基于量子遗传算法的污水处理过程节能优化控制方法_3

文档序号:9809652阅读:来源:国知局
状态是等概率的;
[0094] ②量子门更新
[0095] 量子计算中通过选择量子旋转门作用于量子的叠加态,使其发生相互干涉,产生 相位改变,从而改变其各基态所对应的概率幅,实现染色体的更新进化;量子旋转门的调整 操作为:
[0097] 其更新过程如下:
[0099] 其中,和代表染色体第i个量子比特旋转门更新前后的概率幅; 为旋转角,它的大小和符合由事先设计的调整策略确定;
[0100] 由上式得出a'i和杉'1分别为:
[0102]
变换之后IV i 12+1 f i 12的值仍为1;
[0103] 这里使用一种通用的、与问题无关的调整策略,如表l所列。
[0104] 表1旋转角选择策略
[0105]
[0106] 其中,xi为当前染色体的第i位;besti为当前的最优染色体的第i位;f(x)为适应 度函数;s(ai,0i)为旋转角方向;△ 0i为旋转角度大小。
[0107] ③量子遗传算法具体步骤为:
[0108] 步骤1初始化种群Q(to),随机生成η个以量子比特为编码的染色体;
[0109] 步骤2对初始种群中Q(to)的每个个体进行一次测量,得到对应的确定量P(to);
[0110] 步骤3对各确定解进行适应度评估;
[0111]步骤4记录最优个体和对应的适应度;
[0112] 步骤5判断计算过程是否可以结束,若满足结束条件则退出,否则继续计算;
[0113] 步骤6对种群中的每个个体实施一次测量,得到相应的确定解;
[0114] 步骤7对各确定解进行适应度评估;
[0115] 步骤8利用量子旋转门对个体实施调整,得到新的种群Q(t+1);
[0116] 步骤9记录最优个体和对应的适应度;
[0117]步骤10将迭代次数t加1,返回步骤5。
[0118]算法步骤1是初始化种群Q(to),种群中全部染色体的所有基因(<.涔)都被初始
,这意味着一个染色体所表达的是其全部可能状态的等概率叠加:
[0120] 其中,S为该染色体的第k种状态,表现形式为一长度m的二进制(X1,χ2,…,Xm),其 中xi的值为〇或者1。
[0121] 算法步慰寸初始f幡中的个体进行一次测量,以获得一组确定的解呼)=〇?…,尸, 其中,^为第代种群中第j个解(第j个个体的测定值),表现形式为长度为m的二进制串, 其中每一位为〇或1,是根据量子比特的概率(或|汉「,i = 1,2…,m)选择得到的。测量过 程中为,随机产生一个[0,1]区间的数,若它大于概率幅的平方,则测量结果取值1,否则取 值0。然后,对这一组解进行适应度评估,记录下最佳适应度个体作为下一步演化的目标值。
[0122] 随后,算法进入循环迭代阶段,随着迭代的进行,种群的解逐渐向最优解收敛。在 每一次迭代中,首选对种群进行测量,以获得一组确定解P(t),然后计算每个解的适应度 值,再根据当前的演化目标和事先确定的调整策略,利用量子旋转门对种群中的个体进行 调整,获得更新后的种群,记录下当前的最优解,并与当前的目标值进行比较,如果大于当 然目标值,则以新的最优解作为下一次迭代的目标值,否则保持当然的目标值不变。
[0123] (3)模糊神经网络控制器实现对优化算法得到的溶解氧和污泥量的跟踪控制。图3 给出模糊神经网络控制器的结构图。
[0124] ①曝气池溶解氧浓度模糊神经网络控制器构建;
[0125] 根据优化控制算法得到的溶解氧浓度优化值传递给模糊神经网络控制器,用以准 确调节反应池的曝气量0&;
[0126] 控制器的输入量分别是溶解氧的变化量与溶解氧的变化率,输入参数的模糊子集 都是:{NB,NM,NS,Z0,PB,匪,PS};隶属度函数为钟形函数;控制器获得49条规则,其表达式 为:
[0128] 其中,DOo为实际处理过程中的溶解氧浓度采样值,Wc,WE和WEc是模糊神经网络控制 器的后件参数,T为运行周期;
[0129] ②污泥回流量模糊神经网络控制器构建;
[0130] 根据优化控制算法得到的污泥浓度优化值MLSSs传递给模糊神经网络控制器,用 以准确调节污水处理系统的污泥回流量Q r;
[0131] 控制器的输入量分别是反应池污泥溶度的变化量与污泥溶度的变化率,输入参数 的模糊子集都是:{NB、NS、Z0、PB、PS};隶属度函数为高斯函数;控制器获得25条规则,其表 达式为:
[0133] 其中,MLSSo为实际处理过程中的污泥浓度采样值,Wmc,Wme和Wmec是污泥回流量模糊 神经网络控制器的后件参数;
[0134] (4)搭建优化控制系统,如图4,采用分布式层状控制策略,顶层为目标模型优化系 统、底层为反馈控制层;
[0135]优化控制系统包含量子遗传算法优化、模糊神经网络曝气控制器、模糊神经网络 污泥回流量控制器、控制界面和数据库存储五个部分;控制界面采用MCGS组态软件构建,包 括监控窗口、设备窗口、运行控制策略、用户窗口和实时数据库;顶层采用基于量子态的遗 传优化算法,根据物料平衡约束、执行器约束以及出水条件约束得到底层控制回路的设定 值;底层是两个模糊神经网络控制器,第一个是通过控制器调节反应池中的曝气量,第二个 是通过控制器调节污泥回流量Q r控制反应池中的污泥溶度;采用优化控制策略动态调整两 个控制回路的设定值一一D0设定值和污泥溶度设定值,可以有效的降低运行费用;
[0136] (5)再重复步骤(1)-(4)的步骤,依此循环进行,从而实现实现污水处理过程的优 化控制,保证出水水质要求下减少运行费用,降低污水处理成本;
[0137] 该方法还包括下述步骤:借助传送控制协议/互联网协议和串行数据接口标准,通 过计算机和双向通信,对上述数据进行实时控制;再经过上述优化策略后,对污水处理系统 的效率进行比较分析,并通过组态软件的监控窗口显示,从而系统能及时、准确的调节污水 处理系统的曝气量和污泥回流量,促进污水处理厂高效稳定运行。
[0138] 基于分工策略粒子群算法的优化控制方法,综合考虑出水水质、曝气能耗和栗送 能耗,动态优化底层模糊神经网络控制器的污泥浓度和溶解氧浓度的设定值,保证污水出 水水质达标的情况下实现污水处理过程节能降耗,解决能耗过高的问题;图4为溶解氧浓度 的优化控制曲线,实线为优化设定值,十字虚线为跟踪控制效果;图5为污泥浓度的优化控 制曲线,实线为优化设定值,十字虚线为跟踪控制效果;从图4和5中可以看出,模糊神经网 络方法能够实现对溶解氧浓度和污泥污泥的快速、准确控制。
[0139]对污水处理系统的精确优化控制可以实现在保证污水处理系统稳定运行的基础 上,节约能耗,如表2和3所示,通过比较开环控制、PI控制和本发明优化控制三种控制策略 的运行费用和出水水质。开环控制,即保持内污泥流量和曝气量不变;PI控制,使D0 = 2mg/ L,MLSS = 3000mg/L;优化控制即采用本文的动态优化策略计算DO和MLSS。通过计算分析,本 发明优化控制与开环控制和PI控制的运行费用都低,优化控制与开环控制相比运行费用降 低10.16%,比PI控制降低6.61 %,但出水水质达到了国家排放标准,见表3。表明动态优化 设定值可以在保证出水水质要求下减少运行费用,证明该方法的有效性。
[0140]表2三种控制策略的运行费用比较

[0142]表3出水水质浓度
[0144]显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对 本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可 以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本 发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求 的保护范围之内。
【主权项】
1. 一种基于量子遗传算法的污水处理过程节能优化控制方法,其特征在于,包括下述 步骤: (1) 构建用于基于量子遗传算法的污水处理过程节能优化控制方法的目标函数模型: (2) 采用量子遗传算法,将量子的态矢量表达引入遗传编码来表示染色体,W实现目标 函数模型的优化,得到两个模糊神经网络控制回路的溶解氧和污泥溶度的设定值最优解; (3) 采用模糊神经网络控制器实现对量子遗传优化算法得到的溶解氧和污泥量设定值 的跟踪巧制; (4) 搭建优化控制系统,采用分布式层状控制策略,顶层为目标函数模型优化系统、底 层为反馈控制层;其中顶层采用基于量子态的遗传优化控
当前第3页1 2 3 4 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1