污水处理曝气节能控制方法

文档序号:6321058阅读:312来源:国知局
专利名称:污水处理曝气节能控制方法
技术领域
本发明涉及一种控制方法,特别是一种污水处理曝气节能控制方法。
背景技术
对污水处理的生化反应过程中,送氧鼓风量与溶解氧和氨的变化关系容易受到污 水的浓度、天气、气温、时间变化等环境因素的影响,因而会产生非线性、时变、不确定性、时 滞等问题。传统的污水处理过程中鼓风机的送氧量是固定不变的,如果鼓风机送氧量过少 则会导致污水处理的生化反应过程不充分,严重影响污水处理的效果;如果鼓风机的送氧 量过多,则虽然污水处理的生化反应过程充分,但是鼓风机浪费大量电能量,传统简单的污 水处理曝气控制方法不能达到既满足送氧量又节省电能的效果。

发明内容
为了解决上述的技术问题,本发明的目的是提供一种实时监控、会自学习且节能 环保的污水处理曝气节能控制方法。本发明解决其技术问题所采用的技术方案是污水处理曝气节能控制方法,包括以下步骤01、运行模式选择;11、建立模型;21、学习数据处理;31、神经网络方法学习;41、运行控制。进一步,所述步骤11包括以下步骤11、如果建立模型则执行步骤12,否则返回;12、选择组态模型,确定输入/输出层参数;13、保存模型参数。进一步,所述步骤21包括以下步骤21、如果学习数据处理则执行步骤22,否则返回;22、读取历史运行数据;23、数据自动筛选并封装集;24、人工手动高级筛选数据;25、学习数据处理结束。进一步,所述步骤31包括以下步骤31、如果神经网络方法学习则执行步骤32,否则返回;32、初始参数设定;33、选择学习数据集;34、选择学习方式;
35、选择神经网络NNs函数;36、学习处理结果分析;37、保存学习结果。进一步,所述步骤41包括以下步骤41、如果运行控制则执行步骤42,否则返回;42、首次运行则执行步骤43,否则执行步骤45 ;43、加载神经网络NNs模型数据;44、加载神经网络NNs学习结果;45、神经网络NNs预测运算;46、预测值处理及输出。进一步,所述神经网络学习流程包括以下步骤81、设定隐层节点数、初始权值、初始阀值、权值调节系数、阀值调节系数、最大学 习次数、最小总误差;82、输入所有学习样本数据,学习次数加1 ;83、各节点一般化误差及输出总误差计算;84、如果当前学习次数t等于设定最大学习次数T且输出总误差E不小于设定最 小总误差Er则执行步骤85,如果当前学习次数t不等于设定最大学习次数T且输出总误差 E不小于设定最小总误差Er则执行步骤87,如果输出总误差E小于设定最小总误差Er则 执行步骤88 ;85、输出总误差E减去设定最小总误差Er的差值小于一定数值δ则执行步骤88, 否认执行步骤86 ;86、对网络进行修正,增大最大学习次数或增大调节系数或增加隐节点数或改变 初始权值和阀值大小,执行步骤82 ;87、根据权值调节公式、阀值调节公式对权值、阀值调节,执行步骤82 ;88、结束。进一步,所述最大学习次数T为10000。进一步,所述最小总误差Er为0. 001。进一步,所述步骤81初始权值Wij为-0. 3至0. 3中的随机数。进一步,所述步骤81初始阀值为0. 05。本发明的有益效果是本发明实现工艺处理设备的最优节能控制,并具备工艺参 数自我分析、自我诊断及自动处理等自我管理功能;具备很强的自适应能力及鲁棒性,节能 效果很好。


下面结合附图和实施例对本发明作进一步说明。图1是本发明污水处理曝气节能控制方法流程图;图2是本发明神经网络学习方法流程图。
具体实施例方式参照图1,污水处理曝气节能控制方法,包括以下步骤01、运行模式选择;11、建立模型;21、学习数据处理;31、神经网络方法学习;41、运行控制。进一步,所述步骤11包括以下步骤11、如果建立模型则执行步骤12,否则返回;12、选择组态模型,确定输入/输出层参数;13、保存模型参数。进一步,所述步骤21包括以下步骤21、如果学习数据处理则执行步骤22,否则返回;22、读取历史运行数据;23、数据自动筛选并封装集;24、人工手动高级筛选数据;25、学习数据处理结束。进一步,所述步骤31包括以下步骤31、如果神经网络方法学习则执行步骤32,否则返回;32、初始参数设定;33、选择学习数据集;34、选择学习方式;35、选择神经网络NNs函数;36、学习处理结果分析;37、保存学习结果。进一步,所述步骤41包括以下步骤41、如果运行控制则执行步骤42,否则返回;42、首次运行则执行步骤43,否则执行步骤45 ;43、加载神经网络NNs模型数据;44、加载神经网络NNs学习结果;45、神经网络NNs预测运算;46、预测值处理及输出。所述神经网络NNs模型是对人脑或自然神经网络(Natural NeuralNetwork)若干基本特性的抽象和模拟。人工神经网络以对大脑的生理研究成果为基础的,其目的在于模 拟大脑的某些机理与机制,实现某个方面的功能。人工神经网络的定义就是人工神经网络 是由人工建立的以有向图为拓扑结构的动态系统,它通过对连续或断续的输入作状态相应 并进行信息处理。进一步参照图2,所述神经网络学习流程包括以下步骤81、设定隐层节点数、初始权值、初始阀值、权值调节系数、阀值调节系数、最大学习次数、最小总误差;82、输入所有学习样本数据,学习次数加1 ;83、各节点一般化误差及输出总误差计算;84、如果当前学习次数t等于设定最大学习次数T且输出总误差E不小于设定最小总误差Er则执行步骤85,如果当前学习次数t不等于设定最大学习次数T且输出总误差 E不小于设定最小总误差Er则执行步骤87,如果输出总误差E小于设定最小总误差Er则 执行步骤88 ;85、输出总误差E减去设定最小总误差Er的差值小于一定数值δ则执行步骤88, 否认执行步骤86 ;86、对网络进行修正,增大最大学习次数或增大调节系数或增加隐节点数或改变 初始权值和阀值大小,执行步骤82 ;87、根据权值调节公式、阀值调节公式对权值、阀值调节,执行步骤82 ;88、结束。进一步,所述最大学习次数T为10000。进一步,所述最小总误差Er为0. 001。进一步,所述步骤81初始权值Wij为-0. 3至0. 3中的随机数。进一步,所述步骤81初始阀值为0. 05。其中初始权值Wi j,Wjk均取(-0. 3,0. 3)的随机数,初始阀值均取0. 05,调节系数 取0. 1,最大学习次数为10000,最小总误差为0. 001。t为当前学习次数,T为设定最大学习次数;E为输出总误差,Er为设定最小总误 差。S的范围视具体数据值而定。本发明对污水处理的生化反应过程中,送氧鼓风量与溶解氧和氨的变化关系易受 到污水的浓度、天气、气温、时间变化等环境因素的影响所产生的非线性、时变、不确定性、 时滞等问题,采用能适应环境变化的基于粗糙集的RBF神经网络污水生化处理过程的动态 多变量模型,模拟污水生化处理中送氧鼓风量与溶解氧和氨的变化,使之能够较好的反映 污水处理的生化反应过程,具有较好的鲁棒性。针对污水处理中参数的随机多变性以及RBF神经网络容易陷入局部收敛的问题, 采用基于混沌时间序列的最小二乘支持向量机污水生化处理过程的动态多变量模型,使之 能够反映参数的随机多变性,保证模型的全局收敛性。根据污水生化处理过程的动态多变量神经网络模型(输入层主要输入NH4_N、SS、 Τ、MLSS、DO、ORP等实时参数,输出层主要为风量、总管压力等参数),以及溶解氧和氨目标 值与实际值的误差评价函数,求出最小鼓风量,实现最小送风量的多变量节能优化控制。设计和实现基于溶解氧的污水生化自动控制系统,运用建模和最优控制的控制方 法,使得污水处理厂每年节约电费10%以上。以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施 例,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替 换,这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
权利要求
污水处理曝气节能控制方法,其特征在于包括以下步骤01、运行模式选择;11、建立模型;21、学习数据处理;31、神经网络方法学习;41、运行控制。
2.根据权利要求1所述的污水处理曝气节能控制方法,其特征在于所述步骤11包括 以下步骤11、如果建立模型则执行步骤12,否则返回;12、选择组态模型,确定输入/输出层参数;13、保存模型参数。
3.根据权利要求1所述的污水处理曝气节能控制方法,其特征在于所述步骤21包括 以下步骤21、如果学习数据处理则执行步骤22,否则返回;22、读取历史运行数据;23、数据自动筛选并封装集;24、人工手动高级筛选数据;25、学习数据处理结束。
4.根据权利要求1所述的污水处理曝气节能控制方法,其特征在于所述步骤31包括 以下步骤31、如果神经网络方法学习则执行步骤32,否则返回;32、初始参数设定;33、选择学习数据集;34、选择学习方式;35、选择神经网络NNs函数;36、学习处理结果分析;37、保存学习结果。
5.根据权利要求1所述的污水处理曝气节能控制方法,其特征在于所述步骤41包括 以下步骤41、如果运行控制则执行步骤42,否则返回;42、首次运行则执行步骤43,否则执行步骤45;43、加载神经网络NNs模型数据;44、加载神经网络NNs学习结果;45、神经网络NNs预测运算;46、预测值处理及输出。
6 根据权利要求1所述的污水处理曝气节能控制方法,其特征在于所述神经网络学 习流程包括以下步骤,81、设定隐层节点数、初始权值、初始阀值、权值调节系数、阀值调节系数、最大学习次 数、最小总误差;,82、输入所有学习样本数据,学习次数加1;,83、各节点一般化误差及输出总误差计算;,84、如果当前学习次数t等于设定最大学习次数T且输出总误差E不小于设定最小总 误差Er则执行步骤85,如果当前学习次数t不等于设定最大学习次数T且输出总误差E不 小于设定最小总误差Er则执行步骤87,如果输出总误差E小于设定最小总误差Er则执行 步骤88 ;,85、输出总误差E减去设定最小总误差Er的差值小于一定数值5则执行步骤88,否认 执行步骤86 ;,86、对网络进行修正,增大最大学习次数或增大调节系数或增加隐节点数或改变初始 权值和阀值大小,执行步骤82 ;,87、根据权值调节公式、阀值调节公式对权值、阀值调节,执行步骤82;,88、结束。
7.根据权利要求6所述的污水处理曝气节能控制方法,其特征在于所述最大学习次 数 T 为 10000。
8.根据权利要求6所述的污水处理曝气节能控制方法,其特征在于所述最小总误差 Er 为 0. 001。
9.根据权利要求6所述的污水处理曝气节能控制方法,其特征在于所述步骤81初始 权值Wi j为-0. 3至0. 3中的随机数。
10.根据权利要求6所述的污水处理曝气节能控制方法,其特征在于所述步骤81初 始阀值为0. 05。
全文摘要
本发明公开了一种污水处理曝气节能控制方法,包括以下步骤01、运行模式选择;11、建立模型;21、学习数据处理;31、神经网络方法学习;41、运行控制。本发明实现工艺处理设备的最优节能控制,并具备工艺参数自我分析、自我诊断及自动处理等自我管理功能;具备很强的自适应能力及鲁棒性,节能效果很好。本发明作为一种污水处理曝气节能控制方法广泛应用于污水处理过程中。
文档编号G05B13/02GK101833281SQ20101011838
公开日2010年9月15日 申请日期2010年2月26日 优先权日2010年2月26日
发明者罗飞, 肖国强 申请人:华南理工大学;广州东芝白云自动化系统有限公司
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1