CN114819376A - 一种沉淀池泥量预测系统及方法 - Google Patents

Abstract

本发明提供一种沉淀池泥量预测系统及方法，涉及沉淀池排泥控制技术领域，包括：针对沉淀池的每个沉淀周期，分别获取非排泥时段的至少一组历史进水参数和对应的历史泥水界面高度，以及排泥时段结束后的总实际产泥量和对应的总泥水界面高度；根据各历史泥水界面高度、总实际产泥量和总泥水界面高度处理得到在历史进水参数对应的实时实际产泥量；训练得到以实时进水参数作为输入，以对应的实时实际产泥量作为输出的泥量预测模型；获取沉淀池在非排泥时段的一组实时进水参数，并将实时进水参数输入泥量预测模型中，以得到沉淀池的泥量预测结果。有益效果是能够有效预测沉淀池的实时产泥量；能够实现泥量预测模型的自适应训练及修正。

Description

一种沉淀池泥量预测系统及方法

技术领域

本发明涉及沉淀池排泥控制技术领域，尤其涉及一种沉淀池泥量预测系统及方法。

背景技术

在水处理厂中，絮凝沉淀是为了去除水中杂质的重要环节之一，其结构根据工艺需求略有不同。因此，正确对沉淀池进行维护和管理尤为重要。其中，正确进行沉淀池排泥操作，提高排泥效果，对提高沉淀池的清洁度，充分发挥沉淀功能至关重要。

理论上，沉淀池可以根据实时产泥量精确控制排泥过程，进而提高排泥效果，但目前由于缺乏实时检测或预测实时产泥量的方式，水处理厂中沉淀池的排泥过程主要是在下列的条件下开始：沉淀池工作时间超过设定值；或沉后浊度高于设定值；或上位机强制排泥。但这些设定值通常都是根据经验确定，缺乏科学的指导，有很大的随意性。由于经验确定的排泥相关参数设置往往不合理，排泥周期过短、排泥时长过大会造成不必要的能源浪费和成本损失；反之，则不能保证出厂水水质稳定达标。

因此，亟需一种能够预测沉淀池实时产泥量的技术方案，以解决现有依据经验存在的上述技术问题。

发明内容

针对现有技术中存在的问题，本发明提供一种沉淀池泥量预测系统，包括：

数据采集模块，用于持续监测一沉淀池的非排泥时段和排泥时段，将单个所述非排泥时段及其对应的所述排泥时段作为一个沉淀周期，并针对每个所述沉淀周期，分别获取所述沉淀池在所述非排泥时段的至少一组历史进水参数和对应的历史泥水界面高度，以及所述排泥时段结束后的总实际产泥量和对应的总泥水界面高度；

数据处理模块，连接所述数据采集模块，用于根据各所述历史泥水界面高度、所述总实际产泥量和所述总泥水界面高度处理得到在所述历史进水参数的采集时刻与上一采集时刻之间的时段所述沉淀池的实时实际产泥量；

模型训练模块，分别连接所述数据采集模块和所述数据处理模块，用于将各所述实时进水参数和对应的所述实时实际产泥量加入一样本集，并根据所述样本集中训练得到以所述实时进水参数作为输入，以对应的所述实时实际产泥量作为输出的一泥量预测模型；

泥量预测模块，分别连接所述数据采集模块和所述模型训练模块，用于获取所述沉淀池在所述非排泥时段的一组实时进水参数，并将所述实时进水参数输入所述泥量预测模型中，以得到所述沉淀池当前的预测产泥量作为所述沉淀池的泥量预测结果。

优选的，所述历史进水参数包括进水流量、进水浊度、PH值、温度和投药量。

优选的，所述实时实际产泥量的计算公式如下：

S_p＝(H-H′)/H_总*S_总

其中，S_p用于表示所述历史进水参数当前的采集时刻对应的所述实时实际产泥量；H用于表示当前的采集时刻对应的所述历史泥水界面高度；H′用于表示当前的采集时刻的上一采集时刻的所述历史泥水界面高度；H_总用于表示所述总泥水界面高度；S_总用于表示所述总实际产泥量。

优选的，所述泥量预测模型为BP神经网络模型，且在模型训练过程中，选用S型传递函数并通过反传误差函数调整所述BP神经网络模型的网络权值及阈值。

优选的，所述BP神经网络模型包括依次连接的输入层、隐层和输出层，所述隐层的神经元的激励函数为S型正切函数，所述输出层的神经元的激励函数为S型对数函数。

优选的，还包括一模型修正模块，分别连接所述数据采集模块、数据处理模块、所述模型训练模块和所述泥量预测模块，所述模型修正模块包括：

数据获取单元，用于获取所述沉淀池在每个所述沉淀周期的整个所述非排泥时段的各所述实时进水参数对应的所述泥量预测结果以及在相同所述沉淀周期内的所述排泥时段结束后的所述总实际产泥量；

第一处理单元，连接所述数据获取单元，用于将各所述泥量预测结果累计相加得到每个所述沉淀周期的整个所述非排泥阶段的总预测泥量，并处理得到所述总预测泥量与相同所述沉淀周期对应的所述总实际产泥量之间的比值；

数据提取单元，连接所述第一处理单元，用于在所述比值不在预设的一标准比值范围内时，提取所述比值对应的所述总预测泥量关联的各所述实时进水参数；

第二处理单元，连接所述数据提取单元，用于获取提取的各所述实时进水参数对应的所述实时实际产泥量并作为新增样本加入所述样本集中，以对所述样本集进行更新；

第三处理单元，连接所述第二处理单元，用于统计所述新增样本在更新后的所述样本集中的样本占比，并在所述样本占比达到一预设值时生成一修正信号；

所述模型训练模块根据所述修正信号以及更新后的所述样本集重新训练所述泥量预测模型。

优选的，所述模型修正模块还包括一设置端口，连接所述数据提取单元，用于接收外部的调整指令对所述标准比值范围进行更新。

本发明还提供一种沉淀池泥量预测方法，应用于上述的沉淀池泥量预测系统，所述沉淀池泥量预测方法包括：

步骤S1，持续监测一沉淀池的非排泥时段和排泥时段，将单个所述非排泥时段及其对应的所述排泥时段作为一个沉淀周期，并针对每个所述沉淀周期，分别获取所述沉淀池在所述非排泥时段的至少一组历史进水参数和对应的历史泥水界面高度，以及所述排泥时段结束后的总实际产泥量和对应的总泥水界面高度；

步骤S2，根据各所述历史泥水界面高度、所述总实际产泥量和所述总泥水界面高度处理得到在所述历史进水参数的采集时刻与上一采集时刻之间的时段所述沉淀池的实时实际产泥量；

步骤S3，将各所述实时进水参数和对应的所述实时实际产泥量加入一样本集，并根据所述样本集中训练得到以所述实时进水参数作为输入，以对应的所述实时实际产泥量作为输出的一泥量预测模型；

步骤S4，获取所述沉淀池在所述非排泥时段的一组实时进水参数，并将所述实时进水参数输入所述泥量预测模型中，以得到所述沉淀池当前的预测产泥量作为所述沉淀池的泥量预测结果。

优选的，所述历史进水参数包括进水流量、进水浊度、PH值、温度和投药量。

优选的，执行所述步骤S4之后还包括一模型修正过程，包括：

步骤A1，获取所述沉淀池在每个所述沉淀周期的整个所述非排泥时段的各所述实时进水参数对应的所述泥量预测结果以及在相同所述沉淀周期内的所述排泥时段结束后的所述总实际产泥量；

步骤A2，将各所述泥量预测结果累计相加得到每个所述沉淀周期的整个所述非排泥阶段的总预测泥量，并处理得到所述总预测泥量与相同所述沉淀周期对应的所述总实际产泥量之间的比值；

步骤A3，判断所述比值是否在预设的一标准比值范围内：

若否，则提取所述比值对应的所述总预测泥量关联的各所述实时进水参数，随后转向步骤A4；

若是，则返回所述步骤A2；

步骤A4，获取提取的各所述实时进水参数对应的所述实时实际产泥量并作为新增样本加入所述样本集中，以对所述样本集进行更新；

步骤A5，统计所述新增样本在更新后的所述样本集中的样本占比，并在所述样本占比达到一预设值时生成一修正信号；

所述步骤S4中，根据所述修正信号以及更新后的所述样本集重新训练所述泥量预测模型。

上述技术方案具有如下优点或有益效果：

1)能够有效预测沉淀池的实时产泥量，进而为排泥过程的优化控制提供有效的数据支撑，辅助实现水厂排泥环节的精细化控制，减少人工操作强度；

2)能够实现泥量预测模型的自适应训练及修正，以持续提升泥量预测模型的预测准确性。

附图说明

图1为本发明的较佳的实施例中，一种沉淀池泥量预测系统的结构示意图；

图2为本发明的较佳的实施例中，一种沉淀池泥量预测方法的流程示意图；

图3为本发明的较佳的实施例中，模型修正过程的流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本发明并不限定于该实施方式，只要符合本发明的主旨，则其他实施方式也可以属于本发明的范畴。

本发明的较佳的实施例中，基于现有技术中存在的上述问题，现提供一种沉淀池泥量预测系统，如图1所示，包括：

数据采集模块1，用于持续监测一沉淀池的非排泥时段和排泥时段，将单个非排泥时段及其对应的排泥时段作为一个沉淀周期，并针对每个沉淀周期，分别获取沉淀池在各沉淀周期中的非排泥时段的至少一组历史进水参数和对应的历史泥水界面高度，以及排泥时段结束后的总实际产泥量和对应的总泥水界面高度；

数据处理模块2，连接数据采集模块1，用于根据各历史泥水界面高度、总实际产泥量和总泥水界面高度处理得到在历史进水参数的采集时刻与上一采集时刻之间的时段沉淀池的实时实际产泥量；

模型训练模块3，分别连接数据采集模块1和数据处理模块2，用于将各实时进水参数和对应的实时实际产泥量加入一样本集，并根据样本集中训练得到以实时进水参数作为输入，以对应的实时实际产泥量作为输出的一泥量预测模型；

泥量预测模块4，分别连接数据采集模块1和模型训练模块3，用于获取沉淀池在非排泥时段的一组实时进水参数，并将实时进水参数输入泥量预测模型中，以得到沉淀池当前的预测产泥量作为沉淀池的泥量预测结果。

具体地，本实施例中，基于沉淀池的工作原理，将其工作过程划分为沉淀阶段以及排泥阶段，其中，沉淀阶段是持续产泥的过程，而排泥阶段则是将其对应的沉淀阶段产出的泥进行排泥操作。一个沉淀阶段对应有相应的排泥阶段，因此，将沉淀池的单个非排泥时段及其对应的排泥时段作为一个沉淀周期处理，其中，非排泥时段用于表征上述沉淀阶段的持续时长，排泥时段用于表征上述排泥阶段的持续时长。

进一步地，将各沉淀周期作为监测对象，以获取模型训练的样本集，优选在沉淀池在各沉淀周期中的非排泥时段按照一定频率采集相应的历史进水参数，并在历史进水参数的采集时刻对应采集此时沉淀池的泥水界面高度作为历史泥水界面高度，即是，每组历史进水参数分别对应于一个历史泥水界面高度。

本发明的较佳的实施例中，历史进水参数包括进水流量、进水浊度、PH值、温度和投药量，优选的，历史进水参数还可以包括进水悬浮物浓度、进水氨氮浓度、耗氧量和色度中的一种或多种，更为优选的，可以将上述9种历史进水参数均作为历史进水参数。

优选的，针对每个沉淀周期，在非排泥时段采集上述各历史进水参数及对应的历史泥水界面高度后，还包括在开始排泥之前采集沉淀池此时的总泥水界面高度，以及在对应的排泥时段结束后统计总实际产泥量，进而基于各个历史泥水界面高度、总泥水界面高度以及总实际产泥量反推每组历史进水参数的采集时刻的实时实际产泥量。进一步优选的，数据采集模块1还用于在排泥时段实时采集沉淀池的沉淀口的悬浮物浓度，并在悬浮物浓度低于预设的阈值时，认为排泥时段结束，此时获取总实际产泥量。

本发明的较佳的实施例中，实时实际产泥量的计算公式如下：

S_p＝(H-H′)/H_总*S_总

其中，S_p用于表示历史进水参数当前的采集时刻对应的实时实际产泥量；H用于表示当前的采集时刻对应的历史泥水界面高度；H′用于表示当前的采集时刻的上一采集时刻的历史泥水界面高度；H_总用于表示总泥水界面高度；S_总用于表示总实际产泥量。

可以理解的是，该实时实际产泥量为历史进水参数的采集时刻与上一采集时刻之间的时段沉淀池的实时实际产泥量，举例来说，若在非排泥时段按照一定频率采集三次历史进水参数，则对应包括采集时刻一、采集时刻二和采集时刻三，其中，若采集时刻一是非排泥时段的开始时刻，则此时其对应的历史进水参数关联的实时实际产泥量即为零，若采集时刻一不是非排泥时段的开始时刻，则其对应的实时实际产泥量为非排泥时段的开始时刻至采集时刻一是沉淀池的产泥量，换言之，非排泥时段的开始时刻时采集时刻一的上一采集时刻，其对应的历史泥水界面高度理论上为零，也可以根据实际情况预先配置非排泥时段的开始时刻的历史泥水界面高度，用于在非排泥时段第一次采集历史进水参数时参与计算第一次采集的采集时刻对应的实时实际产泥量。在采集时刻二时，则其对应的实时实际产泥量为采集时刻一至采集时刻二之间时段的实际产泥量，其他以此类推，此处不再赘述。

在获取多个沉淀周期的多组历史进水参数和对应的实时实际产泥量时，将各组历史进水参数和对应的实时实际产泥量作为样本集中的训练样本，以训练得到能够预测沉淀池的实时产泥量的泥量预测模型，以供使用时，只需将采集到的实时进水参数输入该泥量预测模型即可预测得到对应的预测产泥量。

本发明的较佳的实施例中，泥量预测模型为BP神经网络模型，且在模型训练过程中，选用S型传递函数并通过反传误差函数调整BP神经网络模型的网络权值及阈值。

具体地，本实施例中，上述BP神经网络模型又称反向传播神经网络，通过样本数据的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出。它是一种应用较为广泛的神经网络模型，由输入层、隐层和输出层组成，隐层可以有一层或多层。该网络选用S型传递函数：f(x)＝1/(1+e^-x)(-x是幂数)通过反传误差函数：E＝∑_i(T_i+O_i)²/2(T_i为期望输出，O_i为网络的计算输出)，在训练过程中不断调节网络权值和阈值使误差函数E达到极小。

本发明的较佳的实施例中，BP神经网络模型包括依次连接的输入层、隐层和输出层，隐层的神经元的激励函数为S型正切函数，输出层的神经元的激励函数为S型对数函数。

具体地，本实施例中，考虑到模型的输入包含9个参数，输出为1个参数，可以将BP神经网络模型的输入层的神经元个数设计为9，将输出层的神经元个数设计为1。按照如下公式选取隐层的神经元个数：

l＝(n+m)^1/2+a

其中，l表示隐层的神经元个数，n表示输入层的神经元个数，m表示输出层的神经元个数，a为[1,10]之间的常数。

则根据上述公式可以计算出隐层的神经元个数为5-14个之间，本技术方案中选用隐层的神经元个数为7个。

在模型训练过程中，首先由样本集中选取一个学习样本，正向传播输入，随后计算模型的各层神经元输入和输出，进而计算输出误差，根据反向传播误差，调整连接权值和阈值，随后判断样本集中的学习样本是否用尽，若未用尽，则再次选取一个学习样本并重复上述过程，若用尽，则计算网络的平均误差，随后根据平均误差判断训练得到的模型的精度是否满足要求，若满足要求则输出训练得到的泥量预测模型，若不满足要求则判断迭代次数是否达到上限，若达到上限，则结束训练。若未达到上限，则再次选取一个学习样本并重复上述过程。

本发明的较佳的实施例中，还包括一模型修正模块5，分别连接数据采集模块1、数据处理模块2、模型训练模块3和泥量预测模块4，模型修正模块5包括：

数据获取单元51，用于获取沉淀池在每个沉淀周期的整个非排泥时段的各实时进水参数对应的泥量预测结果以及在相同沉淀周期内的排泥时段结束后的总实际产泥量；

第一处理单元52，连接数据获取单元51，用于将各泥量预测结果累计相加得到每个沉淀周期的整个非排泥阶段的总预测泥量，并处理得到总预测泥量与相同沉淀周期对应的总实际产泥量之间的比值；

数据提取单元53，连接第一处理单元52，用于在比值不在预设的一标准比值范围内时，提取比值对应的总预测泥量关联的各实时进水参数；

第二处理单元54，连接数据提取单元53，用于获取提取的各实时进水参数对应的实时实际产泥量并作为新增样本加入样本集中，以对样本集进行更新；

第三处理单元55，连接第二处理单元54，用于统计新增样本在更新后的样本集中的样本占比，并在样本占比达到一预设值时生成一修正信号；

模型训练模块4根据修正信号以及更新后的样本集重新训练泥量预测模型。

具体地，本实施例中，为准确获取每个沉淀周期的整个非排泥阶段的总预测泥量，优选将非排泥阶段最后一次采集实时进水参数的时刻设置为非排泥阶段的结束时刻。由于实时进水参数对应的泥量预测结果为其对应采集时刻至上一采集时刻之间的预测产泥量，因此，将整个非排泥阶段的各泥量预测结果累计相加可作为整个非排泥阶段的总预测泥量。考虑到每个采集时刻对应的实时实际产泥量为基于总实际产泥量以及相应的泥水界面高度反推得到，其不可避免存在一定误差，因此，本技术方案中，基于总预测泥量与相同沉淀周期对应的总实际产泥量之间的比值作为泥量预测模型的评价指标，进一步提升准确率。

优选的，上述标准比值范围可以在一个预设标准上下波动得到，优选预设标准为0.95，则对应的标准比值范围为[0.95,1.05]，可以根据需求进行调整。即，总预测泥量可以比总实际产泥量大，也可以比总实际产泥量小，表征两者偏差的比值不超出上述标准比值范围即表示本次预测结果满足模型精度要求。

本发明的较佳的实施例中，模型修正模块5还包括一设置端口56，连接数据提取单元53，用于接收外部的调整指令对标准比值范围进行更新。

具体地，本实施例中，随着模型的不断修正，其预测结果的准确率也会逐渐提升，为加快模型修正效率，可以在模型优化后相应调整上述标准比值范围，如将上述标准比值范围[0.95,1.05]调整为[0.98,1.02]，具体可以根据需求设置。

作为一个优选的实施方式，该标准比值范围的调整也可以配置为自动调整，具体地，可以在模型修正模块5中配置多个不同的标准比值范围，每个标准比值范围可以关联有相应的预设阈值，在每个泥量预测模型的使用阶段，持续统计不在标准比值范围的各比值的数量，并在该数量在该泥量预测模型的所有泥量预测结果的总数的占比随时间的变化趋势表示该泥量预测模型的准确率达到对应的预设阈值时，将现有的标准比值范围调整为该预设阈值关联的标准比值范围。可以理解的是，上述实施方式仅作为本技术方案的一个实施例，并不以此对本技术方案进行限定。

本发明还提供一种沉淀池泥量预测方法，应用于上述的沉淀池泥量预测系统，如图2所示，沉淀池泥量预测方法包括：

步骤S1，持续监测一沉淀池的非排泥时段和排泥时段，将单个非排泥时段及其对应的排泥时段作为一个沉淀周期，并针对每个沉淀周期，分别获取沉淀池在各沉淀周期中的非排泥时段的至少一组历史进水参数和对应的历史泥水界面高度，以及排泥时段结束后的总实际产泥量和对应的总泥水界面高度；

步骤S2，根据各历史泥水界面高度、总实际产泥量和总泥水界面高度处理得到在历史进水参数的采集时刻与上一采集时刻之间的时段沉淀池的实时实际产泥量；

步骤S3，将各实时进水参数和对应的实时实际产泥量加入一样本集，并根据样本集中训练得到以实时进水参数作为输入，以对应的实时实际产泥量作为输出的一泥量预测模型；

步骤S4，获取沉淀池在非排泥时段的一组实时进水参数，并将实时进水参数输入泥量预测模型中，以得到沉淀池当前的预测产泥量作为沉淀池的泥量预测结果。

本发明的较佳的实施例中，历史进水参数包括进水流量、进水浊度、PH值、温度和投药量。

本发明的较佳的实施例中，执行步骤S4之后还包括一模型修正过程，如图3所示，包括：

步骤A1，获取沉淀池在每个沉淀周期的整个非排泥时段的各实时进水参数对应的泥量预测结果以及在相同沉淀周期内的排泥时段结束后的总实际产泥量；

步骤A2，将各泥量预测结果累计相加得到每个沉淀周期的整个非排泥阶段的总预测泥量，并处理得到总预测泥量与相同沉淀周期对应的总实际产泥量之间的比值；

步骤A3，判断比值是否在预设的一标准比值范围内：

若否，则提取比值对应的总预测泥量关联的各实时进水参数，随后转向步骤A4；

若是，则返回步骤A2；

步骤A4，获取提取的各实时进水参数对应的实时实际产泥量并作为新增样本加入样本集中，以对样本集进行更新；

步骤A5，统计新增样本在更新后的样本集中的样本占比，并在样本占比达到一预设值时生成一修正信号；

步骤S4中，根据修正信号以及更新后的样本集重新训练泥量预测模型。

以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (10)

1.一种沉淀池泥量预测系统，其特征在于，包括：

数据采集模块，用于持续监测一沉淀池的非排泥时段和排泥时段，将单个所述非排泥时段及其对应的所述排泥时段作为一个沉淀周期，并针对每个所述沉淀周期，分别获取所述沉淀池在所述非排泥时段的至少一组历史进水参数和对应的历史泥水界面高度，以及所述排泥时段结束后的总实际产泥量和对应的总泥水界面高度；

数据处理模块，连接所述数据采集模块，用于根据各所述历史泥水界面高度、所述总实际产泥量和所述总泥水界面高度处理得到在所述历史进水参数的采集时刻与上一采集时刻之间的时段所述沉淀池的实时实际产泥量；

模型训练模块，分别连接所述数据采集模块和所述数据处理模块，用于将各所述实时进水参数和对应的所述实时实际产泥量加入一样本集，并根据所述样本集中训练得到以所述实时进水参数作为输入，以对应的所述实时实际产泥量作为输出的一泥量预测模型；

泥量预测模块，分别连接所述数据采集模块和所述模型训练模块，用于获取所述沉淀池在所述非排泥时段的一组实时进水参数，并将所述实时进水参数输入所述泥量预测模型中，以得到所述沉淀池当前的预测产泥量作为所述沉淀池的泥量预测结果。

2.根据权利要求1所述的沉淀池泥量预测系统，其特征在于，所述历史进水参数包括进水流量、进水浊度、PH值、温度和投药量。

3.根据权利要求1所述的沉淀池泥量预测系统，其特征在于，所述实时实际产泥量的计算公式如下：

S_p＝(H-H′)/H_总*S_总

其中，S_p用于表示所述历史进水参数当前的采集时刻对应的所述实时实际产泥量；H用于表示当前的采集时刻对应的所述历史泥水界面高度；H′用于表示当前的采集时刻的上一采集时刻的所述历史泥水界面高度；H_总用于表示所述总泥水界面高度；S_总用于表示所述总实际产泥量。

4.根据权利要求1所述的沉淀池泥量预测系统，其特征在于，所述泥量预测模型为BP神经网络模型，且在模型训练过程中，选用S型传递函数并通过反传误差函数调整所述BP神经网络模型的网络权值及阈值。

5.根据权利要求4所述的沉淀池泥量预测系统，其特征在于，所述BP神经网络模型包括依次连接的输入层、隐层和输出层，所述隐层的神经元的激励函数为S型正切函数，所述输出层的神经元的激励函数为S型对数函数。

6.根据权利要求1所述的沉淀池泥量预测系统，其特征在于，还包括一模型修正模块，分别连接所述数据采集模块、数据处理模块、所述模型训练模块和所述泥量预测模块，所述模型修正模块包括：

数据获取单元，用于获取所述沉淀池在每个所述沉淀周期的整个所述非排泥时段的各所述实时进水参数对应的所述泥量预测结果以及在相同所述沉淀周期内的所述排泥时段结束后的所述总实际产泥量；

第一处理单元，连接所述数据获取单元，用于将各所述泥量预测结果累计相加得到每个所述沉淀周期的整个所述非排泥阶段的总预测泥量，并处理得到所述总预测泥量与相同所述沉淀周期对应的所述总实际产泥量之间的比值；

数据提取单元，连接所述第一处理单元，用于在所述比值不在预设的一标准比值范围内时，提取所述比值对应的所述总预测泥量关联的各所述实时进水参数；

第二处理单元，连接所述数据提取单元，用于获取提取的各所述实时进水参数对应的所述实时实际产泥量并作为新增样本加入所述样本集中，以对所述样本集进行更新；

第三处理单元，连接所述第二处理单元，用于统计所述新增样本在更新后的所述样本集中的样本占比，并在所述样本占比达到一预设值时生成一修正信号；

所述模型训练模块根据所述修正信号以及更新后的所述样本集重新训练所述泥量预测模型。

7.根据权利要求6所述的沉淀池泥量预测系统，其特征在于，所述模型修正模块还包括一设置端口，连接所述数据提取单元，用于接收外部的调整指令对所述标准比值范围进行更新。

8.一种沉淀池泥量预测方法，其特征在于，应用于如权利要求1-7中任意一项所述的沉淀池泥量预测系统，所述沉淀池泥量预测方法包括：

步骤S1，持续监测一沉淀池的非排泥时段和排泥时段，将单个所述非排泥时段及其对应的所述排泥时段作为一个沉淀周期，并针对每个所述沉淀周期，分别获取所述沉淀池在所述非排泥时段的至少一组历史进水参数和对应的历史泥水界面高度，以及所述排泥时段结束后的总实际产泥量和对应的总泥水界面高度；

步骤S2，根据各所述历史泥水界面高度、所述总实际产泥量和所述总泥水界面高度处理得到在所述历史进水参数的采集时刻与上一采集时刻之间的时段所述沉淀池的实时实际产泥量；

步骤S3，将各所述实时进水参数和对应的所述实时实际产泥量加入一样本集，并根据所述样本集中训练得到以所述实时进水参数作为输入，以对应的所述实时实际产泥量作为输出的一泥量预测模型；

步骤S4，获取所述沉淀池在所述非排泥时段的一组实时进水参数，并将所述实时进水参数输入所述泥量预测模型中，以得到所述沉淀池当前的预测产泥量作为所述沉淀池的泥量预测结果。

9.根据权利要求8所述的沉淀池泥量预测方法，其特征在于，所述历史进水参数包括进水流量、进水浊度、PH值、温度和投药量。

10.根据权利要求8所述的沉淀池泥量预测方法，其特征在于，执行所述步骤S4之后还包括一模型修正过程，包括：

步骤A1，获取所述沉淀池在每个所述沉淀周期的整个所述非排泥时段的各所述实时进水参数对应的所述泥量预测结果以及在相同所述沉淀周期内的所述排泥时段结束后的所述总实际产泥量；

步骤A2，将各所述泥量预测结果累计相加得到每个所述沉淀周期的整个所述非排泥阶段的总预测泥量，并处理得到所述总预测泥量与相同所述沉淀周期对应的所述总实际产泥量之间的比值；

步骤A3，判断所述比值是否在预设的一标准比值范围内：

若否，则提取所述比值对应的所述总预测泥量关联的各所述实时进水参数，随后转向步骤A4；

若是，则返回所述步骤A2；

步骤A4，获取提取的各所述实时进水参数对应的所述实时实际产泥量并作为新增样本加入所述样本集中，以对所述样本集进行更新；

步骤A5，统计所述新增样本在更新后的所述样本集中的样本占比，并在所述样本占比达到一预设值时生成一修正信号；

所述步骤S4中，根据所述修正信号以及更新后的所述样本集重新训练所述泥量预测模型。

Images