CN111399455B - 一种基于运行过程信息的城市污水处理实时优化控制方法 - Google Patents
一种基于运行过程信息的城市污水处理实时优化控制方法 Download PDFInfo
- Publication number
- CN111399455B CN111399455B CN202010219077.3A CN202010219077A CN111399455B CN 111399455 B CN111399455 B CN 111399455B CN 202010219077 A CN202010219077 A CN 202010219077A CN 111399455 B CN111399455 B CN 111399455B
- Authority
- CN
- China
- Prior art keywords
- sewage treatment
- concentration
- process information
- population
- energy consumption
- 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
- 238000000034 method Methods 0.000 title claims abstract description 87
- 239000010865 sewage Substances 0.000 title claims abstract description 63
- 238000005457 optimization Methods 0.000 title claims abstract description 47
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 54
- 239000001301 oxygen Substances 0.000 claims abstract description 54
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 54
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 claims abstract description 43
- 238000005265 energy consumption Methods 0.000 claims abstract description 32
- 238000010992 reflux Methods 0.000 claims abstract description 17
- 238000013461 design Methods 0.000 claims abstract description 11
- 238000012546 transfer Methods 0.000 claims abstract description 8
- 238000005273 aeration Methods 0.000 claims abstract description 6
- 239000000463 material Substances 0.000 claims description 4
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000010841 municipal wastewater Substances 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 239000000725 suspension Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004065 wastewater treatment Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 2
- 238000004064 recycling Methods 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
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
- 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]
- G05B19/41875—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 quality surveillance of production
-
- 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
- G05B2219/32368—Quality control
-
- 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)
- Feedback Control In General (AREA)
- Activated Sludge Processes (AREA)
- Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)
Abstract
一种基于运行过程信息的城市污水处理实时优化控制方法属于污水处理领域。城市污水的再生回用是缓解水资源短缺对社会经济发展影响的有效方法，其优化控制目标是减少能源消耗和排污费用。本发明以最小化能源消耗和排污费用作为优化目标，使用污水处理实时运行数据，获得运行过程信息，设计基于运行过程信息的多目标差分进化算法，获得溶解氧浓度和硝态氮浓度的动态优化设定值，以曝气量和内循环回流量为控制量，氧传递系数和内回流量为操作量，对优化设定值进行跟踪，有效减少了能源消耗和排污费用，提高了城市污水处理的社会效益与经济效益。
Description
技术领域
本发明针对城市污水处理过程的优化运行问题，设计了一种溶解氧浓度和硝态氮浓度的实时优化控制方法，使用污水处理实时运行数据，获得运行过程信息，设计基于运行过程信息的多目标差分进化算法，获得溶解氧浓度和硝态氮浓度的动态优化设定值，并对设定值进行跟踪。对城市污水处理过程溶解氧浓度和硝态氮浓度的实时优化控制，是减少能源消耗和排污费用的有效方法，既属于控制领域，又属于污水处理领域。
背景技术
城市污水的再生回用能够减少人类对自然水的需求量，有效缓解水资源短缺对社会经济发展的影响。基于运行过程信息的城市污水处理实时优化控制方法，能够使用污水处理实时运行数据，基于运行过程信息，得到溶解氧浓度和硝态氮浓度的动态优化设定值，并对设定值进行跟踪，有效减少污水处理能源消耗和排污费用，具有显著的社会效益与经济效益。因此，本发明的研究成果具有广阔的应用前景。
城市污水处理优化控制的目标是减少能源消耗和排污费用，由污水处理过程的反应机理和物料平衡关系可知，可控量是溶解氧浓度和硝态氮浓度。在求取溶解氧浓度和硝态氮浓度的优化设定值时，传统优化方法没有考虑实时运行数据，无法体现运行过程对求取最优设定值的影响。但是，城市污水处理过程是一个典型的流程工业，运行数据实时变化，在优化过程中不考虑运行过程信息，将影响最优设定值的取值，最终影响节能减排的效果。因此，如何挖掘运行过程信息，对污水处理过程进行实时优化控制，已经成为城市污水处理优化控制过程中亟需解决的问题，具有重要的现实意义。
本发明提出一种基于运行过程信息的城市污水处理实时优化控制方法，将最小化能源消耗和排污费用作为优化目标，使用污水处理实时运行数据，获得运行过程信息，设计基于运行过程信息的多目标差分进化算法，得到溶解氧浓度和硝态氮浓度的动态优化设定值，以曝气量和内循环回流量为控制量，以氧传递系数和内回流量为操作量，实现对溶解氧浓度和硝态氮浓度最优设定值的跟踪，从而减少能源消耗和排污费用。
发明内容
本发明获得了一种基于运行过程信息的城市污水处理实时优化控制方法，该方法以城市污水处理优化运行为目标，设计基于运行过程信息的多目标差分进化算法，获得溶解氧浓度和硝态氮浓度的动态最优设定值，操作氧传递系数和内回流量，完成对优化设定值的跟踪，实现节能减排的控制目标。
本发明采用了如下的技术方案及实现步骤：
(1)构建优化控制目标
由污水处理反应机理和物料平衡关系，构建优化控制目标：
其中，fE(t)为城市污水处理第t时刻的能源消耗，fQ(t)为城市污水处理第t时刻的排污费用，t为城市污水处理过程中的时间点，WEn(t)和WQn(t)为能源消耗和排污费用中第n个核函数的连接权值，ν(t)＝[SO(t),SNO(t),MLSS(t)]，α(t)＝[SO(t),SNO(t),SS(t),SNH(t)]，SO(t)为溶解氧浓度，SNO(t)为硝态氮浓度,MLSS(t)为混合悬浮液的固体浓度,SS(t)为悬浮物浓度，SNH(t)为氨氮浓度，cEn(t)和cQn(t)为能源消耗和排污费用中第n个核函数的中心值，bEn(t)和bQn(t)为能源消耗和排污费用中第n个核函数的宽度值，WEn(t)，WQn(t)，cEn(t)，cQn(t)，bEn(t)和bQn(t)均可取0到1之间的任意值；
(2)设计实时优化方法
采用基于运行过程信息的多目标差分进化算法，求取城市污水处理第t时刻溶解氧浓度和硝态氮浓度的优化设定值，具体步骤为：
①随机产生初始种群
设定城市污水处理第t时刻的初始种群规模为NP0(t)，初始变异率为F0(t)，初始交叉率为Cr0(t)，种群最大进化代数为N，随机产生初始种群：
其中，
为第t时刻初始种群中溶解氧浓度的第i个随机值，
为第t时刻初始种群中硝态氮浓度的第i个随机值，
②基于运行过程信息的变异操作
使用城市污水处理第t时刻的运行数据SO(t),SNO(t),SS(t),SNH(t)和MLSS(t)，由式(1)和式(2)得到能源消耗和排污费用的数值，计算第n代种群的运行过程信息θn(t)：
其中，
和
分别是第t时刻第n代种群能源消耗和排污费用总和的最大值和最小值；基于运行过程信息，设计变异率的动态调整机制，计算第n代种群中第i个个体的变异率Fi n(t)：
其中，
和
分别是第n代种群中第i个个体变异率的上限和下限，
和
可取0到1之间的任意值，且
设计变异策略的选择机制，对第n代种群中第i个个体进行变异操作，得到合成个体
其中，
和
是第n代三个不同的随机个体，
是第n代的最优个体，r1、r2和r3是1到NPn(t)之间不同于i的互不相同的随机实数，参数
是根据实验分析得到的经验值，θ0(t)是初始种群的运行过程信息；
③基于运行过程信息的交叉操作
基于运行过程信息，设计交叉率的动态调整机制，计算第n代种群中第i个个体的交叉率Cri n(t)：
其中，fi n(t)是第n代种群中第i个个体能源消耗和排污费用的总和，
是第n代种群能源消耗和排污费用总和的平均值，
和
分别是第n代种群中第i个个体交叉率的上限和下限，
和
可取0到1之间的任意值，且
对合成个体采用二项式交叉策略，进行交叉操作，得到试验个体
其中，rand[0,1]是[0,1]之间的随机数，qrand是随机选择的一个标志位，以保证在进化过程中算法能够从父代中继承至少一位元素；
④选择操作
对当前种群进行非占优排序，得到下一代种群个体；
⑤判断终止条件
若n<N，则返回步骤②，否则终止寻优，并输出城市污水处理第t时刻溶解氧浓度和硝态氮浓度的优化设定值；
(3)跟踪优化设定值
①计算系统的跟踪误差
其中，X(t)为第t时刻溶解氧浓度和硝态氮浓度的优化设定值，
为第t时刻溶解氧浓度和硝态氮浓度的实际值，
②计算操作量的控制率u(t)：
其中，u(t)＝[KLa(t),Qa(t)]，KLa(t)为氧传递系数，Qa(t)为内回流量，Kp为比例系数，Ki为积分系数；
③控制污水处理过程的曝气量和内回流量，以操作氧传递系数和内回流量，实现对第t时刻溶解氧浓度和硝态氮浓度优化设定值的跟踪，系统输出为第t时刻溶解氧浓度和硝态氮浓度的实际值。
本发明的创造性主要体现在：
(1)本发明以城市污水处理优化运行为目标，设计基于运行过程信息的城市污水处理实时优化控制方法，实现溶解氧浓度和硝态氮浓度的优化控制，具有控制精度高、稳定性好等特点；
(2)本发明使用污水处理实时运行数据，获得运行过程信息，设计基于运行过程信息的多目标差分进化算法，自适应调整算法的变异率、交叉率、种群规模和变异策略，均衡算法的局部搜索能力和全局探索能力，获得溶解氧浓度和硝态氮浓度的动态优化设定值。
特别要注意：本发明以城市污水处理优化运行为目标，设计基于运行过程信息的多目标差分进化算法，获得溶解氧浓度和硝态氮浓度的动态优化设定值，操作氧传递系数和内回流量，对优化设定值进行跟踪，只要采用了本发明的优化目标及优化算法进行城市污水处理优化控制的研究都应属于本发明的范围。
附图说明
图1是本发明的优化控制方法结构图；
图2是本发明控制方法中溶解氧浓度SO优化控制结果图
图3是本发明控制方法中硝态氮浓度SNO优化控制结果图
具体实施方式
本发明以城市污水处理优化运行为目标，采用如下的技术方案及实现步骤。
对城市污水处理过程中溶解氧浓度和硝态氮浓度进行实时优化控制，以曝气量和内循环回流量为控制量，氧传递系数和内回流量为操作量，优化控制方式结构如图1。基于运行过程信息的城市污水处理实时优化控制方法包括以下步骤：
(1)构建优化控制目标
由污水处理反应机理和物料平衡关系，构建优化控制目标：
其中，fE(t)为城市污水处理第t时刻的能源消耗，fQ(t)为城市污水处理第t时刻的排污费用，t为城市污水处理过程中的时间点，WEn(t)和WQn(t)为能源消耗和排污费用中第n个核函数的连接权值，WEn(t)＝0.45，WQn(t)＝0.55，ν(t)＝[SO(t),SNO(t),MLSS(t)]，α(t)＝[SO(t),SNO(t),SS(t),SNH(t)]，SO(t)为溶解氧浓度，SNO(t)为硝态氮浓度,MLSS(t)为混合悬浮液的固体浓度,SS(t)为悬浮物浓度，SNH(t)为氨氮浓度，cEn(t)和cQn(t)为能源消耗和排污费用中第n个核函数的中心值，cEn(t)＝0.35，cQn(t)＝0.65，bEn(t)和bQn(t)为能源消耗和排污费用中第n个核函数的宽度值，bEn＝0.70，bQn(t)＝0.40；
(2)设计实时优化方法
采用基于运行过程信息的多目标差分进化算法，求取城市污水处理第t时刻溶解氧浓度和硝态氮浓度的优化设定值，具体步骤为：
①随机产生初始种群
设定城市污水处理第t时刻的初始种群规模为NP0(t)，初始变异率为F0(t)，初始交叉率为Cr0(t)，种群最大进化代数为N，随机产生初始种群：
其中，
为第t时刻初始种群中溶解氧浓度的第i个随机值，
为第t时刻初始种群中硝态氮浓度的第i个随机值，
②基于运行过程信息的变异操作
使用城市污水处理第t时刻的运行数据SO(t),SNO(t),SS(t),SNH(t)和MLSS(t)，由式(1)和式(2)得到能源消耗和排污费用的数值，计算第n代种群的运行过程信息θn(t)：
其中，
和
分别是第t时刻第n代种群能源消耗和排污费用总和的最大值和最小值；基于运行过程信息，设计变异率的动态调整机制，计算第n代种群中第i个个体的变异率Fi n(t)：
其中，
和
分别是第n代种群中第i个个体变异率的上限和下限，
设计变异策略的选择机制，对第n代种群中第i个个体进行变异操作，得到合成个体
其中，
和
是第n代三个不同的随机个体，
是第n代的最优个体，r1、r2和r3是1到NPn(t)之间不同于i的互不相同的随机实数，参数
是根据实验分析得到的经验值，θ0(t)是初始种群的运行过程信息；
③基于运行过程信息的交叉操作
基于运行过程信息，设计交叉率的动态调整机制，计算第n代种群中第i个个体的交叉率
其中，fi n(t)是第n代种群中第i个个体能源消耗和排污费用的总和，
是第n代种群能源消耗和排污费用总和的平均值，
和
分别是第n代种群中第i个个体交叉率的上限和下限，
对合成个体采用二项式交叉策略，进行交叉操作，得到试验个体
其中，rand[0,1]是[0,1]之间的随机数，qrand是随机选择的一个标志位，以保证在进化过程中算法能够从父代中继承至少一位元素；
④选择操作
对当前种群进行非占优排序，得到下一代种群个体；
⑤判断终止条件
若n<N，则返回步骤②，否则终止寻优，并输出城市污水处理第t时刻溶解氧浓度和硝态氮浓度的优化设定值；
(3)跟踪优化设定值
①计算系统的跟踪误差
其中，X(t)为第t时刻溶解氧浓度和硝态氮浓度的优化设定值，
为第t时刻溶解氧浓度和硝态氮浓度的实际值，
②计算操作量的控制率u(t)：
其中，u(t)＝[KLa(t),Qa(t)]，KLa(t)为氧传递系数，Qa(t)为内回流量，Kp＝200，Ki＝50；
③控制污水处理过程的曝气量和内回流量，以操作氧传递系数和内回流量，实现对第t时刻溶解氧浓度和硝态氮浓度优化设定值的跟踪，系统输出为第t时刻溶解氧浓度和硝态氮浓度的实际值；图2显示系统的溶解氧浓度优化设定值和跟踪控制结果，X轴：时间，单位是天，Y轴：溶解氧浓度，单位是毫克/升，实线为溶解氧浓度实时优化设定值，虚线是溶解氧浓度跟踪控制值；图3显示系统的硝态氮浓度优化设定值和跟踪控制结果，X轴：时间，单位是天，Y轴：硝态氮浓度，单位是毫克/升，实线为硝态氮浓度实时优化设定值，虚线是硝态氮浓度跟踪控制值；结果证明该方法的有效性。
Claims (1)
1.一种基于运行过程信息的城市污水处理实时优化控制方法，其特征在于包括以下步骤：
(1)构建优化控制目标
由污水处理反应机理和物料平衡关系，构建优化控制目标：
其中，fE(t)为城市污水处理第t时刻的能源消耗，fQ(t)为城市污水处理第t时刻的排污费用，t为城市污水处理过程中的时间点，WEn(t)和WQn(t)为能源消耗和排污费用中第n个核函数的连接权值，ν(t)＝[SO(t),SNO(t),MLSS(t)]，α(t)＝[SO(t),SNO(t),SS(t),SNH(t)]，SO(t)为溶解氧浓度，SNO(t)为硝态氮浓度,MLSS(t)为混合悬浮液的固体浓度,SS(t)为悬浮物浓度，SNH(t)为氨氮浓度，cEn(t)和cQn(t)为能源消耗和排污费用中第n个核函数的中心值，bEn(t)和bQn(t)为能源消耗和排污费用中第n个核函数的宽度值，WEn(t)，WQn(t)，cEn(t)，cQn(t)，bEn(t)和bQn(t)均取0到1之间的任意值；
(2)设计实时优化方法
采用基于运行过程信息的多目标差分进化算法，求取城市污水处理第t时刻溶解氧浓度和硝态氮浓度的优化设定值，具体步骤为：
①随机产生初始种群
设定城市污水处理第t时刻的初始种群规模为NP0(t)，初始变异率为F0(t)，初始交叉率为Cr0(t)，种群最大进化代数为N，随机产生初始种群：
其中，
为第t时刻初始种群中溶解氧浓度的第i个随机值，
为第t时刻初始种群中硝态氮浓度的第i个随机值，
②基于运行过程信息的变异操作
使用城市污水处理第t时刻的运行数据SO(t),SNO(t),SS(t),SNH(t)和MLSS(t)，由式(1)和式(2)得到能源消耗和排污费用的数值，计算第n代种群的运行过程信息θn(t)：
其中，
和
分别是第t时刻第n代种群能源消耗和排污费用总和的最大值和最小值；基于运行过程信息，设计变异率的动态调整机制，计算第n代种群中第i个个体的变异率Fi n(t)：
其中，
和
分别是第n代种群中第i个个体变异率的上限和下限，
和
取0到1之间的任意值，且
设计变异策略的选择机制，对第n代种群中第i个个体进行变异操作，得到合成个体
其中，
和
是第n代三个不同的随机个体，
是第n代的最优个体，r1、r2和r3是1到NPn(t)之间不同于i的互不相同的随机实数，参数
是根据实验分析得到的经验值，θ0(t)是初始种群的运行过程信息；
③基于运行过程信息的交叉操作
基于运行过程信息，设计交叉率的动态调整机制，计算第n代种群中第i个个体的交叉率
其中，fi n(t)是第n代种群中第i个个体能源消耗和排污费用的总和，
是第n代种群能源消耗和排污费用总和的平均值，
和
分别是第n代种群中第i个个体交叉率的上限和下限，
和
取0到1之间的任意值，且
对合成个体采用二项式交叉策略，进行交叉操作，得到试验个体
其中，rand[0,1]是[0,1]之间的随机数，qrand是随机选择的一个标志位，以保证在进化过程中算法能够从父代中继承至少一位元素；
④选择操作
对当前种群进行非占优排序，得到下一代种群个体；
⑤判断终止条件
若n<N，则返回步骤②，否则终止寻优，并输出城市污水处理第t时刻溶解氧浓度和硝态氮浓度的优化设定值；
(3)跟踪优化设定值
①计算系统的跟踪误差
其中，X(t)为第t时刻溶解氧浓度和硝态氮浓度的优化设定值，
为第t时刻溶解氧浓度和硝态氮浓度的实际值，
②计算操作量的控制率u(t)：
其中，u(t)＝[KLa(t),Qa(t)]，KLa(t)为氧传递系数，Qa(t)为内回流量，Kp为比例系数，Ki为积分系数；
③控制污水处理过程的曝气量和内回流量，以操作氧传递系数和内回流量，实现对第t时刻溶解氧浓度和硝态氮浓度优化设定值的跟踪，系统输出为第t时刻溶解氧浓度和硝态氮浓度的实际值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010219077.3A CN111399455B (zh) | 2020-03-25 | 2020-03-25 | 一种基于运行过程信息的城市污水处理实时优化控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010219077.3A CN111399455B (zh) | 2020-03-25 | 2020-03-25 | 一种基于运行过程信息的城市污水处理实时优化控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111399455A CN111399455A (zh) | 2020-07-10 |
| CN111399455B true CN111399455B (zh) | 2021-06-04 |
Family
ID=71429190
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010219077.3A Active CN111399455B (zh) | 2020-03-25 | 2020-03-25 | 一种基于运行过程信息的城市污水处理实时优化控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111399455B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005313093A (ja) * | 2004-04-28 | 2005-11-10 | Japan Science & Technology Agency | 植物性固体物質を用いた排水中窒素の除去方法 |
| JP2006239536A (ja) * | 2005-03-02 | 2006-09-14 | Clion Co Ltd | 汚水処理装置及び処理方法 |
| CN106354014A (zh) * | 2016-10-27 | 2017-01-25 | 北京工业大学 | 一种基于多目标差分进化算法的污水处理优化控制方法 |
| 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 |
| WO2019107948A3 (ko) * | 2017-11-30 | 2019-07-25 | 최성필 | 생물반응조 종합관리 자동제어 시스템과 신재생 발전기능을 구비하여 하수 처리 및 에너지 효율을 향상시킨 하수 고도처리장치 및 하수 고도처리방법 |
| CN110161995A (zh) * | 2019-06-10 | 2019-08-23 | 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 |
| CN110716432A (zh) * | 2019-10-14 | 2020-01-21 | 北京工业大学 | 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 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103197544B (zh) * | 2013-02-25 | 2015-06-17 | 北京工业大学 | 基于非线性模型预测的污水处理过程多目标控制方法 |
| CN105404151B (zh) * | 2015-12-12 | 2017-11-24 | 北京工业大学 | 污水处理过程动态多目标优化控制方法 |
-
2020
- 2020-03-25 CN CN202010219077.3A patent/CN111399455B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005313093A (ja) * | 2004-04-28 | 2005-11-10 | Japan Science & Technology Agency | 植物性固体物質を用いた排水中窒素の除去方法 |
| JP2006239536A (ja) * | 2005-03-02 | 2006-09-14 | Clion Co Ltd | 汚水処理装置及び処理方法 |
| CN106354014A (zh) * | 2016-10-27 | 2017-01-25 | 北京工业大学 | 一种基于多目标差分进化算法的污水处理优化控制方法 |
| 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 |
| WO2019107948A3 (ko) * | 2017-11-30 | 2019-07-25 | 최성필 | 생물반응조 종합관리 자동제어 시스템과 신재생 발전기능을 구비하여 하수 처리 및 에너지 효율을 향상시킨 하수 고도처리장치 및 하수 고도처리방법 |
| CN110161995A (zh) * | 2019-06-10 | 2019-08-23 | 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 |
| CN110716432A (zh) * | 2019-10-14 | 2020-01-21 | 北京工业大学 | 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 |
Non-Patent Citations (3)
| Title |
|---|
| 城市污水处理过程多目标优化控制方法及应用研究;侯莹;《中国博士学位论文全文数据库 工程科技Ⅰ辑》;20190430(第四期);全文 * |
| 基于多目标文化差分进化算法的污水_省略_性污泥单元多目标操作优化;于腾;《计算机与应用化学》;20160308;全文 * |
| 基于改进多目标布谷鸟算法的污水处理过程优化控制研究;李丽娟;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20190930(第九期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111399455A (zh) | 2020-07-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106354014B (zh) | 一种基于多目标差分进化算法的污水处理优化控制方法 | |
| CN110161995B (zh) | 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 | |
| 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 | |
| CN105573115B (zh) | 基于量子遗传算法的污水处理过程节能优化控制方法 | |
| 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 | |
| CN112062179A (zh) | 用于造纸污水处理ghg减排的溶解氧分层优化控制方法 | |
| Niu et al. | Dynamic optimization of wastewater treatment process based on novel multi-objective ant lion optimization and deep learning algorithm | |
| CN110647037B (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 | |
| Holenda et al. | Aeration optimization of a wastewater treatment plant using genetic algorithm | |
| Huang et al. | Impacts of dissolved oxygen control on different greenhouse gas emission sources in wastewater treatment process | |
| CN105404151A (zh) | 污水处理过程动态多目标优化控制方法 | |
| CN115356930B (zh) | 一种污水处理过程中的多目标优化控制系统及方法 | |
| CN110210710B (zh) | 一种基于负荷均衡的水资源承载能力量化方法 | |
| CN111399455B (zh) | 一种基于运行过程信息的城市污水处理实时优化控制方法 | |
| CN113568311B (zh) | 基于知识信息的污水处理智能优化控制方法 | |
| CN102161551B (zh) | 前置反硝化污水处理过程的优化控制方法 | |
| CN116360366B (zh) | 一种污水处理过程优化控制方法 | |
| Hou et al. | Dynamic multi-objective differential evolution algorithm based on the information of evolution progress | |
| Huang et al. | A hierarchical intelligent control strategy for greenhouse gas reduction in wastewater treatment process of paper mill | |
| Dai et al. | Modeling and performance improvement of an anaerobic–anoxic/nitrifying-induced crystallization process via the multi-objective optimization method | |
| CN111290275A (zh) | 基于强化学习粒子群算法的污水处理优化控制方法 | |
| Mihaly et al. | Data-driven modelling based on artificial neural networks for predicting energy and effluent quality indices and wastewater treatment plant optimization | |
| Nam et al. | A multi-agent AI reinforcement-based digital multi-solution for optimal operation of a full-scale wastewater treatment plant under various influent conditions | |
| CN114879487B (zh) | 一种基于区间二型模糊神经网络的污水处理过程鲁棒模型预测控制方法 | |
| Swarnalatha | Simulation and Analysis of Ammonium-Based Aeration Control Strategies to Enhance Efficiency in Wastewater Treatment Plant |
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 |