CN111474854B - 一种基于数据-知识驱动的污水处理过程优化控制方法 - Google Patents

一种基于数据-知识驱动的污水处理过程优化控制方法 Download PDF

Info

Publication number
CN111474854B
CN111474854B CN202010346100.5A CN202010346100A CN111474854B CN 111474854 B CN111474854 B CN 111474854B CN 202010346100 A CN202010346100 A CN 202010346100A CN 111474854 B CN111474854 B CN 111474854B
Authority
CN
China
Prior art keywords
sewage treatment
model
energy consumption
optimization
particle
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
Application number
CN202010346100.5A
Other languages
English (en)
Other versions
CN111474854A (zh
Inventor
韩红桂
张琳琳
乔俊飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202010346100.5A priority Critical patent/CN111474854B/zh
Publication of CN111474854A publication Critical patent/CN111474854A/zh
Priority to US17/334,535 priority patent/US20210395120A1/en
Application granted granted Critical
Publication of CN111474854B publication Critical patent/CN111474854B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F3/00—Biological treatment of water, waste water, or sewage
    • C02F3/006—Regulation methods for biological treatment
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F3/00—Biological treatment of water, waste water, or sewage
    • C02F3/30—Aerobic and anaerobic processes
    • 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
    • G05B13/041—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 variable is automatically adjusted to optimise the performance
    • 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
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/005—Processes using a programmable logic controller [PLC]
    • C02F2209/006—Processes using a programmable logic controller [PLC] comprising a software program or a logic diagram
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/14—NH3-N
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/15—N03-N
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/22—O2
    • 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
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2605—Wastewater treatment

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Organic Chemistry (AREA)
  • Microbiology (AREA)
  • Hydrology & Water Resources (AREA)
  • Environmental & Geological Engineering (AREA)
  • Water Supply & Treatment (AREA)
  • Chemical & Material Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种数据‑知识驱动的污水处理过程多目标优化控制方法属于污水处理领域。为了平衡污水处理过程中能耗和出水水质的关系，本发明建立基于数据驱动的污水处理过程能耗和出水水质模型，获得能耗、出水水质以及操作变量的关系，采用基于进化知识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

一种基于数据-知识驱动的污水处理过程优化控制方法
技术领域
本发明涉及一种基于数据-知识驱动的污水处理过程优化控制方法，首先，基于数据驱动建立污水处理能耗和出水水质模型，获得污水处理多目标优化函数，然后，采用基于进化知识的多目标粒子群优化算法对污水处理过程中溶解氧SO和硝态氮SNO浓度进行优化，以降低运行能耗并提高出水水质，最后，采用PID控制器对溶解氧SO和硝态氮SNO浓度进行跟踪控制，本发明可以降低污水处理能耗并提高出水水质，具有较高的实用价值。
背景技术
污水处理是通过一系列生化反应将污水的有机物去除，并将处理过的水排出的过程。污水处理过程是水资源重复利用不可或缺的环节，对节约水资源，维持水资源可持续发展都起到重要的作用。
污水处理过程机理复杂，非线性和强耦合特征明显，导致污水处理过程较难优化控制，而污水处理过程中能耗和出水水质是两个互相冲突又相互耦合的优化目标，因此，在污水处理过程中，平衡能耗和出水水质的关系是一种重要的研究问题，在污水处理优化控制能耗和出水水质目标模型的建立过程中，由于污水处理厂及其环境的不同，机理模型难以确定，因此，设计基于数据驱动的能耗和出水水质模型对精确描述污水处理优化目标具有重要的作用；另外，在污水处理过程中，污水数据的采集需要较长的时间，且采集的数据量有限，这对污水处理过程优化控制性能产生了一定的限制；因此，设计合理的优化方法，对溶解氧SO和硝态氮SNO浓度进行优化控制，不仅可以节约能源，保证水质达标排放，而且对污水处理过程的稳定高效运行起到了重要的作用。
本发明设计了一种基于数据-知识驱动的污水处理过程优化控制方法，主要建立了基于数据驱动的能耗和出水水质模型，并利用基于知识的多目标粒子群算法获得溶解氧SO和硝态氮SNO浓度的优化设定值，并利用PID控制方法实现溶解氧SO和硝态氮SNO浓度的跟踪控制。
发明内容
本发明采用了如下的技术方案及实现步骤：
1.一种基于数据-知识驱动的污水处理过程优化控制方法，其特征包括建立基于数据驱动的污水处理多目标优化模型、设计基于进化知识的多目标粒子群优化方法和设计优化设定值跟踪控制方法，具体步骤为：
(1)建立基于数据驱动的污水处理目标模型
①以污水处理能耗和出水水质为目标，建立污水处理多目标优化模型：
min F(t)＝[f1(t),f2(t)] (1)
其中，F(t)是多目标优化模型，f1(t)是t时刻的能耗模型，f2(t)是t时刻的出水水质模型；
②以二级处理过程厌氧末段硝态氮SNO和好氧末段溶解氧SO、出水混合固体悬浮物MLSS、出水氨氮SNH为输入变量，建立基于数据驱动的污水处理能耗和出水水质模型：
Figure BDA0002470122700000021
Figure BDA0002470122700000022
其中，I1∈[3，30]是能耗模型中径向基核函数的数量，I2∈[3，30]是出水水质模型中径向基核函数的数量，W10(t)是能耗模型f1(t)的输出偏移，W20(t)是出水水质模型f2(t)的输出偏移，W1i(t)是能耗模型中径向基核函数的权值，W2i(t)是出水水质模型中径向基核函数的权值，B1i(t)是与能耗模型相关的径向基核函数，B2i(t)是与出水水质模型相关的径向基核函数：
Figure BDA0002470122700000023
Figure BDA0002470122700000024
其中，σ(t)＝[SNO(t)，SO(t)，MLSS(t)，SNH(t)]为输入变量，c1i(t)是能耗模型中径向基核函数的中心，c1i(t)中每个变量的取值区间为[-1，1]，c2i(t)是出水水质模型中径向基核函数的中心，c2i(t)中每个变量的取值区间为[-1，1]，σ1i(t)∈[0，3]是能耗模型中径向基核函数的宽度，σ2i(t)∈[0，3]是出水水质模型中径向基核函数的宽度；
(2)设计基于进化知识的多目标粒子群优化方法：
①设置多目标粒子群优化的总迭代次数K∈[50，200]，设置粒子群规模N∈[10，100]，k0∈[2，20]是粒子信息的迭代次数，初始化外部档案库A(0)＝[]；
②建立多目标粒子群优化算法的优化目标：min F(t)＝[f1(t)，f2(t)]；
③对F(t)进行求解，在迭代过程中，记录每个粒子的收敛性分布状态和多样性分布状态：
Figure BDA0002470122700000031
Figure BDA0002470122700000032
其中，CSn(k)是第n个粒子在第k次迭代的收敛性分布状态，fn,m(k)是第n个粒子的第m个目标值，M∈[1，2]是目标函数的个数，xn(k)是第n个粒子的位置向量，DSn(k)是多样性分布状态，|·|表示绝对值；
④分别建立个体和种群的收敛性和多样性指标：
Figure BDA0002470122700000033
Figure BDA0002470122700000034
Figure BDA0002470122700000035
Figure BDA0002470122700000036
其中，ICn(k)是个体收敛性指标，PC(k)是种群收敛性指标，IDn(k)是个体多样性指标，PD(k)是种群多样性指标，u∈[k-k0，k]是进化知识所需要的迭代次数；
⑤选择种群进化策略：
情况1：当PC(k)>PC(k-1)且PD(k)>PD(k-1)时，速度和位置更新公式为
vn,d(k+1)＝ωvn,d(k)+c1r1(pn,d(k)-xn,d(k))+c2r2(gd(k)-xi,d(k)) (12)
xn,d(k+1)＝xn,d(k)+vn,d(k+1) (13)
其中，ω是惯性权重，在污水处理过程中取值范围为[0.5，0.9]，vn,d(k)是第n个粒子速度的第d个维度，xn,d(k)是粒子位置，pn,d(k)是个体最优位置，gd(k)是种群最优位置，r1和r2是分布在[0，1]的随机值，c1是个体最优加速因子，在污水处理过程中取值范围为[1.5，2.5]，c2是全局最优加速因子，在污水处理过程中取值范围为[1.5，2.5]；
情况2：当PC(k)<PC(k-1)且PD(k)>PD(k-1)时，速度和位置更新公式为
Figure BDA0002470122700000042
xn,d(k+1)＝xn,d(k)+vn,d(k+1) (15)
其中，r3是分布在[0，1]的随机值，c3是收敛性方向加速因子，在污水处理过程中取值范围为[0.3，0.5]，Cd(k)是种群中具有最大收敛性的粒子飞行方向；
情况3：当PC(k)>PC(k-1)且PD(k)<PD(k-1)时，速度和位置更新公式为
Figure BDA0002470122700000043
xn,d(k+1)＝xn,d(k)+vn,d(k+1) (17)
其中，r4是分布在[0,1]的随机值，c4是多样性方向加速因子，在污水处理过程中取值范围为[0.3，0.5]，Dd(k)是种群中具有最大多样性的粒子飞行方向；
情况4：当PC(k)<PC(k-1)且PD(k)<PD(k-1)时，速度和位置更新公式为
Figure BDA0002470122700000041
xn,d(k+1)＝xn,d(k)+vn,d(k+1) (19)
情况5：当PC(k)＝PC(k-1)或PD(k)＝PD(k-1)时，速度和位置更新公式为
vn,d(k+1)＝ωvn,d(k)+c1r1(pn,d(k)-xn,d(k))+c2r2(gd(k)-xi,d(k)) (20)
Figure BDA0002470122700000051
其中，U(0，1)是服从均匀分布的随机值，xd,min是第d维粒子位置的边界最小值，xmin＝[x1,min，x2,min,…,xD,min]，xd,max是第d维粒子位置的边界最大值，xmax＝[x1,max,x2,max,…,xD,max]，D∈[1，4]是粒子的维度，r5是分布在[0,1]的随机值，pb是突变概率：
Figure BDA0002470122700000052
⑥将第k次迭代产生的种群和档案库A(k-1)进行合并，获得J(k)，然后在J(k)中选择非支配解建立A(k)；
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)＝ah(K)，且ah(K)＝[SNO *(K)，SO *(K)，MLSS*(K)，SNH *(K)]，其中，SNO *(K)，SO *(K)，MLSS*(K)和SNH *(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；
(3)优化设定值跟踪控制方法
①采用PID控制器对硝态氮优化设定值SNO *(K)与溶解氧优化设定值SO *(K)进行跟踪控制，PID控制器表达方式为：
Figure BDA0002470122700000053
其中，Δz(t)＝[ΔQa(t)，ΔKLa5(t)]T为操作变量矩阵，ΔQa(t)是污水处理内循环流量的变化量，ΔKLa5(t)是第5分区氧传递系数的变化量；Kp为比例系数矩阵，Hl为积分系数矩阵，Hd为微分系数矩阵；e(t)＝y*(t)T-y(t)T为控制误差，y*(t)＝[SNO *(t)，SO *(t)]是t时刻的优化设定值，y(t)＝[SNO(t)，SO(t)]是实际输出矩阵；
②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PID控制器的输出；
③将第5分区氧传递系数的变化量ΔKLa5(t)和内循环回流量的变化量ΔQa(t)作为污水处理控制系统的输入量，对硝态氮SNO浓度和溶解氧SO浓度进行控制。
本发明的创造性主要体现在：
(1)本发明针对污水处理过程中降低污水处理能耗和提升污水处理出水水质两者互相冲突的问题，采用基于数据驱动的方式来建立能耗和出水水质模型，并利用基于进化知识的多目标粒子群优化算法对模型进行优化，最后，使用PID控制对硝态氮SNO和溶解氧SO浓度进行跟踪控制，以保证出水水质达标的情况实现降低能耗的目的，具有较高的稳定性，可以实现污水处理成本的降低；
特别要注意：本发明只是为了描述方便，采用了基于径向基核函数的数据驱动模型建立能耗和出水水质模型，使用基于进化知识的多目标粒子群优化方法对硝态氮SNO浓度和溶解氧SO浓度进行优化，将其它基于数据驱动的建模算法和基于知识的优化算法等相同原理的数据-知识驱动的优化控制方式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)建立基于数据驱动的污水处理目标模型
①以污水处理能耗和出水水质为目标，建立污水处理多目标优化模型：
min F(t)＝[f1(t),f2(t)] (1)
其中，f1(t)是t时刻的能耗模型，f2(t)是t时刻的出水水质模型，F(t)是多目标优化模型；
②以二级处理过程厌氧末段硝态氮SNO和好氧末段溶解氧SO、出水混合固体悬浮物MLSS、出水氨氮SNH为输入变量，建立基于数据驱动的污水处理能耗和出水水质模型：
Figure BDA0002470122700000071
Figure BDA0002470122700000072
其中，I1＝10是能耗模型中径向基核函数的数量，I2＝10是出水水质模型中径向基核函数的数量，W10(t)＝-1.20是能耗模型f1(t)的输出偏移，W20(t)＝0.34是出水水质模型f2(t)的输出偏移，W1i(t)＝-0.78是能耗模型中径向基核函数的权值，W2i(t)＝1.62是出水水质模型中径向基核函数的权值，B1i(t)是与能耗模型相关的径向基核函数，B2i(t)是与出水水质模型相关的径向基核函数：
Figure BDA0002470122700000073
Figure BDA0002470122700000074
其中，σ(t)＝[SNO(t)，SO(t)，MLSS(t)，SNH(t)]为输入变量，σ(0)＝[1，1.5，15，2.3]，c1i(t)是能耗模型中径向基核函数的中心，c1i(0)＝[0.76，0.45，0.21，-0.33]，c2i(t)是出水水质模型中径向基核函数的中心，c2i(0)＝[0.82，0.67，-0.29，0.85]，σ1i(t)是能耗模型中径向基核函数的宽度，σ1i(0)＝0.62，σ2i(t)是出水水质模型中径向基核函数的宽度，σ2i(0)＝1.72；
(2)设计基于进化知识的多目标粒子群优化方法：
①设置多目标粒子群优化的总迭代次数K＝100，设置粒子群规模N＝20，k0＝4是粒子信息的迭代次数，初始化外部档案库A(0)＝[]；
②建立多目标粒子群优化算法的优化目标：min F(t)＝[f1(t)，f2(t)]；
③对F(t)进行求解，在迭代过程中，记录每个粒子的收敛性分布状态和多样性分布状态：
Figure BDA0002470122700000075
Figure BDA0002470122700000076
其中，CSn(k)是第n个粒子在第k次迭代的收敛性分布状态，fn,m(k)是第n个粒子的第m个目标值，M＝2是目标函数的个数，xn(k)是第n个粒子的位置向量，DSn(k)是多样性分布状态，|·|表示绝对值；
④分别建立个体和种群的收敛性和多样性指标：
Figure BDA0002470122700000081
Figure BDA0002470122700000082
Figure BDA0002470122700000083
Figure BDA0002470122700000084
其中，ICn(k)是个体收敛性指标，PC(k)是种群收敛性指标，IDn(k)是个体多样性指标，PD(k)是种群多样性指标，u∈[k-k0，k]是进化知识所需要的迭代次数；
⑤选择种群进化策略：
情况1：当PC(k)>PC(k-1)且PD(k)>PD(k-1)时，速度和位置更新公式为
vn,d(k+1)＝ωvn,d(k)+c1r1(pn,d(k)-xn,d(k))+c2r2(gd(k)-xi,d(k)) (12)
xn,d(k+1)＝xn,d(k)+vn,d(k+1) (13)
其中，ω是惯性权重，在取值范围[0.5，0.9]内随机选取，vn,d(k)是第n个粒子速度的第d个维度，xn,d(k)是粒子位置，pn,d(k)是个体最优位置，gd(k)是种群最优位置，r1和r2是分布在[0，1]的随机值，c1是个体最优加速因子，在取值范围[1.5，2.5]内随机选取，c2是全局最优加速因子，在取值范围[1.5，2.5]内随机选取；
情况2：当PC(k)<PC(k-1)且PD(k)>PD(k-1)时，速度和位置更新公式为
Figure BDA0002470122700000085
xn,d(k+1)＝xn,d(k)+vn,d(k+1) (15)
其中，r3是分布在[0，1]的随机值，c3是收敛性方向加速因子，在取值范围[0.3，0.5]内随机选取，Cd(k)是种群中具有最大收敛性的粒子飞行方向；
情况3：当PC(k)>PC(k-1)且PD(k)<PD(k-1)时，速度和位置更新公式为
Figure BDA0002470122700000091
xn,d(k+1)＝xn,d(k)+vn,d(k+1) (17)
其中，r4是分布在[0,1]的随机值，c4是多样性方向加速因子，在取值范围[0.3，0.5]内随机选取，设置为Dd(k)是种群中具有最大多样性的粒子飞行方向；
情况4：当PC(k)<PC(k-1)且PD(k)<PD(k-1)时，速度和位置更新公式为
Figure BDA0002470122700000092
xn,d(k+1)＝xn,d(k)+vn,d(k+1) (19)
情况5：当PC(k)＝PC(k-1)或PD(k)＝PD(k-1)时，速度和位置更新公式为
vn,d(k+1)＝ωvn,d(k)+c1r1(pn,d(k)-xn,d(k))+c2r2(gd(k)-xi,d(k)) (20)
Figure BDA0002470122700000093
其中，U(0,1)是服从均匀分布的随机值，xd,min是第d维粒子位置的边界最小值，xmin＝[0.2，0.4，0，0]，xd,max是第d维粒子位置的边界最大值，xmax＝[2，3，30，4]，D＝4是粒子的维度，r5是分布在[0,1]的随机值，pb是突变概率：
Figure BDA0002470122700000094
⑥将第k次迭代产生的种群和档案库A(k-1)进行合并，获得J(k)，然后在J(k)中选择非支配解建立A(k)；
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)＝ah(K)，且ah(K)＝[SNO *(K)，SO *(K)，MLSS*(K)，SNH *(K)]，其中，SNO *(K)，SO *(K)，MLSS*(K)和SNH *(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；
(3)优化设定值跟踪控制方法
①采用PID控制器对硝态氮优化设定值SNO *(K)与溶解氧优化设定值SO *(K)进行跟踪控制，PID控制器表达方式为：
Figure BDA0002470122700000101
其中，Δz(t)＝[ΔQa(t)，ΔKLa5(t)]T为操作变量矩阵，ΔQa(t)是污水处理内循环流量的变化量，ΔKLa5(t)是第5分区氧传递系数的变化量；Kp为比例系数矩阵，Hl为积分系数矩阵，Hd为微分系数矩阵；e(t)＝y*(t)T-y(t)T为控制误差，y*(t)＝[SNO *(t)，SO *(t)]是t时刻的优化设定值，y(t)＝[SNO(t)，SO(t)]是实际输出矩阵；
②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PID控制器的输出；
③将第5分区氧传递系数的变化量ΔKLa5(t)和内循环回流量的变化量ΔQa(t)作为污水处理控制系统的输入量，对硝态氮SNO浓度和溶解氧SO浓度进行控制。
一种基于数据-知识驱动的污水处理过程优化控制系统输出结果为硝态氮SNO浓度和溶解氧SO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)

1.一种基于数据-知识驱动的污水处理过程优化控制方法，其特征包括建立基于数据驱动的污水处理多目标优化模型、设计基于进化知识的多目标粒子群优化方法和优化设定值跟踪控制，具体步骤为：
(1)建立基于数据驱动的污水处理多目标优化模型
①以污水处理能耗和出水水质为目标，建立污水处理多目标优化模型：
minF(t)＝[f1(t),f2(t)] (1)
其中，F(t)是多目标优化模型，f1(t)是t时刻的能耗模型，f2(t)是t时刻的出水水质模型；
②以二级处理过程厌氧末段硝态氮SNO和好氧末段溶解氧SO、出水混合固体悬浮物MLSS、出水氨氮SNH为输入变量，建立基于数据驱动的污水处理能耗和出水水质模型：
Figure FDA0002470122690000011
Figure FDA0002470122690000012
其中，I1是能耗模型中径向基核函数的数量，I2是出水水质模型中径向基核函数的数量，W10(t)是能耗模型f1(t)的输出偏移，W20(t)是出水水质模型f2(t)的输出偏移，W1i(t)是能耗模型中径向基核函数的权值，W2i(t)是出水水质模型中径向基核函数的权值，B1i(t)是与能耗模型相关的径向基核函数，B2i(t)是与出水水质模型相关的径向基核函数：
Figure FDA0002470122690000013
Figure FDA0002470122690000014
其中，σ(t)＝[SNO(t)，SO(t)，MLSS(t)，SNH(t)]为输入变量，c1i(t)是能耗模型中径向基核函数的中心，c2i(t)是出水水质模型中径向基核函数的中心，σ1i(t)是能耗模型中径向基核函数的宽度，σ2i(t)是出水水质模型中径向基核函数的宽度；
(2)设计基于进化知识的多目标粒子群优化方法：
①设置多目标粒子群优化的总迭代次数K，设置粒子群规模N，k0是粒子信息的迭代次数，初始化外部档案库A(0)＝[]；
②建立多目标粒子群优化算法的优化目标：min F(t)＝[f1(t)，f2(t)]；
③对F(t)进行求解，在迭代过程中，记录每个粒子的收敛性分布状态和多样性分布状态，
Figure FDA0002470122690000021
Figure FDA0002470122690000022
其中，CSn(k)是第n个粒子在第k次迭代的收敛性分布状态，fn,m(k)是第n个粒子的第m个目标值，xn(k)是第n个粒子的位置向量，DSn(k)是多样性分布状态，|·|表示绝对值；
④分别建立个体和种群的收敛性和多样性指标：
Figure FDA0002470122690000023
Figure FDA0002470122690000024
Figure FDA0002470122690000025
Figure FDA0002470122690000026
其中，ICn(k)是个体收敛性指标，PC(k)是种群收敛性指标，IDn(k)是个体多样性指标，PD(k)是种群多样性指标，u∈[k-k0，k]是迭代次数；
⑤选择种群进化策略：
情况1：当PC(k)>PC(k-1)且PD(k)>PD(k-1)时，速度和位置更新公式为
vn,d(k+1)＝ωvn,d(k)+c1r1(pn,d(k)-xn,d(k))+c2r2(gd(k)-xi,d(k)) (12)
xn,d(k+1)＝xn,d(k)+vn,d(k+1) (13)
其中，ω是惯性权重，vn,d(k)是第n个粒子速度的第d个维度，xn,d(k)是粒子位置，pn,d(k)是个体最优位置，gd(k)是种群最优位置，r1和r2是分布在[0，1]的随机值，c1是个体最优加速因子，c2是全局最优加速因子；
情况2：当PC(k)<PC(k-1)且PD(k)>PD(k-1)时，速度和位置更新公式为
Figure FDA0002470122690000031
xn,d(k+1)＝xn,d(k)+vn,d(k+1) (15)
其中，r3是分布在[0，1]的随机值，c3是收敛性方向加速因子，Cd(k)是种群中具有最大收敛性的粒子飞行方向；
情况3：当PC(k)>PC(k-1)且PD(k)<PD(k-1)时，速度和位置更新公式为
Figure FDA0002470122690000032
xn,d(k+1)＝xn,d(k)+vn,d(k+1) (17)
其中，r4是分布在[0,1]的随机值，c4是多样性方向加速因子，Dd(k)是种群中具有最大多样性的粒子飞行方向；
情况4：当PC(k)<PC(k-1)且PD(k)<PD(k-1)时，速度和位置更新公式为
Figure FDA0002470122690000033
xn,d(k+1)＝xn,d(k)+vn,d(k+1) (19)
情况5：当PC(k)＝PC(k-1)或PD(k)＝PD(k-1)时，速度和位置更新公式为
vn,d(k+1)＝ωvn,d(k)+c1r1(pn,d(k)-xn,d(k))+c2r2(gd(k)-xi,d(k)) (20)
Figure FDA0002470122690000034
其中，U(0，1)是服从均匀分布的随机值，xd,min是第d维粒子位置的边界最小值，xd,max是第d维粒子位置的边界最大值，r5是分布在[0,1]的随机值，pb是突变概率
Figure FDA0002470122690000041
⑥将第k次迭代产生的种群和档案库A(k-1)进行合并，获得J(k)，然后在J(k)中选择非支配解建立A(k)；
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)＝ah(K)，且ah(K)＝[SNO *(K)，SO *(K)，MLSS*(K)，SNH *(K)]，其中，SNO *(K)，SO *(K)，MLSS*(K)和SNH *(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；
(3)优化设定值跟踪控制
①采用PID控制器对硝态氮优化设定值SNO *(K)与溶解氧优化设定值SO *(K)进行跟踪控制，PID控制器表达方式为：
Figure FDA0002470122690000042
其中，Δz(t)＝[ΔQa(t)，ΔKLa5(t)]T为操作变量矩阵，ΔQa(t)是污水处理内循环流量的变化量，ΔKLa5(t)是第5分区氧传递系数的变化量；Kp是比例系数矩阵，Hl是积分系数矩阵，Hd是微分系数矩阵；e(t)＝y*(t)T-y(t)T为控制误差，y*(t)＝[SNO *(t)，SO *(t)]是t时刻的优化设定值，y(t)＝[SNO(t)，SO(t)]是实际输出矩阵；
②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PID控制器的输出；
③将第5分区氧传递系数的变化量ΔKLa5(t)和内循环回流量的变化量ΔQa(t)作为污水处理控制系统的输入量，对硝态氮SNO浓度和溶解氧SO浓度进行控制。
CN202010346100.5A 2020-04-27 2020-04-27 一种基于数据-知识驱动的污水处理过程优化控制方法 Active CN111474854B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010346100.5A CN111474854B (zh) 2020-04-27 2020-04-27 一种基于数据-知识驱动的污水处理过程优化控制方法
US17/334,535 US20210395120A1 (en) 2020-04-27 2021-05-28 Data-knowledge driven optimal control method for municipal wastewater treatment process

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010346100.5A CN111474854B (zh) 2020-04-27 2020-04-27 一种基于数据-知识驱动的污水处理过程优化控制方法

Publications (2)

Publication Number Publication Date
CN111474854A CN111474854A (zh) 2020-07-31
CN111474854B true CN111474854B (zh) 2022-05-03

Family

ID=71762858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010346100.5A Active CN111474854B (zh) 2020-04-27 2020-04-27 一种基于数据-知识驱动的污水处理过程优化控制方法

Country Status (2)

Country Link
US (1) US20210395120A1 (zh)
CN (1) CN111474854B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11651117B2 (en) * 2018-09-05 2023-05-16 WEnTech Solutions Inc. System and method for anaerobic digestion process assessment, optimization and/or control
CN113589684B (zh) * 2021-05-20 2023-11-21 北京工业大学 一种基于自调整多任务粒子群算法的污水处理过程优化控制方法
CN113568311B (zh) * 2021-08-06 2023-05-26 东北大学 基于知识信息的污水处理智能优化控制方法
CN113608443A (zh) * 2021-08-06 2021-11-05 东北大学 基于增强pi控制的污水处理控制方法
CN113867276B (zh) * 2021-08-27 2024-07-09 北京工业大学 一种基于自适应知识迁移策略的污水处理过程多任务优化控制方法
CN114625003B (zh) * 2022-03-09 2023-09-22 西南交通大学 一种基于多质点模型的高速列车分布式轨迹跟踪控制方法
CN115356930B (zh) * 2022-08-24 2024-04-19 东北大学 一种污水处理过程中的多目标优化控制系统及方法
CN115562041B (zh) * 2022-11-03 2024-07-16 北京工业大学 一种基于多任务动态转换策略的污水处理过程优化控制方法
CN115981153B (zh) * 2022-12-30 2023-08-04 浙江问源环保科技股份有限公司 基于深度学习的a2o工艺间歇性低碳曝气方法及控制系统
CN118348935A (zh) * 2024-04-23 2024-07-16 江苏骆驼环保科技有限公司 一种污水处理的智能监控预警系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103499982A (zh) * 2013-09-30 2014-01-08 北京工业大学 一种污水处理过程自组织控制方法
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
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
CN108445757A (zh) * 2018-03-12 2018-08-24 北京工业大学 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
CN109669352A (zh) * 2017-10-17 2019-04-23 中国石油化工股份有限公司 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
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008035884B4 (de) * 2007-08-01 2017-09-14 Denso Corporation Verfahren und Vorrichtung zum Steuern einer Ausrüstung basierend auf einer Mehrere-Eingaben/Eine-Ausgabe-Steuerung
US10308539B2 (en) * 2014-10-01 2019-06-04 ClearCove Systems, Inc. Apparatus for treatment of sludge

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103499982A (zh) * 2013-09-30 2014-01-08 北京工业大学 一种污水处理过程自组织控制方法
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
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
CN109669352A (zh) * 2017-10-17 2019-04-23 中国石油化工股份有限公司 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
CN108445757A (zh) * 2018-03-12 2018-08-24 北京工业大学 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
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于PSO-LSSVM的浓缩池溢流水浓度预测";邵清 等;《中国煤炭》;20170831;第43卷(第8期);第117-120页 *

Also Published As

Publication number Publication date
US20210395120A1 (en) 2021-12-23
CN111474854A (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
CN111474854B (zh) 一种基于数据-知识驱动的污水处理过程优化控制方法
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
Qiao et al. Dynamic multi-objective optimization control for wastewater treatment process
Han et al. Dynamic MOPSO-based optimal control for wastewater treatment process
CN106873379B (zh) 一种基于迭代adp算法的污水处理最优控制方法
CN106698642B (zh) 一种污水处理过程多目标实时优化控制方法
CN108549234B (zh) 一种基于动态变值的多目标优化控制方法
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
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
Guerrero et al. Multi-criteria selection of optimum WWTP control setpoints based on microbiology-related failures, effluent quality and operating costs
CN113589684B (zh) 一种基于自调整多任务粒子群算法的污水处理过程优化控制方法
CN109711070A (zh) 一种基于活性污泥水处理的溶解氧浓度优化方法
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
CN108762082B (zh) 一种污水处理过程协同优化控制系统
Valverde-Pérez et al. Control structure design for resource recovery using the enhanced biological phosphorus removal and recovery (EBP2R) activated sludge process
Hunag et al. Optimization of fed-batch fermentation using mixture of sugars to produce ethanol
CN114488822B (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
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
Balku et al. Dynamics of an activated sludge process with nitrification and denitrification: Start-up simulation and optimization using evolutionary algorithm
CN112465185B (zh) 一种城市污水处理过程自适应评估多目标优化控制方法
CN111399558B (zh) 一种基于知识选择的污水处理过程多目标优化控制方法
Namjoshi et al. Unveiling steady‐state multiplicity in hybridoma cultures: The cybernetic approach
CN111484124A (zh) 一种污水处理智能控制与生化工艺集约方法及系统
CN113867276B (zh) 一种基于自适应知识迁移策略的污水处理过程多任务优化控制方法

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