一种基于预测控制的污水处理碳源投加方法

1.本发明涉及污水处理技术领域，尤其涉及一种基于预测控制的污水处理碳源投加方法。


背景技术：

2.污水处理过程总氮(total nitrogen)浓度是衡量出水水质的重要指标，总氮的超标排放会造成水体溶解氧浓度降低、水体富营养化、生物中毒死亡等严重后果。针对这一问题，我国在2002年出台了《城镇污水处理厂污染物排放标准(gb18918
‑
2002)》，规定了水污染物排放基本控制项目的日均最高允许排放浓度，其中总氮一级a类排放标准为15mg/l，b类排放标准20mg/l。
3.目前，常用的总氮处理工艺主要有传统生物脱氮工艺、新型生物脱氮工艺、物理化学工艺。其中，传统生物脱氮工艺如a2/o、sbr等，工艺结构经典、氨氮去除率高，但运行操作复杂、周期长、处理成本高，易受环境温度等因素的影响；新型生物脱氮工艺如短程生物脱氮技术、同步消化反硝化技术，这些技术在氨氮废水浓度较低时也具有良好的去除效果，但易受到溶解氧、ph值等条件的影响；物理化学法如沉淀法、吹脱法、吸附法，化学法设备和试剂的购买十分昂贵，大部分污水处理厂无法负担长期的处理费用。为了解决总氮浓度超标这一问题，通常采用缺氧池外加碳源强化脱氮的技术措施来确保出水总氮浓度达标。其主要投加控制方式有两种：一种为人工控制方式，工作人员通过污水出水水质变化趋势，人为对碳源进行控制。该方法过度依赖于人工经验、专家知识，且一定时间内投入量恒定，容易造成碳源投加过多或不足的情况，导致出水总氮超标、成本增加、挤占好氧池池容等一系列风险发生。另一种是基于前馈
‑
反馈的碳源投加控制方式，主要通过在线测量入水水质、出水水质等相关指标，采用前馈与反馈相结合方式，利用plc控制器实现自动控制碳源投加量，但污水处理过程时间长、受影响因素众多，易造成投入碳源量不精确，且反馈环节具有一定的滞后性，不利于城市污水处理出水达标和节能降耗。
4.因此，如何在污水处理过程出水达标的前提下，最优化加入碳源减少总氮浓度，实现优化控制、节能降耗、峰值抑制仍是目前亟待解决的难点。


技术实现要素：

5.为了解决污水处理出水总氮超标的问题，本发明提出了一种基于预测控制的污水处理碳源投加方法，该方法首先采用rbf神经网络建立总氮预测模型，其次通过优化算法获得能耗最小时关键参数的设定值，若分析预测得到的总氮超过最高排放标准，则采用峰值抑制控制方法精细化加入碳源，降低出水总氮浓度，实现对污水处理关键参数的超标控制。
6.本发明提供的一种基于预测控制的污水处理碳源投加方法，包括：
7.步骤1：建立能耗和水质模型，采用nsga2算法优化所述能耗和水质模型，获得能耗最低或水质最高的解集作为第五分区溶解氧s
o,5
浓度和第二分区硝态氮s
no,2
浓度的设定值；
8.步骤2：将能耗最低或水质最高的解集输入至已构建好的污水处理出水总氮预测模型，得到当前输入量所对应的总氮预测值；
9.步骤3：判断所述总氮预测值是否超标并采取不同的碳源模糊控制规则进行碳源投加，具体包括：当总氮预测值超标时，采用碳源模糊控制规则，根据总氮预测值对第一分区外加碳源和第二分区外加碳源进行模糊控制。
10.进一步地，步骤1具体包括：
11.步骤1.1：选取f1和f2分别为能耗目标函数和水质目标函数，f1和f2分别为能耗模型和水质模型，采用公式(1)至公式(3)对能耗和水质优化问题进行描述：
[0012][0013]
x＝(x1,x2)
[0014]
l
i
≤x
i
≤u
i
,i＝1,2
ꢀꢀ
(2)
[0015]
△
＝100c
ntot
[0016][0017]
其中，
△
为超标惩罚项，c
ntot
为预测出水总氮超标值；f
ntot
表示污水处理出水总氮预测模型；s
c
为设定的总氮浓度上限值；x表示能耗和水质优化问题的解，x
i
表示解中的第i个决策变量，l
i
、u
i
分别为决策变量x
i
的下界和上界，其中，x1和x2分别具体表示第五分区溶解氧s
o,5
浓度和第二分区硝态氮s
no,2
浓度；
[0018]
步骤1.2：设第p个解x
p
的目标向量为(f1(x
p
),f2(x
p
))，按照公式(4)计算归一化后第p个解x
p
的稀疏度，然后选取当前稀疏度最小的非支配解x＝(x1,x2)作为稀疏解：
[0019][0020]
其中，sp(x
p
)表示归一化后第p个解x
p
的稀疏度，w
p
为目标函数空间中与目标向量(f1(x
p
),f2(x
p
))之间的欧氏距离小于r的其它目标向量的个数，r为小于1的正实数，n为设定的初始种群数量；
[0021]
步骤1.3：在选取稀疏解后进行交叉变异，避免陷入局部最优，具体为按照公式(5)至公式(8)使用极限优化变异方法进行局部搜索，产生局部解；同时，按照公式(9)和公式(10)使用随机移民策略进行变异操作，产生[0.2n]个局部解；
[0022]
x
p
＝(x
′1,x
′2),p＝1,2,...,n
ꢀꢀ
(5)
[0023]
x
′
i
＝x
i
+α
·
β
max
(x
i
),i＝1,2
ꢀꢀ
(6)
[0024][0025]
β
max
(x
i
)＝max[x
i
‑
l
i
,u
i
‑
x
i
],i＝1,2
ꢀꢀ
(8)
[0026]
xx
k
＝(xx
′1,xx
′2),k＝1,2,...,[0.2n]
ꢀꢀ
(9)
[0027]
xx
′
i
＝γx
i
,i＝1,2,0<γ<1.2
ꢀꢀ
(10)
[0028]
其中，x
p
表示极限优化变异更新后的解，x
′
i
表示极限优化变异更新后的解中的第i个决策变量，h和γ为随机数，q表示形状参数，β
max
(x
i
)为当前决策变量x
i
可变动的最大值，
xx
k
表示随机移民策略变异更新后的解，xx
′
i
为随机移民策略变异更新后的解中的第i个决策变量；
[0029]
步骤1.4：对步骤1.3中得到的所有解进行非支配排序和拥挤距离计算，从中选取n个解形成下一代种群，并迭代执行步骤1.2至步骤1.4，直至达到预设迭代步数；其中，形成下一代种群的选取规则为优先选取非支配解，当不足n个解时，再选取次优解；
[0030]
步骤1.5：将步骤1.4最终得到的n个非支配解，带入已构建好的污水处理出水总氮预测模型，若总氮预测值不超标，则选取能耗最低的解集作为第五分区溶解氧s
o,5
浓度和第二分区硝态氮s
no,2
浓度的设定值；若总氮预测值超标，则选取水质最高的解集作为第五分区溶解氧s
o,5
浓度和第二分区硝态氮s
no,2
浓度的设定值。
[0031]
进一步地，所述污水处理出水总氮预测模型的输入还包括入水总氮、入水流量和当前出水总氮。
[0032]
进一步地，所述碳源模糊控制规则包括：
[0033]
若s
ntot
>19.7mg/l，设置第一分区外加碳源q
ec1
＝5m3/d，第二分区外加碳源q
ec2
＝2m3/d；
[0034]
若19.0≤s
ntot
≤19.7mg/l，设置第一分区外加碳源q
ec1
＝4m3/d，第二分区外加碳源q
ec2
＝2m3/d；
[0035]
若18.0≤s
ntot
≤18.9mg/l，设置第一分区外加碳源q
ec1
＝4m3/d，第二分区外加碳源q
ec2
＝1m3/d；
[0036]
若17.0≤s
ntot
≤17.9mg/l，设置第一分区外加碳源q
ec1
＝3m3/d，第二分区外加碳源q
ec2
＝0m3/d；
[0037]
若s
ntot
<17.0mg/l，设置第一分区外加碳源q
ec1
＝0m3/d，第二分区外加碳源q
ec2
＝0m3/d。
[0038]
本发明的有益效果：
[0039]
本发明利用神经网络建立总氮预测模型，并在获得能耗最低或水质最高的前提下，提前预测出水氨氮浓度是否超标，如果超标则采用模糊规则在污水处理缺氧池精细化控制碳源投放，避免了人工投放和反馈投放所产生碳源过量或不足的问题。相比于现有技术，本发明克服了污水处理过程复杂、反应时间长所引起的测量精度不足、出水浓度滞后控制等问题，具有良好的应用前景。
附图说明
[0040]
图1为本发明实施例提供的一种基于预测控制的污水处理碳源投加方法的流程示意图；
[0041]
图2为本发明实施例提供的污水处理出水总氮预测模型的结构示意图；
[0042]
图3为本发明实施例提供的碳源控制规则的控制过程示意图；
[0043]
图4为本发明实施例提供的不加入碳源出水总氮浓度变化曲线示意图；
[0044]
图5为本发明实施例提供的碳源投加后出水总氮浓度变化曲线示意图。
具体实施方式
[0045]
为使本发明的目的、技术方案和优点更加清楚，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地描述，显然，所描述的实施例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。
[0046]
结合图1和图3所示，本发明实施例提供一种基于预测控制的污水处理碳源投加方法，包括以下步骤：
[0047]
s101：建立能耗和水质模型，采用nsga2算法优化所述能耗和水质模型，获得能耗最低或水质最高的解集作为第五分区溶解氧s
o,5
浓度和第二分区硝态氮s
no,2
浓度的设定值；
[0048]
具体地，采用前馈神经网络建立能耗水质模型。能耗模型和水质模型输入变量均为出水悬浮物浓度、s
ntot
、s
o,5
和s
no,2
。数据采集不考虑时间延迟，每15分钟采集一次数据，s
no,2
浓度设定值和s
o,5
浓度设定值在取值范围内取不同的数值在bsm1平台上进行实验。
[0049]
作为一种可实施方式，本步骤具体包括以下子步骤：
[0050]
s1011：选取f1和f2分别为能耗目标函数和水质目标函数，f1和f2分别为能耗模型和水质模型，采用公式(1)至公式(3)对能耗和水质优化问题进行描述：
[0051][0052]
x＝(x1,x2)
[0053]
l
i
≤x
i
≤u
i
,i＝1,2
ꢀꢀ
(2)
[0054]
△
＝100c
ntot
[0055][0056]
其中，
△
为超标惩罚项，c
ntot
为预测出水总氮超标值；f
ntot
表示污水处理出水总氮预测模型；s
c
为设定的总氮浓度上限值，本实施例中取值为17.0mg/l；x表示能耗和水质优化问题的解，x
i
表示解中的第i个决策变量，l
i
、u
i
分别为决策变量x
i
的下界和上界，其中，x1和x2分别具体表示第五分区溶解氧s
o,5
浓度和第二分区硝态氮s
no,2
浓度；
[0057]
s1012：设第p个解x
p
的目标向量为(f1(x
p
),f2(x
p
))，按照公式(4)计算归一化后第p个解x
p
的稀疏度，然后选取当前稀疏度最小的非支配解x＝(x1,x2)作为稀疏解：
[0058][0059]
其中，sp(x
p
)表示归一化后第p个解x
p
的稀疏度，w
p
为目标函数空间中与目标向量(f1(x
p
),f2(x
p
))之间的欧氏距离小于r的其它目标向量的个数，r为小于1的正实数；n为设定的初始种群数量，本实施例中取值100。
[0060]
s1013：在选取稀疏解后进行交叉变异，避免陷入局部最优，具体为按照公式(5)至公式(8)使用极限优化变异方法进行局部搜索，产生局部解；同时，按照公式(9)和公式(10)使用随机移民策略进行变异操作，产生[0.2n]个局部解；
[0061]
x
p
＝(x
′1,x
′2),p＝1,2,...,n
ꢀꢀ
(5)
[0062]
x
′
i
＝x
i
+α
·
β
max
(x
i
),i＝1,2
ꢀꢀ
(6)
[0063][0064]
β
max
(x
i
)＝max[x
i
‑
l
i
,u
i
‑
x
i
],i＝1,2
ꢀꢀ
(8)
[0065]
xx
k
＝(xx
′1,xx
′2),k＝1,2,...,[0.2n]
ꢀꢀ
(9)
[0066]
xx
′
i
＝γx
i
,i＝1,2,0<γ<1.2
ꢀꢀ
(10)
[0067]
其中，x
p
表示极限优化变异更新后的解，x
′
i
表示极限优化变异更新后的解中的第i个决策变量，h和γ为随机数，q表示形状参数，β
max
(x
i
)为当前决策变量x
i
可变动的最大值，xx
k
表示随机移民策略变异更新后的解，xx
′
i
为随机移民策略变异更新后的解中的第i个决策变量；
[0068]
s1014：对步骤s1013中得到的所有解进行非支配排序和拥挤距离计算，从中选取n个解形成下一代种群，并迭代执行步骤s1012至步骤s1014，直至达到预设迭代步数；其中，形成下一代种群的选取规则为优先选取非支配解，当不足n个解时，再选取次优解；
[0069]
步骤1.5：将步骤s1014最终得到的n个非支配解，带入已构建好的污水处理出水总氮预测模型，若总氮预测值不超标，则选取能耗最低的解集作为第五分区溶解氧s
o,5
浓度和第二分区硝态氮s
no,2
浓度的设定值；若总氮预测值超标，则选取水质最高的解集作为第五分区溶解氧s
o,5
浓度和第二分区硝态氮s
no,2
浓度的设定值。
[0070]
作为一种可实施方式，采用神经网络构建污水处理出水总氮预测模型，如图2所示，所述污水处理出水总氮预测模型包括输入层、隐含层和输出层；其中，输入层含有p个神经元，输入层神经元的输出为：隐含层输出为c为中心向量，σ为宽度。输出层w为输出权值。所述污水处理出水总氮预测模型的输入包括入水总氮、入水流量、当前出水总氮、溶解氧浓度和硝态氮浓度，污水处理出水总氮预测模型的输出为出水总氮浓度预测值。
[0071]
作为一种可实施方式，在训练污水处理出水总氮预测模型时，选取bsm1实验平台采样得到的数据作为模型训练测试数据。溶解氧s
o,5
浓度设定值设定在1.4
‑
2.4mg/l，硝态氮s
no,2
浓度设定值设定在0.5
‑
1.5mg/l，设定值设定后即在bsm1模型上跑满14天，每15分钟采样一次，取不同的设定值的组合方式，共获得181390组数据。其中163251组数据作为训练样本，18139组数据作为测试样本。通过经验法选取神经网络结构为5
‑
50
‑
1，样本采样归一化方法，学习算法采用梯度算法，学习率为0.1，最大学习步数为4000步，rmse为性能评价指标验证网络精度。
[0072]
作为一种可实施方式，上述优化算法中参数s
o,5
浓度设定值设定在1.4
‑
2.4mg/l，s
no,2
浓度设定值设定在0.5
‑
1.5mg/l。初始种群数量n为100，最大函数调用次数为30，交叉概率0.9，变异概率0.01，形状参数q为11。
[0073]
s102：将能耗最低或水质最高的解集输入至已构建好的污水处理出水总氮预测模型，得到当前输入量所对应的总氮预测值；
[0074]
s103：判断所述总氮预测值是否超标并采取不同的碳源模糊控制规则进行碳源投加，具体包括：当总氮预测值不超标时，采用常规跟踪控制方法，通过预测总氮当前浓度与总氮设定值的误差和误差变化量分别控制第五分区氧转换系数k
la5
和内回流量q
a
，从而实
现对总氮浓度的跟踪控制；当总氮预测值超标时，采用碳源模糊控制规则，根据总氮预测值对第一分区外加碳源和第二分区外加碳源进行模糊控制，增加碳源可以促进反硝化作用，从而去除氮元素。
[0075]
依据国家污水处理排放标准，某污水处理厂出水执行b类排放标准20mg/l，为了保证出水达标，选取总氮警戒浓度17mg/l，超过此标准则需要根据预测控制方法，提前投加碳源。作为一种可实施方式，所述碳源模糊控制规则包括：
[0076]
若s
ntot
>19.7mg/l，设置第一分区外加碳源q
ec1
＝5m3/d，第二分区外加碳源q
ec2
＝2m3/d；
[0077]
若19.0≤s
ntot
≤19.7mg/l，设置第一分区外加碳源q
ec1
＝4m3/d，第二分区外加碳源q
ec2
＝2m3/d；
[0078]
若18.0≤s
ntot
≤18.9mg/l，设置第一分区外加碳源q
ec1
＝4m3/d，第二分区外加碳源q
ec2
＝1m3/d；
[0079]
若17.0≤s
ntot
≤17.9mg/l，设置第一分区外加碳源q
ec1
＝3m3/d，第二分区外加碳源q
ec2
＝0m3/d；
[0080]
若s
ntot
<17.0mg/l，设置第一分区外加碳源q
ec1
＝0m3/d，第二分区外加碳源q
ec2
＝0m3/d。
[0081]
当预测模型输出的总氮预测值低于17mg/l并且第五分区总氮低于13.5mg/l时切换回常规跟踪控制。
[0082]
为了验证本发明所提出的基于预测控制的碳源投加方法的有效性，本发明还通过bsm和实际实验进行了分析与仿真。从图4和图5可以看出，利用预测控制提前投加碳源后，污水处理出水总氮浓度在峰值处有明显降低，抑制了总氮的超标排放，污水处理总氮控制效果更优能耗更低，达到了污水处理国家排放标准。
[0083]
本发明利用神经网络建立总氮预测模型，并在获得能耗最低或水质最高的前提下，提前预测出水总氮浓度是否超标，如果超标则采用模糊规则在污水处理缺氧池精细化控制碳源投放，避免了人工投放和反馈投放所产生碳源过量或不足的问题。相比于现有技术，本发明克服了污水处理过程复杂、反应时间长所引起的测量精度不足、出水浓度滞后控制等问题，具有良好的应用前景。
[0084]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。