定当前状态下的一个最优满意解，作为溶解氧浓度和硝态氮浓度的优化设定值；计 算Pareto解集中所有解的效用函数值
[0035]dutlllty(Xp) = + (10)选取效用函数最小值所对应的解为最 优满意解，即得到k时刻由优化算法确定的溶解氧浓度优化设定值Xl (k)和硝态氮浓度的 优化设定值x2(k);式中，ω1Ν (〇2为决策者确定的性能指标权重，且ω 1，权重大小 体现了决策者对某一性能指标的偏重情况，本发明同时强调能耗指标和水质指标，确定ωi=0· 5，ω2= 〇. 5 ；
[0036] 4.底层PID控制
[0037] 将溶解氧浓度设定值Xl(k)和硝态氮浓度设定值x2(k)送至底层PID控制器， 实现污水处理过程设定值跟踪控制；溶解氧浓度通过第五分区氧气转换系数KU5进行控 制，硝态氮浓度通过内回流量Qa进行控制；按基准定义，氧气转换系数KU5变化范围取为 0〈KU5〈240(d^，内回流量Q/变化范围取为0〈Qa〈92230 (m3/d);令k时刻氧气转换系数KU5 为七仏)，控制增量为AUl(k) ;k时刻内回流量1为112(1〇,控制增量为Au2(k);
[0038] 定义k时刻溶解氧浓度和硝态氮浓度的系统误差：
[0040] 式中yi(k)，y2 (k)分别为k时刻溶解氧浓度和硝态氮浓度的实际测量值；
[0041] 采用增量式PID控制，k时刻控制增量表达为
[0045] 式中KPil，KM，KDil分别为溶解氧浓度控制器的比例、积分和微分系数；ΚΡι2,ΚΙι2， KDi2分别为硝态氮浓度控制器的比例、积分和微分系数；根据实验实际运行结果，取定：κΡι1 =200,κ：ι1= 15,KDil= 2,Κρι2= 20000,κ?ι2= 5000,KD_2= 400 ；
[0046] 5.每隔2小时优化周期，进行多目标优化算法和智能决策计算，更新一次溶解氧 浓度优化设定值Xl (k)和硝态氮浓度优化设定值x2(k)，由底层PID执行跟踪控制任务；
[0047] 本发明获得一种污水处理过程动态多目标优化控制方法，其创造性主要体现在： (1)将污水处理过程的能耗指标和水质指标当成本质多目标优化问题进行处理，考虑了目 标间具有相互冲突的矛盾特性，采用NSGA-II算法同时优化能耗和水质指标，实现溶解氧 浓度和硝酸氮浓度设定值优化；(2)由模糊神经网络建立污水处理过程带有约束的动态多 目标优化模型，为污水处理过程能耗与水质的多目标优化问题提供了模型基础；以上两部 分内容为本发明的保护范围。
[0048] 本发明提出的污水处理过程动态多目标优化控制方法，利用神经网络建模方法在 线建立污水处理过程的约束多目标优化模型，考虑能耗指标和水质指标的同时优化，在保 证污水出水水质达标的情况下，可以实现污水处理过程能耗降低和出水水质指标优化。
【附图说明】
[0049] 图1TS模糊神经网络拓扑结构；
[0050] 图2污水处理过程基准仿真模型BSM1 ;
[0051] 图3第五分区溶解氧浓度优化设定值及跟踪效果；
[0052] 图4第二分区硝态氮浓度优化设定值及跟踪效果；
[0053] 图5本发明方法示意图。
【具体实施方式】
[0054] 本发明获得一种污水处理过程动态多目标优化控制方法，由神经网络建模方法在 线建立污水处理过程带有出水水质浓度约束的多目标优化模型，通过优化溶解氧浓度和 硝态氮浓度的设定值，实现污水处理过程能耗指标与出水水质指标的同时优化，实验基于 BSM1模型阴雨天气下数据运行；其特征在于，包括以下步骤：
[0055] 1.以出水水质达标为约束条件，同时优化能耗和出水水质两个性能指标，构造污 水处理过程的约束多目标优化模型；
[0056] 1. 1建立污水处理过程的约束多目标优化模型
[0057] 利用神经网络在线建立溶解氧浓度和硝态氮浓度的优化设定值与能耗指标、出水 水质指标、出水浓度约束间的函数模型，构成式（1)和式（2)所示的污水处理约束多目标优 化模型；k时刻，对于曝气能耗模型fAE (X)和栗送能耗模型fPE (X)，网络输入为k时刻溶解 氧浓度和k时刻硝态氮浓度，网络结构为2-10-1 ;对于氨氮浓度gi(X)、总氮浓度g2(x)、出 水指标fEQ(x)模型，网络输入为k时刻溶解氧浓度、k时刻硝态氮浓度，以及k时刻入水流 量，网络结构为3-20-1;按照（3)、（4)和（5)式计算网络输出，利用（7)式更新网络权值， 网络学习速率η为〇. 1 ;溶解氧浓度优化设定值的下限值4和上限值片分别为0.4(mg/L) 和3(mg/L)，硝态氮浓度优化设定值的下限值4和上限值名分别为0. 5(mg/L)和2(mg/L);
[0058] 1. 2模型中约束条件处理
[0059] 对于氨氮浓度gl(x)和总氮浓度g2(x)构成的出水浓度约束条件，采用惩罚函数法 将约束优化问题转化成无约束优化问题；按照（8)式计算约束惩罚项，将污水处理过程约 束多目标优化问题转化为（9)式的无约束多目标标优化问题，惩罚因子C取100000;
[0060] 2.米用NSGA-II算法得到污水多目标优化问题的Pareto最优解
[0061] 污水处理过程多目标优化模型采用NSGA-II进化算法进行求解；搜索空间D= 2 维，分别为溶解氧浓度和硝态氮浓度设定值；根据取定的优化设定值上限和下限值，溶解氧 浓度优化设定值的搜索范围设定在[0.4, 3]之间，硝态氮浓度优化设定值的搜索范围设定 在[0. 5, 2]之间；最大进化代数Μ为30 ;种群规模N为40 ;按照标准NSGA-II进化算法解 决当前污水处理过程的多目标优化问题，优化算法的具体步骤为：
[0062] ①进化代数G=1，搜索空间内采用均匀分布的方式随机产生Ν个个体，构成初始 父代种群；
[0063] ②从Ν个父代个体中，由锦标赛选择方法选出（Ν/2)个父代精英个体；
[0064] ③在父代精英个体基础上，进行交叉、变异操作，产生Ν个新个体；
[0065] ④合并Ν个父代个体和Ν个子代个体组成新种群，计算该种群2Ν个个体中待优化 性能指标函数值，对于本发明，待优化性能指标为（9)式中带有惩罚项的能耗指标f'EC(x) 和水质性能指标EQ (x)，进行非占优排序及拥挤距离计算；
[0066] ⑤采用锦标赛选择方法，依据排序等级和拥挤距离大小，挑选出N个较优个体作 为新的父代个体；
[0067] ⑥进化代数G加1，若进化代数G达到最大进化代数M，则算法结束，给出污水处理 过程多目标优化问题的一组Pareto最优解{Xp，1彡p彡N}，即一组等同优秀的溶解氧浓度 和硝态氮浓度的优化设定值，否则转②，进入下一代种群进化；
[0068] 3.智能决策得到溶解氧浓度和硝态氮浓度的优化设定值
[0069] 按照（10)式计算Pareto解集中所有解的效用函数值，找到效用函数值最小时所 对应的解，作为当前状态下的一个最优满意解，即得到k时刻由优化算法确定的溶解氧浓 度优化设定值xjk)和硝态氮浓度的优化设定值x2(k);实验中取定〇. 5,ω2= 〇. 5 ;
[0070] 4.底层PID实现优化设定值跟踪
[0071] k时刻，将溶解氧浓度设定值Xl (k)和硝态氮浓度设定值x2(k)送至底层PID控制 器，分别调节氧气转换系数KU5和内回流量Qa对溶解氧浓度和硝酸氮浓度进行控制；按照 (11)式计算k时刻溶解氧浓度和硝态氮浓度的系统误差ei(k)，e2(k);按照（12)式计算k时刻PID控制器增量AUl(k)，Au2(k);按照（13)式计算得到k时刻污水处理过程的控制 量调，u2(k);溶解氧浓度控制器的比例、积分和微分系数分别为:KP，200,KM= 15， K：u= 2 ;硝态氮浓度控制器的比例、积分和微分系数分别为：KP,2= 20000，KIi2= 5000，Kd,2 =400 ;
[0072] 5.每隔2小时优化周期，进行多目标优化算法和智能决策计算，更新一次溶解氧 浓度优化设定值Xl (k)和硝态氮浓度优化设定值x2(k)，由底层PID执行跟踪控制任务；
[0073] 通过神经网络不断迭代建模学习，并由优化