CN113887021A - 一种厌氧消化工艺参数的优化调节方法 - Google Patents
一种厌氧消化工艺参数的优化调节方法 Download PDFInfo
- Publication number
- CN113887021A CN113887021A CN202111073614.9A CN202111073614A CN113887021A CN 113887021 A CN113887021 A CN 113887021A CN 202111073614 A CN202111073614 A CN 202111073614A CN 113887021 A CN113887021 A CN 113887021A
- Authority
- CN
- China
- Prior art keywords
- anaerobic tank
- anaerobic
- pressure
- tank
- slurry
- 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 113
- 230000029087 digestion Effects 0.000 title claims abstract description 69
- 230000008569 process Effects 0.000 title claims abstract description 56
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 239000002002 slurry Substances 0.000 claims abstract description 75
- 238000004519 manufacturing process Methods 0.000 claims abstract description 67
- 238000003756 stirring Methods 0.000 claims abstract description 41
- 230000006870 function Effects 0.000 claims abstract description 38
- 238000013439 planning Methods 0.000 claims abstract description 20
- 239000007787 solid Substances 0.000 claims abstract description 17
- 238000013178 mathematical model Methods 0.000 claims abstract description 14
- 238000005265 energy consumption Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 230000001419 dependent effect Effects 0.000 claims abstract description 5
- 238000013433 optimization analysis Methods 0.000 claims abstract 2
- 230000001186 cumulative effect Effects 0.000 claims description 27
- 238000000746 purification Methods 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 claims description 2
- 239000007788 liquid Substances 0.000 description 18
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000001627 detrimental effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 210000003608 fece Anatomy 0.000 description 2
- 239000010806 kitchen waste Substances 0.000 description 2
- 244000144972 livestock Species 0.000 description 2
- 239000010871 livestock manure Substances 0.000 description 2
- 238000009996 mechanical pre-treatment Methods 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 244000144977 poultry Species 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 239000010802 sludge Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013019 agitation Methods 0.000 description 1
- 239000002154 agricultural waste Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000002361 compost Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 229930195729 fatty acid Natural products 0.000 description 1
- 239000000194 fatty acid Substances 0.000 description 1
- 150000004665 fatty acids Chemical class 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 229920002521 macromolecule Polymers 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000010813 municipal solid waste Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000009270 solid waste treatment Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F11/00—Treatment of sludge; Devices therefor
- C02F11/02—Biological treatment
- C02F11/04—Anaerobic treatment; Production of methane by such processes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Organic Chemistry (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Treatment Of Sludge (AREA)
Abstract
本发明公开了一种厌氧消化工艺参数的优化调节方法。厌氧罐温度T、厌氧罐pH、厌氧罐浆料量L、厌氧罐浆料含固率G和厌氧罐累计搅拌时长J，这5个关键参数为自变量，厌氧消化产气量Q为因变量，用K最邻近法建立拟合函数；对产气函数Q进行优化分析，求出当能耗最低和厌氧消化产气量最大时，各关键工艺参数的取值，对于厌氧消化产气量优化问题而言，其目标函数有3个，即Q、T和J，构造评价函数，3个约束条件，完成了厌氧消化产气量多目标规划的数学模型的建立。本发明实现了工艺参数的自动优化调节，这不仅降低了操作者的工作强度，而且还极大提高了工作效率和工作质量。
Description
技术领域
本发明涉及环境处理技术领域，尤其涉及一种厌氧消化工艺参数的优化调节方法。
背景技术
厌氧消化是非常重要的一种固废处理方法，是将有机质(餐厨垃圾、厨余垃圾、畜禽粪便、有机污泥、农业废弃物等)放到密闭的容器(厌氧罐)中进行厌氧发酵，使有机大分子的有机物分解转化为以甲烷为主的沼气的过程。相比于填埋、焚烧、堆肥等处置方法，厌氧消化以其高效的资源回收和较低的环境影响是目前国际上应用最为广泛的资源化处置方法。
厌氧消化及沼气提纯***主要由机械预处理***、厌氧消化***(由一个或若干个厌氧罐组成)、沼气提纯***组成。一般这三个***的控制会集成在一起，在同一个操作界面中显现出来，操作者只需在一个操作界面上进行操作，就可以完成对三个***的人工控制。
操作者所需要做的事情，主要是实时关注并调整以下关键工艺参数：进料池液位高度的控制、进料池搅拌器的开启和关闭、进料泵的开启和关闭、进料量的设定、每个厌氧罐液位高度的控制、每个厌氧罐温度的控制、每个厌氧罐压力的控制、每个厌氧罐搅拌器开启和关闭的数量、厌氧罐与厌氧罐相互之间物料输送泵的开启和关闭、每个厌氧罐产气通道占有率的设定、厌氧罐火炬点火压力的设定、沼气提纯产品气产气流量的设定。其目标是在能耗尽可能低的情况下，保证沼气提纯产品气日产气量尽可能大。
一个操作者要实时关注数十个关键工艺参数，并且要在短时间内做出正确合理的判断，而且还要进行相应的调整。这对于操作者来说，是个不小的压力。操作者的精力毕竟有限，不可能考虑问题面面俱到，顾此失彼在所难免。仅靠人力来保证产品气日产气量尽可能大，是不现实的。不同的操作者，由于经验和能力的不同，最后实现的日产气量也必然会不同。
因此，目前迫切需要一种精准的自动调整方法，在厌氧消化原料供应充足且成分稳定的前提下，控制***能够对机械预处理***、厌氧消化***和沼气提纯***进行自动协调控制，实现在能耗尽可能低的情况下，保证沼气提纯产品气日产气量最大化。
发明内容
本发明的目的在于，针对现有技术的上述不足，提出一种降低了操作者的工作强度，而且还极大提高了工作效率和工作质量的厌氧消化工艺参数的优化调节方法。
本发明的一种厌氧消化工艺参数的优化调节方法，包括如下步骤：
S1：数据库的建立：记录厌氧罐温度T、厌氧罐pH、厌氧罐浆料量L、厌氧罐浆料含固率G、厌氧罐累计搅拌时长J和厌氧消化产气量Q，建立这6个关键数据的数据库；
S2:厌氧消化产气量的数学模型的建立：选择数据库中厌氧罐温度T、厌氧罐pH、厌氧罐浆料量L、厌氧罐浆料含固率G、厌氧罐累计搅拌时长J，这5个关键参数为自变量，厌氧消化产气量Q为因变量，用K最邻近法建立拟合函数，得到拟合函数：Q＝F(T、pH、L、G、J)；
S3：厌氧消化产气量多目标规划的数学模型的建立：对每一个厌氧罐而言，为了实现在能耗尽可能低的情况下，保证厌氧消化产气量最大，就必须对产气函数Q进行优化分析，求出当能耗最低和厌氧消化产气量最大时，各关键工艺参数的取值，对于厌氧消化产气量优化问题而言，其目标值有3个，即厌氧消化产气量Q、厌氧罐温度T和厌氧罐累计搅拌时长J，构造以下评价函数，即minQ＝-[ω1f(T)+ω2f(J)+ω3f(L)+ω4f(pH)+ω5f(G)]，约束条件之一就是3个关键工艺参数的取值范围，即厌氧罐温度T必须处于厌氧消化反应必须的最低温度和最高温度之间Tmin≤T≤Tmax，厌氧罐浆料量L必须处于厌氧罐所能承载的最低容量和最高容量之间Lmin≤L≤Lmax，厌氧罐累计搅拌时长J必须处于最低累计时长和最高累计时长之间Jmin≤J≤Jmax；约束条件之二就是厌氧罐pH值等于给定的pH值，厌氧罐浆料含固率G等于给定的含固率；ω1、ω2和ω3为3个目标函数的权值，ω4、ω5为非关键参数的权值，具体值按实际情况来赋值；
有了目标函数和约束条件，完成了厌氧消化产气量多目标规划的数学模型的建立，通过对该多目标规划问题进行寻优，就可以得到当能耗尽可能低和厌氧消化产气量尽可能大时，各关键工艺参数的取值。
进一步的，厌氧罐温度调节是通过开启或关闭锅炉来实现；增加厌氧罐浆料量L，是通过进料池向厌氧罐进料，或其它厌氧罐向其输送浆料来实现的，减少厌氧罐浆料量L，是通过向其它厌氧罐输出浆料，或直接对外排放至沼液池来实现的；增加厌氧罐累计搅拌时长J，是通过开启厌氧罐搅拌器，并增加开启的数量和时长来实现的，减少厌氧罐累计搅拌时长J，是通过完全关闭厌氧罐搅拌器，或部分关闭来实现的。
进一步的，根据数学模型进行自动调节，使3个关键工艺参数，即厌氧罐温度T、厌氧罐浆料量L、厌氧罐累计搅拌时长J达到了优化值，此时厌氧罐压力随之发生了变化，对于厌氧罐压力而言，压力必须处于一定的范围之内，将厌氧罐压力范围划分为3个区域，即高压预警区、正常工作区、低压预警区，当厌氧罐压力在正常工作区内波动时，工艺参数不必调节；当厌氧罐压力在高压预警区或低压预警区时，相应的减压方法或增压方法就立即启动，即必须对工艺参数进行调节。
进一步的，降低厌氧罐压力的实现方法是，完全关闭或部分关闭厌氧罐搅拌器，或增大沼气提纯产品气产气流量，或开启锅炉，直至厌氧罐压力恢复到正常工作区为止；提高厌氧罐压力的实现方法是，完全开启或部分开启厌氧罐搅拌器，或减小沼气提纯产品气产气流量，或关闭锅炉。
进一步的，当厌氧罐压力在高压预警区或低压预警区时，调节厌氧罐压力后，厌氧罐压力便恢复至正常工作区，但此时厌氧罐温度T、厌氧罐浆料量L和厌氧罐累计搅拌时长J，可能会脱离当前的优化值，当脱离当前的优化值时，再根据当前的5个工艺参数值，即厌氧罐温度T、厌氧罐pH值、厌氧罐浆料量L、厌氧罐浆料含固率G、厌氧罐累计搅拌时长J，来针对拟合函数Q进行多目标规划，就可以得出给定时间段内厌氧罐温度T、厌氧罐浆料量L、厌氧罐累计搅拌时长J的优化值，然后再根据优化值，去调节厌氧罐温度T、厌氧罐浆料量L、厌氧罐累计搅拌时长J，这样又会引起厌氧罐压力的变化，若厌氧罐压力在正常工作区内波动时，工艺参数不必调节；若厌氧罐压力在高压预警区或低压预警区时，相应的减压方法或增压方法就立即启动，即必须对工艺参数进行调节，如此循环反复，整个工艺参数***维持在一个动态平衡之中。
本发明通过厌氧消化产气量数学模型的建立以及对关键工艺参数的多目标规划，从而实现了工艺参数的自动优化调节，这不仅降低了操作者的工作强度，而且还极大提高了工作效率和工作质量。
具体实施方式
以下是本发明的具体实施例，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
厌氧消化工艺参数之间不是独立的，而是相互关联的，有些参数甚至环环相扣。
对于进料池液位高度而言，液位高度必须处于一定的范围之内，太高了，原料会溢出进料池，造成环境污染和原料浪费；太低了，进料池搅拌器会悬空，对搅拌器不利。对于进料池搅拌器而言，并不需要24小时不停工作，只有当拖料车卸料时或进料泵开启时，搅拌器才需要工作。对于进料泵而言，只有在厌氧罐需要进料的时候或者进料池液位高度过高的时候才会开启，一般情况下是关闭的。对于进料量而言，其大小是根据进料池液位高度及厌氧罐压力状况来确定的，如果厌氧罐压力过低，开启进料泵，并设置合适的进料量，可以提高厌氧罐压力；但如果进料量设置过大，则会严重影响进料池液位高度和厌氧罐液位高度，还会造成厌氧罐压力过高。
对于厌氧罐液位高度而言，液位高度必须处于一定的范围之内，太高了，则完全没有气体贮存空间，而且会迫使厌氧罐压力过高；太低了，厌氧罐搅拌器大部分空置，对搅拌器不利，另外太低的液位也会造成厌氧罐压力不稳，很难保压。对于厌氧罐温度而言，厌氧罐温度必须处于一定的范围之内，罐内产甲烷菌只能在一定的温度范围内生存。另外厌氧罐加热一般采用锅炉加热，锅炉的能源来自厌氧罐自身产生的沼气，一旦需要加热罐体，必然会耗费厌氧罐内沼气，从而使得厌氧罐压力降低。对于厌氧罐压力而言，压力必须处于一定的范围之内，太高了，厌氧罐顶膜处于高压绷紧状态，对顶膜不利，当然厌氧罐设置有安全卸放阀，一旦压力超过临界值，安全卸放阀会立即自动开启，强行排放罐内气体，从而迫使厌氧罐降压，一般不会到这一步，因为在压力达到临界值之前，还有一个厌氧罐火炬点火压力，火炬点火压力的设置也是有讲究的，如果设置得过低，则会造成厌氧罐频繁超压点火；设置得过高，则对顶膜不利。厌氧罐压力如果太低，则会造成厌氧罐反吸，这是绝对不允许的。对于厌氧罐搅拌器而言，并不需要24小时不停工作，只有当厌氧罐压力降低时才需要工作。搅拌器在工作时，一方面使得罐内浆料均匀，另外还会加快厌氧生化反应，使得浆料中的气体快速溢出，从而导致厌氧罐压力升高。另外，一个厌氧罐内不止一个搅拌器，所有搅拌器同时工作和单个搅拌器独自工作，其效果是不同的。
为了保持不同厌氧罐之间的物料平衡，厌氧罐与厌氧罐之间的浆料输送泵需要不时开启，液位高的厌氧罐向液位低的厌氧罐输送浆料，此时液位高的厌氧罐压力会随着浆料排放而降低，液位低的厌氧罐压力会随着浆料输入而增高。但并不需要保证不同厌氧罐之间的浆料绝对相等，这种不同厌氧罐之间的浆料平衡是一种微妙的平衡，它既要恰到好处地缩小液面高度差，同时又要保证将厌氧罐压力的影响降到最低。
所有厌氧罐的产气通道最终会汇总到一根总管中，这根总管最终通往沼气提纯设备。为了平衡各个厌氧罐的排气流量，在每个厌氧罐的产气通道末端均会安装一个调节阀，该调节阀可以调节所在支管的开度，从而改变每个厌氧罐产气通道占有率。当其中某一个厌氧罐调节阀开度调小时，该厌氧罐压力就会增高，反之则减小。通过这样调节，达到调节厌氧罐压力的目的。
沼气提纯产品气产气流量，必须处于一定的范围之内，当然是越高越好，但太高了，则会造成厌氧罐压力大幅降低；太低了，则会造成厌氧罐压力大幅增高。这就必须掌握一个动态平衡。
由于厌氧消化包含了生物、化学、物理等各种复杂反应，所以很难用精准的数学模型来描述，但为了量化各种参数变化究竟带给厌氧消化产气量怎样的影响，必须要构建一个以某些工艺参数为自变量，以厌氧消化产气量为因变量的函数。这个函数只可能用逼近法来拟合，使拟合后的函数与实际函数误差尽可能小。影响厌氧消化***的因素非常多，例如厌氧罐温度、厌氧环境、厌氧罐pH值、脂肪酸、厌氧罐浆料量、厌氧罐浆料含固率、厌氧罐搅拌效果等条件的变化，都会对厌氧消化产甲烷效果产生影响，其中很多参数对于建立数学模型来说是必不可少的，但在实际工程中却并不可能有大量数据可供利用。借助于现代数学数值模拟技术以及数据挖掘技术，我们不用掌握所有参数，只要利用现有参数就可以构建一个拟合函数，而且还可以控制其误差精度。
为此，选择厌氧罐温度(℃)、厌氧罐pH值、厌氧罐浆料量(m3/min)、厌氧罐浆料含固率、厌氧罐累计搅拌时长(min)这5个关键参数为自变量，厌氧消化产气量(m3/min)为因变量，用K最邻近法建立拟合函数。
KNN(K-Nearest Neighbor)法即K最邻近法，最初由Cover和Hart于1968年提出，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路非常简单直观：如果一个样本在特征空间中的K个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。KNN方法在类别决策时，只与极少量的相邻样本有关。由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合。
KNN分类算法包括以下4个步骤：
①准备数据，对数据进行预处理。
②计算测试样本点(也就是待分类点)到其他每个样本点的距离。
③对每个距离进行排序，然后选择出距离最小的K个点。
④对K个点所属的类别进行比较，根据少数服从多数的原则，将测试样本点归入在K个点中占比最高的那一类。
这里的数据就是以前记录的参数数据，即厌氧罐温度T(℃)、厌氧罐pH值、厌氧罐浆料量L(m3/min)、厌氧罐浆料含固率G、厌氧罐累计搅拌时长J(min)以及厌氧消化产气量Q(m3/min),只要样本足够多，并设定合适的K值，最后得到的拟合函数误差就越小，越精准。
最终，就可以得到拟合函数：
Q＝F(T、pH、L、G、J)。
该拟合函数Q是针对单独一个厌氧罐来建立的，其前提是浆料成分是固定不变的，显然对于不同类型的浆料，如餐厨垃圾、畜禽粪便和有机污泥，它们的参数数据是不同的，因此根据这些参数数据拟合出来的产气函数必然也不同。另外，该公式是以“分”为时间单位来考量的，如果以“小时”或者“天”为时间单位来考量，则会使得时间间隔太长，不利于下一步的优化工作，故以“分”为时间单位来考量。而且前期进行参数数据采集时，也要相应地以“分”为时间单位来计量。
针对每一个厌氧罐而言，为了实现在能耗尽可能低的情况下，保证厌氧消化产气量最大，就必须对产气函数Q进行优化分析，求出当能耗最低和厌氧消化产气量最大时，各关键工艺参数的取值。
这属于多目标规划问题，多目标规划是数学规划的一个分支。研究多于一个的目标函数在给定区域上的最优化，又称多目标最优化。在很多实际问题中，例如经济、管理、军事、科学和工程设计等领域，衡量一个方案的好坏往往难以用一个指标来判断，而需要用多个目标来比较，而这些目标有时不甚协调，甚至是矛盾的。任何多目标规划问题，都由两个基本部分组成：(1)两个以上的目标函数；(2)若干个约束条件。
由于最大问题都可以转化为最小问题，所以多目标规划问题的一般形式为：
min[f1(x),f2(x),…,fp(x)]T,p＞1
s.t.gi(x)≥0,i＝1,2,…,m
hi(x)＝0,i＝1,2,…,n
求解多目标规划问题的最基本方法为评价函数法，其基本方法是：借助几何或应用中的直观背景，构造评价函数，将多目标优化问题转化为单目标优化问题，然后再利用单目标优化问题的求解方法求出最优解，并把这种最优解当作多目标优化问题的最优解。
在具有多个指标的优化问题中，人们总是希望对那些相对重要的指标给予较大的权系数，从而将多目标向量问题转化为所有目标的加权求和标量问题。基于这个现实，构造以下评价函数，即
minF(x)＝ω1f1(x)+ω2f2(x)+…+ωifi(x),i＝1,2,…,p
式中ωi为加权因子，其选取的方法很多，有专家打分法、容限法等。
对于厌氧消化产气量优化问题而言，其目标值有3个，即厌氧消化产气量Q、厌氧罐温度T和厌氧罐累计搅拌时长J，我们希望厌氧消化产气量Q尽可能大，厌氧罐温度T和厌氧罐累计搅拌时长J尽可能小，但这3个目标值的权值是不同的，显然厌氧消化产气量Q最大，厌氧罐温度T的权值最小。至于这3个目标函数的权值分别是多大，需要按实际情况来综合评判。
对于厌氧消化产气量优化问题而言，评价函数为：
minQ＝-[ω1f(T)+ω2f(J)+ω3f(L)+ω4f(pH)+ω5f(G)]
厌氧消化产气量优化问题的约束条件之一就是3个关键工艺参数的取值范围，即厌氧罐温度T必须处于厌氧消化反应必须的最低温度和最高温度之间，厌氧罐浆料量L必须处于厌氧罐所能承载的最低容量和最高容量之间，厌氧罐累计搅拌时长J必须处于最低累计时长和最高累计时长之间。
约束条件之二就是厌氧罐pH值等于给定的pH值，厌氧罐浆料含固率G等于给定的含固率。
这样，有了目标值和约束条件，就完成了厌氧消化产气量多目标规划的数学模型的建立。
ω1、ω2和ω3为3个目标函数的权值，ω4、ω5为非关键参数的权值，具体值按实际情况来赋值；这个权值是前期在数据积累时总结得到的经验值，这里的根据实际情况是指根据前期***运行的情况。
通过求解该多目标规划问题，就可以得到当能耗尽可能低和厌氧消化产气量尽可能大时，各关键工艺参数的取值。
通过厌氧消化产气量优化计算，就可以得出给定时间段内3个关键工艺参数(厌氧罐温度T、厌氧罐浆料量L、厌氧罐累计搅拌时长J)的优化值，根据优化值与当前实际值得对比，就可以得出结论：为了优化厌氧消化产气量，在当前时段(1分钟)内必须，提高或降低厌氧罐温度T、增加或减少厌氧罐浆料量L、增加或减少厌氧罐累计搅拌时长J。
提高厌氧罐温度T，是通过开启锅炉来实现的；降低厌氧罐温度T，是通过关闭锅炉来实现的。这会引起厌氧罐压力的变化。当提高厌氧罐温度T时，厌氧罐压力会降低；当降低厌氧罐温度T时，厌氧罐压力会提高。
增加厌氧罐浆料量L，是通过进料池向厌氧罐进料，或其它厌氧罐向其输送浆料来实现的；减少厌氧罐浆料量L，是通过向其它厌氧罐输出浆料，或直接对外排放至沼液池来实现的。
增加厌氧罐累计搅拌时长J，是通过开启厌氧罐搅拌器，并增加开启的数量和时长来实现的；减少厌氧罐累计搅拌时长J，是通过完全关闭厌氧罐搅拌器，或部分关闭来实现的。这会引起厌氧罐压力的变化。当增加厌氧罐累计搅拌时长J时，厌氧罐压力会提高；当减少厌氧罐累计搅拌时长J时，厌氧罐压力会降低。
***通过自动调节，使3个关键工艺参数(厌氧罐温度T、厌氧罐浆料量L、厌氧罐累计搅拌时长J)达到了最优值，此时厌氧罐压力随之发生了变化。如前所述，对于厌氧罐压力而言，压力必须处于一定的范围之内，为此，将厌氧罐压力范围划分为3个区域，即高压预警区、正常工作区、低压预警区。当厌氧罐压力在正常工作区内波动时，工艺参数不必调节；当厌氧罐压力在高压预警区或低压预警区时，相应的减压方法或增压方法就立即启动，即必须对工艺参数进行调节。
降低厌氧罐压力的实现方法是，完全关闭或部分关闭厌氧罐搅拌器，或增大沼气提纯产品气产气流量，或开启锅炉。直至厌氧罐压力恢复到正常工作区为止。
提高厌氧罐压力的实现方法是，完全开启或部分开启厌氧罐搅拌器，或减小沼气提纯产品气产气流量，或关闭锅炉，或通过进料池向厌氧罐进料，或其它厌氧罐向其输送浆料。直至厌氧罐压力恢复到正常工作区为止。
当***自动调节厌氧罐压力后，厌氧罐压力便恢复至正常工作区，但此时3个关键工艺参数(厌氧罐温度T、厌氧罐浆料量L、厌氧罐累计搅拌时长J)可能会脱离当前的优化值，于是***再根据当前的5个工艺参数值(厌氧罐温度T、厌氧罐pH值、厌氧罐浆料量L、厌氧罐浆料含固率G、厌氧罐累计搅拌时长J)，来针对厌氧消化产气量函数Q产气进行多目标规划，就可以得出给定时间段内3个关键工艺参数(厌氧罐温度T、厌氧罐浆料量L、厌氧罐累计搅拌时长J)的优化值，然后再根据优化值，自动选择方法去调节3个关键工艺参数(厌氧罐温度T、厌氧罐浆料量L、厌氧罐累计搅拌时长J)，这样又会引起厌氧罐压力的变化，若厌氧罐压力在正常工作区内波动时，工艺参数不必调节；若厌氧罐压力在高压预警区或低压预警区时，相应的减压方法或增压方法就立即启动，即必须对工艺参数进行调节。于是厌氧罐压力又恢复至正常工作区，3个关键工艺参数(厌氧罐温度T、厌氧罐浆料量L、厌氧罐累计搅拌时长J)又可能会脱离当前的优化值，于是又进行新一轮厌氧消化产气量函数Q多目标规划，如此循环反复，整个工艺参数***维持在一个动态平衡之中。
该自动优化技术，是依托现代控制***来实现的，其中厌氧消化产气量数学模型的建立和修正、关键工艺参数的多目标规划、以及数据库的建立和扩充都离不开计算机。
以上未涉及之处，适用于现有技术。
虽然已经通过示例对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本发明的范围，本发明所属技术领域的技术人员可以对所描述的具体实施例来做出各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的方向或者超越所附权利要求书所定义的范围。本领域的技术人员应该理解，凡是依据本发明的技术实质对以上实施方式所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围。
Claims (5)
1.一种厌氧消化工艺参数的优化调节方法，其特征在于：包括如下步骤：
S1：数据库的建立：记录厌氧罐温度T、厌氧罐pH、厌氧罐浆料量L、厌氧罐浆料含固率G、厌氧罐累计搅拌时长J和厌氧消化产气量Q，建立这6个关键数据的数据库；
S2:厌氧消化产气量的数学模型的建立：选择数据库中厌氧罐温度T、厌氧罐pH、厌氧罐浆料量L、厌氧罐浆料含固率G、厌氧罐累计搅拌时长J，这5个关键参数为自变量，厌氧消化产气量Q为因变量，用K最邻近法建立拟合函数，得到拟合函数：Q＝F(T、pH、L、G、J)；
S3：厌氧消化产气量多目标规划的数学模型的建立：对每一个厌氧罐而言，为了实现在能耗尽可能低的情况下，保证厌氧消化产气量最大，就必须对产气函数Q进行优化分析，求出当能耗最低和厌氧消化产气量最大时，各关键工艺参数的取值，对于厌氧消化产气量优化问题而言，其目标值有3个，即厌氧消化产气量Q、厌氧罐温度T和厌氧罐累计搅拌时长J，构造以下评价函数，即minQ＝-[ω1f(T)+ω2f(J)+ω3f(L)+ω4f(pH)+ω5f(G)]，约束条件之一就是3个关键工艺参数的取值范围，即厌氧罐温度T必须处于厌氧消化反应必须的最低温度和最高温度之间Tmin≤T≤Tmax，厌氧罐浆料量L必须处于厌氧罐所能承载的最低容量和最高容量之间Lmin≤L≤Lmax，厌氧罐累计搅拌时长J必须处于最低累计时长和最高累计时长之间Jmin≤J≤Jmax；约束条件之二就是厌氧罐pH值等于给定的pH值，厌氧罐浆料含固率G等于给定的含固率；ω1、ω2和ω3为3个目标函数的权值，ω4、ω5为非关键参数的权值，具体值按实际情况来赋值；
有了目标函数和约束条件，完成了厌氧消化产气量多目标规划的数学模型的建立，通过对该多目标规划问题进行寻优，就可以得到当能耗尽可能低和厌氧消化产气量尽可能大时，各关键工艺参数的取值。
2.如权利要求1所述的一种厌氧消化工艺参数的优化调节方法，其特征在于：厌氧罐温度调节是通过开启或关闭锅炉来实现；增加厌氧罐浆料量L，是通过进料池向厌氧罐进料，或其它厌氧罐向其输送浆料来实现的，减少厌氧罐浆料量L，是通过向其它厌氧罐输出浆料，或直接对外排放至沼液池来实现的；增加厌氧罐累计搅拌时长J，是通过开启厌氧罐搅拌器，并增加开启的数量和时长来实现的，减少厌氧罐累计搅拌时长J，是通过完全关闭厌氧罐搅拌器，或部分关闭来实现的。
3.如权利要求1所述的一种厌氧消化工艺参数的优化调节方法，其特征在于：根据数学模型进行自动调节，使3个关键工艺参数，即厌氧罐温度T、厌氧罐浆料量L、厌氧罐累计搅拌时长J达到了优化值，此时厌氧罐压力随之发生了变化，对于厌氧罐压力而言，压力必须处于一定的范围之内，将厌氧罐压力范围划分为3个区域，即高压预警区、正常工作区、低压预警区，当厌氧罐压力在正常工作区内波动时，工艺参数不必调节；当厌氧罐压力在高压预警区或低压预警区时，相应的减压方法或增压方法就立即启动，即必须对工艺参数进行调节。
4.如权利要求3所述的一种厌氧消化工艺参数的优化调节方法，其特征在于：降低厌氧罐压力的实现方法是，完全关闭或部分关闭厌氧罐搅拌器，或增大沼气提纯产品气产气流量，或开启锅炉，直至厌氧罐压力恢复到正常工作区为止；提高厌氧罐压力的实现方法是，完全开启或部分开启厌氧罐搅拌器，或减小沼气提纯产品气产气流量，或关闭锅炉。
5.如权利要求3所述的一种厌氧消化工艺参数的优化调节方法，其特征在于：当厌氧罐压力在高压预警区或低压预警区时，调节厌氧罐压力后，厌氧罐压力便恢复至正常工作区，但此时厌氧罐温度T、厌氧罐浆料量L和厌氧罐累计搅拌时长J，可能会脱离当前的优化值，当脱离当前的优化值时，再根据当前的5个工艺参数值，即厌氧罐温度T、厌氧罐pH值、厌氧罐浆料量L、厌氧罐浆料含固率G、厌氧罐累计搅拌时长J，来针对拟合函数Q进行多目标规划，就可以得出给定时间段内厌氧罐温度T、厌氧罐浆料量L、厌氧罐累计搅拌时长J的优化值，然后再根据优化值，去调节厌氧罐温度T、厌氧罐浆料量L、厌氧罐累计搅拌时长J，这样又会引起厌氧罐压力的变化，若厌氧罐压力在正常工作区内波动时，工艺参数不必调节；若厌氧罐压力在高压预警区或低压预警区时，相应的减压方法或增压方法就立即启动，即必须对工艺参数进行调节，如此循环反复，整个工艺参数***维持在一个动态平衡之中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111073614.9A CN113887021B (zh) | 2021-09-14 | 2021-09-14 | 一种厌氧消化工艺参数的优化调节方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111073614.9A CN113887021B (zh) | 2021-09-14 | 2021-09-14 | 一种厌氧消化工艺参数的优化调节方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113887021A true CN113887021A (zh) | 2022-01-04 |
| CN113887021B CN113887021B (zh) | 2024-05-10 |
Family
ID=79008998
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111073614.9A Active CN113887021B (zh) | 2021-09-14 | 2021-09-14 | 一种厌氧消化工艺参数的优化调节方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113887021B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012175701A1 (de) * | 2011-06-22 | 2012-12-27 | Hermos Systems Gmbh | Verfahren zur biogaserzeugung |
| KR101830150B1 (ko) * | 2016-12-30 | 2018-02-20 | 서울시립대학교 산학협력단 | 혐기성 소화가스 생산촉진을 위한 공정모델 예측제어 시스템 및 그 방법 |
| CN108384813A (zh) * | 2018-03-26 | 2018-08-10 | 北京化工大学 | 一种氧化钙和沼液联合预处理提高稻草秸秆厌氧消化产气性能的方法 |
| KR101920330B1 (ko) * | 2017-10-30 | 2018-11-20 | 경희대학교 산학협력단 | 하수처리 플랜트 및 열 병합 발전의 통합 시스템을 모델링하고 최적화하는 방법 |
-
2021
- 2021-09-14 CN CN202111073614.9A patent/CN113887021B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012175701A1 (de) * | 2011-06-22 | 2012-12-27 | Hermos Systems Gmbh | Verfahren zur biogaserzeugung |
| KR101830150B1 (ko) * | 2016-12-30 | 2018-02-20 | 서울시립대학교 산학협력단 | 혐기성 소화가스 생산촉진을 위한 공정모델 예측제어 시스템 및 그 방법 |
| KR101920330B1 (ko) * | 2017-10-30 | 2018-11-20 | 경희대학교 산학협력단 | 하수처리 플랜트 및 열 병합 발전의 통합 시스템을 모델링하고 최적화하는 방법 |
| CN108384813A (zh) * | 2018-03-26 | 2018-08-10 | 北京化工大学 | 一种氧化钙和沼液联合预处理提高稻草秸秆厌氧消化产气性能的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 郑锐;蒋东云;农以宁;谢鸿全;颜家兴;: "Logistic函数在连续投料厌氧消化过程分析中的应用", 中国沼气, no. 06, 20 December 2019 (2019-12-20) * |
| 闫运清;李欣;李景民;: "济宁市农村实用人才队伍建设的现状与对策", 山东农业科学, no. 12, 30 December 2011 (2011-12-30) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113887021B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Holubar et al. | Advanced controlling of anaerobic digestion by means of hierarchical neural networks | |
| Benedetti et al. | Multi-criteria analysis of wastewater treatment plant design and control scenarios under uncertainty | |
| Lu et al. | Automatic control and optimal operation for greenhouse gas mitigation in sustainable wastewater treatment plants: A review | |
| DE102007063091A1 (de) | Hybridfermenter zur Erzeugung von methanreichem Biogas | |
| CN112939209A (zh) | 基于人工神经网络的污水处理曝气控制***及其运行方法 | |
| Bensmann et al. | Reactor configurations for biogas plants–a model based analysis | |
| CN118318274A (zh) | 用于过程控制的人工智能模型的生成方法、基于人工智能模型的过程控制***以及包括其的反应器 | |
| Li et al. | Exploring available input variables for machine learning models to predict biogas production in industrial-scale biogas plants treating food waste | |
| CN102053615B (zh) | 非稳态分段进水深度脱氮除磷过程控制***及控制方法 | |
| CN115356930A (zh) | 一种污水处理过程中的多目标优化控制***及方法 | |
| CN113666486B (zh) | 一种基于多模式优化的污水处理sbr工艺过程控制专家*** | |
| CN113887021B (zh) | 一种厌氧消化工艺参数的优化调节方法 | |
| CN113845205B (zh) | 一种高盐高氮污水智能一体化除盐脱氮控制*** | |
| Walid et al. | Modeling and optimization of anaerobic digestion: a review | |
| Groep et al. | Performance modeling and simulation of biochemical process sequences with interacting unit operations | |
| Lin et al. | Prediction of wastewater treatment system based on deep learning | |
| CN104508112A (zh) | 操作一沼气***的方法与以该方法操作的沼气*** | |
| Ikpe et al. | Fuzzy modelling and optimization of anaerobic co-digestion Process parameters for effective biogas yield from bio-wastes | |
| Xie et al. | Modeling and multi-objective optimization for ANAMMOX process under COD disturbance using hybrid intelligent algorithm | |
| Wang et al. | Kalman Filter based Newton Extremum Seeking Control for Maximum Gases Production Rates of Anaerobic Digestion Process | |
| Komarysta et al. | OPTIMIZING BIOGAS PRODUCTION USING ARTIFICIAL NEURAL NETWORK. | |
| CN105039604A (zh) | 利用高浓度有机原料进行沼气发酵的控制方法及控制*** | |
| WO2012175701A1 (de) | Verfahren zur biogaserzeugung | |
| CN116449691A (zh) | 原料油加工控制方法和装置 | |
| Neba et al. | A coupled modeling of design and investment parameters for optimal operation of methane bioreactors: Attainable region concept approach |
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 |