[发明专利]一种基于深度学习的污水处理过程溶解氧控制方法及系统

说明书

本发明公开了一种基于深度学习的污水处理过程溶解氧控制方法，包括以下步骤：从历史数据中获取卷积神经网络CNN软测量建模输入变量和输出变量；利用迭代寻优方法获取CNN最佳隐含层节点数；根据获取的输入输出变量样本与最佳隐含层节点数构建CNN模型；通过adam算法对模型进行训练，并用Attention机制获取模型训练重要成分，得到训练后Attention‑CNN模型；利用训练后模型对PID控制器参数进行动态调整，并获得溶解氧控制结果；此外，本发明公开了基于上述控制方法的控制系统；本发明构建的复合控制器和系统能够快速、精准的控制污水处理过程中溶解氧浓度，提高污染物降解效率，为污水处理过程控制提供一种有效的方法和系统。

技术领域

本发明涉及污水处理过程控制的研究领域，特别涉及一种基于深度学习的污水处理过程溶解氧控制方法及系统。

背景技术

曝气过程，即向好氧池中通入空气或适当浓度的氧气，是污水处理中的重要过程，其能够促进好氧菌降解、转化污水中的有毒有害污染物质。好氧池中溶解氧浓度过高或过低都会影响污水处理效率。当溶解氧浓度过高时，会增加污水处理泵送能耗并且对微生物絮凝过程起到破坏作用；当溶解氧的浓度过低时，会导致污泥膨胀，甚至是生物处理效率大幅下降或完全失效，因此，精准且平稳地控制污水处理过程中的溶解氧浓度对污水处理效率至关重要。

PID控制作为经典工业控制方法，广泛适用于稳定的工业生产生活过程控制。而污水处理系统属于复杂的非线性系统，过程复杂多变，特别是水质波动较大时，控制器参数无法进行自适应调整优化，对污水处理过程中关键参数(如溶解氧)调控滞后、精确度低。因此，需要一种将深度学习模型与PID控制器结合起来的方法，利用深度学习来对PID控制器参数进行动态调整优化，实现对污水处理过程中溶解氧的快速、精准控制。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于深度学习的污水处理过程溶解氧控制方法及系统，基于活性污泥处理过程中的仿真基准1号(BSM1)模型中的PID控制器,充分利用卷积神经网络(CNN)的空间特征提取能力与注意力机制(Attention)中的重要成分获取能力,利用Attention-CNN模型来动态调整PID控制器的三个参数,创建基于Attention-CNN-PID的溶解氧复合控制器，对污水处理过程中的溶解氧浓度进行精准且平稳的控制，提高污水处理效率。

本发明的第一目的在于提供一种基于深度学习的污水处理过程溶解氧控制方法。

本发明的第二目的在于提供一种基于深度学习的污水处理过程溶解氧控制系统。

本发明的第一目的通过以下的技术方案实现：

一种基于深度学习的污水处理过程溶解氧控制方法，其特征在于，包括以下步骤：

通过PID控制器获取历史数据，从历史数据中确定卷积神经网络CNN软测量模型的输入变量和输出变量，其中所述输入变量包括输入变量为溶解氧实际值与期望值的误差e及误差变化率ec，输出变量为PID控制器的三个参数：P、 I、D；

利用迭代寻优方法获取CNN软测量模型的最佳隐含层节点数；

根据获取的输入变量和输出变量样本与最佳隐含层节点数构建卷积神经网络CNN软测量模型；

通过adam学习率算法对CNN软测量模型进行训练，并用Attention机制获取CNN软测量模型训练的重要成分，进而得到Attention-CNN模型，对 Attention-CNN模型进行训练，得到训练后的Attention-CNN模型；

通过训练后的Attention-CNN模型对PID控制器的P、I、D三个参数进行动态调整，并获得溶解氧控制结果。

进一步地，所述利用迭代寻优方法获取卷积神经网络的最佳隐含层节点数，具体为：