9-周爱姣-智适应学习碳源智能投加模型构建与实践.pdf

1、 华中科技大学 周爱姣 电 话：13607137809 email ：目 录1.研究背景与目的2.模型构建3.模型特点4.工程实践5.思考与展望目 录1.研究背景与目的2.模型构建3.模型特点4.工程实践5.思考与展望1.1 行业背景推 动 智 能 化 可 持 续 发 展产业数字化智能化赋能大数据-信息化的不断深入及发展，积累了大量业务数据，需要突出对海量数据处理、管理及深入挖掘分析，辅助管理人员决策，真正做到数字化转型赋能。人工智能-具有自学习、推理、判断和自适应能力，在经验学习、优化决策等方面，人工智能在日常生产管理工作中能够发挥重要作用，为生产运营管理带来更多的改变。模式识别与智能系统-

2、以信息处理与模式识别的理论技术为核心，以数学方法与计算机为主要工具，研究对各种生产、工艺、设备及加药数据信息进行处理、分类和理解，是针对多种复杂性（如不确定性、非线性、参数时变、时滞等）融合条件下的非良定对象的知识模型集成与智能优化控制策略和实现方法。响 应 国 家 节 能 减 排 号 召减 排 任 务 推 进 落 实社会发展-国务院关于深入推进新型城镇化建设的若干意见中指出，智慧污水厂在智慧城市建设中的重要性将逐步提升，污水处理改造升级成为必然趋势。节能降耗-国务院“十四五”节能减排综合工作方案中提出，健全污染物排放总量控制制度。坚持精准治污、科学治污、依法治污，把污染物排放总量控制制度作为

3、加快绿色低碳发展、推动结构优化调整、提升环境治理水平的重要手，推进实施重点减排工程。水务规模-据国家统计局数据，2022年，水务行业规模以上企业数量达3200家以上，水务行业投资规模年突破9300亿元，且投资主要集中在水环境领域。1.2 投药现状传统的经验投药模式：磨人、耗药、费时迫切需要一种全新的方法来解决传统投药模式的问题当前水处理加药大多还是在依赖“人”l 传感器有限（量/质）l 药剂有效成分难掌握、投加损耗多l 加药设备运行状态单一l 数据信息有延迟l 管理方式靠经验1.3 智能投药目的智能投药目的：安全可靠（省心）、降本增效（省药）、智慧运行（省时）智适应智学习碳源智能投加l 传感器

4、有限（量/质）：人工经验智学习l 药剂有效成分难掌握、投加损耗多：趋势智适应l 加药设备运行状态单一：加药指令智能秒变/分变l 数据信息有延迟：时延智适应l 管理方式靠经验：管理靠数据目 录1.研究背景2.模型构建3.模型特点4.工程实践5.思考与展望2.1 模型数据采集l 数据来自某污水处理厂，其设计规模为15万吨/日，出水执行一级A标准。l 污水厂现有231个数据点位，其中直接从现场采集的有150个，经过数据处理计算得到的有81个。l 收集三年的水质报表的基础上，获取数据约41G，分为进水、出水、加药、过程仪表、看板指标5大类型。2.2 模型数据处理l 数据筛选 剔除样本数据中异常值，包括

5、过大、过小、异常增加、异常减少的值，保证所有的数据符合水厂运行的基本逻辑。l 数据增殖 梳理数据特征，选择合适的数据维度，使用贝塞尔插值法对样本进行数据增殖，生成满足要求的大量样本数据。l 数据归一化 原始数据数值相差巨大，重要指标容易被忽略，计算合理性难保证，归一化处理保证数据被缩放到（0,1）范围。快速筛选真实样本，保证数据有效合理渐变增殖样本集合，保证模型运算频次归一处理特征指标，保证模型训练速度2.3 模型结构2.4 算法比选比较了决策规则和特征权重比较直观的6种算法，可以通过可视化的方式来解释模型的决策过程。lK-近邻算法（KNN）l轻量级梯度提升机（LightGBM）l全连接神经网

6、络算法（FCNN）l双向循环神经网络算法（BIRNN）l长短期记忆神经网络算法（LSTM）lBP神经网络算法（BPNN）2.4 算法比选算法训练：l BPNN算法的标准差、平均绝对误差（MAE）、均方误差（MSE）、损失（Smooth L1）相对更低，表明其预测准确率良好，学习效果优，能够更精准的预测投碳量。l BIRNN的标准差最低，其他评价指标也不错，还需要进行其他方面的对比，才能决定选择哪个算法作为预测算法。算法名称KNNLightGBMFCNNBIRNNLSTMBPNN标准差339.7914 895.0659 171.9842 89.3298 489.1982 106.5655 MAE