🌞欢迎来到人工智能的世界 
🌈博客主页：卿云阁

💌欢迎关注🎉点赞👍收藏⭐️留言📝

🌟本文由卿云阁原创！

📆首发时间：🌹2025年8月24日🌹

✉️希望可以和大家一起完成进阶之路！

🙏作者水平很有限，如果发现错误，请留言轰炸哦！万分感谢！

---

目录

稳态运行阶段

1️⃣构建组件

创造反应器

创造沉淀池

创造曝气系统

2️⃣设置仿真基础和初始化变量

3️⃣稳态仿真

4️⃣保存稳态仿真结果到文件

28天的仿真阶段

1️⃣从稳态仿真结果读初始数据

​编辑2️⃣构建组件和设置曝气系统

​编辑3️⃣读取进水数据和噪声数据

4️⃣仿真的参数设置

5️⃣数据存储数组

6️⃣14天预热仿真详解

小总结

稳态运行阶段

1️⃣构建组件

创造反应器

reactor1 = asm1.ASM1reactor(
    asm1init.KLa1,          # 反应器1的KLa
    asm1init.VOL1,          # 体积
    asm1init.yinit1,        # 初始状态（21维组分 + 扩展项）
    asm1init.PAR1,          # ASM1参数（动/静力学、半饱和常数等）
    asm1init.carb1,         # 外加碳源流量
    asm1init.carbonsourceconc, # 碳源浓度
    tempmodel,              # 是否做温度平衡
    activate                # 是否启用虚拟变量
)

       调用asm1.py中ASM1reactor函数完成翻译器的定义，反应器中的参数使用asm1init这个文件

中的设定的参数里面的参数如下：

创造沉淀池

# 创建沉淀池（一维模型）
settler = settler1d_asm1.Settler(
    settler1dinit_asm1.DIM,  # 沉淀池尺寸参数
    settler1dinit_asm1.LAYER,  # 沉淀池分层数量
    asm1init.Qr,  # 回流污泥流量
    asm1init.Qw,  # 剩余污泥流量
    settler1dinit_asm1.settlerinit,  # 沉淀池初始状态
    settler1dinit_asm1.SETTLERPAR,  # 沉淀池参数（如沉淀速度等）
    asm1init.PAR1,  # ASM1模型共享参数
    tempmodel  # 温度模型开关
)

调用settler1d_asm1文件的Settler类，初始化参数通过settler1dinit_asm1文件和asm1init实现

创造曝气系统

aerationcontrol3 = aerationcontrol.PIaeration(
    aerationcontrolinit.KLa3_min,  # KLa最小值（控制下限）
    aerationcontrolinit.KLa3_max,  # KLa最大值（控制上限）
    aerationcontrolinit.KSO3,  # 比例系数（PI控制器参数）
    aerationcontrolinit.TiSO3,  # 积分时间（PI控制器参数）
    aerationcontrolinit.TtSO3,  # 控制采样时间
    aerationcontrolinit.SO3ref,  # 溶解氧设定值（控制目标）
    aerationcontrolinit.KLa3offset,  # KLa偏移量（基础值调整）
    aerationcontrolinit.SO3intstate,  # 积分项初始状态
    aerationcontrolinit.SO3awstate,  # 控制器报警状态
    aerationcontrolinit.kla3_lim,  # 3号反应器受限制的KLa值
    aerationcontrolinit.kla3_calc  # 3号反应器计算的KLa值
)

2️⃣设置仿真基础和初始化变量

# 进水数据（恒定进水，符合BSM1标准，共21个组分）
# 组分定义：[SI, SS, XI, XS, XBH, XBA, XP, SO, SNO, SNH, SND, XND, SALK, TSS, Q, TEMP, SD1, SD2, SD3, XD4, XD5]
y_in = np.array(
    [30, 69.5000000000000, 51.2000000000000, 202.320000000000, 28.1700000000000, 0, 0, 0, 0, 31.5600000000000,
     6.95000000000000, 10.5900000000000, 7, 211.267500000000, 18446, 15, 0, 0, 0, 0, 0])

# 仿真时间参数设置（单位：天）
timestep = 1 / (60 * 24)  # 积分步长：1分钟（转换为天）
endtime = 200  # 仿真总时长：200天（确保系统达到稳态）
simtime = np.arange(0, endtime, timestep)  # 生成仿真时间序列

# 初始化变量（存储反应器和沉淀池的状态参数）
y_out5 = np.zeros(21)  # 反应器5的出水浓度（21个组分）
ys_out = np.zeros(21)  # 沉淀池的回流污泥浓度
ys_in = np.zeros(21)  # 进入沉淀池的混合液浓度
Qintr = 0  # 内回流流量（稳态仿真中设为0）

# 初始化3、4、5号反应器的KLa值（从初始参数文件读取）
kla3 = asm1init.KLa3
kla4 = asm1init.KLa4
kla5 = asm1init.KLa5

3️⃣稳态仿真

        计算考虑内回流和外回流的进水（y_in1）

        将当前计算的KLa值应用到3、4、5号反应器

       依次运行5个串联反应器（前一个反应器的出水作为下一个的进水）

       基于反应器出水的溶解氧浓度（第7个参数）进行反馈调节

       准备进入沉淀池的混合液（反应器5的出水减去内回流）

       运行沉淀池模型（泥水分离，输出回流污泥和最终出水）

4️⃣保存稳态仿真结果到文件

    前6行一共有21个数据，代表水质情况，第7行有25个数据，多的4个数据分别代表凯氏氮、总氮、COD、BOD。

保存3、4、5号反应器曝气控制系统的稳态参数， 3行（反应器）×5列（控制参数）

---

28天的仿真阶段

1️⃣从稳态仿真结果读初始数据

2️⃣构建组件和设置曝气系统

3️⃣读取进水数据和噪声数据

4️⃣仿真的参数设置

control (曝气控制步长)

       这是曝气控制系统（PI控制器和执行器）更新指令的频率。在每个0.5分钟的control步长，控

制系统会读取溶解氧传感器的测量值，计算所需的K_La，并将其发送给执行器。由于control步长

等于integration步长，这意味着控制系统可以以最高的频率进行调整，以保持对溶解氧的实时控

制。

transferfunction (传递函数区间)

     溶解氧传感器测量的并非瞬时浓度，而是过去一段时间内浓度的加权平均。transferfunction

参数定义了这个“过去一段时间”的长度。同样，执行器输出的实际K_La值也取决于其过去15分钟内

的指令序列。

5️⃣数据存储数组

曝气控制相关变量初始化

初始值来自稳态数据

溶解氧和KLa的滑动窗口（长度=传递函数区间/控制步长 + 1，用于动态响应计算）

6️⃣14天预热仿真详解

      这个阶段不保存任何评估数据，其核心目的是让整个污水处理厂的系统（包括反应器、沉淀池

和曝气控制）在动态变化的进水和控制策略下，从稳态初始数据平稳过渡到有代表性的动态平衡状

态。这可以消除初始数据对最终性能评估的影响。

每30个积分步长，就需要读取一次新的进水数据（15min）

sample / integration=30

计算考虑内回流和外回流的进水（y_in1）

 将当前计算的KLa值应用到3、4、5号反应器

 依次运行5个串联反应器（前一个反应器的出水作为下一个的进水）

 基于反应器出水的溶解氧浓度（第7个参数）进行反馈调节

 准备进入沉淀池的混合液（反应器5的出水减去内回流）

 运行沉淀池模型（泥水分离，输出回流污泥和最终出水）

重点在于kla计算的不同

control / integration=1

每1个积分步长，就需要进行kla的控制

SO3[0:30] = SO3[1:31]

将 SO3 数组中索引1到30的所有值向左移动一位，覆盖了原先索引0到29的值。

7️⃣第二阶段的仿真

SO3[int(transferfunction / control) - 1] = y_out3[7]  # 初始溶解氧（当前值）
kla3[int(transferfunction / control) - 1] = kla3_a  # 初始KLa（当前值）

     系统状态（如反应器浓度和曝气控制的实际KLa）会从第一阶段的结束状态延续到第二阶段，

但像数据存储索引 (number, row)、步数计数器 (numberstep) 和控制相关的滑动窗口 (SO3, kla3 等)

都被重新初始化。  

---

小总结

稳态仿真（第一段）：建立一个可靠的初始状态，排除启动过程的干扰，确保后续仿真的准确性。

动态仿真（第二段）：基于这个可靠的初始状态，引入真实的动态变化和控制策略，来模拟和评估

系统的真实性能。（完成曝气的调节）

---

使用ASM完成实际的应用

下面仅仅是我个人的看法，不一定正确，首先，我们实际的工厂数据是：

      上面的仿真的第一步的目的是为了得到，每个池子的初始浓度，这里我们也可以根据最近一次

的平均入水，得到每个池子的初始数据。（个人也觉得可以直接从工厂中要过来）

这个是AI给的，个人不太相信：

虽然传感器能提供实时数据，但它们反映的是瞬时状态和实际运行中的波动，无法提供一个理想的、可重复的基准。稳态仿真正是为了填补这个空白而存在的。

你可以将稳态仿真看作是校准和验证模型的第一道关卡。只有当模型在稳态条件下表现良好时，我们才能相信它在模拟真实世界的复杂动态时也能给出可靠的预测。因此，在实际的工程应用中，稳态仿真是一个必不可少的步骤，它是动态分析和高级控制的基础。

我的想法是：

         根据过去14天的数据，（1344条数据），计算平均入水水质。然后进行，仿真200天。获得几个池子的浓度和曝气系统的参数。

然后对过去的1344条数据进行14天的仿真，使得系统适应这种状态。获得kla和SO，然后再进行单点的时间序列预测。