预测值，将总氮浓度预测值与基础数据组中的出水总氮浓度进行对比验证。7.根据权利要求6所述的渗滤液生化段碳源投加量的预测方法及优化算法，其特征在于：步骤S5)中模型验证的方法，还包括：分别使用训练数据组和...
【专利技术属性】
技术研发人员：陈晓琪，李遥，叶邦端，刘煌彬，
申请(专利权)人：厦门牧云数据技术有限公司，
类型：发明
国别省市：
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。