一种污水处理厂的模块化数字孪生建模方法及系统与流程
本技术属于数据处理,具体涉及一种污水处理厂的模块化数字孪生建模方法及系统。
背景技术:
1、污水处理厂的数字孪生模型通常需要利用进水流量、水质等关键过程参数对未来出水质量进行多步预测,以支持曝气量和药剂投加的前瞻调控。在各类时序预测模型中,长短期记忆网络凭借其对长程依赖关系的建模能力,被广泛用于预测出水化学需氧量、氨氮等水质指标的演变趋势。
2、然而,污水处理工艺本身具有强非线性和时变特征。进水负荷的时段性波动、季节性水温变化以及活性污泥微生物群落活性的长期漂移,均导致系统的动态响应特性在运行中持续变化。常规长短期记忆网络在离线训练完成后,其遗忘门参数即保持固定,记忆衰减路径无法随工况自适应调整。当实际工艺状态较训练时的代表工况发生显著偏移时,固定的遗忘速率容易引发两类问题:若遗忘速率偏高,历史有效信息被过早丢弃,多步预测出现滞后性偏差;若遗忘速率偏低,历史噪声持续累积,多步预测逐渐发散。无论哪种情形,均会导致预测误差随预测步数增加而加速放大,使得后续的模型预测控制无法获得稳定可靠的前瞻信号。
3、现有技术中,应对上述问题的方式主要包括定期触发全量模型重训练,或引入外部自适应校正模块进行辅助调参。但重训练方式计算开销大、响应延迟长,难以跟踪工艺状态的实时变化;外部校正模块则通常依赖额外的标定流程和先验动力学参数,维护成本高且泛化能力受限。
技术实现思路
1、为了解决上述问题,本技术实施例提供一种污水处理厂的模块化数字孪生建模方法及系统。
2、根据本技术实施例的第一方面,提供一种污水处理厂的模块化数字孪生建模方法,所述方法包括:
3、采集操作变量数据和响应变量数据,所述操作变量数据为曝气量,所述响应变量数据为好氧池末端氨氮浓度;
4、在预设窗口内分别计算所述操作变量数据的第一局部波动基准和所述响应变量数据的第二局部波动基准,并根据所述第一局部波动基准和所述第二局部波动基准,确定过程惯性系数;
5、根据所述过程惯性系数,确定记忆保留曲线;
6、根据所述记忆保留曲线,对长短期记忆网络原生输出的遗忘门进行调制,并根据调制后的遗忘门输出进行多步水质预测。
7、在一种实施方式中,所述在预设窗口内分别计算所述操作变量数据的第一局部波动基准和所述响应变量数据的第二局部波动基准,包括:
8、对所述预设窗口内相邻采样时刻的所述操作变量数据的变化量取绝对值后求移动平均,以获取所述第一局部波动基准;
9、对所述预设窗口内相邻采样时刻的所述响应变量数据的变化量取绝对值后求移动平均,以获取所述第二局部波动基准。
10、在一种实施方式中,所述根据所述第一局部波动基准和所述第二局部波动基准,确定过程惯性系数,包括:
11、根据所述第一局部波动基准识别预设窗口内的有效扰动事件;
12、对于每个有效扰动事件,以该事件发生时刻为起点向后截取预设长度的滞后窗口,并根据所述滞后窗口内所述响应变量数据相对于扰动发生时刻的偏离程度以及所述第二局部波动基准计算该有效扰动事件的响应累积强度;
13、根据所述响应累积强度,确定所述过程惯性系数。
14、在一种实施方式中,所述根据所述第一局部波动基准识别预设窗口内的有效扰动事件,包括:
15、获取所述操作变量数据的当前值与所述操作变量数据的前一时刻值的差值的绝对值,以及所述前一时刻的第一局部波动基准;
16、根据所述绝对值,以及所述前一时刻的第一局部波动基准,确定扰动强度;
17、当所述扰动强度达到或超过预设阈值时,确定所述预设窗口内发生了一次有效扰动事件,所述预设阈值基于所述预设窗口内全部时刻的扰动强度值序列的百分位数确定。
18、在一种实施方式中,所述根据所述响应累积强度,确定所述过程惯性系数,包括:
19、将所述预设窗口内全部有效扰动事件的响应累积强度取均值并加极小值后取倒数,并进行限幅处理,得到所述过程惯性系数。
20、在一种实施方式中,所述根据所述过程惯性系数,确定记忆保留曲线,包括:
21、以所述预设窗口的长度作为基础窗口的长度;
22、根据所述基础窗口的长度、所述过程惯性系数以及所述基础窗口内全部有效扰动事件的分布不均度,获取有效记忆长度,所述分布不均度基于所述全部有效扰动事件的响应累积强度的中位数和最大值确定;
23、根据所述有效记忆长度,生成随预测步数连续变化的所述记忆保留曲线。
24、在一种实施方式中,所述预设窗口的长度基于污水处理工艺的平均水力停留时间得到;
25、所述滞后窗口的长度覆盖从曝气量调节到氨氮浓度开始出现可观测响应所需的时间。
26、在一种实施方式中,所述根据所述记忆保留曲线,对长短期记忆网络原生输出的遗忘门进行调制,并根据调制后的遗忘门输出进行多步水质预测,包括:
27、对于多步递推预测中的任意目标步,根据所述记忆保留曲线计算所述任意目标步的遗忘门目标值;
28、以所述遗忘门目标值为调制基准,对长短期记忆网络原生输出的遗忘门进行逐元素修正,得到调制后的遗忘门输出;
29、以所述调制后的遗忘门输出替代原生遗忘门输出执行长短期记忆网络前向传播计算,得到所述任意目标步的预测值,并以所述任意目标步的预测值作为下一步的模型输入进行递推,直至完成全部预测步数的多步水质预测。
30、根据本技术实施例的第二方面,提供一种污水处理厂的模块化数字孪生建模系统,所述系统,包括:
31、数据采集模块,用于采集操作变量数据和响应变量数据,所述操作变量数据为曝气量,所述响应变量数据为好氧池末端氨氮浓度;
32、过程惯性量化模块,用于在预设窗口内分别计算所述操作变量数据的第一局部波动基准和所述响应变量数据的第二局部波动基准,并根据所述第一局部波动基准和所述第二局部波动基准,确定过程惯性系数;
33、记忆保留曲线确定模块,用于根据所述过程惯性系数,确定记忆保留曲线;
34、遗忘门调制与多步预测模块,用于根据所述记忆保留曲线,对长短期记忆网络原生输出的遗忘门进行调制,并根据调制后的遗忘门输出进行多步水质预测。
35、在一种实施方式中,所述系统,还包括:
36、工艺优化模块,用于以所述遗忘门调制与多步预测模块输出的多步水质预测序列为输入,以出水水质达标为约束、以曝气电耗与药剂投加的综合成本最小为优化目标,滚动求解未来时间段内的最优曝气量和最优加药量;
37、设备映射模块,用于将所述最优曝气量和所述最优加药量转换为对应的阀门开度指令和鼓风机频率指令,并实时下发至可编程逻辑控制器执行。
38、本技术实施例具备以下有益效果:采集操作变量数据和响应变量数据,操作变量数据为曝气量,响应变量数据为好氧池末端氨氮浓度;在预设窗口内分别计算操作变量数据的第一局部波动基准和响应变量数据的第二局部波动基准,并根据第一局部波动基准和第二局部波动基准,确定过程惯性系数;根据过程惯性系数,确定记忆保留曲线;根据记忆保留曲线,对长短期记忆网络原生输出的遗忘门进行调制,并根据调制后的遗忘门输出进行多步水质预测。本技术实施例基于运行数据自适应提取工艺惯性指标,转化为记忆保留曲线动态调制lstm遗忘门,无需重训练即可抑制多步预测误差累积和发散,为优化控制提供可靠依据,有效降低污水处理厂的曝气成本与加药成本。
39、本技术的其他特征和优点将在随后的具体实施方式部分予以详细说明。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com