一种城市污水处理过程自适应评估多目标优化控制方法技术

一种城市污水处理过程自适应评估多目标优化控制方法属于城市污水处理领域。为了满足城市污水处理过程优化运行，本发明专利技术建立基于径向基核函数的城市污水处理过程优化控制目标模型，获取硝态氮浓度S

【技术实现步骤摘要】
一种城市污水处理过程自适应评估多目标优化控制方法


[0001]本专利技术涉及一种城市污水处理过程自适应评估多目标优化控制方法，首先，建立基于径向基核函数的城市污水处理过程优化控制目标模型，获得硝态氮浓度S
NO
、溶解氧浓度S
O
与能耗、出水水质的关系，然后，采用基于自适应评估多目标粒子群的优化控制方法对污水处理过程中S
NO
和S
O
的设定值进行优化，并对优化设定值进行跟踪控制，以降低能耗并提高出水水质，本专利技术可以降低城市污水处理能耗并提高出水水质，具有较高的应用价值。

技术介绍

[0002]城市污水处理过程通过一系列生化反应，将污水中的有机物转化成无机物，并通过物理化学反应，将污水进行净化，使出水水质达标并排出。污水处理过程是水资源循环再利用的重要途径，对保护和节约水资源都有重要的作用。
[0003]城市污水处理过程机理复杂，具有强非线性特征，且能耗和出水水质都是与污水处理过程运行成本息息相关的要素，然而，能耗和出水水质两个目标相互冲突且具有较强的关联性，因此，如何实现城市污水处理过程优化运行是一个具有挑战性的问题。在城市污水处理过程中，与能耗和出水水质的相关变量中，硝态氮浓度S
NO
和溶解氧浓度S
O
是两个重要的可操作变量，获取S
NO
和S
O
的优化设定值是污水处理过程优化运行的一个热点问题，然而，在设定值优化过程中，通常仅考虑单一的多样性需求来获取S
NO
和S
O
的优化设定值，其获得过程具有一定的局限性，这一定程度上限制了城市污水处理过程优化控制性能，因此，考虑基于进化需求的自适应评估粒子群优化获取S
NO
和S
O
的优化设定值，设计出合理的优化方法，并对S
NO
和S
O
的优化设定值进行跟踪控制，不仅可以满足城市污水处理优化运行，降低能耗和保证出水水质，而且对城市污水处理过程的稳定运行起到了至关重要的作用。
[0004]本专利技术设计了一种城市污水处理过程自适应评估多目标优化控制方法，主要建立了基于径向基核函数的城市污水处理过程优化控制目标模型，采用自适应评估多目标粒子群优化方法获得S
NO
和S
O
的优化设定值，并利用PID控制器实现对S
NO
和S
O
优化设定值的跟踪控制。

技术实现思路

[0005]本专利技术采用了如下的技术方案及实现步骤：
[0006]1.一种城市污水处理过程自适应评估多目标优化控制方法，其特征包括建立基于径向基核函数的城市污水处理过程优化控制目标模型、设计基于自适应评估多目标粒子群的优化控制方法，具体步骤为：
[0007](1)建立基于径向基核函数的城市污水处理过程优化控制目标模型
[0008]1)以城市污水处理过程能耗和出水水质作为优化目标，建立城市污水处理过程优化控制目标模型：
[0009]minF(t)＝[f1(t),f2(t)]ꢀꢀ
(1)
[0010]其中，F(t)为t时刻城市污水处理过程优化控制目标模型；f1(t)为t时刻城市污水
处理过程能耗模型，f2(t)为t时刻城市污水处理过程出水水质模型；
[0011]2)建立城市污水处理过程能耗和出水水质模型：
[0012][0013][0014]其中，w
10
(t)为f1(t)的输出偏移，取值范围为[-2，2]；w
20
(t)为f2(t)的输出偏移，取值范围为[-2，2]；Q1为f1(t)中径向基核函数的数量，取值范围为[1，20]；Q2为f2(t)中径向基核函数的数量，取值范围为[1，20]；w
1q
(t)为f1(t)中第q个径向基核函数的权重；w
2q
(t)为f2(t)中第q个径向基核函数的权重；s(t)＝[S
NO
(t)，S
O
(t)，MLSS(t)，S
NH
(t)]为f1(t)和f2(t)的输入矩阵；S
NO
(t)为t时刻生化反应池第二分区硝态氮浓度，取值范围为[0.2mg/L，2mg/L]；S
O
(t)为t时刻生化反应池第五分区溶解氧浓度，取值范围为[0.4mg/L，3mg/L]；MLSS(t)为t时刻出水混合悬浮物浓度，取值范围为[0mg/L，100mg/L]；S
NH
(t)为t时刻出水氨氮浓度，取值范围为[0mg/L，5mg/L]；c
1q
(t)＝[c
1q,1
(t)，c
1q,2
(t)，c
1q,3
(t)，c
1q,4
(t)]为f1(t)中第q个径向基核函数的中心向量；c
1q,1
(t)为f1(t)中第q个径向基核函数的第一维中心，取值范围为[-1.5，1.5]；c
1q,2
(t)为f1(t)中第q个径向基核函数的第二维中心，取值范围为[-1.5，1.5]；c
1q,3
(t)为f1(t)中第q个径向基核函数的第三维中心，取值范围为[-1.5，1.5]；c
1q,4
(t)为f1(t)中第q个径向基核函数的第四维中心，取值范围为[-1.5，1.5]；c
2q
(t)＝[c
2q,1
(t)，c
2q,2
(t)，c
2q,3
(t)，c
2q,4
(t)]为f2(t)中第q个径向基核函数的中心向量；c
2q,1
(t)为f2(t)中第q个径向基核函数的第一维中心，取值范围为[-1.5，1.5]；c
2q,2
(t)为f2(t)中第q个径向基核函数的第二维中心，取值范围为[-1.5，1.5]；c
2q,3
(t)为f2(t)中第q个径向基核函数的第三维中心，取值范围为[-1.5，1.5]；c
2q,4
(t)为f2(t)中第q个径向基核函数的第四维中心，取值范围为[-1.5，1.5]；σ
1q
(t)为f1(t)中第q个径向基核函数的宽度，取值范围为[0，2.5]；σ
2q
(t)为f2(t)中第q个径向基核函数的宽度，取值范围为[0，2.5]；
[0015](2)设计基于自适应评估多目标粒子群的优化控制方法
[0016]1)以城市污水处理过程可控变量硝态氮浓度S
NO
和溶解氧浓度S
O
作为多目标粒子群优化的位置变量，设置多目标粒子群优化的种群规模N，取值范围为[20，50]；设置外部档案中非支配解的最大数量H
max
，取值范围为[20，50]；设置多目标粒子群优化的最大迭本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种城市污水处理过程自适应评估多目标优化控制方法，其特征包括建立基于径向基核函数的城市污水处理过程优化控制目标模型、设计基于自适应评估多目标粒子群的优化控制方法，具体步骤为：(1)建立基于径向基核函数的城市污水处理过程优化控制目标模型1)以城市污水处理过程能耗和出水水质作为优化目标，建立城市污水处理过程优化控制目标模型：minF(t)＝[f1(t),f2(t)]
ꢀꢀ
(1)其中，F(t)为t时刻城市污水处理过程优化控制目标模型；f1(t)为t时刻城市污水处理过程能耗模型，f2(t)为t时刻城市污水处理过程出水水质模型；2)建立城市污水处理过程能耗和出水水质模型：2)建立城市污水处理过程能耗和出水水质模型：其中，w
10
(t)为f1(t)的输出偏移，取值范围为[-2，2]；w
20
(t)为f2(t)的输出偏移，取值范围为[-2，2]；Q1为f1(t)中径向基核函数的数量，取值范围为[1，20]；Q2为f2(t)中径向基核函数的数量，取值范围为[1，20]；w
1q
(t)为f1(t)中第q个径向基核函数的权重；w
2q
(t)为f2(t)中第q个径向基核函数的权重；s(t)＝[S
NO
(t)，S
O
(t)，MLSS(t)，S
NH
(t)]为f1(t)和f2(t)的输入矩阵；S
NO
(t)为t时刻生化反应池第二分区硝态氮浓度，取值范围为[0.2mg/L，2mg/L]；S
O
(t)为t时刻生化反应池第五分区溶解氧浓度，取值范围为[0.4mg/L，3mg/L]；MLSS(t)为t时刻出水混合悬浮物浓度，取值范围为[0mg/L，100mg/L]；S
NH
(t)为t时刻出水氨氮浓度，取值范围为[0mg/L，5mg/L]；c
1q
(t)＝[c
1q,1
(t)，c
1q,2
(t)，c
1q,3
(t)，c
1q,4
(t)]为f1(t)中第q个径向基核函数的中心向量；c
1q,1
(t)为f1(t)中第q个径向基核函数的第一维中心，取值范围为[-1.5，1.5]；c
1q,2
(t)为f1(t)中第q个径向基核函数的第二维中心，取值范围为[-1.5，1.5]；c
1q,3
(t)为f1(t)中第q个径向基核函数的第三维中心，取值范围为[-1.5，1.5]；c
1q,4
(t)为f1(t)中第q个径向基核函数的第四维中心，取值范围为[-1.5，1.5]；c
2q
(t)＝[c
2q,1
(t)，c
2q,2
(t)，c
2q,3
(t)，c
2q,4
(t)]为f2(t)中第q个径向基核函数的中心向量；c
2q,1
(t)为f2(t)中第q个径向基核函数的第一维中心，取值范围为[-1.5，1.5]；c
2q,2
(t)为f2(t)中第q个径向基核函数的第二维中心，取值范围为[-1.5，1.5]；c
2q,3
(t)为f2(t)中第q个径向基核函数的第三维中心，取值范围为[-1.5，1.5]；c
2q,4
(t)为f2(t)中第q个径向基核函数的第四维中心，取值范围为[-1.5，1.5]；σ
1q
(t)为f1(t)中第q个径向基核函数的宽度，取值范围为[0，2.5]；σ
2q
(t)为f2(t)中第q个径向基核函数的宽度，取值范围为[0，2.5]；(2)设计基于自适应评估多目标粒子群的优化控制方法1)以城市污水处理过程可控变量硝态氮浓度S
NO
和溶解氧浓度S
O
作为多目标粒子群优化的位置变量，设置多目标粒子群优化的种群规模N，取值范围为[20，50]；设置外部档案中非支配解的最大数量H
max
，取值范围为[20，50]；设置多目标粒子群优化的最大迭代次数K
max
，取值范围为[50，100]；种群迭代次数为k，取值范围为[1，K
max
]；2)对种群进行初始化，随机生成具有N个粒子的种群，以公式(1)为优化目标对每个粒
子进行求解，获得个体最优解：p
n
(1)＝x
n
(1)
ꢀꢀ
(4)其中，p
n
(1)为第n个粒子在第一代获得的个体最优解；x
n
(1)＝[x
n,1
(1)，x
n,2
(1)]为第n个粒子在第一代的位置向量，x
n,1
(1)为第一次迭代过程中第n个粒子的第一维位置，取值范围为[0.2mg/L，2mg/L]，x
n,2
(1)为第一次迭代过程中第n个粒子的第二维位置，取值范围为[0.4mg/L，3mg/L]；外部档案的建立：外部档案通过粒子间的目标对比获得，当一个粒子的两个目标都小于等于其它粒子的对应目标，且至少有一个目标小于其它粒子的对应目标时，称该粒子为非支配解，对种群中粒子的目标进行对比，获得的非支配解存入外部档案；计算第一次迭代过程中非支配解的全局多样性信息：其中，G
D
(1)为外部档案中非支配解在第一代的全局多样性信息；H(1)为第一代外部档案中非支配解的数量；d
h
(1)为第一代外部档案中第h个非支配解与外部档案中其它粒子在目标空间的最小欧式距离；为外部档案中所有非支配解的d
h
(1)的平均值；3)种群进化过程：
①
进入下次迭代，即，使迭代次数增加1，计算外部档案中非支配解的全局多样性信息：其中，G
D
(k)为外部档案中非支配解在第k代的全局多样性信息；H(k)为第k代外部档案中非支配解的数量；d
h
(k)为第k代外部档案中第h个非支配解与外部档案中其它粒子在目标空间的最小欧式距离；为外部档案中所有非支配解的d
h
(k)的平均值；当G
D
(k)≤G
D
(k-1)时，记多样性需求指标R
D
(k)＝1；否则，记多样性需求指标R
D
(k)＝0；计算外部档案中非支配解的全局收敛性信息：其中，G
C
(k)为第k代全局收敛性信息；a
h
(k)为外部档案A(k)中第h个非支配解的位置向量；为a
h
(k)与之间的距离；为A(k-1)中被a
h
(k)支配的粒子；当G
C
(k)＝0时，收敛性需求指标R
C
(k)＝1；否则，收敛性需求指标R
C
(k)＝0；判断R
D
(k)和R
C
(k)的关系，当R
D
(k)≠R
C
(k)时，E(k)＝R
D
(k)-R
C
(k)
...

【专利技术属性】
技术研发人员：韩红桂，张琳琳，乔俊飞，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：