基于调蓄池中COD预测的初期雨水原位处理方法与流程

本发明涉及雨水处理，特别涉及基于调蓄池中cod预测的初期雨水原位处理方法。

背景技术：

1、随着紧凑型城市快速发展与全球气候变化导致的极端降雨现象频繁发生，很多城市出现严重的内涝灾害，同时，雨水中裹挟了来自大气、地表以及排水管网中的污染物，排入河道后，对河道水质造成严重威胁，这是城市面源污染的重要来源。此外，城市合流制排水系统带来的冲击负荷、溢流污染等问题为城市水环境治理增加了难度，分流制排水系统的雨水管网也存在着初期雨水或混接污水造成的雨季排放污染。由此可见，污染雨水已日益成为城市河道水质状况的重要影响因素，必须引起足够的关注和重视。

2、雨水调蓄池是国内外减轻城市内涝与控制初期雨水污染的一项重要工程设施，通过对初期雨水的蓄存能够有效削减排入河道的污染物。借鉴国内外已经开展的污染雨水调蓄的工程经验，据统计，截至2022年12月，上海已陆续建成18座雨水调蓄池，总容积达189700m3，但该模式在上海运行存在以下几方面问题：

3、(1)雨量大，溢流污染严重：上海属于亚热带季风性气候，雨量充沛，调蓄池中的雨水在未及时处理的情况下会发生外溢，据统计，2023年全市有3500余万吨污水外溢直排长江。

4、(2)雨水中裹挟的有机物质含量高：初期雨水中悬浮物约40-160mg/l、化学需氧量约80-200mg/l，且雨水中的有机物质有随时间环境等因素变化的特性。

5、(3)缺乏高效的雨水调蓄池原位处理技术：上海市污水处理厂均相对集中，污染雨水经长距离输送方可进入污水处理厂，长距离输送能耗较高，将增加碳排放量。

6、为有效解决上述问题，开发一种能够根据降雨量和雨水中有机物自动调控的城市初期雨水原位处理关键技术迫在眉睫。

7、利用一种高效的生物处理方法，根据进水有机负荷调整高效生化池的污泥龄和曝气量，能够实现雨水中有机物80％的高效去除。

8、针对高效生化池的进水有机负荷难以预测的问题，根据某些城市地方的规定，当降雨量满足初期雨水标准时，可认为降雨量中cod的浓度与降雨量存在对应关系，即调蓄池中的雨水储存量与池中cod浓度存在对应关系。

9、但这对应关系为复杂的非线性关系，传统的数学模型难以进行准确预测。

10、近年来，机器学习、深度学习等人工智能算法在工业领域的应用日益增多，得益于其强大的处理复杂数据的能力，人工智能算法经常被用于进行水质预测。

11、其中，在线学习自适应神经网络是一种能够根据实时输入数据自动更新其参数和结构的神经网络，能够很好的应对概念漂移，解决雨水中的有机物质随时间环境等因素变化的问题。

12、但目前还没有对初期雨水cod进行预测的大数据模型和高效cod原位处理工艺的出现。

13、因此，如何考虑调蓄池中的雨水量对污染物含量的影响和调蓄池雨水原位处理工艺运行参数的调整成为本领域技术人员亟需解决的技术问题。

技术实现思路

1、有鉴于现有技术的上述缺陷，本发明提供处理初期雨水的方法及在线智能控制系统，实现的目的是采用在线学习模型，使自适应神经网络能够在数据分布和环境发生变化时及时调整自身，如增加或减少神经元或层数，适应新趋势和模式，以保持高效的预测性能。在初期雨水污染物浓度预测中，利用在线学习自适应神经网络能够很好的应对概念漂移问题，使预测模型能够识别和适应这些变化，进而使智能控制系统更准确的预测高效生化池的曝气量，实现初期雨水的高效处理。

2、为实现上述目的，本发明公开了基于调蓄池中cod预测的初期雨水原位处理方法，包括如下步骤：

3、步骤1、采用已有的用于初期雨水的调蓄池的历史工作数据预训练一在线学习自适应神经网络模型；

4、步骤2、在需要进行cod预测的待测调蓄池边建造能够控制排泥量和曝气量的高效生化池；

5、所述高效生化池内接种好氧活性污泥，设有能够实时监测溶解氧浓度的装置，并通过进水泵从所述待测调蓄池底部抽取水体；

6、所述待测调蓄池内设有液位计；

7、步骤3、运行所述高效生化池，具体为：

8、将所述液位计测得到的所述待测调蓄池的液位数据转换为与所述待测调蓄池的最大容积相匹配的待测调蓄水位百分比值，并根据所述待测调蓄水位百分比值控制所述进水泵向所述高效生化池输送所述水体；

9、通过控制所述高效生化池的排泥量使所述好氧活性污泥的污泥龄低于2天，使初期雨水中有机物达到80％的去除效果；

10、步骤4、采集降雨后的调蓄池液位输入所述在线学习自适应神经网络模型，根据模型的预测结果控制所述高效生化池运行并对所述在线学习自适应神经网络模型进行在线增量学习，具体为：

11、步骤4.1、通过所述液位计获取所述待测调蓄池的液位数据，并对所述液位数据进行归一化处理输入完成预训练的所述在线学习自适应神经网络模型；

12、步骤4.2、根据所述在线学习自适应神经网络模型反馈的预测cod浓度，以及所述进水泵的流量计算所述高效生化池的进水有机负荷；

13、步骤4.3、根据所述进水有机负荷计算所述高效生化池中高效生物体系所需的曝气量，在确保所述高效生化池中溶解氧浓度不低于2mg/l的前提下，对曝气量进行前馈控制，确保所述高效生化池内有充足的溶解氧供所述好氧活性污泥去除有机物；

14、步骤4.4、将所述在线学习自适应神经网络模型根据实际测量所述待测调蓄池得到的cod浓度进行在线增量学习，并保存更新后的模型；

15、步骤5、在调蓄池收集到下一次降雨的初期雨水后，重复执行步骤3和4，使得所述在线学习自适应神经网络模型能够及时学习到降雨量与cod的对应关系变化，提高模型的预测精度。

16、优选的，在步骤1中，将所述历史工作数据中的储水量均转换为与相应的所述调蓄池的最大容积相匹配的百分比数值，并将所有所述百分比数值均作为预训练所述在线学习自适应神经网络模型的预训练输入；

17、将所述历史工作数据中的cod浓度均作为预训练所述在线学习自适应神经网络模型的预训练输出。

18、优选的，还包括plc，以及包括所述plc的在线智能控制系统；

19、在步骤3中，所述在线智能控制系统通过所述plc将所述液位计侧得到的所述待测调蓄池的液位数据转换为与所述待测调蓄池的最大容积相匹配的待测调蓄水位百分比值，并根据所述待测调蓄水位百分比值控制所述进水泵向所述高效生化池输送所述水体。

20、优选的，所述在线智能控制系统控制所述进水泵的运行频率正比于所述待测调蓄池的储水量。

21、优选的，还包括plc，以及包括所述plc的在线智能控制系统；

22、在步骤4.2中，所述在线智能控制系统根据所述在线学习自适应神经网络模型反馈的预测cod浓度，以及所述进水泵的流量计算所述高效生化池的进水有机负荷。

23、优选的，还包括plc，以及包括所述plc的在线智能控制系统；

24、在步骤4.3中，所述在线智能控制系统根据所述进水有机负荷计算所述高效生化池中高效生物体系所需的曝气量。

25、优选的，所述能够实时监测溶解氧浓度的装置是在线溶解氧电极；所述高效生化池通过设置曝气风机进行曝气；所述高效生化池通过设置排泥泵进行排泥，控制活性污泥的污泥龄低于2天。

26、本发明的有益效果：

27、本发明利用在线学习自适应神经网络模型预测调蓄池中的cod浓度，并根据预测的cod浓度调整高效生物法的曝气强度，完成初期雨水中cod的原位高效去除。

28、本发明中在线学习智能模型能够在利用历史数据预训练后再根据实时数据进行增量学习，能够很好的解决初期雨水水质随时间不断变化的特点，解决雨水中污染物难以准确预测的难题。

29、本发明引入的在线学习自适应神经网络模型，与传统的神经网络模型相比，可以实时接收即时数据，并即时更新模型参数，使模型更好地适应环境的变化，解决初期雨水中的污染物随时间变化的问题。在经过调蓄池历史数据的预训练后，在线学习自适应神经网络模型能够根据降雨后调蓄池中的储水量快速预测出调蓄池中的cod含量，相比于人为测量的滞后性，模型预测更具时效性，更能对初期雨水快速处理工艺进行及时的调控。同时模型在给出预测结果后，还会根据人为测量的水质结果进行在线学习，模型自动调整结构参数，结合当前的数据和历史数据学习调蓄池中储水量与cod含量的规律。相比于传统的神经网络模型，在线学习自适应神经网络模型可以节约计算资源，不断提高模型的预测准确性。

30、本发明采用高效生物法实现对初期雨水中的cod实现高效去除，并采用前馈反馈曝气控制策略实现对高效生物法的曝气控制。在线智能控制系统根据在线学习自适应神经网络预测进水cod浓度来预测高效生物法的进水有机负荷，进而确定此时高效生物法所需的曝气量。同时为避免低进水有机负荷时曝气量不足引起的cod不完全去除，设置溶解氧反馈曝气控制。当生化池内溶解氧低于2mg/l时，在线智能控制系统提高曝气量以使生化池内溶解氧不低于2mg/l，确保cod有效去除的同时避免过度曝气造成的能源浪费。

31、本发明具有高准确性、强时效性、强适应性和高效性等显著的技术效果，能够有效解决现阶段初期雨水处理中存在的雨水无法原位处理和雨水水质难以预测的问题，为初期雨水的高效处理提供了新的解决方案。

32、以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。