污水处理生化池曝气量预测方法、系统、设备及介质技术方案

本发明专利技术公开一种污水处理生化池曝气量预测方法、系统、设备及介质，涉及污水处理技术领域，该方法包括：构建数据集，数据集中样本数据包括输入数据和标签数据，输入数据包括第一时刻污水处理生化池的进水指标、第二时刻污水处理生化池的出水指标、以及从第一时刻至第二时刻的溶解氧浓度，标签数据为第二时刻污水处理生化池的曝气量；采用数据集训练Stacking融合模型得到曝气量预测模型；Stacking融合模型至少包括两级模型；将k

【技术实现步骤摘要】
污水处理生化池曝气量预测方法、系统、设备及介质


[0001]本专利技术涉及污水处理
，特别是涉及一种污水处理生化池曝气量预测方法、系统、设备及介质。

技术介绍

[0002]对于城市污水处理厂，生化反应池是整个工艺流程的核心，生化池中活性污泥的生化反应效率，决定着大部分污染物的主体去除效果，甚至影响出水水质达标与否。影响生化反应效率的因素是多方面的，其中，曝气所用电耗占污水处理厂整体电耗的比例大，曝气所消耗电能占总用电能的50％
‑
75％，且曝气设备类型和曝气量在一定程度上决定着有机污染物降解和脱氮除磷的效果，因此曝气量在污水处理过程中的作用至关重要。
[0003]曝气量的控制常规方法是按人工经验判断来实现，往往按照现场情况和人工累计经验增大或者减少鼓风机的风量，导致有机污染物降解和脱氮除磷的效果不佳、出水水质不稳定、能控制性低及运行能耗过高等问题。现有的一些技术通过利用溶解氧的浓度来控制曝气量，但仅考虑溶解氧单因素，仍无法很好的解决上述问题，精准预测曝气量依旧是污水处理领域的一大难题。

技术实现思路

[0004]本专利技术的目的是提供一种污水处理生化池曝气量预测方法、系统、设备及介质，提高曝气量预测的准确性。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种污水处理生化池曝气量预测方法，包括：
[0007]构建预测曝气量的数据集，所述数据集中样本数据包括输入数据和标签数据，所述输入数据包括第一时刻污水处理生化池的进水指标、第二时刻污水处理生化池的出水指标、以及从所述第一时刻至所述第二时刻污水处理生化池的溶解氧浓度，所述标签数据为第二时刻污水处理生化池的曝气量；
[0008]采用所述数据集训练Stacking融合模型，得到曝气量预测模型；所述Stacking融合模型至少包括两级模型；
[0009]将k
‑
n时刻污水处理生化池的进水指标、k时刻污水处理生化池的出水指标、以及从k
‑
n至k时刻污水处理生化池的溶解氧浓度输入所述曝气量预测模型，得到k时刻污水处理生化池的预测曝气量；n为所述第一时刻与所述第二时刻之间的时间差。
[0010]可选地，所述Stacking融合模型包括多个初级学习器和一个次级学习器；
[0011]初级学习器包括随机森林模型、极限随机树模型、XGBoost模型和LightGBM模型，所述次级学习器为岭回归模型，所述随机森林模型、所述极限随机树模型、所述XGBoost模型和所述LightGBM模型的输出均与所述岭回归模型的输入连接。
[0012]可选地，采用所述数据集训练所述Stacking融合模型，得到曝气量预测模型，具体包括：
[0013]采用所述数据集分别训练多个所述初级学习器，获得多个训练好的初级学习器；
[0014]以各初级学习器的预测输出为输入，以预测输出对应的标签数据为输出训练所述次级学习器，得到训练好的次级学习器。
[0015]可选地，所述进水指标包括化学需氧量、氨氮、悬浮物、总氮、总磷和污水流量；所述出水指标包括化学需氧量、氨氮、悬浮物、总氮、总磷和污水流量。
[0016]可选地，所述构建预测曝气量的数据集时，采样频率为一小时一次，n为7小时。
[0017]本专利技术还公开了一种污水处理生化池曝气量预测系统，包括：
[0018]数据集构建模块，用于构建预测曝气量的数据集，所述数据集中样本数据包括输入数据和标签数据，所述输入数据包括第一时刻污水处理生化池的进水指标、第二时刻污水处理生化池的出水指标、以及从所述第一时刻至所述第二时刻污水处理生化池的溶解氧浓度，所述标签数据为第二时刻污水处理生化池的曝气量；
[0019]曝气量预测模型确定模块，用于采用所述数据集训练Stacking融合模型，得到曝气量预测模型；所述Stacking融合模型至少包括两级模型；
[0020]曝气量预测模型，用于根据k
‑
n时刻污水处理生化池的进水指标、k时刻污水处理生化池的出水指标、以及从k
‑
n至k时刻污水处理生化池的溶解氧浓度，得到k时刻污水处理生化池的预测曝气量；n为所述第一时刻与所述第二时刻之间的时间差。
[0021]本专利技术还公开了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行所述的污水处理生化池曝气量预测方法。
[0022]本专利技术还公开了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现所述的污水处理生化池曝气量预测方法。
[0023]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0024]本专利技术采用数据集训练Stacking融合模型得到曝气量预测模型，利用曝气量预测模型进行曝气量预测，能够降低人为因素造成曝气量控制不稳定的影响，提高了曝气量预测的准确性，从而提高了污水处理生化池的生化反应效率。
附图说明
[0025]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0026]图1为本专利技术实施例提供的一种污水处理生化池曝气量预测方法流程示意图；
[0027]图2为本专利技术实施例提供的一种污水处理生化池曝气量预测方法原理示意图；
[0028]图3为本专利技术实施例提供的曝气量预测模型构建示意图；
[0029]图4为本专利技术实施例提供的Stacking融合模型具体实施策略示意图；
[0030]图5为本专利技术实施例提供的污水处理生化池曝气量预测结果对比图一；
[0031]图6为本专利技术实施例提供的污水处理生化池曝气量预测结果对比图二；
[0032]图7为本专利技术实施例提供的一种污水处理生化池曝气量预测系统结构示意图。
具体实施方式
[0033]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0034]本专利技术的目的是提供一种污水处理生化池曝气量预测方法、系统、设备及介质，提高曝气量预测的准确性。
[0035]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0036]实施例1
[0037]如图1和图2所示，本实施例提供了一种污水处理生化池曝气量预测方法，包括以下步骤。
[0038]步骤101：构建预测曝气量的数据集，所述数据集中样本数据包括输入数据和标签数据，所述输入数据包括第一时刻本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种污水处理生化池曝气量预测方法，其特征在于，包括：构建预测曝气量的数据集，所述数据集中样本数据包括输入数据和标签数据，所述输入数据包括第一时刻污水处理生化池的进水指标、第二时刻污水处理生化池的出水指标、以及从所述第一时刻至所述第二时刻污水处理生化池的溶解氧浓度，所述标签数据为第二时刻污水处理生化池的曝气量；采用所述数据集训练Stacking融合模型，得到曝气量预测模型；所述Stacking融合模型至少包括两级模型；将k
‑
n时刻污水处理生化池的进水指标、k时刻污水处理生化池的出水指标、以及从k
‑
n至k时刻污水处理生化池的溶解氧浓度输入所述曝气量预测模型，得到k时刻污水处理生化池的预测曝气量；n为所述第一时刻与所述第二时刻之间的时间差。2.根据权利要求1所述的污水处理生化池曝气量预测方法，其特征在于，所述Stacking融合模型包括多个初级学习器和一个次级学习器；初级学习器包括随机森林模型、极限随机树模型、XGBoost模型和LightGBM模型，所述次级学习器为岭回归模型，所述随机森林模型、所述极限随机树模型、所述XGBoost模型和所述LightGBM模型的输出均与所述岭回归模型的输入连接。3.根据权利要求2所述的污水处理生化池曝气量预测方法，其特征在于，采用所述数据集训练所述Stacking融合模型，得到曝气量预测模型，具体包括：采用所述数据集分别训练多个所述初级学习器，获得多个训练好的初级学习器；以各初级学习器的预测输出为输入，以预测输出对应的标签数据为输出训练所述次级学习器，得到训练好的次级学习器。4.根据权利要求1所述的污水...

【专利技术属性】
技术研发人员：杨斌，陶钰欣，庞中华，刘萌，唐丽娜，
申请(专利权)人：北方工业大学，
类型：发明
国别省市：