论文部分内容阅读
污水处理厂是重要的城市基础设施,也是控制水体污染、改善城市水环境质量的重要手段。污水处理厂的进水水质状况是污水厂设计的重要依据,进水水质的波动会导致污水处理工艺难以稳定在设计工况运行,不仅影响处理效果,而且还使设备长期偏离高效工作状态,增加能耗损失。据统计,全国每年污水处理厂消耗的总电能约100×108kW·h,电耗费用约占运营费用的60%-80%,高电耗制约着污水处理行业的发展。系统了解污水处理厂处理效果,根据进水水质状况,采取实时测量和优化工艺参数的方式控制关键水质指标,对提高污水处理效率、降低运营电耗十分重要,有利于推动污水处理厂的节能减排和可持续发展。本文以清远某污水处理厂为研究对象,通过实地调查并采集污水处理厂进水水质指标和运行能耗等相关数据,利用MATLAB软件分析进水主要水质指标之间的关系,并采用软测量技术利用其它值预测氨氮值,及时、快捷、准确地了解水质情况,为污水处理厂的达标排放和高效管理提供帮助。根据污水处理厂的运营特点,利用神经网络建立氨氮和运营能耗预测模型,并采用遗传算法加以优化。主要研究成果如下:（1）该污水处理厂的主要耗能设备为风机和水泵,其总电耗在夏季较高,春冬季相对较低,而吨水电耗变化不大。污水处理厂进水量越接近设计处理能力,吨水电耗越低,处理效率越高。2016年污水处理厂的吨水电耗0.243kW·h/m3,年电耗约为1.9?106kW·h,单位COD电耗为3.9kW·h/kg。风机和水泵的能耗受污水厂水力负荷的影响大,研究污水厂能耗模型和选择模型的变量,需要考虑风机和泵的运行状态、作业时间以及水质状况等。（2）以实时获取的污水处理厂进水水质参数为基础,建立城镇污水NH3-N的软测量模型,分析NH3-N与pH、DO、COD三者之间的关联性,进一步在MATLAB软件上利用多元线性建模方法拟合NH3-N。将氨氮的实测值和软测量值进行比较,发现两者无显著性差异,表明所建立的回归模型等软测量方法可以有效拟合NH3-N,可利用pH、DO、COD指标获得较准确的NH3-N值。（3）论文突破类似研究所采用的低维变量的方式,尝试采用高维变量思想,将33维变量纳入输入变量体系中。输入变量包括:提升泵、回流泵、鼓风机的运行时间和频率、ORP、MLSS、好氧池DO、缺氧池DO、进水流量Q、COD、氨氮等。结果表明,高维变量可以有效拟合能耗。（4）采用BP神经网络预测能耗,并用遗传算法对BP神经网络进行优化。预测结果表明,神经网络适用于电耗的拟合计算,而通过与遗传算法的优化,平均误差降至0.0016,可以有效提高模拟预测的精度和可靠性。