大数据技术在污水处理运营中的应用.docxVIP

　　内容摘要互联网+经济模式的大量应用，促使着大数据技术在各个行业的开发利用。 　　其中大数据在污水处理运营中的实际运用不仅促进污水处理领域的自动化和智能化发展，也实现了污水处理工艺参数的在线监测、数据实时采集和传输以及故障报警等功能，并为企业提高污水处理质量、降低能源损耗和污水处理运营成本提供强有力的支持。 　　但如何保证大数据在污水处理运营中的合理化运用是目前研究的难点问题。 　　本文主要阐述了污水处理运营过程中大数据的特点，并对大数据在污水处理运营过程的实际应用以及存在问题进行合理分析，以期为大数据在污水处理运营中的合理运用提供一定的参考意见。 　　关键词大数据;污水处理;模型;检测一、污水处理运营过程中大数据的特点一大数据的基本特征。 　　大数据通常是指数据数量巨大到常用软件不能及时有效处理分析以及管理的信息集合，其是大量数据收集、存储、分析、管理、挖掘与运用的新技术体系。 　　大数据的特征可以归纳为以下四点一是数据量巨大，这是大数据的基本属性和特征，该特征不仅表现为数据自身的大小，同时也说明处理数据的方式由传统的单一个体处理转变为多方的云平台处理。 　　二是数据具有多样性，这是大数据的重要特性之一，具体表现为数据种类复杂多样。 　　这种多样性可从多方面、多角度解释事物属性，同时也可保证数据的准确性和精度。 　　三是数据处理速度快，这是大数据与传统海量数据处理的重要区别。 　　这是由于相关技术支持，使得大数据处理速度快，可以快速对数据进行有效分析。 　　四是单一数据价值低，这是大数据的基本特征。 　　为了得到事物更多的细节，通常需要采集大量的原始数据，这些数据的单独个体价值低，但整体数据的价值高。 　　二污水处理运营过程中大数据的特点。 　　污水处理过程是一个较为复杂的工程，与其他金融、电力和生物等领域相比，大数据应用具有不同的特点。 　　其特点可以归纳为以下五点一是数据量大且耦合性强，通常使用计算机系统对污水处理运营状态进行监控，需定时采集系统的变量以及各设备状态，保证正常的系统状态显示和控制。 　　同时也需要大量的重复性和冗余数据测量，长期进行测量使得这些数据的数量相当巨大。 　　同时污水处理的正常运营状态需要许多变量进行相互协调作用，各变量间的耦合性较强并具有非线性关系。 　　二是干扰因素多，不确定性大。 　　污水处理运营过程中，其工作环境较为复杂，常受到电、磁、噪声等多因素干扰，会导致整个运营系统存在着不确定性，进而导致相应的数据易受污染。 　　三是动态性和类型多样性，污水处理运营系统的各种变量的数值是实时变化的，这是系统的动态平衡的具体表现。 　　通过系统变量数值的变化监控可以有效预测系统的运营状态和变化趋势［1］。 　　而采集的数据类型具有多样性，如数值型、非数值型和逻辑型等。 　　四是多时标性和不完整性，这是由于整个运营系统的复杂性使得各种变量的变化程度和快慢存在差异，导致采集信号的频率不同，进而造成数据采集时间的不同步性。 　　在数据记录过程中，这种多时标性和不完整性可能引起部分数据丢失，导致数据的不完整。 　　五是多模态性，数据是系统状态变化的重要体现，而污水处理运营系统包括正常运营状态、各种异常状态和故障状态的数据，这些状态数据是污水处理正常运营系统的重要保障之一［2］。 　　同时污水处理过程中，也需对进出水水质指标、能耗以及环境影响等参数进行大数据收集，而这些指标中，一些指标的分析周期较长，如5，其采集的数据量较少，需要较长时间进行积累。 　　二、大数据在污水处理运营过程中的实际应用一大数据污水处理模型。 　　污水处理系统具有高度非线性和时变性，其复杂程度超出正常人类的直觉范围，而数学模型的使用虽然不具备严格的科学性，却是污水处理较为有效的方法。 　　而数学模型的建立需要大数据作为参考依据，而大数据的巨大数据量、种类多样性可以有效保证合理化数学模型的实际应用。 　　大数据对污水处理模型的作用可以表现为以下两点一是数据筛选功能，污水处理模型作为污水处理过程的相关体现，可有效描述和预测污水处理的具体现象，可通过大数据对进水水质多样性和流量的波动性进行有效筛选，进而实现对污水处理模型的简化和优化处理。 　　而常用的污水处理模型主要包括机理模型和黑箱模型两类，其中机理模型，也称白箱模型，其主要建立在物料平衡微分方程组的基础上。 　　而黑箱模型则主要考虑污水处理输入和输出的对应关系，并隔离物理、化学或生物过程等因素影响。 　　二是模型优化校核方法，大数据可用于对污水处理过程模型进行数学优化校核方法，同时利用大数据种类的多样性特点，其也可应用于过程经验模型校核方法，根据准则、准则、准则和Ｒ准则的相关要求，对被校核模型进行稳态和动态校核［3］。