一种基于神经网络的污水处理过程控制方法
【专利摘要】本发明公开了一种基于神经网络的污水处理过程控制方法，属于水处理和智能信息控制领域。本方法主要包括两个部分：PID控制部分与神经网络自适应调整参数部分。该方法能够根据环境状态实时对PID参数进行修正，实现对目标的稳定控制。其一，利用神经网络对PID控制器参数进行实时的修正，使控制器能够根据实际环境的变化自适应的进行调整；其二，利用智能PID控制器对污水处理过程进行稳定控制，使出水水质满足排放标准。以上两部分构成的基于神经网络的污水处理PID智能控制系统，属于本发明的保护范围。本发明克服了PID控制自适应差、自学习能力差的缺点。
【专利说明】
一种基于神经网络的污水处理过程控制方法
技术领域
[0001] 本发明针对污水处理过程难以控制的问题，在BSMl中利用神经网络与PID控制方 法相结合，对污水处理过程中溶解氧浓度进行控制。神经网络是智能信息处理技术的主要 分支之一，基于神经网络的污水处理PID控制技术不但属于水处理领域，还属于智能信息控 制领域。
【背景技术】
[0002] 随着当今社会城市化和工业化不断的快速发展，我国水环境已受到严重破坏。污 水排放不仅严重影响居民的日常生活，而且破坏了大自然的生态平衡。为了降低污水的排 放量，实现水的循环利用，全国各地纷纷建立了污水处理厂，然而目前污水处理厂采用的控 制方法较为落后，从而造成污水处理厂运行成本居高不下，研究污水处理过程控制方法对 污水处理厂运营意义重大，是未来提高污水处理效果必然的发展趋势。因此，本发明的研究 成果具有广阔的应用前景。
[0003] 在污水处理过程中，主要的控制变量是第五分区的溶解氧浓度，溶解氧浓度的高 低影响硝化过程和反硝化过程的进行，硝化和反硝化过程的进行对污水排放能否达标有着 至关重要的影响。因此，对溶解氧的浓度的稳定控制对于出水水质的达标，以及污水处理厂 的稳定运行是非常有必要的。
[0004] PID控制作为一种结构简单，易于实现的控制方法，虽然被广泛的应用到了各工业 领域中，但是由于污水处理过程是一个具有高度非线性、大滞后、大时变、多变量耦合等特 点的复杂系统，将传统的PID控制方法应用到此类复杂系统中，易出现鲁棒性差，控制精度 低以及参数无法在线实时调整的问题，从而导致控制效果不理想。
[0005] 神经网络因其良好的学习能力、信息处理能力和自适应特性，能对非线性系统进 行高精度逼近。本发明提出了一种基于神经网络的PID污水处理过程控制方法，在满足出水 质达标和系统稳定运行的基础上，实现了对PID的三个参数实时在线调整，提高了控制精 度。
【发明内容】
[0006] 基于神经网络的污水处理过程PID控制方法，主要包括两个部分:PID控制部分与 神经网络自适应调整参数部分。本方法利用神经网络的自适应性与学习能力，根据当前的 环境状态自适应的对PID控制器的三个参数进行实时调整，及时对环境的变化做出响应，从 而对污水处理过程进行控制，使得溶解氧浓度误差最小化。
[0007] 本发明采用了如下的技术方案为基于神经网络的污水处理过程PID控制方法，其 特征在于，包括以下步骤：
[0008] 1)底层PID控制器
[0009] 将k时刻的溶解氧浓度与浓度设定值进行对比作差，可定义误差为：
[0010] e(k) =r(k)-y(k) (I)
[0011] r (k)为k时刻溶解氧浓度期望值，y (k)为k时刻的溶解氧浓度实际测量值，e (k)为k 时刻的溶解氧浓度的误差值；
[0012] PID控制器的输出为：
[0013] Au(k)=KP(e(k)-e(k-l))+Kie(k)+Kd[e(k)-2e(k-l)+e(k-2)] (2)
[0014] Kp代表的是比例系数，K1代表的是积分系数，Kd代表的是微分系数，e(k)与e(k-l) 分别代表在k时刻和k-1时刻溶解氧的误差变化量，e (k-2)代表在k-2时刻溶解氧的误差变 化量，A u(k)为PID控制器k时刻的输出控制量增量；
[0015] 2)PID调整参数
[0016]本方法选择BP神经网络对PID参数进行调整，共有三个输入量，分别是k时刻的比
[0017]
[0018]
[0019]
[0020]
[0021]
[0022]
[0023] 式中，X1 (k)，X2(k)，X3(k)为k时刻比例、积分、微分所对应的误差变化量，X(k)为k 时刻的神经网络的输入向量，Ycmt (k)为k时刻的神经网络的输出，同时作为PID控制器的比 例、积分、微分参数;Win(k)为k时刻神经网络输入层神经元到隐含层神经元的连接权值;W°ut (k)为k时刻神经网络隐含层神经元到输出层神经元的连接权值;f为隐含层神经元激活函 数，取为Sigmoid函数；
[0024]将k时刻溶解氧浓度变化量e(k)作为污水处理控制过程的输入，
[0025] 得到在k时刻的性能指标函数值J(k)，调整神经网络权值指标函数为：
[0026] .
[0027] j
[0028] ^
[0029] W
[0030] W
[0031] η为学习速率，E(k)为k时刻的PID控制器参数误差变化J1为反向传播隐含层算 子，δ2为反向传播输出层算子。
[0032]本发明的创造性主要体现在：
[0033]本发明设计了智能PID控制方法并将其应用在污水处理过程中，该方法能够根据 环境状态实时对PID参数进行修正，实现对目标的稳定控制。其一，利用神经网络对PID控制 器参数进行实时的修正，使控制器能够根据实际环境变化自适应的进行调整;其二，利用智 能PID控制器对污水处理过程进行稳定控制，使出水水质满足排放标准。以上两部分构成的 基于神经网络的污水处理PID智能控制系统，属于本发明的保护范围。
[0034]本发明提出的基于神经网络的污水处理PID智能控制系统，解决了传统PID控制器 难以在线调整的问题，克服了 PID控制自适应差、自学习能力差的缺点。
【附图说明】
[0035]图1.污水处理过程基准模型。
[0036]图2.神经网络拓扑结构图。
[0037]图3.溶解氧控制效果。
[0038]图4.溶解氧浓度控制系统框图
【具体实施方式】
[0039] BSMl污水基准仿真处理模型主要包括生化反应池和二沉池，如图1所示，生化反应 池共有五个单元，前两个单元为厌氧区，后三个单元为曝气区，控制溶解氧浓度主要是通过 调节第五单元的氧气转化系数KLa，使溶解氧浓度维持在2mg/L。图2所示的BP神经网络拓扑 图，分为输入层，隐含层和输出层。本专利通过BP神经网络对PID控制器参数进行整定。 [0040]文中的实验是基于BSMl模型晴朗天气下的数据进行的，具体步骤如下：
[0041 ] SI .PID控制器
[0042] PID控制器的输入量有六个，其中三个是溶解氧浓度与其设定值的偏差经计算后 得到的误差变化量，如图4中所示的幻(1〇^2(1〇^3(1〇，另外三个是8?神经网络的输出量， 如图4中所示的K p，Ki，Kd，输出为控制量。溶解氧浓度的设定值为2mg/L。
[0043] S2.参数调整层神经网络
[0044] 参数调整层神经网络结构为3-20-3,输入为误差的微积分计算分量，输出为PID的 三个控制参数，内部神经元个数为20(根据实际情况进行增加或删减），初始化网络的权值， 输入层神经元到隐含层神经元的权值1，的维数为20 X 3，隐含层神经元到输出层神经元的 权值WcicmM^维数为3 X 20。
[0045] S3.通过迭代学习，可以得到溶解氧浓度的控制结果如图3,可以看出，在控制的开 始阶段，BP-PID控制器经过学习，能够快速的将溶解氧浓度控制在2mg/L附近，且能够保持 稳定，不会随着入水流量和入水组分（即系统的状态）的变化而变化，开始的调整阶段可以 很好的弥补传统PID控制器参数难以选择的问题，图中曲线为BP-PID控制效果。
【主权项】
1. 一种基于神经网络的污水处理过程控制方法，主要包括两个部分:PID控制部分与神 经网络自适应调整参数部分;本方法利用神经网络的自适应性与学习能力，根据当前的环 境状态自适应的对PID控制器的Ξ个参数进行实时调整，及时对环境的变化做出响应，从而 对污水处理过程进行控制，使得溶解氧浓度的误差最小化； 其特征在于，包括W下步骤： 1) 底层PID控制器 将k时刻的溶解氧浓度与浓度设定值进行对比作差，可定义误差为： e 化）=；Kk)-^k) (1) r化)为k时刻溶解氧浓度期望值，y化)为k时刻的溶解氧浓度实际测量值，e化)为k时刻 的溶解氧浓度的误差值； PID控制器的输出为： Au(k)=Kp(e 化)-e(k-l))+Kie 化)+Kd[e(k)-2e(k-l)+e 化-2)] (2) Κρ代表的是比例系数，Κι代表的是积分系数，Kd代表的是微分系数，e(k)与e化-1)分别 代表在k时刻和k-1时刻溶解氧的误差变化量，e化-2)代表在k-2时刻溶解氧的误差变化量， Au化)为PID控制器k时刻的输出控制量增量； 2. PID调整参数 本方法选择BP神经网络对PID参数进行调整，共有Ξ个输入量，分别是k时刻的比例、积 分、微分所对应的误差变化量，其输入为： XI 化）=e 化)-e 化-1) (3) X2 化）=e 化）（4) X3(k) =e(k)-2e(k_l)+e 化-2) (5) X(k) = [xi(k) X2化）X3化）](6) 则神经网络的输出为： Y〇ut(k)=W°utA)f(Win(k)X(k)) (7) 式中，XI化），X2(k)，X3化)为k时刻比例、积分、微分所对应的误差变化量，X(k)为k时刻 的神经网络的输入向量，Ynut化)为k时刻的神经网络的输出，同时作为PID控制器的比例、积 分、微分参数;win化)为k时刻神经网络输入层神经元到隐含层神经元的连接权值;W°ut化)为 k时刻神经网络隐含层神经元到输出层神经元的连接权值;f为隐含层神经元激活函数，取 为Sigmoid函数； 将k时刻溶解氧浓度变化量e化)作为污水处理控制过程的输入，得到在k时刻的性能指 标函数值J化），调整神经网络权值指标函数为：权值调整公式为： W〇ut(k+l ) =W°ut(k)巧S2f (Win(k)X(k) ) (9) fin(k+l)=Win(k)巧δ 戍(k) (10) η为学习速率，E化)为k时刻的PID控制器参数误差变化，δι为反向传播隐含层算子，δ2为 反向传播输出层算子。2.根据权利要求1所述的一种基于神经网络的污水处理过程控制方法，其特征在于： BSM1污水基准仿真处理模型主要包括生化反应池和二沉池，生化反应池共有五个单元，前 两个单元为厌氧区，后Ξ个单元为曝气区，控制溶解氧浓度主要是通过调节第五单元的氧 气转化系数肚曰，使溶解氧浓度维持在BP神经网络拓扑图，分为输入层，隐含层和输 出层;通过BP神经网络对PID控制器参数进行整定； 基于BSM1模型晴朗天气下的数据进行实验，具体步骤如下： 51. PID控制器 PID控制器的输入量有六个，其中Ξ个是溶解氧浓度与其设定值的偏差经计算后得到 的误差变化量:XI化）、X2化）、X3化），另外Ξ个是BP神经网络的输出量:Κρ、Ki、Kd，输出为控制 量;溶解氧浓度的设定值为52. 参数调整层神经网络 参数调整层神经网络结构为3-20-3,输入为误差的微积分计算分量，输出为PID的Ξ个 控制参数，内部神经元个数为20,初始化网络的权值，输入层神经元到隐含层神经元的权值 W。…的维数为20 X 3，隐含层神经元到输出层神经元的权值WD°ut的维数为3 X 20;53. 通过迭代学习，得到溶解氧浓度的控制结果。
【文档编号】G05B11/42GK105843036SQ201610218353
【公开日】2016年8月10日
【申请日】2016年4月9日
【发明人】乔俊飞, 付文韬, 武利, 蒙西, 许进超
【申请人】北京工业大学