CN111399558B - 一种基于知识选择的污水处理过程多目标优化控制方法 - Google Patents

Abstract

一种基于知识选择的污水处理过程多目标优化控制方法属于污水处理领域。为了满足污水处理过程出水水质达标，同时降低能耗的目标，本发明采用基于知识选择的多目标粒子群优化算法对硝态氮SNO浓度和溶解氧SO浓度进行优化，并使用PID控制器对硝态氮SNO浓度和溶解氧SO浓度进行跟踪控制，解决了污水处理过程中出水水质难以达标以及能耗高的问题，有利于污水处理过程高效稳定运行。

Description

一种基于知识选择的污水处理过程多目标优化控制方法

技术领域

本发明涉及一种基于知识选择的污水处理过程多目标优化控制方法，首先，采用基于知识选择的多目标粒子群优化算法对污水处理过程中溶解氧S_O和硝态氮S_NO浓度进行优化，以提高污水处理出水水质并降低能耗，然后，使用PID控制器对溶解氧S_O和硝态氮S_NO浓度进行跟踪控制，最终实现污水处理过程的优化控制，本发明不仅可以实现污水处理过程中出水水质达标，保证污水处理厂的高效运行，而且可以降低污水处理能耗，节约污水处理成本，具有实际的应用价值。

背景技术

污水处理过程通过人工培养的微生物对污水中的污染物进行吸附、分解、氧化等一系列生化反应过程，将污水中的污染物去除，并将处理过后的水体排出。污水处理过程对水资源保护，水资源重复利用以及水环境可持续发展都具有非常重要的意义。

污水处理过程的生化反应过程复杂，具有非线性、强耦合等特点，导致污水处理过程较难优化和控制。另外，污水处理过程需要在保证出水水质的前提下，尽量降低能耗，以节约成本，然而，由于出水水质和能耗具有互相冲突且相互耦合的关系，因此，如何在复杂的污水处理过程中，保证出水水质的同时降低能耗，是一个亟待解决的问题。针对这个问题，污水处理过程优化控制应运而生，在实际污水处理过程中溶解氧S_O和硝态氮S_NO浓度对出水水质和能耗都具有重要影响，因此，获得合适的溶解氧S_O和硝态氮S_NO的浓度优化设定值，是提高水质和降低能耗的前提和保证，然而，在溶解氧S_O和硝态氮S_NO的优化过程中，一些优化算法仅使用当前迭代过程产生的信息进行寻优，存在一定的不客观性，因此，设计合理的优化控制方法来进行污水处理优化控制，不仅可以实现污水处理过程出水水质的达标排放，同时降低能耗，节约资源和成本，而且，对污水处理过程的安全稳定运行起到了重要的作用。

本发明涉及了一种基于知识选择的污水处理过程优化控制方法，主要通过基于知识选择的多目标粒子群算法获得溶解氧S_O和硝态氮S_NO浓度的优化设定值，并利用PID控制方法实现溶解氧S_O和硝态氮S_NO浓度的控制。

发明内容

本发明采用了如下的技术方案及实现步骤：

1.一种基于知识选择的污水处理过程多目标优化控制方法，其特征在于，包括以下步骤：

(1)将与污水处理出水水质和能耗相关的变量：二级处理过程厌氧末段硝态氮S_NO和好氧末段溶解氧S_O、出水混合固体悬浮物MLSS、出水氨氮S_NH，作为输入变量；

(2)使用径向基核函数，分别建立污水处理出水水质模型和能耗模型：

其中，f₁(t)是t时刻的出水水质模型，f₂(t)是t时刻的能耗模型，s(t)＝[S_NO(t)，S_O(t)，MLSS(t)，S_NH(t)]为输入变量，b₁(t)∈[-2，2]是出水水质模型f₁(t)的输出偏移，b₂(t)∈[-2，2]是能耗模型f₂(t)的输出偏移，I₁∈[5，20]是出水水质模型中径向基核函数的数量，I₂∈[5，20]是能耗模型中径向基核函数的数量，w_1i(t)是出水水质模型中径向基核函数的权值，w_2i(t)是能耗模型中径向基核函数的权值，c_1i(t)是出水水质模型中径向基核函数的中心，c_1i(t)中每个变量的取值区间为[-1，1]，c_2i(t)是能耗模型中径向基核函数的中心，c_2i(t)中每个变量的取值区间为[-1，1]，σ_1i(t)∈[0，2]是出水水质模型中径向基核函数的宽度，σ_2i(t)∈[0，2]是能耗模型中径向基核函数的宽度；

(3)设计基于知识选择的多目标粒子群优化方法：

①设置多目标粒子群优化迭代步数K∈[50，200]，设置粒子群规模N∈[5，100]，初始化外部档案A(0)＝[]；

②利用出水水质模型f₁(t)和能耗模型f₂(t)作为污水处理过程优化目标函数：minF(t)＝[f₁(t)，f₂(t)]；

③对F(t)进行求解，在第k步优化过程中，将粒子的位置x(k)作为多目标优化函数F(t)的输入，计算F(t)的值，通过支配关系比较获得每个粒子搜索到的最优解p(k)，支配关系比较是将粒子的目标值进行比较，在各个目标上可以同时获得最小值的粒子为非支配解，目标值大的解称为被支配解，将每个粒子获得的个体最优解进行比较，获得种群的非支配解集然后将种群的非支配解依次与第k-1步获得的档案库A(k-1)的解进行比较，其中，将/>和A(k-1)中的非支配解存入第k步档案库A(k)中；

④获取档案库中非支配解的分布知识，分布知识包括第k-k₀到第k代的分布信息，k₀∈[2，10]为历史迭代次数，分布信息包括多样性分布信息和收敛性分布信息，其中多样性分布信息为

其中，KD_h(k)是第h个优化解的多样度，d_hm(k)是第h个优化解与在第m个目标方向上离它最近的优化解的欧式距离，M表示目标数量，M∈[0，2]；收敛性分布信息为

a_j(k-1)＝near(a_j(k),A(k-1))； (5)

其中，KC_h(k)是第h个优化解的收敛度，near(a_j(k)，A(k-1))是档案库A(k)中a_j(k)与第k-1代档案库中A(k-1)中具有最近距离的粒子，该粒子被赋值为a_j(k-1)，j为粒子的标号，|·|是绝对值，根据多样度和收敛度计算档案库中非支配解的多样性指标和收敛性指标：

其中，f_Dh(k)为多样性指标，f_Ch(k)为收敛性指标，ω_d∈[1，5]是多样性指标的频率，ω_c∈[1，5]是收敛性指标的频率；

⑤检测种群在目标空间的分布性

其中，E(k)为种群密度，cell(·)是种群占用网格的数量，表示最小整数值，β∈[0.01，1]是网格的长度，全局最优解的选择方式为

其中，g(k+1)为种群在第k+1代选择的全局最优解，g_C(k+1)表示收敛性全局最优解，g_D(k+1)表示多样性全局最优解，它们的确定方式如下：

当E(k+1)<E(k)时，选择收敛性指标大的粒子作为g_C(k+1)，当E(k+1)≥E(k)时，选择收敛性指标/>大的粒子作为g_D(k+1)；

⑥使用个体最优解p(k)和全局最优解g(k+1)对粒子速度和位置进行更新：

v_n(k+1)＝ω·v_n(k)+c₁r₁(p_n(k)-x_n(k))+c₂r₂(g(k)-x_n(k))； (10)

x_n(k+1)＝x_n(k)+v_n(k+1)； (11)

其中，v_n(k)是第n个粒子的速度向量，x_n(k)是第n个粒子的位置向量，n∈[1，N]，ω是惯性权重，在污水处理优化控制中通常取ω∈[0.5，0.9]，c₁是自我认知学习因子，在污水处理优化控制中通常取c₁∈[1.5，2.5]，c₂是社会认知学习因子，在污水处理优化控制中通常取c₂∈[1.5，2.5]，r₁和r₂是[0，1]范围内的随机值；

⑦判断当前的迭代k是否大于或等于K，若大于或等于K，则转到步骤⑧，若小于K，则转到步骤③；

⑧在档案库A(K)中随机选择一个非支配解作为优化设定值a*(t)＝a_h(K)，且a_h(K)＝[S_NO ^*(K)，S_O ^*(K)，MLSS^*(K)，S_NH ^*(K)]，其中，S_NO ^*(K)，S_O ^*(K)，MLSS^*(K)和S_NH ^*(K)分别为硝态氮优化设定值，溶解氧优化设定值，混合固体悬浮物优化设定值和氨氮优化设定值，保存优化设定值；

(4)PID控制器跟踪优化设定值

①PID控制器表达方式：

其中，Δz(t)＝[ΔQ_a(t)，ΔK_La5(t)]^T为操作变量矩阵，ΔQ_a(t)是污水处理内循环流量的变化值，ΔK_La5(t)是第5分区氧传递系数的变化量；K_p是比例系数矩阵，H_l是积分系数矩阵，H_d是微分系数矩阵；e(t)＝y^*(t)^T-y(t)^T为控制误差，y^*(t)＝[S_NO ^*(t)，S_O ^*(t)]是t时刻的优化设定值，y(t)＝[S_NO(t)，S_O(t)]是实际输出矩阵；

②PID控制器以第5分区氧传递系数的变化量和内循环回流量作为的变化量作为输出；

③将第5分区氧传递系数的变化量ΔK_La5(t)和内循环回流量的变化量ΔQ_a(t)作为PID控制器的输入量，对硝态氮S_NO浓度和溶解氧S_O浓度进行控制；

(5)基于知识选择的污水处理过程多目标优化控制系统的输出为实际硝态氮S_NO和溶解氧S_O的浓度值。

本发明的创造性主要体现在：

(1)本发明针对污水处理过程非线性、强耦合的特点以及出水水质和能耗之间的冲突关系，采用基于知识选择的多目标粒子群优化算法和PID控制器相结合的优化控制方法，对硝态氮S_NO浓度和溶解氧S_O浓度进行优化并跟踪控制，该方法解决了出水水质达标难以达标以及高能耗问题，所组成的系统具有精度高，稳定性好等特点；

特别要注意：本发明只是为了描述方便，采用基于知识选择的多目标粒子群优化算法对硝态氮S_NO浓度和溶解氧S_O浓度进行优化，采用PID控制器对硝态氮S_NO浓度和溶解氧S_O浓度进行控制，将其它基于知识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是优化控制方法硝态氮结果图

图2是优化控制方法硝态氮跟踪误差图

图3是优化控制方法溶解氧结果图

图4是优化控制方法溶解氧跟踪误差图

具体实施方式

(1)将与污水处理出水水质和能耗相关的变量：二级处理过程厌氧末段硝态氮S_NO和好氧末段溶解氧S_O、出水混合固体悬浮物MLSS、出水氨氮S_NH，作为输入变量；

(2)使用径向基核函数，分别建立污水处理出水水质模型和能耗模型：

其中，f₁(t)是t时刻的出水水质模型，f₂(t)是t时刻的能耗模型，s(t)＝[S_NO(t)，S_O(t)，MLSS(t)，S_NH(t)]为输入变量，s(0)＝[0.9，1.7，16.4，2.56]，b₁(t)是出水水质模型f₁(t)的输出偏移，b₁(0)＝0.29，b₂(t)是能耗模型f₂(t)的输出偏移，b₂(0)＝-1.25，I₁＝15是出水水质模型中径向基核函数的数量，I₂＝15是能耗模型中径向基核函数的数量，w_1i(t)是出水水质模型中径向基核函数的权值，w_1i(0)＝1.43，w_2i(t)是能耗模型中径向基核函数的权值，w_2i(0)＝-0.62，c_1i(t)是出水水质模型中径向基核函数的中心，c_1i(0)＝[0.72，0.52，-0.32，0.78]，c_2i(t)是能耗模型中径向基核函数的中心，c_1i(0)＝[0.88，0.23，0.51，-0.27]，σ_1i(t)是出水水质模型中径向基核函数的宽度，σ_1i(0)＝1.62，σ_2i(t)是能耗模型中径向基核函数的宽度，σ_2i(0)＝0.36；

(3)设计基于知识选择的多目标粒子群优化方法：

①设置多目标粒子群优化迭代步数K＝50，设置粒子群规模N＝10，初始化外部档案A(0)＝[]；

②利用出水水质模型f₁(t)和能耗模型f₂(t)作为污水处理过程优化目标函数：minF(t)＝[f₁(t)，f₂(t)]；

③对F(t)进行求解，在第k步优化过程中，将粒子的位置x(k)作为多目标优化函数F(t)的输入，计算F(t)的值，通过支配关系比较获得每个粒子搜索到的最优解p(k)，支配关系比较是将粒子的目标值进行比较，在各个目标上可以同时获得最小值的粒子为非支配解，目标值较大的解称为被支配解，将每个粒子获得的个体最优解进行比较，获得种群的非支配解集然后将种群的非支配解依次与第k-1步获得的档案库A(k-1)的解进行比较，获得的/>和A(k-1)中的非支配解存入第k步档案库A(k)；

④获取档案库中非支配解的分布知识，分布知识包括第k-k₀到第k代的分布信息，k₀＝9为历史迭代次数，分布信息包括多样性分布信息和收敛性分布信息，其中多样性分布信息为

其中，KD_h(k)是第h个优化解的多样度，d_hm(k)是第h个优化解与在第m个目标方向上离它最近的优化解的欧式距离，M表示目标数量，M＝2；收敛性分布信息为

a_j(k-1)＝near(a_j(k),A(k-1))； (5)

其中，KC_h(k)是第h个优化解的收敛度，near(a_j(k)，A(k-1))是档案库A(k)中a_j(k)与第k-1代档案库中A(k-1)中具有最近距离的粒子，该粒子被赋值为a_j(k-1)，j为粒子的标号，|·|是绝对值，根据多样度和收敛度计算档案库中非支配解的多样性指标和收敛性指标：

其中，f_Dh(k)为多样性指标，f_Ch(k)为收敛性指标，ω_d＝2是多样性指标的频率，ω_c＝2是收敛性指标的频率；

⑤检测种群在目标空间的分布性

其中，E(k)为种群密度，cell(·)是种群占用网格的数量，表示最小整数值，β＝0.01是网格的长度，全局最优解的选择方式为

其中，g(k+1)为种群在第k+1代选择的全局最优解，g_C(k+1)表示收敛性全局最优解，g_D(k+1)表示多样性全局最优解，它们的确定方式如下：

当E(k+1)<E(k)时，选择收敛性指标大的粒子作为g_C(k+1)，当E(k+1)≥E(k)时，选择收敛性指标/>大的粒子作为g_D(k+1)；

⑥使用个体最优解p(k)和全局最优解g(k+1)对粒子速度和位置进行更新：

v_n(k+1)＝ω·v_n(k)+c₁r₁(p_n(k)-x_n(k))+c₂r₂(g(k)-x_n(k))； (10)

x_n(k+1)＝x_n(k)+v_n(k+1)； (11)

其中，v_n(k)是第n个粒子的速度向量，x_n(k)是第n个粒子的位置向量，ω是惯性权重，在[0.5，0.9]中随机选取，c₁是自我认知学习因子，在[1.5，2.5]中随机选取，c₂是社会认知学习因子，在[1.5，2.5]中随机选取，r₁和r₂是[0，1]范围内的随机值；

⑦判断当前的迭代k是否大于或等于K，若大于或等于K，则转到步骤⑧，若小于K，则转到步骤③；

⑧在档案库A(K)中随机选择一个非支配解作为优化设定值a^*(t)＝a_h(K)，且a_h(K)＝[S_NO ^*(K)，S_O ^*(K)，MLSS^*(K)，S_NH ^*(K)]，其中，S_NO ^*(K)，S_O ^*(K)，MLSS^*(K)和S_NH ^*(K)分别为硝态氮优化设定值，溶解氧优化设定值，混合固体悬浮物优化设定值和氨氮优化设定值，保存优化设定值；

(4)PID控制器跟踪优化设定值

①PID控制器表达方式：

其中，Δz(t)＝[ΔQ_a(t)，ΔK_La5(t)]^T为操作变量矩阵，ΔQ_a(t)是污水处理内循环流量的变化值，ΔK_La5(t)是第5分区氧传递系数的变化量；K_p是比例系数矩阵，H_l是积分系数矩阵，H_d是微分系数矩阵；e(t)＝y^*(t)^T-y(t)^T为控制误差，y^*(t)＝[S_NO ^*(t)，S_O ^*(t)]是t时刻的优化设定值，y(t)＝[S_NO(t)，S_O(t)]是实际输出矩阵；

②PID控制器以第5分区氧传递系数的变化量和内循环回流量作为的变化量作为输出；

③将第5分区氧传递系数的变化量ΔK_La5(t)和内循环回流量的变化量ΔQ_a(t)作为PID控制器的输入量，对硝态氮S_NO浓度和溶解氧S_O浓度进行控制；

(5)基于知识选择的污水处理过程多目标优化控制系统的输出为实际硝态氮S_NO和溶解氧S_O的浓度值。

一种基于知识选择的污水处理过程多目标优化控制系统输出结果为硝态氮S_NO浓度和溶解氧S_O浓度，图1是硝态氮结果图，其中实线为控制输出，虚线为实际输出，横轴：时间，单位：天，纵轴：硝态氮浓度，单位：毫克/升，图2硝态氮跟踪误差图，横轴：时间，单位：天，纵轴：硝态氮浓度，单位：毫克/升，图3是溶解氧结果图，其中实线为控制输出，虚线为实际输出，横轴：时间，单位：天，纵轴：硝态氮浓度，单位：毫克/升，图4溶解氧跟踪误差图，横轴：时间，单位：天，纵轴：硝态氮浓度，单位：毫克/升。

Claims (1)

1.一种基于知识选择的污水处理过程多目标优化控制方法，其特征在于，包括以下步骤：

(1)将与污水处理出水水质和能耗相关的变量：二级处理过程厌氧末段硝态氮S_NO、好氧末段溶解氧S_O、出水混合固体悬浮物MLSS和出水氨氮S_NH作为输入变量；

(2)使用径向基核函数，分别建立污水处理出水水质模型和能耗模型：

其中，f₁(t)是t时刻的出水水质模型，f₂(t)是t时刻的能耗模型，s(t)＝[S_NO(t)，S_O(t)，MLSS(t)，S_NH(t)]为输入变量，b₁(t)是出水水质模型f₁(t)的输出偏移，b₂(t)是能耗模型f₂(t)的输出偏移，I₁是出水水质模型中径向基核函数的数量，I₂是能耗模型中径向基核函数的数量，w_1i(t)是出水水质模型中径向基核函数的权值，w_2i(t)是能耗模型中径向基核函数的权值，c_1i(t)是出水水质模型中径向基核函数的中心，c_2i(t)是能耗模型中径向基核函数的中心，σ_1i(t)是出水水质模型中径向基核函数的宽度，σ_2i(t)是能耗模型中径向基核函数的宽度；

(3)设计基于知识选择的多目标粒子群优化方法：

①设置多目标粒子群优化迭代步数K，设置粒子群规模N，初始化外部档案A(0)＝[]；

②将出水水质模型f₁(t)和能耗模型f₂(t)作为污水处理过程优化目标函数：min F(t)＝[f₁(t)，f₂(t)]；

③对F(t)进行求解，在第k步优化过程中，将粒子的位置x(k)作为多目标优化函数F(t)的输入，计算F(t)的值，通过支配关系比较获得每个粒子搜索到的最优解p(k)，支配关系比较是将粒子的目标值进行比较，在各个目标上可以同时获得最小值的粒子为非支配解，目标值大的解称为被支配解，将每个粒子获得的个体最优解进行比较，获得种群的非支配解集然后将种群的非支配解依次与第k-1步获得的档案库A(k-1)的解进行比较，其中，将/>和A(k-1)中的非支配解存入第k步档案库A(k)中；

④获取档案库中非支配解的分布知识，分布知识包括第k-k₀到第k代的分布信息，k₀为历史迭代次数，分布信息包括多样性分布信息和收敛性分布信息，其中多样性分布信息为

其中，KD_h(k)是第h个优化解的多样度，d_hm(k)是第h个优化解与在第m个目标方向上离它最近的优化解的欧式距离，M表示目标数量，M∈[0，2]；收敛性分布信息为

a_j(k-1)＝near(a_j(k),A(k-1))； (5)

其中，KC_h(k)是第h个非支配解的收敛度，near(a_j(k),A(k-1))是档案库A(k)中a_j(k)与第k-1代档案库中A(k-1)中具有最近距离的粒子，该粒子被赋值为a_j(k-1)，j为粒子的标号，|·|是绝对值，根据多样度和收敛度计算档案库中非支配解的多样性指标和收敛性指标：

其中，f_Dh(k)为多样性指标，f_Ch(k)为收敛性指标，ω_d是多样性指标的频率，ω_c是收敛性指标的频率；

⑤检测种群在目标空间的分布性

其中，E(k)为种群密度，cell(·)是种群占用网格的数量，表示最小整数值，β是网格的长度，全局最优解的选择方式为

其中，g(k+1)为种群在第k+1代选择的全局最优解，g_C(k+1)表示收敛性全局最优解，g_D(k+1)表示多样性全局最优解，它们的确定方式如下：

当E(k+1)<E(k)时，选择收敛性指标f_Ch(k+1)大的粒子作为g_C(k+1)，当E(k+1)≥E(k)时，选择收敛性指标f_Dh(k+1)大的粒子作为g_D(k+1)；

⑥使用个体最优解p(k)和全局最优解g(k+1)对粒子速度和位置进行更新：

v_n(k+1)＝ω·v_n(k)+c₁r₁(p_n(k)-x_n(k))+c₂r₂(g(k)-x_n(k))； (10)

x_n(k+1)＝x_n(k)+v_n(k+1)； (11)

其中，v_n(k)是第n个粒子的速度向量，x_n(k)是第n个粒子的位置向量， 是惯性权重，c₁是自我认知学习因子，c₂是社会认知学习因子，r₁和r₂是[0，1]范围内的随机值；

⑦判断当前的迭代k是否大于或等于K，若大于或等于K，则转到步骤⑧，若小于K，则转到步骤③；

⑧在档案库A(K)中随机选择一个非支配解作为优化设定值a^*(t)＝a_h(K)，且a_h(K)＝[S_NO ^*(K)，S_O ^*(K)，MLSS^*(K)，S_NH ^*(K)]，其中，S_NO ^*(K)，S_O ^*(K)，MLSS^*(K)和S_NH ^*(K)分别为硝态氮优化设定值，溶解氧优化设定值，混合固体悬浮物优化设定值和氨氮优化设定值，保存优化设定值；

(4)PID控制器跟踪优化设定值

①PID控制器表达方式：

其中，Δz(t)＝[ΔQ_a(t)，ΔK_La5(t)]^T为操作变量矩阵，ΔQ_a(t)是污水处理内循环流量的变化值，ΔK_La5(t)是第5分区氧传递系数的变化量；K_p是比例系数矩阵，H_l是积分系数矩阵，H_d是微分系数矩阵；e(t)＝y^*(t)^T-y(t)^T为控制误差，y^*(t)＝[S_NO ^*(t)，S_O ^*(t)]是t时刻的优化设定值，y(t)＝[S_NO(t)，S_O(t)]是实际输出矩阵；

②PID控制器以第5分区氧传递系数的变化量和内循环回流量作为的变化量作为输出；

③将第5分区氧传递系数的变化量ΔK_La5(t)和内循环回流量的变化量ΔQ_a(t)作为PID控制器的输入量，对硝态氮S_NO浓度和溶解氧S_O浓度进行控制；

(5)基于知识选择的污水处理过程多目标优化控制系统的输出为实际硝态氮S_NO和溶解氧S_O的浓度值。