專利名稱：污水處理曝氣節(jié)能控制方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種控制方法，特別是一種污水處理曝氣節(jié)能控制方法。
背景技術(shù)：
對污水處理的生化反應(yīng)過程中，送氧鼓風(fēng)量與溶解氧和氨的變化關(guān)系容易受到污 水的濃度、天氣、氣溫、時間變化等環(huán)境因素的影響，因而會產(chǎn)生非線性、時變、不確定性、時 滯等問題。傳統(tǒng)的污水處理過程中鼓風(fēng)機的送氧量是固定不變的，如果鼓風(fēng)機送氧量過少 則會導(dǎo)致污水處理的生化反應(yīng)過程不充分，嚴重影響污水處理的效果；如果鼓風(fēng)機的送氧 量過多，則雖然污水處理的生化反應(yīng)過程充分，但是鼓風(fēng)機浪費大量電能量，傳統(tǒng)簡單的污 水處理曝氣控制方法不能達到既滿足送氧量又節(jié)省電能的效果。

發(fā)明內(nèi)容
為了解決上述的技術(shù)問題，本發(fā)明的目的是提供一種實時監(jiān)控、會自學(xué)習(xí)且節(jié)能 環(huán)保的污水處理曝氣節(jié)能控制方法。本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是污水處理曝氣節(jié)能控制方法，包括以下步驟01、運行模式選擇；11、建立模型；21、學(xué)習(xí)數(shù)據(jù)處理；31、神經(jīng)網(wǎng)絡(luò)方法學(xué)習(xí)；41、運行控制。進一步，所述步驟11包括以下步驟11、如果建立模型則執(zhí)行步驟12，否則返回；12、選擇組態(tài)模型，確定輸入/輸出層參數(shù)；13、保存模型參數(shù)。進一步，所述步驟21包括以下步驟21、如果學(xué)習(xí)數(shù)據(jù)處理則執(zhí)行步驟22，否則返回；22、讀取歷史運行數(shù)據(jù)；23、數(shù)據(jù)自動篩選并封裝集；24、人工手動高級篩選數(shù)據(jù)；25、學(xué)習(xí)數(shù)據(jù)處理結(jié)束。進一步，所述步驟31包括以下步驟31、如果神經(jīng)網(wǎng)絡(luò)方法學(xué)習(xí)則執(zhí)行步驟32,否則返回；32、初始參數(shù)設(shè)定；33、選擇學(xué)習(xí)數(shù)據(jù)集；34、選擇學(xué)習(xí)方式；
35、選擇神經(jīng)網(wǎng)絡(luò)NNs函數(shù)；36、學(xué)習(xí)處理結(jié)果分析；37、保存學(xué)習(xí)結(jié)果。進一步，所述步驟41包括以下步驟41、如果運行控制則執(zhí)行步驟42，否則返回；42、首次運行則執(zhí)行步驟43，否則執(zhí)行步驟45 ；43、加載神經(jīng)網(wǎng)絡(luò)NNs模型數(shù)據(jù)；44、加載神經(jīng)網(wǎng)絡(luò)NNs學(xué)習(xí)結(jié)果；45、神經(jīng)網(wǎng)絡(luò)NNs預(yù)測運算；46、預(yù)測值處理及輸出。進一步，所述神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)流程包括以下步驟81、設(shè)定隱層節(jié)點數(shù)、初始權(quán)值、初始閥值、權(quán)值調(diào)節(jié)系數(shù)、閥值調(diào)節(jié)系數(shù)、最大學(xué) 習(xí)次數(shù)、最小總誤差；82、輸入所有學(xué)習(xí)樣本數(shù)據(jù)，學(xué)習(xí)次數(shù)加1 ；83、各節(jié)點一般化誤差及輸出總誤差計算；84、如果當(dāng)前學(xué)習(xí)次數(shù)t等于設(shè)定最大學(xué)習(xí)次數(shù)T且輸出總誤差E不小于設(shè)定最 小總誤差Er則執(zhí)行步驟85，如果當(dāng)前學(xué)習(xí)次數(shù)t不等于設(shè)定最大學(xué)習(xí)次數(shù)T且輸出總誤差 E不小于設(shè)定最小總誤差Er則執(zhí)行步驟87，如果輸出總誤差E小于設(shè)定最小總誤差Er則 執(zhí)行步驟88 ；85、輸出總誤差E減去設(shè)定最小總誤差Er的差值小于一定數(shù)值δ則執(zhí)行步驟88， 否認執(zhí)行步驟86 ；86、對網(wǎng)絡(luò)進行修正，增大最大學(xué)習(xí)次數(shù)或增大調(diào)節(jié)系數(shù)或增加隱節(jié)點數(shù)或改變 初始權(quán)值和閥值大小，執(zhí)行步驟82 ；87、根據(jù)權(quán)值調(diào)節(jié)公式、閥值調(diào)節(jié)公式對權(quán)值、閥值調(diào)節(jié)，執(zhí)行步驟82 ；88、結(jié)束。進一步，所述最大學(xué)習(xí)次數(shù)T為10000。進一步，所述最小總誤差Er為0. 001。進一步，所述步驟81初始權(quán)值Wij為-0. 3至0. 3中的隨機數(shù)。進一步，所述步驟81初始閥值為0. 05。本發(fā)明的有益效果是本發(fā)明實現(xiàn)工藝處理設(shè)備的最優(yōu)節(jié)能控制，并具備工藝參 數(shù)自我分析、自我診斷及自動處理等自我管理功能；具備很強的自適應(yīng)能力及魯棒性，節(jié)能 效果很好。


下面結(jié)合附圖和實施例對本發(fā)明作進一步說明。圖1是本發(fā)明污水處理曝氣節(jié)能控制方法流程圖；圖2是本發(fā)明神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法流程圖。
具體實施例方式參照圖1，污水處理曝氣節(jié)能控制方法，包括以下步驟01、運行模式選擇；11、建立模型；21、學(xué)習(xí)數(shù)據(jù)處理；31、神經(jīng)網(wǎng)絡(luò)方法學(xué)習(xí)；41、運行控制。進一步，所述步驟11包括以下步驟11、如果建立模型則執(zhí)行步驟12，否則返回；12、選擇組態(tài)模型，確定輸入/輸出層參數(shù)；13、保存模型參數(shù)。進一步，所述步驟21包括以下步驟21、如果學(xué)習(xí)數(shù)據(jù)處理則執(zhí)行步驟22，否則返回；22、讀取歷史運行數(shù)據(jù)；23、數(shù)據(jù)自動篩選并封裝集；24、人工手動高級篩選數(shù)據(jù)；25、學(xué)習(xí)數(shù)據(jù)處理結(jié)束。進一步，所述步驟31包括以下步驟31、如果神經(jīng)網(wǎng)絡(luò)方法學(xué)習(xí)則執(zhí)行步驟32，否則返回；32、初始參數(shù)設(shè)定；33、選擇學(xué)習(xí)數(shù)據(jù)集；34、選擇學(xué)習(xí)方式；35、選擇神經(jīng)網(wǎng)絡(luò)NNs函數(shù)；36、學(xué)習(xí)處理結(jié)果分析；37、保存學(xué)習(xí)結(jié)果。進一步，所述步驟41包括以下步驟41、如果運行控制則執(zhí)行步驟42，否則返回；42、首次運行則執(zhí)行步驟43，否則執(zhí)行步驟45 ；43、加載神經(jīng)網(wǎng)絡(luò)NNs模型數(shù)據(jù)；44、加載神經(jīng)網(wǎng)絡(luò)NNs學(xué)習(xí)結(jié)果；45、神經(jīng)網(wǎng)絡(luò)NNs預(yù)測運算；46、預(yù)測值處理及輸出。所述神經(jīng)網(wǎng)絡(luò)NNs模型是對人腦或自然神經(jīng)網(wǎng)絡(luò)(Natural NeuralNetwork)若干基本特性的抽象和模擬。人工神經(jīng)網(wǎng)絡(luò)以對大腦的生理研究成果為基礎(chǔ)的，其目的在于模 擬大腦的某些機理與機制，實現(xiàn)某個方面的功能。人工神經(jīng)網(wǎng)絡(luò)的定義就是人工神經(jīng)網(wǎng)絡(luò) 是由人工建立的以有向圖為拓撲結(jié)構(gòu)的動態(tài)系統(tǒng)，它通過對連續(xù)或斷續(xù)的輸入作狀態(tài)相應(yīng) 并進行信息處理。進一步參照圖2，所述神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)流程包括以下步驟81、設(shè)定隱層節(jié)點數(shù)、初始權(quán)值、初始閥值、權(quán)值調(diào)節(jié)系數(shù)、閥值調(diào)節(jié)系數(shù)、最大學(xué)習(xí)次數(shù)、最小總誤差；82、輸入所有學(xué)習(xí)樣本數(shù)據(jù)，學(xué)習(xí)次數(shù)加1 ；83、各節(jié)點一般化誤差及輸出總誤差計算；84、如果當(dāng)前學(xué)習(xí)次數(shù)t等于設(shè)定最大學(xué)習(xí)次數(shù)T且輸出總誤差E不小于設(shè)定最小總誤差Er則執(zhí)行步驟85，如果當(dāng)前學(xué)習(xí)次數(shù)t不等于設(shè)定最大學(xué)習(xí)次數(shù)T且輸出總誤差 E不小于設(shè)定最小總誤差Er則執(zhí)行步驟87，如果輸出總誤差E小于設(shè)定最小總誤差Er則 執(zhí)行步驟88 ；85、輸出總誤差E減去設(shè)定最小總誤差Er的差值小于一定數(shù)值δ則執(zhí)行步驟88， 否認執(zhí)行步驟86 ；86、對網(wǎng)絡(luò)進行修正，增大最大學(xué)習(xí)次數(shù)或增大調(diào)節(jié)系數(shù)或增加隱節(jié)點數(shù)或改變 初始權(quán)值和閥值大小，執(zhí)行步驟82 ；87、根據(jù)權(quán)值調(diào)節(jié)公式、閥值調(diào)節(jié)公式對權(quán)值、閥值調(diào)節(jié)，執(zhí)行步驟82 ；88、結(jié)束。進一步，所述最大學(xué)習(xí)次數(shù)T為10000。進一步，所述最小總誤差Er為0. 001。進一步，所述步驟81初始權(quán)值Wij為-0. 3至0. 3中的隨機數(shù)。進一步，所述步驟81初始閥值為0. 05。其中初始權(quán)值Wi j，Wjk均取(-0. 3,0. 3)的隨機數(shù)，初始閥值均取0. 05，調(diào)節(jié)系數(shù) 取0. 1，最大學(xué)習(xí)次數(shù)為10000，最小總誤差為0. 001。t為當(dāng)前學(xué)習(xí)次數(shù)，T為設(shè)定最大學(xué)習(xí)次數(shù)；E為輸出總誤差，Er為設(shè)定最小總誤 差。S的范圍視具體數(shù)據(jù)值而定。本發(fā)明對污水處理的生化反應(yīng)過程中，送氧鼓風(fēng)量與溶解氧和氨的變化關(guān)系易受 到污水的濃度、天氣、氣溫、時間變化等環(huán)境因素的影響所產(chǎn)生的非線性、時變、不確定性、 時滯等問題，采用能適應(yīng)環(huán)境變化的基于粗糙集的RBF神經(jīng)網(wǎng)絡(luò)污水生化處理過程的動態(tài) 多變量模型，模擬污水生化處理中送氧鼓風(fēng)量與溶解氧和氨的變化，使之能夠較好的反映 污水處理的生化反應(yīng)過程，具有較好的魯棒性。針對污水處理中參數(shù)的隨機多變性以及RBF神經(jīng)網(wǎng)絡(luò)容易陷入局部收斂的問題， 采用基于混沌時間序列的最小二乘支持向量機污水生化處理過程的動態(tài)多變量模型，使之 能夠反映參數(shù)的隨機多變性，保證模型的全局收斂性。根據(jù)污水生化處理過程的動態(tài)多變量神經(jīng)網(wǎng)絡(luò)模型(輸入層主要輸入NH4_N、SS、 Τ、MLSS、DO、ORP等實時參數(shù)，輸出層主要為風(fēng)量、總管壓力等參數(shù))，以及溶解氧和氨目標 值與實際值的誤差評價函數(shù)，求出最小鼓風(fēng)量，實現(xiàn)最小送風(fēng)量的多變量節(jié)能優(yōu)化控制。設(shè)計和實現(xiàn)基于溶解氧的污水生化自動控制系統(tǒng)，運用建模和最優(yōu)控制的控制方 法，使得污水處理廠每年節(jié)約電費10%以上。以上是對本發(fā)明的較佳實施進行了具體說明，但本發(fā)明創(chuàng)造并不限于所述實施 例，熟悉本領(lǐng)域的技術(shù)人員在不違背本發(fā)明精神的前提下還可作出種種的等同變形或替 換，這些等同的變型或替換均包含在本申請權(quán)利要求所限定的范圍內(nèi)。
權(quán)利要求
污水處理曝氣節(jié)能控制方法，其特征在于包括以下步驟01、運行模式選擇；11、建立模型；21、學(xué)習(xí)數(shù)據(jù)處理；31、神經(jīng)網(wǎng)絡(luò)方法學(xué)習(xí)；41、運行控制。
2.根據(jù)權(quán)利要求1所述的污水處理曝氣節(jié)能控制方法，其特征在于所述步驟11包括 以下步驟11、如果建立模型則執(zhí)行步驟12，否則返回；12、選擇組態(tài)模型，確定輸入/輸出層參數(shù)；13、保存模型參數(shù)。
3.根據(jù)權(quán)利要求1所述的污水處理曝氣節(jié)能控制方法，其特征在于所述步驟21包括 以下步驟21、如果學(xué)習(xí)數(shù)據(jù)處理則執(zhí)行步驟22，否則返回；22、讀取歷史運行數(shù)據(jù)；23、數(shù)據(jù)自動篩選并封裝集；24、人工手動高級篩選數(shù)據(jù)；25、學(xué)習(xí)數(shù)據(jù)處理結(jié)束。
4.根據(jù)權(quán)利要求1所述的污水處理曝氣節(jié)能控制方法，其特征在于所述步驟31包括 以下步驟31、如果神經(jīng)網(wǎng)絡(luò)方法學(xué)習(xí)則執(zhí)行步驟32，否則返回；32、初始參數(shù)設(shè)定；33、選擇學(xué)習(xí)數(shù)據(jù)集；34、選擇學(xué)習(xí)方式；35、選擇神經(jīng)網(wǎng)絡(luò)NNs函數(shù)；36、學(xué)習(xí)處理結(jié)果分析；37、保存學(xué)習(xí)結(jié)果。
5.根據(jù)權(quán)利要求1所述的污水處理曝氣節(jié)能控制方法，其特征在于所述步驟41包括 以下步驟41、如果運行控制則執(zhí)行步驟42，否則返回；42、首次運行則執(zhí)行步驟43，否則執(zhí)行步驟45；43、加載神經(jīng)網(wǎng)絡(luò)NNs模型數(shù)據(jù)；44、加載神經(jīng)網(wǎng)絡(luò)NNs學(xué)習(xí)結(jié)果；45、神經(jīng)網(wǎng)絡(luò)NNs預(yù)測運算；46、預(yù)測值處理及輸出。
6 根據(jù)權(quán)利要求1所述的污水處理曝氣節(jié)能控制方法，其特征在于所述神經(jīng)網(wǎng)絡(luò)學(xué) 習(xí)流程包括以下步驟，81、設(shè)定隱層節(jié)點數(shù)、初始權(quán)值、初始閥值、權(quán)值調(diào)節(jié)系數(shù)、閥值調(diào)節(jié)系數(shù)、最大學(xué)習(xí)次 數(shù)、最小總誤差；，82、輸入所有學(xué)習(xí)樣本數(shù)據(jù)，學(xué)習(xí)次數(shù)加1；，83、各節(jié)點一般化誤差及輸出總誤差計算；，84、如果當(dāng)前學(xué)習(xí)次數(shù)t等于設(shè)定最大學(xué)習(xí)次數(shù)T且輸出總誤差E不小于設(shè)定最小總 誤差Er則執(zhí)行步驟85，如果當(dāng)前學(xué)習(xí)次數(shù)t不等于設(shè)定最大學(xué)習(xí)次數(shù)T且輸出總誤差E不 小于設(shè)定最小總誤差Er則執(zhí)行步驟87，如果輸出總誤差E小于設(shè)定最小總誤差Er則執(zhí)行 步驟88 ；，85、輸出總誤差E減去設(shè)定最小總誤差Er的差值小于一定數(shù)值5則執(zhí)行步驟88，否認 執(zhí)行步驟86 ；，86、對網(wǎng)絡(luò)進行修正，增大最大學(xué)習(xí)次數(shù)或增大調(diào)節(jié)系數(shù)或增加隱節(jié)點數(shù)或改變初始 權(quán)值和閥值大小，執(zhí)行步驟82 ；，87、根據(jù)權(quán)值調(diào)節(jié)公式、閥值調(diào)節(jié)公式對權(quán)值、閥值調(diào)節(jié)，執(zhí)行步驟82；，88、結(jié)束。
7.根據(jù)權(quán)利要求6所述的污水處理曝氣節(jié)能控制方法，其特征在于所述最大學(xué)習(xí)次 數(shù) T 為 10000。
8.根據(jù)權(quán)利要求6所述的污水處理曝氣節(jié)能控制方法，其特征在于所述最小總誤差 Er 為 0. 001。
9.根據(jù)權(quán)利要求6所述的污水處理曝氣節(jié)能控制方法，其特征在于所述步驟81初始 權(quán)值Wi j為-0. 3至0. 3中的隨機數(shù)。
10.根據(jù)權(quán)利要求6所述的污水處理曝氣節(jié)能控制方法，其特征在于所述步驟81初 始閥值為0. 05。
全文摘要
本發(fā)明公開了一種污水處理曝氣節(jié)能控制方法，包括以下步驟01、運行模式選擇；11、建立模型；21、學(xué)習(xí)數(shù)據(jù)處理；31、神經(jīng)網(wǎng)絡(luò)方法學(xué)習(xí)；41、運行控制。本發(fā)明實現(xiàn)工藝處理設(shè)備的最優(yōu)節(jié)能控制，并具備工藝參數(shù)自我分析、自我診斷及自動處理等自我管理功能；具備很強的自適應(yīng)能力及魯棒性，節(jié)能效果很好。本發(fā)明作為一種污水處理曝氣節(jié)能控制方法廣泛應(yīng)用于污水處理過程中。
文檔編號G05B13/02GK101833281SQ20101011838
公開日2010年9月15日 申請日期2010年2月26日 優(yōu)先權(quán)日2010年2月26日
發(fā)明者羅飛, 肖國強 申請人:華南理工大學(xué);廣州東芝白云自動化系統(tǒng)有限公司