CN112099354A - 一种面向污水处理过程的智能多目标优化控制方法 - Google Patents
一种面向污水处理过程的智能多目标优化控制方法 Download PDFInfo
- Publication number
- CN112099354A CN112099354A CN202010961064.3A CN202010961064A CN112099354A CN 112099354 A CN112099354 A CN 112099354A CN 202010961064 A CN202010961064 A CN 202010961064A CN 112099354 A CN112099354 A CN 112099354A
- Authority
- CN
- China
- Prior art keywords
- sewage treatment
- treatment process
- control method
- population
- optimization control
- 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
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)
Abstract
本发明公开了一种面向污水处理过程的智能多目标优化控制方法,包括,基于LSSVM构建控制器设定值与能耗、出水水质之间的软测量模型;将所述软测量模型作为目标函数、所述总能耗和所述出水水质作为优化目标,结合多策略自适应差分进化算法寻优,获得各跟踪控制器的设定值;利用PID控制器对所述设定值进行跟踪控制。本发明方法能够有效地提升算法的收敛性和pareto解的多样性,为跟踪控制器提供优质的设定值,并且控制器的跟踪性优良,实现了大幅降低能耗、提升水质的目标,为实际污水厂的优化运行提供了一种新的参考方法。
Description
技术领域
本发明涉及工业过程建模和优化控制的技术领域,尤其涉及一种面向污水处理过程的智能多目标优化控制方法。
背景技术
随着城市化和工业化的快速发展,生活污水和工业污水带来的污染已然成为人类无法逃避的问题。现如今,活性污泥法是污水处理厂最常采用的一种污水生物处理技术,该技术是将污水和活性污泥混合后,利用活性污泥的生物凝聚、吸附和氧化作用使有机污染物分解。尽管污水处理厂的首要目标是使出水水质达标,但是也要考虑工厂的运营成本,尤其是控制好氧区溶解氧浓度(SO)的鼓风机和控制厌氧区硝态氮浓度(SNO)的回流泵所带来的能耗。从生化反应机理来看,SO和SNO不仅决定了工厂的运营成本,还关乎着出水水质,因此如何控制SO和SNO从而达到降低污水处理能耗、提升出水水质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。而污水处理过程中能耗和出水水质是一组相互制约的指标,如果为了降低能耗而减少电力设备的运行,会影响生化反应的充分性,从而无法保证出水水质。反之,为了提升出水水质而让电力设备高负荷运转,势必会导致能耗增加。如果采用单目标优化一般侧重于对污水处理过程中能耗的降低,而出水水质的提升空间有限,很难达到能耗和出水水质之间的最佳平衡。因此,采用多目标优化综合考虑能耗(Overall Cost Index,OCI)和出水水质(EffluentQuality Index,EQI),并且提升多目标寻优算法的性能,能更加有效地降低能耗、提升出水水质。此外,跟踪控制结构的不足会增加对控制器性能的要求,容易导致跟踪性能不佳的问题。
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,因此对其中的控制变量的设定值很难精确控制;针对常规多目标优化算法的搜索性能不佳的情况,如何根据种群进化情况自适应地调整种群的全局和局部搜索能力,以提升算法的收敛性和pareto解的多样性。
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。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明解决的技术问题是:针对现有污水处理方法过程中存在控制器的跟踪性能不佳、算法收敛性和pareto解多样性不足的问题。
为解决上述技术问题,本发明提供如下技术方案:包括,基于LSSVM构建控制器设定值与能耗、出水水质之间的软测量模型;将所述软测量模型作为目标函数、所述总能耗和所述出水水质作为优化目标,结合多策略自适应差分进化算法寻优,获得各跟踪控制器的设定值;利用PID控制器对所述设定值进行跟踪控制。
作为本发明所述的面向污水处理过程的智能多目标优化控制方法的一种优选方案,其中:构建所述软测量模型包括,以4个PID控制器的设定值作为辅助变量,能耗和出水水质为两个主导变量,用LSSVM建立软测量模型,如下:
OCI=f1(SO4set,SO5set,SNO2set)
EQI=f2(SO4set,SO5set,SNO2set)
其中,SNO2set、SO4set、SO5set分别表示PID4控制器、PID2控制器和PID3控制器的设定值,OCI表示总能耗,EQI表示出水水质。
作为本发明所述的面向污水处理过程的智能多目标优化控制方法的一种优选方案,其中:将所述软测量模型作为所述目标函数,包括,
s.t.yi(ωTxi+b)=1-ei
i=1,2,…,m
其中,||ω||为ω的二范数,ei为误差变量,λ>0为惩罚系数,ω为权向量,b为偏置量。
作为本发明所述的面向污水处理过程的智能多目标优化控制方法的一种优选方案,其中:还包括,利用拉格朗日乘子法求解所述目标函数,得到拉格朗日函数,如下:
其中,e=(e1;e1;...;em),α=(α1;α1;...;αm),αi为拉格朗日乘子。
作为本发明所述的面向污水处理过程的智能多目标优化控制方法的一种优选方案,其中:利用所述多策略自适应差分进化算法进行寻优,包括,初始化种群及相关进化参数,当前迭代次数t=1,随机初始化种群;利用所述软测量模型计算所述种群个体的适应度值,自适应地更新进化过程信息θ(t)、变异率CRi(t)和交叉率F(t);根据非支配排序策略更新所述种群个体适应度值和pareto解集A;基于排序个体选择的多策略融合变异进行变异策略的交叉、选择操作;判断当前迭代次数t是否达到最大迭代次数T,若未达到,则返回上一步骤;若达到,则从所述pareto解集A中选取一组较优解作为所述跟踪控制器的所述设定值。
作为本发明所述的面向污水处理过程的智能多目标优化控制方法的一种优选方案,其中:所述相关进化参数包括,所述变异率和所述交叉率的上下限、种群规模、最大迭代次数T和pareto解集规模Amax。
作为本发明所述的面向污水处理过程的智能多目标优化控制方法的一种优选方案,其中:所述非支配排序策略包括,利用所述软测量模型计算所述种群中个体的适应度值;将所述种群中的个体按支配关系进行pareto解分层,将各层pareto解按拥挤度进行降序排列;利用所述非支配排序策略对所述种群中所有个体进行排序,并获取排序后第i个体的选择参考指标;根据多策略融合原则有侧重性地选择变异策略;生成0~1均匀分布的随机数rand2,从所述种群中随机选择个体,若随机个体的选择参考指标小于rand2,则重新选择;若所述随机个体的选择参考指标大于rand2,则代入选择的变异策略进行变异操作。
作为本发明所述的面向污水处理过程的智能多目标优化控制方法的一种优选方案,其中:所述拥挤度定义如下,
作为本发明所述的面向污水处理过程的智能多目标优化控制方法的一种优选方案,其中:定义所述参考指标包括,
其中,NP为种群中个体数量。
作为本发明所述的面向污水处理过程的智能多目标优化控制方法的一种优选方案,其中:所述变异策略进行交叉、选择操作,包括,
本发明的有益效果:本发明方法能够有效地提升算法的收敛性和pareto解的多样性,为跟踪控制器提供优质的设定值,并且控制器的跟踪性优良,实现了大幅降低能耗、提升水质的目标,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为本发明第一个实施例所述的面向污水处理过程的智能多目标优化控制方法的流程示意图;
图2为本发明第一个实施例所述的面向污水处理过程的智能多目标优化控制方法的活性污泥处理系统结构示意图;
图3为本发明第一个实施例所述的面向污水处理过程的智能多目标优化控制方法的总体结构示意图;
图4为本发明第一个实施例所述的面向污水处理过程的智能多目标优化控制方法的多策略自适应差分进化算法示意图;
图5本发明第一个实施例所述的面向污水处理过程的智能多目标优化控制方法的软测量建模数据集分布示意图;
图6本发明第一个实施例所述的面向污水处理过程的智能多目标优化控制方法的BSM1三种天气下入水参考变量变化示意图;
图7本发明第一个实施例所述的面向污水处理过程的智能多目标优化控制方法的晴朗天气各控制器的控制效果和误差示意图;
图8本发明第二个实施例所述的面向污水处理过程的智能多目标优化控制方法的多策略自适应差分进化算法及其他优化算法获得的pareto解集分布示意图;
图9本发明第二个实施例所述的面向污水处理过程的智能多目标优化控制方法的晴天条件下5种出水水质参数在14天的优化过程中的变化情况示意图。
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,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
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。
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。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
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,而污水处理过程中能耗和出水水质是一组相互制约的指标,如果为了降低能耗而减少电力设备的运行,会影响生化反应的充分性,从而无法保证出水水质;反之,为了提升出水水质而让电力设备高负荷运转,势必会导致能耗增加。
如果采用单目标优化,一般侧重于对污水处理过程中能耗的降低,而出水水质的提升空间有限,很难达到能耗和出水水质之间的最佳平衡,因此,采用多目标优化综合考虑能耗(Overall Cost Index,OCI)和出水水质(Effluent Quality Index,EQI),并且提升多目标寻优算法的性能,能更加有效地降低能耗、提升出水水质。
参照图1~图7,本发明的第一个实施例,提供了一种面向污水处理过程的智能多目标优化控制方法,包括:
S1:基于LSSVM构建控制器设定值与能耗、出水水质之间的软测量模型。参照图5,其中需要说明的是,构建软测量模型包括:
以4个PID控制器的设定值作为辅助变量,能耗和出水水质为两个主导变量,用LSSVM建立软测量模型,如下:
OCI=f1(SO4set,SO5set,SNO2set)
EQI=f2(SO4set,SO5set,SNO2set)
其中,SNO2set、SO4set、SO5set分别表示PID4控制器、PID2控制器和PID3控制器的设定值,OCI表示总能耗,EQI表示出水水质;
在特征空间中LSSVM的模型如下:
将软测量模型作为目标函数,包括,
s.t.yi(ωTxi+b)=1-ei
i=1,2,…,m
其中,||ω||为ω的二范数,ei为误差变量,λ>0为惩罚系数,ω为权向量,b为偏置量;
利用拉格朗日乘子法求解目标函数,得到拉格朗日函数,如下:
其中,e=(e1;e1;...;em),α=(α1;α1;...;αm),αi为拉格朗日乘子;
联立公式,求出α和b,得到LSSVM的非线性函数表达式:
S2:将软测量模型作为目标函数、总能耗和出水水质作为优化目标,结合多策略自适应差分进化算法寻优,获得各跟踪控制器的设定值。参照图4,本步骤需要说明的是,利用多策略自适应差分进化算法进行寻优,包括:
初始化种群及相关进化参数(变异率F和交叉率CR的上下限、种群规模NP、最大迭代次数T和pareto解集规模Amax,),当前迭代次数t=1,随机初始化种群;
利用软测量模型计算种群个体的适应度值,自适应地更新进化过程信息θ(t)、变异率CRi(t)和交叉率F(t);
根据非支配排序策略更新种群个体适应度值和pareto解集A;
基于排序个体选择的多策略融合变异进行变异策略的交叉、选择操作;
判断当前迭代次数t是否达到最大迭代次数T,若未达到,则返回上一步骤;
若达到,则从pareto解集A中选取一组较优解作为跟踪控制器的设定值。
具体的,更新公式如下:
其中,和分别为第t代种群对m个目标函数进行适应度值求和后得到的最大值和最小值,CRi(t)为第t代种群中第i个个体的交叉率,CRmin为最小交叉率,CRmax为最大交叉率,fi(t)为第t代种群中第i个个体的适应度值,fm(t)为第t代种群中所有个体的平均适应度值,为衰减系数,Fmin为最小变异率,Fmax为最大变异率。
进一步的,非支配排序策略包括:
利用软测量模型计算种群中个体的适应度值;
将种群中的个体按支配关系进行pareto解分层,将各层pareto解按拥挤度进行降序排列;
利用非支配排序策略对种群中所有个体进行排序,并获取排序后第i个体的选择参考指标;
根据多策略融合原则有侧重性地选择变异策略;
生成0~1均匀分布的随机数rand2,从种群中随机选择个体,若随机个体的选择参考指标小于rand2,则重新选择;
若随机个体的选择参考指标大于rand2,则代入选择的变异策略进行变异操作。
再进一步的是,拥挤度定义如下:
定义参考指标包括:
其中,NP为种群中个体数量;
变异策略进行交叉、选择操作,包括:
S3:利用PID控制器对设定值进行跟踪控制。其中还需要说明的是:
(1)设计底层控制结构
跟踪控制过程设计了4个动态变值跟踪PID(比例-积分-微分(proportion-integral-derivative))控制器,实现对好氧区第3、4、5反应单元的溶解氧浓度(SO3,SO4,SO5)和厌氧区第2反应单元的硝态氮浓度(SNO2)的底层跟踪控制。
表1:控制器的控制结构表。
项目 | PID1 | PID2 | PID3 | PID4 |
控制变量 | S<sub>O3</sub> | S<sub>O4</sub> | S<sub>O5</sub> | S<sub>NO2</sub> |
操作变量 | K<sub>La3</sub> | K<sub>La4</sub> | K<sub>La5</sub> | Q<sub>a</sub> |
设定值 | S<sub>O3set</sub> | S<sub>O4set</sub> | S<sub>O5set</sub> | S<sub>NO2set</sub> |
(2)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多个优化周期,若优化周期太多,多目标优化算法的计算量会非常大;
若优化周期太少,污水处理过程的优化控制效果会不佳;
因此,整个过程分为112个优化周期,每个优化周期的时长为3h,每个优化周期前都需要通过多目标优化算法来对新一轮优化周期的设定值进行一次寻优,给控制器提供更优质的设定值,以实现精准控制能耗、调整出水水质。
(3)跟踪控制
根据多目标优化获得的溶解氧浓度和硝态氮浓度的设定值,使用控制器(PID1、PID2、PID3和PID4)对好氧区的溶解氧浓度和厌氧区的硝态氮浓度进行底层跟踪控制,从而实现污水处理过程的多目标优化控制。
优选的,参照图2、图3和图8,本实施例还需要说明的是,多目标优化过程以OCI(总能耗)和EQI(出水水质)为优化目标,通过多策略自适应差分进化算法对跟踪控制器的设定值进行寻优,为控制器提供当前优化周期的设定值;本发明为深入研究和改进污水处理过程,国际水质协会和欧盟科学技术合作组织合作开发了仿真基准模型1号(BenchmarkSimulation Model No.1,BSM1)。
BSM1主要由生化反应池和二次沉淀池构成,生化反应池共有5个单元,开始2个单元是厌氧区,主要进行反硝化反应,剩下3个单元是好氧区,主要进行硝化反应,经过生化反应池处理后的混合液一部分回流到第1个生化反应单元,剩余的则流入二次沉淀池;在二次沉淀池中,固态物质和活性污泥经过沉淀与清水分离,清水从上层排出系统,沉淀在底部的污泥一小部分作为剩余污泥排出,剩余的则是回流到第1个生化反应单元,保证了曝气池中固体悬浮物的浓度,维持了活性污泥系统的稳定性。
在BSM1中,BSM1的结构如图2中的污水处理工艺部分所示,该模型中提供了两个关键的评价指标分别为总能耗(OCI)和出水水质(EQI),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,Qa为内回流流量,Qr为外回流流量,Qw为剩余污泥流量,Qe为出水流量,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。
参照图5,常规控制结构是将第2个生化反应单元的硝态氮浓度和第5个生化反应单元的溶解氧浓度作为控制变量,对这两个量进行跟踪控制,本发明采用的控制结构所获取的用于软测量建模数据明显分布区域更广,更有利于建立更优质的软测量模型,且,常规控制结构相较于本发明采用的控制结构,缺少了对第3、4生化反应单元的溶解氧浓度的跟踪控制。
较佳的,参照图7(a)~图7(h),给出了晴天条件下4个PID控制器的控制效果和误差示意图,根据图6的示意,除了在控制器的设定值发生突变时,误差会出现尖峰值,但是很快就能调整过来,跟设定值的轨迹保持高度的吻合。
通俗的说,经过多目标优化后得到每个优化周期的最优控制器设定值的pareto解集,并从中选取一组偏好解作为当前优化周期的控制器设定值,通过PID控制器对其进行跟踪控制,从而达到降低能耗、提升水质的效果。
实施例2
参照图8和图9,为本发明的第二个实施例,该实施例不同于第一个实施例的是,提供了一种面向污水治理过程的智能多目标优化控制方法的验证,包括:
为了更好地对本发明方法中采用的技术效果加以验证说明,本实施例选择以传统的非支配排序遗传算法(NSGA-II)、增强pareto进化算法(SPEA2)、多目标粒子群算法(MOPSO)、多目标差分进化算法(MODE)与本发明方法进行对比测试,以科学论证的手段对比试验结果,验证本发明方法所具有的真实效果。
传统的污水处理优化控制方法无法同时满足能耗低的同时保持优良的出水水质,为验证本发明方法相较于四种传统方法具有较好的优越性,本实施例选择以传统的非支配排序遗传算法(NSGA-II)、增强pareto进化算法(SPEA2)、多目标粒子群算法(MOPSO)、多目标差分进化算法(MODE)分别与本发明方法在ZDT系列测试函数上进行测试比较,评价指标为世代距离(Generational Distance,GD)和散布性(Spread,Δ),测试过程中所有算法的种群大小NP=100,最大迭代次数T=250,pareto解集规模Amax=100,均在测试函数上独立运行30次,并求取GD和Δ的平均值。如下表所示:
表2:GD测试结果表。
Dataset | MSADE | NSGA-II | SPEA2 | MOPSO | MODE |
ZDT1 | 1.731e-4 | 9.821e-4 | 3.987e-3 | 1.378e-2 | 6.324e-2 |
ZDT2 | 8.407e-5 | 7.605e-4 | 7.795e-3 | 3.116e-2 | 1.071e-2 |
ZDT3 | 2.247e-4 | 3.381e-3 | 2.190e-3 | 1.794e-1 | 7.455e-2 |
ZDT4 | 4.733e-4 | 5.085e-4 | 9.123e-4 | 5.256e-1 | 2.942e-1 |
ZDT6 | 3.378e-4 | 5.446e-3 | 4.732e-2 | 8.609e-2 | 1.611e-2 |
表3:Δ测试结果表。
Dataset | MSADE | NSGA-II | SPEA2 | MOPSO | MODE |
ZDT1 | 1.922e-1 | 4.327e-1 | 3.451e-1 | 8.757e-1 | 1.180e-0 |
ZDT2 | 2.354e-1 | 4.763e-1 | 5.332e-1 | 6.895e-1 | 6.354e-1 |
ZDT3 | 2.702e-1 | 7.388e-1 | 6.291e-1 | 1.036e-0 | 9.438e-1 |
ZDT4 | 4.032e-1 | 3.619e-1 | 3.773e-1 | 7.372e-1 | 8.145e-1 |
ZDT6 | 3.302e-1 | 6.690e-1 | 5.657e-1 | 1.342e-0 | 9.762e-1 |
从GD测试结果中能够发现,本发明方法在收敛性能上明显优于MOPSO和MODE,相比较于NSGA-II和SPEA2也有较大的提升,尤其是在ZDT2、ZDT3和ZDT6上有不止一个数量级的提升;在Δ测试结果中,MSADE在大部分测试函数上均获得了最优的分布性。
其中,GD和Δ分别用于衡量算法的收敛性和pareto解的多样性,皆是越趋近于0,算法性能越好,具体的定义如下:
其中,n为所得pareto解集的大小,di为所得pareto解集中第i个解与真实Pareto解集中最近解之间在目标空间上的欧氏距离;
参照图8,给出了晴天条件下多策略自适应差分进化算法(MSADE)、非支配排序遗传算法(NSGA-II)、增强pareto进化算法(SPEA2)和多目标粒子群算法(MOPSO)对污水处理过程中第4个优化周期的数据进行优化时所获得的pareto解集,可以看到MSADE(即本发明方法)较其他算法获得了更优的能耗和水质,并且算法的收敛性和解集的多样性、分布性都得到了很大的提升。
BSM1为保证出水水质提供的5个出水水质参数指标,具体如下:
其中,SNh,e,avg为出水氨氮的平均浓度;SNtot,e,avg=SNKj,e,avg+SNO,e,avg为出水总氮的平均浓度。
参照图9,给出晴天条件下5种出水水质参数在14天的优化过程中的变化情况,在任何时刻BOD5、COD和TSS都明显低于出水水质参数指标,SNh和SNtot存在峰值超标的问题,但是14天的平均值分别为3.34mg/L和16.68mg/L,低于出水水质参数指标,满足排放条件。
表4:晴天条件下不同优化控制方法的效果对比表。
表5:雨天和暴雨天条件下不同优化控制方法的效果对比表。
参照表4,给出了晴天条件下不同控制方法所获得的5种出水水质参数平均值、OCI和EQI的对比结果;其中,Influent为入水水质参数平均值,Openloop为开环控制,SOOC为单目标优化控制,dMOPSO为多目标优化算法的优化控制,NSGA-II为神经网络和多目标优化算法相结合的优化控制,MOPSO-PID为基于多目标粒子群优化算法的PID优化控制;从表4中可以看出,在出水水质参数方面,本发明采用的MSADE方法的5种出水水质参数平均值都较低,相比于入水,出水时SNh、SNtot、BOD5、COD和TSS的去除率分别达到了88.92%、67.59%、96.20%、71.60%和93.66%;相比于Openloop,OCI和EQI的下降率分别达到了11.50%和3.35%,与SOOC相比,MSADE的EQI虽略高,但OCI却下降了很多,与MOPSO-PID相比,MSADE的OCI略高,但EQI却大幅下降。
参照表5,出了雨天和暴雨天条件下不同控制方法的OCI和EQI的对比结果,综合考虑OCI和EQI,本发明的MSADE在复杂天气条件下依然获得了良好的优化控制效果。
综上所述,可得到结论:本发明所提出的一种面向污水处理过程的智能多目标优化控制方法在晴天、雨天、暴雨天三种天气下都获得了优良的控制效果,能将出水污染物浓度控制在相应的排放指标范围内,同时可获得较低的OCI和EQI,具有很大的优越性。
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)
1.一种面向污水处理过程的智能多目标优化控制方法,其特征在于:包括,
基于LSSVM构建控制器设定值与能耗、出水水质之间的软测量模型;
将所述软测量模型作为目标函数、所述总能耗和所述出水水质作为优化目标,结合多策略自适应差分进化算法寻优,获得各跟踪控制器的设定值;
利用PID控制器对所述设定值进行跟踪控制。
2.根据权利要求1所述的面向污水处理过程的智能多目标优化控制方法,其特征在于:构建所述软测量模型包括,
以4个PID控制器的设定值作为辅助变量,能耗和出水水质为两个主导变量,用LSSVM建立软测量模型,如下:
OCI=f1(SO4set,SO5set,SNO2set)
EQI=f2(SO4set,SO5set,SNO2set)
其中,SNO2set、SO4set、SO5set分别表示PID4控制器、PID2控制器和PID3控制器的设定值,OCI表示总能耗,EQI表示出水水质。
5.根据权利要求4所述的面向污水处理过程的智能多目标优化控制方法,其特征在于:利用所述多策略自适应差分进化算法进行寻优,包括,
初始化种群及相关进化参数,当前迭代次数t=1,随机初始化种群;
利用所述软测量模型计算所述种群个体的适应度值,自适应地更新进化过程信息θ(t)、变异率CRi(t)和交叉率F(t);
根据非支配排序策略更新所述种群个体适应度值和pareto解集A;
基于排序个体选择的多策略融合变异进行变异策略的交叉、选择操作;
判断当前迭代次数t是否达到最大迭代次数T,若未达到,则返回上一步骤;
若达到,则从所述pareto解集A中选取一组较优解作为所述跟踪控制器的所述设定值。
6.根据权利要求5所述的面向污水处理过程的智能多目标优化控制方法,其特征在于:所述相关进化参数包括,
所述变异率和所述交叉率的上下限、种群规模、最大迭代次数T和pareto解集规模Amax。
7.根据权利要求6所述的面向污水处理过程的智能多目标优化控制方法,其特征在于:所述非支配排序策略包括,
利用所述软测量模型计算所述种群中个体的适应度值;
将所述种群中的个体按支配关系进行pareto解分层,将各层pareto解按拥挤度进行降序排列;
利用所述非支配排序策略对所述种群中所有个体进行排序,并获取排序后第i个体的选择参考指标;
根据多策略融合原则有侧重性地选择变异策略;
生成0~1均匀分布的随机数rand2,从所述种群中随机选择个体,若随机个体的选择参考指标小于rand2,则重新选择;
若所述随机个体的选择参考指标大于rand2,则代入选择的变异策略进行变异操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010961064.3A CN112099354B (zh) | 2020-09-14 | 2020-09-14 | 一种面向污水处理过程的智能多目标优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010961064.3A CN112099354B (zh) | 2020-09-14 | 2020-09-14 | 一种面向污水处理过程的智能多目标优化控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112099354A true CN112099354A (zh) | 2020-12-18 |
CN112099354B CN112099354B (zh) | 2022-07-29 |
Family
ID=73752387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010961064.3A Active CN112099354B (zh) | 2020-09-14 | 2020-09-14 | 一种面向污水处理过程的智能多目标优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112099354B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283732A (zh) * | 2021-05-17 | 2021-08-20 | 广东省科学院智能制造研究所 | 基于差分进化算法的多目标优化家禽配送方法及系统 |
CN114509939A (zh) * | 2022-01-12 | 2022-05-17 | 江南大学 | 一种i-moead算法的污水处理过程优化控制方法 |
CN115793471A (zh) * | 2023-02-10 | 2023-03-14 | 森海环保集团有限公司 | 一种基于污水处理监测的可调式控制方法及系统 |
CN116107251A (zh) * | 2023-02-14 | 2023-05-12 | 成都信息工程大学 | 一种微波无极紫外消毒智能控制系统、方法、设备及终端 |
CN117092908A (zh) * | 2023-10-19 | 2023-11-21 | 中国标准化研究院 | 基于遗传算法的废水处理设备智能控制方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777990A (zh) * | 2010-01-15 | 2010-07-14 | 西安电子科技大学 | 多目标免疫优化组播路由路径选择方法 |
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 |
CN107016461A (zh) * | 2017-03-31 | 2017-08-04 | 北京科技大学 | 一种混合多目标进化方法 |
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 |
CN109889573A (zh) * | 2019-01-14 | 2019-06-14 | 武汉理工大学 | 混合云中基于ngsa多目标的副本放置方法 |
CN109932903A (zh) * | 2019-02-25 | 2019-06-25 | 北京妙微科技有限公司 | 多父代优化网络和遗传算法的风机控制多目标优化方法 |
CN110262431A (zh) * | 2019-07-03 | 2019-09-20 | 江南大学 | 一种基于工况识别的污水处理过程多目标优化控制方法 |
CN110598863A (zh) * | 2019-09-05 | 2019-12-20 | 南宁师范大学 | 协同进化的多目标差分进化方法 |
CN111242503A (zh) * | 2020-01-21 | 2020-06-05 | 南京航空航天大学 | 一种基于两层遗传算法的多目标柔性作业车间调度方法 |
US20200241087A1 (en) * | 2019-10-15 | 2020-07-30 | Tsinghua University | Cable condition monitoring sensor device method |
-
2020
- 2020-09-14 CN CN202010961064.3A patent/CN112099354B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777990A (zh) * | 2010-01-15 | 2010-07-14 | 西安电子科技大学 | 多目标免疫优化组播路由路径选择方法 |
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 |
CN107016461A (zh) * | 2017-03-31 | 2017-08-04 | 北京科技大学 | 一种混合多目标进化方法 |
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 |
CN109889573A (zh) * | 2019-01-14 | 2019-06-14 | 武汉理工大学 | 混合云中基于ngsa多目标的副本放置方法 |
CN109932903A (zh) * | 2019-02-25 | 2019-06-25 | 北京妙微科技有限公司 | 多父代优化网络和遗传算法的风机控制多目标优化方法 |
CN110262431A (zh) * | 2019-07-03 | 2019-09-20 | 江南大学 | 一种基于工况识别的污水处理过程多目标优化控制方法 |
CN110598863A (zh) * | 2019-09-05 | 2019-12-20 | 南宁师范大学 | 协同进化的多目标差分进化方法 |
US20200241087A1 (en) * | 2019-10-15 | 2020-07-30 | Tsinghua University | Cable condition monitoring sensor device method |
CN111242503A (zh) * | 2020-01-21 | 2020-06-05 | 南京航空航天大学 | 一种基于两层遗传算法的多目标柔性作业车间调度方法 |
Non-Patent Citations (5)
Title |
---|
孙浩等: "基于环境Pareto支配选择策略的有约束多目标差分进化算法", 《控制与决策》 * |
李霏等: "基于均匀分布NSGAII算法的污水处理多目标优化控制", 《化工学报》 * |
王芳等: "基于拥挤度快速排序的物联网RFID系统优化设计", 《软件》 * |
艾兵等: "基于多策略排序变异的多目标差分进化算法", 《计算机应用研究》 * |
郭晓彤等: "Pareto支配关系下两阶段进化高维多目标优化算法", 《计算机科学与探索》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283732A (zh) * | 2021-05-17 | 2021-08-20 | 广东省科学院智能制造研究所 | 基于差分进化算法的多目标优化家禽配送方法及系统 |
CN114509939A (zh) * | 2022-01-12 | 2022-05-17 | 江南大学 | 一种i-moead算法的污水处理过程优化控制方法 |
CN115793471A (zh) * | 2023-02-10 | 2023-03-14 | 森海环保集团有限公司 | 一种基于污水处理监测的可调式控制方法及系统 |
CN116107251A (zh) * | 2023-02-14 | 2023-05-12 | 成都信息工程大学 | 一种微波无极紫外消毒智能控制系统、方法、设备及终端 |
CN116107251B (zh) * | 2023-02-14 | 2023-10-13 | 成都信息工程大学 | 一种微波无极紫外消毒智能控制系统、方法、设备及终端 |
CN117092908A (zh) * | 2023-10-19 | 2023-11-21 | 中国标准化研究院 | 基于遗传算法的废水处理设备智能控制方法及系统 |
CN117092908B (zh) * | 2023-10-19 | 2024-01-02 | 中国标准化研究院 | 基于遗传算法的废水处理设备智能控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112099354B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112099354B (zh) | 一种面向污水处理过程的智能多目标优化控制方法 | |
CN108549234B (zh) | 一种基于动态变值的多目标优化控制方法 | |
CN105404151B (zh) | 污水处理过程动态多目标优化控制方法 | |
CN110262431B (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 | |
AU2021101438A4 (en) | Adaptive control method and system for aeration process | |
CN106873379A (zh) | 一种基于迭代adp算法的污水处理最优控制方法 | |
CN106802563B (zh) | 一种基于果蝇优化和lssvm的污水过程优化控制方法 | |
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 | |
CN112183719A (zh) | 一种基于多目标优化-模糊神经网络的出水总氮智能检测方法 | |
CN111367181B (zh) | 一种用于污水处理系统的混合驱动智能评判控制方法 | |
CN106698642A (zh) | 一种污水处理过程多目标实时优化控制方法 | |
CN109669352A (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 | |
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 | |
CN109085752B (zh) | 基于角度支配关系的铝电解偏好多目标优化算法 | |
CN113189881A (zh) | 一种污水处理多目标优化控制方法及系统 | |
CN106354014A (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 | |
CN109711070A (zh) | 一种基于活性污泥水处理的溶解氧浓度优化方法 | |
CN108427268A (zh) | 一种基于知识与数据信息决策的污水处理优化控制方法 | |
CN115356930B (zh) | 一种污水处理过程中的多目标优化控制系统及方法 | |
CN102841979A (zh) | 一种基于pca-ga-svr的污泥回流量预测方法 | |
CN106651032A (zh) | Sbr法氨氧化过程神经网络智能控制的方法 | |
CN103792844A (zh) | 一种基于有序聚类的污水处理控制方法 | |
CN109978024B (zh) | 一种基于互联模块化神经网络的出水bod预测方法 | |
CN111797363B (zh) | 基于数据的污水处理系统自学习轨迹跟踪方法 | |
CN116881742A (zh) | 一种基于任务聚类的污水处理过程多工况双层优化控制方法 |
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 |