一种基于人工智能的污水处理智能加药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加药方法及系统，其中，方法包括：实时采集感知数据，并基于前馈流量的动态变化，采集采样水段的时间特征和统计特征，得到样本数据和预测样本数据；将建模机理抽象为四阶段，并处理得到四阶段建模特征，将水质达标和加药调整时间作为目标变量，通过特征处理和筛选得到目标建模特征，结合目标变量进行建模，得到水质达标预测模型和加药时间预测模型，通过水质达标和加药组合成本最小的约束，得到加药调整量模型，输入预测样本数据，输出加药调整时间和目标加药调整量，控制污水处理的加药时间和加药量。本发明专利技术能够进行动态采样，实现加药时间和加药量的连续精准控制，保障水质达标的同时降低加药成本。降低加药成本。降低加药成本。

【技术实现步骤摘要】
一种基于人工智能的污水处理智能加药方法及系统


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

技术介绍

[0002]现有技术中，智能加药建模通常有两种方法，一是基于化学机理的经验方法，此方法根据化学反应以及现场经验确定药剂投加的数学表达式，其中表达式各变量及相互作用的参数是事先确定的，此种方法更多依赖专家经验，所以在实际操作中很难灵活处理一些变化的情况，且现实中往往为保证出水水质达标而存在加药过量的情形。二是基于机器学习的建模方法，此方法根据污水处理加药工艺相关数据建模，寻找加药量与水质变化之间的关系，基于上述关系采用前馈水质并结合目标水质确定合理的加药量，该方法不用过多依赖专家经验，根据污水处理工艺实际情况进行规律学习，实践中相对灵活，可适应进水具有一定变化的污水处理情况。
[0003]但基于机器学习方法效果的好坏通常与加药模型所需样本数据数量和质量密切相关。目前智能加药的建模样本获取包括人工采样和物联网采样，其中人工采样根据污水处理经验在某个固定的时间对固定采样点进行采样，此方法严重依赖经验和人力，且由于污水处理厂人力相对缺乏，所以采样效率往往不高，有时甚至1
‑
2天才形成一个样本，较少的样本往往会造成模型过拟合而缺乏泛化能力，或者建模周期变得很长。物联网采样则由物联设备采集相应数据，采样频率相对较高且及时，可以保证样本数据的快速获取。
[0004]物联网采样虽然可以解决样本数量的问题，但仍无法完全解决样本质量的问题，样本质量的高低仍在于采样过程是否能更好动态连续地表征污水处理的加药机理，目前采样过程仍更多依赖经验，虽然可以在一定程度上表征污水处理的加药机理，但仍无法解决动态连续表征的问题。
[0005]同时，实际污水处理中常常包含多个加药点以及出水排放水质标准通常涵盖多个指标，但目前大多数智能加药系统仅针对污水处理环节中的某个加药环节，如碳源投加、絮凝沉淀、净化消毒等，往往作用水质指标相对单一，没有充分考虑不同加药环节对出水水质的动态交叉综合影响，且对于作用同一水质的不同药剂，在达到同一水质目标时，会存在多种投加组合，但由于单位成本不同，确定的投加组合成本是否在可行的投加组合中最低，目前大多数智能加药系统仍然没有考虑，所以很难实现多水质目标同时达标并最大程度降低药耗成本的管理目标。
[0006]此外，智能加药控制的核心不仅包括加药量的控制，还应该包括加药调整时间的控制，而目前大多数智能加药系统只在一定程度上解决了加药量的控制问题，对加药调整时间建模则相对较少，实践中仍更多依赖经验。
[0007]因此，亟需一种能够在污水处理过程中进行动态采样，实现加药时间和加药量的精准控制，并降低加药成本的污水处理智能加药方法。

技术实现思路

[0008]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加药方法、系统、电子设备及计算机可读存储介质。
[0009]一种基于人工智能的污水处理智能加药方法，包括以下步骤：实时采集污水处理的感知数据，以设定时间间隔的进水流量作为样本，并基于前馈流量的动态变化，采集采样水段经过各工艺段采样节点的时间特征和统计特征，得到样本数据和预测样本数据；将加药建模机理抽象为四阶段，根据四阶段划分特点对所述采样数据进行数据特征抽取，并进行四阶段预处理，得到四阶段建模特征；将水质达标和加药调整时间作为目标变量，并对所述四阶段建模特征进行特征编码转换和重要特征筛选，得到目标建模特征；根据所述目标建模特征和目标变量进行建模，得到水质达标预测模型和加药时间预测模型，并根据水质达标预测模型进行水质达标约束结合加药组合成本最小约束，得到加药调整量模型，对构建的三个模型输入所述预测样本数据，得到加药调整时间和目标加药调整量；根据所述加药调整时间和目标加药调整量，在所述加药调整时间下发所述目标加药调整量的指令，控制污水处理过程中各加药点的加药量。
[0010]在其中一个实施例中，所述实时采集污水处理的感知数据，以设定时间间隔的进水流量作为样本，并基于前馈流量的动态变化，采集所述采样水段经过各工艺段采样节点的时间特征和统计特征，得到样本数据和预测样本数据，包括：按照水流向设置多个采样节点，所述采样节点包括前馈水流量点、前馈水质点、加药点和后馈水质点，通过数据网关实时采集所述多个采样节点处物联设备的感知数据，所述感知数据包括进水流量、水质信息和加药信息，并与数据采集点位信息和数据采集时刻一并存储；基于采集的感知数据，以设定时间间隔的进水累计流量作为一个样本，并基于前馈流量的动态变化，依次采集采样水段经过所述多个采样节点的时间特征以及包含所有数据点位的统计特征，直至所有采样节点采样结束，得到样本数据；其中，所述时间特征包括上个邻近采样节点的开始采样时刻、相邻两个采样节点开始采样的时间间隔以及采样水段经过采样节点所需的时间间隔；所述统计特征包括期间累计值、均值、方差、最小值和最大值；在所述感知数据采集到所述加药预测点之前的采样节点即结束，则得到对应加药点的预测样本数据。
[0011]在其中一个实施例中，所述将加药建模机理抽象为四阶段，根据四阶段划分特点对所述采样数据进行数据特征抽取，并进行四阶段预处理，得到四阶段建模特征，包括：将加药建模机理抽象为四阶段，包括水段生成、加药前馈信息、加药状态信息和加药后馈信息，所述加药前馈信息包含目标水质信息，所述加药后馈信息主要为目标水质信息；分别对四阶段的样本数据进行时间特征抽取，得到周期性时间特征，并将采样水段经过加药点的加药累积量除以对应时间间隔，得到采样水段在所述加药点的加药调整量特征；在存在多种药剂即多个加药点作用同一水质时，所述加药前馈信息包含加药预测点之前所有采样节点的特征信息，所述加药状态信息包含当前加药预测点和后续所有加药点的加药状态信息，得到四阶段建模特征；在同一药剂作用不同水质时，将当前加药预测点状态信息分别加入到不同目标水质的四阶段方法中，得到不同目标水质的四阶段建模特征；在所述加药时间预测模型中，抽取加药预测点之前所有采样节点的时间特征与统计特征，得到四阶段建模特征。
[0012]在其中一个实施例中，所述将水质达标和加药调整时间作为目标变量，并对所述
四阶段建模特征进行特征编码转换和重要特征筛选，得到目标建模特征，包括：对所述四阶段建模特征进行编码转换，包括周期性时间特征的编码、目标水质达标的编码和特征值的标准化处理；对经过编码转换后的特征进行随机采样，并基于集成树方法，将特征按照重要性由高到低进行排序；通过统计相关性计算方法计算所有特征与目标变量的相关系数，根据预先设定的重要性特征数量和相关性阈值进行建模特征筛选，得到目标建模特征。
[0013]在其中一个实施例中，所述根据所述目标建模特征和目标变量进行建模，得到水质达标预测模型和加药时间预测模型，并根据水质达标预测模型进行水质达标约束结合加药组合成本最小约束，得到加药调整量模型，对构建的三个模型输入所述预测样本数据，得到加药调整时本文档来自技高网...

【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加药方法，其特征在于，包括以下步骤：实时采集污水处理的感知数据，以设定时间间隔的进水流量作为样本，并基于前馈流量的动态变化，采集采样水段经过各工艺段采样节点的时间特征和统计特征，得到样本数据和预测样本数据；将加药建模机理抽象为四阶段，根据四阶段划分特点对所述采样数据进行数据特征抽取，并进行四阶段预处理，得到四阶段建模特征；将水质达标和加药调整时间作为目标变量，并对所述四阶段建模特征进行特征编码转换和重要特征筛选，得到目标建模特征；根据所述目标建模特征和目标变量进行建模，得到水质达标预测模型和加药时间预测模型，并根据水质达标预测模型进行水质达标约束结合加药组合成本最小约束，得到加药调整量模型，对构建的三个模型输入所述预测样本数据，得到加药调整时间和目标加药调整量；根据所述加药调整时间和目标加药调整量，在所述加药调整时间下发所述目标加药调整量的指令，控制污水处理过程中各加药点的加药量。2.根据权利要求1所述的基于人工智能的污水处理智能加药方法，其特征在于，所述实时采集污水处理的感知数据，以设定时间间隔的进水流量作为样本，并基于前馈流量的动态变化，采集采样水段经过各工艺段采样节点的时间特征和统计特征，得到样本数据和预测样本数据，包括：按照水流向设置多个采样节点，所述采样节点包括前馈水流量点、前馈水质点、加药点和后馈水质点，通过数据网关实时采集所述多个采样节点处物联设备的感知数据，所述感知数据包括进水流量、水质信息和加药信息，并与数据采集点位信息和数据采集时刻一并存储；基于采集的感知数据，以设定时间间隔的进水累计流量作为一个样本，并基于前馈流量的动态变化，依次采集采样水段经过所述多个采样节点的时间特征以及包含所有数据点位的统计特征，直至所有采样节点采样结束，得到样本数据；其中，所述时间特征包括上个邻近采样节点的开始采样时刻、相邻两个采样节点开始采样的时间间隔以及采样水段经过采样节点所需的时间间隔；所述统计特征包括期间累计值、均值、方差、最小值和最大值；在所述感知数据采集到所述加药预测点之前的采样节点即结束，则得到对应加药点的预测样本数据。3.根据权利要求2所述的基于人工智能的污水处理智能加药方法，其特征在于，所述将加药建模机理抽象为四阶段，根据四阶段划分特点对所述采样数据进行数据特征抽取，并进行四阶段预处理，得到四阶段建模特征，包括：将加药建模机理抽象为四阶段，包括水段生成、加药前馈信息、加药状态信息和加药后馈信息，所述加药前馈信息和加药后馈信息均包含目标水质；分别对四阶段的样本数据进行时间特征抽取，得到周期性时间特征，并将采样水段经过加药点的加药累积量除以对应时间间隔，得到采样水段在所述加药点的加药调整量特征；在存在多种药剂即多个加药点作用同一水质时，所述加药前馈信息包含加药预测点之
前所有采样节点的特征信息，所述加药状态信息包含当前加药预测点和后续所有加药点的加药状态信息，得到四阶段建模特征；在同一药剂作用不同水质时，将当前加药预测点状态信息分别加入到不同目标水质的四阶段方法中，得到不同目标水质的四阶段建模特征；在所述加药时间预测模型中，抽取加药预测点之前所有采样节点的时间特征与统计特征，得到四阶段建模特征。4.根据权利要求3所述的基于人工智能的污水处理智能加药方法，其特征在于，所述将水质达标和加药调整时间作为目标变量，并对所述四阶段建模特征进行特征编码转换和重要特征筛选，得到目标建模特征，包括：对所述四阶段建模特征进行编码转换，包括周期性时间特征的编码、目标水质达标的编码和特征值的标准化处理；对经过编码转换后的特征进行随机采样，并基于集成树方法，将特征按照重要性由高到低进行排序；通过统计相关性计算方法计算所有特征与目...

【专利技术属性】
技术研发人员：郑筱嘉，袁周波，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：