一种基于深度学习算法模型的精准曝气的实现方法技术

本发明专利技术公开了一种基于深度学习算法模型的精准曝气的实现方法，包括以下步骤：S1、采集多组废水流量数据、废水中溶解氧浓度数据、曝气器工作时间数据、曝气器工作功率数据、曝气后溶解氧浓度数据；S2、建立深度学习算法模型，所述深度学习算法模型包括训练集和测试集；S3、通过深度学习算法模型计算出最佳的曝气器工作功率数据。本发明专利技术通过利用深度学习算法模型来求出最佳曝气器工作功率，保证了在达到废水中溶解氧浓度要求的同时得到最低的曝气器工作能耗，从而降低了废水处理成本。

【技术实现步骤摘要】
一种基于深度学习算法模型的精准曝气的实现方法
本专利技术涉及废水处理领域，尤其涉及一种基于深度学习算法模型的精准曝气的实现方法。
技术介绍
溶解氧是废水好氧生物处理系统运行的关键因素，供氧总量直接决定废水处理成本，溶解氧浓度水平过低，使活性污泥活性降低，抑制生物对有机物的降解，产生污泥膨胀；溶解氧过高会加速消耗废水中的有机物，使微生物因缺乏营养而引起活性污泥的老化，长期过高的溶解氧会降低活性污泥的絮凝性能和吸附能力，增加能耗，导致悬浮固体沉降性变差。因此，溶解氧的控制非常重要。在废水处理时，一般通过曝气器进行曝气操作来实现对废水中溶解氧的浓度进行控制，但是，曝气器在不同的工作功率下其曝气量均不相同，其如果使用过高的功率进行曝气操作，不仅能耗过高，还会导致废水中的溶解氧浓度过高，增大了废水处理成本的同时无法满足废水处理的要求；因此，如何可以在达到溶解氧浓度要求的同时降低曝气器的工作能耗是废水处理过程中亟需解决的问题。
技术实现思路
本专利技术目的是针对上述问题，提供一种降低能耗的基于深度学习算法模型的精准曝气的实现方法。为了实现上述目的，本专利技术的技术方案是：一种基于深度学习算法模型的精准曝气的实现方法，包括以下步骤：S1、采集多组废水流量数据、废水中溶解氧浓度数据、曝气器工作时间数据、曝气器工作功率数据、曝气后溶解氧浓度数据；S2、建立深度学习算法模型，所述深度学习算法模型包括训练集和测试集；S21、将采集的多组废水流量数据、废水中溶解氧浓度数据、曝气器工作时间数据、曝气器工作功率数据、曝气后溶解氧浓度数据按比例划分到训练集和测试集中；S22、以废水流量数据、废水中溶解氧浓度数据、曝气器工作时间数据、曝气后溶解氧浓度数据为输入项，以曝气器工作功率数据为输出项，计算出初步控制函数，得到初步的深度学习算法模型；S23、将测试集中的废水流量数据、废水中溶解氧浓度数据、曝气器工作时间数据、曝气后溶解氧浓度数据代入初步的深度学习算法模型中，将其输出结果与测试集中的曝气器工作功率数据进行对比，得到对比结果；S24、根据对比结果对初步控制函数进行修正，得到最终控制函数，通过最终控制函数得到最终的深度学习算法模型；S3、通过深度学习算法模型计算出最佳的曝气器工作功率数据。进一步的，所述步骤S21中将多组废水流量数据、废水中溶解氧浓度数据、曝气器工作时间数据、曝气器工作功率数据、曝气后溶解氧浓度数据按比例划分时，将80%的废水流量数据、废水中溶解氧浓度数据、曝气器工作时间数据、曝气器工作功率数据、曝气后溶解氧浓度数据划分到训练集中，将20%的废水流量数据、废水中溶解氧浓度数据、曝气器工作时间数据、曝气器工作功率数据、曝气后溶解氧浓度数据划分到测试集中。与现有技术相比，本专利技术具有的优点和积极效果是：本专利技术通过利用深度学习算法模型来求出最佳曝气器工作功率，保证了在达到废水中溶解氧浓度要求的同时得到最低的曝气器工作能耗，从而降低了废水处理成本，并且其通过采用将深度学习算法模型设计为训练集和测试集，通过测试集来对初步的深度学习算法模型进行修正的设计，使得得到的最终深度学习算法模型误差更小，提高了深度学习算法模型的准确率，给废水处理工作作出了一定的贡献。具体实施方式下面将结合本专利技术的实施例，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，所作的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。本实施例公开了一种基于深度学习算法模型的精准曝气的实现方法，包括以下步骤：S1、采集多组废水流量数据、废水中溶解氧浓度数据、曝气器工作时间数据、曝气器工作功率数据、曝气后溶解氧浓度数据；S2、建立深度学习算法模型，所述深度学习算法模型包括训练集和测试集；S21、将采集的多组废水流量数据、废水中溶解氧浓度数据、曝气器工作时间数据、曝气器工作功率数据、曝气后溶解氧浓度数据按比例划分到训练集和测试集中；按比例划分时，将80%的废水流量数据、废水中溶解氧浓度数据、曝气器工作时间数据、曝气器工作功率数据、曝气后溶解氧浓度数据划分到训练集中，将20%的废水流量数据、废水中溶解氧浓度数据、曝气器工作时间数据、曝气器工作功率数据、曝气后溶解氧浓度数据划分到测试集中；S22、以废水流量数据、废水中溶解氧浓度数据、曝气器工作时间数据、曝气后溶解氧浓度数据为输入项，以曝气器工作功率数据为输出项，计算出初步控制函数，得到初步的深度学习算法模型；S23、将测试集中的废水流量数据、废水中溶解氧浓度数据、曝气器工作时间数据、曝气后溶解氧浓度数据代入初步的深度学习算法模型中，将其输出结果与测试集中的曝气器工作功率数据进行对比，得到对比结果；S24、根据对比结果对初步控制函数进行修正，得到最终控制函数，通过最终控制函数得到最终的深度学习算法模型；S3、通过深度学习算法模型计算出最佳的曝气器工作功率数据。本专利技术通过利用深度学习算法模型来求出最佳曝气器工作功率，保证了在达到废水中溶解氧浓度要求的同时得到最低的曝气器工作能耗，从而降低了废水处理成本，并且其通过采用将深度学习算法模型设计为训练集和测试集，通过测试集来对初步的深度学习算法模型进行修正的设计，使得得到的最终深度学习算法模型误差更小，提高了深度学习算法模型的准确率，给废水处理工作作出了一定的贡献。本文档来自技高网...

【技术保护点】
1.一种基于深度学习算法模型的精准曝气的实现方法，其特征在于：包括以下步骤：/nS1、采集多组废水流量数据、废水中溶解氧浓度数据、曝气器工作时间数据、曝气器工作功率数据、曝气后溶解氧浓度数据；/nS2、建立深度学习算法模型，所述深度学习算法模型包括训练集和测试集；/nS21、将采集的多组废水流量数据、废水中溶解氧浓度数据、曝气器工作时间数据、曝气器工作功率数据、曝气后溶解氧浓度数据按比例划分到训练集和测试集中；/nS22、以废水流量数据、废水中溶解氧浓度数据、曝气器工作时间数据、曝气后溶解氧浓度数据为输入项，以曝气器工作功率数据为输出项，计算出初步控制函数，得到初步的深度学习算法模型；/nS23、将测试集中的废水流量数据、废水中溶解氧浓度数据、曝气器工作时间数据、曝气后溶解氧浓度数据代入初步的深度学习算法模型中，将其输出结果与测试集中的曝气器工作功率数据进行对比，得到对比结果；/nS24、根据对比结果对初步控制函数进行修正，得到最终控制函数，通过最终控制函数得到最终的深度学习算法模型；/nS3、通过深度学习算法模型计算出最佳的曝气器工作功率数据。/n

【技术特征摘要】
1.一种基于深度学习算法模型的精准曝气的实现方法，其特征在于：包括以下步骤：
S1、采集多组废水流量数据、废水中溶解氧浓度数据、曝气器工作时间数据、曝气器工作功率数据、曝气后溶解氧浓度数据；
S2、建立深度学习算法模型，所述深度学习算法模型包括训练集和测试集；
S21、将采集的多组废水流量数据、废水中溶解氧浓度数据、曝气器工作时间数据、曝气器工作功率数据、曝气后溶解氧浓度数据按比例划分到训练集和测试集中；
S22、以废水流量数据、废水中溶解氧浓度数据、曝气器工作时间数据、曝气后溶解氧浓度数据为输入项，以曝气器工作功率数据为输出项，计算出初步控制函数，得到初步的深度学习算法模型；
S23、将测试集中的废水流量数据、废水中溶解氧浓度数据、曝气器工作时间数据、曝气后溶解氧浓度数据代入初步的深度学习算...

【专利技术属性】
技术研发人员：吴奇锋，王燕，王明，高振宇，
申请(专利权)人：埃睿迪信息技术北京有限公司，
类型：发明
国别省市：北京;11