# 污水处理曝气控制AI系统

**Repository Path**: darky22/xgboost

## Basic Information

- **Project Name**: 污水处理曝气控制AI系统
- **Description**: 本项目是一个基于XGBoost机器学习算法的污水处理曝气控制系统，旨在通过预测溶解氧(DO)和氨氮(NH4+)浓度，优化污水处理厂的曝气过程，实现能耗降低和处理效果提升。系统结合了传统规则控制和AI预测优化，形成了一套高效的混合控制策略。

- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 3
- **Created**: 2025-09-22
- **Last Updated**: 2025-09-22

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 污水处理曝气控制AI系统

## 项目概述

本项目是一个基于XGBoost机器学习算法的污水处理曝气控制系统，旨在通过预测溶解氧(DO)和氨氮(NH4+)浓度，优化污水处理厂的曝气过程，实现能耗降低和处理效果提升。系统结合了传统规则控制和AI预测优化，形成了一套高效的混合控制策略。

## 项目特点

1. **数据驱动的DO和NH4+预测**：利用XGBoost算法对未来1-6小时的水质参数进行预测
2. **基于规则和AI的混合控制策略**：结合传统控制规则和AI预测结果，实现更智能的控制决策
3. **能耗优化的曝气控制**：通过预测性控制减少不必要的曝气，降低能耗
4. **完整的可视化监控**：提供过程参数、预测结果、控制策略和能耗分析的可视化图表
5. **可扩展的时间序列预测框架**：支持添加更多特征和预测目标

## 系统架构

项目由以下几个主要模块组成：

1. **数据处理模块**：
   - `data_simulation.py`：生成合成数据用于演示和测试
   - `data_processor.py`：数据预处理、异常值检测、特征工程

2. **预测模型模块**：
   - `xgb_predictor.py`：基于XGBoost的DO和NH4+预测模型

3. **控制策略模块**：
   - `aeration_controller.py`：曝气控制决策，包括规则控制、AI优化控制和混合控制

4. **可视化模块**：
   - `dashboard.py`：生成各类监控图表和分析报告

5. **演示脚本**：
   - `demo.py`：完整流程演示


## 环境要求

- Python 3.9+
- 依赖包：
  - pandas >= 1.3.0
  - numpy >= 1.21.0
  - xgboost >= 1.5.0
  - scikit-learn >= 1.0.0
  - matplotlib >= 3.5.0
  - joblib >= 1.1.0

## 安装指南

### 使用Conda创建虚拟环境（推荐）

```bash
# 创建conda环境
conda create -n xgboost_env python=3.9 -y

# 激活环境
conda activate xgboost_env

# 激活环境并运行
conda activate xgboost_env; python app.py

# 安装依赖包
conda install pandas numpy xgboost scikit-learn matplotlib joblib -y
```

### 使用pip安装（替代方案）

```bash
# 创建虚拟环境
python -m venv env

# 激活环境（Windows）
env\Scripts\activate
# 激活环境（Linux/Mac）
# source env/bin/activate

# 安装依赖
pip install -r requirements.txt
```

## 使用方法

### 运行完整演示

```bash
python demo.py
```

```bash
python app.py
```

演示将执行以下步骤：
1. 生成合成数据
2. 数据预处理和特征工程
3. 训练XGBoost预测模型
4. 模拟控制策略执行
5. 生成可视化分析图表
6. 输出模型评估结果

### 查看可视化结果

演示完成后，可在`visualization`目录下查看生成的图表：
- `process_parameters.png`：过程参数监控图
- `prediction_comparison.png`：预测结果对比图
- `control_strategy.png`：控制策略图
- `energy_consumption.png`：能耗分析图

## 自定义开发

### 使用真实数据

替换`data_simulation.py`中的合成数据生成逻辑，接入真实的SCADA或DCS系统数据。

### 调整控制参数

在`aeration_controller.py`中修改控制参数，如目标DO值、阈值和能耗权重等。

### 扩展预测模型

在`xgb_predictor.py`中添加更多特征或预测目标，如COD、TN等水质参数。

## 性能指标

系统通过以下指标评估性能：

1. **预测准确性**：
   - DO和NH4+预测的RMSE（均方根误差）
   - R²（决定系数）

2. **控制效果**：
   - DO控制稳定性（偏差统计）
   - 出水水质达标率

3. **能耗优化**：
   - 平均风机功率
   - 能耗节省百分比

## 注意事项

- 本演示使用合成数据，实际应用时需根据具体工艺参数调整模型和控制策略
- 模型训练需要足够的历史数据（至少一个月）才能获得良好的预测效果
- 控制参数需根据实际工艺条件进行优化调整

## 未来改进

- 添加深度学习模型（LSTM、Transformer）提高预测准确性
- 实现在线学习功能，持续优化模型
- 开发Web界面，提供更友好的用户交互
- 集成多目标优化算法，平衡能耗和处理效果