CN105573115A - 基于量子遗传算法的污水处理过程节能优化控制方法 - Google Patents

Abstract

本发明属于环保技术领域与控制领域，具体涉及一种基于量子遗传算法的污水处理过程节能优化控制方法，该方法综合考虑出水水质、曝气和泵送能耗及污泥废物处理费用，将量子的态矢量表达引入遗传编码来表示染色体，利用量子门作用和更新来完成进化搜索，用以优化污水处理系统的污泥废物处理、回流与曝气能耗等运行费用，由模糊神经网络控制器根据优化后的设定值实时调节鼓风机曝气量和污泥泵回流量，以实现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

基于量子遗传算法的污水处理过程节能优化控制方法

技术领域

本发明涉及环保控制领域，更具体地，涉及一种基于量子遗传算法的污水处理过程节能优化控制方法。其综合考虑出水水质、曝气和泵送能耗及污泥废物处理费用，动态优化污水处理系统的污泥废物处理、回流与曝气能耗等运行费用，并由模糊神经网络控制器实时调节鼓风机曝气量和污泥泵回流量，以实现污水处理过程的优化控制。

背景技术

随着经济社会的飞速发展，水污染日益严重，已经威胁到了所有生物的生存，研究并推广高效、稳定、经济的污水处理新技术已引起世界各国的高度重视。

然而，污水处理系统是一门涉及化学、物理、生物等多门学科的综合性技术，处理过程中流量、组分和浓度都在不断地变化，环境条件和系统本身的特性也在不断地变化，影响着处理系统中物质传递、迁移和转化过程的平衡。在污水处理系统中，DO(溶解氧)浓度和MLSS(微生物)浓度是影响污水处理系统稳定性的重要参数。溶解氧过高会加速消耗污水中的有机物，使微生物因缺乏营养而引起活性污泥的老化，长期过高的溶解氧会降低活性污泥的絮凝性能和吸附能力，增加能耗，导致悬浮固体沉降性变差，出水水质变差；溶解氧的水平过低，使污泥活性降低，会抑制生物对有机物的降解，产生污泥膨胀，为此实现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，微生物溶度的高低直接影响到污水处理系统的稳定，微生物溶度不足，有机物得不到有效的降解，出水负荷偏高；微生物溶度过高，污泥龄过长，产生污泥膨胀活污泥矿化，进而关系到出水的水质。

因此根据进水水质水量的变化动态优化DO浓度和污泥浓度的设定值，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，也是目前亟待解决的问题。精准的控制技术不仅可以节省污水处理运行费用，同时也是提高污水处理系统性能、保障污水处理过程高效、稳定运行的关键。此外，通过提高污水处理过程自动化水平，还可以有效地提高污水处理厂运行管理水平，实现污水处理厂的节能运行。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷(不足)，首先提供一种基于量子遗传算法的污水处理过程节能优化控制方法，该方法综合考虑出水水质、曝气和泵送能耗及污泥废物处理费用，将量子的态矢量表达引入遗传编码来表示染色体，利用量子门作用和更新来完成进化搜索，用以优化污水处理系统的污泥废物处理、回流与曝气能耗等运行费用，由模糊神经网络控制器根据优化后的设定值实时调节鼓风机曝气量和污泥泵回流量，以实现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。

为解决上述技术问题，本发明的技术方案如下：

一种基于量子遗传算法的污水处理过程节能优化控制方法，包括下述步骤：

(1)构建用于基于量子遗传算法的污水处理过程节能优化控制方法的目标函数模型：

(11)基于污水处理系统传统数学模型(ASM)，采用有限元分析理论和灵敏度分析法对模型进行降维分析，使系统模型简化：

其中和分别为曝气池中底物浓度和微生物浓度的变化速率，mg/(L.d)；k和K_d分别为底物最大比利用速率常数和微生物的衰减速率，一般取1.5和0.5d^-1；K_s为饱和常数，取0.046Kg/m³；K_o为氧的开关常数或称氧的饱和常数，一般取0.0002Kg/m³；Y为微生物产率系数，取0.58kg(MLSS)/kg(BOD)；

(12)综合考虑运行费用和出水水质两个方面，构造优化目标函数：

其中，T表示运行周期，取10天，反应池的曝气费用，

其中A_f为在溶解氧浓度为DO_f时转移单位质量氧所需费用，取0.9元/kg(O₂)，DO_f取1.5mg/L，O_S为饱和溶解氧浓度，取8.5mg/L，曝气池的体积V＝2500m³；W_SR为回流污泥费用，B为单位污泥回流量所需费用，取0.045元/m³，X_r为回流污泥中的微生物量，取6.0kg(MLSS)/m³，Q_w为污泥废物排放量；W_ST为污泥废物处理费，C为单位污泥废物处理所需费用，取1.2元/kg(MLSS)；

(13)目标函数模型约束条件：目标函数约束即污水处理系统传统数学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＜DO＜O_s，Q_w＞0，P_s-P(T)≥0,P_s为允许排放的有机物总量，P(T)就表示每个周期排放的有机物总量；

(2)优化控制算法的实现，采用量子遗传算法，将量子的态矢量表达引入遗传编码来表示染色体，以实现目标函数优化，得到两个模糊神经网络控制回路的溶解氧和污泥溶度的设定值最优解；

量子遗传算法以量子计算中的一些概念和理论为基础，将量子的态矢量表达引入遗传编码来表示染色体，利用量子逻辑门实现染色体的演化，并可将量子比特的几率幅度表示应用于染色体的编码，使得一条染色体可以表达多个态的叠加，利用量子门作用和更新来完成进化搜索，从而实现了目标的优化求解；

①量子比特编码

用遗传算法中的二进制编码，对污水处理优化目标函数模型进行量子编码；量子遗传算法用一个或多个量子比特存储和表达一个基因，再由这些个量子比特表达的基因构成一条染色体；一条采用多量子比特编码m参数的染色体q表示为

其中，表示第t′代，第j个体的染色体；()表示第t′代，第j个体的染色体的量子比特编码，1≤i≤m，1≤l≤k，k表示编码每一个基因的量子比特数；m表示染色体的基因个数；

这里将种群各个个体的量子比特编码(α,β)都初始化为()，即这个染色体所表达的全部可能状态是等概率的；

②量子门更新

量子计算中通过选择量子旋转门作用于量子的叠加态，使其发生相互干涉，产生相位改变，从而改变其各基态所对应的概率幅，实现染色体的更新进化；量子旋转门的调整操作为：

其更新过程如下：

其中，(α_i,β_i)^T和(α′_i,β′_i)^T代表染色体第i个量子比特旋转门更新前后的概率幅；θ_i为旋转角，它的大小和符合由事先设计的调整策略确定；

由上式得出α'_i和β'_i分别为：

所以|α′_i|²+|β′_i|²＝[α_icos(θ_i)-β_isin(θ_i)]²+[α_isin(θ_i)+β_icos(θ_i)]²＝|α_i|²+|β_i|²＝1可知变换之后|α′_i|²+|β′_i|²的值仍为1；

③量子遗传算法具体步骤为：

步骤1：初始化种群Q(t₀)，随机生成n个以量子比特为编码的染色体；

步骤2：对初始种群中Q(t₀)的每个个体进行一次测量，得到对应的确定量P(t₀)；

步骤3：对各确定解进行适应度评估；

步骤4：记录最优个体和对应的适应度；

步骤5：判断计算过程是否可以结束，若满足结束条件则退出，否则继续计算；

步骤6：对种群中的每个个体实施一次测量，得到相应的确定解；

步骤7：对各确定解进行适应度评估；

步骤8：利用量子旋转门对个体实施调整，得到新的种群Q(t+1)；

步骤9：记录最优个体和对应的适应度；

步骤10：将迭代次数t加1，返回步骤5。

算法步骤1是初始化种群Q(t₀)，种群中全部染色体的所有基因()都被初始化为()，这意味着一个染色体所表达的是其全部可能状态的等概率叠加：

其中，S为该染色体的第k种状态，表现形式为一长度m的二进制(x₁,x₂,…,x_m)，其中xi的值为0或者1。

算法步骤2是对初始种群中的个体进行一次测量，以获得一组确定的解其中，为第t′代种群中第j个解(第j个个体的测定值)，表现形式为长度为m的二进制串，其中每一位为0或1，是根据量子比特的概率(或，i＝1，2…，m)选择得到的。测量过程中为，随机产生一个[0，1]区间的数，若它大于概率幅的平方，则测量结果取值1，否则取值0。然后，对这一组解进行适应度评估，记录下最佳适应度个体作为下一步演化的目标值。

随后，算法进入循环迭代阶段，随着迭代的进行，种群的解逐渐向最优解收敛。在每一次迭代中，首选对种群进行测量，以获得一组确定解P(t)，然后计算每个解的适应度值，再根据当前的演化目标和事先确定的调整策略，利用量子旋转门对种群中的个体进行调整，获得更新后的种群，记录下当前的最优解，并与当前的目标值进行比较，如果大于当然目标值，则以新的最优解作为下一次迭代的目标值，否则保持当然的目标值不变。

(3)模糊神经网络控制器实现对优化算法得到的溶解氧和污泥量的跟踪控制；

①曝气池溶解氧浓度模糊神经网络控制器构建；

根据优化控制算法得到的溶解氧浓度优化值传递给模糊神经网络控制器，用以准确调节反应池的曝气量Q_air；

控制器的输入量分别是溶解氧的变化量与溶解氧的变化率，输入参数的模糊子集都是：{NB，NM，NS，ZO，PB，NM，PS}；隶属度函数为钟形函数；控制器获得49条规则，其表达式为：

其中，DO_O为实际处理过程中的溶解氧浓度采样值，W_C，W_E和W_Ec是模糊神经网络控制器的后件参数，T为运行周期；

②污泥回流量模糊神经网络控制器构建；

根据优化控制算法得到的污泥浓度优化值MLSS_s传递给模糊神经网络控制器，用以准确调节污水处理系统的污泥回流量Q_r；

控制器的输入量分别是反应池污泥溶度的变化量与污泥溶度的变化率，输入参数的模糊子集都是：{NB、NS、ZO、PB、PS}；隶属度函数为高斯函数；控制器获得25条规则，其表达式为：

其中，MLSS_O为实际处理过程中的污泥浓度采样值，W_MC，W_ME和W_MEc是污泥回流量模糊神经网络控制器的后件参数；

(4)搭建优化控制系统，采用分布式层状控制策略，顶层为目标模型优化系统、底层为反馈控制层；

优化控制系统包含量子遗传算法优化、模糊神经网络曝气控制器、模糊神经网络污泥回流量控制器、控制界面和数据库存储五个部分；控制界面采用MCGS组态软件构建，包括监控窗口、设备窗口、运行控制策略、用户窗口和实时数据库；顶层采用基于量子态的遗传优化算法，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；底层是两个模糊神经网络控制器，第一个是通过控制器调节反应池中的曝气量，第二个是通过控制器调节污泥回流量Q_r控制反应池中的污泥溶度；采用优化控制策略动态调整两个控制回路的设定值——溶解氧设定值和污泥溶度设定值，可以有效的降低运行费用；

(5)再重复步骤(1-4)的步骤，依此循环进行，从而实现实现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；

本发明的方法还包括下述步骤：借助传送控制协议/互联网协议和串行数据接口标准，通过计算机和双向通信，对上述数据进行实时控制；再经过上述优化策略后，对污水处理系统的效率进行比较分析，并通过组态软件的监控窗口显示，从而系统能及时、准确的调节污水处理系统的曝气量和污泥回流量，促进污水处理厂高效稳定运行。

本发明相对于现有技术具有如下优点和有益效果：

(1)本发明采用新型量子遗传优化算法，可动态优化优化由有限元分析理论获得的污水处理系统数学模型，以实现污水处理过程的优化控制，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)本发明采用将量子的态矢量表达引入遗传编码来表示染色体，利用量子门作用和更新来完成进化搜索，该调整方法解决了遗传算法过早陷入局部最优的问题。

(3)本发明的底层控制器采用模糊控制与神经网络相结合成的模糊神经网络系统，可准确、快速地实现对曝气量和污泥回流量的控制，使得污水处理系统高效、稳定、经济的运行。

附图说明

图1是本发明的活性污泥污水处理基准仿真模型结构图；

图2是智量子遗传优化算法的程序流程图；

图3是底层模糊神经网络控制模型结构图；

图4是本发明的优化控制系统结构图；

图5是本发明溶解氧浓度的优化控制曲线图；

图6是本发明污泥浓度的优化控制曲线图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本发明的技术方案做进一步的说明。

本发明获得一种基于量子遗传算法的污水处理过程节能优化控制方法，该控制方法通过综合考虑出水水质、曝气和泵送能耗及污泥废物处理费用，动态优化控制底层模糊神经网络控制器的污泥浓度和的DO浓度设定值，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的目的。

一种基于量子遗传算法的污水处理过程节能优化控制方法，包括以下步骤：

(1)构建用于基于量子遗传算法的污水处理过程节能优化控制方法的目标函数模型：

①基于污水处理系统传统数学模型(ASM)，采用有限元分析理论和灵敏度分析法对模型进行降维分析，使系统模型简化，建立图1所示的活性污泥污水处理基准仿真模型，其参数由灵敏度分析确定：

其中和分别为曝气池中底物浓度和微生物浓度的变化速率，mg/(L.d)；k和K_d分别为底物最大比利用速率常数和微生物的衰减速率，一般取1.5和0.5d^-1；K_s为饱和常数，取0.046Kg/m³；K_o为氧的开关常数或称氧的饱和常数，一般取0.0002Kg/m³；

②综合考虑运行费用和出水水质两个方面，构造优化目标函数：

其中，T表示运行周期，取10天，反应池的曝气费用，，A_f为在溶解氧浓度为DO_f时转移单位质量氧所需费用，取0.9元/kg(O₂)，DO_f取1.5mg/L，O_S为饱和溶解氧浓度，取8.5mg/L,曝气池的体积V＝2500m³；W_SR为回流污泥费用，B为单位污泥回流量所需费用，取0.045元/m³，X_r为回流污泥中的微生物量，取6.0kg(MLSS)/m³，Q_w为污泥废物排放量；W_ST为污泥废物处理费，C为单位污泥废物处理所需费用，取1.2元/kg(MLSS)；

③目标函数模型约束条件：目标函数约束即污水处理系统传统数学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＜DO＜O_s，Q_w＞0，P_s-P(T)≥0,P_s为允许排放的有机物总量，P(T)就表示每个周期排放的有机物总量；

(2)优化控制算法的实现，采用量子遗传算法，将量子的态矢量表达引入遗传编码来表示染色体，以实现目标函数优化，量子遗传算法采用二进制编码方式，编码长度为20。初始群体规模为40，初始变异率为0.1，结束条件是达到给定的最大迭代次数，最大迭代次数为200。Q₀为4.5×10⁴m³/d，进水BOD的平均值为50mg/L，微生物质量浓度的初始Xo为3000mg/L。图2给出了优化算法的程序流程图。

量子遗传算法以量子计算中的一些概念和理论为基础，将量子的态矢量表达引入遗传编码来表示染色体，利用量子逻辑门实现染色体的演化，并可将量子比特的几率幅度表示应用于染色体的编码，使得一条染色体可以表达多个态的叠加，利用量子门作用和更新来完成进化搜索，从而实现了目标的优化求解；

①量子比特编码

采用遗传算法中的二进制编码，对污水处理优化目标函数模型进行量子编码；量子遗传算法用一个或多个量子比特存储和表达一个基因，再由这些个量子比特表达的基因构成一条染色体；一条采用多量子比特编码m参数的染色体q表示为

其中，表示第t′代，第j个体的染色体；()表示第t′代，第j个体的染色体的量子比特编码，1≤i≤m，1≤l≤k，k表示编码每一个基因的量子比特数；m表示染色体的基因个数；

这里将种群各个个体的量子比特编码(α,β)都初始化为()，即这个染色体所表达的全部可能状态是等概率的；

②量子门更新

量子计算中通过选择量子旋转门作用于量子的叠加态，使其发生相互干涉，产生相位改变，从而改变其各基态所对应的概率幅，实现染色体的更新进化；量子旋转门的调整操作为：

其更新过程如下：

其中，(α_i,β_i)^T和(α′_i,β′_i)^T代表染色体第i个量子比特旋转门更新前后的概率幅；θ_i为旋转角，它的大小和符合由事先设计的调整策略确定；

由上式得出α'_i和β'_i分别为：

所以可知变换之后|α′_i|²+|β′_i|²的值仍为1；

这里使用一种通用的、与问题无关的调整策略，如表1所列。

表1旋转角选择策略

其中，x_i为当前染色体的第i位；best_i为当前的最优染色体的第i位；f(x)为适应度函数；s(α_i,β_i)为旋转角方向；Δθ_i为旋转角度大小。

③量子遗传算法具体步骤为：

步骤1初始化种群Q(t₀)，随机生成n个以量子比特为编码的染色体；

步骤2对初始种群中Q(t₀)的每个个体进行一次测量，得到对应的确定量P(t₀)；

步骤3对各确定解进行适应度评估；

步骤4记录最优个体和对应的适应度；

步骤5判断计算过程是否可以结束，若满足结束条件则退出，否则继续计算；

步骤6对种群中的每个个体实施一次测量，得到相应的确定解；

步骤7对各确定解进行适应度评估；

步骤8利用量子旋转门对个体实施调整，得到新的种群Q(t+1)；

步骤9记录最优个体和对应的适应度；

步骤10将迭代次数t加1，返回步骤5。

算法步骤1是初始化种群Q(t₀)，种群中全部染色体的所有基因()都被初始化为()，这意味着一个染色体所表达的是其全部可能状态的等概率叠加：

其中，S为该染色体的第k种状态，表现形式为一长度m的二进制(x₁,x₂,…,x_m)，其中xi的值为0或者1。

算法步骤2是对初始种群中的个体进行一次测量，以获得一组确定的解其中，为第t′代种群中第j个解(第j个个体的测定值)，表现形式为长度为m的二进制串，其中每一位为0或1，是根据量子比特的概率(或，i＝1，2…，m)选择得到的。测量过程中为，随机产生一个[0，1]区间的数，若它大于概率幅的平方，则测量结果取值1，否则取值0。然后，对这一组解进行适应度评估，记录下最佳适应度个体作为下一步演化的目标值。

随后，算法进入循环迭代阶段，随着迭代的进行，种群的解逐渐向最优解收敛。在每一次迭代中，首选对种群进行测量，以获得一组确定解P(t)，然后计算每个解的适应度值，再根据当前的演化目标和事先确定的调整策略，利用量子旋转门对种群中的个体进行调整，获得更新后的种群，记录下当前的最优解，并与当前的目标值进行比较，如果大于当然目标值，则以新的最优解作为下一次迭代的目标值，否则保持当然的目标值不变。

(3)模糊神经网络控制器实现对优化算法得到的溶解氧和污泥量的跟踪控制。图3给出模糊神经网络控制器的结构图。

①曝气池溶解氧浓度模糊神经网络控制器构建；

根据优化控制算法得到的溶解氧浓度优化值传递给模糊神经网络控制器，用以准确调节反应池的曝气量Q_air；

控制器的输入量分别是溶解氧的变化量与溶解氧的变化率，输入参数的模糊子集都是：{NB，NM，NS，ZO，PB，NM，PS}；隶属度函数为钟形函数；控制器获得49条规则，其表达式为：

其中，DO_O为实际处理过程中的溶解氧浓度采样值，W_C，W_E和W_Ec是模糊神经网络控制器的后件参数，T为运行周期；

②污泥回流量模糊神经网络控制器构建；

根据优化控制算法得到的污泥浓度优化值MLSS_s传递给模糊神经网络控制器，用以准确调节污水处理系统的污泥回流量Q_r；

控制器的输入量分别是反应池污泥溶度的变化量与污泥溶度的变化率，输入参数的模糊子集都是：{NB、NS、ZO、PB、PS}；隶属度函数为高斯函数；控制器获得25条规则，其表达式为：

其中，MLSS_O为实际处理过程中的污泥浓度采样值，W_MC，W_ME和W_MEc是污泥回流量模糊神经网络控制器的后件参数；

(4)搭建优化控制系统，如图4，采用分布式层状控制策略，顶层为目标模型优化系统、底层为反馈控制层；

优化控制系统包含量子遗传算法优化、模糊神经网络曝气控制器、模糊神经网络污泥回流量控制器、控制界面和数据库存储五个部分；控制界面采用MCGS组态软件构建，包括监控窗口、设备窗口、运行控制策略、用户窗口和实时数据库；顶层采用基于量子态的遗传优化算法，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；底层是两个模糊神经网络控制器，第一个是通过控制器调节反应池中的曝气量，第二个是通过控制器调节污泥回流量Q_r控制反应池中的污泥溶度；采用优化控制策略动态调整两个控制回路的设定值——DO设定值和污泥溶度设定值，可以有效的降低运行费用；

(5)再重复步骤(1)-(4)的步骤，依此循环进行，从而实现实现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；

该方法还包括下述步骤：借助传送控制协议/互联网协议和串行数据接口标准，通过计算机和双向通信，对上述数据进行实时控制；再经过上述优化策略后，对污水处理系统的效率进行比较分析，并通过组态软件的监控窗口显示，从而系统能及时、准确的调节污水处理系统的曝气量和污泥回流量，促进污水处理厂高效稳定运行。

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，动态优化底层模糊神经网络控制器的污泥浓度和溶解氧浓度的设定值，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，十字虚线为跟踪控制效果；图5为污泥浓度的优化控制曲线，实线为优化设定值，十字虚线为跟踪控制效果；从图4和5中可以看出，模糊神经网络方法能够实现对溶解氧浓度和污泥污泥的快速、准确控制。

对污水处理系统的精确优化控制可以实现在保证污水处理系统稳定运行的基础上，节约能耗，如表2和3所示，通过比较开环控制、PI控制和本发明优化控制三种控制策略的运行费用和出水水质。开环控制，即保持内污泥流量和曝气量不变；PI控制，使DO＝2mg/L，MLSS＝3000mg/L；优化控制即采用本文的动态优化策略计算DO和MLSS。通过计算分析，本发明优化控制与开环控制和PI控制的运行费用都低，优化控制与开环控制相比运行费用降低10.16％，比PI控制降低6.61％，但出水水质达到了国家排放标准，见表3。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2三种控制策略的运行费用比较

控制策略	运行费用(元/d)
		开环控制	29571.26
PI控制	28446.8310 -->
		本发明优化控制	26567.51

表3出水水质浓度

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (7)

1.一种基于量子遗传算法的污水处理过程节能优化控制方法，其特征在于，包括下述步骤：

(1)构建用于基于量子遗传算法的污水处理过程节能优化控制方法的目标函数模型：

(2)采用量子遗传算法，将量子的态矢量表达引入遗传编码来表示染色体，以实现目标函数模型的优化，得到两个模糊神经网络控制回路的溶解氧和污泥溶度的设定值最优解；

(3)采用模糊神经网络控制器实现对量子遗传优化算法得到的溶解氧和污泥量设定值的跟踪控制；

(4)搭建优化控制系统，采用分布式层状控制策略，顶层为目标函数模型优化系统、底层为反馈控制层；其中顶层采用基于量子态的遗传优化控制算法，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；底层是两个模糊神经网络控制器，第一个是通过控制器调节反应池中的曝气量，第二个是通过控制器调节污泥回流量Q_r控制反应池中的污泥溶度；采用优化控制策略动态调整两个控制回路的设定值：DO设定值和污泥溶度设定值；

(5)再重复步骤(1)-(4)的步骤，依此循环进行，实现污水处理过程的优化控制。

2.根据权利要求1所述的基于量子遗传算法的污水处理过程节能优化控制方法，得到两个模糊神经网络控制回路的溶解氧和污泥量的设定值最优解，其特征在于，所述步骤的(1)构建目标函数模型的具体过程为：

(11)基于污水处理系统传统数学模型，采用有限元分析理论和灵敏度分析法对模型进行降维分析，使系统模型简化：

其中X为曝气池中微生物浓度，S为曝气池中底物浓度，和分别为曝气池中底物浓度和微生物浓度的变化速率；k和K_d分别为底物最大比利用速率常数和微生物的衰减速率；K_s为饱和常数；K_O为氧的开关常数或称氧的饱和常数；DO为溶解氧浓度；Q_w为污泥废物排放量，Q为进水流量，V为曝气池的体积，S_O为进水底物浓度，Y为微生物产率系数；

(12)综合考虑运行费用和出水水质两个方面，构造优化目标函数：

其中，T表示运行周期，W_aeration为反应池的曝气费用，W_SR为回流污泥费用，W_ST为污泥废物处理费；

(13)目标函数模型约束条件：输出约束是出水水质约束，执行器约束包括：操作变量0＜DO＜O_s，Q_w＞0，P_s-P(T)≥0，P_s为允许排放的有机物总量，P(T)就表示每个周期排放的有机物总量。

3.根据权利要求2所述的基于量子遗传算法的污水处理过程节能优化控制方法，其特征在于，所述

A_f为在溶解氧浓度为DO_f时转移单位质量氧所需费用，O_S为饱和溶解氧浓度，T为运行周期，t为采样时间，

B为单位污泥回流量所需费用，X_r为回流污泥中的微生物量；

C为单位污泥废物处理所需费用。

4.根据权利要求3所述的基于量子遗传算法的污水处理过程节能优化控制方法，其特征在于，所述步骤(2)优化目标函数模型，是将量子的态矢量表达引入遗传编码来表示染色体，利用量子逻辑门实现染色体的演化，并可将量子比特的几率幅度表示应用于染色体的编码，使得一条染色体能够表达多个态的叠加，利用量子门作用和更新来完成进化搜索，从而实现了目标的优化求解，得到两个模糊神经网络控制回路的溶解氧和污泥溶度的设定值最优解，具体过程为：

(21)量子比特编码

采用遗传算法中的二进制编码，对污水处理优化目标函数模型进行量子编码；量子遗传算法用一个或多个量子比特存储和表达一个基因，再由这些个量子比特表达的基因构成一条染色体；一条采用多量子比特编码m参数的染色体q表示为

其中，表示第t′代，第j个体的染色体；表示第t′代，第j个体的染色体的量子比特编码，1≤i≤m，1≤l≤k，k表示编码每一个基因的量子比特数；m表示染色体的基因个数；

这里将种群各个个体的量子比特编码(α,β)都初始化为即这个染色体所表达的全部可能状态是等概率的；

(22)量子旋转门

量子计算中通过选择量子旋转门作用于量子的叠加态，使其发生相互干涉，产生相位改变，从而改变其各基态所对应的概率幅，实现染色体的更新进化；量子旋转门的调整操作为：

其更新过程如下：

其中，(α_i,β_i)^T和(α′_i,β′_i)^T代表染色体第i个量子比特旋转门更新前后的概率幅；θ_i为旋转角，它的大小和符合由事先设计的调整策略确定；

由上式得出α'_i和β'_i分别为：

所以|α′_i|²+|β′_i|²＝[α_icos(θ_i)-β_isin(θ_i)]²+[α_isin(θ_i)+β_icos(θ_i)]²＝|α_i|²+|β_i|²＝1可知变换之后|α′_i|²+|β′_i|²的值仍为1；

(23)量子遗传算法的步骤为：

步骤2301：初始化种群Q(t₀)，随机生成n个以量子比特为编码的染色体；

步骤2302：对初始种群中Q(t₀)的每个个体进行一次测量，得到对应的确定量P(t₀)；

步骤2303：对各确定量进行适应度评估；

步骤2304：记录最优个体和对应的适应度；

步骤2305：判断计算过程是否可以结束，若满足结束条件则退出，否则继续计算；

步骤2306：对种群中的每个个体实施一次测量，得到相应的确定解；

步骤2307：对各确定解进行适应度评估；

步骤2308：利用量子旋转门对个体实施调整，得到新的种群Q(t+1)；

步骤2309：记录最优个体和对应的适应度；

步骤2310：将迭代次数t加1，返回步骤2305。

5.根据权利要求4所述的基于量子遗传算法的污水处理过程节能优化控制方法，其特征在于，上述步骤2301是初始化种群Q(t₀)，种群中全部染色体的所有基因都被初始化为即一个染色体所表达的是其全部可能状态的等概率叠加：

其中，S为该染色体的第k种状态，表现形式为一长度m的二进制(x₁,x₂,...,x_m)，其中x_i的值为0或者1；

步骤2302是对初始种群中的个体进行一次测量，以获得一组确定的解其中，为第t′代种群中第j个解，表现形式为长度为m的二进制串，其中每一位为0或1，是根据量子比特的概率选择得到的；测量过程中为，随机产生一个[0，1]区间的数，若它大于概率幅的平方，则测量结果取值1，否则取值0；然后，对这一组解进行适应度评估，记录下最佳适应度个体作为下一步演化的目标值；

随后，进入循环迭代阶段，随着迭代的进行，种群的解逐渐向最优解收敛；在每一次迭代中，首选对种群进行测量，以获得一组确定解P(t′)，然后计算每个解的适应度值，再根据当前的演化目标和事先确定的调整策略，利用量子旋转门对种群中的个体进行调整，获得更新后的种群，记录下当前的最优解，并与当前的目标值进行比较，如果大于当然目标值，则以新的最优解作为下一次迭代的目标值，否则保持当然的目标值不变。

6.根据权利要求5所述的基于量子遗传算法的污水处理过程节能优化控制方法，其特征在于，所述步骤(3)采用模糊神经网络控制器实现对量子遗传优化算法得到的溶解氧设定值DO_s和污泥溶度设定值MLSS_s的跟踪控制；其具体过程为：

(31)曝气池溶解氧浓度模糊神经网络控制器构建；

根据优化控制算法得到的溶解氧浓度优化值传递给模糊神经网络控制器，用以准确调节反应池的曝气量Q_air；

控制器的输入量分别是溶解氧的变化量与溶解氧的变化率，输入参数的模糊子集都是：{NB，NM，NS，ZO，PB，NM，PS}；隶属度函数为钟形函数；控制器获得49条规则，其表达式为：

其中，DO_O为实际处理过程中的溶解氧浓度采样值，W_C，W_E和W_Ec是模糊神经网络控制器的后件参数，T为运行周期；

(32)污泥回流量模糊神经网络控制器构建；

根据优化控制算法得到的污泥浓度优化值MLSS_s传递给模糊神经网络控制器，用以准确调节污水处理系统的污泥回流量Q_r；

控制器的输入量分别是反应池污泥溶度的变化量与污泥溶度的变化率，输入参数的模糊子集都是：{NB、NS、ZO、PB、PS}；隶属度函数为高斯函数；控制器获得25条规则，其表达式为：

其中，MLSS_O为实际处理过程中的污泥浓度采样值，W_MC，W_ME和W_MEc是污泥回流量模糊神经网络控制器的后件参数。

7.根据权利要求1所述的基于量子遗传算法的污水处理过程节能优化控制方法，其特征在于，该方法还包括下述步骤：借助传送控制协议/互联网协议和串行数据接口标准，通过计算机和双向通信，对上述数据进行实时控制；再经过上述优化策略后，对污水处理系统的效率进行比较分析，并通过组态软件的监控窗口显示，从而系统能及时、准确的调节污水处理系统的曝气量和污泥回流量，促进污水处理厂高效稳定运行。