本公开涉及污水处理，具体地，涉及一种用于污水处理的智能曝气方法及设备。
背景技术：
1、污水处理的目的是去除污水中对人类健康和环境有害的污染物。在污水处理过程中，污水处理厂使用一系列物理、化学和生物过程来处理污水，使其达到排放或再利用的标准。
2、曝气是污水处理中至关重要的操作步骤，通过向水体中注入气泡，提供氧气以促进微生物的生长和有机物的降解，以将污水中的有机物转化为二氧化碳、水和其他无害物质。
3、然而，传统的曝气方法通常依赖于预定义的风量控制或反馈控制，预定义的风量可能不足以满足污水处理要求，导致处理效率低下，还可能会导致风量过大，造成浪费能源并增加运营成本。此外，污水特性会随着时间而变化，但传统曝气反馈控制方案的反馈时间较长，存在滞后性问题，这会导致曝气量无法及时调整，从而影响污水的处理效率并造成能源浪费。
4、因此，期望一种优化的用于污水处理的智能曝气方案。
技术实现思路
1、提供该
技术实现要素：
部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
2、第一方面，本公开提供了一种用于污水处理的智能曝气方法，所述方法包括：
3、获取污水处理线进水处的进水量的时间序列、第一总氮值的时间序列和第一等效bod的时间序列；
4、获取好氧池出水以后的第二总氮值的时间序列和第二等效bod的时间序列；
5、基于所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效bod的时间序列、所述第二总氮值的时间序列和所述第二等效bod的时间序列，确定基础风量调整策略；以及
6、基于所述基础风量调整策略，控制基础风量。
7、可选地，基于所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效bod的时间序列、所述第二总氮值的时间序列和所述第二等效bod的时间序列，确定基础风量调整策略，包括：将所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效bod的时间序列、所述第二总氮值的时间序列和所述第二等效bod的时间序列分别按照时间维度进行数据规整以得到进水量时序输入向量、第一总单值时序输入向量、第一等效bod时序输入向量、第二总氮值时序输入向量、第二等效bod时序输入向量；基于所述第一总氮值时序输入向量和所述第二总氮值时序输入向量，所述第一等效bod时序输入向量和所述第二等效bod时序输入向量，确定总氮值时序差分向量和等效bod时序差分向量；通过基于深度神经网络的时序模式特征提取器分别对所述进水量时序输入向量、所述总氮值时序差分向量和所述等效bod时序差分向量进行特征提取以得到进水量时序关联特征向量、总氮值时序差分特征向量和等效bod时序差分特征向量；将所述进水量时序关联特征向量、所述总氮值时序差分特征向量和所述等效bod时序差分特征向量通过基于类贝叶斯概率网络的推理器以得到风量控制预测特征向量作为风量控制预测特征；基于所述风量控制预测特征，确定当前时间点的基础风量应增大、应减小或应保持不变。
8、可选地，基于所述第一总氮值时序输入向量和所述第二总氮值时序输入向量，所述第一等效bod时序输入向量和所述第二等效bod时序输入向量，确定总氮值时序差分向量和等效bod时序差分向量，包括：计算所述第一总氮值时序输入向量和所述第二总氮值时序输入向量之间的按位置差分以得到所述总氮值时序差分向量；计算所述第一等效bod时序输入向量和所述第二等效bod时序输入向量之间的按位置差分以得到所述等效bod时序差分向量。
9、可选地，所述基于深度神经网络的时序模式特征提取器为基于一维卷积层的时序模式特征提取器。
10、可选地，将所述进水量时序关联特征向量、所述总氮值时序差分特征向量和所述等效bod时序差分特征向量通过基于类贝叶斯概率网络的推理器以得到风量控制预测特征向量作为风量控制预测特征，包括：以如下融合公式来将所述进水量时序关联特征向量、所述总氮值时序差分特征向量和所述等效bod时序差分特征向量通过基于类贝叶斯概率网络的推理器以得到风量控制预测特征向量；其中，所述融合公式为：
11、；
12、其中，表示所述风量控制预测特征向量中各个位置的特征值、表示所述进水量时序关联特征向量中各个位置的特征值、表示所述总氮值时序差分特征向量中各个位置的特征值，表示所述等效bod时序差分特征向量中各个位置的特征值。
13、可选地，基于所述风量控制预测特征，确定当前时间点的基础风量应增大、应减小或应保持不变，包括：将所述风量控制预测特征向量通过基于分类器的风量控制器以得到控制策略，所述控制策略用于表示当前时间点的基础风量应增大、应减小或应保持不变。
14、可选地，还包括训练步骤：用于对所述基于一维卷积层的时序模式特征提取器、所述基于类贝叶斯概率网络的推理器和所述基于分类器的风量控制器进行训练。
15、可选地，所述训练步骤，包括：获取污水处理线进水处的训练进水量的时间序列、训练第一总氮值的时间序列和训练第一等效bod的时间序列；获取好氧池出水以后的训练第二总氮值的时间序列和训练第二等效bod的时间序列；将所述训练进水量的时间序列、所述训练第一总氮值的时间序列、所述训练第一等效bod的时间序列、所述训练第二总氮值的时间序列和所述训练第二等效bod的时间序列分别按照时间维度进行数据规整以得到训练进水量时序输入向量、训练第一总单值时序输入向量、训练第一等效bod时序输入向量、训练第二总氮值时序输入向量、训练第二等效bod时序输入向量；基于所述训练第一总氮值时序输入向量和所述训练第二总氮值时序输入向量，所述训练第一等效bod时序输入向量和所述训练第二等效bod时序输入向量，确定训练总氮值时序差分向量和训练等效bod时序差分向量；通过所述基于深度神经网络的时序模式特征提取器分别对所述训练进水量时序输入向量、所述训练总氮值时序差分向量和所述训练等效bod时序差分向量进行特征提取以得到训练进水量时序关联特征向量、训练总氮值时序差分特征向量和训练等效bod时序差分特征向量；将所述训练进水量时序关联特征向量、所述训练总氮值时序差分特征向量和所述训练等效bod时序差分特征向量通过所述基于类贝叶斯概率网络的推理器以得到训练风量控制预测特征向量；将所述训练风量控制预测特征向量通过所述基于分类器的风量控制器以得到分类损失函数值；基于所述分类损失函数值对所述基于一维卷积层的时序模式特征提取器、所述基于类贝叶斯概率网络的推理器和所述基于分类器的风量控制器进行训练，在每一次迭代中，对所述训练风量控制预测特征向量进行优化。
16、第二方面，本公开提供了一种用于污水处理的智能曝气设备，所述设备包括：
17、污水处理线进水处的数据获取模块，用于获取污水处理线进水处的进水量的时间序列、第一总氮值的时间序列和第一等效bod的时间序列；
18、好氧池出水以后的数据获取模块，用于获取好氧池出水以后的第二总氮值的时间序列和第二等效bod的时间序列；
19、基础风量调整策略确定模块，用于基于所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效bod的时间序列、所述第二总氮值的时间序列和所述第二等效bod的时间序列，确定基础风量调整策略；以及
20、基础风量控制模块，用于基于所述基础风量调整策略，控制基础风量。
21、可选地，所述基础风量调整策略确定模块，包括：数据规整单元，用于将所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效bod的时间序列、所述第二总氮值的时间序列和所述第二等效bod的时间序列分别按照时间维度进行数据规整以得到进水量时序输入向量、第一总单值时序输入向量、第一等效bod时序输入向量、第二总氮值时序输入向量、第二等效bod时序输入向量；差分向量确定单元，用于基于所述第一总氮值时序输入向量和所述第二总氮值时序输入向量，所述第一等效bod时序输入向量和所述第二等效bod时序输入向量，确定总氮值时序差分向量和等效bod时序差分向量；时序模式特征提取单元，用于通过基于深度神经网络的时序模式特征提取器分别对所述进水量时序输入向量、所述总氮值时序差分向量和所述等效bod时序差分向量进行特征提取以得到进水量时序关联特征向量、总氮值时序差分特征向量和等效bod时序差分特征向量；基于类贝叶斯概率网络的推理单元，用于将所述进水量时序关联特征向量、所述总氮值时序差分特征向量和所述等效bod时序差分特征向量通过基于类贝叶斯概率网络的推理器以得到风量控制预测特征向量作为风量控制预测特征；基础风量控制单元，用于基于所述风量控制预测特征，确定当前时间点的基础风量应增大、应减小或应保持不变。
22、采用上述技术方案，通过获取污水处理线进水处的进水量的时间序列、第一总氮值的时间序列和第一等效bod的时间序列；获取好氧池出水以后的第二总氮值的时间序列和第二等效bod的时间序列；基于所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效bod的时间序列、所述第二总氮值的时间序列和所述第二等效bod的时间序列，确定基础风量调整策略；以及，基于所述基础风量调整策略，控制基础风量。这样，能够根据污水特性和处理要求实时调整曝气量，从而优化污水处理效率，同时降低能源消耗。
23、本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
1.一种用于污水处理的智能曝气方法，其特征在于，包括：
2.根据权利要求1所述的用于污水处理的智能曝气方法，其特征在于，基于所述进水量的时间序列、所述第一总氮值的时间序列、所述第一等效bod的时间序列、所述第二总氮值的时间序列和所述第二等效bod的时间序列，确定基础风量调整策略，包括：
3.根据权利要求2所述的用于污水处理的智能曝气方法，其特征在于，基于所述第一总氮值时序输入向量和所述第二总氮值时序输入向量，所述第一等效bod时序输入向量和所述第二等效bod时序输入向量，确定总氮值时序差分向量和等效bod时序差分向量，包括：
4.根据权利要求3所述的用于污水处理的智能曝气方法，其特征在于，所述基于深度神经网络的时序模式特征提取器为基于一维卷积层的时序模式特征提取器。
5.根据权利要求4所述的用于污水处理的智能曝气方法，其特征在于，将所述进水量时序关联特征向量、所述总氮值时序差分特征向量和所述等效bod时序差分特征向量通过基于类贝叶斯概率网络的推理器以得到风量控制预测特征向量作为风量控制预测特征，包括：
6.根据权利要求5所述的用于污水处理的智能曝气方法，其特征在于，基于所述风量控制预测特征，确定当前时间点的基础风量应增大、应减小或应保持不变，包括：将所述风量控制预测特征向量通过基于分类器的风量控制器以得到控制策略，所述控制策略用于表示当前时间点的基础风量应增大、应减小或应保持不变。
7.根据权利要求6所述的用于污水处理的智能曝气方法，其特征在于，还包括训练步骤：用于对所述基于一维卷积层的时序模式特征提取器、所述基于类贝叶斯概率网络的推理器和所述基于分类器的风量控制器进行训练。
8.根据权利要求7所述的用于污水处理的智能曝气方法，其特征在于，所述训练步骤，包括：
9.一种用于污水处理的智能曝气设备，其特征在于，包括：
10.根据权利要求9所述的用于污水处理的智能曝气设备，其特征在于，所述基础风量调整策略确定模块，包括：
