一种基于人工智能的污水处理智能曝气方法及系统技术方案

本发明专利技术提供一种基于人工智能的污水处理智能曝气方法及系统，包括：实时采集曝气池进出水口的数据，处理得到有效样本数据；采用前馈神经网络构建初始水质达标预测模型，通过有效样本数据训练和验证后得到水质达标预测模型；通过numpy计算库生成包含阀门开度和鼓风量组合的多维网格数据，遍历后输入至水质达标预测模型，得到曝气达标的组合解；定义最小曝气量为目标函数，采用交叉变异操作对组合解处理后得到输入数据，输入至水质达标预测模型，得到最小鼓风量和最小阀门开度；定义最小总能耗为目标函数，采用非线性规划对鼓风机进行分配，得到最低能耗解，并对各鼓风机和阀门开度进行控制。本发明专利技术能够实现曝气的精准和实时控制，降低能耗。降低能耗。降低能耗。

【技术实现步骤摘要】
一种基于人工智能的污水处理智能曝气方法及系统


[0001]本专利技术涉及污水处理曝气
，尤其涉及一种基于人工智能的污水处理智能曝气方法、系统、电子设备及计算机可读存储介质。

技术介绍

[0002]现有污水处理曝气技术包括人工手动控制、利用计算公式控制和人工智能控制的方式。其中，人工手动控制全凭经验，控制粒度粗，不能精确控制曝气量和时间，容易造成污水处理质量的不稳定，可能存在误操作或意外事故，造成安全风险，且能耗较高。相对人工手动，利用计算公式控制的方式更加细腻，但是也存在其局限性，所需曝气量不仅和进水指标值相关联，同时也受进水成分的影响，如当污水中工业无数和生活污水的占比发生改变时，即使进水指标相似，但所需曝气量并不相同。同时曝气量公式一般基于历史数据或平均值进行计算，但实际上废水处理过程中的各个参数都是动态变化的。仅仅依靠曝气量公式来控制曝气方式，可能无法及时反应变化，从而导致曝气效果的下降或浪费能源。因此，依靠公式计算曝气量并不适用于所有的污水好氧处理工艺段。
[0003]而人工智能控制的方式，进出水时间序列对应关系是模型建立过程中必不可少的一个因素，有利于构建更加精确的曝气模型。目前市面上大多数的数据采样是基于固定曝气时间间隔的数据采样方法，从曝气池进水到出水指定固定时间，取进水时刻间隔该指定时间间隔对应的出水指标即位一条完整的样本数据，但在实际运行中，流量是动态变化的，从进水到出水的时间间隔也是动态变化的，基于固定曝气时间间隔的数据采样方法不能精确反应进出水时间序列对应关系。
[0004]因此，亟需一种能够确保模型稳定性，实现曝气的实时和精准控制的污水处理智能曝气方法。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种基于人工智能的污水处理智能曝气方法、系统、电子设备及计算机可读存储介质。
[0006]一种基于人工智能的污水处理智能曝气方法，包括以下步骤：实时采集曝气池进出水口的数据，进行水流量的动态数据采样，得到曝气采样样本数据，并对所述样本数据进行处理，得到有效样本数据；采用前馈神经网络建立初始水质达标预测模型，通过所述有效样本数据对所述初始水质达标预测模型进行训练和验证，得到水质达标预测模型；通过numpy计算库生成包含所有阀门开度和鼓风量组合的多维网格数据，采用遍历查找算法遍历所述多维网格数据，并输入至所述水质达标预测模型，得到使曝气达标的组合解；定义最小曝气量为目标函数，采用交叉变异操作对所述组合解进行处理，获取输入数据，并将所述输入数据输入至所述水质达标预测模型，输出得到最小鼓风量和最小阀门开度；定义最小总能耗为目标函数，利用非线性规划对鼓风机组进行分配，得到总能耗最小时鼓风量和阀门开度的最低能耗解，并根据所述最低能耗解对各鼓风机和阀门开度进行控制。
[0007]在其中一个实施例中，所述实时采集曝气池进出水口的数据，进行水流量的动态数据采样，得到曝气采样样本数据，包括：通过设置在曝气池进出水口的流量计进行数据监测，并通过与所述流量计连接的数据采集设备对监测到的数据进行实时统计和计算；记开始进水的时间为开始时刻，并将统计到出水口的累计流量达到设置的曝气池有效容积的时间记为结束时刻，所述开始时刻监测得到的进水水质与对应结束时刻监测得到的出水水质和曝气信息为一条完整的曝气采样样本数据。
[0008]在其中一个实施例中，所述对所述样本数据进行处理，得到有效样本数据，包括：对所述样本数据进行去重处理和检查，对超出区间范围内的异常数据，采用相邻数据点的指标平均值进行代替，利用插值法对缺失的数据进行插补和填充；对所述样本数据中曝气单元的溶解氧指标进行特征转换，多个曝气单元设置有不同的指标范围，在多个曝气单元的值均满足对应的指标范围时，认定溶解氧指标达标；反之，认定溶解氧指标不达标；对所述样本数据进行归一化处理，得到有效样本数据。
[0009]在其中一个实施例中，所述采用前馈神经网络建立初始水质达标预测模型，通过所述有效样本数据对所述初始水质达标预测模型进行训练和验证，得到水质达标预测模型，包括：以特征转换后输出的溶解氧指标作为输出指标，采集到的进水水质作为输入指标，采用前馈神经网络建立初始水质达标预测模型；将所述有效样本数据按照70％、15％和15％的比例划分为训练集、验证集和测试集，对所述初始水质达标预测模型进行训练和验证，调整模型训练参数，得到水质达标预测模型。
[0010]在其中一个实施例中，所述通过numpy计算库生成包含所有阀门开度和鼓风量组合的多维网格数据，采用遍历查找算法遍历所述多维网格数据，并输入至所述水质达标预测模型，得到使曝气达标的组合解，包括：设定曝气量范围和曝气量的步长，得到所有鼓风量组合，并获取阀门的开度范围和设定的阀门开度步长，得到阀门开度组合；利用numpy计算库生成包含所有阀门开度和鼓风量组合的多维网格数据，采用遍历查找算法遍历所述多维网格数据，并将所述多维网格数据输入至所述水质达标预测模型；通过所述水质达标预测模型筛选得到使得曝气单元出水口达标的组合解和组合解长度，所述组合解中曝气量值不重复，且曝气量由小到大排序。
[0011]在其中一个实施例中，所述定义最小曝气量为目标函数，采用交叉变异操作对所述组合解进行处理，获取输入数据，并将所述输入数据输入至所述水质达标预测模型，输出得到最小鼓风量和最小阀门开度，包括：定义最小曝气量为目标函数，根据实时进水流量，设定曝气量范围、交叉概率和预设初始化种群数量；判断所述组合解长度与预设初始化种群数量之间的关系，并根据判断结果得到初始种群输入数据；其中，若所述组合解长度大于或等于预设初始化种群数量，则在组合解中由前至后提取出与预设初始化种群数量相同的多组数据，作为遗传算法的初始种群输入数据；若所述组合解长度小于预设初始化种群数量，计算预设初始化种群数量与组合解长度的差值，再初始化与所述差值相同数量的差值输入数据，并合并所述组合解和差值输入数据，得到遗传算法的初始种群输入数据；根据所述初始种群输入数据，通过交叉变异操作调用所述水质达标预测模型，得到最小鼓风量和最小阀门开度。
[0012]在其中一个实施例中，所述定义最小总能耗为目标函数，利用非线性规划对鼓风机组进行分配，得到总能耗最小时鼓风量和阀门开度的最低能耗解，包括：获取总曝气量、
各鼓风机运行频率限制和最大功率限制，作为约束条件，将最小总能耗作为非线性规划的目标函数，其中，约束条件为：
[0013][0014]式中，Gs1、Gs2、Gsn分别为第一台鼓风机、第二台鼓风机及第n台鼓风机所提供的风量；fn为第n台鼓风机的运行频率，fnd、fnu分别为第n台鼓风机运行频率的最小最大值，Pn为第n台鼓风机的出口压力，Pnmax为第n台鼓风机出口压力最大值；根据设定的所述目标函数，采用optimize优化算法解决在总风量需求下的各鼓风机的运行频率分配的非线性规划问题；鼓风机能耗为：
[0015]power
n
＝f(Q
n
,P
n
,η)
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的污水处理智能曝气方法，其特征在于，包括以下步骤：实时采集曝气池进出水口的数据，进行水流量的动态数据采样，得到曝气采样样本数据，并对所述样本数据进行处理，得到有效样本数据；采用前馈神经网络建立初始水质达标预测模型，通过所述有效样本数据对所述初始水质达标预测模型进行训练和验证，得到水质达标预测模型；通过numpy计算库生成包含所有阀门开度和鼓风量组合的多维网格数据，采用遍历查找算法遍历所述多维网格数据，并输入至所述水质达标预测模型，得到使曝气达标的组合解；定义最小曝气量为目标函数，采用交叉变异操作对所述组合解进行处理，获取输入数据，并将所述输入数据输入至所述水质达标预测模型，输出得到最小鼓风量和最小阀门开度；定义最小总能耗为目标函数，利用非线性规划对鼓风机组进行分配，得到总能耗最小时鼓风量和阀门开度的最低能耗解，并根据所述最低能耗解对各鼓风机和阀门开度进行控制。2.根据权利要求1所述的基于人工智能的污水处理智能曝气方法，其特征在于，所述实时采集曝气池进出水口的数据，进行水流量的动态数据采样，得到曝气采样样本数据，包括：通过设置在曝气池进出水口的流量计进行数据监测，并通过与所述流量计连接的数据采集设备对监测到的数据进行实时统计和计算；记开始进水的时间为开始时刻，并将统计到出水口的累计流量达到设置的曝气池有效容积的时间记为结束时刻，所述开始时刻监测得到的进水水质与对应结束时刻监测得到的出水水质和曝气信息为一条完整的曝气采样样本数据。3.根据权利要求2所述的基于人工智能的污水处理智能曝气方法，其特征在于，所述对所述样本数据进行处理，得到有效样本数据，包括：对所述样本数据进行去重处理和检查，对超出区间范围内的异常数据，采用相邻数据点的指标平均值进行代替，利用插值法对缺失的数据进行插补和填充；对所述样本数据中曝气单元的溶解氧指标进行特征转换，多个曝气单元设置有不同的指标范围，在多个曝气单元的值均满足对应的指标范围时，认定溶解氧指标达标；反之，认定溶解氧指标不达标；对处理后的所述样本数据进行归一化处理，得到有效样本数据。4.根据权利要求3所述的基于人工智能的污水处理智能曝气方法，其特征在于，所述采用前馈神经网络建立初始水质达标预测模型，通过所述有效样本数据对所述初始水质达标预测模型进行训练和验证，得到水质达标预测模型，包括：以特征转换后输出的溶解氧指标作为输出指标，采集到的所述进水水质作为输入指标，采用前馈神经网络建立初始水质达标预测模型；将所述有效样本数据按照70％、15％和15％的比例划分为训练集、验证集和测试集，对所述初始水质达标预测模型进行训练和验证，调整模型训练参数，得到水质达标预测模型。5.根据权利要求4所述的基于人工智能的污水处理智能曝气方法，其特征在于，所述通过numpy计算库生成包含所有阀门开度和鼓风量组合的多维网格数据，采用遍历查找算法
遍历所述多维网格数据，并输入至所述水质达标预测模型，得到使曝气达标的组合解，包括：设定曝气量范围和曝气量的步长，得到所有鼓风量组合，并获取阀门的开度范围和设定的阀门开度步长，得到阀门开度组合；利用numpy计算库生成包含所有阀门开度和鼓风量组合的多维网格数据，采用遍历查找算法遍历所述多维网格数据，并将所述多维网格数据输入至所述水质达标预测模型；通过所述水质达标预测模型筛选得到使得曝气单元出水口达标的组合解和组合解长度，所述组合解中曝气量值不重复，且曝气量由小到大排序。6.根据权利要求5所述的基于人工智能的污水处理智能曝气方法，其特征在于，所述定义最小曝气量为目标函数，采用交叉变异操作对所述组合解进行处理，获取输入数据，并将所述输入数据输入至所述水质达标预测模型，输出得到最小鼓风量和最小阀门开度，包括：定义最小曝气量为目标函数，根据实时进水流量，设定曝气量范围、交叉概率和预设初始化种群数量；判断所述组合解长度与预设初始化种群数量之间的关系，并根据判断结果得到初始种群输入数据；其中，...

【专利技术属性】
技术研发人员：郑筱嘉，陈怡，高海燕，郑云海，
申请(专利权)人：重庆享控智能科技有限公司，
类型：发明
国别省市：