基于神经网络的污水处理自适应控制方法初探.docx资源-CSDN文库

版权申诉

103 浏览量 2023-02-22 21:47:40 上传评论收藏 10KB DOCX 举报

资源推荐

资源详情

资源评论

基于神经网络的污水处理自适应控制方法初探

污水处理工艺繁多,如何实现出水稳定达标是所有污水处理系统的共性难题。

究其原因在于污水进水水量与水质波动大、污水处理生化过程复杂、目前在线水

质检测技术水平有限以及对人为干预的过分依赖。针对上述问题,污水处理研究

人员构建了专家系统、机理模型与数据驱动模型以期支持污水处理厂的故障诊断、

实时控制与性能提升进而实现系统稳定高效运行。

但是,上述模型的有效应用离不开对受控工艺的深刻理解或检测数据的长期

积累。针对该限制,本文构建 Deep Q-Network(DQN)强化学习模型以期实现污水

处理的自适应控制,即无需理解工艺原理及积累大量人为标记的训练样本即可完

成对污水处理过程的稳定控制。考虑到系统进水水量、水质波动也会对实际污水

处理系统状态产生重要影响,又在 DQN前端辅之 GRU(Gated Recurrent Unit)循

环神经网络模型以期对污水进水负荷的准确预测进而降低进水扰动对自适应控

制的影响,主要研究结果如下:(1)基于 Python 语言搭建了 BSM1(Benchmark

Simulation Model NO.1)基准仿真平台。

通过 Python语言将活性污泥 1 号机理模型(Activated Sludge Model

No.1,ASM1)中的生化反应过程、模型变量、计量学参数、动力学参数与 BSM1基

准仿真平台内的生化池、沉淀池模型内部的物料守恒关系汇编成可运行的脚本程

序,完成 BSM1基准仿真平台的搭建,为后续 DQN强化学习模型的仿真实验提供基

础条件,亦为其他相关研究人员提供便捷。(2)构建了 GRU循环神经网络模型,实

现对污水进水水量与负荷的准确预测。通过第三方模块 Keras设计并训练 GRU

循环神经网络,将其与传统时间序列分析方法在 BSM1基准仿真平台进水及某垃

圾填埋场渗滤液产量预测上进行比较。

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余1页未读，立即下载

内容反馈

版权申诉

我是你的春哥！

粉丝: 1w+
资源: 1万+

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip