CN113031445A - 基于机理模型的污水脱氮过程鲁棒多变量控制方法 - Google Patents
基于机理模型的污水脱氮过程鲁棒多变量控制方法 Download PDFInfo
- Publication number
- CN113031445A CN113031445A CN202110269794.1A CN202110269794A CN113031445A CN 113031445 A CN113031445 A CN 113031445A CN 202110269794 A CN202110269794 A CN 202110269794A CN 113031445 A CN113031445 A CN 113031445A
- Authority
- CN
- China
- Prior art keywords
- control
- time
- value
- group
- jth
- 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
-
- 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
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2101/00—Nature of the contaminant
- C02F2101/10—Inorganic compounds
- C02F2101/16—Nitrogen compounds, e.g. ammonia
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/10—Biological treatment of water, waste water, or sewage
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Organic Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Microbiology (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Chemical & Material Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Hydrology & Water Resources (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
基于机理模型的污水脱氮过程鲁棒多变量控制方法属于自动控制、信息技术领域。由于污水脱氮过程中的不确定性及非线性问题,传统的基于模型控制、误差反馈控制或数据驱动控制策略,均难以获得理想的控制效果。本发明特点在于:1)只需要进水有机负荷的一种测量信号,即可实现多个控制回路的模型前馈控制;2)结合自适应多变量滑模控制技术,能精确跟踪缺氧池和好氧池的多个关键变量,减少误差保证控制性能。本发明在基准仿真平台的实验结果证明,所述方法能实现多单元硝态氮的精准控制,信号稳定无明显超调。同时能有效抑制能耗和药耗等运行成本,为解决复杂的工业流程控制问题提供可靠的解决方案。
Description
技术领域
本发明是针对城市污水脱氮过程的鲁棒多变量控制方法,是机理模型的理论与智能控制应用的结合,属于自动控制、信息技术领域,也属与污水处理技术领域。
背景技术
脱氮过程是城市污水深度处理的重点和难点,并且与污水厂的运行成本密切相关。由于过程具有非线性和不确定性,其关键水质参数很难跟踪控制。传统的基于模型控制方法难以建立精确的数学模型描述系统;反馈控制策略如PID、自适应增益控制、模糊控制等方法则难以解决系统内部的时变不确定问题,控制系统需要频繁调节参数,震荡与超调问题仍时有发生,对生产运行的能耗药耗损失很大;而以数据驱动为代表的智能控制类算法,由于学习样本有限,专家知识不足,目前的应用效果也不够理想,国内外的成功应用案例并不多见。
因此发明所述的控制方法针对脱氮过程的核心要求,整理出基于机理的鲁棒多变量控制模型与方法,其特点在于:1)易用性,只需要进水有机负荷一种测量信号,即可实现多个控制回路的模型前馈控制;2)适应性,能跟随工况变化自动调整控制参数,实现缺氧池和好氧池的多种组分浓度跟踪控制;
3)稳定性,控制信号超调量小,能有效抑制能耗和药耗等运行成本,为解决复杂的工业流程控制问题提供可靠的解决方案。
发明内容
本发明针对典型的城市污水处理A/O生物脱氮工艺,提出基于机理模型的多变量自适应控制方案,包括以下5个步骤:
步骤1:确定控制对象
首先根据工艺要求确定被控对象状态,工艺采用典型城市污水处理A/O或A2/O工艺,处理过程中可检测缺氧段硝态氮浓度SNO2,以及好氧段硝态氮浓度SNO5,规定状态输出y1,y2为:
其中SNO2(t)表示t时刻反应器单元2(缺氧池末段)的硝态氮浓度,SNO5(t)为t时刻单元5(好氧池末段)的硝态氮浓度;
处理过程中,使用内回流Qa将好氧段的混合液回流到缺氧段,并在缺氧段补充外碳源QEC,内回流和外碳源的执行单元接受控制系统的信号调节,规定系统控制输入u1,u2为:
其中Qa(t)表示t时刻的内回流量,QEC(t)为t时刻的外碳源添加量。
步骤2:定义机理控制模型
本发明基于国际水学会验证的ASM2标准机理模型,将其变量关系进行了推导、整理和简化,用于过程控制量的计算。其作用为抑制进水负荷扰动,预先防止状态偏差的产生。设计内循环流量的控制模型为:
其中uM1(t)为t时刻内回流量的控制模型输出,YH为异养菌缺氧生长比,RCN为缺氧呼吸的碳氮比当量;r1为调节参数,初始值=1.0,用于调整机理模型的偏差;Q1为反应器单元1的进水量,SS1(t)为t时刻单元1的有机负荷(COD)浓度,SNO2d为单元2硝态氮目标值,SNO5d为单元5硝态氮目标值,Qr为污泥循环量。其中只有SS1(t)有机负荷浓度需要实时测量,其他参数值为预先设定,Q1和Qr按以下公式取值:
其中Q0,stab表示水厂的每日平均进水流量;
设计外碳源流量的控制模型表示为:
其中uM2(t)为t时刻外碳源量的控制模型输出,r2为调节参数,初始值=1.0;ρEC为外碳源的基质浓度,YH、RCN等计量参数的取值与内回流控制模型相同。
备注:文中使用的YH和RCN等化学计量参数表示过程中各组分之间的相互转化数量关系。在采用典型工艺的水厂环境中,参数不会有明显变化,一般取典型值YH=0.67,RCN=2.86。
步骤3:设置鲁棒控制器
本发明基于模糊滑模技术设计了鲁棒控制器,以提高过程变量跟踪精度,鲁棒控制器基于状态误差的反馈而设计,状态误差e定义为:
建立滑模变量s以获得被控对象的动态特性,定义为:
设计鲁棒控制律的计算公式为:
其中uR1(t)为t时刻内回流量的鲁棒控制输出,uR2(t)为t时刻外碳源量的鲁棒控制输出,k1,k2>0为模糊控制增益,p1,p2>0为比例控制增益,q1,q2>0为切换控制增益,各控制增益按照实际工艺允许的最大限制输出量20%-50%设置;sgn(.)为符号函数,为模糊隶属度函数输出,定义为:
其中M为模糊神经元数,在3-10整数范围内取值,决定控制规则复杂度;j=1,2…M表示第j个神经元,W1j为第1组第j个神经元权重,在(0,1)范围取随机初值;exp为指数函数;c1j为第1组第j个隶属度函数的中心值,b1j为第1组第j个隶属度函数的宽度值;c2j为第2组第j个隶属度函数的中心值,b2j为第2组第j个隶属度函数的宽度值;c1j,c2j在(-1,1)范围取随机初值,b1j,b2j在(0,1)范围取随机初值;
步骤4:建立自适应算法
本发明将鲁棒控制器与自适应律相结合,通过自适应训练适时调整控制参数,参数调整值的计算方法如下:
其中ηc,ηb,ηw分别为模糊隶属度函数中心、宽度、权重的学习率,取值在[0.001,0.01]范围内,影响收敛速度而不影响调整结果;c1j(t)为t时刻第1组第j个隶属度函数中心值,c2j(t)为t时刻第2组第j个隶属度函数中心值;b1j(t)为t时刻第1组第j个隶属度函数宽度值,b2j(t)为t时刻第2组第j个隶属度函数宽度值;W1j(t)为t时刻第1组第j个模糊神经元权重,W2j(t)为t时刻第2组第j个模糊神经元权重;θ1j(t)表示t时刻第1组第j个模糊隶属度函数输出值,θ2j(t)表示t时刻第2组第j个模糊隶属度函数输出值;
参数调节方法为:
其中c1j(t+1)为t+1时刻第1组第j个隶属度函数中心值,Δc1j(t)为t时刻此中心的调整值;c2j(t+1)为t+1时刻第2组第j个隶属度函数中心值,Δc2j(t)为t时刻此中心的调整值;b1j(t+1)为t+1时刻第1组第j个隶属度函数宽度值,Δb1j(t)为t时刻此宽度的调整值;b2j(t+1)为t+1时刻第2组第j个隶属度函数宽度值,Δb2j(t)为t时刻此宽度的调整值;W1j(t+1)为t+1时刻第1组第j个模糊神经元权重,ΔW1j(t)为t时刻此权重的调整值;W2j(t+1)为t+1时刻第2组第j个模糊神经元权重,ΔW2j(t)为t时刻此权重的调整值。
步骤5:计算控制输出
本发明结合机理模型和鲁棒控制两种方法进行输出量动态调整,获得的总控制输出信号为:
其中u1(t-1)为t-1时刻的内回流控制量,u2(t-1)为t-1时刻的外碳源控制量;a1,a2为机理模型的控制比例,在[0,1]范围内取值。取值为1时,该回路为纯机理模型控制;取值为0时,该回路为纯鲁棒反馈控制。机理控制和鲁棒控制器都可以独立稳定运行,但是单纯的机理控制不能保证控制精度;单纯鲁棒反馈控制则控制量波动较大,易产生超调。因此a1,a2取值0.5,可以获得稳定而精确的控制效果。
机理模型输出的控制律uM1,uM2可抑制偏差的产生,与鲁棒控制律uR1,uR2的输出基本一致,并能抑制超调,因此比鲁棒控制的输出偏小。可通过调节参数r1,r2使uM1,uM2与uR1,uR2保持更好的一致性,调节方法如下:
其中η1,η2为调节参数的学习比率,取值在[0.5,1]范围内,用于调节模型输出uM与反馈输出uR保持该比率;表示从t0到t时刻控制量uR1和Qr的累加,表示从t0到t时刻控制量uM1和Qr的累加,表示从t0到t时刻控制量uR2的累加,表示从t0到t时刻控制量uM2的累加。
执行时u1需满足以下约束条件:
其中Qa,min为系统允许的最小内回流量,可取值Qa,min=Q0,stab,即每日平均进水量的1倍;Qa,max为系统允许的最大内回流量,取值Qa,max=5Q0,stab,即每日平均进水量的5倍。执行时u2需满足以下约束条件:
其中QEC,max为控制系统允许的最大外碳源流量,按以下比例取值:
其中SNH,stab为每日平均氨氮负荷。例如工业典型场景,SNH,stab=50mg/L,碳源浓度ρEC=4×106mg COD/L,可得QEC,max=2m3/d(1.4L/min),即可满足每1万吨污水的日处理规模。
方法利用求解出的控制量u1(t),u2(t)对内回流和外碳源进行多变量控制。
附图说明
图1.污水处理脱氮流程图
图2.控制方法架构图
图3.缺氧池硝态氮控制效果图
图4.好氧池硝态氮控制效果图
图5.内回流控制量变化图
图6.外碳源控制量变化图
具体实施方式
本发明针对典型的城市污水处理A/O生物脱氮工艺(如图1所示),提出了基于机理模型的多变量自适应控制方案(如图2所示),包括以下5个步骤:
步骤1:确定控制对象
首先根据工艺要求确定被控对象状态,工艺采用典型城市污水处理A/O或A2/O工艺,处理过程中可检测缺氧段硝态氮浓度SNO2,以及好氧段硝态氮浓度SNO5,规定状态输出y1,y2为:
其中SNO2(t)表示t时刻反应器单元2(缺氧池末段)的硝态氮浓度,SNO5(t)为t时刻单元5(好氧池末段)的硝态氮浓度;
处理过程中,使用内回流Qa将好氧段的混合液回流到缺氧段,并在缺氧段补充外碳源QEC,内回流和外碳源的执行单元接受控制系统的信号来调节,规定系统控制输入u1,u2为:
其中Qa(t)表示t时刻的内回流量,QEC(t)为t时刻的外碳源添加量。
步骤2:定义机理控制模型
本发明基于国际水学会验证的ASM2标准机理模型,将其变量关系进行了推导、整理和简化,用于过程控制量的计算。其作用为抑制进水负荷扰动,预先防止状态偏差的产生。设计内循环流量的控制模型为:
其中uM1(t)为t时刻内回流量的控制模型输出,YH=0.67为异养菌缺氧生长比,RCN=2.86为缺氧呼吸的碳氮比当量;r1为调节参数,初始值=1.0,用于调整机理模型的偏差;Q1为反应器单元1的进水量,SS1(t)为t时刻单元1的有机负荷(COD)浓度,SNO2d为单元2硝态氮目标值,SNO5d为单元5硝态氮目标值,Qr为污泥循环量。其中只有SS1(t)有机负荷浓度需要实时测量,其他参数只需预先设定,Q1和Qr按以下公式取值:
其中Q0,stab表示水厂的每日平均进水流量;
设计外碳源流量的控制模型表示为:
其中uM2(t)为t时刻外碳源量的控制模型输出,r2为调节参数,初始值=1.0,用于调整机理模型的偏差;ρEC为外碳源的基质浓度,工业碳源典型值为ρEC=4×106mg COD/L;YH、RCN等计量参数的取值与内回流控制模型相同。
备注:文中使用的YH和RCN等化学计量参数表示过程中各组分之间的相互转化数量关系。在采用典型工艺的水厂环境中,参数不会有明显变化,一般取典型值YH=0.67,RCN=2.86。
步骤3:设置鲁棒控制器
本发明基于模糊滑模技术设计了鲁棒控制器,以提高过程变量跟踪精度,鲁棒控制器基于状态误差的反馈而设计,状态误差e定义为:
建立滑模变量s以获得被控对象的动态特性,定义为:
设计鲁棒控制律的计算公式为:
其中uR1(t)为t时刻内回流量的鲁棒控制输出,uR2(t)为t时刻外碳源量的鲁棒控制输出,k1=0.3Qa,max,k2=0.3QEC,max为模糊控制增益,p1=0.5Qa,max,p2=0.5QEC,max为比例控制增益,q1=0.2Qa,max,q2=0.2QEC,max为切换控制增益,以上增益根据实际工艺允许的最大限制量Qa,max,QEC,max取初值;sgn(.)为符号函数,为模糊隶属度函数输出,定义为:
其中M为模糊神经元数,在3-10整数范围内取值,取M=4可得到复杂度与精度适中的控制结构;j=1,2…M为第j个神经元,W1j为第1组第j个神经元权重;exp为指数函数;c1j为第1组第j个隶属度函数的中心值,b1j为第1组第j个隶属度函数的宽度值;c2j为第2组第j个隶属度函数的中心值,b2j为第2组第j个隶属度函数的宽度值;参数初始值取W1j=W2j=[0.2,0.2,0.2,0.2],c1j=c2j=[-0.6,-0.2,0.2,0.6],b1j=b2j=[0.2,0.2,0.2,0.2]。
步骤4:建立自适应算法
本发明将鲁棒控制器与自适应律相结合,通过自适应训练适时调整控制参数,参数调整值的计算方法如下:
其中ηc,ηb,ηw=0.005,分别为模糊隶属度函数中心、宽度、权重的学习率,取值影响收敛速度而不影响调整结果;c1j(t)为t时刻第1组第j个隶属度函数的中心值,c2j(t)为t时刻第2组第j个隶属度函数中心值;b1j(t)为t时刻第1组第j个隶属度函数宽度值,b2j(t)为t时刻第2组第j个隶属度函数宽度值;W1j(t)为t时刻第1组第j个模糊神经元权重,W2j(t)为t时刻第2组第j个模糊神经元权重;θ1j(t)表示t时刻第1组第j个模糊隶属度函数输出值,θ2j(t)表示t时刻第2组第j个模糊隶属度函数输出值;
参数调节方法为:
其中c1j(t+1)为t+1时刻第1组第j个隶属度函数中心值,Δc1j(t)为t时刻此中心的调整值;c2j(t+1)为t+1时刻第2组第j个隶属度函数中心值,Δc2j(t)为t时刻此中心的调整值;b1j(t+1)为t+1时刻第1组第j个隶属度函数宽度值,Δb1j(t)为t时刻此宽度的调整值;b2j(t+1)为t+1时刻第2组第j个隶属度函数宽度值,Δb2j(t)为t时刻此宽度的调整值;W1j(t+1)为t+1时刻第1组第j个模糊神经元权重,ΔW1j(t)为t时刻此权重的调整值;W2j(t+1)为t+1时刻第2组第j个模糊神经元权重,ΔW2j(t)为t时刻此权重的调整值。
步骤5:计算控制输出
本发明结合机理模型和鲁棒控制两种方法进行输出量动态调整,获得的总控制输出信号为:
其中u1(t-1)为t-1时刻的内回流控制量,u2(t-1)为t-1时刻的外碳源控制量,a1,a2为机理模型的控制比例;取a1=a2=0.5,通过自适应对控制比例进行调节,以获得稳定而精确的控制效果。
机理模型输出的控制律uM1,uM2可抑制偏差的产生,与鲁棒控制律uR1,uR2的输出基本一致,并能抑制超调,因此比鲁棒控制的输出偏小。可通过调节参数r1,r2使uM1,uM2与uR1,uR2保持更好的一致性,调节方法如下:
选取η1=0.9,η2=0.7为调节参数的学习比率,用于调节模型输出uM与反馈输出uR保持该比率;表示从t0到t时刻控制量uR1和Qr的累加,表示从t0到t时刻控制量uM1和Qr的累加,表示从t0到t时刻控制量uR2的累加,表示从t0到t时刻控制量uM2的累加。
执行时u1需满足以下约束条件:
其中Qa,min为系统允许的最小内回流量,可取值Qa,min=Q0,stab,即每日平均进水量的1倍;Qa,max为系统允许的最大内回流量,取值Qa,max=5Q0,stab,即每日平均进水量的5倍。
执行时u2需满足以下约束条件:
其中QEC,max为控制系统允许的最大外碳源流量,按以下比例取值:
其中SNH,stab为每日平均氨氮负荷。例如工业典型场景,SNH,stab=50mg/L,碳源浓度ρEC=4×106mg COD/L;当平均进水量为Q0,stab=1×104m3/d时,则有QEC,max=2m3/d(1.4L/min),Qa,min=1×104m3/d,Qa,max=5×104m3/d,即可满足每万立方污水的日处理要求。
根据国际水协会的基准仿真平台2(BSM2),平均进水量Q0,stab=2×104m3/d,状态设定值选取SNO2d在1.5-2.5mg/L范围内变化,SNO5d在7-9mg/L范围内变化,信号变化周期为4小时。
实验结果显示,在显著进水扰动场景中,控制对象在参考值大幅变化时可有效跟踪控制。SNO2的跟踪性能如图3所示,SNO5的跟踪性能如图4所示,Qa控制输入变化如图5所示,Qa的控制输入变化如图6所示。数据采样间隔是15分钟,实验结果证明了方法的有效性。
Claims (1)
1.一种基于机理模型的污水脱氮过程鲁棒多变量控制方法控制方法,用于实现城市污水脱氮过程的多变量稳定控制,其特征在于,包括以下步骤:
(1)确定控制对象
首先根据工艺要求确定被控对象状态,工艺采用典型城市污水处理A/O或A2/O工艺,处理过程中可检测缺氧段硝态氮浓度SNO2,以及好氧段硝态氮浓度SNO5,规定状态输出y1,y2为:
其中SNO2(t)表示t时刻缺氧段的硝态氮浓度,SNO5(t)为t时刻好氧段的硝态氮浓度;
处理过程中,使用内回流Qa将好氧段的混合液回流到缺氧段,并在缺氧段补充外碳源QEC,内回流和外碳源的执行单元接受控制系统的信号来调节,规定系统控制输入u1,u2为:
其中Qa(t)表示t时刻的内回流量,QEC(t)为t时刻的外碳源添加量;
(2)定义机理控制模型
基于国际水学会验证的ASM2标准机理模型,将其变量关系进行了推导、整理和简化,用于过程控制量的计算;其作用为抑制进水负荷扰动,预先防止状态偏差的产生;设计内回流流量的控制模型为:
其中uM1(t)为t时刻内回流量的控制模型输出,YH为异养菌产率系数,RCN为缺氧呼吸的碳氮比当量;r1为调节参数,初始值=1.0,用于调整机理模型的偏差;Q1为反应器单元1的进水量,SS1(t)为t时刻单元1的有机负荷(COD)浓度,SNO2d为单元2硝态氮目标值,SNO5d为单元5硝态氮目标值,Qr为污泥循环量;其中只有SS1(t)有机负荷浓度需要实时测量,其他参数值为预先设定,Q1和Qr按以下公式取值:
其中Q0,stab表示水厂的每日平均进水流量;
设计外碳源流量的控制模型表示为:
其中uM2(t)为t时刻外碳源量的控制模型输出,r2为调节参数,初始值=1.0;ρEC为外碳源的基质浓度,YH、RCN取典型值YH=0.67,RCN=2.86;
(3)设置鲁棒控制器
基于模糊滑模技术设计了鲁棒控制器,以提高过程变量跟踪精度,鲁棒控制器基于状态误差的反馈而设计,状态误差e定义为:
建立滑模变量s以获得被控对象的动态特性,定义为:
设计鲁棒控制律的计算公式为:
其中uR1(t)为t时刻内回流量的鲁棒控制输出,uR2(t)为t时刻外碳源量的鲁棒控制输出,k1,k2>0为模糊控制增益,p1,p2>0为比例控制增益,q1,q2>0为切换控制增益,各控制增益按照实际工艺允许最大输出量的20%-50%设置;sgn(.)为符号函数,为模糊隶属度函数输出,定义为:
其中M为模糊神经元数,在3-10整数范围内取值,决定控制规则复杂度;j=1,2…M为第j个神经元,W1j为第1组第j个神经元权重,在(0,1)范围内取随机初值;exp为指数函数;c1j为第1组第j个隶属度函数的中心值,b1j为第1组第j个隶属度函数的宽度值;c2j为第2组第j个隶属度函数的中心值,b2j为第2组第j个隶属度函数的宽度值;c1j,c2j在(-1,1)范围取随机初值,b1j,b2j在(0,1)范围取随机初值;
(4)建立自适应算法
将鲁棒控制器与自适应律相结合,通过自适应训练适时调整控制参数,参数调整值的计算方法如下:
其中ηc,ηb,ηw分别为模糊隶属度函数中心、宽度、权重的学习率,取值在[0.001,0.01]范围内,影响收敛速度而不影响调整结果;c1j(t)为t时刻第1组第j个隶属度函数中心值,c2j(t)为t时刻第2组第j个隶属度函数中心值;b1j(t)为t时刻第1组第j个隶属度函数宽度值,b2j(t)为t时刻第2组第j个隶属度函数宽度值;W1j(t)为t时刻第1组第j个模糊神经元权重,W2j(t)为t时刻第2组第j个模糊神经元权重;θ1j(t)表示t时刻第1组第j个模糊隶属度函数输出值,θ2j(t)表示t时刻第2组第j个模糊隶属度函数输出值;
参数调节方法为:
其中c1j(t+1)为t+1时刻第1组第j个隶属度函数中心值,Δc1j(t)为t时刻此中心的调整值;c2j(t+1)为t+1时刻第2组第j个隶属度函数中心值,Δc2j(t)为t时刻此中心的调整值;b1j(t+1)为t+1时刻第1组第j个隶属度函数宽度值,Δb1j(t)为t时刻此宽度的调整值;b2j(t+1)为t+1时刻第2组第j个隶属度函数宽度值,Δb2j(t)为t时刻此宽度的调整值;W1j(t+1)为t+1时刻第1组第j个模糊神经元权重,ΔW1j(t)为t时刻此权重的调整值;W2j(t+1)为t+1时刻第2组第j个模糊神经元权重,ΔW2j(t)为t时刻此权重的调整值;
(5)计算控制输出
结合机理模型和鲁棒控制两种方法进行输出量动态调整,获得的总控制输出信号为:
其中u1(t-1)为t-1时刻的内回流控制量,u2(t-1)为t-1时刻的外碳源控制量;a1,a2为机理模型的控制比例,a1,a2取值0.5;
通过调节参数r1,r2使uM1,uM2与uR1,uR2保持更好的一致性,调节方法如下:
其中η1,η2为调节参数的学习比率,取值在[0.5,1]范围内,用于调节模型输出uM与反馈输出uR保持该比率;表示从t0到t时刻控制量uR1和Qr的累加,表示从t0到t时刻控制量uM1和Qr的累加,表示从t0到t时刻控制量uR2的累加,表示从t0到t时刻控制量uM2的累加;
执行时u1需满足以下约束条件:
其中Qa,min为系统允许的最小内回流量,可取值Qa,min=Q0,stab,即每日平均进水量的1倍;Qa,max为系统允许的最大内回流量,取值Qa,max=5Q0,stab,即每日平均进水量的5倍;执行时u2需满足以下约束条件:
其中QEC,max为控制系统允许的最大外碳源流量,按以下比例取值:
其中SNH,stab为每日平均氨氮负荷;
方法利用求解出的控制量u1(t),u2(t)对内回流和外碳源进行多变量控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110269794.1A CN113031445B (zh) | 2021-03-12 | 2021-03-12 | 基于机理模型的污水脱氮过程鲁棒多变量控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110269794.1A CN113031445B (zh) | 2021-03-12 | 2021-03-12 | 基于机理模型的污水脱氮过程鲁棒多变量控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113031445A true CN113031445A (zh) | 2021-06-25 |
CN113031445B CN113031445B (zh) | 2022-09-09 |
Family
ID=76470077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110269794.1A Active CN113031445B (zh) | 2021-03-12 | 2021-03-12 | 基于机理模型的污水脱氮过程鲁棒多变量控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113031445B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114527656A (zh) * | 2022-02-05 | 2022-05-24 | 北京工业大学 | 一种基于时滞补偿策略的硝态氮浓度控制方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6743362B1 (en) * | 2002-06-17 | 2004-06-01 | Enviroquip Inc. | Sewage treatment process |
US20140052422A1 (en) * | 2011-02-14 | 2014-02-20 | Jinquan Wan | Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network |
CN103744293A (zh) * | 2014-01-27 | 2014-04-23 | 浙江永泰纸业集团股份有限公司 | 基于模糊神经网络的废水处理监控方法和系统 |
CN105446132A (zh) * | 2012-01-13 | 2016-03-30 | 北京工业大学 | 基于神经网络的污水处理预测控制方法 |
CN106651032A (zh) * | 2016-12-22 | 2017-05-10 | 北京工业大学 | Sbr法氨氧化过程神经网络智能控制的方法 |
WO2017207011A1 (en) * | 2016-06-03 | 2017-12-07 | Danmarks Tekniske Universitet | Control of n2o-emissions by aeration |
CN110647037A (zh) * | 2019-09-23 | 2020-01-03 | 北京工业大学 | 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 |
CN111125907A (zh) * | 2019-12-23 | 2020-05-08 | 河南理工大学 | 一种基于混合智能模型的污水处理氨氮软测量方法 |
CN111354423A (zh) * | 2020-02-29 | 2020-06-30 | 北京工业大学 | 一种基于多元时间序列分析的自组织递归模糊神经网络的出水氨氮浓度预测方法 |
CN112327615A (zh) * | 2020-09-29 | 2021-02-05 | 北京工业大学 | 基于无抖振模糊滑模的污水处理脱氮过程控制方法 |
CN112363391A (zh) * | 2020-10-14 | 2021-02-12 | 北京工业大学 | 一种基于自适应分段滑模控制的污泥膨胀抑制方法 |
-
2021
- 2021-03-12 CN CN202110269794.1A patent/CN113031445B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6743362B1 (en) * | 2002-06-17 | 2004-06-01 | Enviroquip Inc. | Sewage treatment process |
US20140052422A1 (en) * | 2011-02-14 | 2014-02-20 | Jinquan Wan | Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network |
CN105446132A (zh) * | 2012-01-13 | 2016-03-30 | 北京工业大学 | 基于神经网络的污水处理预测控制方法 |
CN103744293A (zh) * | 2014-01-27 | 2014-04-23 | 浙江永泰纸业集团股份有限公司 | 基于模糊神经网络的废水处理监控方法和系统 |
WO2017207011A1 (en) * | 2016-06-03 | 2017-12-07 | Danmarks Tekniske Universitet | Control of n2o-emissions by aeration |
CN106651032A (zh) * | 2016-12-22 | 2017-05-10 | 北京工业大学 | Sbr法氨氧化过程神经网络智能控制的方法 |
CN110647037A (zh) * | 2019-09-23 | 2020-01-03 | 北京工业大学 | 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 |
CN111125907A (zh) * | 2019-12-23 | 2020-05-08 | 河南理工大学 | 一种基于混合智能模型的污水处理氨氮软测量方法 |
CN111354423A (zh) * | 2020-02-29 | 2020-06-30 | 北京工业大学 | 一种基于多元时间序列分析的自组织递归模糊神经网络的出水氨氮浓度预测方法 |
CN112327615A (zh) * | 2020-09-29 | 2021-02-05 | 北京工业大学 | 基于无抖振模糊滑模的污水处理脱氮过程控制方法 |
CN112363391A (zh) * | 2020-10-14 | 2021-02-12 | 北京工业大学 | 一种基于自适应分段滑模控制的污泥膨胀抑制方法 |
Non-Patent Citations (4)
Title |
---|
HONGGUI HAN ET AL.: "Data-Driven Multiobjective Predictive Control for Wastewater Treatment Process", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 * |
谢生钢 等: "污水处理过程中模糊自适应广义预测控制方法", 《华东理工大学学报(自然科学版)》 * |
韩改堂 等: "基于自适应递归模糊神经网络的污水处理控制", 《控制理论与应用》 * |
韩红桂 等: "城市污水处理过程出水氨氮优化控制", 《上海交通大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114527656A (zh) * | 2022-02-05 | 2022-05-24 | 北京工业大学 | 一种基于时滞补偿策略的硝态氮浓度控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113031445B (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101012088B (zh) | 分段进水a/o生物脱氮工艺低氧曝气控制装置及其方法 | |
Ayesa et al. | Supervisory control strategies for the new WWTP of Galindo-Bilbao: the long run from the conceptual design to the full-scale experimental validation | |
CN111650834B (zh) | 基于极限学习机的污水处理过程预测控制方法 | |
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 | |
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 | |
KR20070020064A (ko) | 연속적으로 주입가능한 공기의 속도를 조절할 수 있는생물학적 반응기에 의한 수처리 방법 및 이에 상응하는장치 | |
CN113031445B (zh) | 基于机理模型的污水脱氮过程鲁棒多变量控制方法 | |
Wu et al. | Model predictive control of biological nitrogen removal via partial nitrification at low carbon/nitrogen (C/N) ratio | |
KR100683477B1 (ko) | 모듈형 모델을 이용한 예측에 기반한 활성 슬러지 공정의 제어 방법 | |
CN115132285B (zh) | 一种实现污水处理好氧池所需曝气量实时预测的模型方法 | |
Han et al. | Fuzzy super-twisting sliding mode control for municipal wastewater nitrification process | |
CN112327615B (zh) | 基于无抖振模糊滑模的污水处理脱氮过程控制方法 | |
CN111484124A (zh) | 一种污水处理智能控制与生化工艺集约方法及系统 | |
CN113589684A (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 | |
Hirsch et al. | Two-step model based adaptive controller for Dissolved Oxygen control in Sequencing Wastewater Batch Reactor | |
Van Nguyen et al. | Combined ILC and PI regulator for wastewater treatment plants | |
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 | |
CN116655130A (zh) | 一种控制曝气的方法、系统、装置、设备和存储介质 | |
Zhang et al. | Self-tuning PID based on adaptive genetic algorithms with the application of activated sludge aeration process | |
Shen et al. | Nitrate control strategies in an activated sludge wastewater treatment process | |
Shi et al. | Neural network predictive optimal control for wastewater treatment | |
Shen et al. | Feedforward control for nitrogen removal in a pilot-scale anaerobic-anoxic-oxic plant for municipal wastewater treatment | |
Tang et al. | Application of fuzzy expert control to APMP pulping wastewater treatment process of aerobic | |
CN114560561B (zh) | Mbr工艺脱氮除磷加药耦合膜污染智能控制系统和方法 | |
Olsson et al. | Aeration control–fundamentals |
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 |