一种应用于污水处理的检测预警监测系统的制作方法

1.本发明属于污水处理技术领域，尤其涉及一种应用于污水处理的检测预警监测系统。


背景技术：

2.现有的污水处理系统无法预测水质情况，只能通过运维人员根据自身工作经验来判断水质何时会超标，提前做一些处理，比如，在污水处理流程的生化段，可能因曝气不足，会导致氨氮超标，当运维人员根据其自身工作经验发现氨氮指标即将在某个时间超标时，通过提前加大鼓风机的频率或者启用备用鼓风机，来增加污水中的爆气值。
3.因此，当前的对于水质超标的处理方式存在以下几个问题：
4.1.在水质已经超标的时候，再去做弥补措施，会造成一部分没有达标的污水已经排出，进而造成环境污染；
5.2.凭自身工作经验来提前做预处理，对运维人员要求较高，而且需要人员实时紧盯各项运行数据，运维成本较大，而且，经验判断有些时候并不准确，也可能存在误判的情况。
6.因此，针对上述问题，本发明提出了一种应用于污水处理的检测预警监测系统。


技术实现要素：

7.为解决上述技术问题，本发明提出了一种应用于污水处理的检测预警监测系统，实时监测需检测的污水中污染物的相关数据，以此来实时计算各污染物的排放量，并对各项数据的发展趋势以及污水处理的趋势进行智能化和实时的未来趋势预测，真正实现了对污水处理发展趋势的实时计算与智能预测预警。
8.为实现上述目的，本发明提供了一种应用于污水处理的检测预警监测系统，包括：采集模块、处理模块、预测模块与报警模块；
9.所述采集模块用于实时采集污水的原始数据；
10.所述处理模块用于对实时采集的所述原始数据进行处理与污染物计算；
11.所述预测模块用于根据处理后的所述原始数据与污染物计算结果进行污水处理未来趋势预测；
12.所述报警模块用于根据污水处理趋势预测结果进行预防报警。
13.可选地，所述原始数据包括：悬浮固体污染物、胶体和溶解状态的有机污染物、难降解的有机物、导致水体富营养化的可溶性无机物。
14.可选地，所述处理模块包括：清洗单元和计算单元；
15.所述清洗单元用于对所述原始数据进行清洗；
16.所述计算单元用于根据清洗后的所述原始数据进行污染物计算。
17.可选地，对所述原始数据进行清洗的方式包括：去除重复项和剔除异常值，使用线性插值的方法补充缺失值，以及将数据的时间分辨率统一处理。
18.可选地，所述计算单元通过三级处理获得污染物计算结果；
19.所述计算单元通过一级处理获得悬浮固体污染物计算结果，悬浮固体污染物＝(a-b)
×
1000
×
1000/v，式中a为悬浮固体 滤膜及称量瓶重，b为滤膜及称量瓶重，v为水样体积；
20.所述计算单元通过二级处理获得胶体和溶解状态的有机污染物计算结果，曝气池的cod容积负荷为l
vcod
＝q
·ci
/v，曝气池的bod容积负荷为式中，q为污水流量，v为曝气池容积，ci为曝气池中化学溶解氧浓度，bi为曝气池中生物溶解氧浓度；
21.所述计算单元通过三级处理获得难降解的有机物和导致水体富营养化的可溶性无机物计算结果，n＝v*g/y，n为氮源投加量，v为池内水量，g-需要补充n差值，y-n换算成的n量；p＝v*g/z，p为磷源投加量，v为池内水量，g为需要补充p差值，z为p换算成的p量。
22.可选地，所述预测模块包括：模型构建单元、数据库与趋势预测单元；
23.所述模型构建单元用于构建lstm神经网络；
24.所述数据库用于储存清洗后的所述原始数据；
25.所述趋势预测单元用于根据清洗后的所述原始数据对所述lstm神经网络进行训练，基于训练后的所述lstm神经网络进行污水处理未来趋势预测。
26.可选地，所述lstm神经网络包括：输入层、隐藏层与输出层；
27.所述输入层用于输入清洗后的所述原始数据，并按照时间顺序进行排序；
28.所述隐藏层用于迭代学习时间序列数据的短程和长程语义特征；
29.所述输出层用于输出预测结果；
30.所述lstm神经网络还包括lstm网络参数；
31.所述lstm网络参数包括学习率、迭代次数与stepsize。
32.可选地，所述趋势预测模型包括：悬浮固体污染物趋势预测模型、胶体和溶解状态的有机污染物趋势预测模型、难降解的有机物和导致水体富营养化的可溶性无机物趋势预测模型、污水处理趋势预测模型；
33.所述趋势预测模型用于进行未来趋势预测包括：进行短期趋势预测、进行中期趋势预测与进行长期趋势预测。
34.可选地，所述报警模块包括：悬浮固体污染物报警模块、胶体和溶解状态的有机污染物报警模块、难降解的有机物和导致水体富营养化的可溶性无机物报警模块、污水处理报警模块。
35.可选地，每一类所述趋势预测模型进行未来趋势预测后，将预测结果实时传递给所述报警模块中对应的每一类报警模块，若预测结果与预设阈值存在偏差，则对应的报警模块进行报警；
36.所述悬浮固体污染物报警模块、胶体和溶解状态的有机污染物报警模块、难降解的有机物和导致水体富营养化的可溶性无机物报警模块中任意一种报警模块进行报警后，所述污水处理报警模块也同时进行报警；进行报警的报警模块数量越多，所述污水处理报警模块进行报警的响应级数越高。
37.与现有技术相比，本发明具有如下优点和技术效果：
38.本发明通过一段时间内实时收集的各类原始数据，作为训练数据对趋势预测模块
中的网络模型进行训练，通过训练后的网络模型对各类实时原始数据进行未来发展趋势预测，从而根据水质指标限定值，提前预测水质指标超标的时间点进行报警，以便于提前做出调整措施，工作人员可以有计划地提前检查指标的运行情况，提前做出调整，比如加药量的调整，曝气系统调整等，不需要在水质指标超标之后才去做调整，避免了部分超标污水排放造成环境污染的情况发生，还为污水处理流程的后续改进，提供数据分析。
附图说明
39.构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
40.图1为本发明实施例的一种应用于污水处理的检测预警监测系统结构示意图。
具体实施方式
41.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
42.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
43.如图1所示，本实施例提供了一种应用于污水处理的检测预警监测系统，包括：采集模块、处理模块、预测模块与报警模块；
44.采集模块用于实时采集污水的原始数据；
45.处理模块用于对实时采集的原始数据进行处理与污染物计算；
46.预测模块用于根据处理后的原始数据与污染物计算结果进行污水处理未来趋势预测；
47.报警模块用于根据污水处理趋势预测结果进行预防报警。
48.进一步地，处理模块包括：清洗单元和计算单元；
49.清洗单元用于对原始数据进行清洗；
50.计算单元用于根据清洗后的原始数据进行污染物计算。
51.进一步地，原始数据包括：悬浮固体污染物、胶体和溶解状态的有机污染物、难降解的有机物、导致水体富营养化的可溶性无机物。
52.进一步地，对原始数据进行清洗的方式包括：去除重复项和剔除异常值，使用线性插值的方法补充缺失值，以及将数据的时间分辨率统一处理。
53.进一步地，计算单元通过三级处理获得污染物计算结果；
54.计算单元通过一级处理获得悬浮固体污染物计算结果，悬浮固体污染物＝(a-b)
×
1000
×
1000/v，式中a为悬浮固体 滤膜及称量瓶重，b为滤膜及称量瓶重，v为水样体积；
55.计算单元通过二级处理获得胶体和溶解状态的有机污染物计算结果，曝气池的cod容积负荷为l
vcod
＝q
·ci
/v，曝气池的bod容积负荷为式中，q为污水流量，v为曝气池容积，ci为曝气池中化学溶解氧浓度，bi为曝气池中生物溶解氧浓度；
56.计算单元通过三级处理获得难降解的有机物和导致水体富营养化的可溶性无机
物计算结果，n＝v*g/y，n为氮源投加量，v为池内水量，g-需要补充n差值，y-n换算成的n量；p＝v*g/z，p为磷源投加量，v为池内水量，g为需要补充p差值，z为p换算成的p量。
57.在本实施例中污水的原始数据包括以下至少一种：悬浮固体污染物、胶体和溶解状态的有机污染物、难降解的有机物、导致水体富营养化的可溶性无机物。
58.其中，获得悬浮固体污染物计算结果通过以下步骤：
59.①
称量瓶103～105℃烘箱内烘干0.5h。
60.②
将滤纸用无氨水洗两次，放在称量瓶中，打开瓶盖，在103～105℃烘箱内烘干0.5h，取出在干燥器内冷却后盖好瓶盖称重，直至恒重(两次称量相差不超过0.0002克)
61.③
量取混合均匀的水样100m1，使其全部通过上面称至恒重的滤纸(将滤液移出准备做可溶性总氮、总磷和硝酸盐氮)；用10m1蒸馏水洗涤残渣3次。
62.④
小心取下滤纸，放入原称量瓶内，在103～105℃烘箱中，打开瓶盖烘1h，移入干燥器中冷却后盖好盖称重。反复烘干、冷却、称重，直至两次称量差≤0.4mg为止。
63.污水出水中，悬浮颗粒物的指标是不超过20mg/l。
64.胶体和溶解状态的有机污染物中，有机污染的主要指标：
①
生活污水：cod＝400～500mg/l，bod5＝200～300mg/l；
②
工业废水：主要有石油化工、轻工、食品等行业，如：啤酒废水：8～20m3废水/m3酒，cod＝2000～3500mg/l；酒精废水：12～15m3废水/m3酒，cod＝3～6万mg/l：味精废水：25～35m3废水/吨味精，cod＝6～10万mg/l：造纸黑液：120～600m3废水/吨纸浆，cod＝10～15万mg/l
65.难降解的有机物和导致水体富营养化的可溶性无机物中，氮源投加计算方式：物料：尿素、硝酸钠、硝酸钾等，尿素含n量46.7％，添加1gn需要投加尿素y＝1/0.467＝2.1g，硝酸钠含n量16.5％，1gn需要投加硝酸钠y＝1/0.165＝6.06g；磷酸盐投加计算方式：物料：磷酸二氢钾、磷肥，磷酸二氢钾含p量13.6％，添加1gp源，需要投加磷酸二氢钾z＝1/0.163＝7.35g。
66.将清洗后的原始数据代入三级处理中，能够实时或近实时地对待测污水水质进行核算，生成污水处理趋势预测结果，解决了当前污水处理数据集具有一年或以上的时间滞后性以及不具备天级别或小时级的污水处理数据的问题。
67.进一步地，lstm(long short-term memory，长短期记忆网络)是一种时间循环神经网络，是为了解决rnn存在的梯度消失和梯度爆炸问题而专门设计出来的。与rnn相比，lstm具有独特的设计结构，其在隐藏层增加了输入门、输出门和遗忘门(三个门可以让信息选择式通过)，并且使用记忆态单元来存储和处理长时间序列信息，其中记忆门用来选择忘记过去某些信息，输入门用来记忆现在的某些信息，信息通过输入门和记忆门将过去与现在的记忆进行合并，输出门最后输出信息。因此，lstm非常适合于处理和预测时间序列中间隔和延迟非常长的重要事件。
68.在本实施例中，预测模块包括：模型构建单元、数据库与趋势预测单元；
69.模型构建单元用于构建lstm神经网络；
70.数据库用于储存清洗后的原始数据；
71.趋势预测单元用于根据清洗后的原始数据对lstm神经网络进行训练，基于训练后的lstm神经网络进行污水处理未来趋势预测。
72.趋势预测单元可以对环境参数进行短期、中期或长期的未来趋势预测，短期指4
–
48h，中期指2
–
7天，长期指7
–
15天。其中，中期和长期的未来趋势预测不限于上述大小区间，它们可以较上述区间设定更大的区间值，只不过预测的未来时间越长，对应的误差也会增大。
73.lstm神经网络包含输入层、隐藏层和输出层，其中输入层输入训练数据；隐藏层迭代学习时间序列数据的短程和长程语义特征；输出层输出预测结果。lstm网络参数包括学习率、迭代次数、stepsize等，其中关键网络参数stepsize取值1-24之间，具体取值依据环境参数训练数据规模和实际条件与需求而定。
74.数据库中包含有经过采集的一段时间内的清洗后的原始数据，清洗后的原始数据将作为训练数据对趋势预测模型进行训练，数据库内的每一类训练数据都需要进行标注处理，且标注处理方式满足如下：
75.当stepsize＝1时，标注处理方式为以第n x时刻的训练数据作为第n时刻训练数据的标签；当stepsize＝2时，标注处理方式为以第n x时刻的训练数据作为第n和第n-1时刻训练数据的标签；当stepsize＝3时，标注处理方式为以第n x时刻的训练数据作为第n、n-1和n-2时刻环境训练数据的标签，其余依次类推，其中x为预测步长参数，其取大于等于0的任意整数。
76.预测步长参数x的取值大小与短、中和长期预测有关，若是短期预测则x取值应偏小，长期预测则x取值应偏大，中期预测则x介于上述两者之间。通过对预测步长参数x的调整，可以得到或近或远的未来时刻所对应的预测污水处理参数数据的发展趋势。比如当x取值为3时(设定第n和第n 1时刻之间的时间跨度为4小时)，则趋势预测模型能够得到12个小时后的预测污水处理参数数据的发展趋势；当x取值为24时，则趋势预测模型能够得到96个小时后(即4天后)的预测污水处理参数数据的发展趋势；当x取值为72时，则趋势预测模型能够得到12天后的预测污水处理参数数据的发展趋势。
77.训练数据库内的每一类训练数据，它们均按照时间顺序进行排列，其中第n时刻的训练数据是指某一个时间段内的训练数据均值，而非一个时间点的训练数据值。不仅如此，所有时刻的训练数据对应的时间段均具有统一相同的区间大小。另外，第n和第n 1时刻(这里n取任意大于等于0的整数)，两者之间的时间跨度以4或6或8小时为宜，最大不超过48小时。
78.趋势预测模型包括：悬浮固体污染物趋势预测模型、胶体和溶解状态的有机污染物趋势预测模型、难降解的有机物和导致水体富营养化的可溶性无机物趋势预测模型、污水处理趋势预测模型；每类趋势预测模型基于数据库内对应的训练数据利用lstm网络进行训练学习而得到，并对对应的实时原始数据进行未来趋势预测。
79.lstm神经网络的训练流程如下：
80.lstm神经网络逐轮进行迭代训练，在每轮训练过程中，以第n、第n-1、
……
、第n
–
stepsize 1时刻的训练数据做为输入数据，并输出针对第n x时刻的预测污水处理参数数据，然后，将第n x时刻的预测环境参数数据与第n x时刻的实际污水处理参数数据进行匹配，若匹配误差不满足预定要求，则根据匹配误差对神经网络各神经单元权值参数进行修正调整，然后继续以第n、第n-1、
……
、第n
–
stepsize 1时刻的训练数据做为输入数据，开始下一轮的迭代训练，直至n x时刻的预测污水处理参数数据与第n x时刻的实际污水处理参数数据之间的匹配误差小于指定阈值，则神经网络训练完成。
81.报警模块包括：悬浮固体污染物报警模块、胶体和溶解状态的有机污染物报警模块、难降解的有机物和导致水体富营养化的可溶性无机物报警模块、污水处理报警模块；不同子模块间报警方式不同。
82.每一类所述趋势预测模型进行未来趋势预测后，将预测结果实时传递给所述报警模块中对应的每一类报警模块，若预测结果与预设阈值存在偏差，则对应的报警模块进行报警；
83.悬浮固体污染物报警模块、胶体和溶解状态的有机污染物报警模块、难降解的有机物和导致水体富营养化的可溶性无机物报警模块中任意一种报警模块进行报警后，污水处理报警模块也同时进行报警；进行报警的报警模块数量越多，污水处理报警模块进行报警的响应级数越高。
84.本发明通过一段时间内实时收集的各类原始数据，作为训练数据对趋势预测模块中的网络模型进行训练，通过训练后的网络模型对各类实时原始数据进行未来发展趋势预测，从而根据水质指标限定值，提前预测水质指标超标的时间点，以便于提前做出调整措施，工作人员可以有计划地提前检查指标的运行情况，提前做出调整，比如加药量的调整，曝气系统调整等，不需要在水质指标超标之后才去做调整，避免了部分超标污水排放造成环境污染的情况发生，还为污水处理流程的后续改进，提供数据分析。
85.以上，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。