污泥沉降性能动态预测方法及系统与流程
本发明涉及污水处理,更为具体地,涉及一种污泥沉降性能动态预测方法及系统。
背景技术:
1、污泥沉降性能是污水处理厂日常运行核心且关键的检测项目,主要通过污泥沉降比(sv30)和污泥体积指数(svi)两个指标衡量。一旦发生污泥膨胀,会导致出水水质超标、系统处理效能下降及经济损失等严重后果。同时,污水处理厂在应对进水水质波动、保障污泥沉降性能时,常通过投加混凝剂(如聚合氯化铝、聚合硫酸铁等)改善污泥絮体结构。然而,药剂种类、投加量及投加点的选择多依赖运行经验,缺乏系统性的数据支撑与量化评估手段,导致药剂使用效率低、运行成本高。因此,svi一旦可提前获知,即可作为“加药开关信号”,实现对药剂投加量等水厂运行参数的精准调控与优化。
2、传统污泥沉降性能检测方法耗时、费力,难以在线应用。为克服这些局限,目前已发展出多种自动化技术,多数基于物理沉降过程的直接或自动检测,通过自动化装置与传感器替代人眼观察和手动测量,获取sv30、svi等直接沉降参数。该类方法具有全自动、结构精密、集成取样、沉降、检测与清洗于一体的优点,能有效避免人工误差,但实质测量仍需一定时间,导致数据存在滞后性,难以实现对污泥状态的实时监测与调控指导。
3、鉴于污泥膨胀通常是一个渐进过程,若能实现前期预测,即可在沉降性能显著恶化的数天甚至数周前发出预警,为运营人员提供充足的响应时间。因此,仅依赖对沉降过程的自动化检测仍显不足,业界逐渐将研究重点转向更具前瞻性的预警技术。
4、多数预警技术基于微观形态的机器学习预测,通过分析污泥显微图像特征,利用数学模型快速关联其沉降性能。该类方法存在的缺点:依赖大量高质量的图像数据;涉及图像融合、分割、特征提取等多个步骤,对系统要求高;“黑箱”模型,可解释性差,难以分析具体原因。
5、现有技术中与污泥沉降性能监测相关的专利申请也有很多,如专利1(cn114998718b)公开了一种基于深度学习的预测活性污泥沉降性能方法。该专利1的核心是提出一种基于resnet50深度神经网络的、端到端的图像分类方法,用于通过活性污泥的显微图像来快速预测其沉降性能(即是否发生污泥膨胀)。技术原理是将活性污泥的原始显微图像直接输入到一个经过训练的深度学习模型(resnet50)中,输出一个膨胀或非膨胀的二分类结果。
6、专利1在建立污泥微观形态特征与其宏观沉降性能之间的复杂非线性映射关系过程中,需要依赖大量高质量、标注好的图像数据,依赖于高端全自动成像系统。并且其采用的模型对污泥沉降性能的预测结果信息量少,指导性有限。模型对于污泥沉降性能“有多严重”、“趋势如何” 等关键内容无法进行预测。并且,专利1的模型预测没有量化数据的输出,导致无法直接进行后续精确的加药量或回流比计算。此模型输出结果只能作为一种预警提示,后续仍需人工介入并进行传统实验来确认严重程度。在实际情况中,正常运行的污水处理厂其污泥处于“膨胀”状态的时间远少于“正常”状态。这会导致原始数据集中“膨胀”样本数量远少于“非膨胀”样本,即类别不均衡,导致模型预测水平受限。
7、和专利2(cn112767362b)公开了一种基于活性污泥相差显微图像污泥膨胀预测方法,该预测方法通过六个步骤实现污泥膨胀预测:
8、图像采集:从污水处理厂曝气池出口采集活性污泥样本,利用相差显微镜和数码相机获取三个平面的显微图像。图像融合:采用离散余弦变换对不同焦平面的图像进行融合,并通过双边滤波器优化图像质量。图像分割:使用相位一致法去除相差影响,结合高斯滤波、相位拉伸变换、阈值分割和形态学操作,分离絮体和丝状菌。特征提取:从分割后的图像中提取絮体和丝状菌的形态学特征参数,如面积、长轴、离心率、圆度等共32个参数。动态svi模型构建:将形态学特征与在线数据(mlss、do、ph)及历史svi数据结合,采用动态随机配置网络构建svi预测模型。污泥膨胀预警:基于新样本的特征和模型输出的svi值,按五个等级判断污泥沉降性能,预测是否发生膨胀。
9、但专利2的图像采集过程复杂,对硬件(如光学显微镜、工业数码相机)的依赖较高,测量设备昂贵。该方法在实验室环境下可重复性尚可,但在条件多变的实际污水处理厂现场,部署和维护的难度较大,实施成本和技术门槛较高。并且,专利2从絮体与丝状菌图像中提取的16维特征可能存在高度关联性,其特征冗余问题会干扰模型对关键判别特征的捕捉,并增加计算复杂度。
10、因此,亟需一种能够降低人工依赖性、简化数据处理流程并能提高模型预测水平的污泥沉降性能预测方案。
技术实现思路
1、鉴于现有技术中存在的上述问题,本发明的目的是提供一种污泥沉降性能动态预测方法及系统,通过构建mlss与sv30的预测模型,量化评估污泥沉降性能。
2、一方面,本发明提供一种污泥沉降性能动态预测方法,包括:
3、数据预处理:对预获取的污水处理厂进水参数进行去噪预处理;
4、数据集构建:以去噪预处理后的进水参数作为预设预测模型的运行数据模型特征,以混合液悬浮固体浓度、污泥沉降比分别作为预测标签,按预设比例划分为训练集与测试集;其中,所述预测模型为混合液悬浮固体浓度与污泥沉降比的数据模拟预测模型;
5、多模型并行训练与优选:在相同训练集上独立训练预构建的集成学习模型,以预设评估指标对所训练的集成学习模型中的所有学习模型进行评估,以在所述测试集上表现最优的预测模型作为混合液悬浮固体浓度最优预测模型与污泥沉降比最优预测模型;其中,所述集成学习模型包括随机森林、gbdt、xgboost、lightgbm、catboost;
6、沉降性能量化:根据进水参数和混合液悬浮固体浓度最优预测模型与污泥沉降比最优预测模型,预测得到混合液悬浮固体浓度预测值与污泥沉降比预测值,并按以下公式计算得到污泥体积指数svi预测值:
7、
8、其中,为污泥沉降比预测值,为混合液悬浮固体浓度预测值。
9、其中,可选的方案是,所述去噪预处理包括:
10、小波变换、滑动平均、中值滤波、卡尔曼滤波、3σ异常剔除中的一种或多种组合。
11、其中,可选的方案是,所述小波变换采用基于阈值的小波降噪方式,包括:
12、通过在时域与频域两个维度对预获取的污水处理厂进水参数在不同尺度、不同频率层面进行逐层分解,以将所述进水参数分解为不同频率的子信号;
13、通过预设阈值滤除代表高频随机干扰的噪声分量,保留反映真实进水规律的低频趋势分量;
14、将所述低频趋势分量进行小波重构,以得到去噪后的平滑数据。
15、其中,可选的方案是,所述进水参数包括反映水质指标的化学需氧量、生化需氧量、氨氮、总氮、总磷。
16、其中,可选的方案是,所述预设评估指标包括均方根误差、平均绝对误差和决定系数。
17、其中,可选的方案是,在得到污泥体积指数之后,还包括模型解释分析步骤:
18、基于预创建的shap解释器,获取所述shap解释器的期望值作为模型预测基准值,并批量计算各进水参数对应的混合液悬浮固体浓度预测值和污泥沉降比预测值的shap贡献值;
19、基于所述模型预测基准值和所述shap贡献值,分别对所述混合液悬浮固体浓度预测值和污泥沉降比预测值进行全局特征重要性分析、单样本预测溯源分析和特征交互效应分析;
20、根据所述分析的结果量化各进水参数对混合液悬浮固体浓度预测值和污泥沉降比预测值的影响方向与影响程度,形成可解释决策依据。
21、其中,可选的方案是,在形成可解释决策依据之后,还包括:
22、基于所述shap贡献值分析确定影响svi预测值的关键进水指标,完成预测结果成因解析;
23、将所述svi预测值代入污水厂预设的分段函数,根据所述svi预测值所处区间自动匹配并推算对应药剂投加量;
24、基于所述药剂投加量输出对应的药剂投加指令,实现污泥沉降性能前置调控与工艺参数优化。
25、其中,可选的方案是,所述工艺参数包括回流比和药剂投加;其中,
26、在通过所述svi预测值实现药剂投加量推算的同时,同步建立svi与回流比的分段调控规则,根据所述svi预测值,联动调整回流比,与所述药剂投加形成组合调控。
27、另一方面,本发明还提供一种污泥沉降性能动态预测系统,包括:
28、数据预处理单元,用于对预获取的污水处理厂进水参数进行去噪预处理;
29、数据集构建单元,用于以去噪预处理后的进水参数作为预设预测模型的运行数据模型特征,以混合液悬浮固体浓度、污泥沉降比分别作为预测标签,按预设比例划分为训练集与测试集;其中,所述预测模型为混合液悬浮固体浓度与污泥沉降比的数据模拟预测模型;
30、多模型并行训练与优选单元,用于在相同训练集上独立训练预构建的集成学习模型,以预设评估指标对所训练的集成学习模型中的所有学习模型进行评估,以在所述测试集上表现最优的预测模型作为混合液悬浮固体浓度最优预测模型与污泥沉降比最优预测模型;其中,所述集成学习模型包括随机森林、gbdt、xgboost、lightgbm、catboost;
31、沉降性能量化单元,用于根据进水参数和混合液悬浮固体浓度最优预测模型与污泥沉降比最优预测模型,预测得到混合液悬浮固体浓度预测值与污泥沉降比预测值,并按以下公式计算得到污泥体积指数svi预测值:
32、
33、其中,为污泥沉降比预测值,为混合液悬浮固体浓度预测值。
34、其中可选的方案是,还包括模型解释分析单元,用于:
35、基于预创建的shap解释器,获取所述shap解释器的期望值作为模型预测基准值,并批量计算各进水参数对应的混合液悬浮固体浓度预测值和污泥沉降比预测值的shap贡献值;
36、基于所述模型预测基准值和所述shap贡献值,分别对所述混合液悬浮固体浓度预测值和污泥沉降比预测值进行全局特征重要性分析、单样本预测溯源分析和特征交互效应分析;
37、根据所述分析的结果量化各进水参数对混合液悬浮固体浓度预测值和污泥沉降比预测值的影响方向与影响程度,形成可解释决策依据。
38、和现有技术相比,上述根据本发明的污泥沉降性能动态预测方法及系统具有如下有益效果:
39、(1)以常规进水参数为输入、以标准化流程完成模型构建、训练、优选与沉降性能量化计算,不依赖特殊硬件与复杂数据,可直接嵌入现有污水处理厂运行流程,实施简便、通用性高;
40、(2)通过对进水参数进行去噪预处理,有效剔除原始数据中的噪声与异常波动,保留真实数据趋势,降低干扰对模型的影响,提高模型训练与预测过程的稳定性;
41、(3)以混合液悬浮固体浓度、污泥沉降比为双预测目标,结合公式计算得到污泥体积指数,实现了污泥沉降性能多指标联合量化,相较于单一指标预测更贴合实际运行评判标准,结果更准确;
42、(4)采用随机森林、gbdt、xgboost、lightgbm、catboost多集成学习模型并行训练与独立优选,通过预设评估指标客观择优,能够充分捕捉进水参数与污泥性状间的复杂非线性关系,显著提升预测精度与泛化能力;
43、(5)直接输出mlss预测值、sv30预测值及svi预测值,量化呈现沉降性能,可为后续工艺调控提供清晰、可直接使用的数值依据,提升运行判断的客观性与准确性。
44、为了实现上述以及相关目的,本发明的一个或多个方面包括后面将详细说明的具体特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而,这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外,本发明旨在包括所有这些方面以及它们的等同物。
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