【技术实现步骤摘要】
本申请涉及污水处理，特别是涉及一种基于数据驱动的智能曝气方法。
技术介绍
1、随着污水处理排放标准的日趋严格与水处理技术不断创新，使得污水处理厂提标改造与完善也愈加频繁。在我国污水处理工艺中，活性污泥法仍然占有相当大的比例，其中好氧池的曝气电耗占污水处理总能耗的60％以上，如何在保证出水水质达标、污水处理系统稳定运营的前提下降低污水处理成本是污水处理领域亟待解决的问题。
2、目前对于曝气控制策略多采用asm模型搭建，机理模型参数繁多且计算复杂，应用于不同的处理工艺、不同进水水质的水厂效果偏差较大；对于关键性水质参数，如生化需氧量(bod)、化学需氧量(cod)等均存在几个小时至若干天不等的滞后，尽管其中引入“前馈-反馈”的控制策略，但水质检测结果的严重滞后导致控制结果并不理想，无法实现曝气量的精准计算与控制。
技术实现思路
1、本专利技术涉及到一种基于数据驱动的智能曝气方法，能够根据进水水质与实际运行状况动态优化溶解氧的设定值，通过控制鼓风机启停、频率及曝气阀门开度实现智能曝气，本专利技术解决上述问题的具体实施方式如下：
2、一种基于数据驱动的智能曝气方法，包括以下步骤：
3、步骤100、获取污水处理厂全流程的水质参数与生产工艺参数的历史数据，并对数据进行预处理，预处理包括数据清洗、变换，剔除异常数据，获得原始数据集；
4、分析原始数据集中的数据相关性，剔除对曝气系统影响较小的冗余变量，得到进水口、好氧池、回流量及曝气系统数据；>
5、步骤200、标准化处理后分别建立进水化学需氧量预测模型、进水生化需氧量预测模型、鼓风机能耗预测模型、出水化学需氧量预测模型、出水生化需氧量预测模型、出水氨氮预测模型、出水总氮预测模型和好氧池溶解氧浓度预测模型；预测模型采用改进ga参数优化的svr进行预测，并对模型准确性进行测试；
6、步骤300、基于进水化学需氧量预测模型、进水生化需氧量预测模型、鼓风机能耗预测模型、出水化学需氧量预测模型、出水生化需氧量预测模型、出水氨氮预测模型和出水总氮预测模型建立好氧池溶解氧浓度多目标优化模型，优化模型采用改进的差分进化算法进行优化，以鼓风机能耗最小为目标、以出水水质达标作为约束条件，输出作为溶解氧设定值的最佳溶解氧浓度；
7、步骤400、基于溶解氧设定值的最佳溶解氧浓度和好氧池溶解氧浓度预测模型建立鼓风机组合、频率、阀门开度多目标优化模型，再次采用差分进化算法进行优化并输出最优的鼓风机启停序列、频率、阀门开度组合。
8、基于以上技术方案，好氧池溶解氧浓度多目标优化模型采用的差分进化算法在满足出水水质达标的前提下，求解使鼓风机能耗最小的溶解氧浓度；鼓风机组合、频率、阀门开度多目标优化模型采用的差分进化算法在好氧池溶解氧浓度多目标优化模型的基础上，通过优化模型求解最佳鼓风机频率与频率设定值，进而实现对设备的远程控制；具体地，溶解氧浓度的预测模型与鼓风机能耗预测模型相结合，求解能够满足最有溶解氧的鼓风机频率及阀门开度。
9、优选的，各预测模型还包括以下步骤：
10、步骤201、进水化学需氧量预测模型采集进水生化需氧量浓度、悬浮物固体浓度、氨氮浓度、总氮浓度和电导率的实测值；
11、步骤202、进水生化需氧量预测模型采集进水化学需氧量浓度、悬浮物固体浓度、氨氮浓度、悬浮物固体浓度和总氮浓度的实测值；
12、步骤203、鼓风机能耗预测模型采集进水流量、化学需氧量、生化需氧量、氨氮浓度、总氮浓度和好氧池溶解氧浓度的实测值；
13、步骤204、出水化学需氧量预测模型采集基于进水生化需氧量预测模型得出的生化需氧量的预测值、进水流量、氨氮浓度、总氮浓度、好氧池溶解氧浓度、氨氮浓度、硝酸盐氮浓度、ph、温度及内外回流比的实测值；
14、步骤205、出水生化需氧量预测模型采集基于进水化学需氧量预测模型得出的化学需氧量的预测值、进水流量、悬浮物固体浓度、氨氮浓度、总氮浓度、好氧池溶解氧浓度、氨氮浓度、硝酸盐氮浓度及内外回流比的实测值；
15、步骤206、出水氨氮预测模型采集进水氨氮浓度、好氧池溶解氧浓度、温度、orp、ph、污泥浓度及内外回流比的实测值；
16、步骤207、出水总氮预测模型采集基于进水生化需氧量预测模型和进水化学需氧量预测模型得出的生化需氧量和化学需氧量的预测值、进水流量、氨氮浓度、好氧池溶解氧浓度、好氧池出口氨氮浓度、硝酸盐氮浓度及内外回流比的实测值；
17、步骤208、好氧池溶解氧浓度预测模型采集进水流量、化学需氧量、生化需氧量、氨氮浓度、总氮浓度、污泥浓度、鼓风机启停序列与频率组合、阀门开度的实测值；
18、优选的，分别对各预测模型进行svr进行预测和准确性测试，其包括以下步骤：
19、代入任一预测模型的数据，设定y是从该预测模型获得的预测值，yi是实际值，ym是观察值的平均值，n是测试数据点的数量，则分别求取均方根误差rmse与确定系数来验证模型有效性；
20、求取均方根误差rmse，具体公式为：
21、
22、求取确定系数r2，具体公式为：
23、
24、假设输出rmse值和r2值，两者分别与0和1进行比较，rmse值越趋向于0、值值越趋向于1则说明预测模型的准确性越高。
25、优选的，好氧池溶解氧浓度多目标优化模型基于改进的差分进化算法的最佳溶解氧浓度计算包括以下步骤：
26、步骤301、建立鼓风机能耗最小的多目标模型：
27、f＝min{e+fc}
28、fc＝m(λ1-τ)+m(λ2-υ)+m(λ3-ρ)+m(λ4-ζ)
29、其中，f为目标函数，e为鼓风机曝气能耗值，fc为取无穷大正整数的惩罚因子，λ1、λ2、λ3、λ4分别为出水化学需氧量、生化需氧量、氨氮、总氮参数值，τ、υ、ρ、ζ分别为出水化学需氧量、生化需氧量、氨氮、总氮限值，为符合一级a排放标准，分别有τ＝50、υ＝10、ρ＝5、ζ＝15；
30、步骤302、在(pmin，pmax)中按照解空间均匀分布的随机原则产生初始种群，设置种群大小np＝200，维度α＝30，最大迭代次数gmax＝100，初始迭代次数g＝1。其中(pmin，pmax)分别为初始解搜索空间的最大、最小值[0,6]；
31、步骤303、进行变异操作，对每一代种群pk随机选取三个个体p1、p2、p3，通过微分向量计算后再与缩放因子f做乘积生成新个体pk′，表示为：
32、pk′＝p1+f(p2-p3)
33、其中缩放因子f采取小波基函数改进策略，即：
34、
35、步骤304、进行交叉操作产生新个体，进而提高种群多样性，新个体表示为：xk＝[xk1,xk2…,xknp]t，每一个元素表示为：
36、
37、其中：q∈rand[本文档来自技高网...
【技术保护点】
1.一种基于数据驱动的智能曝气方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于数据驱动的智能曝气方法，其特征在于，各预测模型还包括以下步骤：
3.根据权利要求2所述的一种基于数据驱动的智能曝气方法，其特征在于，分别对各预测模型进行SVR进行预测和准确性测试，其包括以下步骤：
4.根据权利要求1所述的一种基于数据驱动的智能曝气方法，其特征在于，好氧池溶解氧浓度多目标优化模型基于改进的差分进化算法的最佳溶解氧浓度计算包括以下步骤：
【技术特征摘要】
1.一种基于数据驱动的智能曝气方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于数据驱动的智能曝气方法，其特征在于，各预测模型还包括以下步骤：
3.根据权利要求2所述的一种基于数据驱动的智能曝气方法，其...
【专利技术属性】
技术研发人员：王瑞雪，孙延贞，初广辉，于忠清，
申请(专利权)人：青岛洪锦智慧能源技术有限公司，
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。