一种污水好氧处理系统溶解氧精准控制方法

本发明属于污水处理，更具体地说，涉及一种污水好氧处理系统溶解氧精准控制方法。

背景技术：

1、污水处理厂在当今社会中扮演着至关重要的角色。然而，传统的污水处理方法往往面临着能耗高、成本高以及操作复杂等挑战。针对这些挑战，机器学习技术的应用正在为污水处理厂带来全新的解决方案，机器学习模型在污水处理厂中的应用已经成为提高运营效率、降低成本、优化工艺的重要手段。

2、现有技术中，污水处理厂中，机器学习方法被广泛应用于运行监测：通过收集传感器、流量计、水质检测仪器等设备获取的大量数据，机器学习模型可以对污水处理过程进行实时监测和分析，这些模型可以识别异常情况并提前预警，从而帮助运营人员快速做出响应，减少潜在的损失和风险。

3、污水处理厂的能耗一直是业界关注的焦点，其中，污水好氧处理的曝气过程所消耗的电力占据了相当大的比例，此外，传统的曝气系统需要人工不断地调节，这不仅费时费力，还存在着操作误差的风险。若能引入机器学习模型代替人工进行曝气过程的调节，将带来诸多优势。

4、此外，污水厂往往是多风机并行运行的模式，风机产生的风量会汇总到一个管道中，由气阀控制分配到各生化池。当溶解氧浓度与设定值偏差不大时，会调节各生化池的气阀开度以控制溶解氧浓度，但由于风机风量恒定，单个气阀开度的改变将影响通入其他气阀的风量，也即影响其他生化池的溶解氧含量；再者，当溶解氧与设定值偏差过大时，将会调节风机风量大小。因此，对调节风机风量和气阀开度进行控制至关重要且复杂，由技术人员凭借经验进行调整难免出现不够精准、误差较大等问题。

5、中国专利文献cn201620880870.7公开了一种用于污水处理的溶解氧监控系统，该监控系统可通过反馈模块以及微处理器的配合，自动驱使蜂鸣器以及警示灯完成现场报警工作，从而便于在现场的管理人员及时采取相关增氧措施进行补救。但是该专利并未给出解决溶解氧浓度需人工控制这一问题的技术方案，也未提供任何技术启示。

技术实现思路

1、1.要解决的问题

2、针对现有技术中污水好氧处理系统中生化池的溶解氧浓度需人工控制的问题，本发明提供一种使用深度学习模型智能控制溶解氧浓度的一种污水好氧处理系统溶解氧精准控制方法。

3、2.技术方案

4、本发明提供了一种污水好氧处理系统溶解氧精准控制方法，包括以下步骤：

5、s1.使用数据采集和控制模块采集污水好氧处理系统的进水水质、进水水量、第一生化池和第二生化池溶解氧浓度、第一气阀和第二气阀开度、风机风量数据，并传输到服务器；

6、s2.以污水好氧处理系统的进水水质、进水水量、第一生化池和第二生化池溶解氧浓度、第一气阀和第二气阀开度、风机风量数据为基础构建机器学习矩阵；

7、s3.建立污水好氧处理系统的进水水质、进水水量、第一生化池和第二生化池溶解氧浓度、第一气阀和第二气阀开度、风机风量数据之间的深度学习模型；并基于所述步骤s2中构建的数据矩阵对所述深度学习模型进行训练；

8、s4.在所述服务器中设定第一生化池和第二生化池的溶解氧浓度目标值；

9、s5.当所述第一生化池和第二生化池的溶解氧浓度偏离目标值时，基于所述步骤s3中构建的模型计算出第一气阀开度、第二气阀开度、风机风量的调节建议值，并通过调节第一气阀开度、第二气阀开度或风机风量使第一生化池和第二生化池的溶解氧浓度维持在目标值。

10、进一步的，所述步骤s1中，所述进水水质数据包括进水化学需氧量浓度数据、进水氨氮浓度数据。

11、进一步的，所述步骤s1中，所述污水好氧处理系统的进水水质、进水水量、第一生化池和第二生化池溶解氧浓度、第一气阀和第二气阀开度、风机风量的数据采集时间间隔为固定值；

12、其中，所述进水水质和进水水量数据的采集时间间隔不大于60分钟，第一生化池和第二生化池溶解氧浓度、第一气阀和第二气阀开度、风机风量的数据采集时间间隔为20-60秒。

13、进一步的，所述步骤s2中，构建机器学习矩阵具体为：

14、

15、t1～tm为每次记录的时间，op11～op1m为每次记录对应的第一气阀开度，op21～op2m为每次记录对应的第二气阀开度，fl1～flm为每次记录对应的风机风量，cod1～codm为每次记录对应的进水化学需氧量，n1～nm为每次记录对应的进水氨氮浓度，intfl1～intflm为每次记录对应的进水水量，do11～do1m为每次记录对应的第一生化池溶解氧浓度，do21～do2m为每次记录对应的第二生化池溶解氧浓度。

16、进一步的，所述步骤s3中的深度学习模型为基于长短期记忆lstm网络构建的长短期记忆模型。

17、进一步的，所述长短期记忆模型在使用之前需要不少于6天的数据进行训练。

18、进一步的，所述长短期记忆模型在使用过程中，每30min根据更新的数据进行重新训练学习。

19、采用上述技术方案，每30min根据更新的数据进行重新训练学习能够使模型不断适配当前污水好氧处理系统，对第一生化池和第二生化池的溶解氧浓度的调节更加精确。

20、进一步的，所述步骤s4中，所述第一生化池和第二生化池的溶解氧浓度目标值范围为1-5mg/l；当实测溶解氧浓度值与目标值的差值大于0.2mg/l时，认为所述第一生化池和第二生化池的溶解氧浓度偏离目标值。

21、进一步的，所述步骤s4中，在所述服务器中设定第一生化池和第二生化池的溶解氧浓度目标值的方法为使用用户终端向服务器中输入设定的目标值。

22、采用上述技术方案，所述服务器根据污水好氧处理系统的当前进水水质、进水水量和溶解氧浓度情况，给出风机和阀门调节建议，筛选得到的最佳调节指令通过数据采集和控制模块传输到所述的风机和/或阀门，进而能够使得所述生化池内的溶解氧浓度满足要求。

23、进一步的，所述步骤s5中，计算第一气阀开度、第二气阀开度、风机风量的调节值的具体方法为：

24、当第一溶解氧在线检测仪或者第二溶解氧在线检测仪检测到的溶解氧浓度偏离目标值时，向长短期记忆模型输入0-t时刻的污水好氧处理系统的进水水质、进水水量、第一生化池和第二生化池溶解氧浓度、第一气阀和第二气阀开度、风机风量数据以及t+1时刻的第一生化池和第二生化池溶解氧浓度目标值进行预测，分别计算得到t+1时刻第一气阀开度、第二气阀开度或风机风量所需调节的数值。t与t+1之间相隔一个时间步长，多数据监测设备的采集时间间隔通常不同。当输入数据矩阵时间步长小于参数采集间隔时，将该参数的单采集间隔内的值重复应用于多时间步长；当时间步长大于参数采集间隔时，将该参数的多采集间隔内的平均值应用于该时间步长。

25、进一步的，所述步骤s5中，当风机风量需要调大时，优先调节第一气阀开度和第二气阀开度，当服务器给出的第一气阀开度和第二气阀开度调节建议值超出可调范围时，再调节风机风量，该方案相比于直接调大风机风量，更加节能降耗。

26、进一步的，所述步骤s5中，当风机风量需要调小时，优先调节风机风量，当服务器给出的风机风量调节建议值超出可调范围时，再调节第一气阀开度或第二气阀开度，该方案相比于优先调节第一气阀开度或第二气阀开度，能够降低污水处理厂曝气量，进而起到节能的效果。

27、进一步的，所述步骤s5中，当服务器给出的风机风量和第一气阀开度和第二气阀开度调节建议均为调大或调小时，实行多参数调节策略，三参数同时判断是否超出可调范围，对于未超出的参数同时进行调节。当服务器给出的风机风量和第一气阀开度和第二气阀开度调节建议均为调大或调小时，第一生化池和第二生化池的溶解氧通常同时到达极限值，多参数同时进行调节，该方案相比于只调节单参数，响应更加迅速，预防了紧急情况的发生。

28、进一步的，所述步骤s5中，当服务器给出的风机风量调节建议为调大时，不可能出现第一气阀开度和第二气阀开度调节建议均为调小的情况；当服务器给出的风机风量调节建议为调小时，不可能出现第一气阀开度和第二气阀开度调节建议均为调大的情况。

29、进一步的，所述步骤s5中，当服务器给出的风机风量、第一气阀开度和第二气阀开度均超出可调范围，进行人工检查确认。

30、需要说明的是，增大风机风量，第一生化池和第二生化池的曝气量均会增加，溶解氧浓度都上升，减小风机风量同理。增大第一气阀开度、第二气阀开度保持不变，第一生化池的曝气量增大，溶解氧浓度上升，但由于风机风量不变，第二生化池的曝气量减小，溶解氧浓度降低；增大第二气阀开度、第一气阀开度保持不变时同理。也就是说，当所述风机风量一定时，所述第一气阀和所述第二气阀的总通气量一定，所述第一生化池和所述第二生化池的总曝气量一定。

31、进一步的，所述第一气阀开度和第二气阀开度可调范围为30-100％。

32、进一步的，所述风机风量可调范围为最大风量的20-90％。

33、进一步的，所述污水好氧处理系统溶解氧精准控制方法基于的污水好氧处理系统包括：

34、第一生化池和第二生化池，用于进行污水好氧处理；

35、风机，用于控制所述第一生化池和第二生化池的总曝气量；

36、第一气阀，位于所述风机和所述第一生化池之间且连通至所述风机和所述第一生化池；

37、第二气阀，位于所述风机和所述第二生化池之间且连通至所述风机和所述第二生化池；

38、第一溶解氧在线检测仪，用于检测所述第一生化池内的溶解氧浓度；

39、第二溶解氧在线检测仪，用于检测所述第二生化池内的溶解氧浓度；

40、进水水质水量数据在线检测仪，包括cod在线分析仪、氨氮在线分析仪和流量计，用于检测污水处理系统的进水水质和进水水量。

41、进一步的，所述污水好氧处理系统还包括：数据采集和控制模块，连接至所述风机、第一气阀、第二气阀、第一溶解氧在线检测仪、第二溶解氧在线检测仪和进水水质水量数据在线检测仪。

42、数据采集和控制模块用于采集所述风机风量、第一气阀开度、第二气阀开度、第一生化池溶解氧浓度、第二生化池溶解氧浓度、进水水质和进水水量数据，并对所述风机风量、第一气阀开度和第二气阀开度进行控制。

43、进一步的，所述污水好氧处理系统还包括：服务器，连接至所述数据采集和控制模块。

44、服务器获得并存储所述风机风量、第一气阀开度、第二气阀开度、第一生化池溶解氧浓度、第二生化池溶解氧浓度、进水水质和进水水量数据后，计算所述风机风量、第一气阀开度和第二气阀开度的调节建议值并筛选最佳的调节方式，再向所述数据采集和控制模块传输调节指令。

45、进一步的，所述污水好氧处理系统还包括：用户终端，连接至所述服务器。

46、用户向用户终端中输入第一生化池溶解氧浓度和第二生化池溶解氧浓度的目标值；所述用户终端向所述服务器传输该目标值。

47、进一步的，所述数据采集和控制模块与所述风机、第一气阀、第二气阀、第一溶解氧在线检测仪、第二溶解氧在线检测仪和进水水质水量数据在线检测仪之间，所述服务器与所述数据采集和控制模块之间，所述用户终端与所述服务器之间的连接方式可以是有线连接或无线连接。

48、采用上述技术方案，数据采集和控制模块进行进水水质、进水水量、第一气阀和第二气阀开度、风机风量数据的实时采集；再将数据实时传输至服务器进行存储和分析；基于大数据分析和机器学习方法构建污水好氧处理系统动态模拟模型，服务器分别给出风机风量、第一气阀开度和第二气阀开度的调节建议值；服务器根据优先调节级挑选最佳调节方式，将最佳调节指令发送给数据采集和控制模块，对所述风机风量、第一气阀开度和第二气阀开度进行控制，实现对生化池溶解氧的精准控制。

49、现有技术中，污水处理厂的溶解氧浓度控制通常基于人工调控，对于工人的经验要求较高，人力成本大且能耗高。本发明使用长短期记忆模型根据人为预设的溶解氧浓度目标值计算和筛选合理的阀门开度、风机风量调节方式，并自动发送指令到风机和气阀，实现了溶解氧的自动化精确控制。不仅能够节省污水处理厂的人力成本；还能把生化池的溶解氧浓度维持在稳定范围内，提高工艺稳定性，减少污水处理厂溶解氧失控导致的出水恶化等事故的发生；还能减少总的曝气量、节省耗能。本发明使用长短期记忆模型能够实现智能控制，改善前述问题。

50、3.有益效果

51、相比于现有技术，本发明的有益效果为：

52、本发明通过机器学习，将污水处理系统的溶解氧控制在合理范围，既减少了曝气风机电力浪费，又大大降低人力成本，保障污水处理系统中生物处理过程的高效低耗运行。

53、更具体来说，具有以下有益效果：

54、(1)本发明使用的机器学习模型能够精确地监测水质和曝气需求，根据实时数据做出快速、准确的调整，从而提高处理效率，减少能源浪费；

55、机器能够持续稳定地工作，不受人员疲劳、情绪等因素的影响，确保曝气系统的运行稳定性和可靠性，全自动化的调控方式无需人力成本，并减少人为错误对处理效果的影响，进一步提升污水处理的整体质量和效率。

56、(2)本发明使用长短期记忆(lstm)模型智慧调控溶解氧，能够实现精确、自适应和智能化的控制，为污水处理厂的运行管理带来了全新的可能性。与传统方法相比，采用lstm模型能够实现精确的控制、适应不同的运行条件、实现对未知条件的泛化预测以及实现自动化的控制决策。

57、(3)本发明中，采用lstm模型和优化算法实现最优控制策略，进一步提高处理效率和节能降耗，需要调大风机风量时，优先调节第一气阀开度和第二气阀开度；需要调小风机风量时，优先调小风机的风量，能够节约风机的能耗；风机风量、第一气阀开度、第二气阀开度均需要调大或调小时，多参数同时调节，响应更加迅速，预防了紧急情况的发生。

58、(4)本发明无须对污水处理厂进行大规模的构筑物改造，建设成本低。