2024/10/6周报

user_s1

已于 2024-10-07 12:16:57 修改

阅读量1.1k

点赞数 11

文章标签：机器学习人工智能 lstm

于 2024-10-06 18:57:10 首次发布

本文链接：https://blog.csdn.net/user_s1/article/details/142730004

版权

文章目录

摘要
Abstract
文献阅读
总结

摘要

本周对广西的一些污水处理厂工艺进行了解，常见的工艺主要包括活性污泥法、生物膜法、MBR（膜生物反应器）、氧化沟工艺等，此外对评价工艺用的一些指标进行学习，并阅读了一篇基于LSTM的污水生物反应器模型预测控制及合理性验证的文章，文章基于历史运行经验提出了三种合理性验证方法。通过华东某污水处理厂的实际运行数据验证了该方法的有效性。结果表明，LSTM-MPC预测模型能够较准确地预测AAO系统的水质变量，在验证数据集上的均方误差（MSE）接近2.64，Nash-Sutcliffe模型的有效系数（NSE）为0.99。与常规控制器相比，耗氧量减少了7%，证明了LSTM-MPC作为一种安全可靠的污水处理厂控制策略的有效性。

Abstract

This week, I learned about some sewage treatment plant processes in Guangxi. Common processes include activated sludge process, biofilm process, MBR (membrane bioreactor), oxidation ditch process, etc. In addition, I studied some indicators used to evaluate processes and read an article on LSTM based sewage bioreactor model predictive control and rationality verification. The article proposes three rationality verification methods based on historical operating experience. The effectiveness of this method was verified through actual operational data from a sewage treatment plant in East China. The results indicate that the LSTM-MPC prediction model can accurately predict the water quality variables of the AAO system, with a mean square error (MSE) of nearly 2.64 on the validation dataset and an effective coefficient (NSE) of 0.99 for the Nash Sutcliffe model. Compared with conventional controllers, the oxygen consumption has been reduced by 7%, demonstrating the effectiveness of LSTM-MPC as a safe and reliable control strategy for sewage treatment plants.

评价工艺的指标

污水处理单元的评价指标体系是通过多维度的指标来全面衡量污水处理厂或处理单元的运行效率、经济性、稳定性以及环保效益。这些指标不仅能帮助管理者评估现有系统的性能，还能为优化和改进污水处理过程提供参考。以下是对污水处理单元评价指标体系的详细分析：

1. 水质处理效果指标

这些指标直接反映污水处理系统对污染物的去除效果，是衡量污水处理性能的最基础指标。常见的水质处理效果指标包括：

化学需氧量（COD）去除率：COD去除率是衡量污水中有机污染物去除效果的关键指标。较高的COD去除率意味着处理工艺对有机物的降解效果好。
生化需氧量（BOD₅）去除率：BOD₅去除率用于评估有机物在污水中的生物降解效果，通常与COD相结合使用，以衡量污水处理系统的生物处理效率。
悬浮物（SS）去除率：SS去除率用于衡量污水中悬浮固体的去除情况，良好的去除率说明污水处理过程中固体物质的沉淀或过滤效果好。
氨氮（NH₄⁺-N）去除率：氨氮的去除反映污水处理厂的脱氮效果，是衡量生物硝化和反硝化过程的重要指标。较低的出水氨氮含量通常意味着系统脱氮效果好。
总氮（TN）去除率：反映污水处理系统对污水中氮的总体去除效果，包含氨氮、硝态氮、亚硝态氮等形式。脱氮过程是污水处理的核心部分之一。
总磷（TP）去除率：磷的去除主要通过化学沉淀和生物脱磷实现。控制总磷是防止水体富营养化的重要措施。
出水水质合格率：这是对处理出水是否符合国家或地方排放标准的直接评价指标，通常要求出水中各项污染物指标达标。

2. 工艺效率指标

工艺效率指标用于评估污水处理单元的整体运行效率和资源利用情况。通常包括以下几个方面：

污泥产率：污泥产率反映污水处理中产生污泥的量，通常用每处理1吨污水产生的污泥量来衡量。较低的污泥产率意味着处理系统能够有效降解有机物，产生较少的剩余污泥。
氧转移效率（OTE）：这是对曝气系统中氧气从气相向液相传递效率的衡量，直接关系到曝气系统的能效。较高的氧转移效率意味着同样的曝气量下可以传递更多氧气，从而提高处理效率。
曝气效率：曝气效率反映生物处理阶段的能耗效率，评估每单位污水处理过程中消耗的曝气量。该指标与节能降耗息息相关。
污水回流比：用于衡量污水和污泥回流量对整体处理系统的影响。回流比过高或过低都可能影响处理系统的稳定性和效率。

3. 能耗与资源消耗指标

这些指标衡量污水处理过程中的能耗和资源利用情况，是影响污水处理经济性的重要因素：

单位处理水量的能耗（kWh/m³）：这是衡量污水处理过程中的电力消耗量，通常用于评估处理系统的整体能效。能耗较低意味着系统运行更为节能高效。
单位处理水量的化学药剂消耗（kg/m³）：用于评估污水处理过程中化学药剂的使用情况，如除磷剂、消毒剂等。药剂消耗量的控制直接影响处理成本。
单位污泥处理成本：处理污泥的成本，包括脱水、运输、处置等环节的费用。这一指标对污泥产量较高的污水处理厂尤为重要。

4. 经济效益指标

经济效益指标用于衡量污水处理系统的经济产出，通常包括以下内容：

处理成本（元/m³）：单位污水处理成本，包括电力、药剂、人工和设备维护等费用。较低的处理成本意味着系统运行的经济效益更好。
污水回用率：部分污水处理系统的出水可作为再生水回用，如用于园林灌溉、市政清洁等。回用率越高，意味着系统的水资源利用率越高，经济效益也更明显。
污泥利用率：通过污泥的资源化处理（如制肥料、焚烧发电等）来提高污泥的利用率，减少处置成本，提升经济效益。

5. 系统稳定性与运行可靠性指标

这些指标衡量污水处理系统在长时间运行过程中的稳定性和可靠性，确保系统的连续正常运行：

设备故障率：反映污水处理厂中机械设备的可靠性，如泵、风机、曝气装置等的故障发生率。设备故障率越低，系统运行越稳定。
停机时间：污水处理厂在运行过程中由于维护、维修或故障导致的停机时间越少，处理系统的连续性越好。
维护成本：用于评估系统维护和检修的频率和成本。较低的维护成本和较长的设备寿命有助于降低系统的总体运行费用。

6. 环境影响与可持续发展指标

污水处理不仅需要达到处理效果和经济效益，还需要考虑对环境的影响。以下指标用于评估处理过程的环境友好性：

温室气体排放量（CO₂、CH₄、N₂O）：污水处理过程中会产生一定量的温室气体，特别是厌氧过程中的甲烷（CH₄）排放。通过优化工艺，减少温室气体排放是评价系统环保性能的重要指标。
噪声与气味控制：污水处理过程中的噪声和气味影响到周围环境，特别是曝气和污泥处理单元，需要有效控制并减少对周围环境的影响。
可再生资源的利用：如利用处理后的污水进行回用，污泥通过焚烧发电或制肥等资源化处理，减少对天然资源的依赖，提升可持续性。

7. 智能化与自动化水平指标

智能化和自动化水平也是现代污水处理系统的重要评价维度：

自动化控制水平：评估系统中PLC控制系统、SCADA系统的应用，自动化控制可以减少人工干预，提升处理效率和安全性。
在线监测覆盖率：用于衡量污水处理过程中的关键参数（如水质、水量、设备运行状态等）的在线监测覆盖情况，监测越全面，系统越容易发现问题并及时调整。
智能优化与预测能力：基于大数据和人工智能技术，系统能否对未来的水质变化、能耗需求进行预测，并实现动态优化控制。

文献阅读

题目

LSTM-Based Model-Predictive Control with Rationality Verification for Bioreactors in Wastewater Treatment

引言

随着中国城市化进程和人口增长的加剧，污水处理需求不断增加。目前，传统的活性污泥法用于处理80%以上的污水，但由于工艺中的监控与控制行为之间存在时间延迟，污水处理厂难以精确控制，导致过度曝气和不当投药，增加了能耗和处理成本。

MPC已经被证明可以在相同的进水条件下，通过精细化控制节省能耗。然而，现有的MPC模型主要关注出水水质和能耗的优化，忽略了生物反应器的稳定性，并且缺乏优化过程中的安全性验证，限制了其实用性。

LSTM-MPC模型

文章详细探讨了基于LSTM（长短期记忆网络）和模型预测控制（MPC）相结合的优化策略，用于污水处理厂（WWTP）中的生物反应器，特别是针对厌氧-缺氧-好氧（AAO）工艺的优化。

污水处理厂生物反应器流程图如下：
在这里插入图片描述

本文提出了一种基于LSTM的MPC模型，并结合了安全性验证方法。LSTM是一种深度学习神经网络，能够根据过去的数据预测系统的未来状态，非常适合处理污水处理厂复杂系统中的时间序列数据。

LSTM-MPC模型优化了曝气量、内循环流量（Qr）和污泥回流量（Qsr）等控制变量，目的是在节约能耗的同时保持生物反应器的稳定性。

-为了解决基于机器学习的模型在实际应用中的不确定性，作者提出了基于历史数据的合理性验证方法，以确保模型的输出是安全和可靠的。

数据集与预处理

研究使用了2019年至2021年间的污水处理厂数据，包括进水数据（流量、水质参数）、生物反应器数据（溶解氧、氨氮、硝酸盐等）和控制数据（曝气量、流量等）。
通过PauTa准则对数据进行了清理，并通过时间平均插值法补充了缺失值（时间跨度步长N = 500），以确保数据集的可靠性，用于训练LSTM模型。

使用下面的最小-最大归一化（等式（3），其中Ymax代表原始数据的最大值，Ymin是最小值）进一步处理原始数据，以将数据转换为范围[-1，1]，并减少数据值的差异幅度水平的影响。

方法论

LSTM模型被训练用于预测生物反应器未来的状态变量，输入变量包括状态变量、进水变量和控制变量。研究测试了四种不同结构的LSTM模型，通过调整隐藏层神经元的数量来优化预测性能。本研究以状态变量、影响变量及控制变量的时间序列数据集为输入，以下一时间步的状态变量为输出。模型的具体数学公式如下：

Xt为状态变量，包括：DO、MLSS、ORP、Oxic NO3;
rt为进水变量，包括：Qin、COD、TP、TN、NH 4 ±N、PH、SS;
at为控制变量，其中at 1为曝气量，at 2为内回流流速（Qr），at 3为污泥内循环流速（Qsr）;
Yt为输出状态变量，包含下一时间步长的DO、MLSS、ORP和Oxic NO3;
Δ t为预测时间步长;
θ是LSTM的参数。
基于LSTM模型构建了MPC框架，利用粒子群优化算法（PSO）来优化控制变量，使其在给定时间步内实现最佳控制。
LSTM-MPC模型的控制过程是递归的。在每一个时间步，控制策略都基于LSTM预测的结果进行优化，并在下一个时间步再次优化。通过这种方式，MPC能够动态调整控制策略，确保系统在变化的条件下保持优化状态。