CN102161551B - 前置反硝化污水处理过程的优化控制方法 - Google Patents

Abstract

前置反硝化污水处理过程的优化控制方法属于污水处理技术领域，其特征在于综合考虑出水水质、曝气能耗和泵送能耗，采用基于分工策略的粒子群优化技术动态优化好氧区溶解氧浓度和缺氧区硝酸氮浓度的设定值，底层比例积分控制器根据优化后的设定值实时调节氧气转换系数和内回流量，实现前置反硝化污水处理过程的优化控制，保证出水水质要求下减少运行费用，降低污水处理成本，促进污水处理厂高效稳定运行。

Description

前置反硝化污水处理过程的优化控制方法

技术领域

本发明利用基于分工策略粒子群算法的优化技术，综合考虑出水水质、曝气能耗和泵送能耗，动态优化底层控制器的好氧区溶解氧浓度和缺氧区硝酸氮浓度的设定值，实现前置反硝化污水处理过程的优化控制。污水处理过程的优化控制作为污水处理的重要环节，是先进制造技术领域的重要分支，既属于水处理领域，又属于控制领域。

背景技术

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，本发明的研究成果具有广阔的应用前景。

前置反硝化活性污泥污水处理工艺又称A/O工艺，是目前应用最广泛的一种脱氮工艺之一。A/O工艺在曝气池前增加全混合的缺氧反应池，经过预处理的污水先进入缺氧池，并与回流污泥充分混合，然后再进入曝气池进行曝气，整个流程分为缺氧区和好氧区两部分。在缺氧区，反硝化菌利用污水中的有机碳作为电子供体，以硝酸盐作为电子受体进行“无氧呼吸”，将回流液中硝酸氮还原成氮气释放出来，完成反硝化过程；在好氧区，硝化菌把污水中的氨氮氧化成硝酸盐，经过处理的污水流向沉淀池，硝酸盐回流给缺氧池进行反硝化处理。

在A/O工艺中，好氧区的DO(溶解氧)浓度和缺氧区的S_NO(硝酸氮)浓度是影响硝化反硝化进程的重要参数。好氧区中DO浓度过高，会导致进入缺氧区的DO增多，无法保证反硝化所需的缺氧环境，增大了缺氧区可快速降解有机碳的消耗，从而影响处理效果；另一方面，曝气耗费往往占污水处理厂总运行费用的50％以上，在实际生产运行中，实现DO浓度的优化控制，对污水处理效果与运行费用均非常有意义。同样，维持合适的缺氧区S_NO浓度，才能够高效利用缺氧区反硝化作用，同时避免过高的内循环回流量，提高脱氮去除率并减少动力消耗。因此根据入水水质水量的变化动态优化DO浓度和S_NO浓度的设定值，是提高污水处理系统处理效果、降低运行成本的一种可行性方法，也是当前亟待解决的问题。优良的控制技术可以节省污水处理运行费用，同时也是减少异常工况发生、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，实现污水处理厂的节能运行。

发明内容

本发明获得一种基于粒子群算法的优化控制方法，综合考虑出水水质、曝气能耗和泵送能耗，动态优化控制底层PI(比例积分)控制器的DO浓度和S_NO浓度的设定值，保证污水出水水质达标的情况下实现污水处理过程节能降耗；解决污水处理厂能耗过高的问题，保障污水处理过程正常运行。本发明是基于分工策略粒子群算法的优化控制系统，其特征在于，包括以下步骤：

1.确定本发明的控制结构，采用层级式结构，上层为优化层、下层为本地控制层；

优化控制系统包含智能优化、溶解氧浓度PI控制器、硝酸氮浓度PI控制器和数据存储四个模块，如图1所示。上层采用基于分工策略的粒子群优化算法，根据物料平衡约束、执行器约束以及出水条件约束得到底层控制回路的设定值；下层是两个PI控制器，第一个是通过调节单元五的氧气转换系数K_La控制该单元溶解氧浓度，第二个是通过调节内回流量Q_a控制缺氧区单元二的硝酸氮浓度；采用优化控制策略动态调整两个控制回路的设定值——DO设定值S_O，SP和S_NO设定值S_NO，SP，可以有效的降低运行费用；

2.综合考虑运行费用和出水水质两个方面，构造优化问题，采用粒子群算法对这两个PI控制回路的设定值求最优解。

(1)建立活性污泥污水处理1号基准仿真模型，如图2所示。该基准仿真模型定义了一种污水处理的设备布局、相应的仿真模型、污水负荷、仿真步骤和仿真结果的评价标准，可以与各种自动控制方案相结合进行仿真模拟，并按照指定的评价标准来考察该方案的控制效果。这样既方便自动控制方案的调整，以得到较优的控制方案，也能够根据评价指标比较不同的控制方案。此基准仿真模型包括生化池和二沉池；生化池部分共包括5个单元，前两个单元是缺氧区，后三个单元是好氧区；

(2)优化问题的目标函数：

$J=\min \frac{1}{T}{\∫}_t^{t+T}(\mathrm{Energy}+\mathrm{EQ})\mathrm{dt}---\left(1\right)$

其中T表示运行周期，一般取7天，Energy＝AE+PE，表示运行费用，AE为通风耗能，S_O，sat代表饱和溶解氧浓度，一般取8mg/L，缺氧区两个单元体积V₁＝V₂＝1000m³，好氧区三个单元的体积V₃＝V₄＝V₅＝1333m³；K_La为氧气转换系数，与空气流量相关，本发明以K_La作为调整溶解氧浓度的操作变量。

PE为泵送耗能，

Q_a为内回流量，Q_r为污泥回流量，Q_w为污泥流量；EQ表示向受纳水体排放污染物需要支付的费用，它的大小与出水水质的好坏有关，出水水质越好，EQ越小。

其中，B_i是不同污染物对EQ影响的权值；B_SS＝2，B_COD＝1，B_NO＝10，B_NKj＝30，

并且：

S_NKj，e＝S_NH，e+S_ND，e+i_XB(X_BH，e+X_BA，e)+X_ND，e+i_XP(X_P，e+X_I，e)

SS_e＝0.75g(X_S，e+X_I，e+X_BH，e+X_P，e)

BOD_e＝0.25g(S_S，e+X_S，e+(1-f_P)g(X_BH，e+X_BA，e))

COD_e＝S_S，e+S_I，e+X_S，e+X_BH，e+X_BA，e+X_P，e

S_NKj，e表示出水中的凯氏氮浓度，SS_e表示出水中的固体悬浮物浓度，BOD_e表示出水中的生物需氧量，COD_e表示出水中的化学需氧量，S_NH，e表示出水中的NH₄-N和NH₃-N的总浓度，S_ND，e表示溶解性可生物降解有机氮浓度，X_BH，e表示活性异养菌生物固体浓度，X_BA，e表示活性自养菌生物固体浓度，X_ND，e表示颗粒性可生物降解有机氮浓度，X_P，e表示生物固体衰减产生的惰性物质浓度，X_I，e表示颗粒性不可生物降解有机物浓度，X_S，e表示慢速可生物降解有机物浓度，S_S，e表示溶解性快速可生物降解有机物浓度，S_I，e表示溶解性不可生物降解有机物浓度，S_ALK表示碱度。注意：下标e表示出水各组分的浓度，无下标e时(如SS，BOD)表示反应池中各组分的浓度，f_p＝0.08，i_XB＝0.08，i_XP＝0.06；

(3)约束条件：物料平衡约束即基准模型中的物料平衡方程，输出约束即出水水质约束，执行器约束包括：操作变量0＜S_O，SP＜3，0＜S_NO，SP＜4，控制变量0＜K_La＜240，0＜Q_a＜92230；

3.优化算法的实现，采用基于分工策略的粒子群优化；

设搜索空间为D维，粒子个数为3M，M为自然数，其中，第l个粒子的位置表示为：X_l＝(x_l1，x_l2，L，x_lD)，第l个粒子的速度表示为：V_l＝(v_l1，v_l2，L，v_lD)，第l个粒子的历史优点表示为：P_l＝(p_l1，p_l2，L，p_lD)，1≤l≤3M；所有粒子的历史最优点表示为：P_g＝(p_g1，p_g2，L，p_gD)。根据基准仿真模型和数据存储模块中的污水处理过程组分数据，计算每个粒子的适应度，将整个群体POP分为3个分工不同的子群体：POP_Core，POP_Near和POP_Far；

a.子群POP_Core：

选择群体中适应度最高的M个粒子构成POP_Core，POP_Core子群中的粒子进行变异和选择操作，不断地在群体最优附近探索新的群体最优，保证群体最优解附近的充分搜索；变异策略可以增加粒子的搜索区域，随机的变异能使粒子探测到较小的、孤立的可行解区域；对该种群中的每个粒子的速度和位置同时进行变异，变异式为：

v_id′＝θgδgv_idgrand    (2)

x_id′＝x_id +v_id′    (3)

其中，1≤d≤D，θ为随机生成的方向，取值为-1或者1；δ为变异步长，0＜δ＜0.2；rand为(0，1)之间的随机数；v_id表示粒子i进行变异前第d维的速度，x_id表示粒子i进行变异前第d维的位置；v′_id表示粒子i进行变异后第d维的速度，x′_id表示粒子i进行变异后第d维的位置；当粒子的速度发生变异时，粒子的位置随着速度的改变而改变一次；POP_Core中M个粒子，变异后又产生了M个粒子，在这2M个粒子中选择出最优的M个粒子重新构成下一代POP_Core；

b.子群POP_Near：

假设POP_Core＝{X₁，X₂L，X_M}，令其数据中心

在整个群体POP除去POP_Core的M个粒子的剩余粒子中选择M个距离数据中心Core_Center最近(欧几里得距离最小)的粒子构成POP_Near；该子群中粒子的作用是在中心位置与个体最优位置之间的更广泛的区域内进行搜索；POP_Near中的粒子按照下式进行更新：

v′_id＝wv_jd+c₁grandg(p_jd-x_jd)+c₂grandg(p_gd-x_jd)    (4)

x′_jd＝x_jd +v_jd    (5)

其中，M+1≤j≤2M，1≤d≤D；令

v′_jd表示粒子j进行变异后第d维的速度；v_jd表示粒子j进行变异前第d维的速度；p_jd表示粒子j历史最优点的第d维的位置；p_gd表示所有粒子历史最优点的第d维的位置；x′_jd表示粒子j进行变异后第d维的位置；x_jd表示粒子j进行变异前第d维的位置；选择c₁＝2，c₂＝2，满足粒子运行轨迹稳定的条件式：

并使惯性权重w在(0.1，0.9)范围内随算法迭代的运行线性减小，以提高算法的性能；

c.子群POP_Far：

在整个群体POP除去POP_Core和POP_Near中的粒子剩余粒子组成POP_Far，这些粒子距离Core_Center较远；设置该子群中的粒子参数使粒子运行轨迹发散，它们在算法执行过程中承担着开辟新搜索区域的任务，这部分粒子使群体充分的保持了个体的多样性，避免算法“早熟”现象的发生；在迭代过程中POP_Far中粒子同样按下式执行：

v′_kd＝w′v_kd+c₁grandg(p_kd-x_kd)+c₂grandg(p_gd-x_kd)    (7)

x′_kd＝x_kd+v_kd    (8)

其中，2M+1≤k≤3M，1≤d≤D。v′_kd表示粒子k进行变异后第d维的速度；v_kd表示粒子k进行变异前第d维的速度，x_kd表示粒子k进行变异前第d维的位置；p_kd表示粒子j历史最优点的第d维的位置；p_gd表示所有粒子历史最优点的第d维的位置；x′_kd表示粒子k进行变异后第d维的位置。使惯性权重w′＞1，这样就不会满足粒子运行轨迹稳定的条件式(6)，粒子将会发散；当粒子某一维超过解空间范围时，增加反射墙，进行反弹处理，使粒子朝着解空间相反的方向运动，而不是直接取它在这一维度上的上界或下界；

优化算法的具体步骤为：

①在搜索空间中随机产生3M个粒子构成种群POP，并初始化粒子的位置和速度；

②将式(1)离散化，根据基准仿真模型和数据存储模块中的污水处理过程组分数据，计算每个粒子的适应度，选择出POP中适应度值最高的M个粒子构成POP_Core，并计算POP_Core的中心位置Core_Center；

③计算POP-POP_Core中粒子与Core_Center的欧几里得距离，选择最近的M个粒子构成子群POP_Near，剩下的粒子构成子群POP_Far；

④对子群POP_Core中的粒子，设置变异步长δ，对各个粒子的速度和位置按式(2)和(3)进行变异，选择出最优的M个粒子重新构成下一代POP_Core；

⑤对子群POP_Near中的粒子，选择合适的c₁，c₂，w范围是(0.1，0.9)，按照标准粒子群算法计算下一步粒子的位置；

⑥对子群POP_Far中的粒子，取w′＞1使该子群中粒子的轨迹发散。对于粒子超过搜索空间的维度进行反弹处理，即将粒子的速度的大小保持不变，方向取反；

⑦重新合并三个子种群，构成种群POP；

⑧满足终止条件则算法结束，否则转②；

在该算法中将种群划分为三个子种群，每个子种群的分工不同，但是每个子种群中的粒子并不是固定不变的，POP_Far中的粒子下一步有可能成为POP_Near或POP_Core中的粒子，这时意味着有新搜索区域被开辟。在算法的执行过程中，不断有新群体最优和个体最优被发现，直到满足终止条件；

4.底层PI控制器实现对设定值S_O，SP和S_NO，SP的跟踪控制。

根据优化算法得到的单元五溶解氧浓度设定值S_O，SP和单元二硝酸氮浓度设定值S_NO，SP送给底层PI控制器模块，分别调节单元五的氧气转换系数K_La和内回流量Q_a控制溶解氧浓度和硝酸氮浓度。

5.更新数据存储模块中的入水流量和组分数据，并更新基准仿真模型的初始值。每隔2小时，执行智能优化模块，改变一次底层PI控制器的设定值。

优化算法实现污水处理过程控制回路的溶解氧浓度和硝酸氮浓度设定值的动态优化，再利用底层PI控制器实现对设定值S_O，SP和S_NO，SP的跟踪控制，保证污水出水水质达标的情况下实现污水处理过程节能降耗，解决污水处理厂能耗过高的问题；

本发明与现有技术相比，具有以下明显的优势和有益效果：

(1)由于污水处理过程是一个复杂的、动态的生物反应过程，不仅具有非线性、大时变等特点，而且各个因素之间存在强耦合关系，溶解氧浓度和硝酸氮浓度的设定值固定不变会造成污水处理控制能耗较大的问题。本发明根据分工策略的粒子群优化算法可以在线优化参数的特点，采用了基于分工策略的粒子群优化算法的污水处理控制，保证污水出水水质达标的情况下实现污水处理过程节能降耗。

(2)本发明采用分工策略对粒子群优化算法的寻优范围进行动态调整，该调整方法解决了粒子群优化算法过早陷入局部最优的问题。

特别要注意：本发明只是为了描述方便，采用的是对溶解氧浓度S_O和硝酸氮浓度S_NO的优化，同样该发明也可适用于污泥回流等，只要采用了本发明的原理进行控制都应该属于本发明的范围。

附图说明

图1是本发明的控制系统结构图；

图2是本发明的活性污泥污水处理基准仿真模型；

图3是智能优化算法的程序流程图；

图4是本发明溶解氧浓度的优化控制曲线；

图5是本发明硝酸氮浓度的优化控制曲线；

表1给出了本发明优化控制与开环控制、闭环控制策略的运行费用；

表2给出了本发明优化控制与开环控制、闭环控制策略的出水水质重要参数平均值。

具体实施方式

本发明获得一种基于粒子群算法的优化控制方法，该控制方法通过综合考虑出水水质、曝气能耗和泵送能耗，动态优化控制底层PI控制器的DO浓度和S_NO浓度的设定值S_O，SP和S_NO，SP，保证污水出水水质达标的情况下实现污水处理过程节能降耗的目的。

其特征在于，包括以下步骤：

1.确定本发明的控制结构，采用层级式结构，上层为优化层、下层为本地控制层；

优化控制系统包含智能优化模块、第五单元溶解氧浓度PI控制器模块、第二单元硝酸氮浓度PI控制器模块、数据存储模块，如图1所示。优化控制系统上层采用基于分工策略的粒子群优化算法，根据物料平衡约束、执行器约束以及出水条件约束得到底层控制回路的设定值；下层是两个PI控制器，第一个是通过调节单元五的氧气转换系数K_La控制该单元溶解氧浓度，第二个是通过调节内回流量Q_a控制缺氧区单元二的硝酸氮浓度；采用优化控制策略动态调整两个控制回路的设定值S_O，SP和S_NO，SP，可以有效的降低运行费用；

2.智能优化模块，实现基于粒子群算法的优化控制方法，包括以下步骤：

(1)建立图2所示的活性污泥污水处理1号基准仿真模型，模型中的参数均为已知；模型中生化池和二沉池中的各污水组分初始值以及模型中的参数详见国际水协会提供的活性污泥污水处理基准仿真1号模型的数据文件。

(2)优化问题的目标函数离散化为：

$J=\min \frac{1}{T}\underset{j=1}{\overset{j=T/\mathrm{Ts}}{\mathrm{\Σ}}}({\mathrm{Energy}}_j+{\mathrm{EQ}}_j)\mathrm{gTs}---\left(9\right)$

其中T表示运行周期，取7天，Ts为底层PI控制回路的采样周期，取1.5分钟，Energy_j＝AE_j+PE_j，表示运行费用，AE为通风耗能。

${\mathrm{AE}}_j=\frac{S_{O,\mathrm{sat}}}{\mathrm{Tg}1.8g1000}\underset{i=1}{\overset{i=5}{\mathrm{\Σ}}}{V}_{i}g{K}_{L}a\left(j\right)\mathrm{gTs},$ ${\mathrm{PE}}_j=\frac{1}{T}(0.004g{Q}_a\left(j\right)+0.05g{Q}_w\left(j\right)+0.008g{Q}_r\left(j\right))\mathrm{gTs},$

${\mathrm{EQ}}_j=\frac{1}{\mathrm{Tg}1000}\underset{j=1}{\overset{j=T/\mathrm{Ts}}{\mathrm{\Σ}}}(2g{\mathrm{SS}}_e\left(j\right)+{\mathrm{COD}}_e\left(j\right)+10g{S}_{\mathrm{NO},e}\left(j\right)+30g{S}_{\mathrm{NKj},e}\left(j\right)+2g{\mathrm{BOD}}_e\left(j\right)))\mathrm{gTs}$

(3)实现基于分工策略的粒子群优化的优化算法，得到底层两个控制回路的设定值；优化周期为2小时，即每隔2小时运行一次智能优化模块，得到下一周期的设定值。

搜索空间为D＝2维，由单元五的溶解氧浓度值和单元二的硝酸氮浓度值组成，其中0＜S_O，SP＜3，0＜S_NO，SP＜4；粒子个数为3M，M为自然数，在这里选取100，在搜索空间中随机选取每个粒子的位置；设置最大迭代次数为200。图3给出了优化算法的程序流程图。

算法的具体步骤为：

①令迭代次数k＝1，搜索空间为D＝2维，由第五单元溶解氧浓度值和第二单元硝酸氮浓度值组成，其中0＜S_O，SP＜3，0＜S_NO，SP＜4；粒子个数为3M，M选取100，在搜索空间中随机选取每个粒子的位置和速度；设置最大迭代次数为200；

②对于粒子群POP中的每一个粒子，根据其对应的设定值S_O，SP和S_NO，SP和污水处理基准模型，按照PI控制律计算调节变量K_La和Q_a，并根据基准仿真模型和数据存储模块中的污水处理过程组分数据，按照式(9)计算适应度值，并选择适应度最高的M个粒子构成POP_Core，记POP_Core＝{X₁，X₂L，X₁₀₀}，计算该子群的数据中心

③计算POP-POP_Core中的每个粒子与Core_Center的欧几里得距离，选择距离最小的M个粒子构成子群POP_Near，剩下的粒子构成子群POP_Far；

④对子群POP_Core中的粒子，设置变异步长δ＝0.1，对各个粒子的速度和位置按式(2)和(3)进行变异，对变异后的100个粒子按照式(9)计算适应度值，在变异前和变异后的所有粒子中选择出最优的M个粒子重新构成下一代POP_Core；

⑤对子群POP_Near中的粒子，选择c₁＝2，c₂＝2，w范围是(0.1，0.9)，按照式(4，5)所示的标准粒子群算法计算下一步粒子的位置；

⑥对子群POP_Far中的粒子，取w′＝1.5使该子群中粒子的轨迹发散；对于粒子超过搜索空间的维度进行反弹处理，即粒子速度大小保持不变，方向取反；

⑦更新并记录每个粒子的适应度历史最优点和种群的全局最优点。将三个子种群重新合并，构成一个新的具有300个粒子的种群POP；

⑧迭代次数k＝k+1，如果满足最大迭代次数则算法结束，否则转②；

在该算法中将种群划分为三个子种群，每个子种群的分工不同，但是每个子种群中的粒子并不是固定不变的，POP_Far中的粒子下一步有可能成为POP_Near或POP_Core中的粒子，这时意味着有新搜索区域被开辟；在算法的执行过程中，不断有新群体最优和个体最优被发现，直到满足终止条件；

3.单元五的溶解氧浓度PI控制器模块；

根据优化算法得到的溶解氧浓度设定值S_O，SP送给底层PI控制器模块，调节单元五的氧气转换系数K_La控制该单元溶解氧浓度。

溶解氧浓度PI控制器的表达式为：

K_La₅(j)＝K_P，DO5g([S_O，SP(j)-S_O(j)]-[S_O，SP(j-1)-S_O(j-1)])

(10)

        +K_I，DO5g(S_O，SP(j)-S_O(j))+K_La₅(j-1)

比例系数K_P，DO5＝200；积分系数K_I，DO5＝15；采样周期为1.5分钟，K_La₅为单元五的氧气转换系数，S_O为实际处理过程中的溶解氧浓度采样值，各参数初始值为：K_La₅(0)＝240(d^-1)；S_O，SP(0)＝2(mg/L)，S_O(0)＝0.49094(mg/L)；

4.单元二的硝酸氮浓度PI控制器模块；

根据优化算法得到的硝酸氮浓度设定值S_NO，SP，送给底层PI控制器模块，调节内回流量Q_a控制缺氧区单元二的硝酸氮浓度。

硝酸氮浓度PI控制器的表达式为：

$Q_a\left(j\right)=K_{{P,S}_{\mathrm{NO}}}g\left(\right[S_{\mathrm{NO},\mathrm{SP}}\left(j\right)-S_{\mathrm{NO}}\left(j\right)]-[S_{\mathrm{NO},\mathrm{SP}}(j-1)-S_{\mathrm{NO}}(j-1)\left]\right)$

                               (11)

$+K_{I,S_{\mathrm{NO}}}g(S_{\mathrm{NO},\mathrm{SP}}\left(j\right)-S_{\mathrm{NO}}\left(j\right))+Q_a(j-1)$

比例系数

积分系数

采样周期为1.5分钟，Q_a为内回流量，S_NO为实际处理过程中的硝酸氮浓度采样值，各参数初始值为：Q_a(0)＝55338(m³/d)；S_NO，SP(0)＝1(mg/L)，S_NO(0)＝3.662(mg/L)；

5.更新数据存储模块中的入水流量和组分数据，并更新基准仿真模型的初始值。每隔2小时，执行智能优化模块，改变一次底层PI控制器的设定值。

基于分工策略粒子群算法的优化控制方法，综合考虑出水水质、曝气能耗和泵送能耗，动态优化底层PI控制器的DO浓度和S_NO浓度的设定值，保证污水出水水质达标的情况下实现污水处理过程节能降耗，解决能耗过高的问题；图4为溶解氧浓度的优化控制曲线，实线为优化设定值，虚线为跟踪控制效果；图5为硝酸氮浓度的优化控制曲线，实线为优化设定值，虚线为跟踪控制效果；这两个设定值随着入水水质的变化而变化；表1给出了开环控制、闭环控制和优化控制三种控制策略的运行费用对比。开环控制，即保持内回流量和曝气量不变；闭环控制是指两个回路采用PI控制器，使S_O，SP＝2，S_NO，SP＝1；优化控制即采用本文的动态优化策略计算S_O，SP和S_NO，SP。表2给出了以上三种控制策略的出水水质重要参数平均值比较；优化控制与开环控制相比EQ降低5.33％，AE增加2.80％，PE减少31.15％，总Energy减少0.73％，说明降低总运行成本需要综合考虑曝气耗能和泵送耗能；优化控制与闭环控制相比，EQ增大1.634％，但出水水质能够达到排放标准，重要的是优化控制使Energy减少5.299％，节能效果明显；表明动态优化设定值可以在保证出水水质要求下减少运行费用，证明该方法的有效性。

表1：三种控制策略的能耗比较

表2：三种控制策略的出水水质比较

Claims (1)

1.一种基于粒子群算法实现溶解氧DO浓度和硝酸氮S_NO浓度优化控制方法，其特征在于，包括以下步骤：

(1)确定控制结构，采用层级式结构，上层为优化层、下层为本地控制层；

优化控制系统包含智能优化、溶解氧浓度PI控制器、硝酸氮浓度PI控制器和数据存储四个模块；上层采用基于分工策略的粒子群优化算法，根据物料平衡约束、执行器约束以及出水条件约束得到底层控制回路的设定值；下层是两个PI控制器，第一个是通过调节单元五的氧气转换系数K_La控制该单元溶解氧浓度，第二个是通过调节内回流量Q_a控制缺氧区单元二的硝酸氮浓度；采用优化控制策略动态调整两个控制回路的设定值——DO设定值S_O,SP和S_NO设定值S_NO,SP，可以有效的降低运行费用；

(2)综合考虑运行费用和出水水质两个方面，构造优化问题，采用粒子群算法对这两个PI控制回路的设定值求最优解；

①建立活性污泥污水处理1号基准仿真模型，该基准仿真模型定义了一种污水处理的设备布局、相应的仿真模型、污水负荷、仿真步骤和仿真结果的评价标准，与各种自动控制方案相结合进行仿真模拟，并按照指定的评价标准来考察该方案的控制效果，这样既方便自动控制方案的调整，以得到较优的控制方案，也能够根据评价指标比较不同的控制方案，此基准仿真模型包括生化池和二沉池；生化池部分共包括5个单元，前两个单元是缺氧区，后三个单元是好氧区；

②优化问题的目标函数：

其中，T表示运行周期，一般取7天，Energy=AE+PE，表示运行费用，AE为通风耗能，

S_O,sat代表饱和溶解氧浓度，一般取8mg/L，缺氧区两个单元体积V₁=V₂=1000m³，好氧区三个单元的体积V₃=V₄=V₅=1333m³；K_La为氧气转换系数，与空气流量相关，以K_La作为调整溶解氧浓度的操作变量；PE为泵送耗能， 

Q_a为内回流量，Q_r为污泥回流量，Q_w为污泥流量；EQ表示向受纳水体排放污染物需要支付的 费用，它的大小与出水水质的好坏有关，出水水质越好，EQ越小；

其中，B_i是不同污染物对EQ影响的权值；B_SS＝2，B_COD＝1，B_NO＝10，B_NKj＝30， 

并且：

S_NKj，e＝S_NH，e+S_ND，e+i_XB(X_BH，e+X_BA，e)+X_ND，e+i_XP(X_P，e+X_I，e)

SS_e=0.75·(X_S，e+X_I，e+X_BH，e+X_P，e)

BOD_e＝0.25·(S_S，e+X_S，e+(1-f_P)·(X_BH，e+X_BA，e))

COD_e＝S_S，e+S_I，e+X_S，e+X_BH，e+X_BA，e+X_P，e

S_NKj，e表示出水中的凯氏氮浓度，SS_e表示出水中的固体悬浮物浓度，BOD_e表示出水中的生物需氧量，COD_e表示出水中的化学需氧量，S_NH，e表示出水中的NH₄-N和NH₃-N的总浓度，S_ND，e表示溶解性可生物降解有机氮浓度，X_BH，e表示活性异养菌生物固体浓度，X_BA，e表示活性自养菌生物固体浓度，X_ND，e表示颗粒性可生物降解有机氮浓度，X_P，e表示生物固体衰减产生的惰性物质浓度，X_I，e表示颗粒性不可生物降解有机物浓度，X_S，e表示慢速可生物降解有机物浓度，S_S，e表示溶解性快速可生物降解有机物浓度，S_I，e表示溶解性不可生物降解有机物浓度，S_ALK表示碱度，下标e表示出水各组分的浓度，无下标e时表示反应池中各组分的浓度，f_p＝0.08，i_XB＝0.08，i_XP＝0.06；

③约束条件：物料平衡约束即基准模型中的物料平衡方程，输出约束即出水水质约束，执行器约束包括：操作变量0＜S_O，SP＜3，0＜S_NO，SP＜4，控制变量0＜K_La＜240，0＜Q_a＜92230；

(3)优化算法的实现，采用基于分工策略的粒子群优化；

设搜索空间为D维，粒子个数为3M，M为自然数，其中，第l个粒子的位置表示为：X_l＝(x_l1，x_l2，…，x_lD)，第l个粒子的速度表示为：V_l＝(v_l1，v_l2，…，v_lD)，第l个粒子的历史优点表示为：P_l＝(p_l1，p_l2,…，p_lD)，1≤l≤3M；所有粒子的历史最优点表示为：P_g＝(p_g1，p_g2,…，p_gD)；根据基准仿真模型和数据存储模块中的污水处理过程组分数据，计算每个粒子的适应度，将整个群体POP分为3个分工不同的子群体：POP_Core，POP_Near和POP_Far；

①子群POP_Core： 

选择群体中适应度最高的M个粒子构成POP_Core，POP_Core子群中的粒子进行变异和选择操作，不断地在群体最优附近探索新的群体最优，保证群体最优解附近的充分搜索；变异策略可以增加粒子的搜索区域，随机的变异能使粒子探测到较小的、孤立的可行解区域；对该种群中的每个粒子的速度和位置同时进行变异，变异式为：

v′_id=θ·δ·v_id·rand                                      (2)

x′_id=x_id+v′_id                                              (3)

其中，1≤d≤D，θ为随机生成的方向，取值为-1或者1；δ为变异步长,0<δ<0.2；rand为(0,1)之间的随机数；v_id表示粒子i进行变异前第d维的速度，x_id表示粒子i进行变异前第d维的位置；v′_id表示粒子i进行变异后第d维的速度，x′_id表示粒子i进行变异后第d维的位置；当粒子的速度发生变异时，粒子的位置随着速度的改变而改变一次；POP_Core中M个粒子，变异后又产生了M个粒子，在这2M个粒子中选择出最优的M个粒子重新构成下一代POP_Core；

②子群POP_Near：

假设POP_Core={X₁,X₂…,X_M}，令数据中心 

在整个群体POP除去POP_Core的M个粒子后剩余的粒子中选择M个距离数据中心Core_Center欧几里得距离最小的粒子构成POP_Near；该子群中粒子的作用是在中心位置与个体最优位置之间的更广泛的区域内进行搜索；POP_Near中的粒子按照下式进行更新：

v′_jd＝wv_jd+c₁·rand·(p_jd-x_jd)+c₂·rand·(p_gd-x_jd)       (4)

x′_jd=x_jd+v_jd                                             (5)

其中，M+1≤j≤2M，1≤d≤D；令 

v′_jd表示粒子j进行变异后第d维的速度；v_jd表示粒子j进行变异前第d维的速度；p_jd表示粒子j历史最优点的第d维的位置；p_gd表示所有粒子历史最优点的第d维的位置；x′_jd表示粒子j进行变异后第d维的位置；x_jd表示粒子j进行变异前第d维的位置；选择c₁=2，c₂=2，满足粒子运行轨迹稳定的条件式： 

并使惯性权重w在(0.1,0.9)范围内随算法迭代的运行线性减小，以提高算法的性能；

③子群POP_Far：

在整个群体POP除去POP_Core和POP_Near中的粒子剩余粒子组成POP_Far，这些粒子距离Core_Center较远；设置该子群中的粒子参数使粒子运行轨迹发散，它们在算法执行过程中承担着开辟新搜索区域的任务，这部分粒子使群体充分的保持了个体的多样性，避免算法“早熟”现象的发生；在迭代过程中POP_Far中粒子同样按下式执行：

v′_kd=w′v_kd+c₁·rand·(p_kd-x_kd)+c₂·rand·(p_gd-x_kd)         (7)

x′_kd=x_kd+v_kd                                                (8)

其中，2M+1≤k≤3M，1≤d≤D；v′_kd表示粒子k进行变异后第d维的速度；v_kd表示粒子k进行变异前第d维的速度，x_kd表示粒子k进行变异前第d维的位置；p_kd表示粒子j历史最优点的第d维的位置；p_gd表示所有粒子历史最优点的第d维的位置；x′_kd表示粒子k进行变异后第d维的位置；使惯性权重w′>1，这样就不会满足粒子运行轨迹稳定的条件式(6)，粒子将会发散；当粒子某一维超过解空间范围时，增加反射墙，进行反弹处理，使粒子朝着解空间相反的方向运动，而不是直接取它在这一维度上的上界或下界；

优化算法的具体步骤为：

①在搜索空间中随机产生3M个粒子构成种群POP，并初始化粒子的位置和速度；

②将式(1)离散化，根据基准仿真模型和数据存储模块中的污水处理过程组分数据，计算每个粒子的适应度，选择出POP中适应度值最高的M个粒子构成POP_Core，并计算POP_Core的中心位置Core_Center；

③计算整个群体POP除去POP_Core后剩余的粒子与Core_Center的欧几里得距离，选择最近的M个粒子构成子群POP_Near，剩下的粒子构成子群POP_Far；

④对子群POP_Core中的粒子，设置变异步长δ，对各个粒子的速度和位置 按式(2)和(3)进行变异，选择出最优的M个粒子重新构成下一代POP_Core；

⑤对子群POP_Near中的粒子，选择合适的c₁，c₂，w范围是(0.1，0.9)，按照标准粒子群算法计算下一步粒子的位置；

⑥对子群POP_Far中的粒子，取w′＞1使该子群中粒子的轨迹发散，对于粒子超过搜索空间的维度进行反弹处理，即将粒子的速度的大小保持不变，方向取反；

⑦重新合并三个子种群，构成种群POP；

⑧满足终止条件则算法结束，否则转②；

在该算法中将种群划分为三个子种群，每个子种群的分工不同，但是每个子种群中的粒子并不是固定不变的，POP_Far中的粒子下一步有可能成为POP_Near或POP_Core中的粒子，这时意味着有新搜索区域被开辟，在算法的执行过程中，不断有新群体最优和个体最优被发现，直到满足终止条件；

(4)底层PI控制器实现对设定值S_O，SP和S_NO，SP的跟踪控制；

①单元五的溶解氧浓度PI控制器模块；

根据优化算法得到的溶解氧浓度设定值S_O，SP送给底层PI控制器模块，调节单元五的氧气转换系数K_La控制该单元溶解氧浓度；

溶解氧浓度PI控制器的表达式为：

K_La₅(j)＝K_P，DO5·([S_O，SP(j)-S_O(j)]-[S_O，SP(j-1)-S_O(j-1)])

                                                             (9)

+K_I，DO5·(S_O，SP(j)-S_O(j))+K_La₅(j-1)

比例系数K_P，DO5＝200；积分系数K_I，DO5＝15；采样周期为1.5分钟，K_La₅为单元五的氧气转换系数，S_O为实际处理过程中的溶解氧浓度采样值，各参数初始值为：K_La₅(0)＝240(d^-1)；S_O，SP(0)＝2(mg/L)，S_O(0)＝0.49094(mg/L)；

②单元二的硝酸氮浓度PI控制器模块；

根据优化算法得到的硝酸氮浓度设定值S_NO，SP，送给底层PI控制器模块，调节内回流量Q_a控制缺氧区单元二的硝酸氮浓度；

硝酸氮浓度PI控制器的表达式为：

                                                         (10)

比例系数 

积分系数 

采样周期为1.5分钟，Q_a为 内回流量，S_NO为实际处理过程中的硝酸氮浓度采样值，各参数初始值为：Q_a(0)=55338(m³/d)；S_NO,SP(0)=1(mg/L)，S_NO(0)=3.662(mg/L)；

(5)更新数据存储模块中的入水流量和组分数据，并更新基准仿真模型的初始值；每隔2小时，执行智能优化模块，改变一次底层PI控制器的设定值。 

Images