出水含氮物智能在线监测方法和系统

1.本发明涉及出水含氮物智能在线监测方法和系统，属于水处理技术领域。该方法和系统可应用在城镇污水处理厂和相关环境监控部门，用于关键水质参数总氮、氨氮的快速实时在线监测。


背景技术：

2.为确保污水厂一直处于稳定、安全的运行状态，首先要对污水处理过程中实时监测一些关键指标，例如化学需氧量(cod)、总固体悬浮物(tss)、总磷(tp)、总氮(tn)、氨氮(snh)等。通过监测这些指标可以反映出污水处理工艺性能、出水质量和经济效益，进而根据监控结果来优化及控制污水处理过程。近年来，随着污水厂节能减排工作的持续进行，污水厂出水cod和出水tss的浓度大大降低，而出水tn和snh的污染却日益严重。氮(n)被过量排入受纳水体会导致水华和水体富营养化，同时，氮也是评价受纳水体营养状态的重要性指标，因此对污水处理厂出水tn和snh进行在线监测成为解决水体富营养化问题的关键。
3.当今城镇污水厂tn和snh的浓度主要通过国标法在专门实验室测定，国标法有很高的测量精度，但实验步骤繁琐，化学反应时间长，不能够将其浓度及时反映出来。一些污水厂曾采用一些精密仪器来测量tn和snh，其中常用的精密仪器有氨氮在线监测仪和总氮在线检测仪。尽管这些仪器灵敏度高，能精准测量水样的浓度，但这些检测仪的价格和后期的维护费用较高，而且测量过程非常耗时，远远不能满足实时测量出tn和snh浓度的需要。


技术实现要素：

4.本发明提供一种出水含氮物智能在线监测方法及装置，旨在至少解决现有技术中存在的技术问题之一。
5.本发明的技术方案涉及一种出水含氮物智能在线监测方法，包括以下步骤：
6.s1、通过进水端和出水端所设置的水质参数测量模块，从实地平台和/或仿真平台，采集用于预测模型的输入变量和输出变量的历史数据；
7.s2、基于所述的输入变量和输出变量，建立基于图卷积神经网络的含氮物浓度的预测模型；
8.s3、利用动量随机梯度下降法对所述的基于图卷积神经网络的含氮物浓度的预测模型进行训练；
9.s4、在线地通过所述水质参数测量模块从进水端水体采集当前的输入变量数据，剔除异常数据，然后输入至训练后的预测模型，以获取出水端的输出变量的预测结果。
10.进一步，所述输入变量包含溶解氧、硝态氮、进水总悬浮固体、进水化学需氧量、进水总氮和进水氨氮的浓度，
11.所述输出变量包含出水氨氮和出水总氮的浓度。
12.进一步，在所述步骤s1中，所述实地平台包括污水厂的污水处理单元，所述仿真平台包括活性污泥1号仿真模型。
13.进一步，所述步骤s2包括：对所述的输入变量和输出变量的数据组分别按4:1的比例划分为训练集与测试集，其中，所述训练数据与测试数据分别在输入所述预测模型前进行归一化处理。
14.进一步，所述步骤s3还包括：采用迭代寻优的方法获得卷积神经网络(gcn)中卷积层的最佳卷积核数。
15.进一步，所述步骤s3还包括以下步骤：
16.s31、选取九个候选的卷积核数，每个卷积核数的值为2的多次方，将这九个候选的卷积核数配置为行向量n(i)，其中i为行向量中元素的顺序；
17.s32、提供所述的基于图卷积神经网络的预测模型的训练的初始误差为mse_max，设置当前卷积核数为n(i)在训练时对应的两个输出变量的均方误差之和为mse(i)；
18.s33、确保所述的基于图卷积神经网络的预测模型的卷积核数的每次迭代时的初始化参数相同；
19.s34、当mse(i)＜mse_max时，则将mse_max的值替换为mse(i)，并将当前的n(i)记为desired_n(i)；
20.s35、当九个候选的卷积核数全部迭代完成时，将当前的mse_max输出为mse(i)最小值，将desired_n(i)输出位最佳卷积核数。
21.进一步，所述步骤s4还包括：对所述实地平台和/或仿真平台所生成的数据导入到统计表中，然后通过统计学方法把异常数据剔除。
22.进一步，所述的方法还包括以下步骤：s5、对总氮和氨氮的浓度设立预警值，并且监控当前的预测值超过预警值时，在显示设备发出提示信息和警报；s6、将预测结果数据通过python文件格式保存。
23.本发明的技术方案还涉及一种计算机可读存储介质，其上储存有程序指令，所述程序指令被处理器执行时实施上述的方法。
24.本发明的技术方案还涉及一种出水含氮物智能在线监测系统，包括：溶解氧在线监测仪；硝态氮在线监测仪；与所述溶解氧在线监测仪和所述硝态氮在线监测仪连接的显示装置；中央处理装置，所述中央处理装置包括所述的计算机可读存储介质。其中，所述中央处理装置与所述溶解氧在线监测仪、所述硝态氮在线监测仪和所述显示装置连接。
25.本发明的有益效果在于：
26.充分利用图卷积神经网络高效提取多维数据特征的能力，创建基于gcn网络的水体的含氮物(总氮、氨氮)的浓度的预测模型；可以根据污水厂出水水质参数变化自动调整gcn网络参数，使模型进行在线学习，对污水厂总氮、氨氮浓度进行快速实时监测。本发明的方案还可以用于相关环境监测部门，为水质污染防控政策的实施提供依据，防止发生严重污染。
附图说明
27.图1是根据本发明的实施例中的系统总体结构框图。
28.图2是根据本发明的实施例中的方法的总体流程图。
29.图3是根据本发明的实施例中gcn模块结构图。
30.图4是根据本发明的实施例中gcn与cnn模型训练图。
31.图5是根据本发明的实施例中gcn与cnn模型另一训练图。
具体实施方式
32.以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。
33.在对本发明实施例进行进一步详细说明之前，先对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释：
34.adam：动量随机梯度下降法；
35.bod：biochemical oxygen demand，生物需氧量；
36.bsm1：benchmark simulation model 1，仿真基准模型1；
37.cnn：convolutional neural networks，卷积神经网络；
38.cod：chemical oxygen demand，化学需氧量；
39.do：dissolved oxygen，溶解氧；
40.gcn：graph convolution network图卷积神经网络；
41.snh：氨氮；
42.tn：总氮；
43.tp：总磷；
44.tss：total suspended solids，总固体悬浮物。
45.参照图1，在一些实施例中，根据本发明的一种出水含氮物智能在线监测系统分为硬件部分和软件部分。硬件部分可以包括水质参数测量模块、与所述水质参数测量模块连接的显示装置以及分别与所述水质参数测量模块和所述显示装置连接的中央处理装置。在一些实施例中，水质参数测量模块是用来获取污水处理过程中的辅助变量，其由溶解氧在线监测仪和硝态氮在线监测仪组成。中央处理装置可以包括arm嵌入式运算设备，其可根据不同要求进行自主配备。水质参数测量装置和中央处理装置之间可以通过usb接口进行数据通讯。优选地，所述arm嵌入式运算设备的运行环境为python平台。
46.在线监测系统的核心为软件部分，其实施根据本发明的方法。在软件部分，由水质参数测量模块获取的数据经过处理后作为神经网络预测模型的输入，从而建立基于gcn网络的污水厂总氮、氨氮浓度预测模型。另外软件部分还有查询历史数据和越限报警的功能。
47.参照图2，在一些实施例中，根据本发明的方法包括以下步骤：
48.s1、通过进水端和出水端所设置的水质参数测量模块，从实地平台和/或仿真平台，采集用于预测模型的输入变量和输出变量的历史数据；
49.s2、基于所述的输入变量和输出变量，建立基于图卷积神经网络(gcn)的含氮物浓度的预测模型；
50.s3、利用动量随机梯度下降法(adam)对所述的基于图卷积神经网络(gcn)的含氮物浓度的预测模型进行训练；
51.s4、在线地通过所述水质参数测量模块从进水端水体采集当前的输入变量数据，剔除异常数据，然后输入至训练后的预测模型，以获取出水端的输出变量的预测结果。
52.下面通过进一步的实施例来分别描述上述步骤。
53.对于步骤s1，不仅可以从水质参数测量模块获取现场的输入输出变量，还可以通
过获取活性污泥1号仿真模型(bsm1)的输入、输出变量及bsm1模型分别在晴天、雨天和暴雨天等条件下连续运行两周的历史数据，从而为后续的预测模型的训练提供数据支持。本实施例中采用的bsm1模型全称是仿真基准模型，由欧盟科学技术合作组织(cost)提出，是一个不同污水控制方案的仿真测试平台，使每种控制方案在同样条件下进行仿真，以保证公平性，还可以用来生成仿真数据。
54.对于步骤s2，可以将so、sno、tss
inf
、cod
inf
、tn
inf
、snh
inf
、snh
eff
和tn
eff
等八个水质参数的前500组历史数据作为建模数据，再根据训练集与测试集4:1的比例将建模数据的前400组作为训练集，后100组作为测试集。所测试的gcn模型的网络结构如图3所示，其中以多组的水质参数作为网络关联后成为gcn模型的输入侧，然后经过两层的卷积网络来获取右侧的预测和估计值。具体地，将tss
inf
与sno关联，将sno分别与so和tn
inf
关联，将tn
inf
分别与so、cod
inf
和snh
inf
关联，从而提高模型的预测准确度。
55.对于步骤s3，可以利用动量随机梯度下降法(adam)和训练集数据对gcn模型进行训练，当训练完成时固定模型的结构，得到训练好的gcn模型，训练过程如图4和图5所示。
56.在优选的实施例中，可以通过以下五步，以迭代寻优的方式获得gcn中卷积层的最佳卷积核数。
57.第一步、根据经验选取九个候选的卷积核数，将这九个候选的卷积核数设为行向量n＝[8,16,32,64,128,256,512,1024,2048],其中，n(i)为当前卷积核数，i为行向量中元素的顺序。具体地，卷积核参考公式：
[0058]2c
>2
(a
‑
2)
ꢀꢀꢀ①
[0059][0060]
式中，2
c
为最佳卷积核数，a＝6为输入层节点数，b＝2为输出层节点数,d为0到8之间的常数。综合考虑以上两个公式得出最优卷积核数的范围为23～211之间。
[0061]
第二步、设置gcn训练的初始误差为mse_max，令mse_max＝1000(一般是任意设置一个比较大的值，在1000
‑
10000即可)，把当前卷积核数为n(i)训练时对应的两个输出变量的均方误差(mse)之和记为mse(i)。
[0062]
第三步、迭代寻优开始之前，先在python命令行中输入”rand(
‘
state’,0)”指令，确保gcn每次迭代时的初始化参数相同。
[0063]
第四步、当mse(i)＜mse_max时，则mse_max的值替换为mse(i)，并将当前的n(i)记为desired_n(i)。
[0064]
第五步、当九个候选的卷积核数全部迭代完成时，当前的mse_max对应mse(i)最小值，desired_n(i)对应最佳卷积核数，最终确定最佳卷积核数为64。
[0065]
对于步骤s4，把bsm1模型生成的数据通过usb接口导入到excel表格中，然后把异常数据通过统计学方法剔除。处理后的数据导入到gcn模型，开始对总氮和氨氮的浓度进行预测，其中gcn模型优选在python平台中运行。
[0066]
此外，根据本发明的方法还可以包括以下步骤：
[0067]
s5、对总氮和氨氮的浓度设立预警值，使预测值和预警值同时在软件界面显示出来，当预测值超过预警值时，预测值会显示出红色并发出警报；
[0068]
s6、预测后的数据以py(或者python)文件格式保存在软件中，方便查询历史数据。
[0069]
应当认识到，本发明实施例中的方法步骤可以由计算机硬件、硬件和软件的组合、
或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
[0070]
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
[0071]
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、ram、rom等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还可以包括计算机本身。
[0072]
计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
[0073]
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。