[發(fā)明專利]基于深度神經(jīng)網(wǎng)絡(luò)的溶解氧濃度控制方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201710756466.8
• 申請日: 2017-08-29
• 公開（公告）號: CN107402586A
• 公開（公告）日: 2017-11-28
• 發(fā)明（設(shè)計）人: 方芳;賈勝勇;李守東;姜寧;梁猛
• 申請（專利權(quán)）人: 北京易沃特科技有限公司
• 主分類號: G05D11/13
• 分類號: G05D11/13
• 代理公司: 北京酷愛智慧知識產(chǎn)權(quán)代理有限公司11514
• 代理人: 安娜

技術(shù)領(lǐng)域

本發(fā)明涉及控制技術(shù)領(lǐng)域，尤其涉及一種溶解氧濃度控制方法及系統(tǒng)。

背景技術(shù)

溶解氧是污水好氧生物處理系統(tǒng)運行的關(guān)鍵因素，供氧總量直接決定污水處理成本，溶解氧濃度水平過低，使活性污泥活性降低，抑制生物對有機(jī)物的降解，產(chǎn)生污泥膨脹；溶解氧過高會加速消耗污水中的有機(jī)物，使微生物因缺乏營養(yǎng)而引起活性污泥的老化，長期過高的溶解氧會降低活性污泥的絮凝性能和吸附能力，增加能耗，導(dǎo)致懸浮固體沉降性變差。因此，溶解氧的控制非常重要。

污水活性污泥好氧處理系統(tǒng)溶解氧的濃度控制具有復(fù)雜的非線性、滯后性和一定的不確定性，因此，在充分考慮處理負(fù)荷的情況下，尋求一種通過控制曝氣量進(jìn)而對溶解氧濃度實現(xiàn)精準(zhǔn)控制的方法，對于提高污水處理控制的自動化水平和效果、節(jié)約能源都有很大的意義。

目前，對污水處理廠曝氣量的控制主要是依賴設(shè)計標(biāo)準(zhǔn)以及技術(shù)員的經(jīng)驗來人為實施，但是，進(jìn)水流量及水質(zhì)參數(shù)是隨時變化的，這種變化存在很大隨機(jī)性，這使得對污水廠的運行控制難度很大。另外，目前污水處理廠使用的污水處理系統(tǒng)是一種多變量非線性系統(tǒng)，溶解氧的濃度控制、污水水質(zhì)及運行條件關(guān)系復(fù)雜，很難用線性關(guān)系來描述，因此無法用傳統(tǒng)的機(jī)理分析和數(shù)學(xué)推導(dǎo)的方法來建立相應(yīng)的模型。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中的缺陷，本發(fā)明提供一種基于深度神經(jīng)網(wǎng)絡(luò)的溶解氧濃度控制方法及系統(tǒng)，通過應(yīng)用基于深度神經(jīng)網(wǎng)絡(luò)的溶解氧模型，通過對控制曝氣量進(jìn)而實現(xiàn)對溶解氧的精準(zhǔn)控制。

第一方面，本發(fā)明提供了一種基于深度神經(jīng)網(wǎng)絡(luò)的溶解氧濃度控制方法，所述方法包括：

檢測并采集廢水中的多組原始數(shù)據(jù)；

根據(jù)所述原始數(shù)據(jù)建立深度神經(jīng)網(wǎng)絡(luò)模型；

利用所述深度神經(jīng)網(wǎng)絡(luò)模型計算控制參數(shù)；

根據(jù)所述控制參數(shù)，對曝氣量進(jìn)行調(diào)整。

進(jìn)一步地，所述根據(jù)所述原始數(shù)據(jù)建立深度神經(jīng)網(wǎng)絡(luò)模型，具體包括：

取出所述原始數(shù)據(jù)中的一部分?jǐn)?shù)據(jù)作為訓(xùn)練樣本；

調(diào)用所述深度神經(jīng)網(wǎng)絡(luò)模型的參數(shù)訓(xùn)練函數(shù)；

采用所述參數(shù)訓(xùn)練函數(shù)，對所述訓(xùn)練樣本進(jìn)行學(xué)習(xí)和訓(xùn)練；

根據(jù)學(xué)習(xí)和訓(xùn)練的結(jié)果建立深度神經(jīng)網(wǎng)絡(luò)模型。

進(jìn)一步地，所述根據(jù)所述原始數(shù)據(jù)建立深度神經(jīng)網(wǎng)絡(luò)模型，還包括：利用所述深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行廢水處理的仿真。

進(jìn)一步地，所述利用所述深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行廢水處理的仿真，具體包括：

取出所述原始數(shù)據(jù)中剩余的數(shù)據(jù)作為測試樣本；

調(diào)用所述深度神經(jīng)網(wǎng)絡(luò)模型的仿真函數(shù)；

利用所述仿真函數(shù)和所述測試樣本對污水處理進(jìn)行仿真，得到預(yù)測數(shù)據(jù)；

利用所述預(yù)測數(shù)據(jù)檢測所述模型的準(zhǔn)確性和穩(wěn)定性。

進(jìn)一步地，所述檢驗深度神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性和穩(wěn)定性，具體包括：

將所述預(yù)測數(shù)據(jù)和實測數(shù)據(jù)的變化趨勢進(jìn)行對比，檢驗兩者之間的誤差。

進(jìn)一步地，所述利用所述深度神經(jīng)網(wǎng)絡(luò)模型計算控制參數(shù)，具體包括：

設(shè)置所述模型的輸入?yún)?shù)，利用所述模型計算與輸入?yún)?shù)相對應(yīng)的輸出參數(shù)，作為控制參數(shù)。

進(jìn)一步地，所述輸入?yún)?shù)包括：廢水流量，水力停留時間，進(jìn)水污染物濃度，出水污染物濃度，活性污泥濃度，溶解氧濃度；所述輸出參數(shù)為曝氣量。

進(jìn)一步地，所述檢測并采集廢水中的多組原始數(shù)據(jù)之后，建立深度神經(jīng)網(wǎng)絡(luò)模型之前，還包括：

對所述原始數(shù)據(jù)進(jìn)行有效性分析，從中提取有效數(shù)據(jù)，用所述有效數(shù)據(jù)更新所述原始數(shù)據(jù)。

進(jìn)一步地，所述原始數(shù)據(jù)包括：廢水流量，水力停留時間，進(jìn)水污染物濃度，出水污染物濃度，活性污泥濃度，曝氣量參數(shù)及對應(yīng)的溶解氧濃度。

第二方面，本發(fā)明還提供了一種基于深度神經(jīng)網(wǎng)絡(luò)的溶解氧濃度控制系統(tǒng)，所述系統(tǒng)包括：數(shù)據(jù)采集模塊，模型建立模塊，參數(shù)計算模塊，控制模塊；

所述數(shù)據(jù)采集模塊，用于檢測并采集廢水中的多組原始數(shù)據(jù)；

所述模型建立模塊，用于根據(jù)所述原始數(shù)據(jù)建立深度神經(jīng)網(wǎng)絡(luò)模型；

所述參數(shù)計算模塊，用于利用所述深度神經(jīng)網(wǎng)絡(luò)模型計算控制參數(shù)；

所述控制模塊，用于根據(jù)所述控制參數(shù)，對曝氣量進(jìn)行調(diào)整。

由上述技術(shù)方案可知，本發(fā)明提供一種基于深度神經(jīng)網(wǎng)絡(luò)的溶解氧濃度控制方法及系統(tǒng)，將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于溶解氧監(jiān)測與控制模型中，建立基于深度神經(jīng)網(wǎng)絡(luò)的溶解氧模型，通過對控制曝氣量以實現(xiàn)對溶解氧的精準(zhǔn)控制。

附圖說明

圖1示出了本發(fā)明提供的溶解氧濃度控制方法的流程示意圖。