CN114488973B - 再生水厂全流程工艺参数优化方法、装置及电子设备 - Google Patents
再生水厂全流程工艺参数优化方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114488973B CN114488973B CN202111631768.5A CN202111631768A CN114488973B CN 114488973 B CN114488973 B CN 114488973B CN 202111631768 A CN202111631768 A CN 202111631768A CN 114488973 B CN114488973 B CN 114488973B
- Authority
- CN
- China
- Prior art keywords
- value
- optimized
- parameter
- parameters
- water plant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 221
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 207
- 230000008569 process Effects 0.000 claims abstract description 190
- 238000004088 simulation Methods 0.000 claims abstract description 42
- 238000010992 reflux Methods 0.000 claims description 41
- 239000003795 chemical substances by application Substances 0.000 claims description 36
- 238000005265 energy consumption Methods 0.000 claims description 28
- 239000003814 drug Substances 0.000 claims description 27
- 230000008929 regeneration Effects 0.000 claims description 24
- 238000011069 regeneration method Methods 0.000 claims description 24
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 22
- 229910052698 phosphorus Inorganic materials 0.000 claims description 22
- 239000011574 phosphorus Substances 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 17
- 229940079593 drug Drugs 0.000 claims description 14
- 238000013386 optimize process Methods 0.000 claims description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 10
- 229910052760 oxygen Inorganic materials 0.000 description 10
- 239000001301 oxygen Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000001172 regenerating effect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 4
- 239000010865 sewage Substances 0.000 description 4
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 238000005273 aeration Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000010802 sludge Substances 0.000 description 2
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)
Abstract
本公开提供了一种再生水厂全流程工艺参数优化方法、装置和设备，该方法包括：确定再生水厂的工艺参数；基于所述工艺参数的初始量，按照参数调整规则对工艺参数的控制量进行调整，得到工艺参数的不同控制量；将工艺参数的不同控制量分别输入至再生水厂的代理模型中，基于代理模型的模拟结果确定在不同控制量下再生水厂的运行状态，将最优状态所对应的控制量作为工艺参数的优化值，以有效地提高再生水厂的运行状态。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及一种再生水厂全流程工艺参数优化方法、装置及电子设备。
背景技术
随着污水处理排放标准的不断提高，污水处理工艺越来越复杂，国家对污水处理的监管程度日益加强，以上都对再生水厂运行管理提出了更高要求。随着工艺模拟技术、自控技术和大数据技术等的不断发展和应用，为智慧水务的兴起和发展奠定了良好基础。如何通过智慧水务的智能控制提升再生水厂工艺运行管理水平，实现再生水厂稳定运行和节能降耗是目前污水处理行业的研究重点。目前，传统的智能控制技术很难有效地提升再生水厂的运行状态，因此，如何有效地提升再生水厂的运行状态是本领域技术人员亟待解决的技术问题。
发明内容
鉴于此，本公开提出了一种再生水厂全流程工艺参数优化方法和装置，可以有效地提升再生水厂的运行状态。
为了解决上述技术问题，本公开是这样实现的：
根据本公开的第一方面，提供了一种再生水厂全流程工艺参数优化方法，包括：
确定再生水厂的工艺参数；
基于所述工艺参数的初始量，按照参数调整规则对所述工艺参数的控制量进行调整，得到所述工艺参数的不同控制量；
将所述工艺参数的不同控制量分别输入至所述再生水厂的代理模型中，确定在不同控制量下再生水厂的运行状态；
确定当前各所述运行状态中的最优状态，将所述最优状态所对应的控制量作为所述工艺参数的优化值。
在一种可能的实现方式中，所述工艺参数的个数为两个以上，两个以上的所述工艺参数依次排列形成参数序列，并按照所述参数序列中各所述工艺参数的顺序，逐个对各所述工艺参数进行优化。
在一种可能的实现方式中，在所述工艺参数的个数为两个以上时，将所述工艺参数的不同控制量分别输入至所述再生水厂的代理模型中确定在不同控制量下再生水厂的运行状态时，包括：
获取当前要进行优化的工艺参数的不同控制量，并将当前要进行优化的工艺参数的各控制量分别输入至所述代理模型中；
其中，在将当前要进行优化的工艺参数的各控制量输入至所述代理模型时，已优化的工艺参数以优化值输入至所述代理模型中，未优化的工艺参数以初始量输入至所述代理模型中。
在一种可能的实现方式中，在所述工艺参数为两个时，将所述最优状态所对应的控制量作为所述工艺参数的优化值后，还包括：基于各所述工艺参数的优化值，对各所述工艺参数逐个进行再次优化，直至优化次数达到预设迭代次数为止。
在一种可能的实现方式中，对各所述工艺参数逐个进行再次优化时，以当前次已优化的工艺参数的优化值、当前次正在优化的工艺参数的初始量、和当前次还未优化的工艺参数的优化值作为初始数据进行。
在一种可能的实现方式中，所述代理模型的构建步骤包括：
获取所述再生水厂的历史数据；所述历史数据包括所述工艺参数的历史控制量、历史进水水质值、历史环境值、历史出水水质值、历史耗电量、历史耗药量以及历史回流量中的至少一种；
将所述历史控制量、历史进水水质值、历史环境值输入至获取的基础代理模型，得到历史出水水质值、历史耗电量、历史耗药量以及历史回流量的模拟结果；
判断所述模拟结果是否满足设定条件，在不满足所述设定条件的情况下，对所述基础代理模型的模型参数进行校正，直到所述模拟结果满足所述设定条件，得到所述代理模型。
在一种可能的实现方式中，所述运行状态通过预先构建的奖励函数的奖励值来表征；
所述奖励函数根据出水水质值、出水水质标准值、出水水质内控值、能耗奖励值、生物除磷奖励值以及回流量奖励值构建；
其中，所述出水水质标准值和出水水质内控值为预先设定值；所述出水水质值、能耗奖励值、生物除磷奖励值和回流量奖励值通过将所述工艺参数的不同控制量分别输入至所述再生水厂的代理模型后得到。
在一种可能的实现方式中，所述奖励函数如下式所示：
式中，reward为奖励值，out为出水水质值，outs为出水水质标准值，outb为出水水质内控值，pe为电单价，pc为药单价，powh为耗电量最大值，powl为耗电量最小值，pow为耗电量，cheh为耗药量最大值，chel为耗药量最小值、che为耗药量，Tpo为出水总磷浓度，Tpi为进水总磷浓度，ch为最大回流量，cl为最小回流量，c为回流量，rewardact为能耗奖励值，rewardp为生物除磷奖励值，rewardc为回流奖励值。
根据本公开的第二方面，提供了一种再生水厂全流程工艺参数优化装置，包括：
工艺参数确定模块，用于确定再生水厂的工艺参数；
工艺参数调整模块，用于基于所述工艺参数的初始量，按照参数调整规则对所述工艺参数的控制量进行调整，得到所述工艺参数的不同控制量；
运行状态模拟模块，用于将所述工艺参数的不同控制量分别输入至所述再生水厂的代理模型中，得到在不同控制量下再生水厂的运行状态；
工艺参数优化模块，用于确定当前各所述运行状态中的最优状态，将所述最优状态所对应的控制量作为所述工艺参数的优化值。
根据本公开的第三方面，提供了一种再生水厂全流程工艺参数优化设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现本公开第一方面中任意一项的方法。
在本公开中，确定再生水厂的工艺参数；基于所述工艺参数的初始量，按照参数调整规则对工艺参数的控制量进行调整，得到工艺参数的不同控制量；将工艺参数的不同控制量分别输入至再生水厂的代理模型中，基于代理模型的模拟结果确定在不同控制量下再生水厂的运行状态，将最优状态所对应的控制量作为工艺参数的优化值，以有效地提高再生水厂的运行状态。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开一实施例的再生水厂全流程工艺参数优化方法的示意性流程图。
图2示出根据本公开一实施例的再生水厂全流程工艺参数优化方法的示例的示意性流程图；
图3示出根据本公开一实施例的出水氨氮的动态变化曲线；
图4示出根据本公开一实施例的出水COD的动态变化曲线；
图5示出根据本公开一实施例的出水TN的动态变化曲线；
图6示出根据本公开一实施例的出水TP的动态变化曲线；
图7示出根据本公开一实施例的总能耗的动态变化曲线；
图8示出根据本公开一实施例的再生水厂全流程工艺参数优化装置的示意性框图；
图9示出根据本公开一实施例的再生水厂全流程工艺参数优化设备的示意性框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
<方法实施例>
图1示出根据本公开一实施例的再生水厂全流程工艺参数优化方法的示意性流程图。
如图1所示，该方法包括步骤S110-步骤S140。
S110，确定再生水厂的工艺参数。
该工艺参数可以是再生水厂整个工艺流程涉及到的全部工艺参数，即全流程工艺参数，也可以是在全流程工艺参数中选出的部分工艺参数，在此不作具体限定。
该工艺参数决定了再生水厂的出水水质和能耗，因此，通过优化该工艺参数可以提升再生水厂的出水水质、降低总能耗，实现对再生水厂运行状态的调整。
在对再生水厂的工艺参数进行优化前，需要先根据优化参数的应用场景确定待优化的工艺参数。在优化参数用于对设备进行实时调控时，应选取设备的可控参数作为待优化的工艺参数。例如，在对变频泵进行实时控制时，可以选取变频泵的内回流量作为待优化的工艺参数。又如，在对鼓风机进行实时控制时，可以选取鼓风机的曝气量作为待优化的工艺参数。在优化参数用于辅助季节性或者周期性参数优化决策时，除了可以选取设备的可控参数作为待优化的工艺参数外，还可以选取与设备的可控参数关联的参数作为待优化的工艺参数。例如，可以选取与鼓风机的曝气量关联的溶解氧作为待优化的工艺参数。
S120，基于工艺参数的初始量，按照参数调整规则对工艺参数的控制量进行调整，得到工艺参数的不同控制量。
该工艺参数的初始量可以根据该工艺参数调整的下限值确定，也可以根据经验确定，还可以根据该工艺参数的当前控制量确定，在此不作具体限定。
该参数调整规则为针对该工艺参数的调整规则。该参数调整规则包括调整步长和调整次数。该调整步长可以根据该工艺参数的最小调整步长(设备频率)确定，也可以根据经验确定，在此不作具体限定。该调整次数可以根据该工艺参数调整的下限值、上限值以及调整步长确定，例如，该工艺参数为好氧池1溶解氧，好氧池1溶解氧调整的下限值为0.2mg/L，上限值为1mg/L，调整步长为0.1mg/L，则该调整次数n＝1-0.2/0.1＝8次。该调整次数还可以根据多个工艺参数的调整次数的平均值确定，或者根据经验确定，在此不作具体限定。
基于工艺参数的初始量，按照参数调整规则对工艺参数的控制量进行调整时，在该工艺参数的初始量上依次增加一个步长，得到该工艺参数的不同控制量，直至调整次数满足要求。其中，该工艺参数的不同控量的数量与调整次数相同。例如，该工艺参数为好氧池1溶解氧，好氧池1溶解氧的初始量为0.2mg/L，好氧池1溶解氧对应的调整步长为0.1mg/L，调整次数为8次，则按照参数调整规则得到好氧池1溶解氧的不同控制量分别为：0.3mg/L,0.4mg/L,0.5mg/L,0.6mg/L,0.7mg/L,0.8mg/L,0.9mg/L,1mg/L。
S130，将工艺参数的不同控制量分别输入至再生水厂的代理模型中，确定在不同控制量下再生水厂的运行状态。
该再生水厂的代理模型是根据再生水厂生产过程的内部机制建立起来的精确的数学模型。通过输入进水水质参数、环境参数以及再生水厂的工艺参数，可以输出出水水质参数、再生水厂的总能耗和回流量的精确模拟结果。其中总能耗包括总耗电量和总耗药量。
在一种可能的实现方式中，该代理模型是基于再生水厂的历史数据和基础代理模型构建的。该基础代理模型可以是国际水协活性污泥模型。
在构建该代理模型之前，先将基础代理模型接入再生水厂的在线工艺模拟系统，以通过在线工艺模拟系统获取再生水厂的历史数据，并基于再生水厂的历史数据对基础代理模型的模型参数进行校准，得到该代理模型。
在该可实现方式中，构建该代理模型的步骤包括S131-S133。
S131，获取再生水厂的历史数据。
再生水厂的在线工艺模拟系统在运行过程中，按照设定的频率对再生水厂工艺参数的历史控制量、历史进水水质参数、历史环境参数、历史出水水质参数、历史耗电量、历史耗药量以及历史回流量等数据进行存储，即对再生水厂的历史数据进行存储。
在构建代理模型时，在线工艺模拟系统将调取再生水厂设定时间段内的历史数据，以用于对基础代理模型的模型参数进行准确。该设定时间段可以根据具体需求进行确定。例如，可以选取2年的历史数据，也可以选取3年的历史数据，还可以选取1年的历史数据，在此不作具体限定。
S132，将历史控制量、历史进水水质参数、历史环境参数输入至获取的基础代理模型，得到历史出水水质参数、历史耗电量、历史耗药量以及历史回流量的模拟结果。
S133，判断模拟结果是否满足设定条件，在不满足设定条件的情况下，对基础代理模型的模型参数进行校正，直到模拟结果满足设定条件，得到代理模型。
该设定条件可以各模拟结果与实际值一致，也可以是各模拟结果与实际值的偏差在设定的范围内，在此不作具体限定。
在一种可实现的方式中，在该线工艺模拟系统具有参数自动校准模块，该参数自动校准模块可以判断模拟结果是否满足设定条件，在不满足设定条件的情况下，自动对基础代理模型的模型参数进行校正，得到代理模型。
在该代理模型构建完成后，再生水厂的在线工艺模拟系统将通过采集器实时采集的再生水厂的进水水质参数、环境参数输入至该代理模型中，同时，将再生水厂各工艺参数的现行控制量输入至该代理模型中，即可以通过该代理模型实时模拟再生水厂的出水水质参数、耗电量、耗药量以及回流量，进而确定再生水厂在现行控制量下的运行状态。
在对工艺参数进行优化时，可以将工艺参数的不同控制量分别输入至再生水厂的代理模型中，以确定再生水厂在不同控制量下的运行状态。
在一种可能的实现方式中，确定的工艺参数的个数为两个以上，两个以上的工艺参数依次排列形成参数序列，并按照参数序列中各工艺参数的顺序，逐个对各工艺参数进行优化，这样可以提高工艺参数的优化效果。
在一种可能的实现方式中，在工艺参数的个数为两个以上时，将工艺参数的不同控制量分别输入至再生水厂的代理模型中确定在不同控制量下再生水厂的运行状态时，包括：
获取当前要进行优化的工艺参数的不同控制量，并将当前要进行优化的工艺参数的各控制量分别输入至代理模型中。其中，在将当前要进行优化的工艺参数的各控制量输入至代理模型时，已优化的工艺参数以优化值输入至代理模型中，未优化的工艺参数以初始量输入至代理模型中。
在一种可能的实现方式中，在工艺参数为两个时，将最优状态所对应的控制量作为工艺参数的优化值后，还包括：基于各工艺参数的优化值，对各工艺参数逐个进行再次优化，直至优化次数达到预设迭代次数为止。
该迭代次数可以根据经验进行设置。例如，在确定的工艺参数为9个时，可以将该迭代次数设置为20次。
在一种可能的实现方式中，对各工艺参数逐个进行再次优化时，以当前次已优化的工艺参数的优化值、当前次正在优化的工艺参数的初始量、和当前次还未优化的工艺参数的优化值作为初始数据进行。
在一种可实现的方式中，再生水厂的运行状态通过预先构建的奖励函数的奖励值来表征。奖励函数的奖励值越大，表示再生水厂的运行状态越好，即出水水质越接近最优值且总能耗更低。
该奖励函数根据出水水质值、出水水质标准值、出水水质内控值、能耗奖励值、生物除磷奖励值以及回流量奖励值构建。
该出水水质标准值和出水水质内控值为预先设定值。
该出水水质值、能耗奖励值、生物除磷奖励值和回流量奖励值通过将工艺参数的不同控制量分别输入至再生水厂的代理模型后得到。具体地，将工艺参数的不同控制量分别输入至再生水厂的代理模型中，该代理模型将针对工艺参数的不同控制量分别输出对应的出水水质参数、耗电量、耗药量以及回流量的模拟结果。根据不同的模拟结果可以计算得到不同控制量对应的能耗奖励值、生物除磷奖励值和回流量奖励值。根据不同控制量对应的能耗奖励值、生物除磷奖励值和回流量奖励值以及水水质标准值、出水水质内控值，便可以计算得到不同控制量对应奖励值，以通过不同控制量对应奖励值确定不同控制量下再生水厂的运行状态。
在一种可能的实现方式中，该奖励函数如下式所示：
式中，reward为奖励值，out为出水水质值，outs为出水水质标准值，outb为出水水质内控值，pe为电单价，pc为药单价，powh为耗电量最大值，powl为耗电量最小值，pow为耗电量，cheh为耗药量最大值，chel为耗药量最小值、che为耗药量，Tpo为出水总磷浓度，Tpi为进水总磷浓度，ch为最大回流量，cl为最小回流量，c为回流量，rewardact为能耗奖励值，rewardp为生物除磷奖励值，rewardc为回流奖励值。
其中，powh、cheh、ch分别取再生水厂设定时间段内的历史最大值，powl、chel、cl分别取再生水厂设定时间段内的历史最小值。该出水水质值包括出水总磷浓度，在线工艺采集系统采集的进水水质值包括该进水总磷溶度。
S140，确定当前各运行状态中的最优状态，将最优状态所对应的控制量作为工艺参数的优化值。
在再生水厂的运行状态通过奖励函数的奖励值来表征的实现方式中，可以将奖励值最大运行状态作为最优状态，将最优状态对应的控制量作为工艺参数的优化值。
在得到工艺参数的优化值后，由在线工艺系统或者OPC智能控制系统判断该工艺参数是否为设备的控制参数，如果该工艺参数为控制参数，进一判断该工艺参数的执行设备运行是否正常，在执行设备正常运行的情况下，将执行设备对应的工艺参数调整为该优化值。在执行设备非正常运行，如出现故障时，重新对该工艺参数进行优化。在该工艺参数为控制参数的关联参数时，通过在线工艺系统或者OPC智能控制系统先将该工艺参数转换为控制参数，在按照控制参数相同的处理步骤执行后续操作，在此不再赘述。
在本公开中，确定再生水厂的工艺参数；基于所述工艺参数的初始量，按照参数调整规则对工艺参数的控制量进行调整，得到工艺参数的不同控制量；将工艺参数的不同控制量分别输入至再生水厂的代理模型中，基于代理模型的模拟结果确定在不同控制量下再生水厂的运行状态，将最优状态所对应的控制量作为工艺参数的优化值，以有效地提高再生水厂的运行状态。
<方法示例>
图2示出根据本公开一实施例的再生水厂全流程工艺参数优化方法的示例的示意性流程图。如图2所示，该再生水厂工艺参数优化方法包括步骤S210-S260。
S210，构建再生水厂的代理模型。
将国际水协的活性污泥模型作为基础代理模型连接至再生水厂的在线工艺模拟系统。
通过在线工艺模拟系统获取再生水厂2年内的历史数据，并通过预处理校正历史数据中的偏离值。
将预处理后的历史数据输入至基础代理模型，通过调取在线工艺模拟系统的自动校准模块判断基础代理模型的模拟结果是否满足设定条件，在不满足设定条件的情况下，对基础代理模型的模型参数进行校正，直到模拟结果满足设定条件，得到代理模型。
S220，构建奖励函数。
该奖励函数如下所示：
式中，reward为奖励值，out为出水水质值，outs为出水水质标准值，outb为出水水质内控值，pe为电单价，pc为药单价，powh为耗电量最大值，powl为耗电量最小值，pow为耗电量，cheh为耗药量最大值，chel为耗药量最小值、che为耗药量，Tpo为出水总磷浓度，Tpi为进水总磷浓度，ch为最大回流量，cl为最小回流量，c为回流量，rewardact为能耗奖励值，rewardp为生物除磷奖励值，rewardc为回流奖励值。
该出水水质标准值和出水水质内控值如表1所示。
表1：
表1中，COD为化学需氧量，TN为总氨量，NH4 +为氨氮量，TP为总磷量，SS为悬浮固体量。
需要说明的是，11月-2月氨氮执行3.5mg/L的出水水质标准值，3月-10月氨氮执行2mg/L出水水质标准值。总磷量TP最优出的出水水质内控值为标准值的60％，NH4 +氨氮量最优出的出水水质内控值为标准值的50％，其他指标最优出的出水水质内控值为标准值的80％。这样，可以防止过拟合的产生。
S230，确定待优化的工艺参数，以及与工艺参数对应的调整上下限、调整步长以及调整次数。
根据再生水厂现场设备的可调基础和历史运行经验，确定再生水厂待优化的工艺参数；根据现场设备的型号和历史运行经验确定工艺参数对应的调整上下限；根据设备的最小调整步长(设备频率)确定与工艺参数对应的调整步长；根据工艺参数调整下上限以及调整步长确定与工艺参数对应的调整次数。
工艺参数以及与工艺参数对应的调整上下限、调整步长如表2所示。
表2：
S240，基于各工艺参数的初始量，按照各工艺参数对应的调整步长和调整次数对各工艺参数的控制量进行调整，得到各工艺参数的不同控制量。
将表1中的9个工艺参数按照序号顺序记为x1,x2,x3,x4,x5,x6,x7,x8,x9，则xi的不同控制量为：xi0,xi1,xi2,…,xin。
其中，xi0为初始量，该初始量根据该工艺参数的调整下限值确定。例如，好氧池1溶解氧的调整下限值为0.2mg/L，则好氧池1溶解氧的的初始量为0.2mg/L。xin为第n次调整得到的控制量，n等于xi对应的调整次数。
S250，确定各工艺参数的最优值。该步骤具体包括步骤S251-S256。
S251，当迭代次数为k＝0时，将在线工艺系统实时采集的进水水质值、环境参数值以及x10,x20,x30,…,x90输入至代理模型。
S252，从x1开始依次计算x10,x20,x30,…,x90；x11,x20,x30,…,x90；…；x1n,x20,…,x90各组控制量的奖励函数的奖励值，将使奖励值最优值的x1的值记为x1opt0＝argmax(reward)。
S253，固定x1的值为x1opt0,计算x2对应的最优值，则输入代理模型的控制量分别为：x1opt0,x20,…,x90；…；x1opt0,x2n,…,x90,将使得奖励值最优的x2的值，记为x2opt0。
S254，依次类推直至得到x1opt0,x2opt0,…,x9opt0,记录该点以及对应的奖励值。
S255，K＝k+1进行下一次计算，初始值为x10,x2optk-1,…,x9optk-1，依次计算各个工艺参数的最优值，得到x1opk,x2optk,…,x9optk,并记录下对应的奖励函数值。
S256，当k＝N+1时退出程序，返回奖励值最大对应的向量为各工艺参数的优化工况值。各参数的优化工况值和原始工况值的对比结果如表3所示。
表3：
稳态模拟条件下能耗对比结果如表4所示。
表4：
稳态模拟条件下能耗出水水质与MLSS对比结果如表5所示。
表5：
S260，以相同方式调取该再生水厂机理模型，并将动态区间数据持续输入优化模型，输出该区间内各出水水质的动态变化曲线及能耗对比图如图3-图7所示。
<装置实施例>
图8示出根据本公开一实施例的再生水厂全流程工艺参数优化装置的示意性框图。如图8所示，该再生水厂工艺参数优化装置8000包括：
工艺参数确定模块8100，用于确定再生水厂的工艺参数；
工艺参数调整模块8200，用于基于工艺参数的初始量，按照参数调整规则对工艺参数的控制量进行调整，得到工艺参数的不同控制量；
运行状态模拟模块8300，用于将工艺参数的不同控制量分别输入至再生水厂的代理模型中，确定在不同控制量下再生水厂的运行状态；
工艺参数优化模块8400，用于确定当前各运行状态中的最优状态，将最优状态所对应的控制量作为工艺参数的优化值。
在一种可能的实现方式中，工艺参数的个数为两个以上，两个以上的工艺参数依次排列形成参数序列，并按照参数序列中各工艺参数的顺序，逐个对各工艺参数进行优化。
在一种可能的实现方式中，在工艺参数的个数为两个以上时，将工艺参数的不同控制量分别输入至再生水厂的代理模型中确定在不同控制量下再生水厂的运行状态时，包括：
获取当前要进行优化的工艺参数的不同控制量，并将当前要进行优化的工艺参数的各控制量分别输入至代理模型中；
其中，在将当前要进行优化的工艺参数的各控制量输入至代理模型时，已优化的工艺参数以优化值输入至代理模型中，未优化的工艺参数以初始量输入至代理模型中。
在一种可能的实现方式中，在工艺参数为两个时，将最优状态所对应的控制量作为工艺参数的优化值后，还包括：基于各工艺参数的优化值，对各工艺参数逐个进行再次优化，直至优化次数达到预设迭代次数为止。
在一种可能的实现方式中，对各工艺参数逐个进行再次优化时，以当前次已优化的工艺参数的优化值、当前次正在优化的工艺参数的初始量、和当前次还未优化的工艺参数的优化值作为输入数据，输入至代理模型中得到再生水厂的运行状态。
在一种可能的实现方式中，该代理模型的构建步骤包括：
获取再生水厂的历史数据；历史数据包括工艺参数的历史控制量、历史进水水质值、历史环境值、历史出水水质值、历史耗电量、历史耗药量以及历史回流量中的至少一种；
将历史控制量、历史进水水质值、历史环境值输入至获取的基础代理模型，得到历史出水水质值、历史耗电量、历史耗药量以及历史回流量的模拟结果；
判断模拟结果是否满足设定条件，在不满足设定条件的情况下，对基础代理模型的模型参数进行校正，直到模拟结果满足设定条件，得到代理模型。
在一种可能的实现方式中，运行状态通过预先构建的奖励函数的奖励值来表征；
奖励函数根据出水水质标准值、出水水质内控值、能耗奖励值、生物除磷奖励值以及回流量奖励值构建；
其中，出水水质标准值和出水水质内控值为预先设定值；能耗奖励值、生物除磷奖励值和回流量奖励值通过将工艺参数的不同控制量分别输入至再生水厂的代理模型后得到。
在一种可能的实现方式中，奖励函数如下式所示：
式中，reward为奖励值，out为出水水质值，outs为出水水质标准值，outb为出水水质内控值，pe为电单价，pc为药单价，powh为耗电量最大值，powl为耗电量最小值，pow为耗电量，cheh为耗药量最大值，chel为耗药量最小值、che为耗药量，Tpo为出水总磷浓度，Tpi为进水总磷浓度，ch为最大回流量，cl为最小回流量，c为回流量，rewardact为能耗奖励值，rewardp为生物除磷奖励值，rewardc为回流奖励值。
<电子设备实施例>
图9示出根据本公开一实施例的再生水厂全流程工艺参数优化设备的示意性框图。如图9所示，该再生水厂工艺参数优化设备6000包括：
处理器6100以及用于存储处理器6100可执行指令的存储器6200。其中，处理器6100被配置为执行可执行指令时实现前面任一的再生水厂工艺参数优化方法。
此处，应当指出的是，处理器6100的个数可以为一个或多个。同时，在本公开实施例的再生水厂工艺参数优化设备6000中，还可以包括输入装置6300和输出装置6400。其中，处理器6100、存储器6200、输入装置6300和输出装置6400之间可以通过总线连接，也可以通过其他方式连接，此处不进行具体限定。
存储器6200作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序和各种模块，如：本公开实施例的再生水厂工艺参数优化方法所对应的程序或模块。处理器6100通过运行存储在存储器6200中的软件程序或模块，从而执行再生水厂工艺参数优化设备6000的各种功能应用及数据处理。
输入装置6300可用于接收输入的数字或信号。其中，信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出装置6400可以包括显示屏等显示设备。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种再生水厂全流程工艺参数优化方法，其特征在于，包括：
确定再生水厂的工艺参数；
基于所述工艺参数的初始量，按照参数调整规则对所述工艺参数的控制量进行调整，得到所述工艺参数的不同控制量；
将所述工艺参数的不同控制量分别输入至所述再生水厂的代理模型中，确定在不同控制量下再生水厂的运行状态；
确定当前各所述运行状态中的最优状态，将所述最优状态所对应的控制量作为所述工艺参数的优化值；
其中，所述运行状态通过预先构建的奖励函数的奖励值来表征；
所述奖励函数根据出水水质值、出水水质标准值、出水水质内控值、能耗奖励值、生物除磷奖励值以及回流量奖励值构建；
其中，所述出水水质标准值和出水水质内控值为预先设定值；所述出水水质值、能耗奖励值、生物除磷奖励值和回流量奖励值通过将所述工艺参数的不同控制量分别输入至所述再生水厂的代理模型后得到；
所述奖励函数如下式所示：
式中，reward为奖励值，out为出水水质值，outs为出水水质标准值，outb为出水水质内控值，pe为电单价，pc为药单价，powh为耗电量最大值，powl为耗电量最小值，pow为耗电量，cheh为耗药量最大值，chel为耗药量最小值、che为耗药量，Tpo为出水总磷浓度，Tpi为进水总磷浓度，ch为最大回流量，cl为最小回流量，c为回流量，rewardact为能耗奖励值，rewardp为生物除磷奖励值，rewardc为回流奖励值。
2.根据权利要求1所述的方法，其特征在于，所述工艺参数的个数为两个以上，两个以上的所述工艺参数依次排列形成参数序列，并按照所述参数序列中各所述工艺参数的顺序，逐个对各所述工艺参数进行优化。
3.根据权利要求2所述的方法，其特征在于，在所述工艺参数的个数为两个以上时，将所述工艺参数的不同控制量分别输入至所述再生水厂的代理模型中确定在不同控制量下再生水厂的运行状态时，包括：
获取当前要进行优化的工艺参数的不同控制量，并将当前要进行优化的工艺参数的各控制量分别输入至所述代理模型中；
其中，在将当前要进行优化的工艺参数的各控制量输入至所述代理模型时，已优化的工艺参数以优化值输入至所述代理模型中，未优化的工艺参数以初始量输入至所述代理模型中。
4.根据权利要求2所述的方法，其特征在于，在所述工艺参数为两个时，将所述最优状态所对应的控制量作为所述工艺参数的优化值后，还包括：基于各所述工艺参数的优化值，对各所述工艺参数逐个进行再次优化，直至优化次数达到预设迭代次数为止。
5.根据权利要求4所述的方法，其特征在于，对各所述工艺参数逐个进行再次优化时，以当前次已优化的工艺参数的优化值、当前次正在优化的工艺参数的初始量、和当前次还未优化的工艺参数的优化值作为初始数据进行。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述代理模型的构建步骤包括：
获取所述再生水厂的历史数据；所述历史数据包括所述工艺参数的历史控制量、历史进水水质值、历史环境值、历史出水水质值、历史耗电量、历史耗药量以及历史回流量中的至少一种；
将所述历史控制量、历史进水水质值、历史环境值输入至获取的基础代理模型，得到历史出水水质值、历史耗电量、历史耗药量以及历史回流量的模拟结果；
判断所述模拟结果是否满足设定条件，在不满足所述设定条件的情况下，对所述基础代理模型的模型参数进行校正，直到所述模拟结果满足所述设定条件，得到所述代理模型。
7.一种再生水厂全流程工艺参数优化装置，其特征在于，包括：
工艺参数确定模块，用于确定再生水厂的工艺参数；
工艺参数调整模块，用于基于所述工艺参数的初始量，按照参数调整规则对所述工艺参数的控制量进行调整，得到所述工艺参数的不同控制量；
运行状态模拟模块，用于将所述工艺参数的不同控制量分别输入至所述再生水厂的代理模型中，得到在不同控制量下再生水厂的运行状态；
工艺参数优化模块，用于确定当前各所述运行状态中的最优状态，将所述最优状态所对应的控制量作为所述工艺参数的优化值；
其中，所述运行状态通过预先构建的奖励函数的奖励值来表征；
所述奖励函数根据出水水质值、出水水质标准值、出水水质内控值、能耗奖励值、生物除磷奖励值以及回流量奖励值构建；
其中，所述出水水质标准值和出水水质内控值为预先设定值；所述出水水质值、能耗奖励值、生物除磷奖励值和回流量奖励值通过将所述工艺参数的不同控制量分别输入至所述再生水厂的代理模型后得到；
所述奖励函数如下式所示：
式中，reward为奖励值，out为出水水质值，outs为出水水质标准值，outb为出水水质内控值，pe为电单价，pc为药单价，powh为耗电量最大值，powl为耗电量最小值，pow为耗电量，cheh为耗药量最大值，chel为耗药量最小值、che为耗药量，Tpo为出水总磷浓度，Tpi为进水总磷浓度，ch为最大回流量，cl为最小回流量，c为回流量，rewardact为能耗奖励值，rewardp为生物除磷奖励值，rewardc为回流奖励值。
8.一种再生水厂全流程工艺参数优化设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现权利要求1至6中任意一项的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111631768.5A CN114488973B (zh) | 2021-12-28 | 2021-12-28 | 再生水厂全流程工艺参数优化方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111631768.5A CN114488973B (zh) | 2021-12-28 | 2021-12-28 | 再生水厂全流程工艺参数优化方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114488973A CN114488973A (zh) | 2022-05-13 |
| CN114488973B true CN114488973B (zh) | 2023-11-21 |
Family
ID=81497055
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111631768.5A Active CN114488973B (zh) | 2021-12-28 | 2021-12-28 | 再生水厂全流程工艺参数优化方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114488973B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115329661B (zh) * | 2022-07-22 | 2023-06-23 | 上海环保（集团）有限公司 | 一种智能投药模型建模、智能投药体系创建、投药方法 |
| CN116081797B (zh) * | 2022-08-25 | 2025-03-18 | 北控水务(中国)投资有限公司 | 污水处理厂全流程控制量的动态优化方法、装置和设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107686160A (zh) * | 2017-09-29 | 2018-02-13 | 浙江工商大学 | 一种基于sbr反应器的污水处理方法及系统 |
| CN109868157A (zh) * | 2019-03-15 | 2019-06-11 | 重庆工商大学 | 一种双场耦合脱水装置及参数优化方法 |
| CN111652445A (zh) * | 2020-06-11 | 2020-09-11 | 广东科创工程技术有限公司 | 基于高斯分布的污水设备优化运行控制方法 |
| CN111762958A (zh) * | 2020-05-12 | 2020-10-13 | 中铁第四勘察设计院集团有限公司 | 基于asm2d模型的污水处理厂深井曝气工艺优化方法及装置 |
| CN112990888A (zh) * | 2021-05-07 | 2021-06-18 | 北京瑞莱智慧科技有限公司 | 一种工艺参数的调节策略决策模型的确定方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180121889A1 (en) * | 2016-10-28 | 2018-05-03 | Wipro Limited | Method and system for dynamically managing waste water treatment process for optimizing power consumption |
-
2021
- 2021-12-28 CN CN202111631768.5A patent/CN114488973B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107686160A (zh) * | 2017-09-29 | 2018-02-13 | 浙江工商大学 | 一种基于sbr反应器的污水处理方法及系统 |
| CN109868157A (zh) * | 2019-03-15 | 2019-06-11 | 重庆工商大学 | 一种双场耦合脱水装置及参数优化方法 |
| CN111762958A (zh) * | 2020-05-12 | 2020-10-13 | 中铁第四勘察设计院集团有限公司 | 基于asm2d模型的污水处理厂深井曝气工艺优化方法及装置 |
| CN111652445A (zh) * | 2020-06-11 | 2020-09-11 | 广东科创工程技术有限公司 | 基于高斯分布的污水设备优化运行控制方法 |
| CN112990888A (zh) * | 2021-05-07 | 2021-06-18 | 北京瑞莱智慧科技有限公司 | 一种工艺参数的调节策略决策模型的确定方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114488973A (zh) | 2022-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114488973B (zh) | 再生水厂全流程工艺参数优化方法、装置及电子设备 | |
| JP7059989B2 (ja) | 制御システム及び制御方法 | |
| CN115793471A (zh) | 一种基于污水处理监测的可调式控制方法及系统 | |
| CN106802563B (zh) | 一种基于果蝇优化和lssvm的污水过程优化控制方法 | |
| CN118878109B (zh) | 基于支持向量回归机的曝气控制方法、系统、设备及介质 | |
| CN104238527A (zh) | 污水处理厂曝气总量的精确控制方法 | |
| JP2000218263A (ja) | 水質制御方法及びその装置 | |
| CN112782975A (zh) | 一种基于深度学习的污水处理曝气智能控制方法及系统 | |
| CN117850330A (zh) | 一种生活污水处理厂化学除磷剂加药的智能控制方法 | |
| CN114380378A (zh) | 智能控磷药品投加方法、装置及存储介质 | |
| CN115759399A (zh) | 投加控制方法、装置、设备及存储介质 | |
| CN117388457A (zh) | 一种耦合水力停留时间提高污水厂出水预测精度的方法 | |
| CN116081797B (zh) | 污水处理厂全流程控制量的动态优化方法、装置和设备 | |
| CN117690518A (zh) | 一种用于处理水煤浆废水的药品投加量确定方法及系统 | |
| CN112794550B (zh) | 基于人工智能解决污水处理厂出水cod超标的方法及系统 | |
| CN117251000B (zh) | 液位控制方法、系统、设备及介质 | |
| CN116282250B (zh) | 一种智能臭氧投加方法和系统 | |
| CN117960021A (zh) | 一种潜水搅拌器的节能控制方法、系统、装置及存储介质 | |
| CN117763352A (zh) | 基于vsm-gru总磷预测模型的加药量优化控制方法 | |
| CN116681259A (zh) | 供水系统产耗平衡调度方法、装置、电子设备及存储介质 | |
| CN112723613B (zh) | 一种污水处理站智能远程监管方法及终端 | |
| KR20060092660A (ko) | 퍼지제어를 이용한 하·폐수 처리장의 자동제어장치 및 방법 | |
| CN115481720A (zh) | 基于br-narx神经网络的混凝剂加药量的预测方法 | |
| CN117263384B (zh) | 一种污水处理方法、装置、电子设备及存储介质 | |
| CN119148776B (zh) | 一种曝气控制方法、装置、设备、介质及程序产品 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |