基于神经网络的污水处理预测控制方法
【技术领域】
[0001] 本发明利用神经网络预测控制技术，在与国际水协（IWA)开发的基准仿真模型 (BenchmarkSimulationModelNo. 1，BSM1)的布局一样的活性污泥污水处理装置总体布 局基础上，解决第五分区溶解氧浓度和第二分区的硝态氮浓度的控制问题。污水处理过程 控制作为污水处理的重要环节，是先进制造技术领域的重要分支，既属于水处理领域，又属 于控制领域。
【背景技术】
[0002] 随着国民经济的增长和公众环保意识的增强，污水处理自动化技术迎来了前所未 有的发展机遇。国家中长期科技发展规划中提出要研究并推广污水处理控制新技术。因此， 本发明的研究成果具有广阔的应用前景。
[0003] 污水处理过程是一个复杂的生化反应过程，伴随有物理化学反应、生化反应、相变 过程及物质与能量的转化和传递过程，过程复杂，建模困难，导致其过程控制更加困难。很 多学者在BSM1的基础上，对污水处理的过程控制进行了大量的研究。基于研究发现模糊控 制缺乏自学习能力，适应性比较差，控制精度不高；模型预测控制是基于数学模型的预测控 巧||，模型精度不高，实际应用比较困难。而由神经元构成的神经网络具有强大的非线性映射 能力和学习功能，可很好地对非线性系统进行预测控制。且大多数的研究只针对溶解氧进 行的研究。但是在A/0工艺中，曝气区的DO(溶解氧）浓度和缺氧区的Sw(硝酸氮）浓度 是影响硝化反硝化进程的重要参数。曝气区中DO浓度过高，会导致进入缺氧区的DO增多， 无法保证反硝化所需的缺氧环境，增大了缺氧区可快速降解有机碳的消耗，从而影响处理 效果。同样，维持合适的缺氧区Sw浓度，才能够高效利用缺氧区反硝化作用，同时避免过高 的内循环回流量，提高脱氮去除率并减少动力消耗。硝态氮浓度的控制和溶解氧浓度的控 巧[|，是提高污水处理系统处理效果的重要参数。
【发明内容】
[0004] 本发明获得一种基于神经网络污水处理过程控制方法，是基于神经网络的多变量 预测控制系统，系统中主要包括两部分；神经网络辨识器-提取对象的输出数据；神经网络 控制器-输出控制变量。
[0005] 其特征在于，包括W下步骤：
[0006] 1、过程控制装置；
[0007] 活性污泥污水处理装置总体布局包括生化反应池和二沉池。生化反应池部分共包 括5个分区，前两个分区是缺氧区，后Η个分区是曝气区。每一个分区中，均WQk表示流量，Zk表不各组分的浓度，Z-(SI,Ss,Xi,Xs,Xb,H,Xp,Sno,Snh,Snd,Xnd,Salk)，S:表不洛解性不可 生物降解有机物浓度，单位gCOD. m3;Ss表示溶解性可生物降解有机物浓度，单位gCOD. m3;XI表示不可生物降解有机物浓度，单位gCOD.m 表示可生物降解有机物浓度，单位 gα)0.πι3;ΧΒ,Η表示活性异养菌生物固体浓度，单位gCOD.m3;Χρ表示生物固体衰减产生的 惰性物质浓度，单位gCOD.m3;Sw表示出水中的硝酸盐氮浓度，单位gN.m3;S表示出水 中的NH4-N和N&-N的总浓度，单位gN.m3;SWD表示溶解性可生物降解有机氮浓度，单位g N.m3;Xw表示颗粒性可生物降解有机氮浓度，单位抑.m3;Sau(表示碱度，单位mol.m3。缺 氧区两个单元的体积Vi=V2,曝气区Η个单元的体积V3=V4=V5。在第一分区输入的是 污水、从二沉池返回的外回流量Qf和第五分区的内回流量Q。的总和Qi;在第二分区的输入 〇2是由第一分区流入的量Q1;第Η分区的输入Q3是由第二分区流入的量Q2;第四分区的输 入Q4是由第Η分区流入的量第五分区的输入Qe是由第四分区流入的量〇4;二沉池的输 入Qf是由第五分区流入的量Qe与内回流量Q。的差Qδ-Q。;二沉池沉淀之后分为出水Q。、污 泥排放A和外回流量Qf。控制器1控制第五分区的溶解氧浓度，控制器2控制第二分区的 硝态氮的浓度。
[000引 2、k时亥I]，溶解氧浓度和硝态氮浓度的控制；
[0009] W下2. 1和2. 2是同时进行的，2. 6和2. 7是同时进行的。
[0010] 2. 1溶解氧浓度的控制
[0011] 输入是k-1时刻实际污水处理过程输出的溶解氧浓度的值yi化-1)、和k-1时刻 第五分区的氧转换系数町。5的值ui化-1);输出是k时刻第五分区的氧转换系数町。5的值 Ui化）。利用Η层BP网络建立神经网络预测控制器NPCi，神经网络的输入是：
[0012] Zi似=[叫（k-1)，(k-1)]τ(1)
[001引式中，Ui(k-l)指k-1时刻的第五分区的氧转换系数町。5的值；yi(k-l)指实际污 水处理过程输出的溶解氧浓度后的值。
[0014] 神经网络的表述如下：
[0017]式中，ii指输入层神经元，Z4脚是输入层第ii个神经元的输入，％脚是输入层到 隐含层的权值,?是隐含层神经元的数目，Whe[2,20]，ji指神经网络输出层神经元，卸0是隐
[0015]
[0016] 含层的传输函数，；
是隐含层到输出层的权值。
[001引输出是叫似，Ui似指k时刻的第五分区的氧转换系数町。5的值
[0019] 2. 2硝态氮浓度的控制
[0020] 输入是k-1时刻实际污水处理过程输出的硝态氮浓度的值y2化-1)、和k-1时刻内 回流量Q。的值U2化-1);输出是k时刻内回流量Q。的值U2似。
[0021] 采用用Η层BP网络建立神经网络预测控制器，神经网络的输入是：
[0022] Ζ2 似=[U2(k-1)，y2(k-l)]T (4)
[002引式中，U2 (k-1)指k-1时刻内回流量Qa的值；y2化-1)是实际污水处理过程输出的 硝态氮浓度后的值。
[0024] 神经网络的表述如下：
[00巧]
(5)
[0026]
(6)
[0027]式中，i2指神经网络输入层神经元，却,脚是输入层第i2个神经元的输入，昭A脚是 输入层到隐含层的权值，巧^是隐含层神经元的数目，巧^E[2,20|，J'2指神经网络输出层神经 元，斬0是隐含层的传输函数，兩巧脚=i+ 脚W；A脚是隐含层到输出层的权值。
[002引输出是啡似，U2似指k时刻内回流量Qa的值。
[0029] 2. 3神经网络预测溶解氧浓度和硝态氮浓度
[0030] 输入是k时刻第五分区的氧转换系数町。5的值Ui(k)和内回流量Qa的值U2(k)和 k-1时刻实际污水处理过程输出的溶解氧浓度的值yi(k-l)和硝态氮浓度的值y2化-1)。
[0031]神经网络采用Η层BP神经网络，它包括输入层山层）、隐含层化3层）和输出层 〇3层），其输入为：
[0032] X似=[叫似，1?似，yi(k-l)，y2(k-l)]T(7)
[0033] 神经网络的表述如下：
[0036]式中，is指输入层神经元，^脚代表输入层第is个神经元的输入，脚是输入层 到隐含层的权值，"是隐含层神经元的数目，^E[2,20|，j'3指神经网络输出层神经元，抑0是
[0034]
[0035] 隐含层的传输函数，
是隐含层到输出层的权值。
[0037] 输出是：预测k时刻系统的溶解氧浓度的值斯(0和硝态氮浓度的值於(0，得到输 出值矩阵化)。
[003引 2. 4将k时刻的第五分区的氧转换系数町。5的值Ui似和内回流量Q。的值U2似 作为污水处理过程的输入，得到在k时刻的溶解氧浓度和硝态氮浓度的值的矩阵y化)。
[0039] 2. 5修正神经网络辨识器順I的权值初值，定义下式的性能指标函数：
[0040]
(10)
[0041]式中；e(k)是少(0与y(k)的误差，少(0是预测k时刻系统的输出值的矩阵，y化） 是实际污水处理过程在k时刻的输出值的矩阵。
[0042] 按下式更新权值W柄和^加：
[0043]
(11)
[0044] 式中，η是一个正的学习率，ηE(0,1]。
[0045] 2. 6对NPCi的权值的初值进行在线调整，定义下式的性能指标函数：
[0046]
(巧
[0047] 式中，2是溶解氧浓度的输出值为经验值，义脚是k时刻神经网络预测的溶解氧浓 度的输出值。
[004引通过动态BP算法来修正神经网络预测控制器的权值，公式如下：
[0049]
[0050] 式中，1U是一个正的学习率，ηciE(oa]。
[0051] 2. 7对NPC2的权值的初值进行在线调整，定义下式的性能指标函数：
[0052]
(14)
[0053] 式中，1是硝态氮浓度的输出值为经验值，於(0是k时刻神经网络预测的硝态氮浓 度的输出值。
[0054] 通过动态BP算法来修正神经网络预测控制器NPC2的权值，公式如下：
[00巧1
(15)
[005引式中，nc2是一个正的学习率，η czE(oa]。
[0057] 3、k+1时刻，溶解氧浓度和硝态氮浓度的控制
[005引W下3. 1和3. 2是同时进行的，3. 4和3. 5是同时进行的。
[0059] 3. 1溶解氧浓度的控制
[0060] 输入是k时刻实际污水处理过程输出的溶解氧浓度的值yi化)、和k时刻第五分区 的氧转换系数町。5的值ui化）；输出是k+1时刻第五分区的氧转换系数町。5的值ui化+1)。 利用Η层BP网络建立神经网络预测控制器NP。，神经网络的输入是：
[00川Zi(k+1)=[叫似，似]Τ(16)
[006引式中，Ui似指k时刻的第五分区的氧转换系数町。5的值；yi似指实际污水处理 过程输出的溶解氧浓度后的值。
[0063] 神经网络的表述如下：
[0064]
[0066] 式中，ii指输入层神经元，Ζι,(Α+1)是输入层第ii个神经元的输入，是输入层 到隐含层的权值，巧^是隐含层神经元的数目，巧^e[2,20]，ji指神经网络输出层神经元，卸0是 隐含层的传输函数
是隐含层到输出层的权值。
[0067]