AAO污水处理工艺介绍.ppt

1.城市污水脱氮除磷工艺及模拟控制 2.研究内容与技术路线 3.交互式反应器研究与中试装置设计 4.交互式反应器中试运行研究,汇 报 内 容,5.交互式反应器BP神经网络模型研究 6.交互式反应器ANFIS仿真模型研究 7.结论与建议,1、城市污水生物脱氮理论与技术,生物处理过程氮的转化,一、城市污水脱氮除磷工艺与模拟控制,环境因素： 1、水温 2、pH 3、DO 4、C/N 5、Fm & SRT 6、毒性物质 7、内回流比,2、城市污水除磷技术,2.1化学除磷,一、城市污水脱氮除磷工艺与模拟控,2.2生物除磷,3、常规生物脱氮除磷工艺,3.1 A/A/O系列,一、城市污水脱氮除磷工艺与模拟控,Bardenpho工艺,典型A/A/O工艺,3、常规生物脱氮除磷工艺,3.1 A/A/O系列,一、城市污水脱氮除磷工艺与模拟控制,UCT工艺,M-UCT工艺,JHB工艺,3、常规生物脱氮除磷工艺,3.2 SBR系列,一、城市污水脱氮除磷工艺与模拟控制,CAST工艺,MSBR工艺,UNITANK工艺,3、常规生物脱氮除磷工艺,3.3 氧化沟系列,一、城市污水脱氮除磷工艺与模拟控制,T型氧化沟,奥贝尔氧化沟,卡路塞尔氧化沟,卡鲁塞尔DenitIRA2/C工艺流程,4、生物脱氮除磷新工艺,4.1 BICT工艺,一、城市污水脱氮除磷工艺与模拟控制,4.2 A2/N工艺,4.3 BCFS工艺,4.4 分段进水BNR工艺,4.5 厌氧-往复好氧组合式工艺,4.1 BICT工艺,新工艺特点 1、合理分配碳源； 2、节约曝气量，利用硝酸盐； 3、减少污泥量； 4、减小反应池容积,5、污水处理建模理论与技术,一、城市污水脱氮除磷工艺与模拟控制,5.2 处理过程的智能控制：基于任务，有效变量输入输出，实现过程控制或时间控制,5.3 专家控制系统：基于经验控制，不断完善和学习,5.4 模糊控制：建立模糊控制器及模糊推理，简化输入输出,5.5 神经网络：基于系统的学习记忆和自适应能力,5.1 处理过程的动态模拟：基于模糊控制技术与PLC技术结合,5.6 混合人工智能：单一技术的局限，及各家所长,5.7 ASM：基于生物生长衰亡机理、污染物降解机理。,1.1 工艺路线研究 针对南方城市污水有机物浓度低、而氮磷浓度相对较高、且进水水质水量变化大的特征，研究不同情况下低碳高氮磷城市污水脱氮除磷工艺中污染物的存在形态与转化规律，寻求适合于低碳高氮磷城市污水脱氮除磷的工艺及相关运行参数； 1.2 仿真与预测 建立交互式反应器的脱氮除磷处理工艺的神经网络模型，模拟与预测进出水水质和运行工况，并进行仿真与预测，满足工程实施控制的目的和要求，为示范工程的运行提供依据。同时，为我国类似城市污水处理厂的设计及运行提供参考。,二、研究内容与技术路线,1、研究目的,2.1 传统工艺路线研究 研究传统的生物脱氮除磷工艺处理低碳高氮磷城市污水的特点与规律。 2.2 新工艺路线研究 研究低碳高氮磷城市污水高效、低消耗生物脱氮除磷工艺。 即研究交互式反应器提高生物脱氮除磷的途径、机理以及合适运行参数。 2.3 运行模式研究 分析低碳高氮磷污水水质变化规律，寻求该型污水处理厂的运行新模式 2.4 建立神经网络进行出水水质的模拟仿真 2.5对比BP神经网络和ANFIS模糊网络的模拟仿真的效果和稳定性。,二、研究内容与技术路线,2、研究内容,二、研究内容与技术路线,3、技术路线,研究技术路线图,1、工艺开发背景,1.1 实现碳调控的脱氮除磷目的,三、交互式反应器研究与中试装置设计,1.2 工艺可多生化模式运行，适应不同的碳氮比污水,1.3 工艺可生化/物化串并联运行，适应不同的除磷要求,1.4 工艺根据污水水质和排放标准，可容易切换运行模式,1.5 工艺适应性强，抗冲击负荷能力强,1.6 根据构建的模型，使系统具有自适应和调整能力,2、工艺概念与流程,2.1 工艺概念,三、交互式反应器研究与中试装置设计,交互式是指可以针对不同水质水量、处理目的、环境条件灵活改变物化处理单元与生化处理单元的串并联、长短流程运行； 各单元内部的功能也可改变，进行高效、节能或抗冲击负荷等不同模式运行达到在一个反应器内将物化和生化优化集成、生物处理单元中各种不同功能菌群高效运行、系统高度协同开放的目的。 为城市污水处理提供一种新型高效的物化/生化反应器。,2、工艺概念与流程,2.2 平面布置,三、交互式反应器研究与中试装置设计,A. 进水井B. 交互式反应器C. 二沉池,D. 鼓风机 E. 加药罐,. 反应器分区编号,交互式物化/生化反应器平面图,2、工艺概念与流程,2.3 流程布置,三、交互式反应器研究与中试装置设计,交互式物化/生化反应器流程图,3、运行模式与控制,3.1 运行模式图,三、交互式反应器研究与中试装置设计,交互式物化/生化反应器运行模式图,3、运行模式与控制,3.2 运行模式表,三、交互式反应器研究与中试装置设计,3、运行模式与控制,3.3 运行控制目标,三、交互式反应器研究与中试装置设计,当原污水有机碳源不能同时满足生物脱氮除磷要求时， 首先满足生物脱氮， 在生物处理后投加新型混凝剂强化生物除磷， 确保氮磷同时达标。,4、串联运行模式研究,4.1 串联运行模式1,三、交互式反应器研究与中试装置设计,串联运行模式1工艺示意图,正常水量、污染物浓度较高， 氮磷浓度较高条件下 或冬季运行时采用,4、串联运行模式研究,4.2 串联运行模式2,三、交互式反应器研究与中试装置设计,串联运行模式2工艺示意图,正常水量、污染物浓度较低， 夏季运行时采用,5、并联运行模式研究,三、交互式反应器研究与中试装置设计,并联运行模式工艺示意图,1、模式1：水量或水质超负荷 2、模式2：COD、TN偏低时,6、中试装置设计,6.1 设计参数,三、交互式反应器研究与中试装置设计,旱季：100t/d 雨季：150t/d,6、中试装置设计,6.2 中试基地平面,三、交互式反应器研究与中试装置设计,6、中试装置设计,6.3 中试流程,三、交互式反应器研究与中试装置设计,6、中试装置设计,6.4 相关照片,三、交互式反应器研究与中试装置设计,中试基地生物处理单元,运行中的交互式反应器,6、中试装置设计,6.4 相关照片,三、交互式反应器研究与中试装置设计,交互反应器搅拌机和循环流量监测,人工湿地进水,1、运行工况,四、交互式反应器中试运行研究,2、运行数据,四、交互式反应器中试运行研究,3、中试运行小结,3.1 结论1,四、交互式反应器中运行研究,水温为21.628.3，进水COD为13.2179.4mg/L、SS为12218mg/L，平均有机负荷在0.52 kgCOD/(kgMLVSSd)以下时，AAO运行模式各工况对COD和SS均有良好的去除效果，受冲击负荷影响很小，处理出水COD低于35mg/L、SS低于24mg/L。 试验结果表明，当有机负荷在0.2 kgCOD/(kgMLVSSd)以上时，COD平均去除率可在70%以上。 AAO运行模式中，COD的去除主要发生在反应器的厌氧区和缺氧区。,3.2 结论2,进水NH4+-N为2.0933.28mg/L、TN2.8839.39mg/L，水温21.628.3，泥龄15d时，要保持良好的硝化效果，则COD负荷和TN负荷应分别小于0.5 kgCOD/(kgMLVSSd)和0.10 kgTN/(kgMLVSSd)。 当NH4+-N去除率80%，由于进水的平均COD/TKN90，进水COD90mg/L，且COD/TN3.3时，TN的去除主要通过反硝化作用，而且绝大部分在厌氧区内反硝化去除，增大混合液回流比对脱氮效率的提高贡献不大。,3、中试运行小结,3.3 结论3,四、交互式反应器中运行研究,进水COD80%时，由于碳源严重不足，脱氮效率不高，随回流污泥进入厌氧区的NO3-N对生物除磷效果造成不利影响，TP去除率在50%以下。 当NH4+-N去除率50%，且进水COD超过60mg/L时，进入厌氧区的硝酸盐浓度持续低于2.0mg/L，系统的生物除磷能力逐渐加强； 当进水COD持续在100mg/L以上时，出水TP可在1.0mg/L以下。虽然进入厌氧区的NO3-N对除磷有不利影响，但系统的除磷功能不会丧失殆尽，但是降雨引起的进水COD急剧下降能导致系统除磷功能完全丧失,3.4 结论4,低碳高氮磷城市污水，因碳源不足，采用AAO模式时，一旦出水NH4+-N和TN满足城镇污水处理厂污染物排放标准(GB 18918-2002)中的一级B标准，出水TP不达标。 建议采用生物脱氮法保证出水氮达标，投加混凝剂保证出水磷达标。,3、中试运行小结,3.5 结论5,四、交互式反应器中运行研究,交互式反应器系统AAO运行模式下，降雨季节，进水COD较低， SVI基本50mL/g，MLVSS/MLSS降雨频繁时有下降的趋势，在0.250.4 雨水较少时，SVI和MLVSS/MLSS均有升高的趋势， SVI在5090mL/g，MLVSS/MLSS在0.40.5之间。,3.6 结论6,增加抗冲击负荷能力措施： 增大混合液回流比； 加大系统进水流量； 维持反应器系统MLVSS在1000mg/L以上； 投加混凝剂。 当进水COD平均值小于70mg/L，为提高系统抗冲击负荷的能力，保证出水氨氮达标，可将HRT缩短为4h，以增加污泥的有机负荷，减缓污泥的内源呼吸过程，维持系统MLVSS在1000mg/L以上。 考虑到低碳高氮磷城市污水的脱氮和抗冲击负荷能力，系统的混合液回流比宜在12之间，污泥回流比宜在0.51.0之间。,1、BP神经网络技术,1.1 特点,五、交互式反应器BP神经网络模型研究,(1)高度的并行性； (2)高度的非线性全局作用； (3)良好的容错性与联想记忆功能； (4)强大的自适应、自学习功能。,1.2 设计,(1)网络的层数（输入层、隐含层、输出层）； (2)隐含层的神经元数量； (3)传递函数（Sigmoid),2、交互式反应器BP神经网络模型,2.1 双隐含层MIMO,五、交互式反应器BP神经网络模型研究,2.2 双隐含层MISO,(1)记忆能力强； (2)自学能力和抗干扰能力差； (3)训练时间长 (4)模拟结果较差,(1)记忆能力强； (2) 预测能力差 (3)自学能力和抗干扰能力差； (4)训练时间长,2.3 单隐含层MISO,(1)预测表现稳定； (2) 预测能力强； (3)训练速度快； (4)神经元数量以10个为宜,3、BP神经网络模型模拟结果,3.1 出水NH3-N预测,五、交互式反应器BP神经网络模型研究,3.2 出水TN预测,A:输入进水：COD、SS、NH3-N、NO3-N B:输入进水：COD、SS、NH3-N、TN (1)二组相关系数基本一样 (2)A组预测性优于B组,A:输入进水：COD、SS、NH3-N、TP B:输入进水：COD、SS、TN、TP (1)二组相关系数基本一样 (2)A组预测数据、训练数据均优于B组,3.3 出水NO2-N预测,A:输入进水：COD、NO3-N、NO2-N、NH3-N B:输入进水： COD、NO3-N、NO2-N、TN (1)二组训练误差接近 (2)A组预测数据误差优于B组,3、BP神经网络模型模拟结果,3.4 出水NO3-N预测,五、交互式反应器BP神经网络模型研究,A:输入进水：COD、NO3-N 、NO2-N、NH3-N B:输入进水：COD、 NO3-N 、NO2-N、 TN (1)预测误差接近，A组训练误差小 (2)二组误差均较大 C：输入进水：COD、NO3-N 、NO2-N、NH3-N、TN 隐含层神经元个数由10增加为12 (3) 误差依然较大：原始数据变化幅度大；进水NO3-N 较小时，对网络性能影响大；数据量和数据精度有限,3.5 出水TP预测,A:输入进水：COD、SS、TP、NH3-N B:输入进水： COD、SS、TP、TN (1)二组训练误差接近 (2)B组预测数据误差优于A组,但二组预测误差均较大 (3)进水中TP浓度低；测量误差致出水TP大于进水；数据规律性差,1、ANFIS网络模型,1.1 特点,六、交互式反应器ANFIS仿真模型研究,(1)很好的推理功能； (2)较强自学习能力； (3)理解经验语言； (4)融合神经网络与模糊推理。,1.2 设计,(1) MathWorks公司的MATLAB计算语言； (2)ANFIS模型结构：多输入但输出、单输出; (3)隶属度函数（gaussmf),2、ANFIS网络模型设计,2.1 输入输出,六、交互式反应器ANFIS仿真模型研究,2.2 隶属度函数,(1)与BP网络一致：4输入单输出,(1)2个； (2) 3个 (3)3个隶属度函数在训练模拟精度较高；预测误差较大 (4)确定用2个隶属度函数,3、ANFIS网络模型模拟,3.1 出水NH3-N预测,六、交互式反应器ANFIS仿真模型研究,输入进水：COD、SS、NH3-N、NO3-N,(1) 训练误差、测试误差均优于BP网络 (2) 模拟数据稳定性好,3、ANFIS网络模型模拟,3.2 出水TN预测,六、交互式反应器ANFIS仿真模型研究,输入进水：COD、SS、NH3-N、TP,(1) 预测效果优于BP网络 (2) 预测性误差小,3、ANFIS网络模型模拟,3.3 出水NO2-N预测,六、交互式反应器ANFIS仿真模型研究,输入进水：COD、NO3-N、NO2-N、NH3-N,(1) 训练误差测试误差均大于BP网络 (2) 预测效果差于BP网络 (3) 隶属度函数不适合,3、ANFIS网络模型模拟,3.4 出水NO3-N预测,六、交互式反应器ANFIS仿真模型研究,输入进水：COD、NO3-N、NO2-N、NH3-N,(1) 训练误差测试误差均小于BP网络 (2) 预测效果好于BP网络 (3) 隶属度函数调整可进一步提高精度,3、ANFIS网络模型模拟,3.5 出水TP预测,六、交互式反应器ANFIS仿真模型研究,输入进水：COD、SS、TP、TN,(1) 训练误差测试误差均小于BP网络 (2) 预测效果好于BP网络 (3) 模拟相关系数较高,4、ANFIS与BP网络对比,六、交互式反应器ANFIS仿真模型研究,(1)在相同数据基础上，ANFIS系统的模拟误差更小 (2) ANFIS系统的模拟结果更稳定，多次模拟时其结果不会发生太大的变化，而神经网络的模拟结果每次都有很大的不同，造成使用者对最佳模拟精度无法掌握。 究其原因：主要是因为ANFIS系统事先根据前人经验设置了初始隶属度函数，可以避免训练过程中收敛于局部最小点；而神经网络在初始时刻给出的权重矩阵是随机的，训练过程中很容易陷入局部最小点。 (3)通过两种网络对TP的模拟可以看出，对于变化范围较小的数据用ANFIS能更好的体现其走势 (4)两种网络的模拟误差均不是特别理想。主要是因为 1）数据测量不够准确，而且数据时间间隔不合理； 2）存在一部分超出平均值很多的非合理数据； 3）数据量太少； 4）从ANFIS模拟过程的各误差曲线可以看出，文中采用的模型结构还不是太合理，还有很大的改进空间。,1、结论,七、结论与建议,(1)中试研究发现污泥驯化调试主要任务培养硝化菌； (2)交互式反应器AAO (厌氧缺氧好氧)运行模式在HRT=48h、污泥回流比为0.51.0、混合液回流比为12时，COD的去除主要发生在厌氧区和缺氧区。TN去除率随进水COD及COD/TN的增加而增加。TN的去除主要发生在厌氧区，增大混合液回流比对提高脱氮效率无益，但可提高抗冲击负荷能力。 (3)在ALO运行模式中，通过在低氧区进水端设置缺氧区，使易生物降解碳源优先用于短程反硝化，节省的碳源则用于聚磷菌的厌氧释磷以及后续的短程反硝化，提高了氮、磷去除率，降低了空气消耗量。ALO运行模式具有高效脱氮同时兼顾除磷，对低C/N城市污水的脱氮除磷具有实际意义 。 (4)水温低于18，短程硝化现象逐步减弱直至消失。为提高系统的硝化效果，可按AO脱氮模式运行。 当反应水温在1012，污泥回流比和混合液回流比分别为1.5和2，通过延长HRT为12h，可使系统的NH4+-N和TN去除率达到35%以上。,1、结论,七、结论与建议,(5)BP神经网络采用MISO模式较好； 双隐含层的神经元数量一般为5或6； 单隐含层的神经元数量在10左右较好。 同一个神经网络结构随着神经元个数的增加，训练数据的精度越来越高，但测试数据的精度一般是随着神经元个数的增加升高后再降低。 (6)自适应神经网络（ANFIS）隶属度函数一般2个就可以满足基本要求，函数的型式可采用gbellmf或gaussmf等。模拟效果和稳定性基本优于BP网络。,2、建议,七、结论与建议,(1)为了便于交互式反应器的应用与推广，应该进行基于不同水质的不同工况运行的自动切换与控制系统研究。 (2) BP神经网络训练数据的数量决定了训练时间的长短，随数据量的增加，训练时间越来越长，在线控制时可能造成控制不及时; 建议通过与其它算法如遗传算法等结合，以改进训练速度和效果，获得较优的神经网络结构。 对于不同的水质指标，采用不同的BP神经网络结构或ANFIS自适应模糊神经网络系统进行模拟仿真，以获得较好的仿真效果。 (3)在模拟仿真参数中，增加处理工艺过程的运行参数，或设定出水水质指标值，将运行参数作为网络的输出值，以便与PLC控制系统结合，控制污水处理过程系统的自动运行，获得最佳的运行效果。,2008年12月,欢迎批评指正！ 谢谢!,