一种基于加权融合模型的污水处理智能曝气控制方法

本发明涉及污水处理，具体涉及一种基于加权融合模型的污水处理智能曝气控制方法。

背景技术：

1、工业污水和生活污水不经处理直接排放会严重污染环境、水体生态破坏和公共健康风险。未处理的污水中含有大量有害物质，直接排放会污染河流、湖泊和地下水，导致水质恶化。污染物还会破坏水体生态系统，危害水生生物的生存。此外，污染水体可能传播疾病，威胁周边居民的健康和生活质量。这种做法不仅对环境造成长期损害，还带来巨大的社会和经济成本。

2、污水处理过程中生化处理和曝气过程发挥着关键作用。生化处理利用微生物降解污水中的有机污染物，将其转化为无害物质，从而净化水质。曝气则是通过向污水中引入氧气，增强微生物的活性和繁殖速度，提高其对有机污染物的分解效率。曝气不仅促进了生化处理过程，还能有效防止污水中产生厌氧环境，减少臭味和有害气体的生成。

3、目前国内对污水生化处理过程的曝气阶段的控制主要还是集中在人工手动控制，利用人工控制曝气的缺点主要包括效率低下、响应速度慢和精度不足。人工控制需要操作人员不断监测和调整，工作强度大且难以实时响应水质变化，导致曝气效果不稳定。此外，人工调节难以做到精确，可能造成过度或不足曝气，影响污水处理效果。人力成本高、操作误差和失误的风险也增加了管理复杂性和运行成本。

4、综上，现有技术中存在曝气阶段依赖于人工手动控制，导致无法确保曝气量可以准确满足生化过程，存在污水超标排放造成环境污染和对异常环境情况下自适应调节的技术问题，因此需要利用智能模型提高控制的准确性。

技术实现思路

1、本发明的目的是提供一种基于加权融合模型的污水处理智能曝气控制方法，以解决现有技术中曝气控制仅依赖于人工手动控制，忽略智能模型对曝气状态变化的导向作用的问题。

2、为实现上述目的，本发明采用如下技术方案：一种基于加权融合模型的污水处理智能曝气控制方法，包括以下步骤：

3、s100、根据进水监测的水质指标采样获取进水水质监测数据集，根据过程监测的水质指标采样获取过程水质监测数据集，根据出水监测的水质指标采样获取出水水质监测数据集；根据污水处理生化段好氧池曝气设备进行设备数据采集获取曝气量监测数据集；根据污水处理设备进行设备数据采集获取设备工况监测数据集；

4、s200、将进水水质监测数据集，过程水质监测数据集，出水水质监测数据集和曝气量监测数据集融合为水质曝气融合数据集；将设备工况监测数据集和曝气量监测数据集融合为工况曝气融合数据集；

5、s300、将水质曝气融合数据集输入可调参数的深度人工神经网络子模型中；将工况曝气融合数据集输入可调参数的长短期记忆神经网络子模型中；

6、s400、将两个模型结果融合为可调参数的人工神经网络和长短期记忆网络融合模型，按照百分比误差归一化后的权重系数融合，其中，可调参数自适应模型，嵌于污水处理曝气设备的控制系统终端；

7、s500、根据人工神经网络和长短期记忆网络融合模型，按照输出结果对污水处理曝气过程进行控制。

8、进一步地，所述的s100中，进水水质监测数据集、过程水质监测数据集以及出水水质监测数据集为目标污水处理厂历史时期的数据集；曝气量监测数据集中数据类型包括过程段好氧池的污水处理设备的曝气量；设备工况监测数据集中数据类型包括污水厌氧水力停留时间数据、缺氧水力停留时间数据、好氧水力停留时间数据。

9、进一步地，所述的s200中，数据集融合的方法为将数据集进行数据行和数据列对齐，数据间隔设置为最小采样时间。

10、进一步地，所述的s300中，深度人工神经网络的构建方法为，首先，准备和预处理20％的数据集，将其划分为训练集、验证集和测试集；然后，随机初始化网络的权重和偏置参数；接着，通过前向传播计算每一层的输出，再根据损失函数计算网络输出与实际结果之间的误差；通过反向传播算法计算梯度，并使用优化算法更新网络参数；重复上述过程，直至损失函数百分比误差小于10％收敛或达到预定的训练轮数500轮，同时输出可调参数。

11、进一步地，所述的s300中，长短期记忆神经网络的构建方法为，首先，准备和预处理20％的数据集，将其划分为训练集、验证集和测试集；然后，随机初始化网络的权重和偏置参数；接着，通过前向传播计算每一层细胞单元的输出，再根据损失函数计算网络输出与实际结果之间的误差；通过反向传播算法计算梯度，并使用优化算法更新网络参数；重复上述过程，直至损失函数百分比误差小于10％收敛或达到预定的训练轮数500轮，同时输出可调参数。

12、进一步地，所述的s500包括以下步骤：

13、s510、将神经网络和长短期记忆网络融合模型的参数设置为临时的可调参数，将100％的融合数据输入神经网络和长短期记忆网络融合模型，模型输出曝气装置推荐曝气量；

14、s520、控制模块根据模型推荐曝气量对污水处理曝气过程生化段好氧池的污水处理曝气设备进行控制；

15、s530、对经由实时出水采样管采集的水样进行水质监测，获取出水水质，获取时刻t出水水质态监测数据集；

16、s540、判断水质指标是否达标，若水质指标达标，获取污水排放指令允许排放。

17、本发明的有益效果：

18、1、本发明方法解决了现有技术中人工手动控制通常效率低下、响应速度慢和人力成本高，而且需要操作人员不断监测和调整，难以实现实时响应和精确调节，导致曝气效果不稳定的问题；

19、2、本发明方法解决了人力成本高且存在操作误差和失误的风险，难以做到24小时不间断监控的问题，实现对污水处理曝气过程高效、智能、精准和稳定的控制。

技术特征：

1.一种基于加权融合模型的污水处理智能曝气控制方法，其特征在于，包括以下步骤：

2.根据权利要求1的一种基于加权融合模型的污水处理智能曝气控制方法，其特征在于：所述的s100中，进水水质监测数据集、过程水质监测数据集以及出水水质监测数据集为目标污水处理厂历史时期的数据集；曝气量监测数据集中数据类型包括过程段好氧池的污水处理设备的曝气量；设备工况监测数据集中数据类型包括污水厌氧水力停留时间数据、缺氧水力停留时间数据、好氧水力停留时间数据。

3.根据权利要求1的一种基于加权融合模型的污水处理智能曝气控制方法，其特征在于：所述的s200中，数据集融合的方法为将数据集进行数据行和数据列对齐，数据间隔设置为最小采样时间。

4.根据权利要求1的一种基于加权融合模型的污水处理智能曝气控制方法，其特征在于：所述的s300中，深度人工神经网络的构建方法为，首先，准备和预处理20％的数据集，将其划分为训练集、验证集和测试集；然后，随机初始化网络的权重和偏置参数；接着，通过前向传播计算每一层的输出，再根据损失函数计算网络输出与实际结果之间的误差；通过反向传播算法计算梯度，并使用优化算法更新网络参数；重复上述过程，直至损失函数百分比误差小于10％收敛或达到预定的训练轮数500轮，同时输出可调参数。

5.根据权利要求1的一种基于加权融合模型的污水处理智能曝气控制方法，其特征在于：所述的s300中，长短期记忆神经网络的构建方法为，首先，准备和预处理20％的数据集，将其划分为训练集、验证集和测试集；然后，随机初始化网络的权重和偏置参数；接着，通过前向传播计算每一层细胞单元的输出，再根据损失函数计算网络输出与实际结果之间的误差；通过反向传播算法计算梯度，并使用优化算法更新网络参数；重复上述过程，直至损失函数百分比误差小于10％收敛或达到预定的训练轮数500轮，同时输出可调参数。

6.根据权利要求1的一种基于加权融合模型的污水处理智能曝气控制方法，其特征在于，所述的s500包括以下步骤：

技术总结
本发明涉及污水处理技术领域，具体涉及一种基于加权融合模型的污水处理智能曝气控制方法。获取进水水质监测数据集、过程水质监测数据集、出水水质监测数据集、曝气量监测数据集以及设备工况监测数据集。将进水水质监测数据集、过程水质监测数据集、出水水质监测数据集以及曝气量监测数据集融合为水质曝气融合数据集，将设备工况监测数据集和曝气量监测数据集融合为工况曝气融合数据集。将水质曝气融合数据集输入可调参数的深度人工神经网络子模型中，将工况曝气融合数据集输入可调参数的长短期记忆神经网络子模型中。将两个模型结果融合为可调参数的人工神经网络和长短期记忆网络融合模型，按照百分比误差归一化后的权重系数融合。

技术研发人员：王鸿程,王煜琪,刘清轶,李贺文,宋云鹏,殷万欣,王爱杰
受保护的技术使用者：哈尔滨工业大学（深圳）（哈尔滨工业大学深圳科技创新研究院）
技术研发日：
技术公布日：2024/11/18