CN105843072B - 基于改进局部搜索的免疫遗传算法的污水处理节能优化方法 - Google Patents
基于改进局部搜索的免疫遗传算法的污水处理节能优化方法 Download PDFInfo
- Publication number
- CN105843072B CN105843072B CN201610168991.3A CN201610168991A CN105843072B CN 105843072 B CN105843072 B CN 105843072B CN 201610168991 A CN201610168991 A CN 201610168991A CN 105843072 B CN105843072 B CN 105843072B
- Authority
- CN
- China
- Prior art keywords
- antibody
- local search
- genetic algorithm
- immune genetic
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000010865 sewage Substances 0.000 title claims abstract description 38
- 230000002068 genetic effect Effects 0.000 title claims abstract description 37
- 238000004134 energy conservation Methods 0.000 title claims abstract description 11
- 238000005265 energy consumption Methods 0.000 claims abstract description 44
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 38
- 239000001301 oxygen Substances 0.000 claims abstract description 38
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 38
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000005086 pumping Methods 0.000 claims abstract description 15
- 238000005273 aeration Methods 0.000 claims abstract description 7
- 239000010802 sludge Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000010992 reflux Methods 0.000 claims description 10
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 8
- 238000011478 gradient descent method Methods 0.000 claims description 7
- FDWIKIIKBRJSHK-UHFFFAOYSA-N 2-(2-methyl-4-oxochromen-5-yl)acetic acid Chemical compound C1=CC=C2OC(C)=CC(=O)C2=C1CC(O)=O FDWIKIIKBRJSHK-UHFFFAOYSA-N 0.000 claims description 6
- 238000009395 breeding Methods 0.000 claims description 6
- 230000001488 breeding effect Effects 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical group N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 5
- 238000005842 biochemical reaction Methods 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 229910052757 nitrogen Inorganic materials 0.000 claims description 4
- 239000007787 solid Substances 0.000 claims description 4
- 239000000725 suspension Substances 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 239000000427 antigen Substances 0.000 claims description 3
- 102000036639 antigens Human genes 0.000 claims description 3
- 108091007433 antigens Proteins 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 229920006395 saturated elastomer Polymers 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims description 2
- 230000004044 response Effects 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 241001148470 aerobic bacillus Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- JEGUKCSWCFPDGT-UHFFFAOYSA-N h2o hydrate Chemical compound O.O JEGUKCSWCFPDGT-UHFFFAOYSA-N 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)
Abstract
本发明公开了一种基于改进局部搜索的免疫遗传算法的污水处理节能优化方法,包括:设计曝气池的溶解氧浓度和缺氧池硝酸氮的比例积分控制器;考虑出水和能耗,确定节能优化函数和节能目标;提出改进局部搜索的免疫遗传算法;求解溶解氧和硝酸氮的动态控制的设定值;在保证出水满足排放标准的前提下,最小化最优化能耗成本。该方法采用改进局部搜索的免疫遗传算法,搭建以污水水质为约束、鼓风机能耗和泵送能耗都达最小的优化目标函数,提出以四分之一天为周期的控制器参考值为控制对象,进行动态调整的优化策略,将局部搜索的免疫遗传算法的优化结果加入到控制器参考值的离线求解当中,在保证出水水质前提下显著降低污水处理过程中能耗。
Description
技术领域
本发明涉及污水处理节能优化的技术领域,尤其是指一种基于改进局部搜索的免疫遗传算法的污水处理节能优化方法。
背景技术
我国当前的城市生活污水处理中,绝大部分还是依靠以人工经验为主的常规控制方法。这样的措施存在很多的弊端,往往会导致出水的效果差,没有及时的跟踪上污水入水浓度的变换和运行的成本较高等问题。因此,对污水处理过程进行优化控制,使得***运行时消耗的能源尽可能少,是保障污水处理厂能够稳定运行的重要手段。
在污水处理模型BSM1中,鼓风机能耗和内回流泵送能耗是最整个污水***中主要的能源消耗类型。鼓风机能耗占到污水厂设备能耗的50%~70%,其主要作用是使得反应池中增加足够的溶解氧,这样可以满足好氧菌对于氧气的需求,使得生化反应得以正常进行。
内回流泵送能耗占污水厂设备能耗的10%~25%,其作用是让污泥池保持活性污泥的状态。另外,外回流泵送能耗由于会导致二沉池不稳定,通常都是和入水按一定比例配置好,不适合后期做优化,因此本发明把污水***的节能优化的目标确定为最小化最优化鼓风机能耗以及内回流泵送能耗。
活性污泥污水处理过程中,溶解氧及硝态氮的浓度是改变硝化和反硝化反应的重要参数。反应池中溶解氧浓度的调节是通过调节曝气池末端的氧传递系数来控制溶解氧浓度稳定。氧传递系数和鼓风机能耗密切相关;硝酸氮的浓度通过调节污水***内回流量Qa,以达到控制缺氧池的硝酸氮浓度保持在一定水平的效果,内回流量和泵送能耗息息相关。因此,如何合理的利用溶解氧以及硝态氮是有效实现节能减排的关键问题。
当前很多活性污泥污水厂的溶解氧浓度和氨氮浓度都配置为恒定值,除非***有重大的调整,否则溶解氧和氨氮设定值会保持长期不变。包括我们BSM1模型中常规控制方法中默认的PI控制器的设定值也是固定的(分别为2g/m3和1g/m3)。然而,通过实际的运行经验可知,在不同的气候环境下和时间段下,污水厂进水的浓度变化很大。如果溶解氧的控制器和硝酸氮的控制器设定值在整个运行期间一直保持不变,则污水***的出水和能耗都无法实现整体最优化。因此,必须对溶解氧和硝酸氮的控制器控制值进行最优化设计。
发明内容
本发明的目的在于克服现有技术的不足,提出了一种基于改进局部搜索的免疫遗传算法的污水处理节能优化方法。首先,分别设计曝气池的溶解氧浓度和缺氧池硝酸氮的比例积分控制器。再统筹考虑出水和能耗,结合前置反硝化污泥生化处理***的控制器,采用局部搜索的免疫遗传算法求解溶解氧和硝酸氮的动态控制的设定值。利用比例积分控制器,使其跟踪优化值对氧传递系数及污水***内部回流量的影响,在保证出水满足排放标准的前提下,最小化最优化能耗成本。
本发明的目的通过下述技术方案实现:
一种基于改进局部搜索的免疫遗传算法的污水处理节能优化方法,包括下列步骤:
S1、采用BSM1模型常规控制方法中默认的PI控制器作为曝气池的溶解氧浓度和缺氧池硝酸氮浓度的比例积分控制器;
S2、搭建了以污水水质为约束、鼓风机能耗EA和泵送能耗EP都达最小的优化目标函数J;
S3、提出一种改进局部搜索的免疫遗传算法;
S4、采用改进局部搜索的免疫遗传算法寻优求解溶解氧浓度和硝酸氮浓度的动态控制的设定值;
S5、在保证出水满足排放标准的前提下,最小化最优化能耗成本。
进一步的,所述步骤S3具体为:
步骤S30、假设S为按照一定方式编码的链长为l的抗体空间,SN为抗体群空间,S2为母体空间,若Xi∈S(i≤N)是N个抗体,则是一个抗体群,用表示初始抗体群,表示第n代抗体群,用F:S→R+表示亲和力函数;
定义1(抗体以及抗体空间)采用一定方式编码产生的长度为l的字符串,简称l-抗体X,X∈A,A为可行解空间;l称为抗体的链长,l-抗体的全体记作S={X|X∈A}称为抗体空间。
定义2(抗体群和抗体群空间)所谓N-种群是N个允许重复的抗体组成的集合,简称抗体群。N称作抗体群规模,抗体群空间SN表示为:
假设S为按照一定方式编码的链长为l的抗体空间,SN为抗体群空间,S2为母体空间。若Xi∈S(i≤N)是N个抗体,则是一个抗体群。用表示初始抗体群,表示第n代抗体群。用F:S→R+表示亲和力函数,则改进的免疫遗传算法的过程为:
步骤S31、对于n=0给出初始抗体群利用随机算法,随机对抗体种群进行初始化,本算法随机产生抗体采用等概率的方式:
则变量X∈(Xmin,Xmax)将初始化为:
X=Xmin+(Xmax-Xmin)L (3)
步骤S32、梯度下降法指导抗体变异。以相邻抗体的亲和度为依据,用梯度下降法指导抗体的变异方向:如相邻两抗体Xi和Xi+1亲和度为F(Xi)、F(Xi+1),得到新抗体为:
假如越界就在定义域内,采用随机算法搜索出新的随机抗体。
步骤S33、评价各抗体亲和度,对抗体进行促进和抑制。将与抗原亲和度好的抗体加入记忆细胞中,保证当前寻优过程不发生退化现象;依照繁殖几率对抗体排序,以等概率产生的抗体来更替期望最小的不合格抗体和由梯度下降导致越界抗体。设在[Xmin,Xmax]内每隔ε取一个抗体:
其中k为抗体分量的个数,则有:
步骤S34、在最优抗体附近进行局部搜索。因为在使用梯度下降算子时,会在某个极值点附近,出现自变量超出定义域的情况,这时会采用随机产生新抗体的方法替代超出定义域的抗体。另一方面,梯度下降法的快速性,能使算法较快地到达极值点的周围,然而极值点有可能很小的邻域内,也有可能在稍微远一点的邻域内。当出现两个抗体一样的情况时,或者两次抗体的空间距离较近的时候,本发明以等概率p在当前最优抗体的小邻域a内进行深度查找。这个操作在迭代中并不是每次都需要触发,但却对提高算法的精度起着至关重要的作用。选择到邻域中的任意区域概率为:
其中a为当前邻域半径。ε为任意小的正数,体现在对算法精度的影响,另外a的确定由下式决定,其中N为算法中的参数,Xmax,Xmin分别是定义域的上界和下界。
步骤S35、如果满足停止准则,则停止,否则转向步骤S32,则局部搜索的免疫遗传算法为:
从出发,即得到抗体群序列它是有限的、齐次的、不可约的和非周期的马尔科夫链。
进一步的,所述步骤S4为:
S41、将开始时间到结束时间切分成n段。
S42、随机生成第一代抗体群,自变量范围分别控制在 内,生成2n维的抗体,其中每个时间段有两个控制参数。
S43、将种群中的抗体依次赋值给寻优参数和运行活性污泥仿真模型,计算出抗体所对应的适应度J值,并将J转化为各抗体的亲和度,对比保存当前最优的J值,适应度最好的抗体就是我们寻优的目标。
S44、利用局部搜索的免疫遗传算法对抗体作迭代计算。含有抗体的促进抑制,记忆***,梯度下降,局部搜索,抗体的复制等。按适应度把抗体按照繁殖几率排序,从大到小加入记忆***中。
S45、评估是否达到最大进化代数。是就退出,输出每一个时间段的最优溶解氧浓度值、硝酸氮浓度值及其对应适应度值。反之,返回上面S43-S44,待到算法迭代结束。
进一步的,所述鼓风机能耗
所述泵送能耗
所述优化目标函数J:
式中,Kla表示氧传递系数,Vi表示各生化反应池体积,SO,sat为饱和溶解氧浓度,Qa为污水***内部回流量,Qw为向外污泥排放量,Qr为污泥内部回流量,ci(i=1~5)为惩罚因子,TN是总氮浓度,SNH是氨氮浓度,COD是化学需氧量,TSS是固体悬浮物浓度,BOD5是5天生化需氧量。
进一步的,所述出水水质约束条件为:总氮浓度TN<18g/m3;化学需氧量COD<100g/m3;硝酸氮浓度SNH<4g/m3;固体悬浮物浓度TSS<30g/m3;5天生化需氧量浓度BOD5<10g/m3。
本发明相对于现有技术具有如下的优点及效果:
1)采用本发明方法优化得到的控制器设定值更加精准和快速,提高了污水数据测量的效率和准确度,并且使出水水质得到了提升。
2)本发明结合现有污水处理模型,对污水处理过程进行优化控制,使所消耗的能源得到明显下降,保障了污水处理厂能够稳定经济的运行。
附图说明
图1是本发明中依据最小化最优化能耗成本的污水处理节能优化方法流程图;
图2是本实施例步骤S4中关于采用改进局部搜索的遗传算法优化污水处理过程的流程图;
图3是本实施例中采用的污水处理模型BSM1构造图;
图4是采用局部搜索算法优化求解的PI控制器时间分段控制参数值对比图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明做进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例
请参见附图1,附图1是本实施例中依据改进局部搜索的免疫遗传算法污水处理节能优化方法流程图。本发明采用国际水协会和COST根据的实际操作测量数据,给出了进水的3种气候的入水数据文件。文件包含14天的进水数据,采样间隔是15分钟,这些数据都是由真实的数据测量得出。分别对应的是干旱天、雨天和暴雨天,相应的污水进水流量变化和成分浓度变化。具体过程如下:
步骤S1、设计曝气池的溶解氧浓度和缺氧池硝酸氮浓度的比例积分控制器;
采用BSM1模型常规控制方法中默认的PI控制器作为曝气池的溶解氧浓度和缺氧池硝酸氮的比例积分控制器。BSM1的模型结构是一种相对简单且已被普遍使用的布局,标准是由五个生化反应池组成,包含2个缺氧池和3个有氧池和一个二沉池。模型结构图见附图3。
步骤S2、搭建以污水水质为约束、鼓风机能耗EA和泵送能耗EP都达最小的优化目标函数J;
设在某一段时间[t,t+T]内的工作运行能耗E为:E=EA+EP;
步骤S21、鼓风机能耗
步骤S22、泵送能耗
步骤S23、优化目标函数J:
式中,EA为鼓风机耗能,EP为泵送耗能,Kla表示氧传递系数,Vi表示各生化反应池体积。SO,sat为饱和溶解氧浓度,Qa为污水***内部回流量,Qw为向外污泥排放量,Qr为污泥内部回流量,ci(i=1~5)为惩罚因子。
步骤3、建立改进局部搜索的免疫遗传算法模型。
传统的免疫遗传算法具有很好的全局搜索能力,但是局部搜索能力稍显乏力,一旦落入最优解附近时,还要迭代多代才能达到收敛目标。因此,可以先用免疫遗传算法来寻找一个粗糙的适应值,让算法在当前适应值附近寻找最优值,然后使用梯度下降算子使算法较快地到达某个极值点的周围,这时一方面在极值点附近可能出现自变量超出定义域的情况,另一方面极值点有可能很小的邻域内,也有可能在稍微远一点的邻域内。当出现两个抗体一样的情况时,或者两次抗体的空间距离较近的时候,本发明以等概率p在当前最优抗体的小邻域a内进行深度查找。这个操作在迭代中并不是每次都需要触发,但却对提高算法的精度起着至关重要的作用。这样新的算法不仅提高了原来算法的收敛速度,更提供了高精度的搜索机制。
该步骤具体过程为:
为了方便后面引用,根据数学规则给出定义:
(步骤S30)、定义1(抗体以及抗体空间)采用一定方式编码产生的长度为l的字符串,简称l-抗体X,X∈A,A为可行解空间;l称为抗体的链长,l-抗体的全体记作S={X|X∈A}称为抗体空间。
定义2(抗体群和抗体群空间)所谓N-种群是N个允许重复的抗体组成的集合,简称抗体群。N称作抗体群规模,抗体群空间SN表示为:
假设S为按照一定方式编码的链长为l的抗体空间,SN为抗体群空间,S2为母体空间。若Xi∈S(i≤N)是N个抗体,则是一个抗体群。用表示初始抗体群,表示第n代抗体群。用F:S→R+表示亲和力函数,则改进的免疫遗传算法的过程为:
(步骤S31)、对于n=0给出初始抗体群利用随机算法,随机对抗体种群进行初始化,本算法随机产生抗体采用等概率的方式:
则变量X∈(Xmin,Xmax)将初始化为:
X=Xmin+(Xmax-Xmin)L (3)
(步骤S32)、梯度下降法指导抗体变异。以相邻抗体的亲和度为依据,用梯度下降法指导抗体的变异方向:如相邻两抗体Xi和Xi+1亲和度为F(Xi)、F(Xi+1),得到新抗体为:
假如越界就在定义域内,采用随机算法搜索出新的随机抗体。
(步骤S33)、评价各抗体亲和度,对抗体进行促进和抑制。将与抗原亲和度好的抗体加入记忆细胞中,保证当前寻优过程不发生退化现象;依照繁殖几率对抗体排序,以等概率产生的抗体来更替期望最小的不合格抗体和由梯度下降导致越界抗体。设在[Xmin,Xmax]内每隔ε取一个抗体:
其中k为抗体分量的个数,则有:
(步骤S34)、在最优抗体附近进行局部搜索。因为在使用梯度下降算子时,会在某个极值点附近,出现自变量超出定义域的情况,这时会采用随机产生新抗体的方法替代超出定义域的抗体。另一方面,梯度下降法的快速性,能使算法较快地到达极值点的周围,然而极值点有可能很小的邻域内,也有可能在稍微远一点的邻域内。当出现两个抗体一样的情况时,或者两次抗体的空间距离较近的时候,本发明以等概率p在当前最优抗体的小邻域a内进行深度查找。这个操作在迭代中并不是每次都需要触发,但却对提高算法的精度起着至关重要的作用。选择到邻域中的任意区域概率为:
其中a为当前邻域半径。ε为任意小的正数,体现在对算法精度的影响,另外a的确定由下式决定,其中N为算法中的参数,Xmax,Xmin分别是定义域的上界和下界。
(步骤S35)、如果满足停止准则,则停止,否则转向步骤S32,则局部搜索的免疫遗传算法为:
从出发,即得到抗体群序列它是有限的、齐次的、不可约的和非周期的马尔科夫链。
步骤S4、寻优求解溶解氧浓度和硝酸氮浓度的动态控制的设定值,具体过程为:
(步骤S41)、将开始时间到结束时间切分成n段。
(步骤S42)、随机生成第一代抗体群,自变量范围分别控制在 内,生成2n维的抗体,其中每个时间段有两个控制参数。
(步骤S43)、将种群中的抗体依次赋值给寻优参数和运行活性污泥仿真模型,计算出抗体所对应的适应度J值,并将J转化为各抗体的亲和度,对比保存当前最优的J值,适应度最好的抗体就是我们寻优的目标。
(步骤S44)、利用局部搜索的免疫遗传算法对抗体作迭代计算。含有抗体的促进抑制,记忆***,梯度下降,局部搜索,抗体的复制等。按适应度把抗体按照繁殖几率排序,从大到小加入记忆***中。
(步骤S45)、评估是否达到最大进化代数。是就退出,输出每一个时间段的最优溶解氧浓度值、硝酸氮浓度值及其对应适应度值。反之,返回上面S43-S44,待到算法迭代结束。
根据步骤S4,仿真实验把一天分为4段。这是根据污水处理的波动情况,基于有序样本序列聚类的方法来划分的控制时段。以此来控制溶解氧浓度和氨氮浓度,由于每天的波动情况不一样,划分的时间段略有不同,下面给出本发明仿真时所采用的分段方法。具体的寻优分段方法如由表1给出:
表1寻优分段方法
另外由于污水处理过程属于大时滞***,整个过程存在较为明显的滞后,对某个点施加控制参数,还需要一段时间才能作用在污水***中。参考BSM1模型中的水力停留时间,本发明的仿真相应的往后延迟0.6天。
整个仿真过程采用所有的控制点一起寻优的方法来进行实验。舍弃了对于一个时间分段寻优寻到最优值,再对第二个点求最优值的方法。因为这种分步求最优值的方法,并不能保证获得全局意义上的最优值。污水处理***存在着前后依赖关系,局部时间段求出最优值,并不一定能使得最终的结果最优化。而对所有的时间分段一起进行全局寻优的方法,能忽略掉前后的非线性依赖关系,保证获得全局意义上的最优值。
本发明采用把一个星期分成28个点来优化的方法,一天分为4个点,具体的划分可由聚类的方法得到。得到的时间分段控制参数值如附图4所示,其中横轴为时间分段,纵轴为硝酸氮和溶解氧的浓度,单位为g/m3。
S5、在保证出水满足排放标准的前提下,最小化最优化能耗成本。
表2给出了晴天入水条件下常规控制、遗传算法优化、人工免疫算法优化、免疫遗传算法优化和局部搜索的免疫遗传算法优化下的最终出水水质数据。表3给出了不同寻优算法下的能耗数据,表格中EA为鼓风机能耗,EP为泵送能耗,E为每日总能耗。
表2晴天条件下运行下的出水水质
表3晴天时能耗对比
对比不同的节能优化算法发现,使用节能优化算法控制下的水质普遍比常规控制的优化效果要好。晴天条件下,遗传算法的鼓风能耗比常规控制降低了4.65%,泵送能耗增加了7.88%,每日总能耗降低了3.89%。人工免疫算法的鼓风能耗比常规控制降低了6.44%,泵送能耗增加了21.9%,每日总能耗降低了4.27%。免疫遗传算法的鼓风能耗比常规控制降低了4.76%,泵送能耗增加了10.37%,每日总能耗降低了3.86%。本发明提出的改进局部搜索的免疫遗传算法的鼓风机能耗比常规控制降低了6.28%,泵送能耗增加了9.96%,每日总能耗降低了5.33%。通过实验可以看出局改进部搜索的免疫遗传算法在污水处理的应用中成功的降低了每日总能耗,并且比传统的免疫算法的效果还要更好一些。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (5)
1.基于改进局部搜索的免疫遗传算法的污水处理节能优化方法,其特征在于,包括以下步骤:
S1、采用BSM1模型常规控制方法中默认的PI控制器作为曝气池的溶解氧浓度和缺氧池硝酸氮浓度的比例积分控制器;
S2、搭建以污水水质为约束、鼓风机能耗EA和泵送能耗EP都达最小的优化目标函数J;
S3、建立改进局部搜索的免疫遗传算法模型,先用免疫遗传算法来寻找一个粗糙的适应值,让算法在当前适应值附近寻找最优值,然后使用梯度下降算子使算法到达某个极值点的周围,当出现两个抗体一样的情况时,或者两次抗体的空间距离较近的时候,以等概率p在当前最优抗体的小邻域a内进行深度查找,将搜索到的最优值即新抗体加入抗体种群中,然后计算抗原抗体亲和度,若满足要求则输出最优解;
S4、采用所述改进局部搜索的免疫遗传算法模型寻优求解溶解氧浓度和硝酸氮浓度的动态控制的设定值;
S5、在保证出水满足出水排放标准的前提下,最小化最优化能耗成本。
2.根据权利要求1所述的基于改进局部搜索的免疫遗传算法的污水处理节能优化方法,其特征在于,所述步骤S3具体为:
步骤S30、假设S为按照一定方式编码的链长为l的抗体空间,SN为抗体群空间,S2为母体空间,若Xi是第i个抗体,则是一个抗体群,用表示初始抗体群,表示第n代抗体群,用F:S→R+表示亲和力函数;抗体群空间SN表示为:
其中,N称作抗体群规模;
步骤S31、对于n=0给出初始抗体群利用随机算法,随机对抗体种群进行初始化,本算法随机产生抗体采用等概率的方式:
则变量X∈(Xmin,Xmax)将初始化为:
X=Xmin+(Xmax-Xmin)L (3);
步骤S32、梯度下降法指导抗体变异,以相邻抗体的亲和度为依据,用梯度下降法指导抗体的变异方向:如相邻两抗体Xi和Xi+1亲和度为F(Xi)、F(Xi+1),得到新抗体为:
步骤S33、评价各抗体亲和度,对抗体进行促进和抑制,将与抗原亲和度好的抗体加入记忆细胞中,保证当前寻优过程不发生退化现象;依照繁殖几率对抗体排序,以等概率产生的抗体来更替期望最小的不合格抗体和由梯度下降导致越界抗体,设在[Xmin,Xmax]内每隔ε取一个抗体:
其中k为抗体分量的个数,则有:
步骤S34、在最优抗体附近进行局部搜索,当出现两个抗体一样的情况时,或者两次抗体的空间距离较近的时候,以等概率p在当前最优抗体的小邻域a内进行深度查找,选择到邻域中的任意区域概率为:
其中a为当前邻域半径,ε为任意小的正数,体现在对算法精度的影响,a的确定由下式决定:
其中N为算法中的参数,Xmax,Xmin分别是定义域的上界和下界;
步骤S35、如果满足停止准则,则停止,否则转向步骤S32,则局部搜索的免疫遗传算法为:
从出发,即得到抗体群序列
3.根据权利要求1所述的基于改进局部搜索的免疫遗传算法的污水处理节能优化方法,其特征在于,所述步骤S4具体为:
S41、将开始时间到结束时间切分成n段;
S42、随机生成第一代抗体群,自变量范围分别控制在 内,生成2n维的抗体,其中每个时间段有两个控制参数;
S43、将种群中的抗体依次赋值给寻优参数和运行活性污泥仿真模型,计算出抗体所对应的适应度J值,并将J转化为各抗体的亲和度,对比保存当前最优的J值,适应度最好的抗体就是我们寻优的目标;
S44、利用所述局部搜索的免疫遗传算法模型对抗体作迭代计算,包括抗体的促进抑制,记忆***,梯度下降,局部搜索,抗体的复制,按适应度把抗体按照繁殖几率排序,从大到小加入记忆***中;
S45、评估是否达到最大进化代数,如果满足条件则退出,输出每一个时间段的最优溶解氧浓度值、硝酸氮浓度值及其对应适应度值;反之,返回步骤S43-S44,直到算法迭代结束。
4.根据权利要求1至3任一所述的基于改进局部搜索的免疫遗传算法的污水处理节能优化方法,其特征在于,
所述鼓风机能耗
所述泵送能耗
所述优化目标函数
式中,Kla表示氧传递系数,Vi表示各生化反应池体积,SO,sat为饱和溶解氧浓度,Qa为污水***内部回流量,Qw为向外污泥排放量,Qr为污泥内部回流量,Ci为惩罚因子,i=1~5,TN是总氮浓度,SNH是氨氮浓度,COD是化学需氧量,TSS是固体悬浮物浓度,BOD5是5天生化需氧量。
5.根据权利要求1至3任一所述的基于改进局部搜索的免疫遗传算法的污水处理节能优化方法,其特征在于,所述出水排放标准的出水水质约束条件为:总氮浓度TN<18g/m3,化学需氧量COD<100g/m3,硝酸氮浓度SNH<4g/m3,固体悬浮物浓度TSS<30g/m3,5天生化需氧量浓度BOD5<10g/m3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610168991.3A CN105843072B (zh) | 2016-03-22 | 2016-03-22 | 基于改进局部搜索的免疫遗传算法的污水处理节能优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610168991.3A CN105843072B (zh) | 2016-03-22 | 2016-03-22 | 基于改进局部搜索的免疫遗传算法的污水处理节能优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105843072A CN105843072A (zh) | 2016-08-10 |
CN105843072B true CN105843072B (zh) | 2019-01-18 |
Family
ID=56583013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610168991.3A Expired - Fee Related CN105843072B (zh) | 2016-03-22 | 2016-03-22 | 基于改进局部搜索的免疫遗传算法的污水处理节能优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105843072B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107168050B (zh) * | 2017-06-01 | 2020-04-17 | 武汉科技大学 | 一种引力搜索算法及基于该算法的污水处理控制方法 |
CN108287972B (zh) * | 2018-02-01 | 2021-07-27 | 交通运输部天津水运工程科学研究所 | 基于潮流变化的污水深海优化排放量计算方法 |
CN108333940B (zh) * | 2018-02-12 | 2021-08-06 | 北京建筑大学 | 一种优化指定控制器参数的方法及装置 |
CN113237162B (zh) * | 2021-05-28 | 2022-12-27 | 西安建筑科技大学 | 一种冷冻水循环***控制优化方法、***及设备 |
CN113391554B (zh) * | 2021-06-16 | 2022-06-17 | 江苏东南环保科技有限公司 | 一种基于人工智能的电镀方法 |
CN113450333B (zh) * | 2021-06-30 | 2022-01-28 | 哈尔滨工业大学 | 基于机器学习的钢筋混凝土柱地震损伤程度评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001334284A (ja) * | 2000-05-29 | 2001-12-04 | Mitsubishi Electric Corp | 水処理プラントの運転支援装置 |
CN101266659A (zh) * | 2008-05-08 | 2008-09-17 | 山东大学 | 基于免疫自适应遗传算法的机器人栅格子地图融合方法 |
CN101739025A (zh) * | 2009-12-03 | 2010-06-16 | 天津理工大学 | 一种免疫遗传算法及基于该算法的dsp故障诊断*** |
-
2016
- 2016-03-22 CN CN201610168991.3A patent/CN105843072B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001334284A (ja) * | 2000-05-29 | 2001-12-04 | Mitsubishi Electric Corp | 水処理プラントの運転支援装置 |
CN101266659A (zh) * | 2008-05-08 | 2008-09-17 | 山东大学 | 基于免疫自适应遗传算法的机器人栅格子地图融合方法 |
CN101739025A (zh) * | 2009-12-03 | 2010-06-16 | 天津理工大学 | 一种免疫遗传算法及基于该算法的dsp故障诊断*** |
Non-Patent Citations (5)
Title |
---|
An novel immune genetic algorithm and its application in WWTP;Yuge Xu,etc.;《Chinese Automation Congress (CAC), 2015》;20151129;第802-808页 |
基于人工免疫算法的污水处理***节能优化;许玉格等;《华南理工大学学报(自然科学版)》;20130830;第41卷(第8期);全文 |
基于人工免疫算法的污水处理过程节能优化策略研究;宋亚龄;《中国优秀硕士学位论文全文数据库 工程科技I辑》;20150115(第1期);摘要,正文第18、26-29、37-39页 |
基于遗传算法和梯度下降法的聚类新算法;吴小涛等;《科协论坛》;20091231(第4期);全文 |
改进的遗传算法及其在多目标优化设计中的应用;黄康等;《机械设计》;20050930;第22卷(第9期);第45-47页 |
Also Published As
Publication number | Publication date |
---|---|
CN105843072A (zh) | 2016-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105843072B (zh) | 基于改进局部搜索的免疫遗传算法的污水处理节能优化方法 | |
CN106873379B (zh) | 一种基于迭代adp算法的污水处理最优控制方法 | |
AU2020101453A4 (en) | An Intelligent Optimization Method of Durable Concrete Mix Proportion Based on Data mining | |
CN107085372B (zh) | 一种基于改进萤火虫算法和最小二乘支持向量机的污水节能处理优化控制方法 | |
CN108549234A (zh) | 一种基于动态变值的多目标优化控制方法 | |
CN109408774A (zh) | 基于随机森林和梯度提升树的预测污水出水指标的方法 | |
CN110161995A (zh) | 基于动态多目标粒子群算法的城市污水处理过程优化控制方法 | |
Holenda et al. | Aeration optimization of a wastewater treatment plant using genetic algorithm | |
CN108445757B (zh) | 一种基于动态多目标粒子群算法的污水处理过程优化控制方法 | |
Qiao et al. | Adaptive optimal control for a wastewater treatment plant based on a data-driven method | |
CN109669352A (zh) | 基于自适应多目标粒子群的含油污水处理过程优化控制方法 | |
CN110032755B (zh) | 多工况下城市污水处理过程多目标优化方法 | |
CN105540865B (zh) | 一种处理河道水的*** | |
Chachuat et al. | Dynamic optimisation of small size wastewater treatment plants including nitrification and denitrification processes | |
CN103792844A (zh) | 一种基于有序聚类的污水处理控制方法 | |
CN111290275B (zh) | 基于强化学习粒子群算法的污水处理优化控制方法 | |
CN102161551A (zh) | 前置反硝化污水处理过程的优化控制方法 | |
WO2023165001A1 (zh) | 一种复合型污水脱氮工艺装置及运行参数优化方法 | |
CN114671523A (zh) | 一种基于预测控制的污水处理节能方法 | |
CN100336744C (zh) | 分段进水生物脱氮方法中进水流量分配的优化方法 | |
CN111484124A (zh) | 一种污水处理智能控制与生化工艺集约方法及*** | |
CN117634707A (zh) | 一种低碳污水处理过程多指标建模与优化运行方法 | |
CN112573660A (zh) | 一种强化回流活性污泥生化性能的污水处理方法及*** | |
CN113111583B (zh) | 一种考虑再生水的多水源多用户分质供水优化配置方法 | |
CN117114918A (zh) | 一种基于区域生态需水与多水源供水的水资源调配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190118 |