一种污水处理过程一体化智能优化控制方法技术

一种污水处理过程一体化智能优化控制方法既属于智能控制领域，又属于水处理领域。本发明专利技术针对污水处理过程动力学强非线性，运行环境复杂多变，导致分步优化控制算法难以同时保证控制性能和运行性能的问题，提出了控制方法以提高控制性能和运行性能。该方法首先分别建立了污水处理过程被控变量模型和运行指标模型，然后设计了运行指标和跟踪误差综合目标函数，最后利用多梯度算法一体化求解设定点和控制律，提高系统的控制精度，实现污水处理过程高效稳定的运行。高效稳定的运行。高效稳定的运行。

【技术实现步骤摘要】
一种污水处理过程一体化智能优化控制方法


[0001]本专利技术利用污水处理过程一体化智能优化控制方法实现了污水处理过程溶解氧浓度和硝态氮浓度优化设定值和控制律的一体化求解，提高了污水处理过程的控制性能和运行性能，实现了污水处理过程的高效稳定运行。污水处理过程溶解氧浓度和硝态氮浓度设定值的确定和对设定值的跟踪效果直接影响污水处理过程的出水水质和运行成本，是污水处理的重要环节，也是先进制造
的重要分支，既属于智能控制领域，又属于水处理领域。

技术介绍

[0002]随着全球经济和社会的可持续发展，水资源短缺问题日益严重，污水处理可以净化水质，促进水资源循环是解决水资源短缺问题的重要措施。在污水处理过程中，出水水质和运行成本是两个重要指标，保证出水水质达标排放，降低污水处理过程的运行成本是污水处理过程面临的挑战性难题。在污水处理过程中使用合适的优化控制方法提高运行性能具有显著的经济和社会效益。因此，本专利技术的研究成果具有广阔的应用前景。
[0003]优化控制方法通过优化单元最小化运行指标求解关键过程变量的设定点，并通过控制单元设计控制器跟踪优化设定点，因此，学者们对优化算法和控制算法进行了深入的研究以提高污水处理过程的控制性能和运行性能。然而由于污水处理过程的动力学强非线性且运行条件环境复杂多变，导致分步优化控制算法求解的设定点波动大难以实现准确跟踪，难以保证污水处理过程的高效稳定运行。因此，如何实现好污水处理过程的优化控制一体化是过程控制领域的重要课题，具有重要的现实意义。
[0004]本专利技术提出了一种污水处理过程一体化智能优化控制方法，通过构建综合目标函数，实现设定点和控制律的统一求解，提高系统的控制精度，实现污水处理过程高效稳定的运行。

技术实现思路

[0005]本专利技术获得了一种污水处理过程一体化智能优化控制方法，首先分别建立了污水处理过程被控变量模型和运行指标模型，然后设计了运行指标和跟踪误差综合目标函数，最后利用多梯度算法一体化求解设定点和控制律，提高了污水处理过程的控制性能和运行性能，实现了污水处理过程高效稳定的运行；
[0006]本专利技术采用了如下的技术方案及实现步骤：
[0007]一种污水处理过程一体化智能优化控制方法，针对分步优化控制算法难以同时保证污水处理过程控制性能和运行性能的问题，通过设计综合目标函数一体化求解设定点和控制律实现污水处理过程的高效稳定运行；其特征在于，包括以下步骤：
[0008](1)建立污水处理过程被控变量模型：
[0009]建立基于模糊神经网络的污水处理过程被控变量模型，模糊神经网络的拓扑结构共四层：输入层、径向基层、规则层和输出层，采取8
‑8‑8‑
2的连接方式，即输入层神经元的
数量为8，径向基层神经元数量为8，规则层神经元数量为8，输出层神经元数量为2；被控变量模型模糊神经网络的输入为x1(t)＝[y1(t
‑
1)，y1(t
‑
2)，y2(t
‑
1)，y2(t
‑
2)，u1(t
‑
5)，u2(t
‑
5)，u1(t
‑
6)，u2(t
‑
6)]T
，y1(t
‑
1)为t
‑
1时刻溶解氧浓度的实际值，y1(t
‑
2)为t
‑
2时刻溶解氧浓度的实际值，y2(t
‑
1)为t
‑
1时刻硝态氮浓度的实际值，y2(t
‑
2)为t
‑
2时刻硝态氮浓度的实际值，u1(t
‑
5)为t
‑
5时刻的曝气量，u1(t
‑
6)为t
‑
6时刻的曝气量，u2(t
‑
5)为t
‑
5时刻污水处理过程中内回流量，u2(t
‑
6)为t
‑
6时刻污水处理过程中内回流量，T为矩阵的转置；基于模型模糊神经网络的被控变量模型输出为t时刻溶解氧浓度的预测值和硝态氮浓度的预测值输出表达式如下：
[0010][0011]其中，为t时刻的污水处理过程被控变量预测输出，q1＝1，2；x
1i1
(t)为t时刻第i1个输入，i1∈[1，8]；w
l1
(t)为t时刻规则层第l1个神经元和输出层神经元的连接权值，l1∈[1，8]，c
i1j1
(t)为t时刻第j1个径向基层神经元对应第i1个输入神经元的中心值，j1∈[1，8]；σ
i1j1
(t)为t时刻第j1个径向基层神经元对应第i1个输入神经元的中心宽度值；
[0012](2)建立污水处理过程运行指标模型：
[0013]建立基于模糊神经网络的污水处理过程运行指标模型，模糊神经网络的拓扑结构共四层：输入层、径向基层、规则层和输出层，采取6
‑
10
‑
10
‑
2的连接方式，即输入层神经元的数量为6，径向基层神经元数量为10，规则层神经元数量为10，输出层神经元数量为2；运行指标模型模糊神经网络的输入为x2(t)＝[y1(t
‑
1)，y1(t
‑
2)，y2(t
‑
1)，y2(t
‑
2)，s(t
‑
1)，s(t
‑
2)]T
，s(t
‑
1)为t
‑
1时刻入水流量的实际值，s(t
‑
2)为t
‑
2时刻入水流量的实际值；基于模糊神经网络的运行指标模型输出为t时刻出水水质的预测值和运行成本的预测值输出表达式如下：
[0014][0015]其中，为t时刻的污水处理过程运行指标预测输出，q2＝1，2；x
2i2
(t)为t时刻第i2个输入，i2∈[1，6]；w
l2
(t)为t时刻规则层第l2个神经元和输出层神经元的连接权值，l2∈[1，10]；c
i2j2
(t)为t时刻第j2个径向基层神经元对应第i2个输入神经元的中心值，j2∈[1，10]；σ
i2j2
(t)为t时刻第j2个径向基层神经元对应第i2个输入神经元的中心宽度值；
[0016](3)设计污水处理过程运行指标和跟踪误差综合目标函数：
[0017]1)污水处理过程运行指标模型的输出为和和为t+1时刻出水水质的预测值，为t+2
时刻出水水质的预测值，为t+6时刻出水水质预测值，为t+1时刻运行成本预测值，为t+2时刻运行成本预测值，为t+6时刻运行成本的预测值；污水处理过程被控变量模型的输出为和和和为t+1时刻溶解氧浓度的预测值，为t+2时刻溶解氧浓度预测值，为t+5时刻溶解氧浓度预测值，为t+1时刻硝态氮浓度预测值，为t+2时刻硝态氮本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种污水处理过程一体化智能优化控制方法，其特征在于，包括以下步骤：(1)建立污水处理过程被控变量模型：建立基于模糊神经网络的污水处理过程被控变量模型，模糊神经网络的拓扑结构共四层：输入层、径向基层、规则层和输出层，采取8
‑8‑8‑
2的连接方式，即输入层神经元的数量为8，径向基层神经元数量为8，规则层神经元数量为8，输出层神经元数量为2；被控变量模型模糊神经网络的输入为x1(t)＝[y1(t
‑
1)，y1(t
‑
2)，y2(t
‑
1)，y2(t
‑
2)，u1(t
‑
5)，u2(t
‑
5)，u1(t
‑
6)，u2(t
‑
6)]
T
，y1(t
‑
1)为t
‑
1时刻溶解氧浓度的实际值，y1(t
‑
2)为t
‑
2时刻溶解氧浓度的实际值，y2(t
‑
1)为t
‑
1时刻硝态氮浓度的实际值，y2(t
‑
2)为t
‑
2时刻硝态氮浓度的实际值，u1(t
‑
5)为t
‑
5时刻的曝气量，u1(t
‑
6)为t
‑
6时刻的曝气量，u2(t
‑
5)为t
‑
5时刻污水处理过程中内回流量，u2(t
‑
6)为t
‑
6时刻污水处理过程中内回流量，T为矩阵的转置；基于模型模糊神经网络的被控变量模型输出为t时刻溶解氧浓度的预测值和硝态氮浓度的预测值输出表达式如下：其中，为t时刻的污水处理过程被控变量预测输出，q1＝1，2；x
1i1
(t)为t时刻第i1个输入，i1∈[1，8]；w
l1
(t)为t时刻规则层第l1个神经元和输出层神经元的连接权值，l1∈[1，8]，c
i1j1
(t)为t时刻第j1个径向基层神经元对应第i1个输入神经元的中心值，j1∈[1，8]；σ
i1j1
(t)为t时刻第j1个径向基层神经元对应第i1个输入神经元的中心宽度值；(2)建立污水处理过程运行指标模型：建立基于模糊神经网络的污水处理过程运行指标模型，模糊神经网络的拓扑结构共四层：输入层、径向基层、规则层和输出层，采取6
‑
10
‑
10
‑
2的连接方式，即输入层神经元的数量为6，径向基层神经元数量为10，规则层神经元数量为10，输出层神经元数量为2；运行指标模型模糊神经网络的输入为x2(t)＝[y1(t
‑
1)，y1(t
‑
2)，y2(t
‑
1)，y2(t
‑
2)，s(t
‑
1)，s(t
‑
2)]
T
，s(t
‑
1)为t
‑
1时刻入水流量的实际值，s(t
‑
2)为t
‑
2时刻入水流量的实际值；基于模糊神经网络的运行指标模型输出为t时刻出水水质的预测值和运行成本的预测值输出表达式如下：其中，为t时刻的污水处理过程运行指标预测输出，q2＝1，2；x
2i2
(t)为t时刻第i2个输入，i2∈[1，6]；w
l2
(t)为t时刻规则层第l2个神经元和输出层神经元的连接权值，l2∈[1，10]；c
i2j2
(t)为t时刻第j2个径向基层神经元对应第i2个输入神经元的中心值，j2∈[1，
10]；σ
i2j2
(t)为t时刻第j2个径向基层神经元对应第i2个输入神经元的中心宽度值；(3)设计污水处理过程运行指标和跟踪误差综合目标函数：1)污水处理过程运行指标模型的输出为和和为t+1时刻出水水质的预测值，为t+2时刻出水水质的预测值，为t+6时刻出水水质预测值，为t+1时刻运行成本预测值，为t+2时刻运行成本预测值，为t+6时刻运行成本的预测值；污水处理过程被控变量模型的输出为和和为t+1时刻溶解氧浓度的预测值，为t+2时刻溶解氧浓度预测值，为t+5时刻溶解氧浓度预测值，为t+1时刻硝态氮浓度预测值，为t+2时刻硝态氮浓度预测值，为t+5时刻硝态氮浓度预测值；2)设计运行指标和跟踪误差综合目标函数，表达式如下：其中，J(Q(t))＝[J
11
(Q(t))，J
12
(Q(t))，J
21
(Q(t))，J
22
(Q(t))]，J(Q(t))为t时刻运行指标和跟踪误差综合目标函数，J
11
(Q(t))为t时刻水质运行指标目标函数，J
12
(Q(t))为t时刻能耗运行指标目标函数，J
21
(Q(t))为t时刻溶解氧误差目标函数，J
22
(Q(t))为t时刻硝态氮误差目标函数；Q(t)＝[y(t)，u(t)]
T
为t时刻一体化设定点和控制律，y(t)＝[y1(t)，y1(t+1)，
…
，y1(t+5)，y2(t)，y2(t+1)，
…
，y2(t+5)]
T
为t时刻溶解氧浓度和硝态氮浓度实际值向量，y1(t)为t时刻溶解氧浓度实际值，y1(t+1)为t+1时刻溶解氧浓度实际值，y1(t+4)为t+4时刻溶解氧浓度实际值，y2(t)为t时刻硝态氮浓度实际值，y2(t+1)为t+1时刻硝态氮浓度实际值，y2(t+4)为t+4时刻硝态氮浓度实际值，u(t)＝[u1(t)，u1(t+1)，
…
，u1(t+4)，u2(t)，u2(t+1)，
…
，u2(t+4)]
T
为t时刻的控制律向量，u1(...

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