一种氧化沟溶解氧预测模型的建立方法与流程

本发明属于污水处理领域，具体涉及一种氧化沟溶解氧预测模型的建立方法。

背景技术：

1、随着城市化的快速发展，工业生产活动和城镇居民人口逐渐增加，大大增加城镇污水厂处理量，对提高污水厂处理效能有迫切的需求。目前，生物脱氮除磷工艺是国内污水处理厂最常用的方法和手段，最典型的工艺有氧化沟技术。其在运行过程中水力停留时间(hrt)和污泥龄(srt)比一般生物处理法长，悬浮有机物和溶解性有机物可以同时有效去除，占地面积小，在污水主循环流动方向上溶解氧(do)形成梯度，满足微生物生长所需要的好氧和缺氧环境，可以同步实现污水中脱氮除磷的效果。

2、氧化沟在运行过程中，曝气控制是生物处理系统稳定运行的关键因素，且也是节能降耗的重要组成，而溶解氧do控制是实现精准曝气控制的直接表现。溶解氧do浓度直接影响到微生物的生长环境以及污水处理过程中污染物去除和有机物降解的效果，溶解氧过高会过量消耗废水中的有机物，使微生物因缺乏营养而引起活性污泥的老化，并降低活性污泥的絮凝能力和吸附能力，增加能耗；溶解氧过低，则长期处于缺氧状态，不利于硝化菌生存发展，抑制对有机物的降解，产生污泥膨胀。

3、目前，国内主要的溶解氧do控制方法主要有人工控制、半自动控制以及全自动控制。人工控制主要依靠人工经验、人工巡视检查出水水质情况调节生化池的溶解氧水平，有严重的滞后性与不稳定性，往往出现过曝现象，不仅增加能耗，也带来出水水质不达标的风险。半自动控制过程中引入plc控制技术，实现了数据传输，但溶解氧水平的调节仍然依靠人工经验，仍然存在调节的滞后性与不稳定性，并且劳动强度大的问题得不到解决，同时自动化设备的维护也增加了成本的输出。全自动化控制发展较晚，技术相对不成熟，依旧存在曝气不精准的问题，且控制方法不够智能化、规范化。因此，在智慧水务技术不断发展进步的大环境下，引入机器学习技术，通过预测模型较强的学习能力和抗干扰能力，实现污水处理过程中溶解氧do精准控制，达到精准曝气预测效果，从而实现污水厂智能化管理，自动化控制运营，在水质达标的前提下，节能降碳。

技术实现思路

1、本发明提供一种能够预测氧化沟溶解氧的预测模型的建立方法，从而能够实现在水质达标的同时，节约能耗，降低生产成本。

2、为解决上述技术问题，本发明采用以下技术方案：

3、本发明提供一种氧化沟溶解氧预测模型的建立方法，所述方法包括：

4、(1)采集氧化沟运行过程中的水量数据、进水水质数据、运行参数数据以及出水水质数据，并对上述数据进行预处理；

5、(2)将经过步骤(1)预处理后的数据输入第一预测模型，得到预测的溶解氧数据；

6、(3)将所述预测的溶解氧数据以及步骤(1)中预处理后的数据中除出水水质数据外的数据输入第二预测模型，得到预测的出水水质数据；

7、(4)判断所述预测的出水水质数据是否符合污水排放标准，若不符合，则进行步骤(5)；若符合，则进行步骤(6)；

8、(5)将所述预测的出水水质数据替换步骤(2)中的所述出水水质数据，循环进行步骤(2)至步骤(4)的分析；

9、(6)输出所述预测的溶解氧数据。

10、本发明通过步骤(4)至(6)的设置，能够更好的获得可以使出水水质达标的预测的溶解氧数据，从而能够更为调整曝气量提供更为精准的依据。

11、水量数据、进水水质数据、运行参数数据以及出水水质数据等来自自动化设备采集。

12、优选地，步骤(1)中，所述预处理的方法包括缺失值处理、异常值处理、pca主成分处理、mic特征选择中的一种或多种。

13、优选地，所述预测的溶解氧数据包括多个溶解氧数据，所述多个溶解氧数据分别对应氧化沟上下游不同段上的溶解氧。溶解氧数据个数的选择，可以根据氧化沟的处理量来进行选择，氧化沟处理量越大，则优选采用更多个溶解氧数据。本申请中的多个指两个及以上。

14、进一步优选地，所述多个溶解氧数据包括氧化沟上游段的溶解氧数据和氧化沟下游段的溶解氧数据。

15、优选地，所述第一预测模型为经过训练后的弹性网络回归模型；所述第二预测模型包括弹性网络回归模型、随机森林回归模型、岭回归模型、线性回归模型、支持向量回归svr模型、lasso回归模型中的一种或多种，所述第二预测模型采用多种模型交叉验证的方法筛选得到。

16、本发明提供的溶解氧预测方法，经过数据预处理去除冗余影响因素后，考察城镇污水厂氧化沟生化处理进出水水质、流量以及运营状态与氧化沟各段do输出因子的模型计算关系，同时进行交叉验证的方法筛选最优出水水质的预测模型，来判断氧化沟好氧池do预测的可行性，提高预测结果准确性。

17、本发明在建立第一预测模型和第二预测模型时，采用平均标准百分比误差mape、平均绝对误差mae评价模型准确性。

18、进一步优选地，所述第一预测模型采用第一训练数据训练得到，所述第一训练数据的输入参数为水量数据、进水水质数据、运行参数数据以及出水水质数据，输出参数为分别对应氧化沟上下游不同段上的多个溶解氧数据；

19、所述第二预测模型采用第二训练数据训练得到，所述第二训练数据的输入参数为水量数据、进水水质数据、运行参数数据以及所述第一预测模型输出的预测的溶解氧数据，输出参数为出水水质数据。

20、进一步优选地，所述出水水质参数为cod、nh3-n和tp，所述第二预测模型包括针对cod的弹性网络回归模型、针对nh3-n的随机森林回归模型、针对tp的岭回归模型。

21、优选地，所述进水水质数据为cod、nh3-n、tp、ss、水温和ph，所述运行参数数据为hrt、污泥回流比和mlss，所述出水水质参数为cod、nh3-n和tp。

22、优选地，所述第一预测模型和所述第二预测模型采用python语言环境建立机器学习训练模型，并且基于numpy、pandas、sklearn、os、joblib、sklearnpmml模块搭建，python语言环境、numpy、pandas、sklearn、os、joblib、sklearnpmml模块采用本领域的常规技术即可。python语言简单方便，学习过程快，准确度高。

23、与现有技术相比，本发明具有如下优点：

24、本发明的预测方法能够在保证出水水质达标排放的同时可以提供氧化沟最优do值，提高城镇污水厂运行效率，降低生产能耗、成本，有助于实现城镇污水厂智能化管理和运营。

技术特征：

1.一种氧化沟溶解氧预测模型的建立方法，其特征在于，所述方法包括：

2.根据权利要求1所述的氧化沟溶解氧预测模型的建立方法，其特征在于，步骤(1)中，所述预处理的方法包括缺失值处理、异常值处理、pca主成分处理、mic特征选择中的一种或多种。

3.根据权利要求1所述的氧化沟溶解氧预测模型的建立方法，其特征在于，所述预测的溶解氧数据包括多个溶解氧数据，所述多个溶解氧数据分别对应氧化沟上下游不同段上的溶解氧。

4.根据权利要求3所述的氧化沟溶解氧预测模型的建立方法，其特征在于，所述多个溶解氧数据包括氧化沟上游段的溶解氧数据和氧化沟下游段的溶解氧数据。

5.根据权利要求1所述的氧化沟溶解氧预测模型的建立方法，其特征在于，所述第一预测模型为经过训练后的弹性网络回归模型；所述第二预测模型包括弹性网络回归模型、随机森林回归模型、岭回归模型、线性回归模型、支持向量回归svr模型、lasso回归模型中的一种或多种，所述第二预测模型采用多种模型交叉验证的方法筛选得到。

6.根据权利要求5所述的氧化沟溶解氧预测模型的建立方法，其特征在于，所述第一预测模型采用第一训练数据训练得到，所述第一训练数据的输入参数为水量数据、进水水质数据、运行参数数据以及出水水质数据，输出参数为分别对应氧化沟上下游不同段上的多个溶解氧数据。

7.根据权利要求5所述的氧化沟溶解氧预测模型的建立方法，其特征在于，所述第二预测模型采用第二训练数据训练得到，所述第二训练数据的输入参数为水量数据、进水水质数据、运行参数数据以及所述第一预测模型输出的预测的溶解氧数据，输出参数为出水水质数据。

8.根据权利要求7所述的氧化沟溶解氧预测模型的建立方法，其特征在于，所述出水水质参数为cod、nh3-n和tp，所述第二预测模型包括针对cod的弹性网络回归模型、针对nh3-n的随机森林回归模型、针对tp的岭回归模型。

9.根据权利要求1所述的氧化沟溶解氧预测模型的建立方法，其特征在于，所述进水水质数据为cod、nh3-n、tp、ss、水温和ph，所述运行参数数据为hrt、污泥回流比和mlss，所述出水水质参数为cod、nh3-n和tp。

10.根据权利要求1所述的氧化沟溶解氧预测模型的建立方法，其特征在于，所述第一预测模型和所述第二预测模型采用python语言环境建立机器学习训练模型，并且基于numpy、pandas、sklearn、os、joblib、sklearnpmml模块搭建。

技术总结
本发明提供一种氧化沟溶解氧预测模型的建立方法，包括：(1)采集氧化沟运行过程中的水量数据、进水水质数据、运行参数数据以及出水水质数据，并对上述数据进行预处理；(2)将经过步骤(1)预处理后的数据输入第一预测模型，得到预测的溶解氧数据；(3)将所述预测的溶解氧数据以及步骤(1)中预处理后的数据中除出水水质数据输入第二预测模型，得到预测的出水水质数据；(4)判断预测的出水水质数据是否符合污水排放标准，若不符合，则进行步骤(5)；若符合，则进行步骤(6)；(5)将预测的出水水质数据替换步骤(2)中的出水水质数据，循环进行步骤(2)至步骤(4)的分析；(6)输出预测的溶解氧数据。

技术研发人员：袁芳,鞠然,杨存满,鞠佳伟,徐伟,王志刚,张凯,蒲一凡,石军
受保护的技术使用者：中环保水务投资有限公司
技术研发日：
技术公布日：2024/1/13