一种基于微生物群落的污水处理曝气系统控制方法技术方案

本发明专利技术公开了一种基于微生物群落的污水处理曝气系统控制方法，属于废水处理领域。首先以污泥浓度、污泥体积指数、溶解氧浓度和活性污泥微生物群落结构数据为基础构建长短期记忆(LSTM)网络模型；再采用污水处理系统正常运行且污泥性能良好情况下获取的污泥浓度、污泥体积指数、溶解氧浓度和活性污泥微生物群落结构数据对模型进行训练，然后，采用训练好的模型计算应用状态下的最优曝气量并进行曝气控制。本发明专利技术提出的溶解氧调控方法可以有效降低污水处理系统中导致污泥性能差(污泥膨胀或发泡)的微生物的丰度，从而保障系统高效稳定运行。运行。运行。

【技术实现步骤摘要】
一种基于微生物群落的污水处理曝气系统控制方法


[0001]本专利技术属于污水处理
，特别是涉及一种基于微生物群落的污水处理曝气系统控制方法。

技术介绍

[0002]溶解氧浓度是活性污泥法污水生物处理系统运行的关键指标之一，溶解氧浓度过高会导致能耗高且总氮去除效果差；而溶解氧浓度低可能导致有机物和氨氮去除效果差，还可导致丝状菌大量繁殖并出现污泥膨胀现象。另一方面，溶解氧是微生物重要的生存因子之一，溶解氧的变化会导致活性污泥微生物群落结构的改变，进而影响污染物的去除效率，甚至影响系统的稳定运行(如：导致污泥膨胀)，因此对溶解氧浓度进行合理调控是保证活性污泥系统高效、低耗及稳定运行的重要手段。
[0003]目前，污水处理厂对污水处理系统中的溶解氧调控一般依据经验进行，通常情况下，大部分污水处理厂将活性污泥系统中的溶解氧维持在2～4mg/L，这是一个较为宽泛的范围，溶解氧在此范围内波动时会导致活性污泥中的微生物群落结构发生变化，污水处理系统长时间运行过程中由于溶解氧波动可能导致微生物群落结构发生严重改变，进而导致污水处理效果变差或系统运行不稳定。
[0004]近年来，随着曝气系统和自动化控制技术的发展，污水处理系统中的溶解氧浓度可以实现精准控制，如果仅从降低能耗的角度出发，应该将溶解氧控制在较低水平，但是污水处理系统长期溶解氧过低可能导致污染物去除效果变差，也可能引起微生物群落改变，进而导致系统不稳定。因此，如何在同时保证污染物去除效果和低能耗的前提下，确定最优的溶解氧浓度水平成为一个亟待解决的技术问题。

技术实现思路

[0005]1.要解决的问题
[0006]针对由于溶解氧波动导致的污染物去除效果差或污泥沉淀效果差等系统不稳定的问题，本专利技术从微生物群落角度出发，测定水质、活性污泥及活性污泥中微生物的种群结构等相关信息，并将这些信息用于LSTM网络模型构建。LSTM网络通过遗忘门、记忆门和输出门等结构，可以实现在较长时间内记录数据内容的功能，并且训练相应的学习模型，计算(预测)构建特定微生物群落结构条件下的污水中溶解氧浓度值并根据计算值精准控制溶解氧，充分利用溶解氧这一参数对微生物群落结构实现调控，确保污水处理系统中有益微生物尽量多、无益微生物尽量少，从而保障系统高效稳定运行。
[0007]本专利技术从微生物群落角度提供了一种活性污泥系统溶解氧浓度控制方法，该方法可以避免由于溶解氧随机波动导致的污染物去除效果差和系统不稳定等情况的发生。
[0008]2.技术方案
[0009]为了解决上述问题，本专利技术所采用的技术方案如下：
[0010]一种基于微生物群落的污水处理曝气系统控制方法，包括以下步骤：
[0011]S1、模型构建
[0012](1)测定活性污泥的污泥浓度、污泥体积指数、溶解氧浓度和活性污泥微生物群落结构；
[0013]优选地，微生物群落结构通过不同细菌的相对丰度来确定；
[0014](2)以污泥浓度、污泥体积指数、溶解氧浓度和活性污泥微生物群落结构数据为基础构建机器学习矩阵；
[0015]优选地，构建机器学习矩阵具体为：
[0016]t1～t
m
为每次记录的时间，v
ij
为第j(j≤m)次记录中的第i(i≤n)种细菌的相对丰度，MLSS1～MLSS
m
为每次记录对应的活性污泥浓度，SVI1～SVI
m
为每次记录对应的污泥体积指数，D1～D
m
为每次记录对应的溶解氧浓度；
[0017][0018](3)建立污泥浓度、污泥体积指数、微生物群落结构和溶解氧浓度之间的深度学习模型；并基于S1中构建的数据矩阵对模型进行训练；
[0019]S2、模型应用
[0020](1)测定当前状态下污泥浓度、污泥体积指数、溶解氧浓度和活性污泥微生物群落结构；优选地，活性污泥微生物群落结构通过不同细菌的相对丰度来确定；
[0021](2)基于S1中构建的模型计算溶解氧浓度值，并通过调节风机风量和阀门开度使溶解氧浓度维持在该值。
[0022]优选地，所述步骤S1(3)中的深度学习模型基于长短期记忆(Long Short
‑
Term Memory，LSTM)网络构建。
[0023]长短期记忆网络LSTM能够解决循环神经网络RNN(Recurrent Neural Network)无法很好处理远距离依赖的问题。在LSTM中，一般包括四层函数，即LSTM_1遗忘门、LSTM_2&3记忆门和LSTM_4输出门。
[0024]在LSTM的遗忘门中，可以根据输入的数据流决定遗忘掉之前的输出内容，从而保留更加重要的长期记忆信息，以达到使得训练过程可以随着输入而不断调整，从而提高模型准确率的效果。以下公式可以描述遗忘门的计算，其中ft
t
为该层的输出向量：
[0025]f
t
＝σ(W
f
*[h
t
‑1，x
t
]+b
f
)
[0026]其中，f
t
表示t时刻的遗忘门，W
f
表示遗忘门的权重，h
t
表示t时刻的输出数据，x
t
表示第t个输入数据，b
f
表示遗忘门的偏置，h
t
表示t时刻的输出数据，[]表示两个向量相连。
[0027]LSTM的记忆门则用来被控制是否将该数据并入控制单元中，主要分为提取有效信息和为信息做出评级两步。以下公式可以表示这两个步骤在LSTM中的计算：
[0028][0029]其中，C
t
表示t时刻的单元状态，C
t
‑1表示t
‑
1时刻的单元状态，i
t
表示t时刻的记忆门，表示t时刻的单位备选状态。
[0030]LSTM输出门是LSTM单元用于计算输出值的神经层，先用sigmoid层来得到一个初始输出，然后用tanh将其缩放至(
‑
1，1)，从而得到输出，可以用以下公式来表达：
[0031]i
t
＝σ(W
i
*[h
t
‑1，x
t
]+b
i
)
[0032]h
t
＝o
t
*tanh(C
t
)
[0033][0034]其中，σ表示模型学习率，W
i
表示记忆门的权重，b
i
表示记忆门的偏置，o
t
表示t时刻的输出门，tanh()表示tanh函数。
[0035]优选地，所述步骤S1(2)机器学习矩阵中Microthrix(微丝菌属)、Haliscomenobacter(哈利氏杆菌)和Tetrasphaera三个易导致污泥膨胀本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于微生物群落的污水处理曝气系统控制方法，其特征在于，所述控制方法包括以下步骤：S1、模型构建(1)测定活性污泥的污泥浓度、污泥体积指数、溶解氧浓度和活性污泥微生物群落结构；(2)以污泥浓度、污泥体积指数、溶解氧浓度和活性污泥微生物群落结构数据为基础构建机器学习矩阵；(3)建立污泥浓度、污泥体积指数、微生物群落结构和溶解氧浓度之间的深度学习模型；并基于S1中构建的数据矩阵对模型进行训练；S2、模型应用(1)测定当前状态下污泥浓度、污泥体积指数、溶解氧浓度和活性污泥微生物群落结构；(2)基于S1中构建的模型计算溶解氧浓度值，使溶解氧浓度维持在该值。2.根据权利要求1所述的基于微生物群落的污水处理曝气系统控制方法，其特征在于，所述S1(2)中构建机器学习矩阵具体为：t1～t
m
为每次记录的时间，v
ij
为第j次记录中的第i种细菌的相对丰度，MLSS1～MLSS
m
为每次记录对应的活性污泥浓度，SVI1～SVI
m
为每次记录对应的污泥体积指数，D1～D
m
为每次记录对应的溶解氧浓度：其中，j≤m，i≤n。3.根据权利要求2所述的基于微生物群落的污水处理曝气系统控制方法，其特征在于，所述步骤S1(3)中的深度学习模型基于长短期记忆LSTM网络构建。4.根据权利要求3所述的基于微生物群落的污水处理曝气系统控制方法，其特征在于，所述步骤S1(2)机器学习矩阵中微丝菌属Microthrix、哈利氏杆菌Haliscomenobacter和Tetrasphaera三个易导致污...

【专利技术属性】
技术研发人员：叶林，芮栋妮，吴兵，张徐祥，任洪强，
申请(专利权)人：南京大学，
类型：发明
国别省市：