随着社会经济的快速发展,污水排放量相应增加,给污水处理厂带来了越来越大的业务压力.为满足可持续发展的需要,污水处理厂的污染物排放标准也相应提高.在这种情况下,许多污水处理厂为确保出水达标,采用过量加药和过量曝气的方式运行,导致了不必要的能源和物料浪费.为了实现稳定达标和节能降耗的目标,需要有效的优化管理和决策机制来合理配置能源和物料资源.然而,污水处理是一个典型的非线性、多变量、强耦合系统,具有高度复杂性和时变性,其优化运行管理面临诸多困难和挑战.基于机理模型的管理模式依赖于物理过程和生化反应模拟,参数繁多、操作复杂,难以应对污水处理场景的时变性,因而难以实现及时、准确的优化运行管理.近年来,深度神经网络等先进的计算技术为克服一些工业问题提供了数据驱动的解决方案,它们从统计学习的角度出发,从海量数据中挖掘潜在规律.为此,本文利用数据驱动的思路,构建混合式神经网络模型,对污水处理厂进水水质水量、出水水质水量进行预测,为污水处理工艺的达标运行提供决策依据,并在达标排放的前提下,对特定的污水处理系统进行优化,减少能耗和物耗.本文的主要工作具体如下:
　　第一,构建了多源数据采集与基础数据库.数据库包括关联性数据库及污水处理厂原始数据库.基于城市污水来源分析,将污水处理业务量的影响因素分为三个主要方面:经济、人口、天气,并从三个主要模块中提取各种小因素数据成立关联性数据库.污水处理厂原始数据库包括进水流量、进水水质、出水水质及能耗量、物耗量等.
　　第二,建立了一种新的预测污水业务量的灰色关联分析—卷积神经网络—长短期记忆网络(GRA-CNN-LSTM)模型.通过关联性数据,对污水处理厂的业务量进行预测,包括进水水量、进水水质.CNN-LSTM是建立各因素与污水业务量关系的模型,利用GRA对弱相关性的数据进行筛选,可提高CNN-LSTM模型的运行效率.实验结果表明,GRA-CNN-LSTM模型优于BP、MLR等其他几种常见模型,预测精度高达99%.
　　第三,建立了一种基于深度神经网络的混合主成分分析—反向传播神经网络(PCA-BPNN)模型.它是由来自污水处理厂的大量真实历史数据训练出来的,可以用来预测污水出水水质参数.利用PCA方法对原始数据进行主成分分析,通过BPNN模型预测,并评估了PCA-BPNN模型在真实数据集上的效率和稳定性.引入遗传算法优化多目标出水参数下的能源和物料消耗,并建立优化方案.基于两座不同工艺类型的污水处理厂的历史数据,各筛选10种典型的进水工况,通过反馈调节和迭代对其进行优化,优化后的结果与原始数据进行对比,发现总能源和物料成本均有不同程度的降低,其中电量最高降低23%,材料最高降低60%.最后通过最优值及污水处理厂内部设备状况提出具体的优化运行方案.
　　本文通过建立多源数据采集与基础数据库,构建了基于灰色关联系数的预测系统,建立了基于关联性数据的污水处理厂进水水质水量预测方法.融合污水处理过程模拟的深度神经网络模型和遗传算法,构造了优化决策系统,探索了在保证出水水质达标的前提下,降低能源、物料消耗的优化运行策略.本文提出的节能降耗管理方法不仅是污水处理优化运行管理的一种新的解决方案,而且有利于经济和社会的发展.