CN103810309B - 基于约束理论的a2o 城市污水处理工艺的软测量建模方法 - Google Patents

Abstract

本发明公开了一种基于约束理论的A²O城市污水处理工艺的软测量建模方法，所述方法包括：建立ASM2d反应模型和二沉池模型；用稳态数据对A²O工艺的城市污水进行污水稳态模拟，根据各反应过程及组分间的参数约束关系进行约束规划，获得稳态模拟结果；对各反应池的出水水质参数浓度方程进行时间积分，建立各池动态出水浓度方程组，基于约束规划对动态出水浓度方程组进行非线性规划求解，得到动态模拟结果，通过动态模拟结果与实际出水结果进行比较对各池模型进行参数调整和模型校正，直至动态模拟结果与实际出水结果数据一致，本发明通过机理约束的A²O工艺中ASM2d机理模型参数的约束规划，提高各反应池的软测量模型精度和求解速度。

Description

基于约束理论的A2O城市污水处理工艺的软测量建模方法

技术领域

本发明涉及城市污水指标检测领域，特别涉及一种基于约束理论的A²O城市污水处理工艺的软测量建模方法。

背景技术

目前城市污水处理过程某些重要出水水质指标参数缺乏可靠的在线仪表，只能靠人工实验来测量，通过软测量技术通过构建软测量模型来实时预测出水水质指标，即由已知的过程参数来估计不可在线测量的的目标参数值。现有的技术方案大多采用基于多元线性回归（MLR）和人工神经网络的方法，如BP神经网络，Elman神经网络，过程神经网络等，样本数据插值和多步记忆。

对于A²O污水处理工艺，重点是将难以在线测量的出水水质BOD₅（五天生物化学需氧量）、TN（总氮）和TP（总磷）作为软测量模型的主导变量。利用辅助变量进水BOD浓度，进水COD浓度，进水TN浓度，进水TP浓度，进水SS浓度，曝气池MLSS，日处理量，回流MLSS，进水NOxN和进水NH₃N。

为减少辅助变量个数以简化模型结构和方便计算，需通过互相关分析从上述辅助变量中选择部分。首先进行原始数据预处理，包括剔除异常数据，数据标准化（归一化）处理，最终经过互相关分析对各变量之间的关联程度进行评估，由此确定辅助变量，并根据主导变量和辅助变量确定软测量模型结构。

具体步骤如下：

1从历史数据库中按时间顺序导出主导变量和辅助变量完整对应的数据样本序列集作为原始样本集；

2对原始样本集作数据预处理，包括剔除异常值和数据无量纲标准化；

3分离主导变量序列集和辅助变量序列集；

4分离建模样本集和预测评价样本集；

5采用多元线性回归方法或人工神经网络方法建模并分析评价。

对于常规多元线性回归方法和常规人工神经网络方法所存在的问题，目前有很多改进方法，如多步记忆法：在数据预处理中增加非线性插值处理（剔除异常数据值后，在原始数据集中每两组相邻数据之间按三次样条内插算法插入拟合值）；在辅助变量中引入主导变量的记忆成分（将主导变量过去若干（>=1）时刻的值也作为辅助变量）。

在实现本发明的过程中，发明人发现现有技术至少存在以下问题：

1）没有充分考虑各变量之间的约束关系；

2）回归均方误差和预测评价均方误差都较大；

3）辅助变量多为进水参数，其测量存在滞后性，采用时间长且不均，辅助变量少，过程存在非线性。

发明内容

为了解决现有技术的问题，提高各反应池的软测量模型精度和求解速度，本发明提供了一种基于约束理论的A²O城市污水处理工艺的软测量建模方法。

所述技术方案如下：

一种基于约束理论的A²O城市污水处理工艺的软测量建模方法，所述方法包括以下步骤：

步骤一，根据城市污水的A²O处理工艺建立ASM2d反应模型和二沉池模型；

步骤二，确定各池模型参数初始值与进水组分数据，并确定各池体积与流量大小；

步骤三，用稳态数据对A²O工艺的城市污水进行污水稳态模拟，根据各反应过程及组分之间的参数约束关系进行约束规划，建立各池的出水浓度方程，通过求解各池的出水水质浓度方程组，获得稳态模拟结果；

步骤四，对各反应池的出水水质参数浓度方程进行时间积分，建立与进行时间有关的各池动态出水浓度方程组，基于约束规划对动态出水浓度方程组进行非线性规划求解，得到动态模拟结果；

步骤五，将所得动态模拟结果与实际出水结果进行比较，根据比较结果对各池的模型进行参数调整和模型校正，直至动态模拟结果与实际出水结果数据 一致，并输出动态结果。

所述步骤五中所得比较结果的误差较大时，则先基于进化规划对各反应池的ASM2d模型参数进行校正，同时对二沉池模型参数进行校准。

所述的二沉池模型为基于逻辑规则方法构建的二沉池多维动态混杂模型，其利用分支界定法来实现二沉池多维动态混杂模型的校准，其具体校准方法如下：

（1）根据实际污水处理厂二沉池的设计结构和具体参数，构建二沉池二维流场和颗粒分布场；

（2）采用混合逻辑动态（MLD）模型描述二沉池中污泥浓缩状态、水力状态以及悬浮颗粒浓度；

（3）确定逻辑规则和操作约束条件，建立不等式方程组；

（4）根据分支定界法，针对所建立的各个不等式方程设置目标函数值，求得各个不等式方程所有可行解的解集合，从中选择最优解。

所述步骤四中动态模拟结果计算时间较长时，利用过程神经网络及约束满足规则补偿ASM2d模型及二沉池模型间的耦合误差及未建模流程的误差。

所述的利用过程神经网络及约束满足规则补偿ASM2d模型及二沉池模型间的耦合误差，其具体方法包括：

根据过程神经网络中过程神经元具时间效应的累积算子，使聚合运算可同时表达输入信号的空间聚合和时间积累，并对模型中的参数进行训练学习；

根据约束满足规则，解决参数间相互的影响作用，使得最终误差结果最小。

所述的ASM2d模型与二沉池模型之间的未建模流程为污泥回流过程，通过采用过程神经网络对污泥回流过程中的污泥回流比参数进行训练学习，并根据约束满足规则，使得污泥回流比中各参数的相互影响最小。

本发明提供的技术方案带来的有益效果是：

本发明利用污水处理机理模型ASM2d与人工智能补偿模型相结合的思想，基于约束理论对A²O城市污水处理工艺进行软测量建模，利用约束规划、过程神经网络对整个污水生化处理过程中各模型的耦合误差及其他未建模环节的误差进行补偿，提高软测量模型精度，减少计算复杂度，最终提高城市污水处理水平。

本发明基于A²O污水处理工艺的ASM2d机理模型，采用进化规划方法进行模型结构及参数的协同优化，通过机理约束来约简搜索空间，提高“厌氧-缺氧-好氧”池的建模效率，并采用逻辑与规则的混杂模型来校准二沉池多维动态模型，综合考虑二沉池固液分离系统中各项功能的动态变化。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明所提供的软测量建模方法框图；

图2是本发明所提供的A²O工艺流程及软测量优化建模图；

图3是本发明所提供的模拟仿真平台框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

（1）A²O工艺的城市污水处理厂进水水质指标监测

污水处理厂进水水质指标的监测是污水处理过程中的前提环节，可掌握进水的变化规律，为处理厂的软测量建模及优化运行奠定基础。监测指标包括COD、BOD₅、TN、NH₃-N、TP等。由于影响水质因素较多，各进水水质指标会随季节变化明显。为此，对这些水质指标利用统计概率方法进行相关性分析与评价。

（2）约束满足与进化规划相结合建立机理约束ASM2d模型

ASM2d模型进水水质组分的测定是软测量机理建模的一个重要环节，测定的准确与否将直接关系到模型预测的精确程度。首先选择合适的有机组分测定方法进行分析研究，ASM2模型中包括19种组分，可分为可溶性物质（9种）和颗粒性物质（10种）两大类。同时，生物脱氮除磷工艺中包括水解作用、异养菌反应、聚磷菌反应、硝化反应以及磷沉淀几大反应过程，经简化和假设后， 先采用典型推荐值作为化学矩阵计量系数和反应速率表达式中的参数。但计量系数及反应效率受许多因素的影响，主要包括混合液回流比、厌氧池水力停留时间、污泥回流比和污泥龄等工艺参数，在此利用约束满足规则建立厌氧、缺氧和好氧三个生物反应过程模型，采用进化规则算法对这三个联立模型的结构和参数进行优化，从而提高模型精度。如图2中的（2）部分所示。

ASM2d模型中将污水组分分为9种颗粒性组分和10种可溶性组分。可溶性组分直接利用二沉池模型进行描述，即:

$\frac{\∂S}{\∂t}A\left(z\right)+\frac{\∂(F\left(S\right)\×A\left(z\right))}{\∂z}=s$

而颗粒性组分经单位转化后，采用Takacs公式描述:

V_s=max(0,min(v′₀,v₀(exp(-r_h(X-X_min))-exp(-r_p(X-X_min))))

根据过程神经网络中过程神经元具时间效应的累积算子，使聚合运算可同时表达输入信号的空间聚合和时间积累作用。对上述模型中的参数进行训练学习；由于上述参数相互耦合，根据约束满足规则，解决参数之间相互的影响作用，使得最终误差结果最小。

（3）基于逻辑规则方法构建二沉池多维动态混杂模型

二沉池一维模型是在Kynch提出的固体通量理论基础上建立的，假设在空间分布上同一水平断面处沉降颗粒物浓度相同，且污泥沉降速率方程是核心。二维模型还需满足流体质量守恒方程、流体动量守恒方程、湍流动能守恒方程以及湍流动能耗散速率方程，从而对于二沉池中流体流速的分布和固体颗粒物浓度分布具有较好效果。三维模型则模型参数更多，模型更复杂。基于以上分析，根据运行数据、专家知识及操作经验建立逻辑规则。根据所建立的模糊逻辑规则，无需精确的反应方程，并结合二维模型来建立二沉池混杂模型。利用约束理论中的分支定界法对模型参数进行校准。如图2中的（3）部分所示。

具体校准方法如下：

1）根据实际污水处理厂二沉池的设计结构和具体参数，构建二沉池二维流场和颗粒分布场；

2）采用混合逻辑动态（MLD）模型描述二沉池中污泥浓缩状态、水力状态以及悬浮颗粒浓度；

3）确定逻辑规则和操作约束，建立不等式方程组；

4）根据分支定界法，针对各个不等式方程设置目标函数值（处理容量和出水水质），将每个逻辑不等式方程看作若干个子问题，这些子问题的解集合的并集包含原问题的所有可行解，然后对每个子问题求最优解。其中包括子函数（平均出水悬浮颗粒浓度ESS，污泥浓缩性，水力状态等），即将约束条件分解为若干子问题，此时，各个子问题的解集合包含所有可行解，从中选择最优解。

（4）过程神经网络结合约束满足规则对各反应池模型耦合误差及未建模流程误差补偿

系统模型由描述生化反应的ASM2d模型和描述颗粒物沉降的多维动态模型组成，这两个模型间通过各组分间的相互转换关系而存在耦合。转化因子是与时间相关量，在此，采用过程神经网络将各组分作为输入，来确定其各自转化因子，从而减少耦合误差。另外除厌氧池-缺氧池-好氧池以及二沉池之外，还存在其他流程，如内回流、污泥回流等环节，对于这些未建模的环节所存在误差，也可通过过程神经网络来进行误差补偿。

第一步：确定模型变量

根据A²O处理工艺中除反应池和二沉池之外的流程，确定网络变量为内回流比，污泥回流比等。

第二步：确定神经网络结构

采用多输入神经单输出网络结构。为减少计算量及网络结构清晰，采用单隐层结构。为尽可能避免训练时出现“过拟合”现象，保证足够高的网络性能和泛化能力，确定隐层节点数为15个。

第三步：由于组分变量较多，从而神经网络的学习搜索空间维数增大，为减少搜索空间，提高误差补偿效率，在此利用各组分之间的约束关系进行建立约束满足条件，在此基础上进行过程神经网络学习可减少计算复杂度和时间复杂度。如图2中的（4）部分所示。

（5）构建污水处理系统软测量模型的模拟仿真平台

模拟仿真平台的仿真过程如3图所示。具体包括:

①建立仿真工艺。根据工艺运行情况进行反应池建模与二沉池建模，并确定流量关系。

②数据输入。确定模型参数初始值与进水模型组分数据，确定各反应池体积与流量大小。

③初步模拟分析。用稳态数据进行污水厂模拟分析，根据各反应过程及组分之间的参数约束关系进行约束规划，从而建立各池的出水浓度方程，获得稳态模拟结果。

④连续动态模拟分析。基于约束规划对动态出水浓度方程组进行非线性规划求解，得到动态模拟结果。

⑤模型校正。若与实际值误差较大，则先基于进化规划对参数进行校正，同时对二沉池模型参数进行校准。

⑥参数校正。若计算时间较长，则基于约束满足规则的过程神经网络学习优化转换因子，进行误差补偿，减少计算时间。

下表为通过软测量方法所测动态模拟结果与实际测量值的数据对照表

由上表中可以看出通过对A²O城市污水处理工艺的进行软测量建模，其软测量值接近于实际测量值，二者相对误差较小。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，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之内。

Claims (4)

1.一种基于约束理论的A²O城市污水处理工艺的软测量建模方法，其特征在于，所述方法包括以下步骤：

步骤一，根据城市污水的A²O处理工艺建立ASM2d反应模型和二沉池模型；

步骤二，确定各池模型参数初始值与进水组分数据，并确定各池体积与流量大小；

步骤三，用稳态数据对A²O工艺的城市污水进行污水稳态模拟，根据各反应过程及组分之间的参数约束关系进行约束规划，建立各池的出水浓度方程，通过求解各池的出水水质浓度方程组，获得稳态模拟结果；

步骤四，对各反应池的出水水质参数浓度方程进行时间积分，建立与进行时间有关的各池动态出水浓度方程组，基于约束规划对动态出水浓度方程组进行非线性规划求解，得到动态模拟结果；

步骤五，将所得动态模拟结果与实际出水结果进行比较，根据比较结果对各池的模型进行参数调整和模型校正，直至动态模拟结果与实际出水结果数据一致，并输出动态结果；

所述步骤五中所得比较结果的误差较大时，则先基于进化规划对各反应池的ASM2d模型参数进行校正，同时对二沉池模型参数进行校准；

所述的二沉池模型为基于逻辑规则方法构建的二沉池多维动态混杂模型，其利用分支界定法来实现二沉池多维动态混杂模型的校准，其具体校准方法如下：

(1)根据实际污水处理厂二沉池的设计结构和具体参数，构建二沉池二维流场和颗粒分布场；

(2)采用混合逻辑动态(MLD)模型描述二沉池中污泥浓缩状态、水力状态以及悬浮颗粒浓度；

(3)确定逻辑规则和操作约束条件，建立不等式方程组；

(4)根据分支定界法，针对所建立的各个不等式方程设置目标函数值，求得各个不等式方程所有可行解的解集合，从中选择最优解。

2.根据权利要求1所述的基于约束理论的A²O城市污水处理工艺的软测量建模方法，其特征在于，所述步骤四中动态模拟结果计算时间较长时，利用过程神经网络及约束满足规则补偿ASM2d模型及二沉池模型间的耦合误差及未建模流程的误差。

3.根据权利要求2所述的基于约束理论的A²O城市污水处理工艺的软测量建模方法，其特征在于，所述的利用过程神经网络及约束满足规则补偿ASM2d模型及二沉池模型间的耦合误差，其具体方法包括：

(1)根据过程神经网络中过程神经元具时间效应的累积算子，使聚合运算可同时表达输入信号的空间聚合和时间积累，并对模型中的参数进行训练学习；

(2)根据约束满足规则，解决参数间相互的影响作用，使得最终误差结果最小。

4.根据权利要求2所述的基于约束理论的A²O城市污水处理工艺的软测量建模方法，其特征在于，所述的ASM2d模型与二沉池模型之间的未建模流程为污泥回流过程，通过采用过程神经网络对污泥回流过程中的污泥回流比参数进行训练学习，并根据约束满足规则，使得污泥回流比中各参数的相互影响最小。