CN110262431A - 一种基于工况识别的污水处理过程多目标优化控制方法 - Google Patents
一种基于工况识别的污水处理过程多目标优化控制方法 Download PDFInfo
- Publication number
- CN110262431A CN110262431A CN201910591727.4A CN201910591727A CN110262431A CN 110262431 A CN110262431 A CN 110262431A CN 201910591727 A CN201910591727 A CN 201910591727A CN 110262431 A CN110262431 A CN 110262431A
- Authority
- CN
- China
- Prior art keywords
- switch
- operating mode
- sewage disposal
- disposal process
- control method
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 155
- 230000008569 process Effects 0.000 title claims abstract description 79
- 238000005457 optimization Methods 0.000 title claims abstract description 78
- 239000010865 sewage Substances 0.000 title claims description 72
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000005265 energy consumption Methods 0.000 claims abstract description 30
- 238000013461 design Methods 0.000 claims abstract description 13
- 230000002068 genetic effect Effects 0.000 claims abstract description 13
- 238000011217 control strategy Methods 0.000 claims abstract description 5
- 239000002245 particle Substances 0.000 claims description 39
- 238000011282 treatment Methods 0.000 claims description 9
- 239000012141 concentrate Substances 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000008929 regeneration Effects 0.000 claims description 3
- 238000011069 regeneration method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- FDWIKIIKBRJSHK-UHFFFAOYSA-N 2-(2-methyl-4-oxochromen-5-yl)acetic acid Chemical compound C1=CC=C2OC(C)=CC(=O)C2=C1CC(O)=O FDWIKIIKBRJSHK-UHFFFAOYSA-N 0.000 abstract description 10
- 238000012545 processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 14
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 7
- 239000001301 oxygen Substances 0.000 description 7
- 229910052760 oxygen Inorganic materials 0.000 description 7
- 239000010802 sludge Substances 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 229910002651 NO3 Inorganic materials 0.000 description 3
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 3
- XOLBLPGZBRYERU-UHFFFAOYSA-N SnO2 Inorganic materials O=[Sn]=O XOLBLPGZBRYERU-UHFFFAOYSA-N 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 238000010992 reflux Methods 0.000 description 3
- 238000007634 remodeling Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 101000609957 Homo sapiens PTB-containing, cubilin and LRP1-interacting protein Proteins 0.000 description 2
- 101150109471 PID2 gene Proteins 0.000 description 2
- 102100039157 PTB-containing, cubilin and LRP1-interacting protein Human genes 0.000 description 2
- 238000005273 aeration Methods 0.000 description 2
- 238000005842 biochemical reaction Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 101100190466 Caenorhabditis elegans pid-3 gene Proteins 0.000 description 1
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 description 1
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005189 flocculation Methods 0.000 description 1
- 230000016615 flocculation Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000010841 municipal wastewater Substances 0.000 description 1
- 238000006396 nitration reaction Methods 0.000 description 1
- 210000000299 nuclear matrix Anatomy 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000002957 persistent organic pollutant Substances 0.000 description 1
- FGIUAXJPYTZDNR-UHFFFAOYSA-N potassium nitrate Chemical compound [K+].[O-][N+]([O-])=O FGIUAXJPYTZDNR-UHFFFAOYSA-N 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
- 238000004065 wastewater treatment Methods 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了包括，跟踪控制；工况识别；多目标优化；其中：所述跟踪控制步骤包括：设计底层控制结构；设计动态变值跟踪控制策略；其中：所述工况识别的步骤包括：利用最小二乘支持向量机建立入水参数与能耗/罚款之间的软测量模型；以模型精度为目标，使用自适应遗传算法从多种入水参数中优选出作为识别工况依据的参考变量；本发明首先对实时工况进行识别处理，然后利用历史知识对多目标优化过程进行知识引导，得到当前优化周期的控制器最优设定值组合，最终对知识库进行更新，通过BSM1平台的仿真验证，且本方法能够实现工况的准确识别，有效利用历史最优解信息，降低了计算成本，提高了算法的收敛性，获得了更高质量的优化解。
Description
技术领域
本发明涉及的工业过程建模和优化控制技术领域，尤其涉及一种基于工况识别的污水处理过程多目标优化控制方法。
背景技术
在城市污水处理行业中，活性污泥法是最广泛使用的方法，该方法对污水中各种微生物群体进行连续混合培养，形成活性污泥，利用活性污泥的生物凝聚、吸附和氧化作用分解污水中的有机污染物，在污水处理过程中，为使出水水质达标，需要通过鼓风机和回流泵将好氧区溶解氧浓度(SNO)和厌氧区硝态氮浓度(SO)维持在一个较高的范围，而鼓风机和回流泵的运转会产生的大量的能耗。据统计，活性污泥法处理污水的单位立方米能耗平均为0.2-0.3KWh，而我国每年排放污水总量超过700亿m3，因此如何减少污水处理的能耗是一项具有重要意义的研究任务。
目前主要的污水处理过程优化控制方法，分为单目标优化和多目标优化。单目标优化通过控制溶解氧浓度实现对曝气能耗的优化，但降低能耗即减少鼓风机和回流泵的运转，会引起和降低，从而使得生化反应不充分，出水水质变差。因此能耗降低通常意味着罚款增加，而能耗升高通常意味着罚款减少。而多目标优化综合考虑能耗(Overall CostIndex,OCI)和罚款(Effluent Quality Index,EQI)这两个性能指标，将能耗和罚款同时控制在较低的范围，但一般的多目标优化方法对于每个优化周期实行的都是一种完全随机初始化的搜索策略，如果面对一些工况相似且最优解变化不大的情况，会产生一些不必要的计算成本，而且存在算法收敛性不足等问题。
综上，在污水处理过程中，主要存在以下问题：污水处理过程具有非线性、强耦合、干扰大、入水水质变化剧烈等特征，因此对其中的过程变量很难精确控制；如何设计整体多目标优化控制方法，将OCI和EQI这两个指标均控制在较低的范围；针对工况相似且最优解变化不大的情况，如何利用历史控制经验对实时工况的多目标优化进行知识引导，以降低计算成本，并提高算法收敛性。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有基于工况识别的污水处理过程多目标优化控制方法存在的面对一些工况相似且最优解变化不大的情况产生一些不必要的计算成本，而且存在算法收敛性不足问题，提出了本发明。
因此，本发明目的是提供一种基于工况识别的污水处理过程多目标优化控制方法，。
为解决上述技术问题，本发明提供如下技术方案：一种基于工况识别的污水处理过程多目标优化控制方法，其特征在于：包括，跟踪控制；工况识别；多目标优化。
作为本发明所述基于工况识别的污水处理过程多目标优化控制方法的一种优选方案，其中：所述跟踪控制步骤包括：
设计底层控制结构；
设计动态变值跟踪控制策略。
作为本发明所述基于工况识别的污水处理过程多目标优化控制方法的一种优选方案，其中：所述工况识别的步骤包括：
利用最小二乘支持向量机建立入水参数与能耗/罚款之间的软测量模型；
以模型精度为目标，使用自适应遗传算法从多种入水参数中优选出作为识别工况依据的参考变量；
在不同工况下，基于参考变量之间的马氏距离定义各工况之间的相似度，并根据工况识别的结果对多目标优化过程进行知识引导；
以两个软测量模型的相对均方根误差之和作为评价函数，使用自适应遗传算法对入水参数进行寻优，以优化后得到的变量作为识别工况的参考变量。
作为本发明所述基于工况识别的污水处理过程多目标优化控制方法的一种优选方案，其中：所述以模型精度为目标，使用自适应遗传算法从多种入水参数中优选出作为识别工况依据的参考变量的步骤包括：
在污水处理基准仿真模型1号上以PID恒值控制方式仿真获取所有入水数据所对应的能耗和罚款；
将16种入水参数的选取状态转换成16位二进制编码，选取为1，不选为0；
以选取的入水参数作为辅助变量，能耗和罚款作为两个主导变量，使用LSSVM建立软测量模型。
作为本发明所述基于工况识别的污水处理过程多目标优化控制方法的一种优选方案，其中：所述LSSVM的模型：
式中，为非线性变换映射函数，ω为权向量，b为偏置量。
作为本发明所述基于工况识别的污水处理过程多目标优化控制方法的一种优选方案，其中：所述多目标优化的步骤包括：
基于知识引导的智能决策多目标粒子群算法；
智能决策；
知识引导所述基于知识引导的智能决策多目标粒子群算法的步骤包括：
根据知识引导初始化种群；
通过建立的软测量模型计算适应度，然后更新种群pareto解集、每个个体的历史pareto解集、全局历史最优解gbest、个体历史最优解pbest；
当迭代次数未达到预设循环次数时，根据线性递减权重公式更新粒子速度和位置，然后返回上步骤，循环次数加1；
当迭代次数达到预设次数时，通过智能决策方法从pareto解集中选取最优解。
作为本发明所述基于工况识别的污水处理过程多目标优化控制方法的一种优选方案，其中：所述智能决策的步骤包括：
将pareto解集中所有粒子使用K-means方法进行聚类，聚类个数K由肘部法则确立；
聚类完成后分别选取离K个聚类中心最近的K个粒子作为K个候选解，记为c1、c2…cK；
选择离污水处理过程上一工况最优解的欧式距离最小的候选解，作为当前工况下的控制器设定值最优解。
作为本发明所述基于工况识别的污水处理过程多目标优化控制方法的一种优选方案，其中：所述K-means算法步骤包括：
实现设定最终聚类的类别个数K；
随机选定K个初始点为聚类中心，并通过计算每一个样本与聚类中心之间的欧式距离，将样本点归到最相似的类中；
重新计算每个类的聚类中心，计算方法为对每一类中所有的样本求平均值；
重复上三步，直到各聚类中心不再改变；最终确定每个样本所属的类别以及每个类的聚类中心。
作为本发明所述基于工况识别的污水处理过程多目标优化控制方法的一种优选方案，其中：所述知识引导的步骤：
计算实时入水工况A与知识库中历史工况B1,B2...Bn之间的马氏距离d1,d2...dn；
设定距离阈值β，对d1,d2...dn的大小进行判断，当d1,d2...dn均大于β时，跳至第3步，否则跳至第四步；
d1,d2...dn均大于β，说明知识库中没有与A相似的工况，则跳过知识引导，在限制范围内对粒子位置完全随机初始化；
存在历史工况与A之间的马氏距离小于β，即存在历史工况与A相似，则对粒子的初始化进行知识引导。
本发明的有益效果：本发明首先对实时工况进行识别处理，然后利用历史知识对多目标优化过程进行知识引导，得到当前优化周期的控制器最优设定值组合，最终对知识库进行更新，通过BSM1平台的仿真验证，且本方法能够实现工况的准确识别，有效利用历史最优解信息，降低了计算成本，提高了算法的收敛性，获得了更高质量的优化解，并将能耗和罚款同时控制在较低的范围内，为实际污水厂的优化运行提供了一种新的参考方法。
附图说明
为了更清楚地说明本发明实施例的技术方案，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性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明基于工况识别的污水处理过程多目标优化控制方法的整体方法示意图。
图2为本发明基于工况识别的污水处理过程多目标优化控制方法的活性污泥处理系统结构图。
图3为本发明基于工况识别的污水处理过程多目标优化控制方法的BSM1三种天气下入水参考变量变化图。
图4为本发明基于工况识别的污水处理过程多目标优化控制方法的方法总体结构图。
图5为本发明基于工况识别的污水处理过程多目标优化控制方法所述的跟踪控制过程示意图。
图6为本发明基于工况识别的污水处理过程多目标优化控制方法所述的工况识别过程示意图。
图7为本发明基于工况识别的污水处理过程多目标优化控制方法的选取参考变量的流程图。
图8为本发明基于工况识别的污水处理过程多目标优化控制方法的更新知识库流程图。
图9为本发明基于工况识别的污水处理过程多目标优化控制方法的三种天气下知识库储存工况个数变化示意图。
图10为本发明基于工况识别的污水处理过程多目标优化控制方法所述的多目标优化过程示意图。
图11为本发明基于工况识别的污水处理过程多目标优化控制方法所述的多目标优化流程图。
图12为本发明基于工况识别的污水处理过程多目标优化控制方法所述的控制器设定值与能耗/罚款之间的软测量模型示意图。
图13为本发明基于工况识别的污水处理过程多目标优化控制方法所述的pareto解集中粒子位置。
图14为本发明基于工况识别的污水处理过程多目标优化控制方法所述的成本函数随聚类个数的变化。
图15为本发明基于工况识别的污水处理过程多目标优化控制方法所述的pareto前沿的示意图。
图16为本发明基于工况识别的污水处理过程多目标优化控制方法所述的晴朗天气各控制器的控制效果和误差示意图。
图17为本发明基于工况识别的污水处理过程多目标优化控制方法所述的阴雨天气各控制器的控制效果和误差示意图。
图18为本发明基于工况识别的污水处理过程多目标优化控制方法所述的暴雨天气各控制器的控制效果和误差示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
再其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
实施例
参照图1和图4，提供了一种基于工况识别的污水处理过程多目标优化控制方法的整体结构示意图，如图1，一种基于工况识别的污水处理过程多目标优化控制方法包括步骤：S1：跟踪控制；S2：工况识别；S3：多目标优化。
本方法分为跟踪控制、工况识别和多目标优化三个过程，具体的，
S1：跟踪控制，是系统的基础，使用控制器(PID1和PID2)对好氧区溶解氧浓度和厌氧区硝态氮浓度实现底层跟踪控制；
S2：工况识别部分建立知识库，每当新的工况来临时，利用知识库中的储存工况对其进行识别；
S3：多目标优化受工况识别结果的引导，多目标优化过程对控制器设定值进行寻优，最后将新工况及其最优解储存到知识库中；
本发明为深入研究和改进污水处理过程，欧盟技术合作组织与国际水协联合开发了污水处理基准仿真模型1号(Benchmark Simulation Model No.1,BSM1)，其结果如附图3所示，BSM1共有5个生化反应单元(Unit1-Unit5)，其中Unit1-2为厌氧区，主要进行反硝化反应，Unit3-5为好氧区，主要进行硝化反应；污水依次通过Unit1-5，之后一部分通过内循环从Unit5回流到Unit1，而另一部分则进入二沉池进行沉淀，在二沉池中，上层清水直接排放到河流，下层污泥一部分回流到Unit1形成外循环，另一部分作为剩余污泥排放。
在BSM1中，BSM1的结构如图2中的污水处理工艺部分所示，总能耗(OCI)取决于运行成本，罚款(EQI)取决于出水水质，OCI和EQI的公式化定义如下：
其中，T为采样周期，t0为开始时间，tf为结束时间，SO,sat为溶解氧饱和浓度，Vi为第i个单元的体积，KLai为第i个单元的曝气量，CODEC为外加碳源的化学需氧量，qEC,i为第i个单元的外加碳源流量，TSS为固体悬浮物总浓度,COD为化学需氧量，SNKj为凯氏氮浓度，SNO为硝态氮浓度，BOD5为5日生化需氧量。
BSM1平台自带晴天、雨天、暴雨天三种天气下的入水数据，源于某实际污水厂的运行记录，入水数据采样周期为15min，三组数据均有1344组样本，在三种天气下均使用本专利所提智能优化控制方法对14天的污水处理过程进行仿真，入水参数的变化如附图3所示。
仿真中将14天的污水处理过程划分为112个优化周期，每个优化周期时长3h，即0.125day；在对控制器设定值进行优化之前，通过经验调试确定各控制器的PID参数，并在每个优化周期内，PID参数均不变。
系统具体实施方案步骤如下：
其中，如图5所示，S1：跟踪控制过程包括步骤：
S11：设计底层控制结构；
跟踪控制过程设计了3个动态变值跟踪PID(比例-积分-微分(proportion-integral-derivative))控制器，实现对第4、5反应单元的溶解氧浓度(SO4,SO5)和第2单元硝态氮浓度(SNO2)的底层跟踪控制；控制器的控制结构在表1中给出；
表1：控制器的控制结构
| PID1 | PID2 | PID3 | |
| 控制对象 | S<sub>O4</sub> | S<sub>O5</sub> | S<sub>NO2</sub> |
| 操纵变量 | K<sub>La4</sub> | K<sub>La5</sub> | S<sub>NO2</sub> |
| 设定值 | S<sub>O4set</sub> | S<sub>O5set</sub> | S<sub>NO2set</sub> |
S12：设计动态变值跟踪控制策略；
将14天的污水处理过程拆分成112个优化周期，每个优化周期的时长为3h；每隔3h，即新的优化周期到来时，均对各控制器设定值进行一次多目标优化，获得最优设定值。
其中，如图6所示，S2：工况识别的步骤包括：
S21：利用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)建立入水参数与能耗/罚款之间的软测量模型；
S22：以模型精度为目标，使用自适应遗传算法(Adaptive Genetic Algorithm,AGA)从多种入水参数中优选出作为识别工况依据的参考变量；
S23：在不同工况下，基于参考变量之间的马氏距离(Mahalanobis Distance,MD)定义各工况之间的相似度，并根据工况识别的结果对多目标优化过程进行知识引导。
具体的，S22：以模型精度为目标，使用自适应遗传算法(Adaptive GeneticAlgorithm,AGA)从多种入水参数中优选出作为识别工况依据的参考变量的步骤包括：
S221：在污水处理基准仿真模型1号(Benchmark Simulation Model No.1,BSM1)上以PID恒值控制方式仿真获取所有入水数据所对应的能耗和罚款；
S222：将16种入水参数的选取状态转换成16位二进制编码，选取为1，不选为0，例如选取第1、5、10、15个入水参数，则二进制编码为1000100001000010；
S223：以选取的入水参数作为辅助变量，能耗和罚款作为两个主导变量，使用LSSVM建立软测量模型，表达关系如式1所示：
LSSVM主要是将SVM的非等式约束替换为等式约束，其算法具体步骤如下：训练样本集表示为其中xi＝(x1；x2；...xn)为第i个样本的辅助变量，yi为第i个样本的主导变量，m为样本个数；在特征空间中LSSVM的模型如下：
式中，为非线性变换映射函数，将辅助变量映射到高维空间，ω为权向量，b为偏置量；LSSVM的核心问题是求解ω和b。
定义目标函数如下：
式中，||ω||为ω的二范数，ei为误差变量，λ＞0为惩罚系数；使用拉格朗日乘子法进行求解，得到以下拉格朗日函数：
式中，e＝(e1；e1；...；em)，α＝(α1；α1；...；αm)，αi为拉格朗日乘子；依次计算依次计算得到以下线性方程组：
式中，1＝[1；1；L；1]，q＝[y1,y2,...,yl]T，I为单位矩阵；K为核矩阵，K(i,j)＝k(xi,xj)，其中，核函数这里采用高斯核函数：σ为高斯核的带宽；
将式(3)和式(5)联立，求出α和b，得到LSSVM的非线性函数表达式：
S224：以两个软测量模型的相对均方根误差(RRMSE)之和作为评价函数，使用自适应遗传算法对入水参数进行寻优，以优化后得到的变量作为识别工况的参考变量。
其中，如图7所示，自适应遗传算法的具体步骤如下：
Step1、初始化种群，并转换为二进制编码；
Step2、开始进化循环，循环结束条件为达到进化次数或找到满意的解；
Step3、计算适应度，根据适应度越高选取概率越大的原则，从种群中选择父代，对父代的染色体进行交叉，产生子代，并对子代染色体进行变异；个体的交叉概率Pc和变异概率Pm由以下公式确定：
其中，fmax为种群最大适应度，favg为种群平均适应度，f为要进行交叉的两个个体的适应度中的较大值，f'为要进行变异的个体的适应度，k1、k2、k3、k4为常数，k1≤k2，k3≤k4；
Step4、演化产生新一代种群，进化次数加1；
RRMSE的定义如下：
其中，n为测试样本总数，为样本预测值，为yi样本真实值，为所有样本真实值的平均值。
其中，知识库的建立与更新：
如附图8所示给出了知识库建立与更新的步骤，具体如下：(a)设知识库中储存n个历史工况B1,B2...Bn；当一个新工况A到来时，计算A与B1,B2...Bn的参考变量之间的马氏距离，记为d1,d2...dn；(b)设定阈值α，当d1,d2...dn均大于α时，则所有历史工况与A均不相似，于是将A及其最优解储存到知识库中，否则不储存；
马氏距离可以体现两个服从同一分布的样本x1与x2之间的差异程度，并且减少不同维度之间的量纲差异所带来的负面影响，其定义如下：
其中，d(x1,x2)为x1与x2之间的马氏距离，Σ为x1和x2服从分布的协方差矩阵；附图9给出了三种天气下知识库储存工况个数变化；
进一步的，如图10和图11所示，S3：多目标优化过程的步骤包括：
S31：基于知识引导的智能决策多目标粒子群算法；
利用工况识别的结果，多目标优化过程采用一种基于知识引导的智能决策多目标粒子群算法，对各控制器设定值进行寻优；多目标粒子群算法的粒子维数为3维，分别为3个控制器的设定值SO4set、SO5set和SNO2set；通过BSM1仿真得到当前工况下不同设定值组合各自对应的能耗和罚款，然后以控制器设定值为辅助变量，能耗和罚款为两个主导变量建立软测量模型，该模型的输出作为多目标粒子群算法的适应度函数；软测量模型结构示意图如附图12所示；
基于知识引导的智能决策多目标粒子群算法具体步骤如下：
S311：根据知识引导初始化种群；
S312：通过建立的软测量模型计算适应度，然后更新种群pareto解集、每个个体的历史pareto解集、全局历史最优解gbest、个体历史最优解pbest；
S313：当迭代次数未达到预设循环次数时，根据线性递减权重公式更新粒子速度和位置，然后返回(b)步骤，循环次数加1，更新公式如下：
式中，k为当前迭代次数，ωk为第k+1次迭代时的惯性权重，ωmax和ωmin为预设权重最大/最小值，kmax为最大迭代次数，Vik+1为粒子i在第k+1次迭代时的速度，为粒子i在第k+1次迭代时的位置，c1、c2为学习因子，r1、r2为两个随机函数，取值范围为[0,1]，为粒子i在第k次迭代结束时的个体最优解，gbestk为第k次迭代结束时的全局最优解；
S314：当迭代次数达到预设次数时，通过智能决策方法从pareto解集中选取最优解；
迭代过程中，当历史pareto解集中粒子数目大于设定上限时，根据粒子疏密度对pareto解集进行筛选，删除一些密集度较高的pareto解，提高搜索的全面性；每轮迭代的gbest从种群pareto解集中按疏密度选取，密集度较低的pareto解被选中的概率更大，避免算法陷入局部最优；而每个粒子的pbest从该个体的历史pareto解集中随机选取；
pareto解集的定义如下：设有两个n维的粒子a和b，如果a的每一个适应度都比b小，那么称a支配b，或b被a支配；在一个集合中，如果某个粒子没有被其他任何粒子支配，则该粒子称为一个非支配解或非劣解；对于一个集合A，A中所有非支配解的集合成为A的pareto解集；
S32：智能决策；
从pareto解集中智能决策选出最优解的步骤如下：
S321：将pareto解集中所有粒子使用K-means方法进行聚类，聚类个数K由肘部法则确立；
K-Means算法步骤如下：(a)实现设定最终聚类的类别个数K；(b)随机选定K个初始点为聚类中心，并通过计算每一个样本与聚类中心之间的欧式距离，将样本点归到最相似的类中；(c)重新计算每个类的聚类中心，计算方法为对每一类中所有的样本求平均值；(d)重复(a)-(c)步，直到各聚类中心不再改变；最终确定每个样本所属的类别以及每个类的聚类中心；
欧氏距离：设样本点A(a1,a2,L an)，B(b1,b2,L bn)，则A和B之间的欧式距离如下：
肘部法则通过分析成本函数J随聚类个数改变的变化率，确定聚类个数K；成本函数定义如下：
其中，Ci为第i类的样本集合，μi为第i类的聚类中心。随着K值的增大成本会得到改善，但改善效果会不断减低。肘部法则选择成本改善效果下降幅度最大的位置对应的K值作为预设聚类中心个数；
S322：聚类完成后分别选取离K个聚类中心最近的K个粒子作为K个候选解，记为c1、c2…cK；
S323：选择离污水处理过程上一工况最优解的欧式距离最小的候选解，作为当前工况下的控制器设定值最优解；
附图13给出了pareto解集中粒子位置；附图14给出了成本函数随聚类个数的变化；附图15给出了pareto前沿的示意图；
S323：知识引导；
对多目标优化的知识引导过程步骤如下：
(a)计算实时入水工况A与知识库中历史工况B1,B2...Bn之间的马氏距离d1,d2...dn；
(b)设定距离阈值β，对d1,d2...dn的大小进行判断，当d1,d2...dn均大于β时，跳至第3步，否则跳至(d)步；
(c)d1,d2...dn均大于β，说明知识库中没有与A相似的工况，则跳过知识引导，在限制范围内对粒子位置完全随机初始化；
(d)存在历史工况与A之间的马氏距离小于β，即存在历史工况与A相似，则对粒子的初始化进行知识引导：若当前有i个历史工况与A相似，种群个数为M，则随机初始化M-i个粒子，另外i个粒子的初始位置沿用A的相似历史工况的最优解。
经过多目标优化后得到每个优化周期的控制器最优设定值组合后，将每个优化周期内的控制器设定值设定成搜索到的最优设定值，进行仿真后，得到整个污水处理过程的能耗、罚款，以及过程中其他水质参数等数据。
附图16、17和18分别是晴朗/阴雨/暴雨天气各控制器的控制效果和误差示意图，图中可看出，设定值曲线与实际浓度曲线基本吻合，动态变值跟踪控制器的跟踪性能较好。
表2给出了三种天气下不同控制方法在污水处理过程中产生的能耗和罚款对比，OCI单位为KWh/d，EQI单位为kg poll.Units/d；表中，Openloop表示开环控制，CCS表示闭环恒值PID控制，SOOC为单目标优化控制，MOOC为多目标优化控制，CRBMO为本专利所提基于工况识别的污水处理智能优化控制方法；表中的升降百分比表示该方法与开环控制的能耗或罚款的对比。
表2：三种不同控制策略下产生的能耗和罚款性能指标比较
从表2中的数据可看出，本文所用CRBMO智能优化控制方法，相比较开环控制，晴天、雨天、暴雨天的OCI和EQI分别下降了11.42％、4.80％、12.17％、3.82％、11.15％和5.04％，明显的降低了污水处理过程中的能耗和罚款，与闭环PID恒值控制和单目标优化控制相比，能耗显著下降，而罚款只有略微的上升，而对比多目标优化方法，从数值上就可以明显看出本文所用方法仍然具有很大的优越性。
重要的是，应注意，在多个不同示例性实施方案中示出的本申请的构造和布置仅是例示性的。尽管在此公开内容中仅详细描述了几个实施方案，但参阅此公开内容的人员应容易理解，在实质上不偏离该申请中所描述的主题的新颖教导和优点的前提下，许多改型是可能的(例如，各种元件的尺寸、尺度、结构、形状和比例、以及参数值(例如，温度、压力等)、安装布置、材料的使用、颜色、定向的变化等)。例如，示出为整体成形的元件可以由多个部分或元件构成，元件的位置可被倒置或以其它方式改变，并且分立元件的性质或数目或位置可被更改或改变。因此，所有这样的改型旨在被包含在本发明的范围内。可以根据替代的实施方案改变或重新排序任何过程或方法步骤的次序或顺序。在权利要求中，任何“装置加功能”的条款都旨在覆盖在本文中所描述的执行所述功能的结构，且不仅是结构等同而且还是等同结构。在不背离本发明的范围的前提下，可以在示例性实施方案的设计、运行状况和布置中做出其他替换、改型、改变和省略。因此，本发明不限制于特定的实施方案，而是扩展至仍落在所附的权利要求书的范围内的多种改型。
此外，为了提供示例性实施方案的简练描述，可以不描述实际实施方案的所有特征(即，与当前考虑的执行本发明的最佳模式不相关的那些特征，或于实现本发明不相关的那些特征)。
应理解的是，在任何实际实施方式的开发过程中，如在任何工程或设计项目中，可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的，但对于那些得益于此公开内容的普通技术人员来说，不需要过多实验，所述开发努力将是一个设计、制造和生产的常规工作。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于工况识别的污水处理过程多目标优化控制方法，其特征在于：包括，
跟踪控制；
工况识别；
多目标优化。
2.如权利要求1所述的基于工况识别的污水处理过程多目标优化控制方法，其特征在于：所述跟踪控制步骤包括：
设计底层控制结构；
设计动态变值跟踪控制策略。
3.如权利要求1或2所述的基于工况识别的污水处理过程多目标优化控制方法，其特征在于：所述工况识别的步骤包括：
利用最小二乘支持向量机建立入水参数与能耗/罚款之间的软测量模型；
以模型精度为目标，使用自适应遗传算法从多种入水参数中优选出作为识别工况依据的参考变量；
在不同工况下，基于参考变量之间的马氏距离定义各工况之间的相似度，并根据工况识别的结果对多目标优化过程进行知识引导；
以两个软测量模型的相对均方根误差之和作为评价函数，使用自适应遗传算法对入水参数进行寻优，以优化后得到的变量作为识别工况的参考变量。
4.如权利要求3所述的基于工况识别的污水处理过程多目标优化控制方法，其特征在于：所述以模型精度为目标，使用自适应遗传算法从多种入水参数中优选出作为识别工况依据的参考变量的步骤包括：
在污水处理基准仿真模型1号上以PID恒值控制方式仿真获取所有入水数据所对应的能耗和罚款；
将16种入水参数的选取状态转换成16位二进制编码，选取为1，不选为0；
以选取的入水参数作为辅助变量，能耗和罚款作为两个主导变量，使用LSSVM建立软测量模型。
5.如权利要求4所述的基于工况识别的污水处理过程多目标优化控制方法，其特征在于：所述LSSVM的模型：
式中，为非线性变换映射函数，ω为权向量，b为偏置量。
6.如权利要求1、2、4或5任一所述的基于工况识别的污水处理过程多目标优化控制方法，其特征在于：所述多目标优化的步骤包括：
基于知识引导的智能决策多目标粒子群算法；
智能决策；
知识引导。
7.如权利要求6所述的基于工况识别的污水处理过程多目标优化控制方法，其特征在于：所述基于知识引导的智能决策多目标粒子群算法的步骤包括：
根据知识引导初始化种群；
通过建立的软测量模型计算适应度，然后更新种群pareto解集、每个个体的历史pareto解集、全局历史最优解gbest、个体历史最优解pbest；
当迭代次数未达到预设循环次数时，根据线性递减权重公式更新粒子速度和位置，然后返回上步骤，循环次数加1；
当迭代次数达到预设次数时，通过智能决策方法从pareto解集中选取最优解。
8.如权利要求7所述的基于工况识别的污水处理过程多目标优化控制方法，其特征在于：所述智能决策的步骤包括：
将pareto解集中所有粒子使用K-means方法进行聚类，聚类个数K由肘部法则确立；
聚类完成后分别选取离K个聚类中心最近的K个粒子作为K个候选解，记为c1、c2…cK；
选择离污水处理过程上一工况最优解的欧式距离最小的候选解，作为当前工况下的控制器设定值最优解。
9.如权利要求8所述的基于工况识别的污水处理过程多目标优化控制方法，其特征在于：所述K-means算法步骤包括：
实现设定最终聚类的类别个数K；
随机选定K个初始点为聚类中心，并通过计算每一个样本与聚类中心之间的欧式距离，将样本点归到最相似的类中；
重新计算每个类的聚类中心，计算方法为对每一类中所有的样本求平均值；
重复上三步，直到各聚类中心不再改变；最终确定每个样本所属的类别以及每个类的聚类中心。
10.如权利要求9所述的基于工况识别的污水处理过程多目标优化控制方法，其特征在于：所述知识引导的步骤：
计算实时入水工况A与知识库中历史工况B1,B2...Bn之间的马氏距离d1,d2...dn；
设定距离阈值β，对d1,d2...dn的大小进行判断，当d1,d2...dn均大于β时，跳至第3步，否则跳至第四步；
d1,d2...dn均大于β，说明知识库中没有与A相似的工况，则跳过知识引导，在限制范围内对粒子位置完全随机初始化；
存在历史工况与A之间的马氏距离小于β，即存在历史工况与A相似，则对粒子的初始化进行知识引导。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910591727.4A CN110262431B (zh) | 2019-07-03 | 2019-07-03 | 一种基于工况识别的污水处理过程多目标优化控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910591727.4A CN110262431B (zh) | 2019-07-03 | 2019-07-03 | 一种基于工况识别的污水处理过程多目标优化控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110262431A true CN110262431A (zh) | 2019-09-20 |
| CN110262431B CN110262431B (zh) | 2020-09-08 |
Family
ID=67923936
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910591727.4A Active CN110262431B (zh) | 2019-07-03 | 2019-07-03 | 一种基于工况识别的污水处理过程多目标优化控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110262431B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111681126A (zh) * | 2020-04-21 | 2020-09-18 | 上海西派埃智能化系统有限公司 | 一种基于水处理提升泵组能效评估的智能控制系统和方法 |
| CN112099354A (zh) * | 2020-09-14 | 2020-12-18 | 江南大学 | 一种面向污水处理过程的智能多目标优化控制方法 |
| CN113511736A (zh) * | 2021-05-18 | 2021-10-19 | 广州中国科学院沈阳自动化研究所分所 | 一种污水处理智能曝气方法及装置 |
| CN114741966A (zh) * | 2022-04-19 | 2022-07-12 | 南京工业大学 | 一种反应精馏有机污染物产治协同的分级优化控制方法 |
| CN116679026A (zh) * | 2023-06-27 | 2023-09-01 | 江南大学 | 自适应无偏有限脉冲响应滤波的污水溶解氧浓度估计方法 |
| CN116863465A (zh) * | 2023-09-01 | 2023-10-10 | 四川省每文环保科技有限公司 | 一种污水智能运行监测系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009297606A (ja) * | 2008-06-11 | 2009-12-24 | Hitachi Ltd | 上下水処理場の監視制御システム |
| CN102621883A (zh) * | 2012-04-01 | 2012-08-01 | 广东电网公司电力科学研究院 | Pid参数整定方法及pid参数整定系统 |
| CN203053955U (zh) * | 2012-11-28 | 2013-07-10 | 广州中国科学院沈阳自动化研究所分所 | 一种污水生物毒性在线监测系统 |
| CN108549234A (zh) * | 2018-05-11 | 2018-09-18 | 江南大学 | 一种基于动态变值的多目标优化控制方法 |
| CN109231389A (zh) * | 2018-10-19 | 2019-01-18 | 中南大学 | 一种用于重金属废水处理过程的多工况协调优化方法 |
| CN110032755A (zh) * | 2019-02-27 | 2019-07-19 | 石家庄铁道大学 | 多工况下城市污水处理过程多目标优化方法 |
-
2019
- 2019-07-03 CN CN201910591727.4A patent/CN110262431B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009297606A (ja) * | 2008-06-11 | 2009-12-24 | Hitachi Ltd | 上下水処理場の監視制御システム |
| CN102621883A (zh) * | 2012-04-01 | 2012-08-01 | 广东电网公司电力科学研究院 | Pid参数整定方法及pid参数整定系统 |
| CN203053955U (zh) * | 2012-11-28 | 2013-07-10 | 广州中国科学院沈阳自动化研究所分所 | 一种污水生物毒性在线监测系统 |
| CN108549234A (zh) * | 2018-05-11 | 2018-09-18 | 江南大学 | 一种基于动态变值的多目标优化控制方法 |
| CN109231389A (zh) * | 2018-10-19 | 2019-01-18 | 中南大学 | 一种用于重金属废水处理过程的多工况协调优化方法 |
| CN110032755A (zh) * | 2019-02-27 | 2019-07-19 | 石家庄铁道大学 | 多工况下城市污水处理过程多目标优化方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111681126A (zh) * | 2020-04-21 | 2020-09-18 | 上海西派埃智能化系统有限公司 | 一种基于水处理提升泵组能效评估的智能控制系统和方法 |
| CN112099354A (zh) * | 2020-09-14 | 2020-12-18 | 江南大学 | 一种面向污水处理过程的智能多目标优化控制方法 |
| CN112099354B (zh) * | 2020-09-14 | 2022-07-29 | 江南大学 | 一种面向污水处理过程的智能多目标优化控制方法 |
| CN113511736A (zh) * | 2021-05-18 | 2021-10-19 | 广州中国科学院沈阳自动化研究所分所 | 一种污水处理智能曝气方法及装置 |
| CN113511736B (zh) * | 2021-05-18 | 2023-01-13 | 广州中国科学院沈阳自动化研究所分所 | 一种污水处理智能曝气方法及装置 |
| CN114741966A (zh) * | 2022-04-19 | 2022-07-12 | 南京工业大学 | 一种反应精馏有机污染物产治协同的分级优化控制方法 |
| CN116679026A (zh) * | 2023-06-27 | 2023-09-01 | 江南大学 | 自适应无偏有限脉冲响应滤波的污水溶解氧浓度估计方法 |
| CN116863465A (zh) * | 2023-09-01 | 2023-10-10 | 四川省每文环保科技有限公司 | 一种污水智能运行监测系统 |
| CN116863465B (zh) * | 2023-09-01 | 2023-12-12 | 四川省每文环保科技有限公司 | 一种污水智能运行监测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110262431B (zh) | 2020-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110262431A (zh) | 一种基于工况识别的污水处理过程多目标优化控制方法 | |
| Han et al. | Dynamic MOPSO-based optimal control for wastewater treatment process | |
| CN108549234B (zh) | 一种基于动态变值的多目标优化控制方法 | |
| CN105404151B (zh) | 污水处理过程动态多目标优化控制方法 | |
| CN101576734B (zh) | 基于动态径向基神经网络的溶解氧的控制方法 | |
| 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 | |
| CN109146121A (zh) | 基于pso-bp模型的停限产情况下的电量预测方法 | |
| CN106802563B (zh) | 一种基于果蝇优化和lssvm的污水过程优化控制方法 | |
| CN115356930B (zh) | 一种污水处理过程中的多目标优化控制系统及方法 | |
| CN112099354B (zh) | 一种面向污水处理过程的智能多目标优化控制方法 | |
| CN109711070A (zh) | 一种基于活性污泥水处理的溶解氧浓度优化方法 | |
| CN110032755B (zh) | 多工况下城市污水处理过程多目标优化方法 | |
| CN104009494A (zh) | 一种环境经济发电调度方法 | |
| CN111125907B (zh) | 一种基于混合智能模型的污水处理氨氮软测量方法 | |
| CN112396301A (zh) | 基于能源大数据驱动的电力用户需求响应特性控制方法 | |
| CN102841979A (zh) | 一种基于pca-ga-svr的污泥回流量预测方法 | |
| CN112712268A (zh) | 一种海绵城市优化布局与综合效益评价方法 | |
| Han et al. | Multi-objective integrated optimal control for a wastewater treatment process | |
| CN117389142A (zh) | 污水处理厂生化反应池预测推演与安全实时控制方法 | |
| Li et al. | An effective dynamic immune optimization control for the wastewater treatment process | |
| CN114488822A (zh) | 基于高维多目标进化算法的智能污水处理过程优化方法 | |
| CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
| Lin et al. | Prediction of wastewater treatment system based on deep learning | |
| CN102663230B (zh) | 一种基于遗传算法的土地资源评价因子级别划分方法 | |
| Lu et al. | Research on the allocation of water resources engineering projects based on multi-objective optimization |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220727 Address after: Room 105-1, building C, No. 4, Longshan Road, Xinwu District, Wuxi City, Jiangsu Province, 214000 Patentee after: Wuxi Qingda Baite Environmental Protection Engineering Co.,Ltd. Address before: No. 1800 road 214122 Jiangsu Lihu Binhu District City of Wuxi Province Patentee before: Jiangnan University |
|
| TR01 | Transfer of patent right |