一种污水处理多目标优化控制方法及系统技术方案

本发明专利技术涉及污水处理领域，更具体的说，涉及一种污水处理多目标优化控制方法及系统。本方法包括：步骤S1、选取污水处理过程的被控变量并采集相关变量数据；步骤S2、基于BP神经网络建立能耗成本、出水水质和微生物风险的稳态预测模型；步骤S3、构建多目标优化函数；步骤S4、采用多目标差分进化算法对多目标优化函数进行优化计算，得到帕累托最优解集；步骤S5、从帕累托最优解集中筛选对应的决策变量，作为被控变量的优化设定值；步骤S6、利用比例积分控制器对优化设定值进行实时跟踪控制。本发明专利技术在考虑能耗成本和出水水质的基础上，有效地降低了高微生物风险的比例，大大提高了污水处理系统的安全性。

【技术实现步骤摘要】
一种污水处理多目标优化控制方法及系统
本专利技术涉及污水处理领域，更具体的说，涉及一种污水处理多目标优化控制方法及系统。
技术介绍
污水处理一直是被广泛关注的一个环境治理问题，污水处理过程是一个复杂的工业系统，包含众多物理和微生物的生化反应，是一个典型的非线性、时变性和具有不确定性干扰的系统，而且，建立污水处理过程的精确模型比较困难，使得污水处理过程的优化控制存在许多难点。活性污泥过程作为城市污水处理的核心，通过将废水与活性污泥混合搅拌并曝气，是有机物在微生物的作用下絮凝吸附、氧化分解，然后经过二沉池的固液分离将处理后的废水排出。然而，在废水流量、天气、工业毒水流入等原因导致的进水水质和水量波动的影响下，活性污泥过程容易引发污泥膨胀、污泥泡沫和污泥上浮等微生物沉降问题，从而导致系统偏离正常工作状态甚至崩溃。因此，通过优化控制、预防校正等控制策略来降低微生物引起的污泥沉降问题的发生率，提高污水处理系统的安全性能尤为重要。污水处理过程的本质是多目标优化控制问题，基于数据驱动的优化控制方法能够充分利用历史和实时数据进行自主学习，并且对经验知识的依赖程度低，近年来被广泛应用。基于数据驱动的优化控制方法包括：1)使用进化模糊小波神经网络模型预测出水的化学需氧量，然后通过模糊神经网络控制器在线调整溶解氧浓度；2)采用自适应回归核函数建立能耗成本和出水水质的模型进行优化；3)采用模糊神经网络控制器，并自适应调整多目标差分进化算法的参数等。上述方法取得了较为精确的预测和优化控制效果，然而其优化目标仅包含运行成本和出水水质，忽略了微生物沉降的问题，在较低的运行成本和较好的出水水质下，微生物的生长可能会因为缺乏溶解氧和营养物质而受到影响，从而，对污水处理过程的安全性能产生影响。
技术实现思路
本专利技术的目的是提供一种污水处理多目标优化控制方法及系统，解决现有技术的污水处理由于未考虑微生物风险而造成的安全性问题。为了实现上述目的，本专利技术提供了一种污水处理多目标优化控制方法，包括以下步骤：步骤S1、选取污水处理过程的被控变量并采集相关变量数据；步骤S2、使用相关变量数据进行训练，基于BP(BackPropagation)神经网络建立能耗成本、出水水质和微生物风险的稳态预测模型；步骤S3、以被控变量的设定值作为决策变量，以步骤S2建立的稳态预测模型作为约束条件，构建基于能耗成本、出水水质和微生物风险的多目标优化函数；步骤S4、采用多目标差分进化算法对步骤S3构建的多目标优化函数进行优化计算，得到关于能耗成本、出水水质和微生物风险的帕累托最优解集；步骤S5、从步骤S4的帕累托最优解集中筛选微生物风险低、能耗成本和出水水质均衡的解对应的决策变量，作为被控变量的优化设定值；步骤S6、利用抗积分饱和比例积分控制器对步骤S5得到的被控变量的优化设定值进行实时跟踪控制。在一实施例中，所述步骤S1中的污水处理过程，满足活性污泥一号基准仿真模型的动态过程，进一步包括：异养微生物的有氧生长；异养微生物的缺氧生长；自养微生物的有氧生长；异养微生物的衰变；自养微生物的衰变；可溶性有机氮氨化；颗粒状有机物的水解；颗粒状有机氮的水解。在一实施例中，所述步骤S1中活性污泥一号基准仿真模型，包括5个完全混合式生化反应池和一个10层的二沉池。在一实施例中，所述步骤S1中相关变量，包括进水流量、能耗成本、出水水质、微生物风险以及被控变量。在一实施例中，所述步骤S1中的被控变量包括食微比、污泥龄、碳氮比、三号反应池的溶解氧和五号反应池的硝态氮。在一实施例中，所述步骤S1和步骤S2之间，进一步包括：对污水处理过程的仿真模型的灵敏度进行分析，选择灵敏度高的被控变量和相关变量作为步骤S2中建立稳态预测模型的训练数据。在一实施例中，所述被控变量包括溶解氧和污泥龄；所述步骤S2中以溶解氧设定值、污泥龄设定值和进水流量作为输入，分别以能耗成本、出水水质和微生物风险作为输出，使用步骤S1中的采集的相关变量数据进行训练，基于BP神经网络建立能耗成本、出水水质和微生物风险的稳态预测模型。在一实施例中，所述步骤S2中的BP神经网络，包括输入层、隐藏层和输出层；第一层为输入层，第Q层为输出层，中间各层为隐层：对于每个层的神经元模型如下：其中，nq-1为上一层的神经元数量；为输入到第q层的第i个神经元的连接权系数；为第q层的第i个神经元的阈值；为第q层的第i个神经元的输出；为第q-1层的第j个神经元的输出；f(·)为转换函数；q∈[1，Q]，Q为神经网络总层数。在一实施例中，所述转换函数f包括：tansig函数、logsig函数和softmax函数。在一实施例中，所述步骤S3中，以溶解氧SO,3和污泥龄SRT的设定值为决策变量，构建基于能耗成本、出水水质和微生物风险的多目标优化函数，对应的表达式为：s.t.yEC＝fEC(u,d)yEQ＝fEQ(u,d)yMR＝fMR(u,d)uL≤u≤uU式中，J为能耗成本、出水水质和微生物风险的稳态预测值的组合；u为决策变量，即溶解氧和污泥龄的设定值；d为进水流量Qi；uL、uU为设定值的下界和上界；fEC、fEQ、fMR为能耗成本、出水水质和微生物风险的稳态预测模型对应的映射函数。在一实施例中，所述步骤S4，进一步包括以下步骤：步骤S41、初始化父代种群，种群中的每个个体包含6个参数，分别是进水流量Qi、溶解氧的设定值SO,3,sp、污泥龄的设定值SRTsp以及能耗成本、出水水质和微生物风险的稳态预测模型输出的稳态预测值yEC、yEQ和yMR，设定种群规模为N，最大进化代数为M；步骤S42、依据如下公式计算父代种群中每个个体的适应度值：y＝f(u,d)；步骤S43、对父代种群执行变异、交叉操作，得到子代种群；步骤S44、从父代种群和子代种群中筛选适应度值较高的个体组成临时种群；步骤S45、计算临时种群中每个个体的适应度值，找出非支配解集作为帕累托最优解集；步骤S46、根据个体的拥挤距离指标，从非支配解集中筛选个体作为新的父代；步骤S47、依次重复步骤S43、S44、S45、S46，直至迭代次数达到最大进化代数M；步骤S48、计算末代种群中个体的适应度值并找出帕累托最优解集后输出，作为能耗成本、出水水质和微生物风险的最优解。在一实施例中，所述步骤S5，根据学习训练得到的神经网络模型从帕累托最优解集中筛选低于高风险阈值的解构成满意解集Xk：Xk＝{x∣fMR(x)≤R,x∈Xp}；式中，Xp为帕累托最优解集；R为高风险阈值。<本文档来自技高网...

【技术保护点】
1.一种污水处理多目标优化控制方法，其特征在于，包括以下步骤：/n步骤S1、选取污水处理过程的被控变量并采集相关变量数据；/n步骤S2、使用相关变量数据进行训练，基于BP神经网络建立能耗成本、出水水质和微生物风险的稳态预测模型；/n步骤S3、以被控变量的设定值作为决策变量，以步骤S2建立的稳态预测模型作为约束条件，构建基于能耗成本、出水水质和微生物风险的多目标优化函数；/n步骤S4、采用多目标差分进化算法对步骤S3构建的多目标优化函数进行优化计算，得到关于能耗成本、出水水质和微生物风险的帕累托最优解集；/n步骤S5、从步骤S4的帕累托最优解集中筛选微生物风险低、能耗成本和出水水质均衡的解对应的决策变量，作为被控变量的优化设定值；/n步骤S6、利用抗积分饱和比例积分控制器对步骤S5得到的被控变量的优化设定值进行实时跟踪控制。/n

【技术特征摘要】
1.一种污水处理多目标优化控制方法，其特征在于，包括以下步骤：
步骤S1、选取污水处理过程的被控变量并采集相关变量数据；
步骤S2、使用相关变量数据进行训练，基于BP神经网络建立能耗成本、出水水质和微生物风险的稳态预测模型；
步骤S3、以被控变量的设定值作为决策变量，以步骤S2建立的稳态预测模型作为约束条件，构建基于能耗成本、出水水质和微生物风险的多目标优化函数；
步骤S4、采用多目标差分进化算法对步骤S3构建的多目标优化函数进行优化计算，得到关于能耗成本、出水水质和微生物风险的帕累托最优解集；
步骤S5、从步骤S4的帕累托最优解集中筛选微生物风险低、能耗成本和出水水质均衡的解对应的决策变量，作为被控变量的优化设定值；
步骤S6、利用抗积分饱和比例积分控制器对步骤S5得到的被控变量的优化设定值进行实时跟踪控制。


2.根据权利要求1所述的污水处理多目标优化控制方法，其特征在于，所述步骤S1中的污水处理过程，满足活性污泥一号基准仿真模型的动态过程，进一步包括：
异养微生物的有氧生长；
异养微生物的缺氧生长；
自养微生物的有氧生长；
异养微生物的衰变；
自养微生物的衰变；
可溶性有机氮氨化；
颗粒状有机物的水解；
颗粒状有机氮的水解。


3.根据权利要求2所述的污水处理多目标优化控制方法，其特征在于，所述步骤S1中活性污泥一号基准仿真模型，包括5个完全混合式生化反应池和一个10层的二沉池。


4.根据权利要求3所述的污水处理多目标优化控制方法，其特征在于，所述步骤S1中相关变量，包括进水流量、能耗成本、出水水质、微生物风险以及被控变量。


5.根据权利要求4所述的污水处理多目标优化控制方法，其特征在于，所述步骤S1中的被控变量包括食微比、污泥龄、碳氮比、三号反应池的溶解氧和五号反应池的硝态氮。


6.根据权利要求5所述的污水处理多目标优化控制方法，其特征在于，所述步骤S1和步骤S2之间，进一步包括：
对污水处理过程的仿真模型的灵敏度进行分析，选择灵敏度高的被控变量和相关变量作为步骤S2中建立稳态预测模型的训练数据。


7.根据权利要求5所述的污水处理多目标优化控制方法，其特征在于，所述被控变量包括溶解氧和污泥龄；
所述步骤S2进一步包括：
以溶解氧设定值、污泥龄设定值和进水流量作为输入，分别以能耗成本、出水水质和微生物风险作为输出，使用步骤S1中的采集的相关变量数据进行训练，基于BP神经网络建立能耗成本、出水水质和微生物风险的稳态预测模型。


8.根据权利要求1所述的污水处理多目标优化控制方法，其特征在于，所述步骤S2中的BP神经网络，包括输入层、隐藏层和输出层；
第一层为输入层，第Q层为输出层，中间各层为隐层：
对于每个层的神经元模型如下：






其中，nq-1为上一层的神经元数量；

为输入到第q层的第i个神经元的连接权系数；

为第q层的第i个神经元的阈值；

为第q层的第i个神经元的输出；

为第q-1层的第j个神经元的输出；
f(·)为转换函数；
q∈[1，Q]，Q为神经网络总层数。


9.根据权利要求8所述的污水处理多目标优化控制方法，其特征在于，所述转换函数f包括：tansig函数、logsig函数和softmax函数。


10.根据权利要求7所述的污水处理多目标优化控制方法...

【专利技术属性】
技术研发人员：杜文莉，钟伟民，钱锋，彭鑫，李中美，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：上海;31