CN108427268A - 一种基于知识与数据信息决策的污水处理优化控制方法 - Google Patents
一种基于知识与数据信息决策的污水处理优化控制方法 Download PDFInfo
- Publication number
- CN108427268A CN108427268A CN201810162383.0A CN201810162383A CN108427268A CN 108427268 A CN108427268 A CN 108427268A CN 201810162383 A CN201810162383 A CN 201810162383A CN 108427268 A CN108427268 A CN 108427268A
- Authority
- CN
- China
- Prior art keywords
- sewage disposal
- index
- setting value
- optimal
- energy consumption
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 239000010865 sewage Substances 0.000 title claims abstract description 77
- 238000005457 optimization Methods 0.000 claims abstract description 89
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 58
- 239000001301 oxygen Substances 0.000 claims abstract description 58
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 58
- 238000005265 energy consumption Methods 0.000 claims abstract description 54
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 claims abstract description 44
- 229910002651 NO3 Inorganic materials 0.000 claims abstract description 42
- 238000009826 distribution Methods 0.000 claims abstract description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 44
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 18
- 229910052757 nitrogen Inorganic materials 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 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 description 5
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 5
- 238000005273 aeration Methods 0.000 claims description 4
- 239000012141 concentrate Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000004540 process dynamic Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 3
- FGIUAXJPYTZDNR-UHFFFAOYSA-N potassium nitrate Chemical compound [K+].[O-][N+]([O-])=O FGIUAXJPYTZDNR-UHFFFAOYSA-N 0.000 description 3
- 238000005086 pumping Methods 0.000 description 3
- 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 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 239000010802 sludge Substances 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000005842 biochemical reaction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000004088 simulation Methods 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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Hydrology & Water Resources (AREA)
- Chemical & Material Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Automation & Control Theory (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Marketing (AREA)
- Organic Chemistry (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Feedback Control In General (AREA)
- Activated Sludge Processes (AREA)
Abstract
一种基于知识与数据信息决策的污水处理优化控制方法属于智能控制领域。本发明利用知识信息与数据信息融合进行多目标优化指标的权重决策，保证出水水质达标的前提下，提高污水处理过程优化性能指标。首先，根据用于决策的污水处理知识信息和过程动态数据信息，确定多目标优化性能指标的权重系数分配。其次，利用多目标优化方法，得到优化问题的一组Pareto最优解，并根据获得的权重系数确定一个满意优化解，即溶解氧浓度和硝态氮浓度的优化设定值。最后，由底层控制器实现优化设定值的跟踪任务。该方法在决策方向调整中，考虑了主观层面的知识信息和处理过程的动态数据信息，在保证出水水质达标前提下，能够有效降低污水处理过程能耗和运行成本。
Description
技术领域
本发明提出一种基于知识与数据信息决策的污水处理优化控制方法，将污水处理过程的知识信息与数据信息融合用于污水处理过程多目标优化的决策处理，引导多目标优化方向。多目标优化指标为污水处理中具体冲突特性的过程能耗指标与水质性能指标，通过决策及多目标优化算法实现好氧区溶解氧浓度和厌氧区硝态氮浓度设定值的动态寻优。污水处理优化控制是水处理领域重要的研究课题，属于水研究领域，也属于智能控制领域。
背景技术
污水处理过程是高能耗的复杂流程工业***，其操作连续运行并需要保证出水水质达标。随着国家对污水处理过程节能降耗的要求和人类对环境保护意识的增强，污水处理过程的优化控制引起了广泛关注。污水处理过程优化控制是提高污水处理过程性能、实现节能降耗的有效途径。因此，本发明的研究成果具有广阔的应用前景。
污水处理优化控制的目标是在满足出水水质达标的前提下，获得能耗和成本的降低。前置反硝化活性污泥法处理的污水过程，第五分区的溶解氧浓度和第二分区的硝态氮浓度强烈影响污水处理过程的硝化和反硝化水平，直接决定出水水质，同时也是曝气能耗AE和泵送能耗PE高低的重要影响参数。因此，对溶解氧浓度So和硝态氮浓度SNo的设定值进行优化已经成为提高污水处理过程优化性能的重要手段。
由于活性污泥处理过程中，存在复杂的物理、生化反应，且各种反应过程相互影响，使得整个***呈现较强的耦合特性，将污水处理优化控制视为本质多目标优化问题更符合污水处理过程优化问题的实质。国内外现有污水处理多目标优化控制方法中，存在的主要问题有：考虑了污水过程具有多目标优化特性，但优化算法依然将其处理成单目标优化问题；优化算法为离线工作模式，没有实现在线优化等。在多目标优化方法中，为了实现污水处理过程的闭环控制，需要从Pareto解中确定一个满意最优解，作为溶解氧及硝态氮浓度的最优设定值，其中最为关键的环节是优化性能指标的权重系数的确定。常用方法是基于决策者的主观偏好进行确定，但是这种方法的主观性比较强，性能指标权重系数分配仅基于决策者偏好，缺少客观性，且外部决策信息调整时不能及时反映到优化控制部分。
发明内容
本发明获得一种基于知识与数据信息决策的污水处理优化控制方法，将污水处理过程的知识信息与数据信息融合用于污水处理过程多目标优化的决策处理，减少性能指标权重系数分配的主观性，有效利用实时获取的过程信息，获得满足实际运行需求的权重分配系数；实现污水处理过程溶解氧浓度和硝态氮浓度设定值优化和跟踪，保证出水水质达标前提下，降低能耗和处理成本；本发明采用如下技术方案及实现步骤，其特征在于，包括以下步骤：
1.根据用于决策的污水处理知识信息和污水处理过程的动态数据信息，确定多目标优化性能指标的权重系数分配；
优化性能指标取为能耗指标EC和水质指标EQ，它们的权重系数分别表示为ω1和ω2，ω1和ω2的取值在0～1范围内，且满足ω1+ω2＝1，权重系数数值越大说明性能指标所占比重越大；首先，根据知识信息表达的决策者偏好，确定待优化性能指标EC和EQ的基础权重系数分别为ω1,0和ω2,0，ω1,0和ω2,0的取值在0～1范围内，且满足ω1,0+ω2,0＝1，各性能指标的基础权重系数是在指标所占比重平均分配的基础上，由决策者根据偏好的知识信息进行确定；然后，在性能指标EC和EQ的基础权重系数基础上，根据污水处理过程当前能耗及水质指标的运行状态，即处理过程的数据信息，对权重系数进行动态调整，调整的推理机制采用IF-THEN规则；令ρEC为能耗指标在每个优化周期内的变化率，ρEQ为水质指标在每个优化周期内的变化率，设定如下基于运行性能指标的权重系数调整规则，
式中，α和β为性能指标变化率的设定阈值，根据污水处理性能指标要求及实验验证确定，本发明中取定α＝0.05，β＝0.4；和分别为能耗指标变化率ρEC在第i条推理规则中的下限和上限值，和分别为水质指标变化率ρEQ在第i条推理规则中的下限和上限值，i＝3,4,...n，n为最大规则数，与推理规则划分的精细程度有关，推理规则划分的越精细，规则数n的取值越大；a0为权重系数的调整增量，设定为小于1的正数，与推理规则个数及指标变化率的变动范围相关，规则数越多或指标变化率变动范围越小，a0的取值越小，本发明中a0取定为0.1；根据能耗指标与水质指标的变化率进行权重系数调整，若能耗指标变化率与水质指标变化率都较大，即ρEC>α且ρEQ>α，则按两者变化率较大的优先进行权值系数调整，并保证ω1+ω2＝1；
2.多目标优化算法
2.1污水处理多目标优化模型
以出水水质达标为约束条件，同时优化能耗和出水水质两个性能指标，建立污水处理过程的约束多目标优化模型，
min F(x)＝{fEC(x),fEQ(x)} (3)
式中，x为x(k)的简记，k为时刻，x(k)＝[x1(k),x2(k)]为设定值组成的优化向量，x1(k)为溶解氧浓度设定值，x2(k)为硝态氮浓度设定值；fEC(x)为优化变量与能耗指标间的函数表达，fEQ(x)为优化变量与出水水质指标间的函数表达；能耗指标定义为曝气能耗fAE(x)与泵送能耗fPE(x)之和，即能耗指标fEC(x)＝fAE(x)+fPE(x)；分别为溶解氧浓度优化设定值的下限和上限值，分别硝态氮浓度优化设定值的下限和上限值；g1(x)为出水氨氮浓度SNH与优化设定值间的函数关系，g1(x)-4≤0表示出水氨氮需满足的约束不等式，4mg/L为其约束上限值，g2(x)为出水总氮浓度Ntot与优化设定值间的函数关系，g2(x)-18≤0表示出水总氮需满足的约束不等式，18mg/L为其约束上限值；各出水浓度参数的约束上限值基于国际水质协会制定的基准给出；本发明中，溶解氧浓度为污水处理第五分区溶解氧浓度，硝态氮浓度为污水处理第二分区硝态氮浓度；优化设定值与性能指标以及出水参数间的函数关系由神经网络建模实现；
2.2模型中约束条件处理
采用惩罚函数法将建立的约束优化问题转化成无约束优化问题；定义惩罚项
fpenalty(x)＝max{g1(x)-4,0}+max{g2(x)-18,0} (5)
加入惩罚项的能耗指标与水质性能指标表达为
其中，C为惩罚因子，一般取较大正实数，其值越大对不满足约束条件的解的惩罚力度越大，但易产生不可行域附近可行解丢失现象，根据实验运行结果，取定惩罚因子为100000；
2.3多目标优化算法
对建立的污水处理过程多目标优化模型采用NSGA-II进化算法进行求解，在溶解氧浓度和硝态氮浓度的优化设定值范围内，获得多目标优化问题的一组等同优秀的解，即Pareto最优解；NSGA-II进化算法中待优化性能指标为(6)式带有惩罚项的能耗指标f′EC(x)和水质性能指标f′EQ(x)；根据本发明中的实际优化问题及实验运行结果，取定搜索空间D为2维，种群规模N为40，最大进化代数M为30；按照标准NSGA-II进化算法运行程序，直至达到最大进化代数M，算法结束，给出污水处理过程多目标优化问题的一组Pareto最优解{Xp,1≤p≤N}，即一组等同优秀的溶解氧浓度和硝态氮浓度的优化设定值；
2.4确定最优满意解
为了实现污水处理过程的闭环控制，在多目标优化算法获得的一组Pareto最优解中，确定当前状态下的一个最优满意解，作为溶解氧浓度和硝态氮浓度的优化设定值；根据获得的多目标优化指标的权重系数，计算Pareto解集中所有解的效用函数值
dutility(Xp)＝ω1fAE(Xp)+ω2fPE(Xp) (7)
选取效用函数最小值所对应的解为最优满意解，即得到k时刻由优化算法确定的溶解氧浓度优化设定值x1(k)和硝态氮浓度的优化设定值x2(k)；式中，ω1、ω2分别为由基于知识和数据信息决策得到的能耗指标EC和水质指标EQ的性能指标权重系数，且ω1+ω2＝1；
3.底层PID控制
将溶解氧浓度设定值x1(k)和硝态氮浓度设定值x2(k)送至底层PID控制器，实现污水处理过程设定值跟踪控制；溶解氧浓度通过第五分区氧气转换系数KLa5进行控制，硝态氮浓度通过内回流量Qa进行控制；按基准定义，氧气转换系数KLa5变化范围取为0<KLa5<240d-1，内回流量Qa变化范围取为0<Qa<92230m3/d；令k时刻氧气转换系数KLa5为u1(k)，控制增量为Δu1(k)；k时刻内回流量Qa为u2(k)，控制增量为Δu2(k)；
定义k时刻溶解氧浓度和硝态氮浓度的***误差：
式中y1(k)，y2(k)分别为k时刻溶解氧浓度和硝态氮浓度的实际测量值；
采用增量式PID控制，k时刻控制增量表达为
k时刻***控制量表达为
式中KP,1，KI,1，KD,1分别为溶解氧浓度控制器的比例、积分和微分系数；KP,2，KI,2，KD,2分别为硝态氮浓度控制器的比例、积分和微分系数；根据实验实际运行结果，取定：KP,1＝200，KI,1＝15，KD,1＝2，KP,2＝20000，KI,2＝5000，KD,2＝400；
4.每隔2小时优化周期，进行多目标优化算法和多目标权重系数计算，更新一次溶解氧浓度优化设定值x1(k)和硝态氮浓度优化设定值x2(k)，由底层PID执行跟踪控制任务；
本发明获得一种基于知识与数据信息决策的污水处理优化控制方法，其创造性主要体现在：(1)将污水处理过程的知识信息与数据信息进行融合，用于污水处理过程多目标优化的决策问题，确定多目标优化指标的权重系数，减少性能指标权重系数分配的主观性，实现决策方向的动态调整和优化；(2)获得一种基于知识与数据信息融合决策的污水处理过程多目标优化方法，实现了污水处理过程好氧区溶解氧浓度和厌氧区硝态氮浓度设定值的动态寻优；以上两部分内容为本发明的保护范围，且本发明方法中的多目标优化性能指标选取并不限于能耗指标和水质指标。
本发明提出的基于知识与数据信息决策的污水处理优化控制方法，考虑能耗指标和水质指标的多目标优化，在决策方向调整中，考虑了主观层面的知识信息和处理过程的动态数据信息，通过动态决策调整及多目标优化算法，实现好氧区溶解氧浓度和厌氧区硝态氮浓度设定值的动态寻优；在保证出水水质达标情况下，能够有效降低污水处理过程能耗和运行成本。
附图说明
图1污水处理过程基准仿真模型BSM1；
图2第五分区溶解氧浓度优化设定值及跟踪效果；
图3第二分区硝态氮浓度优化设定值及跟踪效果；
图4性能指标权重分配的动态调整；
图5本发明方法示意图。
具体实施方式
本发明获得一种基于知识与数据信息决策的污水处理优化控制方法，将污水处理过程的知识信息与数据信息融合用于污水处理过程多目标优化的决策处理，动态调整多目标优化方向，通过优化溶解氧浓度和硝态氮浓度的设定值，实现污水处理过程能耗指标与出水水质指标的多目标优化，实验基于BSM1模型晴天天气下数据运行；其特征在于，包括以下步骤：
1.根据污水处理知识信息和处理过程的动态数据信息，确定多目标优化性能指标的权重系数分配。
基于决策者偏好信息考虑，取优化性能指标EC和EQ的基础权重系数为ω1,0＝0.6和ω2,0＝0.4，结合评价指标中出水水质数量级稍大，故调整基本权重系数为ω1,0＝0.5和ω2,0＝0.5。ρEC为能耗指标在每个优化周期内的变化率，ρEQ为水质指标在每个优化周期内的变化率，取定α＝0.05，β＝0.4，n＝6，a0＝0.1，设定如下基于运行性能指标的权重系数调整规则，
在整个调整过程中，能耗指标EC与水质指标EQ的权重系数满足ω1+ω2＝1。
2.污水处理过程多目标优化算法
2.1建立污水处理过程多目标优化模型
以出水水质达标为约束条件，同时优化能耗和出水水质两个性能指标，建立溶解氧浓度和硝态氮浓度的优化设定值与能耗指标、出水水质指标、出水浓度约束间的函数模型，构成式(3)和式(4)所示的污水处理约束多目标优化模型；溶解氧浓度优化设定值的下限值和上限值分别为0.4mg/L和3mg/L，硝态氮浓度优化设定值的下限值和上限值分别为0.5mg/L和2mg/L；
2.2多目标优化模型中约束条件处理
对于氨氮浓度g1(x)和总氮浓度g2(x)构成的出水浓度约束条件，采用惩罚函数法将约束优化问题转化成无约束优化问题；按照(5)式计算约束惩罚项，将污水处理过程约束多目标优化问题转化为(6)式的无约束多目标标优化问题，惩罚因子C取100000；
2.3采用NSGA-II算法得到污水多目标优化问题的Pareto最优解
污水处理过程多目标优化模型采用NSGA-II进化算法进行求解；搜索空间D＝2维，分别为溶解氧浓度和硝态氮浓度设定值；根据取定的优化设定值上限和下限值，溶解氧浓度优化设定值的搜索范围设定在[0.4,3]之间，硝态氮浓度优化设定值的搜索范围设定在[0.5,2]之间；最大进化代数M为30；种群规模N为40；按照标准NSGA-II进化算法解决当前污水处理过程的多目标优化问题，优化算法的具体步骤为：
①进化代数G＝1，搜索空间内采用均匀分布的方式随机产生N个个体，构成初始父代种群；
②从N个父代个体中，由锦标赛选择方法选出(N/2)个父代精英个体；
③在父代精英个体基础上，进行交叉、变异操作，产生N个新个体；
④合并N个父代个体和N个子代个体组成新种群，计算该种群2N个个体中待优化性能指标函数值，对于本发明，待优化性能指标为(6)式中带有惩罚项的能耗指标f′EC(x)和水质性能指标f′EQ(x)，进行非占优排序及拥挤距离计算；
⑤采用锦标赛选择方法，依据排序等级和拥挤距离大小，挑选出N个较优个体作为新的父代个体；
⑥进化代数G加1，若进化代数G达到最大进化代数M，则算法结束，给出污水处理过程多目标优化问题的一组Pareto最优解{Xp,1≤p≤N}，即一组等同优秀的溶解氧浓度和硝态氮浓度的优化设定值，否则转②，进入下一代种群进化；
3.获得溶解氧浓度和硝态氮浓度的优化设定值
在基于知识和数据信息融合决策得到的性能指标权重系数基础上，按照(7)式计算Pareto解集中所有解的效用函数值，找到效用函数值最小时所对应的解，作为当前状态下的一个最优满意解，即得到k时刻由优化算法确定的溶解氧浓度优化设定值x1(k)和硝态氮浓度的优化设定值x2(k)；
4.底层PID实现优化设定值跟踪
k时刻，将溶解氧浓度设定值x1(k)和硝态氮浓度设定值x2(k)送至底层PID控制器，分别调节氧气转换系数KLa5和内回流量Qa对溶解氧浓度和硝酸氮浓度进行控制；按照(8)式计算k时刻溶解氧浓度和硝态氮浓度的***误差e1(k)，e2(k)；按照(9)式计算k时刻PID控制器增量Δu1(k)，Δu2(k)；按照(10)式计算得到k时刻污水处理过程的控制量u1(k)，u2(k)；溶解氧浓度控制器的比例、积分和微分系数分别为：KP,1＝200，KI,1＝15，KD,1＝2；硝态氮浓度控制器的比例、积分和微分系数分别为：KP,2＝20000，KI,2＝5000，KD,2＝400；
5.每隔2小时优化周期，进行多目标优化性能指标权重系数计算和多目标优化算法计算，更新一次溶解氧浓度优化设定值x1(k)和硝态氮浓度优化设定值x2(k)，由底层PID执行跟踪控制任务；
由多目标优化算法每2个小时进行优化设定值更新，得到污水处理过程溶解氧浓度和硝态氮浓度优化结果如图2和图3；图2为溶解氧浓度优化设定值变化及跟踪控制曲线，实线为优化设定值，虚线为跟踪控制效果；图3为硝态氮浓度优化设定值变化及跟踪控制曲线，实线为优化设定值，虚线为跟踪控制效果；图4为优化性能指标权重系数的动态调整过程。表1给出了闭环控制和优化控制两种控制策略下的运行成本对比。闭环控制中，溶解氧浓度和硝态氮浓度设定值分别为2mg/L和1mg/L，整个过程固定不变；优化控制为本发明中采用的控制方法。表2给出了优化控制与闭环控制下几种关键出水水质参数比较，优化控制下各出水水质达标。优化控制与闭环控制相比，曝气能耗AE减少4.35％，泵送能耗PE增加6.29％，总能耗EC减少3.72％，所提发明方法在保证出水水质达标的前提下，有效降低了污水处理过程的能耗运行成本，出水水质EQ值有所增大，这是污水处理过程能耗指标EC与水质指标EQ具有冲突性质的体现。本发明提出一种基于知识与数据信息决策的污水处理过程多目标优化控制方法，考虑能耗指标和水质指标的多目标优化，通过基于知识信息和处理过程的动态数据信息的动态决策调整及多目标优化算法，实现好氧区溶解氧浓度和厌氧区硝态氮浓度设定值的动态寻优，在保证出水水质达标情况下，有效降低了污水处理过程能耗和运行成本。
表1：两种控制策略下的能耗与水质性能指标比较
表2：两种控制策略下的平均出水水质浓度
Claims (1)
1.基于知识与数据信息决策的污水处理优化控制方法，其特征在于，包括以下步骤：
1).根据污水处理过程知识信息和污水处理过程的动态数据信息，确定多目标优化性能指标的权重系数分配；
优化性能指标取为能耗指标EC和水质指标EQ，它们的权重系数分别表示为ω1和ω2，ω1和ω2的取值在0～1范围内，且满足ω1+ω2＝1，权重系数数值越大说明性能指标所占比重越大；首先，根据知识信息表达的决策者偏好，确定待优化性能指标EC和EQ的基础权重系数分别为ω1,0和ω2,0，ω1,0和ω2,0的取值在0～1范围内，且满足ω1,0+ω2,0＝1，各性能指标的基础权重系数是在指标所占比重平均分配的基础上，由决策者根据偏好的知识信息进行确定；然后，在性能指标EC和EQ的基础权重系数基础上，根据污水处理过程当前能耗及水质指标的运行状态，即处理过程的数据信息，对权重系数进行动态调整，调整的推理机制采用IF-THEN规则；令ρEC为能耗指标在每个优化周期内的变化率，ρEQ为水质指标在每个优化周期内的变化率，设定如下基于运行性能指标的权重系数调整规则，
式中，α和β为性能指标变化率的设定阈值，取定α＝0.05，β＝0.4；和分别为能耗指标变化率ρEC在第i条推理规则中的下限和上限值，和分别为水质指标变化率ρEQ在第i条推理规则中的下限和上限值，i＝3,4,...n，n为最大规则数，与推理规则划分的精细程度有关，推理规则划分的越精细，规则数n的取值越大；a0为权重系数的调整增量，设定为小于1的正数；根据能耗指标与水质指标的变化率进行权重系数调整，若能耗指标变化率与水质指标变化率都较大，即ρEC>α且ρEQ>α，则按两者变化率较大的优先进行权值系数调整，并保证ω1+ω2＝1；
2).多目标优化算法
2.1 污水处理多目标优化模型
以出水水质达标为约束条件，同时优化能耗和出水水质两个性能指标，建立污水处理过程的约束多目标优化模型，
min F(x)＝{fEC(x),fEQ(x)} (2)
式中，x为x(k)的简记，k为时刻，x(k)＝[x1(k),x2(k)]为设定值组成的优化向量，x1(k)为溶解氧浓度设定值，x2(k)为硝态氮浓度设定值；fEC(x)为优化变量与能耗指标间的函数表达，fEQ(x)为优化变量与出水水质指标间的函数表达；能耗指标定义为曝气能耗fAE(x)与泵送能耗fPE(x)之和，即能耗指标fEC(x)＝fAE(x)+fPE(x)；分别为溶解氧浓度优化设定值的下限和上限值，分别硝态氮浓度优化设定值的下限和上限值；g1(x)为出水氨氮浓度SNH与优化设定值间的函数关系，g1(x)-4≤0表示出水氨氮需满足的约束不等式，4mg/L为其约束上限值，g2(x)为出水总氮浓度Ntot与优化设定值间的函数关系，g2(x)-18≤0表示出水总氮需满足的约束不等式，18mg/L为其约束上限值；溶解氧浓度为污水处理第五分区溶解氧浓度，硝态氮浓度为污水处理第二分区硝态氮浓度；优化变量与性能指标以及出水参数间的函数关系由神经网络建模实现；
2.2 模型中约束条件处理
采用惩罚函数法将建立的约束优化问题转化成无约束优化问题；定义惩罚项fpenalty(x)＝max{g1(x)-4,0}+max{g2(x)-18,0} (4)
加入惩罚项的能耗指标与水质性能指标表达为
其中，C为惩罚因子，取定惩罚因子为100000；
2.3 多目标优化算法
对建立的污水处理过程多目标优化模型采用NSGA-II进化算法进行求解，在溶解氧浓度和硝态氮浓度的优化设定值范围内，获得多目标优化问题的一组Pareto最优解；NSGA-II进化算法中待优化性能指标为(5)式带有惩罚项的能耗指标f′EC(x)和水质性能指标f′EQ(x)；取定搜索空间D为2维，种群规模N在40～50范围内取值；种群最大进化代数M在30～40范围内取值；按照标准NSGA-II进化算法运行程序，直至达到最大进化代数M，算法结束，给出污水处理过程多目标优化问题的一组Pareto最优解{Xp,1≤p≤N}，即一组等同优秀的溶解氧浓度和硝态氮浓度的优化设定值；
2.4 利用获得的多目标优化性能指标的权重系数确定最优满意解
为了实现污水处理过程的闭环控制，在多目标优化算法获得的一组Pareto最优解中，需要确定当前状态下的一个最优满意解，作为溶解氧浓度和硝态氮浓度的优化设定值；根据获得的多目标优化指标的权重系数，计算Pareto解集中所有解的效用函数值
dutility(Xp)＝ω1fAE(Xp)+ω2fPE(Xp) (6)
选取效用函数最小值所对应的解为最优满意解，即得到k时刻由优化算法确定的溶解氧浓度优化设定值x1(k)和硝态氮浓度优化设定值x2(k)；式中，ω1、ω2分别为基于知识与数据信息决策获得的能耗指标EC和水质指标EQ的指标权重系数，且ω1+ω2＝1；
3).底层PID控制
将溶解氧浓度设定值x1(k)和硝态氮浓度设定值x2(k)送至底层PID控制器，实现污水处理过程设定值跟踪控制；溶解氧浓度通过第五分区氧气转换系数KLa5进行控制，硝态氮浓度通过内回流量Qa进行控制；按基准定义，氧气转换系数KLa5变化范围取为0<KLa5<240d-1，内回流量Qa变化范围取为0<Qa<92230m3/d；根据增量式PID控制算法获得溶解氧浓度和硝态氮浓度的控制量；
4).每隔2小时优化周期，进行多目标优化性能指标权重系数计算和多目标优化算法计算，更新一次溶解氧浓度优化设定值x1(k)和硝态氮浓度优化设定值x2(k)，由底层PID执行跟踪控制任务。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810162383.0A CN108427268B (zh) | 2018-02-26 | 2018-02-26 | 一种基于知识与数据信息决策的污水处理优化控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810162383.0A CN108427268B (zh) | 2018-02-26 | 2018-02-26 | 一种基于知识与数据信息决策的污水处理优化控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108427268A true CN108427268A (zh) | 2018-08-21 |
| CN108427268B CN108427268B (zh) | 2023-05-23 |
Family
ID=63157248
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810162383.0A Active CN108427268B (zh) | 2018-02-26 | 2018-02-26 | 一种基于知识与数据信息决策的污水处理优化控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108427268B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110032755A (zh) * | 2019-02-27 | 2019-07-19 | 石家庄铁道大学 | 多工况下城市污水处理过程多目标优化方法 |
| CN110092507A (zh) * | 2019-05-30 | 2019-08-06 | 中国水利水电科学研究院 | 一种工业废水处理的方法及装置 |
| CN110818072A (zh) * | 2019-12-23 | 2020-02-21 | 中新国际联合研究院 | 一种基于nsga-ⅲ的废水好氧生化处理工艺的优化控制方法 |
| CN112859597A (zh) * | 2021-01-07 | 2021-05-28 | 中南大学 | 一种基于数据驱动的沉铁过程优化控制方法及其*** |
| CN114488822A (zh) * | 2022-04-12 | 2022-05-13 | 江苏省现代企业信息化应用支撑软件工程技术研发中心 | 基于高维多目标进化算法的智能污水处理过程优化方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006070751A (ja) * | 2004-08-31 | 2006-03-16 | Denso Corp | 内燃機関の制御装置 |
| WO2010016270A1 (ja) * | 2008-08-08 | 2010-02-11 | パナソニック株式会社 | 量子化装置、符号化装置、量子化方法及び符号化方法 |
| CN104376205A (zh) * | 2014-11-11 | 2015-02-25 | 国家电网公司 | 基于信息量权数法的接入配电网分布式电源效益评价方法 |
| CN104612892A (zh) * | 2014-12-30 | 2015-05-13 | 中国科学院工程热物理研究所 | 一种风力机翼型的多学科优化设计方法 |
| CN105404151A (zh) * | 2015-12-12 | 2016-03-16 | 北京工业大学 | 污水处理过程动态多目标优化控制方法 |
| RU2725789C1 (ru) * | 2019-04-17 | 2020-07-06 | Федеральное государственное казенное образовательное учреждение высшего образования "Калининградский пограничный институт Федеральной службы безопасности Российской Федерации" | Способ обработки массивов аналоговых сигналов |
-
2018
- 2018-02-26 CN CN201810162383.0A patent/CN108427268B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006070751A (ja) * | 2004-08-31 | 2006-03-16 | Denso Corp | 内燃機関の制御装置 |
| WO2010016270A1 (ja) * | 2008-08-08 | 2010-02-11 | パナソニック株式会社 | 量子化装置、符号化装置、量子化方法及び符号化方法 |
| CN104376205A (zh) * | 2014-11-11 | 2015-02-25 | 国家电网公司 | 基于信息量权数法的接入配电网分布式电源效益评价方法 |
| CN104612892A (zh) * | 2014-12-30 | 2015-05-13 | 中国科学院工程热物理研究所 | 一种风力机翼型的多学科优化设计方法 |
| CN105404151A (zh) * | 2015-12-12 | 2016-03-16 | 北京工业大学 | 污水处理过程动态多目标优化控制方法 |
| RU2725789C1 (ru) * | 2019-04-17 | 2020-07-06 | Федеральное государственное казенное образовательное учреждение высшего образования "Калининградский пограничный институт Федеральной службы безопасности Российской Федерации" | Способ обработки массивов аналоговых сигналов |
Non-Patent Citations (3)
| Title |
|---|
| 吴克河等: "变权重系数和关联规则挖掘方法在风光储运行优化中的应用", 《电力***保护与控制》 * |
| 江明旒: "多功能热泵***的智能控制及能效评价方法研究", 《工程科技Ⅱ辑》 * |
| 涂文聪;骆光照;刘卫国;: "基于模糊动态代价函数的永磁同步电机有限控制集模型预测电流控制", 电工技术学报 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110032755A (zh) * | 2019-02-27 | 2019-07-19 | 石家庄铁道大学 | 多工况下城市污水处理过程多目标优化方法 |
| CN110032755B (zh) * | 2019-02-27 | 2022-11-01 | 石家庄铁道大学 | 多工况下城市污水处理过程多目标优化方法 |
| CN110092507A (zh) * | 2019-05-30 | 2019-08-06 | 中国水利水电科学研究院 | 一种工业废水处理的方法及装置 |
| CN110818072A (zh) * | 2019-12-23 | 2020-02-21 | 中新国际联合研究院 | 一种基于nsga-ⅲ的废水好氧生化处理工艺的优化控制方法 |
| CN112859597A (zh) * | 2021-01-07 | 2021-05-28 | 中南大学 | 一种基于数据驱动的沉铁过程优化控制方法及其*** |
| CN114488822A (zh) * | 2022-04-12 | 2022-05-13 | 江苏省现代企业信息化应用支撑软件工程技术研发中心 | 基于高维多目标进化算法的智能污水处理过程优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108427268B (zh) | 2023-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105404151B (zh) | 污水处理过程动态多目标优化控制方法 | |
| CN108427268A (zh) | 一种基于知识与数据信息决策的污水处理优化控制方法 | |
| US9747544B2 (en) | Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network | |
| CN106873379B (zh) | 一种基于迭代adp算法的污水处理最优控制方法 | |
| AU2021101438A4 (en) | Adaptive control method and system for aeration process | |
| CN108549234B (zh) | 一种基于动态变值的多目标优化控制方法 | |
| 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 | |
| CN106802563B (zh) | 一种基于果蝇优化和lssvm的污水过程优化控制方法 | |
| CN109711070A (zh) | 一种基于活性污泥水处理的溶解氧浓度优化方法 | |
| CN105676649A (zh) | 一种基于自组织神经网络的污水处理过程控制方法 | |
| CN103809557A (zh) | 一种基于神经网络的污水处理过程优化控制方法 | |
| CN106354014A (zh) | 一种基于多目标差分进化算法的污水处理优化控制方法 | |
| CN114275912B (zh) | 一种基于自适应神经网络模型的曝气***溶解氧控制方法 | |
| CN101763036A (zh) | 基于模糊神经网络的赖氨酸发酵过程补料预测控制***及方法 | |
| CN116360366B (zh) | 一种污水处理过程优化控制方法 | |
| CN107203687A (zh) | 吸收塔脱硫过程多目标协同智能优化控制方法 | |
| Qiao et al. | Adaptive optimal control for a wastewater treatment plant based on a data-driven method | |
| 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 | |
| CN112099354A (zh) | 一种面向污水处理过程的智能多目标优化控制方法 | |
| CN104463414B (zh) | 一种分时电价下热轧生产经济负荷调度方法 | |
| CN108762082A (zh) | 一种污水处理过程协同优化控制*** | |
| CN108536106A (zh) | 一种基于卡尔曼滤波-极限学习机的曝气***溶解氧在线调控方法 | |
| CN103771582B (zh) | 污水处理的曝气控制方法 | |
| CN105906032A (zh) | 污水处理厂拟人化经验管理控制***及方法 | |
| CN116436033A (zh) | 一种基于用户满意度和强化学习的温控负荷频率响应控制方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |