CN109711070A - 一种基于活性污泥水处理的溶解氧浓度优化方法 - Google Patents

Abstract

本发明公开了一种基于活性污泥水处理的溶解氧浓度优化方法，其包含：步骤1，建立活性污泥水处理***模型；步骤2，对粒子群算法进行改进；步骤3，建立基于XGBoost的集成出水水质预测模型并对其进行仿真计算，获取水质模型的实时出水参数值；步骤4，利用APSO‑BP方法对进水水质中溶解氧浓度进行动态优化，获取最优溶解氧浓度设定值。本发明的优化方法采用基于XGBoost的集成学习模型对出水水质的参数值进行实时预测，并通过APSO‑BP方法建立溶解氧浓度优化模型，在保证出水水质的基础上，解决了活性污泥法污水处理过程中出水参数值时延大、精度低等问题，通过对曝气池进行合理曝气降低企业生产成本，促进工厂高效稳定运行。

Description

一种基于活性污泥水处理的溶解氧浓度优化方法

技术领域

本发明采用基于xgboost的集成学习方法对出水水质的参数值进行实时预测。将出水参数值与国家标准值之间的差值作为反馈信息，采用改进的粒子群算法对参数值进行全局优化，获取初始全局最优值。利用BP神经网络建立带有约束的多目标优化模型，解决溶解氧浓度与其影响因素之间没有精确数学描述的问题。

背景技术

近年来，随着经济的快速发展，城镇化和工业化水平程度越来越高，经济社会对水资源的需求量在逐年增加。同时工业污水和生活废水的不断排放，使得水资源污染问题已经变得越来越严峻。在难以增加水资源总量的情况下，提高水资源的使用率，将污水处理后再循环利用是目前最佳的选择。

采用活性污泥法实现城市污水生化处理被认为是最经济最具可持续发展的处理方式。曝气池中溶解氧浓度是一个极其重要的过程控制参数，对处理效率、精度、运行成本和***稳定性都有着至关重要的影响。

理论上，当溶解氧浓度过低时，微生物不能进行正常的氧化分解作用，导致处理后的水质中污染物浓度高、净化程度不够水质不能达标。当溶解氧浓度过高时，微生物在富氧的生存环境中迅速繁殖，微生物进行各种生化反应，其中包括好氧和厌氧生物降解，利用活性污泥的凝聚吸附性和氧化分解功能，将污水中溶解和胶体状态的有机物最终分解为二氧化碳和水；不能被正常消耗掉的微生物残留在曝气池中导致出水的水质不佳。

在实际除污过程中，由于溶解氧浓度控制过程具有时延大、非线性、强耦合等特点，更进一步增加了溶解氧浓度控制难度。为了在溶解氧优化过程中更好的平衡收敛速度、模型参数和计算效率，通过对活性污泥法中各影响因素之间耦合性分析和处理过程进行研究，对溶解氧浓度和影响因素之间建立数学模型。

发明内容

本发明的目的是针对活性污泥法在城市污水处理过程中溶解氧浓度和影响因素之间难以建立数学模型的问题，提供一种基于活性污泥水处理的溶解氧浓度优化方法。采用基于XGBoost的集成学习模型对出水水质的参数值进行实时预测，将参数值与国家标准值之间的差值作为出水水质的反馈信息，利用APSO-BP算法(改进粒子群方法与BP神经网络相结合，以下简称APSO-BP算法)对进水水质中溶解氧浓度进行动态优化，获取最优溶解氧浓度设定值。从而，解决了溶解氧浓度和其影响因素之间难以建立数学模型的问题，提高了污水处理的性能，保障污水处理过程高效稳定运行。

为了达到上述目的，本发明提供了一种基于活性污泥水处理的溶解氧浓度优化方法，该方法包括以下步骤：

步骤1，根据污水厂实际处理过程并依据物料平衡原理建立活性污泥水处理***模型；

式(1)中，各参数的物理意义为：X(t)为活性污泥浓度，S(t)为出水底物浓度(主要是指BOD的浓度)，X_r(t)为回流污泥浓度，DO(t)为好氧生化反应池中的溶解氧浓度，D(t)为进水变化率，DO_s为最大溶解氧浓度，S_in为进水底物浓度，DO_in为进水溶解氧浓度，Y为产率系数，μ(t)为微生物增值率，K_La为氧转移系数，K₀为模型常数，γ，β为进水和出水常数。

步骤2，对粒子群算法进行改进，惯性权重更新公式为：

公式(2)中，ω为惯性权重因子，ω_max代表最大权重，ω_min代表最小权重，G代表当前迭代次数，G_max代表最大迭代次数；

传统粒子群算法中自身认知系数c₁和社会认知系数c₂为定值，由公式(4)可知学习因子c₁和c₂分别对p_i和p_g影响较大，可以通过合理调节c₁和c₂的值来更新粒子局部最优位置和全局最优位置，以此扩大粒子的寻优范围避免其陷入局部最优。本文采用三次函数y＝αx³+b对学习因子进行更新：

式中：c_1s和c_2s分别是c₁和c₂的初始值；c_1f和c_2f分别是c₁和c₂的最终值；学习因子c₁和c₂的取值范围为[0.5,2.5]。通过调节粒子的社会学习因子和自身学习因子对粒子的速度进行有效控制，实现从局部最优到达全局最优的目的。

步骤3，建立基于XGBoost的集成出水水质预测模型并对其进行仿真计算，获取水质模型的实时出水参数值；该模型输入向量为：进水COD、进水NH₄、进水PH、氧化沟DO、进水累计流量、污泥房液位、中间池液位，模型输出向量为：出水COD、NH₄、TP的浓度；

步骤4，将步骤3获取的出水参数值与国家标准值之间的差值作为出水水质的反馈信息，利用APSO-BP方法对进水水质中溶解氧浓度进行动态优化，获取最优溶解氧浓度设定值。

较佳地，所述的步骤2中，该粒子群算法中，粒子代表待优化问题的解(COD_out、NH4_out、TP_out)，粒子通过不断迭代寻找最优解，并通过下面的公式更新其自身的速度和位移：

公式(4)中，V_i代表粒子的速度向量；X_i代表粒子的位置向量；c₁表示自身认知系数；c₂表示社会认知系数；p_i表示个体最优位置；p_g表示种群最优位置；r₁和r₂是[0,1]内的随机数；ω为惯性权重因子。

较佳地，所述的步骤2包含：

步骤2.1，通过rand()随机函数初始化粒子参数：粒子数为N；最大迭代次数G_max；自身学习因子c_i和社会学习因子c₂；最大权重ω_max和最小权重ω_min；随机生成粒子种群；

步骤2.2，计算粒子的适应度，确定初始(局部最优和全局最优集合默认为0)局部最优p_i和初始全局最优p_g；

步骤2.3，将粒子当前值(粒子当前值为通过适应度函数不断更新的粒子的速度和位置)与局部最优值进行比较，如果当前值优于局部最优值则用当前值更新局部最优值；如果粒子当前值优于全局最优值则用当前值更新全局最优值；

步骤2.4，使用BP算法对产生的解进行局部细致寻优(刚开始粒子的数量较多，通过自适应粒子群算法筛选出的粒子，其数量有限运动空间有限，故此处的局部相对刚开始初始化时候的全部粒子群来说的)，对寻优进行判断：如果满足收敛要求(即，符合下文中的目标函数，公式(5))，则产生全局最优解的20％(目的一方面缩小粒子群的数量，另外一方面防止粒子陷入局部最优。百分比为全体粒子的百分之20％，每次都取20％直到粒子不在收敛或者停止运动，即权重和学习因子停止更新)；达不到收敛要求的粒子将进行下一轮的迭代；而且，判断当前迭代次数G是否大于最大迭代次数G_max，如果满足条件则算法结束；否则，进入步骤2.5；

步骤2.5，根据公式(4)对粒子的速度v_i和位置x_i进行更新；根据公式(2)、公式(3)分别对惯性权重ω和自身学习因子c₁、社会学习因子c₂进行更新，以更新粒子的速度、位置及适应度。

较佳地，所述的步骤3包含：

步骤3.1，采集污水厂数据，并对数据集按照3:1:1的比例划分为训练集、验证集和测试集；

步骤3.2，根据数据特点对部分数据进行正太调整，使其分布具有高斯分布的特点；

步骤3.3，对数据进行归一化和正则化；

步骤3.4，对数据进行分析并特征选择，建立溶解氧浓度与其影响因素之间的水质模型，该模型输入向量为：进水COD、进水NH₄、进水PH、氧化沟DO、进水累计流量、污泥房液位、中间池液位，模型输出向量为：出水C OD、NH₄、TP的浓度；

步骤3.5，使用XGBoost集成学习方法对出水水质质量进行实时预测，并将预测结果值与国家标准值做差值e_COD、e_TP、e_NH4，作为反馈信息。

较佳地，所述的步骤4包含：

步骤4.1，将出水水质参数与国家标准值的差值e_COD、e_TP、e_NH4作为改进粒子群算法待优化的解；

步骤4.2：构建BP神经网络模型结构，学习率每迭代100次通过高斯函数更新，最大迭代次数为10000次；

步骤4.3：采用步骤4.2的BP神经网络模型对步骤2.3产生的全局最优解进行局部细致搜索直到满足条件时结束寻优。

较佳地，出水水质参数COD、TP、NH₄的优化目标函数为：

约束条件：0mg/L＜DO＜2.0mg/L。

较佳地，所述的BP神经网络模型通过试错法确定隐层神经元个数。

较佳地，loss函数定义如下式：

其中，设定d＝0.5为常量，该公式(6)在迭代过程中不断更新BP算法个层神经元的权重和偏执。高斯函数用来更新学习率的大小。

本发明的有益效果：

(1)针对活性污泥法污水处理是一个强耦合的多输入多输出的过程，且具有高度非线性、大滞后、大时变等特点的复杂***，对活性污泥进行简化并依据物料平衡原理建立活性污泥水处理***模型。由于溶解氧浓度与其影响因素之间存在强耦合的关系，难以实现溶解氧浓度的动态优化，基于APS O-BP的溶解氧优化方法能够在保证出水水质质量的前提下对溶解氧浓度实现动态优化，具有精度高、稳定性好、泛化能力强等特点。

(2)针对活性污泥法污水处理过程中难以提供实时出水水质的问题，基于XGBoost的集成学习方法建立实时出水水质模型，能够为溶解氧浓度优化过程提供高质量的出水水质，具有精度高、实时性等特点。

(3)针对线性函数不能如实反映粒子实际寻优过程，采用非线性函数对惯性权重进行更新。由于自身认知系数和社会认知系数对粒子的速度和位移都有影响，故将粒子的自身认知系数和社会认知系数做自适应改变，以增加粒子的初速度和位移，加快粒子的收敛速度。针对粒子容易陷入局部最优，特别是利用BP神经网络局部细致寻优的特点，对粒子群算法的最优解进行寻优。

附图说明

图1是本发明基于APSO-BP溶解氧浓度优化的四种方法对比图。

图2是本发明基于APSO-BP溶解氧浓度优化的COD浓度回测变化。

图3是本发明基于APSO-BP溶解氧浓度优化的NH4浓度回测变化。

图4是本发明基于APSO-BP溶解氧浓度优化的TP浓度回测变化。

具体实施方式

以下结合附图和实施例对本发明的技术方案做进一步的说明。

本文所述的“BOD”为Biochemical Oxygen Demand(生化需氧量)的简写，表示水中有机物等需氧污染物质含量的一个综合指示。

本文所述的“COD”是Chemical Oxygen Demand(化学需氧量)的简写，是表示水质污染度的重要指标。

本发明针对活性污泥法在城市污水处理过程中溶解氧浓度和影响因素之间难以建立数学模型的问题，提供了一种基于活性污泥水处理的溶解氧浓度优化方法。采用基于XGBoost的集成学习模型对出水水质的参数值进行实时预测，将参数值与国家标准值之间的差值作为出水水质的反馈信息，利用自适应粒子群算法和BP算法相结合(以下均简称为APSO-BP算法)对进水水质中溶解氧浓度进行动态优化，获取最优溶解氧浓度设定值。解决了溶解氧浓度和其影响因素之间难以建立数学模型的问题，提高了污水处理的性能，保障污水处理过程高效稳定运行。

本发明提供的一种基于活性污泥水处理的溶解氧浓度优化方法包括以下步骤：

(1)在活性污泥法处理污水过程中，曝气池中溶解氧浓度直接影响出水水质的优劣。由于活性污泥法具有不稳定性、大延迟、大滞后等特点，很难对溶解氧浓度与其影响因素之间建立数学模型。本发明通过对活性污泥法中各影响因素之间耦合性分析和处理过程研究，针对活性污泥法污水处理工艺流程较为复杂，对活性污泥进行简化并依据物料平衡原理建立活性污泥水处理***模型如下式：

式中各参数的物理意义为：X(t)为活性污泥浓度，S(t)为出水底物(BOD)浓度，X_r(t)为回流污泥浓度，DO(t)为好氧生化反应池中的溶解氧浓度，D(t)为进水变化率，DO_s为最大溶解氧浓度，S_in为进水底物浓度，DO_in为进水溶解氧浓度，Y为产率系数，μ(t)为微生物增值率，K_La为氧转移系数，依赖于曝气***和活性条件，K₀为模型常数，γ，β为进水和出水常数。模型参数如下表1所示：

表1：模型参数

该***模型能真实地反映污水池中各物料之间反应关系，并为XGboost实时出水水质预测模型特征选择提供理论依据和参考。

(2)粒子群算法最早于1995年由Eberhart博士和kennedy博士提出，该算法中粒子代表待优化问题的解。粒子通过不断迭代寻找最优解，并通过下面的公式更新其自身的速度和位移：

公式(4)中，V_i代表粒子的速度向量；X_i代表粒子的位置向量；c₁表示自身认知系数；c₂表示社会认知系数；p_i表示个体最优位置；p_g表示种群最优位置；r₁和r₂是[0,1]内的随机数；ω为惯性权重因子，表示当前粒子继承前一时刻速度的能力。

传统PSO算法(粒子群算法，Particle Swarm Optimization，缩写为PS O)对惯性权重更新方式为线性递减，其公式为：

K表示种群当前迭代的次数；K_max表示种群最大迭代次数。在PSO算法中，粒子实际寻优过程是一个复杂的非线性过程，惯性权重采用线性更新方式不能如实反映粒子实际寻优过程。

而实际寻优中，前期惯性权重应变化较慢，以增强粒子的全局寻优能力；后期变化稍快，提高粒子的局部寻优能力，避免其陷入局部最优。

为了平衡粒子的局部寻优能力和全局寻优能力，本发明对传统粒子群算法进行改进。本算法首先根据解的优劣性动态的更新权值ω的大小，以此提高算法的全局寻优能力和全局寻优速度。其次，利用BP神经网络具有局部细致寻优的特点对全局最优解进行细致搜索，从而找到全局最优解。对标准粒子群算法做如下改进：惯性权重较大时，增加粒子的全局搜索能力；惯性权重较小时，有利于粒子进行局部细致搜索。由于sigmoid函数比线性函数更平滑，采用sigmoid函数对惯性权重大小进行更新，可以实现算法前期惯性权重变化缓慢的要求。后期利用线性函数对惯性权重做更新可满足变化幅度明显的要求。因此其更新公式如下：

标准粒子群算法中自身认知系数c₁和社会认知系数c₂为定值，由速度更新公式可知学习因子c₁和c₂分别对p_i和p_g影响较大，可以通过合理调节c₁和c₂的值来更新粒子局部最优位置和全局最优位置。据此，本发明采用三次函数y＝αx³+b对学习因子进行更新：

式中：c_1s和c_2s分别是c₁和c₂的初始值；c_1f和c_2f分别是c₁和c₂的最终值；学习因子c₁和c₂的取值范围为[0.5,2.5]。通过调节粒子的社会学习因子和自身学习因子对粒子的速度进行有效控制，实现从局部最优到达全局最优的目的。

采用BP神经网络对粒子产生的解进行局部细致搜索，每次迭代只保留20％满足要求的解。其余不满足条件的粒子将进入下一轮的迭代，这部分粒子具有原始初速度无需学习即可进行寻优。采用该策略可以有效防止算法陷入局部最优，整个模型的效率得到明显提升，收敛精确性更高。

APSO粒子寻优步骤：

S1：初始化粒子参数：粒子数为n；最大迭代次数G_max；自身学习因子c₁和社会学习因子c₂；最大权重ω_max和最小权重ω_min；随机生成粒子种群。

S2：确定初始局部最优p_i和初始全局最优p_g。采用均方根误差(RMSE)公式计算和更新粒子的适应度：

其中为粒子的估计值，y_i为粒子的真实值，n为粒子总数。

S3：将粒子当前值分别与初始局部最优值、初始全局最优值进行比较，如果当前值优于局部最优值则用当前值更新局部最优值；如果粒子当前值优于全局最优值则用当前值更新全局最优值。经过粒子群方法寻优得到的解称为初始最优解p。

S4：采用BP算法对产生的初始最优解p进行局部细致寻优，对寻优结果进行判断。如果满足收敛要求，则产生全局最优解的20％；达不到收敛要求的粒子将进行下一轮的迭代。再判断当前迭代次数G是否大于最大迭代次数G_max，如果满足条件则算法结束；否则，进入S5。

S5：根据公式(4)对粒子的速度v_i和位置x_i进行更新；根据公式(2)、公式(3)分别对惯性权重ω和自身学习因子c₁、社会学习因子c₂进行更新。

(3)由于污水处理过程中影响能耗和水质的因素众多，各影响因素之间关系较为复杂，水质模型难以直接建立。通过对活性污泥法中各影响因素之间耦合性分析和处理过程研究，化学需氧量(COD)、液体氨氮浓度(NH₄)、液体总磷(TP)是污水处理过程中影响出水水质的重要参数。进水COD、进水NH₄、进水pH、氧化沟中溶解氧浓度(DO)、进水累计流量、污泥房液位(污水池中污水体积)、中间池液位(二级污水处理的沉淀池中污水体积)等因素对出水COD、NH₄、TP的浓度具有同等的影响力。对溶解氧浓度进行优化时，必须保证出水水质的实时性、稳定性、精度高等要求，本发明采用基于xgboost的集成学习方法对出水水质进行建模。模型输入向量X和输出向量Y为：累计流量、污泥房液位、中间池液位]

式中：c_1s和c_2s分别是c₁和c₂的初始值；c_1f和c_2f分别是c₁和c₂的最终值；学习因子c₁和c₂的取值范围为[0.5,2.5]。通过调节粒子的社会学习因子和自身学习因子对粒子的速度进行有效控制，实现从局部最优到达全局最优的目的。

实施例

本发明通过对活性污泥法中各影响因素之间耦合性分析和处理过程研究，采用基于XGBoost的集成学习模型对出水参数值进行预测，并使用APSO-BP算法对溶解氧浓度进行优化，其步骤如下：

步骤1：从金牛和万山两座污水厂采集数据，并对数据集按照3:1:1的比例划分为训练集、验证集和测试集；训练集用来对模型进行训练；验证集用来检测模型是否出现过拟合或者欠拟合，判断模型学习效果；测试集用来检测模型的泛化能力。此处数据集为xgboost出水水质预测模型输入数据集。

步骤2：根据数据特点对部分数据进行正太调整，使其分布具有高斯分布的特点，对数据进行归一化和正则化。数据特点是数据离散度比较大，同时污水处理需要进行稳态，故对数据进行高斯(正太)调整。由于污水处理过程输入变量的值最大值大到几十万，最小的值小到零点几，故需要将数据集中到一定范围[0,1]；采用最大最小值归一化:x-min/(max-min))和正则化。为了防止xgboost出水水质模型出现过拟合现象并提高模型泛化能力，特对数据进行归一化：其中，C₀样本数据，ω表示所有样本的和，n表示样本总数。

步骤3：对数据进行分析并特征选择，选择的方法是计算输入变量与输出变量相关度，相关度高表明其影响程度越大。建立溶解氧浓度与其影响因素之间的水质模型，该模型输入向量为：进水COD、进水NH₄、进水pH、氧化沟DO、进水累计流量、污泥房液位、中间池液位，模型输出向量为：出水COD、NH₄、TP的浓度；

步骤4：使用XGBoost集成学习方法对出水水质质量进行实时预测，将出水水质参数与国家标准值做差值得到e_COD、e_TP、e_NH4，将此作为改进粒子群算法待优化的解。由于COD、TP、NH₄的国家标准值所要求的数值差距较大，需要为各个出水参数值制定优化的范围。其中取优化目标函数为：

约束条件：0mg/L＜DO＜2.0mg/L。

步骤5：构建BP神经网络模型结构为3-15-1(通过试错法确定隐层神经元个数)，其中输入层有3个神经元，隐藏层有15个，输出层1个。学习率每迭代100次通过高斯函数更新，最大迭代次数为10000次。loss函数定义如下式，其中，规定d＝0.5为常量：

步骤6：采用步骤5的BP神经网络对全局最优解进行局部细致搜索直到满足条件时结束寻优。

本发明提供的一种活性污泥水处理的溶解氧浓度优化方法，实际输入为出水COD、出水NH₄和出水TP，实际输出为优化后的溶解氧浓度。对比实验设计如下：实验一采用传统PSO算法对溶解氧浓度进行优化，实验二对传统粒子群算法进行自适应权重更新，实验三在实验二的基础上对社会学习因子和自身学习因子进行非线性变化，实验四先利用自适应粒子群算法全局寻优特点对粒子进行全局寻优，后使用BP神经网络对粒子进行局部细致寻优，如表2所示。

表2：对比实验一～四的方法

图1是基于以上对比实验对溶解氧浓度优化结果对比图，曲线的变化空间代表溶解氧浓度变化范围，曲线的高度差越小表明溶解氧浓度变化范围越小，说明该种方法对优化溶解氧浓度越稳定。由图1可知，本发明的APSO-BP算法优化溶解氧浓度最稳定。Y轴：DO浓度，单位是毫克每升，X轴：数据样本，单位是条。

图2是采用优化的溶解氧浓度进行COD浓度回测变化，COD国家排放标准为其浓度≤50ml/L，采用本发明算法优化溶解氧浓度进行回测COD浓度，其浓度≤32ml/L，远远低于国家标准值符合排放标准。Y轴：COD回测浓度，单位是毫克每升，X轴：数据样本，单位是条。

图3是采用优化的溶解氧浓度进行NH₄浓度回测变化，NH4国家排放标准为其浓度≤5ml/L，采用本发明算法优化溶解氧浓度后对NH4浓度进行回测，其浓度≤3.5ml/L，远低于国家排放标准。Y轴：NH₄回测浓度，单位是毫克每升，X轴：数据样本，单位是条。

图4是采用优化的溶解氧浓度进行TP浓度回测变化，TP国家排放标准为其浓度≤0.5ml/L，采用本发明算法优化溶解氧浓度后对TP浓度进行回测，其浓度≤0.325ml/L，远低于国家排放标准。Y轴：TP回测浓度，单位是毫克每升，X轴：数据样本，单位是条。

综上所述，本发明采用自适应粒子群算法对粒子进行寻优：将满足反馈信息的粒子进行排序选出top-20，再进行迭代，直到找出所有满足初始最优解的粒子停止。利用BP神经网络具有局部细致寻优的特点对上述初始最优解进行寻优直到所有粒子不再收敛。采用基于XGBoost的集成学习模型对出水水质的参数值进行实时预测，并通过APSO-BP方法建立溶解氧浓度优化模型，在保证出水水质的基础上，解决了活性污泥法污水处理过程中出水参数值时延大、精度低等问题，通过对曝气池进行合理曝气降低企业生产成本，促进工厂高效稳定运行。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (8)

1.一种基于活性污泥水处理的溶解氧浓度优化方法，其特征在于，该方法包括以下步骤：

步骤1，根据污水厂实际处理过程并依据物料平衡原理建立活性污泥水处理***模型；

公式(1)中，各参数的物理意义为：X(t)为活性污泥浓度，S(t)为出水底物浓度，X_r(t)为回流污泥浓度，DO(t)为好氧生化反应池中的溶解氧浓度，D(t)为进水变化率，DO_s为最大溶解氧浓度，S_in为进水底物浓度，DO_in为进水溶解氧浓度，Y为产率系数，μ(t)为微生物增值率，K_La为氧转移系数，K₀为模型常数，γ，β为进水和出水常数；

步骤2，对粒子群算法进行改进寻优：采用指数函数和分段函数相结合的方式对惯性权重进行更新，使粒子的速度和方向也随之进行更新，其公式为：

公式(2)中，ω为惯性权重因子，ω_max代表最大权重，ω_min代表最小权重，G代表当前迭代次数，G_max代表最大迭代次数；

并采用三次函数y＝αx³+b对学习因子进行更新：

公式(3)中，c_1s和c_2s分别是c₁和c₂的初始值；c_1f和c_2f分别是c₁和c₂的最终值；学习因子c₁和c₂的取值范围为[0.5,2.5]；

步骤3，建立基于XGBoost的集成出水水质预测模型并对其进行仿真计算，获取水质模型的实时出水参数值；该模型输入向量为：进水COD、进水NH₄、进水pH、氧化沟DO、进水累计流量、污泥房液位、中间池液位，模型输出向量为：出水COD、NH₄、TP的浓度；

其中，XGBoost模型数学公式为F表示所有基学习器的集合，f_k表示具体的基学习器，y_i表示预测结果，x_i表示输入基学习的特征；

步骤4，将步骤3获取的出水参数值与国家标准值之间的差值作为出水水质的反馈信息，利用APSO-BP方法对进水水质中溶解氧浓度进行动态优化，获取最优溶解氧浓度设定值。

2.如权利要求1所述的基于活性污泥水处理的溶解氧浓度优化方法，其特征在于，所述的步骤2中，该粒子群算法中，粒子代表待优化问题的解，粒子通过不断迭代寻找最优解，并通过下面的公式更新其自身的速度和位移：

公式(4)中，V_i代表粒子的速度向量；X_i代表粒子的位置向量；c₁表示自身认知系数；c₂表示社会认知系数；p_i表示个体最优位置；p_g表示种群最优位置；r₁和r₂是[0,1]内的随机数；ω为惯性权重因子。

3.如权利要求2所述的基于活性污泥水处理的溶解氧浓度优化方法，其特征在于，所述的步骤2包含：

步骤2.1，初始化粒子的初速度v₀和位置x₀：粒子数为n；最大迭代次数G_max；自身学习因子c₁和社会学习因子c₂；最大权重ω_max和最小权重ω_min；

步骤2.2，根据均方根误差公式计算粒子的适应度，确定初始局部最优p_i和初始全局最优p_g；

步骤2.3，粒子当前值与局部最优值进行比较，如果当前值优于局部最优值则用当前值更新局部最优值；如果粒子当前值优于全局最优值则用当前值更新全局最优值；

步骤2.4，使用BP算发对自适应粒子群算法产生的解进行局部细致寻优，对寻优进行判断：如果满足收敛要求，则产生全局最优解的20％；达不到收敛要求的粒子将进行下一轮的迭代；而且，判断当前迭代次数G是否大于最大迭代次数G_max，如果满足条件则算法结束；否则，进入步骤2.5；

步骤2.5，根据公式(4)对粒子的速度v_i和位置x_i进行更新；根据公式(2)、公式(3)分别对惯性权重ω和自身学习因子c₁、社会学习因子c₂进行更新。

4.如权利要求3所述的基于活性污泥水处理的溶解氧浓度优化方法，其特征在于，所述的步骤3包含：

步骤3.1，采集污水厂数据，并对数据集按照3:1:1的比例划分为训练集、验证集和测试集；

步骤3.2，根据数据特点对部分数据进行正太调整，使其分布具有高斯分布的特点；

步骤3.3，对数据进行归一化和正则化；

步骤3.4，对数据进行分析并特征选择，建立溶解氧浓度与其影响因素之间的水质模型，该模型为XGBoost出水水质模型，该模型输入向量为：进水COD、进水NH₄、进水PH、氧化沟DO、进水累计流量、污泥房液位、中间池液位，模型输出向量为：出水COD、NH₄、TP的浓度；

步骤3.5，使用XGBoost出水水质模型对出水水质质量进行实时预测，并将预测结果值与国家标准值做差值e_COD、e_TP、e_NH4，作为反馈信息。

5.如权利要求4所述的基于活性污泥水处理的溶解氧浓度优化方法，其特征在于，所述的步骤4包含：

步骤4.1，将出水水质参数与国家标准值的差值e_COD、e_TP、e_NH4作为改进粒子群算法的反馈信息；

步骤4.2：构建BP神经网络模型结构为3-15-1输入为e_COD、e_NH4、e_TP，输出为溶解氧浓度，学习率每迭代100次通过高斯函数更新，最大迭代次数为10000次；

步骤4.3：采用步骤4.2的BP神经网络模型对步骤2.3产生的全局最优解进行局部细致搜索直到满足条件时结束寻优。

6.如权利要求5所述的基于活性污泥水处理的溶解氧浓度优化方法，其特征在于，出水水质参数COD、TP、NH₄的优化目标函数为公式(5)：

约束条件：0mg/L＜DO＜2.0mg/L。

7.如权利要求5所述的基于活性污泥水处理的溶解氧浓度优化方法，其特征在于，所述的BP神经网络模型通过试错法确定隐层神经元个数。

8.如权利要求5所述的基于活性污泥水处理的溶解氧浓度优化方法，其特征在于，loss函数定义如下式：

其中，设定d＝0.5为常量，该公式(6)在迭代过程中不断更新BP算法个层神经元的权重和偏执。