针对污水处理过程高度非线性、强耦合性、时变、大滞后和不确定性严重等特点，本发明专利技术提出一种基于非线性模型预测的污水处理过程多目标控制方法，实现对污水处理过程中溶解氧(DO)和硝态氮(SNO)浓度的控制；该控制方法通过建立污水处理过程预测模型，利用非线性模型预测控制方法进行多目标控制，从而提高控制效果，能够快速、准确地使溶解氧和硝态氮达到期望要求；解决了当前基于开关控制和PID控制自适应能力较差的问题；实验结果表明该方法能够快速、准确地控制溶解氧和硝态氮浓度，具有较强的自适应能力，提高污水处理的质量和效率、降低污水处理成本，促进污水处理厂高效稳定运行。
【技术实现步骤摘要】
本专利技术利用基于非线性模型预测控制方法实现污水处理过程中溶解氧(DO)和硝态氮(S1J浓度的控制，溶解氧(DO)和硝态氮(S1J的浓度直接决定了污水处理的效果，对出水水质和能耗有着重要影响。污水处理过程中溶解氧(DO)和硝态氮(Sno)的控制作为污水处理的重要环节，是先进制造
的重要分支，既属于控制领域，又属于水处理领域。
技术介绍
随着国民经济的增长和公众环保意识的增强，污水处理自动化技术迎来了前所未有的发展机遇。国家中长期科技发展规划中提出要研究并推广高效、低能耗的污水处理新技术。因此，本专利技术的研究成果具有广阔的应用前景。硝化反应过程是在有氧条件下发生的，溶解氧浓度的大小直接影响了硝化反应进程，溶解氧浓度变大时，系统中出水氨氮和总氮的浓度就会呈下降趋势，但是当溶解氧浓度达到一定值时，出水中的氨氮的变化幅度就减弱了，而且总氮也受硝态氮的影响，硝态氮增加时，总氮浓度也会升高。同时，反硝化反应过程是在缺氧环境下进行的，缺氧区的硝态氮浓度是衡量脱氮效果的重要指标，它反映了反硝化反应过程的进程，将硝态氮浓度控制在一个合适的范围内，能够提高反硝化反应的潜力。因此，对曝气池中溶解氧和硝态氮的控制非常重要，需要将溶解氧和硝态氮浓度控制在一定范围内，才能高效利用硝化反应的潜力。传统的开关控制或者PID控制，虽然是当前应用较为广泛的控制方法，但是由于氧气的溶解过程受入水水质、温度和PH值等方面的影响，具有高度非线性、强耦合性、时变、大滞后和不确定性等特点。采用传统的开关控制或者PID控制方法自适应能力较差，往往不能取得理想的控制效果。同时，由于污水处理过程具有滞后特性，精确表述控制变量与控制目标之间的关系十分困难。目前，污水处理过程模型结构复杂、待整定参数过多，可辨识性差，不能动态地反应出操作变量与控制目标之间的蕴含关系，无法用于在线控制。另夕卜，污水中污染物的数量多、含量各异，对检测是一大挑战。因此，必须寻求新的控制方法，以满足污水处理过程控制的需要。优良的控制可以节省污水处理运行费用，同时也是减少和应对异常工况发生、保障污水处理过程正常运行的关键。此外，通过提高污水处理过程自动化水平，还可以有效地减少运行管理和操作人员，降低运行费用。本专利技术设计了一种基于非线性模型预测的多目标控制方法，通过构建污水处理过程模型，利用模型预测的方法实现对污水处理过程中溶解氧(DO)和硝态氮(S1J的在线控制。
技术实现思路
本专利技术获得了一种溶解氧(DO)和硝态氮(Sno)浓度的控制方法，该控制器基于非线性模型预测的方法，通过构建污水处理过程的模型，分析污水处理过程，同时利用模型预测的控制方法提高控制能力；解决了控制器根据环境自动调整的问题，通过控制污水处理过程中的曝气量和内循环回流量从而达到控制DO和Sm浓度的目的；提高了污水处理过程中DO和Sno控制的精度，保障污水处理过程正常运行；本专利技术采用了如下的技术方案及实现步骤:1.基于非线性模型预测的溶解氧DO和硝态氮Sito控制方法的设计，其特征在于，包括以下步骤:(I)确定控制对象；本专利技术主要针对序批式间歇活性污泥系统中溶解氧和硝态氮进行控制，以曝气量和内循环回流量为控制量，溶解氧和硝态氮浓度为被控量；(2)设计用于污水处理过程中溶解氧和硝态氮模型预测控制方法的多目标函数权利要求1.，其特征包括以下步骤: (1)确定控制对象；针对序批式间歇活性污泥系统中溶解氧和硝态氮进行控制，以曝气量和内循环回流量为控制量，溶解氧和硝态氮浓度为被控量； (2)设计用于污水处理过程中溶解氧和硝态氮模型预测控制方法的多目标函数:全文摘要针对污水处理过程高度非线性、强耦合性、时变、大滞后和不确定性严重等特点，本专利技术提出一种，实现对污水处理过程中溶解氧(DO)和硝态氮(SNO)浓度的控制；该控制方法通过建立污水处理过程预测模型，利用非线性模型预测控制方法进行多目标控制，从而提高控制效果，能够快速、准确地使溶解氧和硝态氮达到期望要求；解决了当前基于开关控制和PID控制自适应能力较差的问题；实验结果表明该方法能够快速、准确地控制溶解氧和硝态氮浓度，具有较强的自适应能力，提高污水处理的质量和效率、降低污水处理成本，促进污水处理厂高效稳定运行。文档编号G05B13/04GK103197544SQ20131005905公开日2013年7月10日 申请日期2013年2月25日 优先权日2013年2月25日专利技术者韩红桂, 伍小龙, 王丽丹, 乔俊飞 申请人:北京工业大学本文档来自技高网...
【技术保护点】
基于非线性模型预测的污水处理过程多目标控制方法，其特征包括以下步骤：(1)确定控制对象；针对序批式间歇活性污泥系统中溶解氧和硝态氮进行控制，以曝气量和内循环回流量为控制量，溶解氧和硝态氮浓度为被控量；(2)设计用于污水处理过程中溶解氧和硝态氮模型预测控制方法的多目标函数：J1(u)=α1[r1(t)-y^1(t)]T[r1(t)-y^1(t)]+ρ1Δu(t)TΔu(t);J2(u)=α2[r2(t)-y^2(t)]T[r2(t)-y^2(t)]+ρ2Δu(t)TΔu(t);---(1)其中r1是溶解氧浓度的期望输出，r2是硝态氮浓度的期望输出，是溶解氧浓度预测值，是硝态氮浓度预测值，T为公式的转置，α1∈[0.5,1.5]，α2∈[0.5,1.5]，ρ1∈[0.5,1.5]和ρ2∈[0.5,1.5]是控制参数，u(t)=[u1(t),u2(t),u1(t+1),u2(t+1),…,u1(t+Hu?1),u2(t+Hu?1)]T；r1(t)=[r1(t+1),r1(t+2),…,r1(t+Hp)]T；r2(t)=[r2(t+1),r2(t+2),…,r2(t+Hp)]T；y^1(t)=[y^1(t+1),y^1(t+2),...,y^1(t+Hp)]T;y^2(t)=[y^2(t+1),y^2(t+2),...,y^2(t+Hp)]T;Δu(t)=[Δu1(t),Δu2(t),Δu1(t+1),Δu2(t+1),…,Δu1(t+Hu?1),Δu2(t+Hu?1)]T；???????????????????????????????(2)u1是曝气量，u2是内循环回流量，Hp为预测时域，Hp∈[1,10]，Hu为控制变量的变化时域，Hu∈[1,5]，Hu≤Hp；限制条件：Δu1(t)=u1(t)?u1(t?1)；Δu2(t)=u2(t)?u2(t?1)；|Δu1(t)|≤Δu1,max；|Δu2(t)|≤Δu2,max；u1,min≤u1(t)≤u1,max；u2,min≤u2(t)≤u2,max；y^1,min≤y^1(t)≤y^1,max;y^2,min≤y^2(t)≤y^2,max;---(3)其中，Δu1,max是控制系统设备允许的最大曝气调整量，u1,min是控制系统设备允许的最小曝气量，u1,max是控制系统设备允许的最大曝气量，Δu2,max是控制系统设备允许的最大内循环回流调整量，u2,min是控制系统设备允许的最小内循环回流量，u2,max是控制系统设备允许的最大内循环回流量，是控制系统设备允许的最小溶解氧浓度，是控制系统设备允许的最大溶解氧浓度， 是控制系统设备允许的最小硝态氮浓度，是控制系统设备允许的最大硝态氮浓度；Δu1，max、u1,min、u1,max、Δu2,max、u2,min、u2,max、和根据控制系统设备设置；(3)设计用于污水处理过程中溶解氧和硝态氮浓度预测控制方法的RBF神经网络拓扑结构；网络分为三层：输入层、隐含层、输出层；输入为x(t)，输出为污水处理系统溶解氧和硝态氮浓度预测值和初始化RBF神经网络：确定神经网络p?K?2的连接方式，即输入层神经元为p个，隐含层神经元为K个，输出层神经元为2个；对神经网络的权值进行随机赋值；RBF神经网络的输入表示为x1(t)，x2(t)，…，xp(t)，神经网络的期望输出表示为r(t)=[r1(t),r2(t)]T，实际输出表示为设第t时刻RBF神经网络输入为x1(t)，x2(t)，…，xp(t)，RBF神经网络的计算功能是：y^1(t)=Σk=1Kw1,k(t)θk(x(t));y^2(t)=Σk=1Kw2,k(t)θk(x(t));---(4)w1,k(t)表示隐含层第k个神经元和输出层第1个神经元的连接权值，w2,k(t)表示隐含层第k个神经元和输出层第2个神经元的连接权值，k＝1，2，…，K；θk是隐含层第k个神经元的输出，其计算公式为：θk(x(t))=e(-||x(t)-μk(t)||/σk2(t));---(5)μk表示隐含层第k个神经元中心值，σk表示隐含层第k个神经元的中心宽度；定义误差函数为：E(t)=12(y^(t)-y(t))T(y^(t)-y(t));---(6)是神经网络的实际输出，y(t)=[y1(t),y2(t)]T是系统的实际...
【技术特征摘要】
【专利技术属性】
技术研发人员：韩红桂，伍小龙，王丽丹，乔俊飞，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。