【技術實現步驟摘要】
本專利技術屬于垃圾智能化處理的，具體地涉及一種污水處理優化控制方法、系統、電子設備及存儲介質。
技術介紹
1、為了淡水資源，除了昂貴的海水淡化處理之外，污水的處理、回收和利用也是一個重要的淡水來源。污水處理不但有利于防治水污染問題修復生態環境、減少因水污染而死亡的人數，更可以緩解淡水緊缺問題。當今的城市污水廠主要采用的是活性污泥法去處理污水中的污染物。活性污泥法是一個具有非線性時變的復雜生化反應過程，當今的污水處理廠，廣泛應用pid控制來控制污水中的組分濃度，從而控制反應進程。
2、活性污泥法需要通過微生物的有氧和厭氧反應降解污水中的各種污染物。但是，過高濃度的硝態氮濃度會造成水體富營養化，富營養化的水體會消耗水中的溶解氧，若不及時處理，水中好氧生物就會因含氧量少而失活，間接加重水體污染，為了保持有氧反應，需要使用鼓風機等在好氧反應區曝氣。同時，過高的溶解氧會影響厭氧區的反應導致影響厭氧分區的硝態氮濃度，為了維持厭氧反應，需要利用回流泵等維持厭氧分區的硝態氮濃度。為了使污水排放達標，鼓風機和回流泵等高耗能設備經常需要高負荷工作，這使得大部分污水處理廠具有較高的能耗水平。
3、因此，如何實現溶解氧及硝態氮濃度的控制并有效降低能耗，達到污水排放達標及能耗降至最低平衡的目的，是本領域技術人員亟待解決的課題。
技術實現思路
1、為了解決上述技術問題，本專利技術提供了一種污水處理優化控制方法、系統、電子設備及存儲介質，有效降低能耗的同時，保證了污水排放的達標，可以提高
2、第一方面，該專利技術提供一種污水處理優化控制方法，包括：
3、采用simulink搭建污水處理過程的bsm1模型；
4、基于所述bsm1模型抓取污水仿真數據，并使用elman神經網絡訓練得到污水處理過程的參數預測模型；
5、采用預制imogwo算法優化所述參數預測模型；
6、根據優化后的所述參數預測模型得到目標控制參數的預測值，其中所述目標控制參數包括溶解氧參數及硝態氮參數；
7、基于步進式模糊pid方法控制所述預測值以使優化控制污水處理過程。
8、較佳地，所述采用simulink搭建污水處理過程的bsm1模型的步驟具體包括：
9、基于污水的入水數據及性能評價指標構建與之對應的數學模型；
10、求解所述數據模型得到與之對應的方程式；
11、根據所述方程式繪制與其對應的方塊圖；
12、在simulink中搭建所述方框圖以形成污水處理過程的bsm1模型。
13、較佳地，所述基于所述bsm1模型抓取污水仿真數據，并使用elman神經網絡訓練得到污水處理過程的參數預測模型的步驟具體包括：
14、基于污水歷史數據通過所述bsm1模型抓取污水仿真數據；
15、根據預測控制優化目標針對所述污水仿真數據進行約束處理；
16、采用elman神經網絡訓練約束后的所述污水仿真數據得到污水處理過程的參數預測模型。
17、較佳地，所述采用預制imogwo算法優化所述參數預測模型的步驟具體包括：
18、基于標準imogwo算法進行參數的迭代優化獲取預制imogwo算法；
19、采用所述預制imogwo算法滾動優化所述參數預測模型；
20、根據相鄰時刻的預測值及對應值的誤差反饋校正所述參數預測模型。
21、較佳地，所述獲取預制imogwo算法的步驟具體包括：
22、在標準imogwo算法中設置優化變量參數，并初始化種群，在可行域內隨機產生若干個個體；
23、計算若干個所述個體所對應的目標值；
24、確定所述個體間的支配關系，并將所有的非支配個體分組后獲取所述非支配個體所在網格的索引與子索引；
25、基于所述索引及其對應的子索引進行迭代處理，直至達到最大迭代次數，并輸出所述非支配個體的解集；
26、從所述解集中提取最優解及與其對應的目標函數值以使改進標準imogwo算法獲取預制imogwo算法。
27、較佳地，所述基于步進式模糊pid方法控制所述預測值以使優化控制污水處理過程的步驟具體包括：
28、基于目標控制參數的設定值處理所述預測值，并將處理的結果作為模糊pid控制對應的實際設定值；
29、采用量化處理公式處理所述實際設定值得到pid參數的量化因子；
30、基于所述量化因子進行模糊推理得到模糊處理結果；
31、采用最大隸屬度法將模糊處理結果轉為精確量以在線自整定pid參數；
32、根據自整定后的pid參數控制預測值以使優化控制污水處理過程。。
33、較佳地，所述量化處理公式具體為：
34、sf＝frmax-frmin/trmax-trmin；
35、式中：sf為模糊控制器輸入輸出量的量化因子，frmax與frmin分別為各變量的真實論域的上下限，trmax與trmin分別為各變量的模糊論域的上下限。
36、第二方面，一種污水處理優化控制系統，包括：
37、搭建模塊，用于采用simulink搭建污水處理過程的bsm1模型；
38、訓練模塊，用于基于所述bsm1模型抓取污水仿真數據，并使用elman神經網絡訓練得到污水處理過程的參數預測模型；
39、優化模塊，用于采用預制imogwo算法優化所述參數預測模型；
40、預測模塊，用于根據優化后的所述參數預測模型得到目標控制參數的預測值；
41、控制模塊，用于基于步進式模糊pid方法控制所述預測值以使優化控制污水處理過程。
42、較佳地，所述搭建模塊具體包括：
43、構建單元，用于基于污水的入水數據及性能評價指標構建與之對應的數學模型；
44、求解單元，用于求解所述數據模型得到與之對應的方程式；
45、繪制單元，用于根據所述方程式繪制與其對應的方塊圖；
46、搭建單元，用于在simulink中搭建所述方框圖以形成污水處理過程的bsm1模型。
47、較佳地，所述訓練模塊具體包括：
48、抓取單元，用于基于污水歷史數據通過所述bsm1模型抓取污水仿真數據；
49、約束單元，用于根據預測控制優化目標針對所述污水仿真數據進行約束處理；
50、訓練單元，用于采用elman神經網絡訓練約束后的所述污水仿真數據得到污水處理過程的參數預測模型。
51、較佳地，所述優化模塊具體包括：
52、迭代單元，用于基于標準imogwo算法進行參數的迭代優化獲取預制imogwo算法；
53、優化單元，用于采用所述預制imogwo算法滾動優化所述參數預測模型；
54、校正單元，用于根據相鄰時刻的預測值及對應值的本文檔來自技高網...
【技術保護點】
1.一種污水處理優化控制方法，其特征在于，包括：
2.根據權利要求1所述的污水處理優化控制方法，其特征在于，所述采用Simulink搭建污水處理過程的BSM1模型的步驟具體包括：
3.根據權利要求1所述的污水處理優化控制方法，其特征在于，所述基于所述BSM1模型抓取污水仿真數據，并使用Elman神經網絡訓練得到污水處理過程的參數預測模型的步驟具體包括：
4.根據權利要求1所述的污水處理優化控制方法，其特征在于，所述采用預制IMOGWO算法優化所述參數預測模型的步驟具體包括：
5.根據權利要求4所述的污水處理優化控制方法，其特征在于，所述獲取預制IMOGWO算法的步驟具體包括：
6.根據權利要求1所述的污水處理優化控制方法，其特征在于，所述基于步進式模糊PID方法控制所述預測值以使優化控制污水處理過程的步驟具體包括：
7.根據權利要求1所述的污水處理優化控制方法，其特征在于，所述量化處理公式具體為：
8.一種污水處理優化控制系統，其特征在于，包括：
9.一種電子設備，包括存儲器、處理器以
10.一種存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執行時實現如權利要求1至7中任一項所述的污水處理優化控制方法。
...【技術特征摘要】
1.一種污水處理優化控制方法，其特征在于，包括：
2.根據權利要求1所述的污水處理優化控制方法，其特征在于，所述采用simulink搭建污水處理過程的bsm1模型的步驟具體包括：
3.根據權利要求1所述的污水處理優化控制方法，其特征在于，所述基于所述bsm1模型抓取污水仿真數據，并使用elman神經網絡訓練得到污水處理過程的參數預測模型的步驟具體包括：
4.根據權利要求1所述的污水處理優化控制方法，其特征在于，所述采用預制imogwo算法優化所述參數預測模型的步驟具體包括：
5.根據權利要求4所述的污水處理優化控制方法，其特征在于，所述獲取預制imogwo算法的步驟具體包括：
6...
【專利技術屬性】
技術研發人員：劉曉峰，徐琦勇，江子恒，程文華，
申請(專利權)人：江西源春環保科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。