算法每2个小时进行优化设定值更 新，得到污水处理过程溶解氧浓度和硝态氮浓度优化结果如图3和图4 ;图3为溶解氧浓度 优化设定值变化及跟踪控制曲线，实线为优化设定值，虚线为跟踪控制效果；图4为硝态氮 浓度优化设定值变化及跟踪控制曲线，实线为优化设定值，虚线为跟踪控制效果；在控制过 程中，溶解氧浓度和硝态氮浓度设定值随污水处理过程运行情况在优化范围内实时变化。 表1给出了闭环控制和优化控制两种控制策略下的运行费用对比。闭环控制中，溶解氧浓 度和硝态氮浓度设定值分别为2mg/L和lmg/L，整个过程固定不变；优化控制为采用提出的 多目标优化方法。表2给出了优化控制与闭环控制下几种关键出水水质参数比较，优化控 制下各出水水质达标。优化控制与闭环控制相比，曝气能耗AE减少3. 51 %，栗送能耗PE增 加2. 43 %，但总能耗EC减少3. 13%，说明能耗降低需要综合考虑曝气耗能和栗送耗能，多 目标优化控制达到了良好的节能降耗效果；EQ值有所增大，说明能耗EC与水质指标EQ是 具有冲突性质的两个性能指标，多目标优化可以根据决策意向实现能耗降低与水质指标优 化的折中。
[0074] 表1 :两种控制策略下的能耗与水质性能指标比较
[0075]
[0076] 表2 :两种控制策略下的平均出水水质浓度
[0077]
【主权项】
1.污水处理过程动态多目标优化控制方法，其特征在于，包括W下步骤： 1).W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； 1.1多目标优化模型构造 建立优化设定值与性能指标间的函数关系，其实质是建立溶解氧浓度和硝态氮浓度的 优化设定值与能耗指标、出水水质指标间的代理模型，实现对性能指标的预测和评价；令 Xi似为溶解氧浓度设定值，而似为硝态氮浓度设定值，X似=[Xi似，而似]为设定值组 成的优化向量，k为时刻，为方便表述，记X(k)为为优化变量与曝气能耗间的函数 表达，fpe(x)为优化变量与累送能耗间的函数表达，能耗指标定义为曝气能耗与累送能耗之 和，即能耗指标fEC(X) =fAE(X)+fpE(X)，fE?(X)为优化变量与出水水质指标间的函数表达； 构建如下多目标优化模型，式中，4,坤分别为溶解氧浓度优化设定值的下限和上限值，據為分别硝态氮浓度 优化设定值的下限和上限值；gi(x)为出水氨氮浓度Skh与优化设定值间的函数关系，gi(x)-4《0表示出水氨氮需满足的约束不等式，4(mg/L)为其约束上限值，g2(x)为出水总 氮浓度Nt。,与优化设定值间的函数关系，g2(x)-18《0表示出水总氮需满足的约束不等式， 18 (mg/L)为其约束上限值；溶解氧浓度为污水处理第五分区溶解氧浓度，硝态氮浓度为污 水处理第二分区硝态氮浓度； 1.2模糊神经网络在线建模 优化设定值与曝气能耗、累送能耗、出水水质的函数关系，采用TS模糊神经网络在线 建模方法得到；神经网络的输入向量由z(k)表示，对于曝气能耗模型、累送能耗模型，网络 的输入为k时刻溶解氧浓度和k时刻硝态氮浓度；对于出水氨氮、出水总氮、水质性能指标 的函数模型，网络输入为k时刻溶解氧浓度、k时刻硝态氮浓度，W及k时刻入水流量；为方 便表述，z(k)简记为Z; 模糊神经网络的输出表示为 訂某'）二Φ(ζ). /Υ(ζ，0) 说 其中，Φ(Ζ)=f(Α(ζ)) (4) Η(ζ，θ) = [1，ζΤ] .θ妨 式中，Α(ζ)为网络输入经模糊化后得到的隶属度矩阵，f为每条规则隶属度乘积及规 一化运算，隶属度函数取高斯函数；Θ为Θ化）的简记，表示k时刻神经网络的后件参数矩 阵；上标T表示向量的转置；.i'W为k时刻网络输出； 设k时刻网络学习的目标函数为：炸） 采用梯度下降算法更新网络参数，调整公式为：(7) 式中，α化）为k时刻网络的学习参数向量，包括网络的后件参数、隶属度函数的中屯、 和宽度；α化+1)为k+1时刻网络学习参数向量；η为网络的学习率，在化1)之间取值， y(k)为k时刻系统实际物理量输出，基于污水处理过程基准仿真模型BSM1产生； 1.3模型中约束条件处理 采用惩罚函数法将建立的约束优化问题转化成无约束优化问题；定义惩罚项fpenaity(x) =max{gi(x)-4,0}+max{g2(x)-18, 0} (8) 加入惩罚项的能耗指标与水质性能指标表达为(9) 其中，C为惩罚因子，取定惩罚因子为100000 ; 2) .多目标优化算法 对建立的污水处理过程多目标优化模型采用NSGA-n进化算法进行求解，在溶解 氧浓度和硝态氮浓度的优化设定值范围内，获得多目标优化问题的一组等同优秀的解， 即Pareto最优解；NSGA-II进化算法中待优化性能指标为（9)式带有惩罚项的能耗指标 f'ee(x)和水质性能指标f'w(x);取定捜索空间D为2维，种群规模N为40,最大进化代 数Μ为30 ;按照标准NSGA-n进化算法运行程序，直至达到最大进化代数M，算法结束，给出 污水处理过程多目标优化问题的一组Pareto最优解找P，1《P《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； 3) .智能决策 为了实现污水处理过程的闭环控制，在多目标优化算法获得的一组Pareto最优解中， 确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 cLility狂P) =?ifAE狂P) + ?2fpE〇0 (l〇) 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Xi(k)和硝态氮浓度优化设定值X2(k);式中，《1、《2为决策者确定的性 能指标权重，且《1+?2= 1，； 4) .底层PID控制 将溶解氧浓度设定值xi(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行控制， 硝态氮浓度通过内回流量Q。进行控制；按基准定义，氧气转换系数变化范围取为 0<町。5<240(d1)，内回流量Q。变化范围取为0<Q。<92230 (mVd);令k时刻氧气转换系数町。5 为Ui化)，控制增量为Δι?ι化）；k时刻内回流量Q。为U2化)，控制增量为Au2化）； 定义k时刻溶解氧浓度和硝态氮浓度的系统误差：Ill) 式中yi化)，y2化）分别为k时刻溶解氧浓度和硝态氮浓度的实际测量值； 采用增量式PID控制，k时刻控制增量表达为式中Κρ,ι，Κι,ι，Kd,i分别为溶解氧浓度控制器的比例、积分和微分系数；Κρ,2,Κι,2,Kd,2分 别为硝态氮浓度控制器的比例、积分和微分系数；取定：Κρ,ι= 200,Κι,ι= 15,Kd,i=2,Κρ,2 =20000,Κι,2= 5000,Κ〇'2= 400 ; 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χι化）和硝态氮浓度优化设定值Χ2化)，由底层PID执行跟踪控制任务。2.根据权利要求1所述的污水处理过程动态多目标优化控制方法，其特征在于，考 虑固体悬浮物浓度SS低于其约束上限值30(mg/L)，化学需氧量COD低于其约束上限值 100(mg/L)或/和生物需氧量BODs低于其约束上限值10(mg/L)，并与约束上限值一起构成 多目标优化模型中的约束条件。
【专利摘要】污水处理过程动态多目标优化控制方法属于水研究领域，也属于智能控制领域。本发明在保证出水水质达标的前提下，同时优化能耗和出水水质指标。首先，通过神经网络在线建模方法构造污水处理过程多目标优化模型，解决优化变量与性能指标间没有精确数学描述的问题；其次，基于建立的优化模型，由多目标优化算法得到问题的Pareto最优解，并根据决策信息，从Pareto解集中确定一个满意优化解，即溶解氧浓度和硝态氮浓度的优化设定值；最后，由底层控制器实现优化设定值的跟踪任务。该方法在保证出水水质达标前提下，能够有效降低污水处理过程能耗和运行成本。
【IPC分类】G05B13/04
【公开号】CN105404151
【申请号】CN201510921301
【发明人】乔俊飞, 张伟, 韩红桂
【申请人】北京工业大学
【公开日】2016年3月16日
【申请日】2015年12月12日