CN112465185B - 一种城市污水处理过程自适应评估多目标优化控制方法 - Google Patents

一种城市污水处理过程自适应评估多目标优化控制方法 Download PDF

Info

Publication number
CN112465185B
CN112465185B CN202011169060.8A CN202011169060A CN112465185B CN 112465185 B CN112465185 B CN 112465185B CN 202011169060 A CN202011169060 A CN 202011169060A CN 112465185 B CN112465185 B CN 112465185B
Authority
CN
China
Prior art keywords
value
sewage treatment
dominant
dimension
range
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
CN202011169060.8A
Other languages
English (en)
Other versions
CN112465185A (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 CN202011169060.8A priority Critical patent/CN112465185B/zh
Publication of CN112465185A publication Critical patent/CN112465185A/zh
Application granted granted Critical
Publication of CN112465185B publication Critical patent/CN112465185B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • C02F3/28—Anaerobic digestion processes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Microbiology (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Primary Health Care (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Hydrology & Water Resources (AREA)
  • Operations Research (AREA)
  • Water Supply & Treatment (AREA)
  • Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

一种城市污水处理过程自适应评估多目标优化控制方法属于城市污水处理领域。为了满足城市污水处理过程优化运行，本发明建立基于径向基核函数的城市污水处理过程优化控制目标模型，获取硝态氮浓度SNO、溶解氧浓度SO与能耗、出水水质的关系；设计基于自适应评估多目标粒子群的优化控制方法对SNO和SO的设定值进行优化，并对优化设定值进行跟踪控制；有效降低城市污水处理过程能耗并提高出水水质，实现城市污水处理过程高效稳定运行。

Description

一种城市污水处理过程自适应评估多目标优化控制方法
技术领域
本发明涉及一种城市污水处理过程自适应评估多目标优化控制方法，首先，建立基于径向基核函数的城市污水处理过程优化控制目标模型，获得硝态氮浓度SNO、溶解氧浓度SO与能耗、出水水质的关系，然后，采用基于自适应评估多目标粒子群的优化控制方法对污水处理过程中SNO和SO的设定值进行优化，并对优化设定值进行跟踪控制，以降低能耗并提高出水水质，本发明可以降低城市污水处理能耗并提高出水水质，具有较高的应用价值。
背景技术
城市污水处理过程通过一系列生化反应，将污水中的有机物转化成无机物，并通过物理化学反应，将污水进行净化，使出水水质达标并排出。污水处理过程是水资源循环再利用的重要途径，对保护和节约水资源都有重要的作用。
城市污水处理过程机理复杂，具有强非线性特征，且能耗和出水水质都是与污水处理过程运行成本息息相关的要素，然而，能耗和出水水质两个目标相互冲突且具有较强的关联性，因此，如何实现城市污水处理过程优化运行是一个具有挑战性的问题。在城市污水处理过程中，与能耗和出水水质的相关变量中，硝态氮浓度SNO和溶解氧浓度SO是两个重要的可操作变量，获取SNO和SO的优化设定值是污水处理过程优化运行的一个热点问题，然而，在设定值优化过程中，通常仅考虑单一的多样性需求来获取SNO和SO的优化设定值，其获得过程具有一定的局限性，这一定程度上限制了城市污水处理过程优化控制性能，因此，考虑基于进化需求的自适应评估粒子群优化获取SNO和SO的优化设定值，设计出合理的优化方法，并对SNO和SO的优化设定值进行跟踪控制，不仅可以满足城市污水处理优化运行，降低能耗和保证出水水质，而且对城市污水处理过程的稳定运行起到了至关重要的作用。
本发明设计了一种城市污水处理过程自适应评估多目标优化控制方法，主要建立了基于径向基核函数的城市污水处理过程优化控制目标模型，采用自适应评估多目标粒子群优化方法获得SNO和SO的优化设定值，并利用PID控制器实现对SNO和SO优化设定值的跟踪控制。
发明内容
本发明采用了如下的技术方案及实现步骤：
1.一种城市污水处理过程自适应评估多目标优化控制方法，其特征包括建立基于径向基核函数的城市污水处理过程优化控制目标模型、设计基于自适应评估多目标粒子群的优化控制方法，具体步骤为：
(1)建立基于径向基核函数的城市污水处理过程优化控制目标模型
1)以城市污水处理过程能耗和出水水质作为优化目标，建立城市污水处理过程优化控制目标模型：
minF(t)＝[f1(t),f2(t)] (1)
其中，F(t)为t时刻城市污水处理过程优化控制目标模型；f1(t)为t时刻城市污水处理过程能耗模型，f2(t)为t时刻城市污水处理过程出水水质模型；
2)建立城市污水处理过程能耗和出水水质模型：
其中，w10(t)为f1(t)的输出偏移，取值范围为[-2，2]；w20(t)为f2(t)的输出偏移，取值范围为[-2，2]；Q1为f1(t)中径向基核函数的数量，取值范围为[1，20]；Q2为f2(t)中径向基核函数的数量，取值范围为[1，20]；w1q(t)为f1(t)中第q个径向基核函数的权重；w2q(t)为f2(t)中第q个径向基核函数的权重；s(t)＝[SNO(t)，SO(t)，MLSS(t)，SNH(t)]为f1(t)和f2(t)的输入矩阵；SNO(t)为t时刻生化反应池第二分区硝态氮浓度，取值范围为[0.2mg/L，2mg/L]；SO(t)为t时刻生化反应池第五分区溶解氧浓度，取值范围为[0.4mg/L，3mg/L]；MLSS(t)为t时刻出水混合悬浮物浓度，取值范围为[0mg/L，100mg/L]；SNH(t)为t时刻出水氨氮浓度，取值范围为[0mg/L，5mg/L]；c1q(t)＝[c1q,1(t)，c1q,2(t)，c1q,3(t)，c1q,4(t)]为f1(t)中第q个径向基核函数的中心向量；c1q,1(t)为f1(t)中第q个径向基核函数的第一维中心，取值范围为[-1.5，1.5]；c1q,2(t)为f1(t)中第q个径向基核函数的第二维中心，取值范围为[-1.5，1.5]；c1q,3(t)为f1(t)中第q个径向基核函数的第三维中心，取值范围为[-1.5，1.5]；c1q,4(t)为f1(t)中第q个径向基核函数的第四维中心，取值范围为[-1.5，1.5]；c2q(t)＝[c2q,1(t)，c2q,2(t)，c2q,3(t)，c2q,4(t)]为f2(t)中第q个径向基核函数的中心向量；c2q,1(t)为f2(t)中第q个径向基核函数的第一维中心，取值范围为[-1.5，1.5]；c2q,2(t)为f2(t)中第q个径向基核函数的第二维中心，取值范围为[-1.5，1.5]；c2q,3(t)为f2(t)中第q个径向基核函数的第三维中心，取值范围为[-1.5，1.5]；c2q,4(t)为f2(t)中第q个径向基核函数的第四维中心，取值范围为[-1.5，1.5]；σ1q(t)为f1(t)中第q个径向基核函数的宽度，取值范围为[0，2.5]；σ2q(t)为f2(t)中第q个径向基核函数的宽度，取值范围为[0，2.5]；
(2)设计基于自适应评估多目标粒子群的优化控制方法
1)以城市污水处理过程可控变量硝态氮浓度SNO和溶解氧浓度SO作为多目标粒子群优化的位置变量，设置多目标粒子群优化的种群规模N，取值范围为[20，50]；设置外部档案中非支配解的最大数量Hmax，取值范围为[20，50]；设置多目标粒子群优化的最大迭代次数Kmax，取值范围为[50，100]；种群迭代次数为k，取值范围为[1，Kmax]；
2)对种群进行初始化，随机生成具有N个粒子的种群，以公式(1)为优化目标对每个粒子进行求解，获得个体最优解：
pn(1)＝xn(1) (4)
其中，pn(1)为第n个粒子在第一代获得的个体最优解；xn(1)＝[xn,1(1)，xn,2(1)]为第n个粒子在第一代的位置向量，xn,1(1)为第一次迭代过程中第n个粒子的第一维位置，取值范围为[0.2mg/L，2mg/L]，xn,2(1)为第一次迭代过程中第n个粒子的第二维位置，取值范围为[0.4mg/L，3mg/L]；
外部档案的建立：外部档案通过粒子间的目标对比获得，当一个粒子的两个目标都小于等于其它粒子的对应目标，且至少有一个目标小于其它粒子的对应目标时，称该粒子为非支配解，对种群中粒子的目标进行对比，获得的非支配解存入外部档案；
计算第一次迭代过程中非支配解的全局多样性信息：
其中，GD(1)为外部档案中非支配解在第一代的全局多样性信息；H(1)为第一代外部档案中非支配解的数量；dh(1)为第一代外部档案中第h个非支配解与外部档案中其它粒子在目标空间的最小欧式距离；为外部档案中所有非支配解的dh(1)的平均值；
3)种群进化过程：
①进入下次迭代，即，使迭代次数增加1，计算外部档案中非支配解的全局多样性信息：
其中，GD(k)为外部档案中非支配解在第k代的全局多样性信息；H(k)为第k代外部档案中非支配解的数量；dh(k)为第k代外部档案中第h个非支配解与外部档案中其它粒子在目标空间的最小欧式距离；为外部档案中所有非支配解的dh(k)的平均值；当GD(k)≤GD(k-1)时，记多样性需求指标RD(k)＝1；否则，记多样性需求指标RD(k)＝0；
计算外部档案中非支配解的全局收敛性信息：
其中，GC(k)为第k代全局收敛性信息；ah(k)为外部档案A(k)中第h个非支配解的位置向量；为ah(k)与/>之间的距离；/>为A(k-1)中被ah(k)支配的粒子；当GC(k)＝0时，收敛性需求指标RC(k)＝1；否则，收敛性需求指标RC(k)＝0；
判断RD(k)和RC(k)的关系，当RD(k)≠RC(k)时，
E(k)＝RD(k)-RC(k) (7)
其中，E(k)为第k代种群进化需求；
当RD(k)＝RC(k)，且k≤4时，
当RD(k)＝RC(k)，且k>4时，
其中，τ为历史迭代次数；通过多样性需求指标RD(k)和收敛性需求指标RC(k)来获得种群进化需求，以指导种群进化；
②对外部档案中的非支配解进行评估，当种群进化需求E(k)>0时，非支配解ah(k)的评估值ACE(ah(k))取ah(k)在目标空间中与外部档案其它粒子之间欧氏距离的最小值；当E(k)≤0时，非支配解ah(k)的评估值ACE(ah(k))取ah(k)在目标空间的转换距离，ah(k)在目标空间的转换距离为外部档案中所有粒子的旋转位置与ah(k)之间欧式距离之和；粒子与ah(k)在目标空间中相比，最大的目标值作为粒子的旋转位置；
在外部档案中ACE(ah(k))最大的前10％的非支配解中随机选择一个解作为候选解cg(k)，从而获得具有较高评估值的候选解；
③采用局部搜索策略获取全局最优解，首先生成一个随机向量r1＝[r1,1，r1,2]；r1,1为局部搜索过程中粒子第一维随机值，取值范围为[0，1]；r1,2为局部搜索过程中粒子第二维随机值，取值范围为[0，1]；当r1,1>0.7时
其中，g1(k)为第k代全局最优解的第一个维度；cg1(k)为第k代候选解的第一个维度；x1 upper＝2mg/L为SNO(t)上限；x1 lower＝0.2mg/L为SNO(t)下限；r2,1为粒子第一维突变随机值，取值范围为[0，1]；当r1,1≤0.7时，g1(k)＝cg1(k)；
当r1,2>0.7时
其中，g2(k)为第k代全局最优解的第二个维度；cg2(k)为第k代候选解的第二个维度；x2 upper＝3mg/L为SO(t)上限；x2 lower＝0.4mg/L为SO(t)下限；r2,2为粒子第二维突变随机值，取值范围为[0，1]；当r1,2≤0.7时，g2(k)＝cg2(k)；最后，获得全局最优解g(k)＝[g1(k)，g2(k)]来引导种群进化；
④多目标粒子群优化的位置和速度更新方式为
vn(k+1)＝0.5vn(k)+2r3(pn(k)-xn(k))+2r4(g(k)-xn(k)) (12)
xn(k+1)＝xn(k)+vn(k+1) (13)
其中，vn(k)为第n个粒子在第k代的速度向量；xn(k)为第n个粒子在第k代的位置向量；pn(k)为第n个粒子在第k代的个体最优解；r3＝[r3,1，r3,2]为个体认知项随机向量；r3,1为个体认知项第一维随机值，取值范围为[0，1]；r3,2为个体认知项第二维随机值，取值范围为[0，1]；r4＝[r4,1，r4,2]为社会认知项随机向量；r4,1为社会认知项第一维随机值，取值范围为[0，1]；r4,2为社会认知项第二维随机值，取值范围为[0，1]；通过粒子的位置和速度更新，实现种群进化；
⑤外部档案更新：
比较种群中粒子和外部档案中粒子的支配关系，选择种群和外部档案中非支配解更新外部档案A(k)，若A(k)中非支配解的数量大于Hmax，则删除在目标空间中拥挤距离小的非支配解，使得外部档案中非支配解的数量小于或等于Hmax；
⑥若k小于Kmax，则转到步骤①，否则，转到步骤⑦；
⑦在外部档案中随机选择一个非支配解的位置向量作为优化设定值[SNO *(t)，SO *(t)]，其中，SNO *(t)为t时刻生化反应池第二分区硝态氮优化设定值，SO *(t)为t时刻生化反应池第五分区溶解氧优化设定值；
4)使用PID对优化设定值进行跟踪控制，PID的表达方式如下：
其中，Δu(t)＝[ΔQa(t)，ΔKLa5(t)]T为t时刻操作变量向量；ΔQa(t)为t时刻污水处理内循环流量的变化量；ΔKLa5(t)为t时刻第五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t时刻控制误差矩阵；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；PID控制器的输出是污水处理内循环流量的变化值ΔQa(t)和第五分区氧传递系数的变化量ΔKLa5(t)；
(3)城市污水处理过程自适应评估多目标优化控制系统的输入是内循环流量的变化值ΔQa(t)和第五分区氧传递系数的变化量ΔKLa5(t)，对城市污水处理过程SNO和SO的优化设定值进行跟踪控制。
本发明的创造性主要体现在：
(1)本发明针对城市污水处理过程优化运行问题，首先建立基于径向基核函数的城市污水处理过程优化控制目标模型，并利用自适应评估多目标粒子群优化方法对模型进行优化，最后，使用PID控制器对SNO和SO的优化设定值进行跟踪控制，以降低城市污水处理过程能耗并提高出水水质的目的，具有较高的实用性；
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模型建立城市污水处理过程优化控制目标模型，使用基于进化需求的自适应评估多目标粒子群优化方法对硝态氮浓度和溶解氧浓度进行优化，将其它基于径向基核函数的建模算法和基于进化需求的自适应评估多目标优化方法等相同原理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
1.一种城市污水处理过程自适应评估多目标优化控制方法，其特征包括建立基于径向基核函数的城市污水处理过程优化控制目标模型、设计基于自适应评估多目标粒子群的优化控制方法，具体步骤为：
(1)建立基于径向基核函数的城市污水处理过程优化控制目标模型
1)以城市污水处理过程能耗和出水水质作为优化目标，建立城市污水处理过程优化控制目标模型：
minF(t)＝[f1(t),f2(t)] (1)
其中，F(t)为t时刻城市污水处理过程优化控制目标模型；f1(t)为t时刻城市污水处理过程能耗模型，f2(t)为t时刻城市污水处理过程出水水质模型；
2)建立城市污水处理过程能耗和出水水质模型：
其中，w10(t)为f1(t)的输出偏移，w10(0)＝-1.01；w20(t)为f2(t)的输出偏移，w20(0)＝0.32；Q1＝10为f1(t)中径向基核函数的数量；Q2＝10为f2(t)中径向基核函数的数量；w1q(t)为f1(t)中第q个径向基核函数的权重，w1q(0)＝-0.75；w2q(t)为f2(t)中第q个径向基核函数的权重，w2q(0)＝1.61；s(t)＝[SNO(t)，SO(t)，MLSS(t)，SNH(t)]为f1(t)和f2(t)的输入矩阵，s(0)＝[1，1.5，15，2.3]；SNO(t)为t时刻生化反应池第二分区硝态氮浓度，取值范围为[0.2mg/L，2mg/L]；SO(t)为t时刻生化反应池第五分区溶解氧浓度，取值范围为[0.4mg/L，3mg/L]；MLSS(t)为t时刻出水混合悬浮物浓度，取值范围为[0mg/L，100mg/L]；SNH(t)为t时刻出水氨氮浓度，取值范围为[0mg/L，5mg/L]；c1q(t)＝[c1q,1(t)，c1q,2(t)，c1q,3(t)，c1q,4(t)]为f1(t)中第q个径向基核函数的中心向量；c1q,1(t)为f1(t)中第q个径向基核函数的第一维中心，c1q,1(0)＝0.75；c1q,2(t)为f1(t)中第q个径向基核函数的第二维中心，c1q,2(0)＝0.52；c1q,3(t)为f1(t)中第q个径向基核函数的第三维中心，c1q,3(0)＝0.22；c1q,4(t)为f1(t)中第q个径向基核函数的第四维中心，c1q,4(0)＝-0.37；c2q(t)＝[c2q,1(t)，c2q,2(t)，c2q,3(t)，c2q,4(t)]为f2(t)中第q个径向基核函数的中心向量；c2q,1(t)为f2(t)中第q个径向基核函数的第一维中心，c2q,1(0)＝0.83；c2q,2(t)为f2(t)中第q个径向基核函数的第二维中心，c2q,2(0)＝0.72；c2q,3(t)为f2(t)中第q个径向基核函数的第三维中心，c2q,3(0)＝-0.33；c2q,4(t)为f2(t)中第q个径向基核函数的第四维中心，c2q,4(0)＝0.81；σ1q(t)为f1(t)中第q个径向基核函数的宽度，σ1q(0)＝0.71；σ2q(t)为f2(t)中第q个径向基核函数的宽度，σ2q(0)＝1.61；
(2)设计基于自适应评估多目标粒子群的优化控制方法
1)以城市污水处理过程可控变量硝态氮浓度SNO和溶解氧浓度SO作为多目标粒子群优化的位置变量，设置多目标粒子群优化的种群规模N＝20；设置外部档案中非支配解的最大值Hmax＝20；设置多目标粒子群优化的最大迭代次数Kmax＝50；种群迭代次数为k，取值范围为[1，Kmax]；
2)对种群进行初始化，随机生成具有N个粒子的种群，以公式(1)为优化目标对每个粒子进行求解，获得个体最优解：
pn(1)＝xn(1) (4)
其中，pn(1)为第n个粒子在第一代获得的个体最优解；xn(1)＝[xn,1(1)，xn,2(1)]为第n个粒子在第一代的位置向量，xn,1(1)为第一次迭代过程中第n个粒子的第一维位置，取值范围为[0.2mg/L，2mg/L]，xn,2(1)为第一次迭代过程中第n个粒子的第二维位置，取值范围为[0.4mg/L，3mg/L]；
外部档案的建立：外部档案通过粒子间的目标对比获得，当一个粒子的两个目标都小于等于其它粒子的对应目标，且至少有一个目标小于其它粒子的对应目标时，称该粒子为非支配解，对种群中粒子的目标进行对比，获得的非支配解存入外部档案；
计算第一次迭代过程中非支配解的全局多样性信息：
其中，GD(1)为外部档案中非支配解在第一代的全局多样性信息；H(1)为第一代外部档案中非支配解的数量；dh(1)为第一代外部档案中第h个非支配解与外部档案中其它粒子在目标空间的最小欧式距离；为外部档案中所有非支配解的dh(1)的平均值；
3)种群进化过程：
①进入下次迭代，即，使迭代次数增加1，计算外部档案中非支配解的全局多样性信息：
其中，GD(k)为外部档案中非支配解在第k代的全局多样性信息；H(k)为第k代外部档案中非支配解的数量；dh(k)为第k代外部档案中第h个非支配解与外部档案中其它粒子在目标空间的最小欧式距离；为外部档案中所有非支配解的dh(k)的平均值；当GD(k)≤GD(k-1)时，记多样性需求指标RD(k)＝1；否则，记多样性需求指标RD(k)＝0；
计算外部档案中非支配解的全局收敛性信息：
其中，GC(k)为第k代全局收敛性信息；ah(k)为外部档案A(k)中第h个非支配解的位置向量；为ah(k)与/>之间的距离；/>为A(k-1)中被ah(k)支配的粒子；当GC(k)＝0时，收敛性需求指标RC(k)＝1；否则，收敛性需求指标RC(k)＝0；
判断RD(k)和RC(k)的关系，当RD(k)≠RC(k)时，
E(k)＝RD(k)-RC(k) (7)
其中，E(k)为第k代种群进化需求；
当RD(k)＝RC(k)，且k≤4时，
当RD(k)＝RC(k)，且k>4时，
其中，τ为历史迭代次数；通过多样性需求指标RD(k)和收敛性需求指标RC(k)来获得种群进化需求，以指导种群进化；
②对外部档案中的非支配解进行评估，当种群进化需求E(k)>0时，非支配解ah(k)的评估值ACE(ah(k))取ah(k)在目标空间中与外部档案其它粒子之间欧氏距离的最小值；当E(k)≤0时，非支配解ah(k)的评估值ACE(ah(k))取ah(k)在目标空间的转换距离，ah(k)在目标空间的转换距离为外部档案中所有粒子的旋转位置与ah(k)之间欧式距离之和；粒子与ah(k)在目标空间中相比，最大的目标值作为粒子的旋转位置；
在外部档案中ACE(ah(k))最大的前10％的非支配解中随机选择一个解作为候选解cg(k)，从而获得具有较高评估值的候选解；
③采用局部搜索策略获取全局最优解，首先生成一个随机向量r1＝[r1,1，r1,2]；r1,1为局部搜索过程中粒子第一维随机值，取值范围为[0，1]；r1,2为局部搜索过程中粒子第二维随机值，取值范围为[0，1]；当r1,1>0.7时
其中，g1(k)为第k代全局最优解的第一个维度；cg1(k)为第k代候选解的第一个维度；x1 upper＝2mg/L为SNO(t)上限；x1 lower＝0.2mg/L为SNO(t)下限；r2,1为粒子第一维突变随机值，取值范围为[0，1]；当r1,1≤0.7时，g1(k)＝cg1(k)；
当r1,2>0.7时
其中，g2(k)为第k代全局最优解的第二个维度；cg2(k)为第k代候选解的第二个维度；x2 upper＝3mg/L为SO(t)上限；x2 lower＝0.4mg/L为SO(t)下限；r2,2为粒子第二维突变随机值，取值范围为[0，1]；当r1,2≤0.7时，g2(k)＝cg2(k)；最后，获得全局最优解g(k)＝[g1(k)，g2(k)]来引导种群进化；
④多目标粒子群优化的位置和速度更新方式为
vn(k+1)＝0.5vn(k)+2r3(pn(k)-xn(k))+2r4(g(k)-xn(k)) (12)
xn(k+1)＝xn(k)+vn(k+1) (13)
其中，vn(k)为第n个粒子在第k代的速度向量；xn(k)为第n个粒子在第k代的位置向量；pn(k)为第n个粒子在第k代的个体最优解；r3＝[r3,1，r3,2]为个体认知项随机向量；r3,1为个体认知项第一维随机值，取值范围为[0，1]；r3,2为个体认知项第二维随机值，取值范围为[0，1]；r4＝[r4,1，r4,2]为社会认知项随机向量；r4,1为社会认知项第一维随机值，取值范围为[0，1]；r4,2为社会认知项第二维随机值，取值范围为[0，1]；通过粒子的位置和速度更新，实现种群进化；
⑤外部档案更新：
比较种群中粒子和外部档案中粒子的支配关系，选择种群和外部档案中非支配解更新外部档案A(k)，若A(k)中非支配解的数量大于Hmax，则删除在目标空间中拥挤距离小的非支配解，使得外部档案中非支配解的数量小于或等于Hmax；
⑥若k小于Kmax，则转到步骤①，否则，转到步骤⑦；
⑦在外部档案中随机选择一个非支配解的位置向量作为优化设定值[SNO *(t)，SO *(t)]，其中，SNO *(t)为t时刻生化反应池第二分区硝态氮优化设定值，SO *(t)为t时刻生化反应池第五分区溶解氧优化设定值；
4)使用PID对优化设定值进行跟踪控制，PID的表达方式如下：
其中，Δu(t)＝[ΔQa(t)，ΔKLa5(t)]T为t时刻操作变量向量；ΔQa(t)为t时刻污水处理内循环流量的变化量；ΔKLa5(t)为t时刻第五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t时刻控制误差矩阵；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；PID控制器的输出是污水处理内循环流量的变化值ΔQa(t)和第五分区氧传递系数的变化量ΔKLa5(t)；
(3)城市污水处理过程自适应评估多目标优化控制系统的输入是内循环流量的变化值ΔQa(t)和第五分区氧传递系数的变化量ΔKLa5(t)，对城市污水处理过程SNO和SO的优化设定值进行跟踪控制。
一种城市污水处理过程自适应评估多目标优化控制系统输出结果为硝态氮浓度SNO和溶解氧浓度SO，图1是硝态氮浓度结果图，其中实线为优化方法获得的硝态氮浓度优化设定值，虚线为硝态氮浓度的实际输出值，横轴：时间，单位：天，纵轴：SNO，单位：mg/L，图2硝态氮浓度跟踪误差图，横轴：时间，单位：天，纵轴：SNO跟踪误差，单位：mg/L，图3是溶解氧浓度结果图，其中实线为优化方法获得的溶解氧浓度优化设定值，虚线为溶解氧浓度的实际输出值，横轴：时间，单位：天，纵轴：SO，单位：mg/L，图4溶解氧浓度跟踪误差图，横轴：时间，单位：天，纵轴：SO跟踪误差，单位：mg/L。

Claims (1)

1.一种城市污水处理过程自适应评估多目标优化控制方法，其特征包括建立基于径向基核函数的城市污水处理过程优化控制目标模型、设计基于自适应评估多目标粒子群的优化控制方法，具体步骤为：
(1)建立基于径向基核函数的城市污水处理过程优化控制目标模型
1)以城市污水处理过程能耗和出水水质作为优化目标，建立城市污水处理过程优化控制目标模型：
minF(t)＝[f1(t),f2(t)] (1)
其中，F(t)为t时刻城市污水处理过程优化控制目标模型；f1(t)为t时刻城市污水处理过程能耗模型，f2(t)为t时刻城市污水处理过程出水水质模型；
2)建立城市污水处理过程能耗和出水水质模型：
其中，w10(t)为f1(t)的输出偏移，取值范围为[-2，2]；w20(t)为f2(t)的输出偏移，取值范围为[-2，2]；Q1为f1(t)中径向基核函数的数量，取值范围为[1，20]；Q2为f2(t)中径向基核函数的数量，取值范围为[1，20]；w1q(t)为f1(t)中第q个径向基核函数的权重；w2q(t)为f2(t)中第q个径向基核函数的权重；s(t)＝[SNO(t)，SO(t)，MLSS(t)，SNH(t)]为f1(t)和f2(t)的输入矩阵；SNO(t)为t时刻生化反应池第二分区硝态氮浓度，取值范围为[0.2mg/L，2mg/L]；SO(t)为t时刻生化反应池第五分区溶解氧浓度，取值范围为[0.4mg/L，3mg/L]；MLSS(t)为t时刻出水混合悬浮物浓度，取值范围为[0mg/L，100mg/L]；SNH(t)为t时刻出水氨氮浓度，取值范围为[0mg/L，5mg/L]；c1q(t)＝[c1q,1(t)，c1q,2(t)，c1q,3(t)，c1q,4(t)]为f1(t)中第q个径向基核函数的中心向量；c1q,1(t)为f1(t)中第q个径向基核函数的第一维中心，取值范围为[-1.5，1.5]；c1q,2(t)为f1(t)中第q个径向基核函数的第二维中心，取值范围为[-1.5，1.5]；c1q,3(t)为f1(t)中第q个径向基核函数的第三维中心，取值范围为[-1.5，1.5]；c1q,4(t)为f1(t)中第q个径向基核函数的第四维中心，取值范围为[-1.5，1.5]；c2q(t)＝[c2q,1(t)，c2q,2(t)，c2q,3(t)，c2q,4(t)]为f2(t)中第q个径向基核函数的中心向量；c2q,1(t)为f2(t)中第q个径向基核函数的第一维中心，取值范围为[-1.5，1.5]；c2q,2(t)为f2(t)中第q个径向基核函数的第二维中心，取值范围为[-1.5，1.5]；c2q,3(t)为f2(t)中第q个径向基核函数的第三维中心，取值范围为[-1.5，1.5]；c2q,4(t)为f2(t)中第q个径向基核函数的第四维中心，取值范围为[-1.5，1.5]；σ1q(t)为f1(t)中第q个径向基核函数的宽度，取值范围为[0，2.5]；σ2q(t)为f2(t)中第q个径向基核函数的宽度，取值范围为[0，2.5]；
(2)设计基于自适应评估多目标粒子群的优化控制方法
1)以城市污水处理过程可控变量硝态氮浓度SNO和溶解氧浓度SO作为多目标粒子群优化的位置变量，设置多目标粒子群优化的种群规模N，取值范围为[20，50]；设置外部档案中非支配解的最大数量Hmax，取值范围为[20，50]；设置多目标粒子群优化的最大迭代次数Kmax，取值范围为[50，100]；种群迭代次数为k，取值范围为[1，Kmax]；
2)对种群进行初始化，随机生成具有N个粒子的种群，以公式(1)为优化目标对每个粒子进行求解，获得个体最优解：
pn(1)＝xn(1) (4)
其中，pn(1)为第n个粒子在第一代获得的个体最优解；xn(1)＝[xn,1(1)，xn,2(1)]为第n个粒子在第一代的位置向量，xn,1(1)为第一次迭代过程中第n个粒子的第一维位置，取值范围为[0.2mg/L，2mg/L]，xn,2(1)为第一次迭代过程中第n个粒子的第二维位置，取值范围为[0.4mg/L，3mg/L]；
外部档案的建立：外部档案通过粒子间的目标对比获得，当一个粒子的两个目标都小于等于其它粒子的对应目标，且至少有一个目标小于其它粒子的对应目标时，称该粒子为非支配解，对种群中粒子的目标进行对比，获得的非支配解存入外部档案；
计算第一次迭代过程中非支配解的全局多样性信息：
其中，GD(1)为外部档案中非支配解在第一代的全局多样性信息；H(1)为第一代外部档案中非支配解的数量；dh(1)为第一代外部档案中第h个非支配解与外部档案中其它粒子在目标空间的最小欧式距离；为外部档案中所有非支配解的dh(1)的平均值；
3)种群进化过程：
①进入下次迭代，即，使迭代次数增加1，计算外部档案中非支配解的全局多样性信息：
其中，GD(k)为外部档案中非支配解在第k代的全局多样性信息；H(k)为第k代外部档案中非支配解的数量；dh(k)为第k代外部档案中第h个非支配解与外部档案中其它粒子在目标空间的最小欧式距离；为外部档案中所有非支配解的dh(k)的平均值；当GD(k)≤GD(k-1)时，记多样性需求指标RD(k)＝1；否则，记多样性需求指标RD(k)＝0；
计算外部档案中非支配解的全局收敛性信息：
其中，GC(k)为第k代全局收敛性信息；ah(k)为外部档案A(k)中第h个非支配解的位置向量；为ah(k)与/>之间的距离；/>为A(k-1)中被ah(k)支配的粒子；当GC(k)＝0时，收敛性需求指标RC(k)＝1；否则，收敛性需求指标RC(k)＝0；
判断RD(k)和RC(k)的关系，当RD(k)≠RC(k)时，
E(k)＝RD(k)-RC(k) (7)
其中，E(k)为第k代种群进化需求；
当RD(k)＝RC(k)，且k≤4时，
当RD(k)＝RC(k)，且k>4时，
其中，τ为历史迭代次数；通过多样性需求指标RD(k)和收敛性需求指标RC(k)来获得种群进化需求，以指导种群进化；
②对外部档案中的非支配解进行评估，当种群进化需求E(k)>0时，非支配解ah(k)的评估值ACE(ah(k))取ah(k)在目标空间中与外部档案其它粒子之间欧氏距离的最小值；当E(k)≤0时，非支配解ah(k)的评估值ACE(ah(k))取ah(k)在目标空间的转换距离，ah(k)在目标空间的转换距离为外部档案中所有粒子的旋转位置与ah(k)之间欧式距离之和；粒子与ah(k)在目标空间中相比，最大的目标值作为粒子的旋转位置；
在外部档案中ACE(ah(k))最大的前10％的非支配解中随机选择一个解作为候选解cg(k)，从而获得具有较高评估值的候选解；
③采用局部搜索策略获取全局最优解，首先生成一个随机向量r1＝[r1,1，r1,2]；r1,1为局部搜索过程中粒子第一维随机值，取值范围为[0，1]；r1,2为局部搜索过程中粒子第二维随机值，取值范围为[0，1]；当r1,1>0.7时
其中，g1(k)为第k代全局最优解的第一个维度；cg1(k)为第k代候选解的第一个维度；x1 upper＝2mg/L为SNO(t)上限；x1 lower＝0.2mg/L为SNO(t)下限；r2,1为粒子第一维突变随机值，取值范围为[0，1]；当r1,1≤0.7时，g1(k)＝cg1(k)；
当r1,2>0.7时
其中，g2(k)为第k代全局最优解的第二个维度；cg2(k)为第k代候选解的第二个维度；x2 upper＝3mg/L为SO(t)上限；x2 lower＝0.4mg/L为SO(t)下限；r2,2为粒子第二维突变随机值，取值范围为[0，1]；当r1,2≤0.7时，g2(k)＝cg2(k)；最后，获得全局最优解g(k)＝[g1(k)，g2(k)]来引导种群进化；
④多目标粒子群优化的位置和速度更新方式为
vn(k+1)＝0.5vn(k)+2r3(pn(k)-xn(k))+2r4(g(k)-xn(k)) (12)
xn(k+1)＝xn(k)+vn(k+1) (13)
其中，vn(k)为第n个粒子在第k代的速度向量；xn(k)为第n个粒子在第k代的位置向量；pn(k)为第n个粒子在第k代的个体最优解；r3＝[r3,1，r3,2]为个体认知项随机向量；r3,1为个体认知项第一维随机值，取值范围为[0，1]；r3,2为个体认知项第二维随机值，取值范围为[0，1]；r4＝[r4,1，r4,2]为社会认知项随机向量；r4,1为社会认知项第一维随机值，取值范围为[0，1]；r4,2为社会认知项第二维随机值，取值范围为[0，1]；通过粒子的位置和速度更新，实现种群进化；
⑤外部档案更新：
比较种群中粒子和外部档案中粒子的支配关系，选择种群和外部档案中非支配解更新外部档案A(k)，若A(k)中非支配解的数量大于Hmax，则删除在目标空间中拥挤距离小的非支配解，使得外部档案中非支配解的数量小于或等于Hmax；
⑥若k小于Kmax，则转到步骤①，否则，转到步骤⑦；
⑦在外部档案中随机选择一个非支配解的位置向量作为优化设定值[SNO *(t)，SO *(t)]，其中，SNO *(t)为t时刻生化反应池第二分区硝态氮优化设定值，SO *(t)为t时刻生化反应池第五分区溶解氧优化设定值；
4)使用PID对优化设定值进行跟踪控制，PID的表达方式如下：
其中，Δu(t)＝[ΔQa(t)，ΔKLa5(t)]T为t时刻操作变量向量；ΔQa(t)为t时刻污水处理内循环流量的变化量；ΔKLa5(t)为t时刻第五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t时刻控制误差矩阵；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；PID控制器的输出是污水处理内循环流量的变化值ΔQa(t)和第五分区氧传递系数的变化量ΔKLa5(t)；
(3)城市污水处理过程自适应评估多目标优化控制系统的输入是内循环流量的变化值ΔQa(t)和第五分区氧传递系数的变化量ΔKLa5(t)，对城市污水处理过程SNO和SO的优化设定值进行跟踪控制。
CN202011169060.8A 2020-10-28 2020-10-28 一种城市污水处理过程自适应评估多目标优化控制方法 Active CN112465185B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011169060.8A CN112465185B (zh) 2020-10-28 2020-10-28 一种城市污水处理过程自适应评估多目标优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011169060.8A CN112465185B (zh) 2020-10-28 2020-10-28 一种城市污水处理过程自适应评估多目标优化控制方法

Publications (2)

Publication Number Publication Date
CN112465185A CN112465185A (zh) 2021-03-09
CN112465185B true CN112465185B (zh) 2024-03-26

Family

ID=74834533

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011169060.8A Active CN112465185B (zh) 2020-10-28 2020-10-28 一种城市污水处理过程自适应评估多目标优化控制方法

Country Status (1)

Country Link
CN (1) CN112465185B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114739538A (zh) * 2022-04-19 2022-07-12 合肥水泥研究设计院有限公司 一种预热器的内循环量的判定方法
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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111399558A (zh) * 2020-04-27 2020-07-10 北京工业大学 一种基于知识选择的污水处理过程多目标优化控制方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111399558A (zh) * 2020-04-27 2020-07-10 北京工业大学 一种基于知识选择的污水处理过程多目标优化控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于多目标粒子群算法的污水处理智能优化控制;韩红桂;张璐;乔俊飞;;化工学报(第04期);1474-1481 *

Also Published As

Publication number Publication date
CN112465185A (zh) 2021-03-09

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
CN108549234B (zh) 一种基于动态变值的多目标优化控制方法
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
Sadeghassadi et al. Application of neural networks for optimal-setpoint design and MPC control in biological wastewater treatment
CN106698642B (zh) 一种污水处理过程多目标实时优化控制方法
CN105404151B (zh) 污水处理过程动态多目标优化控制方法
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
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
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
CN110032755B (zh) 多工况下城市污水处理过程多目标优化方法
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
CN113189881A (zh) 一种污水处理多目标优化控制方法及系统
CN115356930B (zh) 一种污水处理过程中的多目标优化控制系统及方法
CN108427268B (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
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
CN113568311B (zh) 基于知识信息的污水处理智能优化控制方法
CN116360366A (zh) 一种污水处理过程优化控制方法
Han et al. Robust optimal control for anaerobic-anoxic-oxic reactors
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
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
CN116360264A (zh) 一种污水处理过程的增强预测控制方法
CN117035152A (zh) 一种基于ssa-lstm-am的污水水质预测方法
Blanch et al. Optimal conditions for gramicidin S production in continuous culture
CN112967761B (zh) 基于自组织模糊神经网络的污水除磷加药计算方法及介质
CN113867276A (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