CN105843036A - 一种基于神经网络的污水处理过程控制方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的污水处理过程控制方法，属于水处理和智能信息控制领域。本方法主要包括两个部分：PID控制部分与神经网络自适应调整参数部分。该方法能够根据环境状态实时对PID参数进行修正，实现对目标的稳定控制。其一，利用神经网络对PID控制器参数进行实时的修正，使控制器能够根据实际环境的变化自适应的进行调整；其二，利用智能PID控制器对污水处理过程进行稳定控制，使出水水质满足排放标准。以上两部分构成的基于神经网络的污水处理PID智能控制系统，属于本发明的保护范围。本发明克服了PID控制自适应差、自学习能力差的缺点。

Description

一种基于神经网络的污水处理过程控制方法

技术领域

本发明针对污水处理过程难以控制的问题，在BSM1中利用神经网络与PID控制方法相结合，对污水处理过程中溶解氧浓度进行控制。神经网络是智能信息处理技术的主要分支之一，基于神经网络的污水处理PID控制技术不但属于水处理领域，还属于智能信息控制领域。

背景技术

随着当今社会城市化和工业化不断的快速发展，我国水环境已受到严重破坏。污水排放不仅严重影响居民的日常生活，而且破坏了大自然的生态平衡。为了降低污水的排放量，实现水的循环利用，全国各地纷纷建立了污水处理厂，然而目前污水处理厂采用的控制方法较为落后，从而造成污水处理厂运行成本居高不下，研究污水处理过程控制方法对污水处理厂运营意义重大，是未来提高污水处理效果必然的发展趋势。因此，本发明的研究成果具有广阔的应用前景。

在污水处理过程中，主要的控制变量是第五分区的溶解氧浓度，溶解氧浓度的高低影响硝化过程和反硝化过程的进行，硝化和反硝化过程的进行对污水排放能否达标有着至关重要的影响。因此，对溶解氧的浓度的稳定控制对于出水水质的达标，以及污水处理厂的稳定运行是非常有必要的。

PID控制作为一种结构简单，易于实现的控制方法，虽然被广泛的应用到了各工业领域中，但是由于污水处理过程是一个具有高度非线性、大滞后、大时变、多变量耦合等特点的复杂系统，将传统的PID控制方法应用到此类复杂系统中，易出现鲁棒性差，控制精度低以及参数无法在线实时调整的问题，从而导致控制效果不理想。

神经网络因其良好的学习能力、信息处理能力和自适应特性，能对非线性系统进行高精度逼近。本发明提出了一种基于神经网络的PID污水处理过程控制方法，在满足出水质达标和系统稳定运行的基础上，实现了对PID的三个参数实时在线调整，提高了控制精度。

发明内容

基于神经网络的污水处理过程PID控制方法，主要包括两个部分：PID控制部分与神经网络自适应调整参数部分。本方法利用神经网络的自适应性与学习能力，根据当前的环境状态自适应的对PID控制器的三个参数进行实时调整，及时对环境的变化做出响应，从而对污水处理过程进行控制，使得溶解氧浓度误差最小化。

本发明采用了如下的技术方案为基于神经网络的污水处理过程PID控制方法，其特征在于，包括以下步骤：

1)底层PID控制器

将k时刻的溶解氧浓度与浓度设定值进行对比作差，可定义误差为：

e(k)＝r(k)-y(k) (1)

r(k)为k时刻溶解氧浓度期望值，y(k)为k时刻的溶解氧浓度实际测量值，e(k)为k时刻的溶解氧浓度的误差值；

PID控制器的输出为：

Δu(k)＝K_p(e(k)-e(k-1))+K_ie(k)+K_d[e(k)-2e(k-1)+e(k-2)] (2)

K_p代表的是比例系数，K_i代表的是积分系数，K_d代表的是微分系数，e(k)与e(k-1)分别代表在k时刻和k-1时刻溶解氧的误差变化量，e(k-2)代表在k-2时刻溶解氧的误差变化量，Δu(k)为PID控制器k时刻的输出控制量增量；

2)PID调整参数

本方法选择BP神经网络对PID参数进行调整，共有三个输入量，分别是k时刻的比例、积分、微分所对应的误差变化量，其输入为：

x₁(k)＝e(k)-e(k-1) (3)

x₂(k)＝e(k) (4)

x₃(k)＝e(k)-2e(k-1)+e(k-2) (5)

X(k)＝[x₁(k)x₂(k)x₃(k)] (6)

则神经网络的输出为：

Y_out(k)＝W^out(k)f(Wⁱⁿ(k)X(k)) (7)

式中，x₁(k)，x₂(k)，x₃(k)为k时刻比例、积分、微分所对应的误差变化量，X(k)为k时刻的神经网络的输入向量，Y_out(k)为k时刻的神经网络的输出，同时作为PID控制器的比例、积分、微分参数；Wⁱⁿ(k)为k时刻神经网络输入层神经元到隐含层神经元的连接权值；W^out(k)为k时刻神经网络隐含层神经元到输出层神经元的连接权值；f为隐含层神经元激活函数，取为Sigmoid函数；

将k时刻溶解氧浓度变化量e(k)作为污水处理控制过程的输入，

得到在k时刻的性能指标函数值J(k)，调整神经网络权值指标函数为：

$J\left(k\right)=\frac{1}{2}\left(E^2\right(k\left)\right)---\left(8\right)$

$E\left(k\right)=\frac{e\left(k\right)}{X\left(k\right)}---\left(8\right)$

权值调整公式为：

W^out(k+1)＝W^out(k)+ηδ₂f(Wⁱⁿ(k)X(k)) (9)

Wⁱⁿ(k+1)＝Wⁱⁿ(k)+ηδ₁X(k) (10)

η为学习速率，E(k)为k时刻的PID控制器参数误差变化，δ₁为反向传播隐含层算子，δ₂为反向传播输出层算子。

本发明的创造性主要体现在：

本发明设计了智能PID控制方法并将其应用在污水处理过程中，该方法能够根据环境状态实时对PID参数进行修正，实现对目标的稳定控制。其一，利用神经网络对PID控制器参数进行实时的修正，使控制器能够根据实际环境变化自适应的进行调整；其二，利用智能PID控制器对污水处理过程进行稳定控制，使出水水质满足排放标准。以上两部分构成的基于神经网络的污水处理PID智能控制系统，属于本发明的保护范围。

本发明提出的基于神经网络的污水处理PID智能控制系统，解决了传统PID控制器难以在线调整的问题，克服了PID控制自适应差、自学习能力差的缺点。

附图说明

图1.污水处理过程基准模型。

图2.神经网络拓扑结构图。

图3.溶解氧控制效果。

图4.溶解氧浓度控制系统框图

具体实施方式

BSM1污水基准仿真处理模型主要包括生化反应池和二沉池，如图1所示，生化反应池共有五个单元，前两个单元为厌氧区，后三个单元为曝气区，控制溶解氧浓度主要是通过调节第五单元的氧气转化系数K_La，使溶解氧浓度维持在2mg/L。图2所示的BP神经网络拓扑图，分为输入层，隐含层和输出层。本专利通过BP神经网络对PID控制器参数进行整定。

文中的实验是基于BSM1模型晴朗天气下的数据进行的，具体步骤如下：

S1.PID控制器

PID控制器的输入量有六个，其中三个是溶解氧浓度与其设定值的偏差经计算后得到的误差变化量，如图4中所示的x₁(k)，x₂(k)，x₃(k)，另外三个是BP神经网络的输出量，如图4中所示的K_p，K_i，K_d，输出为控制量。溶解氧浓度的设定值为2mg/L。

S2.参数调整层神经网络

参数调整层神经网络结构为3-20-3，输入为误差的微积分计算分量，输出为PID的三个控制参数，内部神经元个数为20(根据实际情况进行增加或删减)，初始化网络的权值，输入层神经元到隐含层神经元的权值W_o ⁱⁿ的维数为20×3，隐含层神经元到输出层神经元的权值W_o ^out的维数为3×20。

S3.通过迭代学习，可以得到溶解氧浓度的控制结果如图3，可以看出，在控制的开始阶段，BP-PID控制器经过学习，能够快速的将溶解氧浓度控制在2mg/L附近，且能够保持稳定，不会随着入水流量和入水组分(即系统的状态)的变化而变化，开始的调整阶段可以很好的弥补传统PID控制器参数难以选择的问题，图中曲线为BP-PID控制效果。

Claims (2)

1.一种基于神经网络的污水处理过程控制方法，主要包括两个部分：PID控制部分与神经网络自适应调整参数部分；本方法利用神经网络的自适应性与学习能力，根据当前的环境状态自适应的对PID控制器的三个参数进行实时调整，及时对环境的变化做出响应，从而对污水处理过程进行控制，使得溶解氧浓度的误差最小化；

其特征在于，包括以下步骤：

1)底层PID控制器

将k时刻的溶解氧浓度与浓度设定值进行对比作差，可定义误差为：

e(k)＝r(k)-y(k) (1)

r(k)为k时刻溶解氧浓度期望值，y(k)为k时刻的溶解氧浓度实际测量值，e(k)为k时刻的溶解氧浓度的误差值；

PID控制器的输出为：

Δu(k)＝K_p(e(k)-e(k-1))+K_ie(k)+K_d[e(k)-2e(k-1)+e(k-2)] (2)

K_p代表的是比例系数，K_i代表的是积分系数，K_d代表的是微分系数，e(k)与e(k-1)分别代表在k时刻和k-1时刻溶解氧的误差变化量，e(k-2)代表在k-2时刻溶解氧的误差变化量，Δu(k)为PID控制器k时刻的输出控制量增量；

2)PID调整参数

本方法选择BP神经网络对PID参数进行调整，共有三个输入量，分别是k时刻的比例、积分、微分所对应的误差变化量，其输入为：

x₁(k)＝e(k)-e(k-1) (3)

x₂(k)＝e(k) (4)

x₃(k)＝e(k)-2e(k-1)+e(k-2) (5)

X(k)＝[x₁(k) x₂(k) x₃(k)] (6)

则神经网络的输出为：

Y_out(k)＝W^out(k)f(Wⁱⁿ(k)X(k)) (7)

式中，x₁(k)，x₂(k)，x₃(k)为k时刻比例、积分、微分所对应的误差变化量，X(k)为k时刻的神经网络的输入向量，Y_out(k)为k时刻的神经网络的输出，同时作为PID控制器的比例、积分、微分参数；Wⁱⁿ(k)为k时刻神经网络输入层神经元到隐含层神经元的连接权值；W^out(k)为k时刻神经网络隐含层神经元到输出层神经元的连接权值；f为隐含层神经元激活函数，取为Sigmoid函数；

将k时刻溶解氧浓度变化量e(k)作为污水处理控制过程的输入，得到在k时刻的性能指标函数值J(k)，调整神经网络权值指标函数为：

$J\left(k\right)=\frac{1}{2}\left(E^2\right(k\left)\right)---\left(8\right)$

$E\left(k\right)=\frac{e\left(k\right)}{X\left(k\right)}---\left(9\right)$

权值调整公式为：

W^out(k+1)＝W^out(k)+ηδ₂f(Wⁱⁿ(k)X(k)) (9)

Wⁱⁿ(k+1)＝Wⁱⁿ(k)+ηδ₁X(k) (10)

η为学习速率，E(k)为k时刻的PID控制器参数误差变化，δ₁为反向传播隐含层算子，δ₂为反向传播输出层算子。

2.根据权利要求1所述的一种基于神经网络的污水处理过程控制方法，其特征在于：BSM1污水基准仿真处理模型主要包括生化反应池和二沉池，生化反应池共有五个单元，前两个单元为厌氧区，后三个单元为曝气区，控制溶解氧浓度主要是通过调节第五单元的氧气转化系数K_La，使溶解氧浓度维持在2mg/L；BP神经网络拓扑图，分为输入层，隐含层和输出层；通过BP神经网络对PID控制器参数进行整定；

基于BSM1模型晴朗天气下的数据进行实验，具体步骤如下：

S1.PID控制器

PID控制器的输入量有六个，其中三个是溶解氧浓度与其设定值的偏差经计算后得到的误差变化量：x₁(k)、x₂(k)、x₃(k)，另外三个是BP神经网络的输出量：K_p、K_i、K_d，输出为控制量；溶解氧浓度的设定值为2mg/L；

S2.参数调整层神经网络

参数调整层神经网络结构为3-20-3，输入为误差的微积分计算分量，输出为PID的三个控制参数，内部神经元个数为20，初始化网络的权值，输入层神经元到隐含层神经元的权值W_o ⁱⁿ的维数为20×3，隐含层神经元到输出层神经元的权值W_o ^out的维数为3×20；

S3.通过迭代学习，得到溶解氧浓度的控制结果。