一种曝气过程自适应控制方法及系统

1.本发明涉及污水处理领域，特别是涉及一种曝气过程自适应控制方法及系统。


背景技术：

2.污水处理属于能源消耗密集型行业，其能源消耗主要有化学药剂、电能及燃烧热能等。其中，城市污水处理厂的电能消耗约占整厂直接能耗的60～90％。生物处理系统承担着去除污水中主要污染物质的任务，是污水处理的核心环节，其运行所需的能耗大约占整厂所需能耗的50％～70％。对污水处理厂生物处理系统的曝气过程进行优化改造，提升其稳定性和利用效率，是污水处理厂达到出水标准的要求和节能降耗的需求所在。
3.我国污水处理行业受工业化和经济发展制约而相对起步较晚，同时拥有的污水处理厂数量少且分布不均匀，大部分污水处理厂仍存在设备和技术落后、能耗高、自动化和智能化程度低等弊端，急需对其进行扩增和改造升级。因此，为降低能耗、减少污水处理成本、提高污水处理质量、提升污水处理效率，未来我国污水处理厂应向智能化、自动化、精确化、低能耗发展，其中占污水处理厂主要能耗和核心部位的曝气过程的技术研究和升级改造更是未来研究和发展的重中之重。由于污水处理厂直接实验的可行性低、成本高，因而需要先通过建模来进行仿真控制从而为实际实验提供理论依据。然而曝气过程涉及生物反应和泥水回流等过程，在建模方面涉及的影响因素多，模型较为复杂，因此建模有一定难度。此外，当前国内曝气过程的控制多为手动pid调节控制或者人工经验控制，控制精确度低，且曝气过程控制具有不确定性、非线性、时变性、时滞性、大惯性等特点。因而曝气过程的精细化控制不仅是污水处理中的重点问题也是难点问题。


技术实现要素：

4.本发明的目的是针对现有技术的不足，提供了一种曝气过程自适应控制方法及系统，对污水处理厂生物处理系统的曝气过程进行优化改造，提升其稳定性和利用效率。
5.为实现上述目的，本发明提供了如下方案：
6.一种曝气过程自适应控制方法，包括：
7.获取当前时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息；
8.根据所述当前时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息，采用好氧池溶解氧浓度自适应控制模型，计算下一时刻好氧池溶解氧浓度调节目标；
9.根据所述下一时刻好氧池溶解氧浓度调节目标，确定下一时刻鼓风机的出风量；
10.其中，所述好氧池溶解氧浓度自适应控制模型是根据pso
‑
bp神经网络和活性污泥1号模型构建确定的。
11.可选的，所述获取当前时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息，具体包括：
12.利用安装在进水端、出水端、好氧池以及二沉池内的水质传感器实时获取污水水
质参数信息；所述污水水质参数信息包括温度、cod、氨氮、tkn、do和ph；
13.利用安装在好氧池以及二沉池内的在线污泥浓度仪实时获取活性污泥泥质参数信息；所述活性污泥泥质参数信息为mlss；
14.利用安装在鼓风机出风管道口的风量传感器实时获取鼓风机风量信息。
15.可选的，所述好氧池溶解氧浓度自适应控制模型的确定过程为：
16.构建活性污泥1号模型；
17.以曝气过程中的好氧池溶解氧浓度为控制对象，以所述活性污泥1号模型为平台，采用蒙特卡洛法，对pso
‑
bp神经网络自适应控制模型进行仿真实验，以得到优化后的pso
‑
bp神经网络自适应控制模型；所述优化后的pso
‑
bp神经网络自适应控制模型为好氧池溶解氧浓度自适应控制模型。
18.可选的，所述构建活性污泥1号模型，具体包括：
19.基于cost624&682基准的模型工艺流程、matlab中的simulink或matlab中的图形用户界面，构建活性污泥1号模型。
20.可选的，所述pso
‑
bp神经网络自适应控制模型的确定过程为：
21.确定样本数据；所述样本数据包括历史时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息；
22.构建bp神经网络；
23.采用粒子群算法确定隐含层和输出层的初始权值；
24.根据所述bp神经网络以及所述隐含层和输出层的初始权值，确定基于bp神经网络的pid控制结构；
25.采用所述样本数据训练所述基于bp神经网络的pid控制结构，得到pso
‑
bp神经网络自适应控制模型。
26.一种曝气过程自适应控制系统，包括：
27.信息获取模块，用于获取当前时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息；
28.好氧池溶解氧浓度调节目标计算模块，用于根据所述当前时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息，采用好氧池溶解氧浓度自适应控制模型，计算下一时刻好氧池溶解氧浓度调节目标；
29.出风量确定模块，用于根据所述下一时刻好氧池溶解氧浓度调节目标，确定下一时刻鼓风机的出风量；
30.其中，所述好氧池溶解氧浓度自适应控制模型是根据pso
‑
bp神经网络和活性污泥1号模型构建确定的。
31.可选的，所述信息获取模块，具体包括：
32.水质参数信息获取单元，用于利用安装在进水端、出水端、好氧池以及二沉池内的水质传感器实时获取污水水质参数信息；所述污水水质参数信息包括温度、cod、氨氮、tkn、do和ph；
33.泥质参数信息获取单元，用于利用安装在好氧池以及二沉池内的在线污泥浓度仪实时获取活性污泥泥质参数信息；所述活性污泥泥质参数信息为mlss；
34.鼓风机风量信息获取单元，用于利用安装在鼓风机出风管道口的风量传感器实时
获取鼓风机风量信息。
35.可选的，还包括：好氧池溶解氧浓度自适应控制模型构建模块；所述好氧池溶解氧浓度自适应控制模型构建模块包括：
36.活性污泥1号模型构建单元，用于构建活性污泥1号模型；
37.优化单元，用于以曝气过程中的好氧池溶解氧浓度为控制对象，以所述活性污泥1号模型为平台，采用蒙特卡洛法，对pso
‑
bp神经网络自适应控制模型进行仿真实验，以得到优化后的pso
‑
bp神经网络自适应控制模型；所述优化后的pso
‑
bp神经网络自适应控制模型为好氧池溶解氧浓度自适应控制模型。
38.可选的，所述活性污泥1号模型构建单元，具体包括：
39.活性污泥1号模型构建子单元，用于基于cost624&682基准的模型工艺流程、matlab中的simulink或matlab中的图形用户界面，构建活性污泥1号模型。
40.可选的，所述优化单元，具体包括：
41.样本数据确定子单元，用于确定样本数据；所述样本数据包括历史时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息；
42.bp神经网络构建子单元，用于构建bp神经网络；
43.初始权值计算子单元，用于采用粒子群算法确定隐含层和输出层的初始权值；
44.pid控制结构确定子单元，用于根据所述bp神经网络以及所述隐含层和输出层的初始权值，确定基于bp神经网络的pid控制结构；
45.pso
‑
bp神经网络自适应控制模型确定子单元，用于采用所述样本数据训练所述基于bp神经网络的pid控制结构，得到pso
‑
bp神经网络自适应控制模型；
46.优化子单元，用于以曝气过程中的好氧池溶解氧浓度为控制对象，以所述活性污泥1号模型为平台，采用蒙特卡洛法，对pso
‑
bp神经网络自适应控制模型进行仿真实验，以得到优化后的pso
‑
bp神经网络自适应控制模型；所述优化后的pso
‑
bp神经网络自适应控制模型为好氧池溶解氧浓度自适应控制模型。
47.根据本发明提供的具体实施例，本发明公开了以下技术效果：
48.本发明对污水处理厂曝气过程的控制器进行设计优化，基于pso
‑
bp神经网络构建好氧池溶解氧浓度的自适应控制模型，增加好氧池溶解氧浓度的智能控制环节，打破传统凭人工经验进行控制的局限性，提升曝气过程的稳定性和利用效率。
附图说明
49.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
50.图1为本发明曝气过程自适应控制方法的流程图；
51.图2为本发明曝气过程自适应控制系统的结构图；
52.图3为本发明cost624&682基准的模型工艺流程图；
53.图4为本发明生物反应池内部各过程组分的封装图；
54.图5为本发明模型中过程组分子过程反应速率、二沉池颗粒运动速度以及各体元
层污泥浓度等封装模块示意图；
55.图6为本发明采用a/o工艺的活性污泥1号模型的整体封装图；
56.图7为本发明bp神经网络的结构示意图；
57.图8为本发明pso
‑
bp神经网络自适应算法的控制结构图；
58.图9为本发明基于pso
‑
bp神经网络自适应控制的曝气过程图。
具体实施方式
59.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
60.本发明的目的是提供一种曝气过程自适应控制方法及系统，对污水处理厂生物处理系统的曝气过程进行优化改造，提升其稳定性和利用效率
61.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
62.实施例一
63.如图1所示，本实施例提供了一种曝气过程自适应控制方法，包括：
64.步骤101：获取当前时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息；具体包括：
65.利用安装在进水端、出水端、好氧池以及二沉池内的水质传感器实时获取污水水质参数信息；所述污水水质参数信息包括温度、cod、氨氮、tkn、do和ph。
66.利用安装在好氧池以及二沉池内的在线污泥浓度仪实时获取活性污泥泥质参数信息；所述活性污泥泥质参数信息为mlss。
67.利用安装在鼓风机出风管道口的风量传感器实时获取鼓风机风量信息。
68.步骤102：根据所述当前时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息，采用好氧池溶解氧浓度自适应控制模型，计算下一时刻好氧池溶解氧浓度调节目标。
69.其中，所述好氧池溶解氧浓度自适应控制模型是根据pso
‑
bp神经网络和活性污泥1号模型构建确定的。
70.步骤103：根据所述下一时刻好氧池溶解氧浓度调节目标，确定下一时刻鼓风机的出风量。
71.所述好氧池溶解氧浓度自适应控制模型的确定过程为：
72.构建活性污泥1号模型；具体包括：基于cost624&682基准的模型工艺流程、matlab中的simulink或matlab中的图形用户界面，构建活性污泥1号模型。
73.以曝气过程中的好氧池溶解氧浓度为控制对象，以所述活性污泥1号模型为平台，采用蒙特卡洛法，对pso
‑
bp神经网络自适应控制模型进行仿真实验，以得到优化后的pso
‑
bp神经网络自适应控制模型；所述优化后的pso
‑
bp神经网络自适应控制模型为好氧池溶解氧浓度自适应控制模型。
74.所述pso
‑
bp神经网络自适应控制模型的确定过程为：
75.确定样本数据；所述样本数据包括历史时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息。
76.构建bp神经网络。
77.采用粒子群算法确定隐含层和输出层的初始权值。
78.根据所述bp神经网络以及所述隐含层和输出层的初始权值，确定基于bp神经网络的pid控制结构。
79.采用所述样本数据训练所述基于bp神经网络的pid控制结构，得到pso
‑
bp神经网络自适应控制模型。
80.实施例二
81.如图2所示，本实施例提供了一种曝气过程自适应控制系统，包括：
82.信息获取模块201，用于获取当前时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息；具体包括：
83.水质参数信息获取单元，用于利用安装在进水端、出水端、好氧池以及二沉池内的水质传感器实时获取污水水质参数信息；所述污水水质参数信息包括温度、cod、氨氮、tkn、do和ph。
84.泥质参数信息获取单元，用于利用安装在好氧池以及二沉池内的在线污泥浓度仪实时获取活性污泥泥质参数信息；所述活性污泥泥质参数信息为mlss。
85.鼓风机风量信息获取单元，用于利用安装在鼓风机出风管道口的风量传感器实时获取鼓风机风量信息。
86.好氧池溶解氧浓度调节目标计算模块202，用于根据所述当前时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息，采用好氧池溶解氧浓度自适应控制模型，计算下一时刻好氧池溶解氧浓度调节目标；其中，所述好氧池溶解氧浓度自适应控制模型是根据pso
‑
bp神经网络和活性污泥1号模型构建确定的。
87.出风量确定模块203，用于根据所述下一时刻好氧池溶解氧浓度调节目标，确定下一时刻鼓风机的出风量。
88.本实施例提供的一种曝气过程自适应控制系统还包括：好氧池溶解氧浓度自适应控制模型构建模块；所述好氧池溶解氧浓度自适应控制模型构建模块包括：
89.活性污泥1号模型构建单元，用于构建活性污泥1号模型。
90.优化单元，用于以曝气过程中的好氧池溶解氧浓度为控制对象，以所述活性污泥1号模型为平台，采用蒙特卡洛法，对pso
‑
bp神经网络自适应控制模型进行仿真实验，以得到优化后的pso
‑
bp神经网络自适应控制模型；所述优化后的pso
‑
bp神经网络自适应控制模型为好氧池溶解氧浓度自适应控制模型。
91.其中，所述活性污泥1号模型构建单元，具体包括：
92.活性污泥1号模型构建子单元，用于基于cost624&682基准的模型工艺流程、matlab中的simulink或matlab中的图形用户界面，构建活性污泥1号模型。
93.所述优化单元，具体包括：
94.样本数据确定子单元，用于确定样本数据；所述样本数据包括历史时刻的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息。
95.bp神经网络构建子单元，用于构建bp神经网络。
96.初始权值计算子单元，用于采用粒子群算法确定隐含层和输出层的初始权值。
97.pid控制结构确定子单元，用于根据所述bp神经网络以及所述隐含层和输出层的初始权值，确定基于bp神经网络的pid控制结构。
98.pso
‑
bp神经网络自适应控制模型确定子单元，用于采用所述样本数据训练所述基于bp神经网络的pid控制结构，得到pso
‑
bp神经网络自适应控制模型。
99.优化子单元，用于以曝气过程中的好氧池溶解氧浓度为控制对象，以所述活性污泥1号模型为平台，采用蒙特卡洛法，对pso
‑
bp神经网络自适应控制模型进行仿真实验，以得到优化后的pso
‑
bp神经网络自适应控制模型；所述优化后的pso
‑
bp神经网络自适应控制模型为好氧池溶解氧浓度自适应控制模型。
100.实施例三
101.本发明提出的一种基于pso
‑
bp神经网络自适应控制的曝气过程的控制方法包括以下步骤：
102.步骤s1：利用在线传感器，实时监测进水端、出水端、好氧池以及二沉池内的污水水质参数信息和活性污泥泥质参数信息；利用安装在鼓风机出风管道口的风量传感器在线监测鼓风机风量信息。
103.步骤s2：安装在鼓风机房内的控制器获取曝气过程的污水水质参数信息、活性污泥泥质参数信息以及鼓风机风量信息，并将这些变量和参数称为当前系统状态。
104.步骤s3：该控制器基于当前系统状态和好氧池溶解氧浓度自适应控制模型，计算出当前系统状态下最优的好氧池溶解氧浓度调节目标。
105.步骤s4：控制器根据好氧池溶解氧浓度调节目标调整鼓风机的出风量，实现自适应智能控制。
106.在本实施例提供的一种基于pso
‑
bp神经网络自适应控制的曝气过程的控制方法中，所述污水水质参数信息包括温度、cod、氨氮、tkn、do、ph等，活性污泥泥质参数信息为mlss。
107.在本实施例提供的一种基于pso
‑
bp神经网络自适应控制的曝气过程的控制方法中，所述在线传感器包括水质传感器、泥质传感器和风量传感器。其中，所述水质传感器安装在进水端、出水端、好氧池以及二沉池内，所述水质传感器包括流量计、在线温度计、在线液位计、在线ph计、在线orp测试仪、在线do仪、在线cod仪、在线氨氮仪、在线tkn仪；所述泥质传感器安装在好氧池和二沉池内，为在线污泥浓度仪；所述风量传感器安装在鼓风机出风口管道内。
108.在本实施例提供的一种基于pso
‑
bp神经网络自适应控制的曝气过程的控制方法中，所述好氧池溶解氧浓度自适应控制模型的构建方法具体描述如下：
109.本实施例采用国际水污染控制与研究协会提出的活性污泥1号模型(activated sludge modelno.1，简称asm1)。asm1将污水中的物质依据溶解性、包含成分等生物特性划分为13个过程组分，并根据微生物新陈代谢以及电子受体等角度将系统反应过程划分为8个子过程，同时对每一个子过程的速率描述采用双重monod模式，模型参数无空间变化，是一个集中参数模型。
110.asm1将生物反应池内的生物过程总体分成8个子过程(包括3个微生物生长过程、2个微生物衰减过程、1个氨化过程和2个水解过程)，将生物反应池内的物质分成13个过程组
分(包括8项碳氮基质、3项微生物物质、1项外加电子受体和1项过程碱度变化)，每个子过程有若干个过程组分参加，每个过程组分参加若干个子过程，同时针对各个子过程中过程组分间相互转化的计量关系定义了5个化学计量参数，针对过程组分参加各个子过程反应定义了14个反应动力学参数(包括半饱和系数、微生物衰减系数、微生物最大比增长速率、微生物生长和水解的校正因子以及氨化和水解速率)。
111.本实施例基于asm1，依次建立子过程反应速率方程、单一过程组分总反应速率方程，并将各过程组分的单位进行统一，最终生成模型。
112.污水处理系统是一个受进水、流速、污染物负荷以及进水成分等大扰动影响的大型非线性系统。通过建立模型来对其控制策略进行优化，需克服很多困难，例如：时间常数范围大(几分钟到几天不等)、生物反应的复杂性、缺乏标准的评价基准等。因此，需要有一个合格的工艺基准来建立和检测活性污泥1号模型。
113.本发明所建立的活性污泥1号模型是基于cost624&682基准的模型工艺流程来进行搭建和验证的。cost624&682基准致力于通过加深对活性污泥系统中微生物的了解和加强对生物处理过程的控制优化来实现降低研究成本和提升污水处理技术的目的。
114.cost624&682基准的模型工艺流程有如下要求：
115.a)由5个连续生化池(2个缺氧池和3个好氧池，采用a/o工艺)和一个二沉池组成；
116.b)生化池1和生化池2为缺氧池，没有加入空气；生化池3、生化池4和生化池5为好氧池，生化池中饱和溶解氧浓度为8g/m3，kla的缺省值分别为10/hr、10/hr、3.5/hr，采用asm1作为生化反应过程模型；
117.c)二沉池没有生化反应，分为10层，采用takacs双指数沉淀速率方程描述沉淀过程模型；
118.d)从生化池5到生化池1有混合液内循环，从二沉池到生化池1有污泥回流循环。
119.e)标准给出了生化池和二沉池的物理结构参数，15℃时asm1的动力学参数、化学计量参数以及二沉池模型参数值，稳态时asm1的进水值和出水值以及二沉池各层稳态值和出水值，动态时asm1的进水值和出水值以及二沉池各层动态值和出水值。图3为cost624&682基准的模型工艺流程图；其中，图3各个字母解释为q
in
为进水流量，q
r
为污泥回流量，q
rin
为内循环回流量，q
f
为二沉池进水流量，q
e
为二沉池上清液排出量，q
w
为二沉池污泥排放量；z
in
为进水组分浓度，z
r
为回流污泥组分浓度，z
rin
为内循环组分浓度，z
f
为二沉池进水组分浓度，z
e
排放上清液组分浓度，z
w
为排放污泥组分浓度。
120.另外，本实施例还采用了matlab中另两种更为直观简洁的建模表示，具体如下：
121.本实施例采用matlab中simulink来更为直观简洁地表示建模。运行simulink建成的活性污泥1号模型的各机构封装如图4～图6所示。生物反应池模型的内部由各过程组分的封装模块组成，过程组分浓度变化遵循物料守恒原理，且同一过程组分参与了多种反应。通过直观感受可得，simulink所建成的模型结构分明直观，且可以通过示波器和运行过程输出数值变化得到模型运行的效果。
122.本实施例还采用了matlab中图形用户界面(gui)来更为直观简洁地表示建模。根据设计的功能模块，仿真系统的界面主要功能是输入样本选择、采样步长设置、动力学参数设置、化学计量参数设置和三个好氧池溶解氧浓度变化曲线的绘制。界面设计包括编辑框、单选按钮、按钮及坐标轴框、静态文本框等控件。具体设计如下：
123.a)控制和采样参数设置。3个编辑框获取系统采样步长、控制采样步长、采样天数等参数。
124.b)输入样本选择。5个单选按钮选择输入样本。
125.c)3个好氧池溶解氧浓度变化曲线绘制。2个按钮选择程序运行及开始绘制曲线或清除坐标轴内已绘制曲线，3个坐标轴框用来显示曲线。
126.d)初始性能参数设置。19个静态文本和19个编辑框分别用来提示和输入设置动力学参数和化学计量参数。
127.运用gui图形用户界面设计的活性污泥1号模型界面拥有参数设置、输入选择、绘制输出曲线等功能。
128.本实施例以曝气过程中的好氧池溶解氧浓度为控制对象，以asm1为平台，针对pso
‑
bp神经网络自适应控制模型的控制效果进行了仿真实验。
129.粒子群优化算法(pso)是一种进化计算技术，该算法把每个寻优的问题解都当成粒子。所有粒子都在一个d维空间进行搜索，寻找最优的一个位置，用fitness
‑
function确定适应值以判断当前位置的好坏，同时根据自身和同伴的飞行经验不断调整速度，也就是调整飞行的方向和距离。此外，粒子在搜索过程中能够记忆其当前确定的最优位置。
130.如图7所示，本实施例采用的是三层bp神经网络，包含4个输入节点，5个隐含节点，3个输出节点。j为输入层，i为隐含层，l为输出层，y
r
(k),y(k),e(k),1为bp神经网络的输入；k
p
,k
i
,k
d
为bp神经网络输出。
131.pso
‑
bp神经网络自适应控制模型的控制结构如图8所示。由于基于bp神经网络的pid控制方法存在初值敏感的问题，即隐含层和输出层的初始权值的选取对系统最后的运行结果影响很大。而想要选取到合适的初值往往需要大量重复的实验试验，若只靠人工选取初值并进行试验筛选，操作过于繁重枯燥。本实施例通过使用粒子群算法(pso)让系统对初始权值进行自行的多次初步选取，将结果记录下来后从中选取综合效果最好的初值。
132.具体学习过程：
133.a)计算bp神经网络中连接权值的总数量，即为粒子群算法中粒子的维度数值。
134.b)随机生成粒子种群，设定进化次数，按照粒子群算法进行迭代学习；
135.c)用整个系统输出的均方误差函数作为适应度函数，来评价生成个体的好坏，优胜劣汰，并利用粒子群算法强大的迭代搜索能力得到使系统输出的均方误差达到最小时候的bp神经网络权值。
136.本实施例提出的基于pso
‑
bp神经网络自适应控制的曝气过程的控制方法采用pso
‑
bp神经网络来训练曝气过程溶解氧浓度的自适应控制模型，训练参数为：学习速率η＝0.003，惯性系数γ＝0.003，初始权值为随机值，通过粒子群算法自行选取运行稳定效果最好的稳定权值。
137.抗扰性和鲁棒性是衡量一个控制系统性能的重要指标。
138.为方便观察和分析实验结果，本实施例令asm1处于稳态输入状态，在曝气池的反馈信号中均加入信噪比为20的高斯白噪声，对使用如图9所示的pso
‑
bp神经网络的溶解氧浓度自适应控制模型的系统进行仿真实验。
139.本实施例采用蒙特卡洛法测试pso
‑
bp神经网络的溶解氧浓度自适应控制模型下的活性污泥系统曝气过程的鲁棒性能。为方便观察和分析实验结果，采取了令系统处于动
态输入状态。对实验模型中的自养菌产率系数y
a
、异养菌产率系数y
h
、微生物中惰性颗粒物比例f
p
、微生物细胞中氮含量比例i
xb
、微生物产物中氮含量比例i
xp
分别选取参数摄动区间。这些参数均匀分布在给定区间内，取50组参数值进行随机组合，然后仿真实验得到参数随机组合时的自适应控制模型状态。同时，取上述参数的上限值，仿真实验得到参数严苛时的自适应控制模型。
140.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
141.本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。