CN108762082B - 一种污水处理过程协同优化控制系统 - Google Patents
一种污水处理过程协同优化控制系统 Download PDFInfo
- Publication number
- CN108762082B CN108762082B CN201810578333.0A CN201810578333A CN108762082B CN 108762082 B CN108762082 B CN 108762082B CN 201810578333 A CN201810578333 A CN 201810578333A CN 108762082 B CN108762082 B CN 108762082B
- Authority
- CN
- China
- Prior art keywords
- optimization
- sensor
- sewage treatment
- concentration
- representing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明设计了一种污水处理过程协同优化控制系统,针对当前污水处理过程不同时间尺度的性能指标难以描述,控制变量优化设定值难以获取等问题,通过两层模型获取不同时间尺度性能指标的动态特性,利用基于数据驱动辅助模型的协同优化算法对两层优化模型进行优化,实时获得溶解氧和硝态氮的优化设定值,并根据预测控制策略对获得的优化设定值进行跟踪控制,解决了污水处理优化控制中性能指标动态特性难以描述以及实时优化设定值难以获取的问题;结果表明该协同优化控制方法不仅可以平衡性能指标之间的关系,改善出水水质的基础上降低操作成本,而且可以提高系统的控制精度,保证控制系统的高效稳定运行。
Description
技术领域
本发明利用协同优化控制系统完成对不同时间尺度性能指标的协调,实现对污水处理过程的实时优化控制,提高污水处理过程系统性能。将设计的协同优化控制系统应用于时变的污水处理过程,完成对溶解氧SO浓度和硝态氮SNO浓度的实时跟踪控制。该系统不仅可以解决性能指标与不同时间尺度的协同问题,又可以有效节约运行成本,改善出水水质,保证高效稳定运行,是先进制造技术领域的重要分支,既属于控制领域,又属于水处理领域。
背景技术
污水处理过程是利用物理反应、化学反应和生物反应对污染物进行有效吸附、分解、氧化等,使污染物得到降解并从污水中分离出来,从而实现污水的净化。污水处理厂的高性能运行对改善系统性能,提高水资源循环利用效率具有重要的作用,是缓解水资源匮乏的重要策略;不但具有较好的经济效益,而且具有显著的环境和社会效益。因此,本发明的研究成果具有广阔的应用前景。
污水处理过程是一个复杂的工业系统,具有明显的高度非线性,时变性等特点,而且,污水处理过程包含不同的动态反应时间,具有多重性能评价指标,使得污水处理过程优化控制存在诸多难点问题。在污水处理优化控制过程中,由于性能指标之间相互冲突,同时又受到不同系统动态响应时间的影响,如何实现不同时间尺度下性能指标之间的协同问题对提高污水处理系统性能,保证其高效稳定运行具有重要的意义。性能指标的协同对改善污水处理操作性能具有重要的意义,不仅可以提高污水处理过程的优化操作,同时可以保证污水处理过程的控制性能。因此,必须寻求新的优化控制方法,不仅可以建立不同时间尺度性能指标的关系,而且能够解决不同性能指标之间的协同优化问题,提供满足要求的控制变量优化设定值,从而实现高精度跟踪控制,以满足污水处理过程优化控制的需求。合理的优化控制方法可以有效地调节不同性能指标之间的关系,保证出水水质达标,降低操作运行成本,同时为污水处理过程提供实时的控制变量优化设定值,减少和应对异常工况的发生,保证污水处理过程高效稳定运行。此外,通过提高污水处理过程自动化水平,还可以有效减少运行管理和操作人员,降低运行费用。
本发明设计了一种污水处理过程协同优化控制系统,主要根据系统动态反应时间建立不同时间尺度的性能指标模型,利用协同优化算法对不同时间尺度的性能指标模型进行优化,获得控制变量溶解氧SO和硝态氮SNO的优化设定值,通过预测控制策略完成对溶解氧SO浓度和硝态氮SNO浓度的跟踪控制。
发明内容
本发明获得了一种污水处理过程协同优化控制系统,该协同优化控制系统通过两层性能指标建模的方法解决不同时间尺度的性能指标描述问题;利用基于数据驱动辅助模型的协同优化算法对多时间尺度的性能指标模型进行实时优化,克服溶解氧SO浓度和硝态氮SNO浓度优化设定值难以获取的问题;采用预测控制策略对溶解氧SO浓度和硝态氮SNO浓度进行跟踪控制,解决污水处理过程多目标跟踪控制问题;提高污水处理性能指标,保证污水处理过程高效稳定运行;
本发明采用了如下的技术方案及实现步骤:
1.一种污水处理过程协同优化控制系统,其特征在于包括污水处理控制系统架构设计和优化控制器设计,具体步骤为:
(1)污水处理过程控制系统架构设计,具体为:
1)污水处理过程控制系统包含服务器、PLC控制柜、鼓风机、厌氧末端的氧化还原电位电极传感器、好氧末端的溶解氧传感器、好氧末端的固体悬浮物传感器、出水末端的温度传感器、出水末端的PH传感器、出水末端的氨氮传感器、出水末端的总氮传感器、出水末端的化学需氧量传感器;其中,
服务器是污水处理控制系统的操作中心,作用是优化控制程序,实现监控功能;
PLC控制柜的功能是完成对污水处理过程设备状态、运行状况的自动检测、监测及控制;
鼓风机作为污水处理过程控制系统的执行器,实现对污水处理过程好氧区的曝气与通风;
厌氧末端的氧化还原电位电极传感器用于检测厌氧池中氧化还原电位的电极特性;
好氧末端的溶解氧传感器用于检测曝气池中溶解氧的浓度值;
好氧末端的固体悬浮物传感器用于检测曝气池中固体悬浮物的浓度值;
出水末端的温度传感器用于检测二沉池出水端的温度值;
出水末端的PH传感器用于检测二沉池出水端的PH值;
出水末端的氨氮传感器用于检测二沉池出水端的氨氮浓度值;
出水末端的总氮传感器用于检测二沉池出水端的总氮浓度值;
出水末端的化学需氧量传感器用于检测二沉池出水端的化学需氧量浓度值;
2)污水处理过程数据采集与传输:首先,通过氧化还原电位电极传感器、溶解氧传感器、固体悬浮物传感器、温度传感器、PH传感器、氨氮传感器、总氮传感器、化学需氧量传感器实现污水处理过程数据的采集;其次,利用RS 485将PLC与传感器连接并实现通讯,完成污水处理过程采集数据的上传,通过协调通讯标准将数据传输到服务器;
(2)优化控制器设计主要包括性能指标模型的建立,优化算法的建立以及控制器的设计,主要过程为:
1)选择与泵送能耗PE相关的过程变量为:厌氧末端硝态氮SNO浓度、出水混合固体悬浮物MLSS浓度,选择与曝气能耗AE和出水水质EQ都相关的过程变量为:好氧末端溶解氧SO浓度、固体悬浮物SS浓度、出水氨氮SNH浓度、厌氧末端硝态氮SNO浓度;
2)建立基于不同时间尺度的两层模型,上层为泵送能耗PE模型,下层为曝气能耗AE和出水水质EQ模型:
F1(t1)=l1(xu(t1)), (1)
其中,F1(t1)表示t1时刻泵送能耗PE的模型,l1(xu(t1))表示PE模型的映射函数,f1(t2)表示t2时刻曝气能耗AE的模型,l2(xl(t2),x* u(t1))表示AE模型的映射函数,f2(t2)表示t2时刻出水水质EQ的模型,x* u(t1)表示t1时刻厌氧末端硝态氮优化设定值SNO *,l3(xl(t2),x* u(t1))表示EQ模型的映射函数,xu(t1)=[SNO(t1),MLSS(t1)]表示t1时刻PE模型的输入变量,xl(t2)=[SO(t2),SS(t2),SNH(t2)],[SO(t2),SS(t2),SNH(t2),SNO *(t1)]表示t2时刻AE模型和EQ模型的输入变量;
3)利用协同优化算法优化上层和下层的优化问题获得优化设定值,其中,上层优化周期为两小时,下层优化周期为三十分钟,具体为:
①建立上层和下层优化问题:
Min F1(SNO(t1),MLSS(t1)), (3)
其中,Min F1(SNO(t1),MLSS(t1))为上层的优化问题,Min[f1(SO(t2),SS(t2),SNH(t2),SNO *(t1)),f2(SO(t2),SS(t2),SNH(t2),SNO *(t1))]为下层的优化问题;
②设定上层优化的粒子种群个数I1和下层优化的粒子种群个数I2,上层优化的最大迭代次数N1和下层优化的最大迭代次数N2,其中,I1=50,I2=50,N1=20,N2=50;
③利用单目标粒子群优化算法对上层优化问题进行优化,其中,粒子位置信息和粒子速度信息表示为:
si(t1)=[si,1(t1),si,2(t1)], (5)
vi(t1)=[vi,1(t1),vi,2(t1)], (6)
si(t1)表示第i个粒子在t1时刻的位置,vi(t1)表示第i个粒子在t1时刻的速度,i表示粒子个数,i=1,2,…,I1,粒子的速度vi(t1)和位置si(t1)更新公式为:
vi,d(t1+1)=ωvi,d(t1)+c1r1(pi,d(t1)-si,d(t1))+c2r2(gd(t1)-si,d(t1)), (7)
si,d(t1+1)=si,d(t1)+vi,d(t1+1), (8)
其中,d表示粒子的空间维数,d=1,2,vi,d(t1)表示第i个粒子的第d维在t1时刻的速度,ω表示惯性权重,c1和c2表示加速常数,c1∈[0,1],c2∈[0,1],r1和r2表示随机数,r1∈[0,1],r2∈[0,1],pi,d(t1)表示第i个粒子的第d维在t1时刻的个体最优解,gd(t1)表示粒子的第d维在t1时刻的全局最优解;
④判断单目标粒子群优化算法是否达到设定的最大进化次数N1,若达到,则终止迭代进化过程,输出硝态氮的优化设定值SNO *,并将该设定值传递给下层的优化问题,否则返回到③;
⑤利用多目标粒子群优化算法对下层优化问题进行优化,其中,粒子位置aj(t2)和粒子速度bj(t2)表示为:aj(t2)=[aj,1(t2),…,aj,4(t2)],bj(t2)=[bj,1(t2),…,bj,4(t2)],j表示粒子个数,j=1,2,…,I2;在迭代优化过程中,将获得的非支配解zj(t2)保存在外部档案库Z(t2)中,其中,外部档案库Z(t2)的更新规则为:
Z(t2)=[z1(t2),z2(t2),…,zj(t2),…,zI2(t2)],zj(t2)表示t2时刻档案库更新之前的第j个非支配解,表示t2时刻档案库更新之后的第j个非支配解,χ表示步距,χ∈[0,0.1],表示梯度下降的方向;
⑥根据所获得的档案库中的非支配解Z(t2),建立基于径向基函数的多输入多输出辅助模型:
其中,Bj(t2)表示辅助模型的输出,Bj(t2)=[Bj,1(t2),Bj,2(t2)]T,oj(t2)=[oj,1(t2),oj,2(t2),…,oj,K(t2)]T表示连接权重,θj(t2)=[θj,1(t2),θj,2(t2),…,θj,K(t2)]T表示隐含层神经元的输出,K表示隐含层神经元的个数,K∈[8,12];辅助模型的输出与实际系统输出的误差平方和表示为:
e(zn(t2))=min(Bn(t2)-Q(t2))T(Bn(t2)-Q(t2)), (11)
其中,e(zn(t2))表示档案库中第n个非支配解Bn(t2)与实际系统输出Q(t2)之间的误差平方和,n∈[1,I2],Q(t2)=[Q1(t2),Q2(t2)]表示实际系统中曝气能耗AE的值和出水水质EQ的值,选择最小的误差平方和所对应的档案库中的解作为全局最优解;
⑦判断多目标粒子群优化算法是否达到设定的最大进化次数N2,若达到,则终止迭代进化过程,输出溶解氧的优化设定值SO *,否则返回到⑤;
4)设计基于预测控制策略的跟踪控制方法:
①定义跟踪控制策略中的价值函数:
其中,z1(t)和z2(t)表示t时刻所获得的优化设定值SO *和SNO *,y1(t)和y2(t)表示t时刻所预测的溶解氧SO和硝态氮SNO,HP表示预测时域,HP=5,q∈[1,HP],Hu表示预测时域,Hu=4,m∈[1,Hu];
②通过预测控制策略更新控制率,其更新表达式为:
u(t+1)=u(t)+Δu(t), (13)
其中,u(t)表示t时刻的控制率,Δu(t)表示控制率的变化量,其计算表达式为:
其中,Δu(t)表示操作变量氧传递系数的变化量和内循环回流量的变化量,Δu(t)=[Δu1(t),Δu2(t)];
③将氧传递系数的变化量和内循环回流量的变化量传递给污水处理系统;
(3)基于协同优化控制方法的污水处理系统的输入为氧传递系数的变化量和内循环回流量的变化量,输出为实际溶解氧SO浓度和硝态氮SNO浓度;污水处理过程控制效果通过每日平均的泵送能耗PE值,曝气能耗AE值,出水水质EQ值,以及溶解氧SO浓度和硝态氮SNO浓度的跟踪控制结果来体现。
本发明的创造性主要体现在:
(1)本发明针对当前污水处理过程是一个复杂的、动态的生物化学反应过程,同时受到多个相互耦合的性能指标的影响,需要有效地协同不同性能指标之间的关系,提高污水处理操作性能,保证污水处理过程高效稳定运行;然后由于污水处理过程不仅具有非线性,强耦合等特点,而且性能指标受到不同时间时间尺度的影响,难以实现污水处理过程的优化控制;根据污水处理过程运行特点,采用基于协同优化算法和预测控制策略的协同优化控制方法,具有平衡系统性能指标,提高操作效率的特点;
(2)本发明采用基于协同优化算法和预测控制策略的协同优化控制系统对污水处理过程进行实时优化控制,该优化控制方法不仅可以有效获取性能指标的动态特征,而且可以根据动态工况实时获得溶解氧SO浓度和硝态氮SNO浓度的优化设定值,提高污水处理系统的优化指标,同时改善系统的控制性能;
特别要注意:本发明只是为了描述方便,采用基于数据驱动辅助模型的协同优化算法和预测控制策略对性能指标进行描述优化,对溶解氧SO浓度和硝态氮SNO浓度的优化设定值进行跟踪控制,将其他的优化算法和控制算法相结合等相同原理的优化控制方法都应该属于本发明的范围。
附图说明
图1是污水处理过程控制系统图;
图2是本发明协同优化控制系统泵送能耗PE结果图;
图3是本发明协同优化控制系统曝气能耗AE结果图;
图4是本发明协同优化控制系统出水水质EQ结果图;
图5是本发明协同优化控制系统溶解氧SO浓度结果图。
具体实施方式
(1)污水处理过程控制系统架构设计,具体为:
1)污水处理过程控制系统包含服务器、PLC控制柜、鼓风机、厌氧末端的氧化还原电位电极传感器、好氧末端的溶解氧传感器、好氧末端的固体悬浮物传感器、出水末端的温度传感器、出水末端的PH传感器、出水末端的氨氮传感器、出水末端的总氮传感器、出水末端的化学需氧量传感器;其中,
服务器是污水处理控制系统的操作中心,作用是优化控制程序,实现监控功能;
PLC控制柜的功能是完成对污水处理过程设备状态、运行状况的自动检测、监测及控制;
鼓风机作为污水处理过程控制系统的执行器,实现对污水处理过程好氧区的曝气与通风;
厌氧末端的氧化还原电位电极传感器用于检测厌氧池中氧化还原电位的电极特性;
好氧末端的溶解氧传感器用于检测曝气池中溶解氧的浓度值;
好氧末端的固体悬浮物传感器用于检测曝气池中固体悬浮物的浓度值;
出水末端的温度传感器用于检测二沉池出水端的温度值;
出水末端的PH传感器用于检测二沉池出水端的PH值;
出水末端的氨氮传感器用于检测二沉池出水端的氨氮浓度值;
出水末端的总氮传感器用于检测二沉池出水端的总氮浓度值;
出水末端的化学需氧量传感器用于检测二沉池出水端的化学需氧量浓度值;
2)污水处理过程数据采集与传输:首先,通过氧化还原电位电极传感器、溶解氧传感器、固体悬浮物传感器、温度传感器、PH传感器、氨氮传感器、总氮传感器、化学需氧量传感器实现污水处理过程数据的采集;其次,利用RS 485将PLC与传感器连接并实现通讯,完成污水处理过程采集数据的上传,通过协调通讯标准将数据传输到服务器;
(2)优化控制器设计主要包括性能指标模型的建立,优化算法的建立以及控制器的设计,主要过程为:
1)选择与泵送能耗PE相关的变量为:厌氧末段硝态氮SNO浓度、出水混合固体悬浮物MLSS浓度,选择与曝气能耗AE和出水水质EQ都相关的变量为:好氧末段溶解氧SO浓度、固体悬浮物SS浓度、出水氨氮SNH浓度、厌氧末段硝态氮SNO浓度;
2)建立基于不同时间尺度的两层模型,上层为泵送能耗模型,下层为曝气能耗和出水水质模型:
F1(t1)=l1(xu(t1)), (1)
其中,F1(t1)表示t1时刻泵送能耗PE的模型,l1(xu(t1))表示PE模型的映射函数,f1(t2)表示t2时刻曝气能耗AE的模型,l2(xl(t2),x* u(t1))表示AE模型的映射函数,f2(t2)表示t2时刻出水水质EQ的模型,x* u(t1)表示t1时刻厌氧末段硝态氮优化设定值SNO *,l3(xl(t2),x* u(t1))表示EQ模型的映射函数,xu(t1)=[SNO(t1),MLSS(t1)]表示t1时刻PE模型的输入变量,初始值为[0.85,15.6],xl(t2)=[SO(t2),SS(t2),SNH(t2)],[SO(t2),SS(t2),SNH(t2),SNO *(t1)]表示t2时刻AE模型和EQ模型的输入变量,初始值为[1.9,11.6,3.8,0.95];
3)利用协同优化算法优化上层和下层的优化问题获得优化设定值,其中,上层的优化周期为两小时,下层的优化周期为三十分钟,具体为:
①建立上层和下层优化问题:
Min F1(SNO(t1),MLSS(t1)), (3)
其中,Min F1(SNO(t1),MLSS(t1))为上层的优化问题,Min[f1(SO(t2),SS(t2),SNH(t2),SNO *(t1)),f2(SO(t2),SS(t2),SNH(t2),SNO *(t1))]为下层的优化问题;
②设定上层优化的粒子种群个数I1和下层优化的粒子种群个数I2,上层优化的最大迭代次数N1和下层优化的最大迭代次数N2,其中,I1=50,I2=50,N1=20,N2=50;
③利用单目标粒子群优化算法对上层优化问题进行优化,其中,粒子位置信息和粒子速度信息表示为:
si(t1)=[si,1(t1),si,2(t1)], (5)
vi(t1)=[vi,1(t1),vi,2(t1)], (6)
si(t1)表示第i个粒子在t1时刻的位置,vi(t1)表示第i个粒子在t1时刻的速度,i表示粒子个数,i=1,2,…,50,粒子的速度vi(t1)和位置si(t1)更新公式为:
vi,d(t1+1)=ωvi,d(t1)+c1r1(pi,d(t1)-si,d(t1))+c2r2(gd(t1)-si,d(t1)), (7)
si,d(t1+1)=si,d(t1)+vi,d(t1+1), (8)
其中,d表示粒子的空间维数,d=1,2,vi,d(t1)表示第i个粒子的第d维在t1时刻的速度,ω表示惯性权重,ω=0.7,c1和c2表示加速常数,c1=0.9,c2=0.9,r1和r2表示随机数,r1=0.75,r2=0.75,pi,d(t1)表示第i个粒子的第d维在t1时刻的个体最优解,gd(t1)表示粒子的第d维在t1时刻的全局最优解;
④判断单目标粒子群优化算法是否达到设定的最大迭代次数20,若达到,则终止迭代进化过程,输出硝态氮的优化设定值SNO *,并将该设定值传递给下层的优化问题,否则返回到③;
⑤利用多目标粒子群优化算法对下层优化问题进行优化,其中,粒子位置aj(t2)和粒子速度bj(t2)表示为:aj(t2)=[aj,1(t2),…,aj,4(t2)],bj(t2)=[bj,1(t2),…,bj,4(t2)],j表示粒子个数,j=1,2,…,50;在迭代优化过程中,将获得的非支配解zj(t2)保存在外部档案库Z(t2)中,其中,外部档案库Z(t2)的更新规则为:
Z(t2)=[z1(t2),z2(t2),…,zj(t2),…,z50(t2)],zj(t2)表示t2时刻档案库更新之前的第j个非支配解,表示t2时刻档案库更新之后的第j个非支配解,χ表示步距,χ=0.09,表示梯度下降的方向;
⑥根据所获得的档案库中的非支配解Z(t2),建立基于径向基函数的多输入多输出辅助模型:
其中,Bj(t2)表示辅助模型的输出,Bj(t2)=[Bj,1(t2),Bj,2(t2)]T,K表示隐含层神经元的个数,K=8,oj(t2)=[oj,1(t2),oj,2(t2),…,oj,K(t2)]T表示连接权重,θj(t2)=[θj,1(t2),θj,2(t2),…,θj,K(t2)]T表示隐含层神经元的输出;辅助模型的输出与实际系统输出的误差平方和表示为:
e(zn(t2))=min(Bn(t2)-Q(t2))T(Bn(t2)-Q(t2)), (11)
其中,e(zn(t2))表示档案库中第n个非支配解Bn(t2)与实际系统输出Q(t2)之间的误差平方和,n∈[1,50],Q(t2)=[Q1(t2),Q2(t2)]表示实际系统中曝气能耗AE的值和出水水质EQ的值,选择最小的误差平方和所对应的档案库中的解作为全局最优解;
⑦判断多目标粒子群优化算法是否达到设定的最大进化次数50,若达到,则终止迭代进化过程,输出溶解氧的优化设定值SO *,否则返回到⑤;
4)设计基于预测控制策略的跟踪控制方法:
①定义跟踪控制策略中的价值函数:
其中,z1(t)和z2(t)表示t时刻所获得溶解氧浓度的优化设定值SO *和硝态氮浓度的优化设定值SNO *,y1(t)和y2(t)表示t时刻所预测的溶解氧SO浓度和硝态氮SNO浓度,HP表示预测时域,HP=5,q∈[1,5],Hu表示预测时域,Hu=4,m∈[1,4];
②通过预测控制策略更新控制率,其更新表达式为:
u(t+1)=u(t)+Δu(t), (13)
其中,u(t)表示t时刻的控制率,Δu(t)表示控制率的变化量,其计算表达式为:
其中,Δu(t)表示操作变量氧传递系数的变化量和内循环回流量的变化量,Δu(t)=[Δu1(t),Δu2(t)];
③将氧传递系数的变化量和内循环回流量的变化量传递给污水处理系统;
(3)基于协同优化控制方法的污水处理系统的输入为氧传递系数的变化量和内循环回流量的变化量,输出为实际溶解氧SO和硝态氮SNO的浓度值;污水处理过程控制效果通过每日平均的泵送能耗PE,曝气能耗AE,出水水质EQ,以及溶解氧SO和硝态氮SNO的跟踪控制结果来体现。
一种污水处理过程协同优化控制系统图如图1所示,优化控制效果图如图2-图5所示;图2显示每日泵送能耗PE的平均值,X轴:时间,单位是天,Y轴:平均泵送能耗PE,单位是欧元/千瓦时;图3显示每日曝气能耗AE的平均值,X轴:时间,单位是天,Y轴:平均曝气能耗AE,单位是欧元/千瓦时;图4显示每日出水水质EQ的平均值,X轴:时间,单位是天,Y轴:平均出水水质EQ,单位是欧元/立方米;图5(a)显示溶解氧SO浓度值,X轴:时间,单位是天,Y轴:溶解氧控制结果,单位是毫克/升,实线为溶解氧SO浓度优化设定值,虚线是溶解氧SO浓度实际输出值;图5(b)显示溶解氧SO浓度控制误差,X轴:时间,单位是天,Y轴:溶解氧控制误差,单位是毫克/升。
Claims (1)
1.一种污水处理过程协同优化控制系统,其特征在于包括污水处理控制系统架构设计和优化控制器设计,具体步骤为:
(1)污水处理过程控制系统架构设计,具体为:
1)污水处理过程控制系统包含服务器、PLC控制柜、鼓风机、厌氧末端的氧化还原电位电极传感器、好氧末端的溶解氧传感器、好氧末端的固体悬浮物传感器、出水末端的温度传感器、出水末端的PH传感器、出水末端的氨氮传感器、出水末端的总氮传感器、出水末端的化学需氧量传感器;其中,
服务器是污水处理控制系统的操作中心,作用是优化控制程序,实现监控功能;
PLC控制柜的功能是完成对污水处理过程设备状态、运行状况的自动检测、监测及控制;
鼓风机作为污水处理过程控制系统的执行器,实现对污水处理过程好氧区的曝气与通风;
厌氧末端的氧化还原电位电极传感器用于检测厌氧池中氧化还原电位的电极特性;
好氧末端的溶解氧传感器用于检测曝气池中溶解氧的浓度值;
好氧末端的固体悬浮物传感器用于检测曝气池中固体悬浮物的浓度值;
出水末端的温度传感器用于检测二沉池出水端的温度值;
出水末端的pH传感器用于检测二沉池出水端的pH值;
出水末端的氨氮传感器用于检测二沉池出水端的氨氮浓度值;
出水末端的总氮传感器用于检测二沉池出水端的总氮浓度值;
出水末端的化学需氧量传感器用于检测二沉池出水端的化学需氧量浓度值;
2)污水处理过程数据采集与传输:首先,通过氧化还原电位电极传感器、溶解氧传感器、固体悬浮物传感器、温度传感器、pH传感器、氨氮传感器、总氮传感器、化学需氧量传感器实现污水处理过程数据的采集;其次,利用RS 485将PLC与传感器连接并实现通讯,完成污水处理过程采集数据的上传,通过协调通讯标准将数据传输到服务器;
(2)优化控制器设计包括性能指标模型的建立,优化算法的建立以及控制器的设计,过程为:
1)选择与泵送能耗PE相关的过程变量为:厌氧末端硝态氮SNO浓度、出水混合固体悬浮物MLSS浓度,选择与曝气能耗AE和出水水质EQ都相关的过程变量为:好氧末端溶解氧SO浓度、固体悬浮物SS浓度、出水氨氮SNH浓度、厌氧末端硝态氮SNO浓度;
2)建立基于不同时间尺度的两层模型,上层为泵送能耗PE模型,下层为曝气能耗AE和出水水质EQ模型:
F1(t1)=l1(xu(t1)), (1)
其中,F1(t1)表示t1时刻泵送能耗PE的模型,l1(xu(t1))表示PE模型的映射函数,f1(t2)表示t2时刻曝气能耗AE的模型,l2(xl(t2),x* u(t1))表示AE模型的映射函数,x* u(t1)表示t1时刻厌氧末端硝态氮浓度优化设定值SNO *,f2(t2)表示t2时刻出水水质EQ的模型,l3(xl(t2),x* u(t1))表示EQ模型的映射函数,xu(t1)=[SNO(t1),MLSS(t1)]表示t1时刻PE模型的输入变量,xl(t2)=[SO(t2),SS(t2),SNH(t2)],[SO(t2),SS(t2),SNH(t2),SNO *(t1)]表示t2时刻AE模型和EQ模型的输入变量;
3)利用协同优化算法优化上层和下层的优化问题获得优化设定值,其中,上层优化周期为两小时,下层优化周期为三十分钟,具体为:
①建立上层和下层优化问题:
Min F1(SNO(t1),MLSS(t1)), (3)
其中,Min F1(SNO(t1),MLSS(t1))为上层的优化问题,Min[f1(SO(t2),SS(t2),SNH(t2),SNO *(t1)),f2(SO(t2),SS(t2),SNH(t2),SNO *(t1))]为下层的优化问题;
②设定上层优化的粒子种群个数I1和下层优化的粒子种群个数I2,上层优化的最大迭代次数N1和下层优化的最大迭代次数N2,其中,I1=50,I2=50,N1=20,N2=50;
③利用单目标粒子群优化算法对上层优化问题进行优化,其中,粒子位置信息和粒子速度信息表示为:
si(t1)=[si,1(t1),si,2(t1)], (5)
vi(t1)=[vi,1(t1),vi,2(t1)], (6)
si(t1)表示第i个粒子在t1时刻的位置,vi(t1)表示第i个粒子在t1时刻的速度,i表示粒子个数,i=1,2,…,I1,粒子的速度vi(t1)和位置si(t1)更新公式为:
vi,d(t1+1)=ωvi,d(t1)+c1r1(pi,d(t1)-si,d(t1))+c2r2(gd(t1)-si,d(t1)), (7)
si,d(t1+1)=si,d(t1)+vi,d(t1+1), (8)
其中,d表示粒子的空间维数,d=1,2,vi,d(t1)表示第i个粒子的第d维在t1时刻的速度,表示惯性权重,c1和c2表示加速常数,c1∈[0,1],c2∈[0,1],r1和r2表示随机数,r1∈[0,1],r2∈[0,1],pi,d(t1)表示第i个粒子的第d维在t1时刻的个体最优解,gd(t1)表示粒子的第d维在t1时刻的全局最优解;
④判断单目标粒子群优化算法是否达到设定的最大进化次数N1,若达到,则终止迭代进化过程,输出硝态氮的优化设定值SNO *,并将该设定值传递给下层的优化问题,否则返回到③;
⑤利用多目标粒子群优化算法对下层优化问题进行优化,其中,粒子位置aj(t2)和粒子速度bj(t2)表示为:aj(t2)=[aj,1(t2),…,aj,4(t2)],bj(t2)=[bj,1(t2),…,bj,4(t2)],j表示粒子个数,j=1,2,…,I2;在迭代优化过程中,将获得的非支配解zj(t2)保存在外部档案库Z(t2)中,其中,外部档案库Z(t2)的更新规则为:
Z(t2)=[z1(t2),z2(t2),…,zj(t2),…,zI2(t2)],zj(t2)表示t2时刻档案库更新之前的第j个非支配解,表示t2时刻档案库更新之后的第j个非支配解,χ表示步距,χ∈[0,0.1],表示梯度下降的方向;
⑥根据所获得的档案库中的非支配解Z(t2),建立基于径向基函数的多输入多输出辅助模型:
其中,Bj(t2)表示辅助模型的输出,Bj(t2)=[Bj,1(t2),Bj,2(t2)]T,oj(t2)=[oj,1(t2),oj,2(t2),…,oj,K(t2)]T表示连接权重,θj(t2)=[θj,1(t2),θj,2(t2),…,θj,K(t2)]T表示隐含层神经元的输出,K表示隐含层神经元的个数,K∈[8,12];辅助模型的输出与实际系统输出的误差平方和表示为:
e(zn(t2))=min(Bn(t2)-Q(t2))T(Bn(t2)-Q(t2)), (11)
其中,e(zn(t2))表示档案库中第n个非支配解Bn(t2)与实际系统输出Q(t2)之间的误差平方和,n∈[1,I2],Q(t2)=[Q1(t2),Q2(t2)]表示实际系统中曝气能耗AE的值和出水水质EQ的值,选择最小的误差平方和所对应的档案库中的解作为全局最优解;
⑦判断多目标粒子群优化算法是否达到设定的最大进化次数N2,若达到,则终止迭代进化过程,输出溶解氧的优化设定值SO *,否则返回到⑤;
4)设计基于预测控制策略的跟踪控制方法:
①定义跟踪控制策略中的价值函数:
其中,z1(t)和z2(t)表示t时刻所获得的优化设定值SO *和SNO *,y1(t)和y2(t)表示t时刻所预测的溶解氧SO和硝态氮SNO,HP表示预测时域,HP=5,q∈[1,HP],Hu表示预测时域,Hu=4,m∈[1,Hu];
②通过预测控制策略更新控制率,其更新表达式为:
u(t+1)=u(t)+Δu(t), (13)
其中,u(t)表示t时刻的控制率,Δu(t)表示控制率的变化量,其计算表达式为:
其中,Δu(t)表示操作变量氧传递系数的变化量和内循环回流量的变化量,Δu(t)=[Δu1(t),Δu2(t)];
③将氧传递系数的变化量和内循环回流量的变化量传递给污水处理系统;
(3)基于协同优化控制方法的污水处理系统的输入为氧传递系数的变化量和内循环回流量的变化量,输出为实际溶解氧SO浓度和硝态氮SNO浓度;污水处理过程控制效果通过每日平均的泵送能耗PE值,曝气能耗AE值,出水水质EQ值,以及溶解氧SO浓度和硝态氮SNO浓度的跟踪控制结果来体现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810578333.0A CN108762082B (zh) | 2018-06-07 | 2018-06-07 | 一种污水处理过程协同优化控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810578333.0A CN108762082B (zh) | 2018-06-07 | 2018-06-07 | 一种污水处理过程协同优化控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108762082A CN108762082A (zh) | 2018-11-06 |
CN108762082B true CN108762082B (zh) | 2022-07-22 |
Family
ID=64000294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810578333.0A Active CN108762082B (zh) | 2018-06-07 | 2018-06-07 | 一种污水处理过程协同优化控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108762082B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110161995B (zh) * | 2019-06-10 | 2020-06-19 | 北京工业大学 | 基于动态多目标粒子群算法的城市污水处理过程优化控制方法 |
CN110502521B (zh) * | 2019-08-28 | 2023-05-09 | 上海寰创通信科技股份有限公司 | 一种档案库的建立方法 |
CN111290275B (zh) * | 2020-02-23 | 2021-01-05 | 浙江科技学院 | 基于强化学习粒子群算法的污水处理优化控制方法 |
CN115619030B (zh) * | 2022-10-28 | 2023-05-16 | 清华大学 | 一种城市污水系统厂网协同优化方法、装置及电子设备 |
CN116969582B (zh) * | 2023-09-22 | 2023-12-08 | 深圳市友健科技有限公司 | 一种污水处理智能调控方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102161551A (zh) * | 2011-02-25 | 2011-08-24 | 北京工业大学 | 前置反硝化污水处理过程的优化控制方法 |
CN102854296A (zh) * | 2012-08-30 | 2013-01-02 | 北京工业大学 | 一种基于集成神经网络的污水处理软测量方法 |
CN103809557A (zh) * | 2013-12-30 | 2014-05-21 | 北京工业大学 | 一种基于神经网络的污水处理过程优化控制方法 |
CN104360035A (zh) * | 2014-11-02 | 2015-02-18 | 北京工业大学 | 一种基于自组织粒子群-径向基神经网络的污水总磷tp软测量方法 |
CN105404151A (zh) * | 2015-12-12 | 2016-03-16 | 北京工业大学 | 污水处理过程动态多目标优化控制方法 |
CN105573115A (zh) * | 2015-12-09 | 2016-05-11 | 中山大学 | 基于量子遗传算法的污水处理过程节能优化控制方法 |
KR20160114550A (ko) * | 2016-06-30 | 2016-10-05 | 대양엔바이오(주) | 수 처리 시스템 및 방법 |
CN106698642A (zh) * | 2016-12-29 | 2017-05-24 | 北京工业大学 | 一种污水处理过程多目标实时优化控制方法 |
-
2018
- 2018-06-07 CN CN201810578333.0A patent/CN108762082B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102161551A (zh) * | 2011-02-25 | 2011-08-24 | 北京工业大学 | 前置反硝化污水处理过程的优化控制方法 |
CN102854296A (zh) * | 2012-08-30 | 2013-01-02 | 北京工业大学 | 一种基于集成神经网络的污水处理软测量方法 |
CN103809557A (zh) * | 2013-12-30 | 2014-05-21 | 北京工业大学 | 一种基于神经网络的污水处理过程优化控制方法 |
CN104360035A (zh) * | 2014-11-02 | 2015-02-18 | 北京工业大学 | 一种基于自组织粒子群-径向基神经网络的污水总磷tp软测量方法 |
CN105573115A (zh) * | 2015-12-09 | 2016-05-11 | 中山大学 | 基于量子遗传算法的污水处理过程节能优化控制方法 |
CN105404151A (zh) * | 2015-12-12 | 2016-03-16 | 北京工业大学 | 污水处理过程动态多目标优化控制方法 |
KR20160114550A (ko) * | 2016-06-30 | 2016-10-05 | 대양엔바이오(주) | 수 처리 시스템 및 방법 |
CN106698642A (zh) * | 2016-12-29 | 2017-05-24 | 北京工业大学 | 一种污水处理过程多目标实时优化控制方法 |
Non-Patent Citations (6)
Title |
---|
Energy consumption model for wastewater treatment process control;Xiaoqi Huang, Honggui Han and Junfei Qiao;《Water Science & Technology》;20131231;全文 * |
Minimizing pump energy in a wastewater processing plant;Zijun Zhang, Yaohui Zeng, Andrew Kusiak;《Energy》;20121231;第47卷(第1期);全文 * |
NEURAL NETWORK ON-LINE MODELING AND CONTROLLING METHOD FOR MULTI-VARIABLE CONTROL OF WASTEWATER TREATMENT PROCESSES;Jun-fei Qiao, Guang Han, and Hong-gui Han;《Asian Journal of Control》;20131231;第16卷(第4期);全文 * |
基于PSO_ESN神经网络的污水BOD预测;乔俊飞;《控制工程》;20161231;第23卷(第4期);全文 * |
基于增长型神经网络的污水处理过程溶解氧控制;甄博然;《中南大学学报》;20090930;第40卷;全文 * |
百度-基于改进粒子群优化算法的污水处理过程优化控制;史雄伟;《信息与控制》;20111031;第40卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108762082A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108762082B (zh) | 一种污水处理过程协同优化控制系统 | |
CN106698642B (zh) | 一种污水处理过程多目标实时优化控制方法 | |
Qiao et al. | Dynamic multi-objective optimization control for wastewater treatment process | |
AU2021101438A4 (en) | Adaptive control method and system for aeration process | |
Han et al. | Model predictive control of dissolved oxygen concentration based on a self-organizing RBF neural network | |
CN108445757B (zh) | 一种基于动态多目标粒子群算法的污水处理过程优化控制方法 | |
CN103809557B (zh) | 一种基于神经网络的污水处理过程优化控制方法 | |
CN102491506B (zh) | 一种污水处理厂曝气生物滤池控制方法及系统 | |
CN109669352B (zh) | 基于自适应多目标粒子群的含油污水处理过程优化控制方法 | |
CN105404151A (zh) | 污水处理过程动态多目标优化控制方法 | |
CN106802563B (zh) | 一种基于果蝇优化和lssvm的污水过程优化控制方法 | |
CN110032755B (zh) | 多工况下城市污水处理过程多目标优化方法 | |
CN110716432B (zh) | 一种基于自适应选择策略的城市污水处理过程多目标优化控制方法 | |
Do et al. | A design of higher-level control based genetic algorithms for wastewater treatment plants | |
Li et al. | Dissolved oxygen model predictive control for activated sludge process model based on the fuzzy C-means cluster algorithm | |
CN101694586A (zh) | 基于混沌优化的支持向量机预测污水处理节能控制系统 | |
CN108536106A (zh) | 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法 | |
Vlad et al. | Indirect control of substrate concentration for a wastewater treatment process by dissolved oxygen tracking | |
CN110647037A (zh) | 一种基于二型模糊神经网络的污水处理过程协同控制方法 | |
CN111367181A (zh) | 一种用于污水处理系统的混合驱动智能评判控制方法 | |
CN113189881A (zh) | 一种污水处理多目标优化控制方法及系统 | |
Han et al. | Robust optimal control for anaerobic-anoxic-oxic reactors | |
Han et al. | Design of syncretic fuzzy-neural control for WWTP | |
Hongyang et al. | Decentralized model predictive control for N and P removal in wastewater treatment plants | |
CN106769748B (zh) | 膜生物反应器-mbr出水透水率的智能检测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |