CN103792844B - 一种基于有序聚类的污水处理控制方法 - Google Patents

Abstract

本发明公开了一种基于有序聚类的污水处理控制方法，采用有序样本聚类，对污水入水水质和水量的变化情况自适应划分控制时间段，再综合考虑出水水质、曝气能耗和泵送能耗，采用具有全局搜索能力的人工免疫算法确定好氧池溶解氧浓度和缺氧池硝酸氮浓度在每段的最优设定值，实现污水系统分时段实时调节氧气传递系数和内回流量。本发明的方法，在保证出水水质的前提下降低了污水处理运行能耗。

Description

一种基于有序聚类的污水处理控制方法

技术领域

本发明涉及污水处理领域，具体涉及一种基于有序聚类的污水处理控制方法。

背景技术

随着我国城市污水处理设施建设的迅速发展，目前，我国至少已有3000座污水处理厂达到运行状态，城市污水处理能力得到了提升，缓解了我国转型发展中水环境污染的压力；但高能耗问题也随之凸显，污水处理行业已成为能源密集的行业之一，如何不断深入污水处理的可持续发展理念，降低污水处理过程中的能源消耗，成为污水处理领域密切关注的话题。因此，本发明的研究目的明确，研究成果具有广阔的应用前景。

国际水协会提供的基准仿真模型BSM1以国际水协会活性污泥1号模型为基础，是典型的前置反硝化活性污泥污水处理工艺(A/O工艺)。它利用活性污泥法，即在好氧池内悬浮的微生物群体的凝聚、吸附、氧化分解等作用下去除污水中的有机物。在废水和活性污泥接触初期，有机物被大量吸附，经水解后被微生物摄入体内进行氧化分解和同化作用。活性污泥法是利用异养菌以有机物为底物处理污水的，活性污泥中还有以氮、硫或其他化合物为底物的自养菌，如硝化细菌。在好氧池中，硝化菌从氧化反应中获得所需能量，从碱度中获得所需碳源，通过进行硝化反应将氨氮氧化为亚硝酸盐和硝酸盐，后经混合液回流到缺氧池中，在没有溶解氧的条件下异养菌(反硝化细菌)利用有机物将亚硝酸盐或硝酸盐还原为氮气和水。污水经过5个生物反应池后在二沉池进行污泥沉淀，最上层可作为处理后的出水排入江河，最底层的污泥一部分作为剩余污泥可进一步处理，另一部分回流到第一个反应池可被重复利用。

污水处理厂消耗的能源除去生产药剂产生的间接能耗，主要的能耗来自于电耗，约占污水厂总能耗的60%～90%，故降低污水处理厂能耗的关键在于降低电耗。电能的消耗主要来自两个方面—提升单元（水泵）和生化反应单元（鼓风曝气系统），即内外回流量和好氧池曝气量。但在实际的运行管理中，污泥外回流量的改变容易影响二沉池的运行状态，造成水力扰动，导致出水水质恶化，因此污泥外回流量通常维持在一个恒定的水平，不作为控制量。

综上所述，如何根据入水水质水量的变化合理地动态优化溶解氧浓度SO₅和SNO₂浓度的设定值，是实现节能降耗的关键问题。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于有序聚类的污水处理控制方法。

本发明的目的通过以下的技术方案实现：

一种基于有序聚类的污水处理控制方法，包含以下顺序的步骤：

S1.确定优化问题的目标函数及约束条件：目标函数为

$J=\min \{\mathrm{AE}+\mathrm{PE}+\frac{1}{T}\underset{t}{\overset{t+T}{\∫}}[c_1(\mathrm{TN}-18)+c_2(S_{\mathrm{NH}}-4)+c_3(\mathrm{COD}-100)+c_4(\mathrm{TSS}-30)+c_5(B{\mathrm{OD}}_5-10)\left]\mathrm{dt}\right\}$

其中T为优化周期，c_i(i=1～5)为惩罚因子，AE为鼓风能耗，PE为泵送能耗，TN为总氮，COD为化学需氧量，S_NH为硝酸氮，TSS为固体悬浮物，BOD₅为5天生化需氧量；出水水质约束TN<18_g/m³、化学需氧量COD<100g/m³、硝酸氮S_NH<4g/m³、固体悬浮物TSS<30g/m³、5天生化需氧量BOD₅<10g/m³，执行器约束为：操作变量0<SO₅<3，0<SNO₂<2；

S2.采用有序样本聚类法，根据入水数据的波动情况实现自适应分段，为实时调节溶解氧浓度PI控制器、硝酸氮浓度PI控制器参数提供依据：

（1）首先对入水数据的多维变量进行零-均值预处理；

（2）再根据有序样本聚类关于其基本思想—类的直径的定义，计算其值，并在N个有序样本分为k个类的所有可能的种分法中，在定义的损失函数的意义下，求得最优分类解使得损失函数最小，其中k<N；

S3.采用具有全局搜索能力的人工免疫寻优算法，按自适应分段结果对污水进行分时段动态优化控制：以“天”为优化周期，依据序样本聚类法针对每日的污水入水数据波动情况进行分类，令分段结果为n，采用具有全局优化能力的人工免疫算法来寻找各时段控制器最优设定值SO₅和SNO₂的具体步骤如下：

(1)令起始时间t=0，优化周期T=1d；

(2)初始化抗体种群数、迭代次数、产生初始抗体群：由于一天被分成了n个控制区间，每个区间将寻优出一对SO₅、SNO₂设定值，故抗体的维数确定为2n，在两个设定值SO₅和SNO₂的取值范围0<SO₅<3，0<SNO₂<2内随机产生初始抗体种群；

(3)运行BSM1系统模型：将抗体群中每个2n维的抗体依次赋值给一天中相应寻优时间段的寻优参数SO₅和SNO₂，如此连续运行BSM1模型一天，按优化目标函数式计算得到当天的性能指标J值，通过抗体群的J值比较得到最优的抗体并记录下来；

(4)根据免疫操作机制对抗体种群进行迭代更新：包括促进和抑制抗体的产生，即高亲和力抗体受到促进，高浓度抗体受到抑制，采用精英保留策略产生记忆细胞库，以及基于选择因子、克隆因子和变异因子进行的抗体的选择、克隆和变异操作；

(5)判断是否达到迭代次数，若没有则重复步骤(2)和(3)；若达到迭代次数则退出寻优，并输出该天连续n个时段的最优SO₅和SNO₂设定值；

(6)令时间t=t+1，返回步骤(2)进行第t天各控制时段的参数最优设定值，直至完成所需优化的总天数；

S4.控制执行层更新数据的时间间隔是动态变化的，即按照有序样本聚类法得到的分段时间动态地调整溶解氧浓度PI控制器、硝酸氮浓度PI控制器的设定值。

步骤S2中，所述的步骤（2）具体包含以下步骤：

A、设有样本容量为N的有序样本{X₍₁₎,X₍₂₎,…,X_(N)}，其中X_(i)为m维向量，要求将其分为k类，用b(N，k)表示一种分法：G₁={i₁,i₁+1,…,i₂-1}，G₂={i₂,i₂+1,…,i₃-1}，…，G_k={i_k,i_k+1,…,N}，其中1=i₁<i₂<…<i_k<N；

B、设某一类G包含的样品有{X_(i),X_(i+1),…,X_(j)}(j>i)，记为G={i,i+1,…,j}；

该类的均值向量 ${\stackrel{\_}{X}}_G=\frac{1}{j-i+1}\underset{t=i}{\overset{j}{\mathrm{\&Sigma;}}}{X}_{\left(t\right)};$

用D(i,j)表示G这一类的直径： $D(i,j)=\underset{t=i}{\overset{j}{\mathrm{\&Sigma;}}}{(X_{\left(t\right)}-{\stackrel{\_}{X}}_G)}^T(X_{\left(t\right)}-{\stackrel{\_}{X}}_G);$

定义这种分法的损失函数为：

式中i_k+1=N+1， $D(i_t,i_{t+1}-1)=\underset{\mathrm{\&alpha;}=i_t}{\overset{i_{t+1}-1}{\mathrm{\&Sigma;}}}{(X_{\mathrm{\&alpha;}}-{\stackrel{\_}{X}}^{\left(t\right)})}^T(X_{\mathrm{\&alpha;}}-{\stackrel{\_}{X}}^{\left(t\right)}),$ 它表示第k类样本的距离平方和；

C、如果分法b^*(N,k)使得则分法b^*(N,k)就是N个有序样本分为k类的最优解：求解过程中用到的两个核心递推公式为：

$\left\{\begin{array}{c}L\left[b^{*}(N,2)\right]=\underset{2\&le;j\&le;N}{\min }\{D(1,j-1)+D(j,N)\}\\ L\left[b^{*}(N,k)\right]=\underset{k\&le;j\&le;N}{\min }\left\{L{b}^{*}(j-1,k-1)\right]+D(j,N)\}\end{array}\right.$

上式的第二式表明，要找到将N个样品分为k类的最优分割，应建立在将j-1(j=2，3，…，N)个样品分为k-1类的最优分割基础上。

步骤S2的步骤（2）中，所述的k=4。考虑到损失函数随k变化的曲线和污水处理系统滞后性。

步骤S2中，所述的步骤（1）具体为：入水数据属性A中的值v被规范为v′，计算式为其中，和σ_A分别为属性A的平均值和标准差。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明综合考虑出水水质、曝气能耗和泵送能耗，动态优化控制执行层PI（比例积分）控制器的溶解氧浓度和硝酸氮浓度的设定值，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。

2、本发明的控制强度能够自动调节：在污水有机物浓度高时，给予系统的控制作用也相应增大；而在污染物浓度略低时，控制作用减小。

附图说明

图1为本发明所述的基于有序聚类的污水处理控制方法的流程图；

图2为图1所述方法的对应装置的结构图；

图3为图1所述方法的某天规范化后的入水指标变量曲线；

图4为图1所述方法的损失函数随k值变化的曲线；

图5为图1所述方法的人工免疫寻优算法的流程图；

图6为图1所述方法的溶解氧浓度和硝酸氮浓度的优化控制曲线。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

一种基于有序聚类的污水处理控制方法，如图1，包括以下步骤：

S1.确定本发明采用的动态数学模型及其控制结构；

确定采用国际水协会（IWA）提供的基准仿真模型BSM1作为动态数学模型，该模型定义了污水处理的设备布局、仿真模型、污水负荷、测试程序和评价标准，可以与各种控制方案相结合进行模拟仿真，以得到较优的控制方案，同时可以按照给定的评价标准对不同控制方案进行客观评价；该模型由2个前置的缺氧池、3个好氧池和1个二沉池构成，如图2所示；

优化系统控制结构包含自适应分段、智能优化、溶解氧浓度PI控制器、硝酸氮浓度PI控制器等；其中，自适应分段和智能优化作为优化层，采用基于有序样本聚类法的人工免疫算法进行自适应优化调度策略，根据物料平衡约束、执行器约束以及出水条件约束寻找控制器的最优设定值；两个PI控制器作为控制执行层，根据优化层得到的设定值—溶解氧浓度SO₅和缺氧池末端硝酸氮浓度SNO₂，通过调节好氧池末端的氧传递系数Kla和内回流流量Q_a来控制溶解氧浓度和硝酸氮浓度的稳定；因氧传递系数和鼓风能耗相关，内回流量和泵送能耗相关，故能有效地降低运行费用；该自适应优化系统结构流程如图2所示；

S2.综合考虑运行费用和出水水质两个方面，构造优化问题，采用基于有序样本聚类法的一种自适应优化调度策略对两个PI控制回路的设定值求最优解；

（1）根据入水水质和流量的波动情况进行自适应分段：

先对寻优当天每15min采样得到的入水数据的多维变量（此处取要进行考查的出水水质的5个指标：SNH、TN、BOD5、COD、TSS）进行零-均值预处理，以显现信息相对全面而综合的特点，如图3所示；

再根据有序样本聚类关于类的直径的定义，计算其值，在定义的损失函数的意义下，求得使损失函数最小的最优分类解，具体步骤为：

有样本容量为N=24*60/15=96(15min为上述采样周期)的有序样本{X₍₁₎,X₍₂₎,…,X_(N)}(X_(i)为m=5维向量)，要求将其分为k类，用b(N，k)表示某一种分法，如G₁={i₁,i₁+1,…,i₂-1}，G₂={i₂,i₂+1,…,i₃-1}，…，G_k={i_k,i_k+1,…,N}，其中1=i₁<i₂<…<i_k<N；

设某一类G包含的样品有{X_(i),X_(i+1),…,X_(j)}(j>i)，记为G={i,i+1,…,j}；

该类的均值向量 ${\stackrel{\_}{X}}_G=\frac{1}{j-i+1}\underset{t=i}{\overset{j}{\mathrm{\&Sigma;}}}{X}_{\left(t\right)};$

用D(i,j)表示G这一类的直径： $D(i,j)=\underset{t=i}{\overset{j}{\mathrm{\&Sigma;}}}{(X_{\left(t\right)}-{\stackrel{\_}{X}}_G)}^T(X_{\left(t\right)}-{\stackrel{\_}{X}}_G);$

定义这种分法的损失函数为：

式中i_k+1=N+1， $D(i_t,i_{t+1}-1)=\underset{\mathrm{\&alpha;}=i_t}{\overset{i_{t+1}-1}{\mathrm{\&Sigma;}}}{(X_{\mathrm{\&alpha;}}-{\stackrel{\_}{X}}^{\left(t\right)})}^T(X_{\mathrm{\&alpha;}}-{\stackrel{\_}{X}}^{\left(t\right)}),$ 表示第k类样本的距离平方和；

分法b^*(N,k)使得就是N个有序样本分为k类的最优解；综合考虑图4绘制的损失函数随k变化的曲线和污水处理系统滞后性，取k=4，即将该天分4个时间段对控制器的设定值进行动态调整，以实现能耗的最优化；

（2）优化问题的目标函数为：

$J=\min \{\mathrm{AE}+\mathrm{PE}+\frac{1}{T}\underset{t}{\overset{t+T}{\&Integral;}}[c_1(\mathrm{TN}-18)+c_2(S_{\mathrm{NH}}-4)+c_3(\mathrm{COD}-100)+c_4(\mathrm{TSS}-30)+c_5(B{\mathrm{OD}}_5-10)\left]\mathrm{dt}\right\}$

其中T表示运行周期，取7天，7天中每天又可离散为各个时间段内能耗的和，该时间段由上述有序样本聚类法得到；例如，针对晴天条件下某一天的聚类结果为{0～3.25h，3.25～9.5h，9.5～12.25h，12.25～24h}，即PI控制器的设定值在这4个时间段内会有动态调整；AE为通风能耗，PE为泵送能耗，其余为惩罚部分,用来淘汰使出水水质超标的情况，选取c₁=c₂=500,c₃=c₄=c₅=100；

$\mathrm{AE}=\frac{D_{O,\mathrm{sat}}}{T\&CenterDot;1.8\&CenterDot;1000}\underset{t}{\overset{t+T}{\&Integral;}}\underset{i=1}{\overset{i=5}{\mathrm{\&Sigma;}}}{V}_i\&CenterDot;\mathrm{Kl}{a}_i\left(t\right)\mathrm{dt}$

$\mathrm{PE}=\frac{1}{T}\underset{t}{\overset{t+T}{\&Integral;}}(0.004Q_a\left(t\right)+0.05Q_w\left(t\right)+0.008Q_r\left(t\right))\mathrm{dt}$

S3.实现基于人工免疫算法的分段寻优控制方法

免疫优化算法的基本参数选定为:种群规模M=20、记忆库容量m=6、迭代次数Gen=20、克隆因子P_c=0.1、变异因子P_m=0.5、多样性评价参数p_s=1.2；

以“天”为优化周期，依据序样本聚类法针对每日的污水入水数据波动情况进行分类，令分段结果为n，采用具有全局优化能力的人工免疫算法来寻找各时段控制器最优设定值SO₅和SNO₂的具体步骤如下,图5给出了优化算法的整体流程图：

(1)令起始时间t=0，优化周期T=1d.

(2)初始化抗体种群数、迭代次数、产生初始抗体群；由于一天被分成了4个控制区间，每个区间将寻优出一对SO₅、SNO₂设定值，故抗体的维数确定为8，在两个设定值SO₅和SNO₂的取值范围0<SO₅<3，0<SNO₂<2内随机产生初始抗体种群；

(3)运行BSM1系统模型：将抗体群中每个8维的抗体依次赋值给一天中相应寻优时间段的寻优参数SO₅和SNO₂，如此连续运行BSM1模型一天，按优化目标函数式计算得到当天的性能指标J值，通过抗体群的J值比较得到最优的抗体并记录下来；

(4)根据免疫操作机制对抗体种群进行迭代更新：包括促进和抑制抗体的产生，即高亲和力抗体受到促进，高浓度抗体受到抑制，采用精英保留策略产生记忆细胞库，以及基于选择因子、克隆因子和变异因子进行的抗体的选择、克隆和变异操作；

(5)判断是否达到迭代次数，若没有则重复步骤(2)和(3)；若达到迭代次数则退出寻优，并输出该天连续n个时段的最优SO₅和SNO₂设定值；

(6)令时间t=t+1，返回步骤(2)进行第t天各控制时段的参数最优设定值，直至完成所需优化的总天数；

S4.控制执行层更新数据的时间间隔是动态变化的，即按照有序样本聚类法得到的分段时间动态地调整PI控制器的设定值。

按照有序聚类方法得到的分段情况和最优设定值的人工免疫寻优算法步骤，得到晴天条件下一周内各时段的SO₅和SNO₂最优设定值如图6所示。观察图中最优设定值的大致趋势发现，在每日的第二时段内达最小，在第三时段达到最大，这每日的污水入水水质和水量的总体走势相符，即在污水有机物浓度高时，给予系统的控制作用也相应增大；而在污染物浓度略低时，控制作用减小。

表1给出了晴天条件下常规控制、免疫优化控制和本发明的自适应优化控制三种控制策略的对比，其中，常规控制指两个PI控制回路采用SO₅=2g/m³和SNO₂=1g/m³的控制方法；免疫优化控制指仅采用人工免疫算法优化每日设定值的策略。为了客观体现控制策略节能降耗的效果，仿真试验中，控制使得三种方案下平均每日的出水水质均达标且保持在同一水平。

表1：三种控制策略的能耗比较及出水水质

自适应优化控制平均每日的鼓风能耗比常规控制下降低了4.20%，泵送能耗降低了3.15%，运行能耗降低了4.14%；比免疫优化控制下的鼓风能耗降低了2.04%，泵送能耗降低了0.7%，总运行能耗降低了1.96%，证明了自适应优化控制策略节能降耗的有效性。

同样，在雨天和暴雨天情况下的试验数据证明了本发明提控制策略的鲁棒性。具体见表2数据：

表2：各天气条件下三种控制策略的能耗比较及出水水质

对比三种控制策略在控制平均出水水质达统一水平的同时，雨天条件下，自适应优化控制的鼓风能耗比常规控制下降低了2.63%，泵送能耗降低了4.03%，总运行能耗降低了2.75%；比免疫优化控制的鼓风能耗降低了1.3%，泵送能耗降低了2.22%，总运行能耗降低了1.34%。暴雨天条件下，自适应优化控制平均每日的鼓风能耗比常规控制下降低了2.78%，泵送能耗降低了2.37%，总运行能耗降低了2.76%；比免疫优化控制的鼓风能耗降低了1.25%，泵送能耗降低了1.63%，总运行能耗降低了1.28%。相比以“天”为周期的优化控制策略，本发明分段控制策略的节能效果有了进一步的提升。

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 (3)

1.一种基于有序聚类的污水处理控制方法，其特征在于，包含以下顺序的步骤：

S1.确定优化问题的目标函数及约束条件：目标函数为

$J=\min \{AE+PE+\frac{1}{T}\underset{t}{\overset{t+T}{\&Integral;}}\&lsqb;c_1(TN-18)+c_2(S_{NH}-4)+c_3(COD-100)+c_4(TSS-30)+c_5({\mathrm{BOD}}_5-10)\&rsqb;dt\}$

其中T为优化周期，c_i(i＝1～5)为惩罚因子，AE为鼓风能耗，PE为泵送能耗，TN为总氮，COD为化学需氧量，S_NH为硝酸氮，TSS为固体悬浮物，BOD₅为5天生化需氧量；出水水质约束TN＜18g/m³、化学需氧量COD＜100g/m³、硝酸氮S_NH＜4g/m³、固体悬浮物TSS＜30g/m³、5天生化需氧量BOD₅＜10g/m³，执行器约束为：操作变量溶解氧浓度SO₅应满足0＜SO₅＜3mg/l，缺氧池末端硝酸氮浓度SNO₂应满足0＜SNO₂＜2mg/l；

S2.采用有序样本聚类法，根据入水数据的波动情况实现自适应分段，为实时调节溶解氧浓度PI控制器、硝酸氮浓度PI控制器参数提供依据：

(1)首先对入水数据的多维变量进行零-均值预处理；

(2)再根据有序样本聚类关于其基本思想—类的直径的定义，计算其值，并在N个有序样本分为k个类的所有可能的种分法中，在定义的损失函数的意义下，求得最优分类解使得损失函数最小，其中k<N；

S3.采用具有全局搜索能力的人工免疫寻优算法，按自适应分段结果对污水进行分时段动态优化控制：以“天”为优化周期，依据有序样本聚类法针对每日的污水入水数据波动情况进行分类，令分段结果为n，采用具有全局优化能力的人工免疫算法来寻找各时段控制器最优设定值SO₅和SNO₂的具体步骤如下：

(1)令起始时间t＝0，优化周期T＝1d；

(2)初始化抗体种群数、迭代次数、产生初始抗体群：由于一天被分成了n个控制区间，每个区间将寻优出一对SO₅、SNO₂设定值，故抗体的维数确定为2n，在两个设定值SO₅和SNO₂的取值范围0＜SO₅＜3，0＜SNO₂＜2内随机产生初始抗体种群；

(3)运行BSM1系统模型：将抗体群中每个2n维的抗体依次赋值给一天中相应寻优时间段的寻优参数SO₅和SNO₂，如此连续运行BSM1模型一天，按优化目标函数式计算得到当天的性能指标J值，通过抗体群的J值比较得到最优的抗体并记录下来；

(4)根据免疫操作机制对抗体种群进行迭代更新：包括促进和抑制抗体的产生，即高亲和力抗体受到促进，高浓度抗体受到抑制，采用精英保留策略产生记忆细胞库，以及基于选择因子、克隆因子和变异因子进行的抗体的选择、克隆和变异操作；

(5)判断是否达到迭代次数，若没有则重复步骤(2)和(3)；若达到迭代次数则退出寻优，并输出该天连续n个时段的最优SO₅和SNO₂设定值；

(6)令时间t＝t+1，返回步骤(2)进行第t天各控制时段的参数最优设定值，直至完成所需优化的总天数；

S4.控制执行层更新数据的时间间隔是动态变化的，即按照有序样本聚类法得到的分段时间动态地调整溶解氧浓度PI控制器、硝酸氮浓度PI控制器的设定值。

2.根据权利要求1所述的基于有序聚类的污水处理控制方法，其特征在于：步骤S2的步骤(2)中，所述k＝4。

3.根据权利要求1所述的基于有序聚类的污水处理控制方法，其特征在于：步骤S2中，所述的步骤(1)具体为：入水数据属性A中的值v被规范为v′，计算式为其中，和σ_A分别为属性A的平均值和标准差。