CN113189881A - 一种污水处理多目标优化控制方法及系统 - Google Patents
一种污水处理多目标优化控制方法及系统 Download PDFInfo
- Publication number
- CN113189881A CN113189881A CN202110513403.6A CN202110513403A CN113189881A CN 113189881 A CN113189881 A CN 113189881A CN 202110513403 A CN202110513403 A CN 202110513403A CN 113189881 A CN113189881 A CN 113189881A
- Authority
- CN
- China
- Prior art keywords
- sewage treatment
- energy consumption
- objective
- control method
- consumption cost
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000005457 optimization Methods 0.000 title claims abstract description 69
- 239000010865 sewage Substances 0.000 title claims abstract description 67
- 244000005700 microbiome Species 0.000 claims abstract description 84
- 238000005265 energy consumption Methods 0.000 claims abstract description 63
- 230000008569 process Effects 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 239000010802 sludge Substances 0.000 claims description 47
- 230000006870 function Effects 0.000 claims description 42
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 29
- 239000001301 oxygen Substances 0.000 claims description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 29
- 229910052760 oxygen Inorganic materials 0.000 claims description 26
- 210000002569 neuron Anatomy 0.000 claims description 19
- 238000004088 simulation Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 13
- 238000004062 sedimentation Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000035945 sensitivity Effects 0.000 claims description 10
- 230000001651 autotrophic effect Effects 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 8
- 230000009603 aerobic growth Effects 0.000 claims description 6
- 238000005842 biochemical reaction Methods 0.000 claims description 6
- 125000001477 organic nitrogen group Chemical group 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 230000012010 growth Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 206010021143 Hypoxia Diseases 0.000 claims description 3
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 claims description 3
- 230000007062 hydrolysis Effects 0.000 claims description 3
- 238000006460 hydrolysis reaction Methods 0.000 claims description 3
- 230000003301 hydrolyzing effect Effects 0.000 claims description 3
- 230000001146 hypoxic effect Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- CKUAXEQHGKSLHN-UHFFFAOYSA-N [C].[N] Chemical compound [C].[N] CKUAXEQHGKSLHN-UHFFFAOYSA-N 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 9
- 230000002906 microbiologic effect Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 230000000813 microbial effect Effects 0.000 description 4
- FDWIKIIKBRJSHK-UHFFFAOYSA-N 2-(2-methyl-4-oxochromen-5-yl)acetic acid Chemical compound C1=CC=C2OC(C)=CC(=O)C2=C1CC(O)=O FDWIKIIKBRJSHK-UHFFFAOYSA-N 0.000 description 3
- 241000894006 Bacteria Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000002351 wastewater Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000004065 wastewater treatment Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004103 aerobic respiration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000005189 flocculation Methods 0.000 description 1
- 230000016615 flocculation Effects 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006864 oxidative decomposition reaction Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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)
- Activated Sludge Processes (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及污水处理领域，更具体的说，涉及一种污水处理多目标优化控制方法及系统。本方法包括：步骤S1、选取污水处理过程的被控变量并采集相关变量数据；步骤S2、基于BP神经网络建立能耗成本、出水水质和微生物风险的稳态预测模型；步骤S3、构建多目标优化函数；步骤S4、采用多目标差分进化算法对多目标优化函数进行优化计算，得到帕累托最优解集；步骤S5、从帕累托最优解集中筛选对应的决策变量，作为被控变量的优化设定值；步骤S6、利用比例积分控制器对优化设定值进行实时跟踪控制。本发明在考虑能耗成本和出水水质的基础上，有效地降低了高微生物风险的比例，大大提高了污水处理系统的安全性。
Description
技术领域
本发明涉及污水处理领域，更具体的说，涉及一种污水处理多目标优化控制方法及系统。
背景技术
污水处理一直是被广泛关注的一个环境治理问题，污水处理过程是一个复杂的工业系统，包含众多物理和微生物的生化反应，是一个典型的非线性、时变性和具有不确定性干扰的系统，而且，建立污水处理过程的精确模型比较困难，使得污水处理过程的优化控制存在许多难点。
活性污泥过程作为城市污水处理的核心，通过将废水与活性污泥混合搅拌并曝气，是有机物在微生物的作用下絮凝吸附、氧化分解，然后经过二沉池的固液分离将处理后的废水排出。
然而，在废水流量、天气、工业毒水流入等原因导致的进水水质和水量波动的影响下，活性污泥过程容易引发污泥膨胀、污泥泡沫和污泥上浮等微生物沉降问题，从而导致系统偏离正常工作状态甚至崩溃。
因此，通过优化控制、预防校正等控制策略来降低微生物引起的污泥沉降问题的发生率，提高污水处理系统的安全性能尤为重要。
污水处理过程的本质是多目标优化控制问题，基于数据驱动的优化控制方法能够充分利用历史和实时数据进行自主学习，并且对经验知识的依赖程度低，近年来被广泛应用。
基于数据驱动的优化控制方法包括：
1)使用进化模糊小波神经网络模型预测出水的化学需氧量，然后通过模糊神经网络控制器在线调整溶解氧浓度；
2)采用自适应回归核函数建立能耗成本和出水水质的模型进行优化；
3)采用模糊神经网络控制器，并自适应调整多目标差分进化算法的参数等。
上述方法取得了较为精确的预测和优化控制效果，然而其优化目标仅包含运行成本和出水水质，忽略了微生物沉降的问题，在较低的运行成本和较好的出水水质下，微生物的生长可能会因为缺乏溶解氧和营养物质而受到影响，从而，对污水处理过程的安全性能产生影响。
发明内容
本发明的目的是提供一种污水处理多目标优化控制方法及系统，解决现有技术的污水处理由于未考虑微生物风险而造成的安全性问题。
为了实现上述目的，本发明提供了一种污水处理多目标优化控制方法，包括以下步骤：
步骤S1、选取污水处理过程的被控变量并采集相关变量数据；
步骤S2、使用相关变量数据进行训练，基于BP(Back Propagation)神经网络建立能耗成本、出水水质和微生物风险的稳态预测模型；
步骤S3、以被控变量的设定值作为决策变量，以步骤S2建立的稳态预测模型作为约束条件，构建基于能耗成本、出水水质和微生物风险的多目标优化函数；
步骤S4、采用多目标差分进化算法对步骤S3构建的多目标优化函数进行优化计算，得到关于能耗成本、出水水质和微生物风险的帕累托最优解集；
步骤S5、从步骤S4的帕累托最优解集中筛选微生物风险低、能耗成本和出水水质均衡的解对应的决策变量，作为被控变量的优化设定值；
步骤S6、利用抗积分饱和比例积分控制器对步骤S5得到的被控变量的优化设定值进行实时跟踪控制。
在一实施例中，所述步骤S1中的污水处理过程，满足活性污泥一号基准仿真模型的动态过程，进一步包括：
异养微生物的有氧生长；
异养微生物的缺氧生长；
自养微生物的有氧生长；
异养微生物的衰变；
自养微生物的衰变；
可溶性有机氮氨化；
颗粒状有机物的水解；
颗粒状有机氮的水解。
在一实施例中，所述步骤S1中活性污泥一号基准仿真模型，包括5个完全混合式生化反应池和一个10层的二沉池。
在一实施例中，所述步骤S1中相关变量，包括进水流量、能耗成本、出水水质、微生物风险以及被控变量。
在一实施例中，所述步骤S1中的被控变量包括食微比、污泥龄、碳氮比、三号反应池的溶解氧和五号反应池的硝态氮。
在一实施例中，所述步骤S1和步骤S2之间，进一步包括：
对污水处理过程的仿真模型的灵敏度进行分析，选择灵敏度高的被控变量和相关变量作为步骤S2中建立稳态预测模型的训练数据。
在一实施例中，所述被控变量包括溶解氧和污泥龄；
所述步骤S2中以溶解氧设定值、污泥龄设定值和进水流量作为输入，分别以能耗成本、出水水质和微生物风险作为输出，使用步骤S1中的采集的相关变量数据进行训练，基于BP神经网络建立能耗成本、出水水质和微生物风险的稳态预测模型。
在一实施例中，所述步骤S2中的BP神经网络，包括输入层、隐藏层和输出层；
第一层为输入层，第Q层为输出层，中间各层为隐层：
对于每个层的神经元模型如下：
其中，nq-1为上一层的神经元数量；
f(·)为转换函数；
q∈[1，Q]，Q为神经网络总层数。
在一实施例中，所述转换函数f包括：tansig函数、logsig函数和softmax函数。
在一实施例中，所述步骤S3中，以溶解氧SO,3和污泥龄SRT的设定值为决策变量，构建基于能耗成本、出水水质和微生物风险的多目标优化函数，对应的表达式为：
s.t.yEC＝fEC(u,d)
yEQ＝fEQ(u,d)
yMR＝fMR(u,d)
uL≤u≤uU
式中，J为能耗成本、出水水质和微生物风险的稳态预测值的组合；
u为决策变量，即溶解氧和污泥龄的设定值；
d为进水流量Qi；
uL、uU为设定值的下界和上界；
fEC、fEQ、fMR为能耗成本、出水水质和微生物风险的稳态预测模型对应的映射函数。
在一实施例中，所述步骤S4，进一步包括以下步骤：
步骤S41、初始化父代种群，种群中的每个个体包含6个参数，分别是进水流量Qi、溶解氧的设定值SO,3,sp、污泥龄的设定值SRTsp以及能耗成本、出水水质和微生物风险的稳态预测模型输出的稳态预测值yEC、yEQ和yMR，设定种群规模为N，最大进化代数为M；
步骤S42、依据如下公式计算父代种群中每个个体的适应度值：
y＝f(u,d)；
步骤S43、对父代种群执行变异、交叉操作，得到子代种群；
步骤S44、从父代种群和子代种群中筛选适应度值较高的个体组成临时种群；
步骤S45、计算临时种群中每个个体的适应度值，找出非支配解集作为帕累托最优解集；
步骤S46、根据个体的拥挤距离指标，从非支配解集中筛选个体作为新的父代；
步骤S47、依次重复步骤S43、S44、S45、S46，直至迭代次数达到最大进化代数M；
步骤S48、计算末代种群中个体的适应度值并找出帕累托最优解集后输出，作为能耗成本、出水水质和微生物风险的最优解。
在一实施例中，所述步骤S5，根据学习训练得到的神经网络模型从帕累托最优解集中筛选低于高风险阈值的解构成满意解集Xk：
Xk＝{x∣fMR(x)≤R,x∈Xp}；
式中，Xp为帕累托最优解集；
R为高风险阈值。
在一实施例中，所述步骤S5，满意解的代价函数：
式中，ωEC、ωEQ和ωMR分别代表由决策偏好确定的能耗成本、出水水质和微生物风险的权重值；
计算满意解集中每个解的损失函数，损失函数最小的解为最优满意解xt：
在一实施例中，所述步骤S6的抗积分饱和比例积分控制器采用位置式离散比例积分控制器，对被控变量的优化设定值进行跟踪，对应表达式如下：
式中，Kp为比例系数；
Ki为积分系数；
T为采样周期；
u(k)为k时刻的控制量；
e(k)为k时刻的偏差量。
在一实施例中，所述步骤S6，进一步包括：
抗积分饱和比例积分控制器输出超过最大值或小于最小值时，限制积分器的累计作用。
为了实现上述目的，本发明提供了一种污水处理多目标优化控制系统，包括：
存储器，用于存储可由处理器执行的指令；
处理器，用于执行所述指令以实现如上述任一项所述的方法。
为了实现上述目的，本发明提供了一种计算机可读介质，其上存储有计算机指令，其中当计算机指令被处理器执行时，执行如上述任一项所述的方法。
本发明提供的一种污水处理多目标优化控制方法及系统，克服了活性污泥过程机理复杂、建模困难的问题，在考虑能耗成本和出水水质的基础上，有效地降低了高微生物风险的比例，大大提高了污水处理系统的安全性，减小了因处理污泥沉降问题带来的额外成本和损失发生的概率，模型的泛化能力提高，可解释性强，减少了计算的复杂度，降低成本。
附图说明
本发明上述的以及其他的特征、性质和优势将通过下面结合附图和实施例的描述而变的更加明显，在附图中相同的附图标记始终表示相同的特征，其中：
图1揭示了根据本发明一实施例的污水处理多目标优化控制方法流程图；
图2揭示了根据本发明一实施例的活性污泥一号基准仿真模型的原理框图；
图3揭示了根据本发明一实施例的灵敏度曲线图；
图4揭示了根据本发明一实施例的进水流量的运行轨迹和箱型图；
图5揭示了根据本发明一实施例的单个神经网络模型结构图；
图6揭示了根据本发明一实施例的帕累托最优曲面图；
图7揭示了根据本发明一实施例的溶解氧的跟踪控制轨迹图；
图8揭示了根据本发明一实施例的污泥龄的跟踪控制轨迹图；
图9a揭示了三种仿真方案的能耗成本的示意图；
图9b揭示了三种仿真方案的出水水质的示意图；
图9c揭示了三种仿真方案的高微生物风险的示意图；
图10揭示了根据本发明一实施例的污水处理多目标优化控制系统框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释发明，并不用于限定发明。
鉴于背景技术中提到的上述问题，本发明提出了一种考虑微生物风险的城市污水处理过程多目标优化控制方法及系统，采用神经网络离线建立能耗成本、出水水质和微生物风险与过程变量间的稳态预测模型；
在考虑能耗成本和出水水质的基础上，将微生物风险作为优化目标，基于风险优化对污泥龄和溶解氧的优化设定值进行筛选决策；
最后，使用抗积分饱和PI控制对优化设定值进行控制跟踪。
图1揭示了根据本发明一实施例的污水处理多目标优化控制方法流程图，如图1所示，本发明提供的污水处理多目标优化控制方法，基于考虑微生物风险的城市污水处理过程，包括以下步骤：
步骤S1、选取污水处理过程的被控变量并采集相关变量数据；
步骤S2、使用相关变量数据进行训练，基于BP神经网络建立能耗成本、出水水质和微生物风险的稳态预测模型；
步骤S3、以被控变量的设定值作为决策变量，以步骤S2建立的稳态预测模型作为约束条件，构建基于能耗成本、出水水质和微生物风险的多目标优化函数；
步骤S4、采用多目标差分进化算法对步骤S3构建的多目标优化函数进行优化计算，得到关于能耗成本(EC)、出水水质(EQ)和微生物风险(MR)的Pareto(帕累托)最优解集(最优解曲面)；
步骤S5、从步骤S4的帕累托最优解集中筛选微生物风险较低、能耗成本和出水水质均衡的解对应的决策变量，作为被控变量的优化设定值；
步骤S6、利用抗积分饱和PI(Proportional Integral，比例积分)控制器对步骤S5得到的被控变量的优化设定值进行实时跟踪控制。
以下污水处理过程优化控制仿真实例来说明本发明的考虑微生物风险的污水处理过程多目标优化控制方法，对每一步骤进行详细的说明。
步骤S1、选取污水处理过程的被控变量并测定相关变量数据。
本实施例中，污水处理过程，满足活性污泥一号基准仿真模型(BenchmarkSimulation Model No.1，BSM1)的动态过程，进一步包括：
异养微生物的有氧生长；
异养微生物的缺氧生长；
自养微生物的有氧生长；
异养微生物的衰变；
自养微生物的衰变；
可溶性有机氮氨化；
颗粒状有机物的水解；
颗粒状有机氮的水解。
本实施例中，活性污泥一号基准仿真模型，包括5个完全混合式生化反应池和一个10层的二沉池。
图2揭示了根据本发明一实施例的活性污泥一号基准仿真模型的原理框图如图2所示的活性污泥一号基准仿真模型，包括5个完全混合式生化反应池R1-R5和一个10层的二沉池100
生化反应池R1-R5和二沉池100分别依据活性污泥一号模型和双指数沉降模型建模，通过活性污泥的微生物发酵来去除水中的有机物，并通过二沉池100来达到固液分离的目的。
所选取的被控变量需要能够对污泥沉降问题产生较大影响。
所选的被控变量来自食微比(F/M)、污泥龄(SRT)、碳氮比(BOD5/N)、三号反应池R3的溶解氧(SO,3)和五号反应池R5的硝态氮(SNO,5)。
F/M、SRT和BOD5/N由如下公式给出：
其中，XBA,k为第k个反应池自养菌浓度；
XBH,k为第k个反应池异养菌浓度；
TN为总氮浓度；
F/M和BOD5/N包含进水成分，无法直接控制，自养菌和异养菌的有氧呼吸会影响到SNO,5。
采集相关变量的数据包括：进水流量(Qi)、能耗成本(EC)、出水水质(EQ)、微生物风险以及被控变量的数据。
在图2所示的实施例中，所述步骤S1和步骤S2之间，进一步包括：
对污水处理过程的仿真模型的灵敏度进行分析，选择灵敏度高的被控变量和相关变量。
为了验证所选被控变量的合理性，以及确定稳态预测模型的输入变量，对BSM1的开环系统作灵敏度分析，分析被控变量和相关变量的灵敏度。
图3揭示了根据本发明一实施例的灵敏度曲线图，如图3所示，分析SO,3和SRT对进水流量Qi的灵敏性，从BSM1的开环模型的灵敏度分析显示，溶解氧SO,3和污泥龄SRT对进水流量(Qi)灵敏度均很高，又考虑到进水流量变化快，范围广。
图4揭示了根据本发明一实施例的进水流量的运行轨迹和箱型图，如图4所示的Qi运行轨迹和箱型图，表明进水流量变化快且范围广。
因此，将溶解氧SO,3、污泥龄SRT的设定值和进水流量Qi作为能耗成本(EC)、出水水质(EQ)和微生物风险(MR)的稳态预测模型的共同输入。
在图2所示的实施例中，选取污水处理过程的溶解氧SO,3和污泥龄SRT作为系统的被控变量。
采集进水流量Qi、能耗成本(EC)、出水水质(EQ)和微生物风险(MR)以及溶解氧SO,3和污泥龄SRT等相关变量的数据。
采集BSM1模型在定常天气进水数据下的开环过程中的相关数据，采样间隔15min。
步骤S2、使用相关变量数据进行训练，基于BP神经网络建立能耗成本、出水水质和微生物风险的稳态预测模型。
在图2所示的实施例中，以溶解氧设定值SO,3,sp、污泥龄设定值SRTsp和进水流量Qi作为输入，分别以能耗成本(EC)、出水水质(EQ)和微生物风险(MR)作为输出，使用步骤S1中的采集的相关变量数据进行训练，基于BP神经网络建立能耗成本(EC)、出水水质(EQ)和微生物风险(MR)的稳态预测模型。
将溶解氧SO,3和污泥龄SRT的设定值和进水流量Qi，作为能耗成本(EC)、出水水质(EQ)和微生物风险(MR)三个神经网络模型的共同输入，模型的输出分别为能耗成本yEC、出水水质yEQ和微生物风险yMR的稳态预测值；
相比于传统的线性回归，神经网络具有非线性映射能力强，无需已知数据的结构等优点。
图5揭示了根据本发明一实施例的单个神经网络模型结构图，如图5所示，单个BP神经网络的稳态预测模型如下所示：
BP神经网络由输入层、隐藏层和输出层组成；
第一层为输入层，第Q层为输出层，中间各层为隐层；
在图2所示的实施例中，神经网络结构均为3层BP神经网络。
对于每个层的神经元，神经元模型如下：
其中，nq-1为上一层的神经元数量；
f(·)为转换函数；
q∈[1，Q]，Q为神经网络总层数。
式中，参数
通过BP神经网络模型算法训练获得；
式中，转换函数f可选择tansig函数、logsig函数或softmax函数，其中tansig函数形式如下：
步骤S3、以被控变量的设定值作为决策变量，以步骤S2建立的稳态预测模型作为约束条件，构建基于能耗成本、出水水质和微生物风险的多目标优化函数。
在图2所示的实施例中，以溶解氧的设定值SO,3,sp和污泥龄的设定值SRTsp为决策变量，以步骤S2建立的稳态预测模型作为约束条件，构建基于能耗成本(EC)、出水水质(EQ)和微生物风险(MR)的多目标优化函数。
以溶解氧SO,3和污泥龄SRT的设定值为决策变量，构建基于能耗成本(EC)、出水水质(EQ)和微生物风险(MR)的多目标优化函数，对应表达式为：
s.t.yEC＝fEC(u,d)
yEQ＝fEQ(u,d)
yMR＝fMR(u,d)
uL≤u≤uU
式中，J为能耗成本(EC)、出水水质(EQ)和微生物风险(MR)的稳态预测值的组合；
u为决策变量，即SO,3和SRT的设定值；
d为进水流量Qi；
uL、uU为设定值的下界和上界；
fEC、fEQ、fMR为能耗成本(EC)、出水水质(EQ)和微生物风险(MR)的稳态预测模型对应的映射函数。
步骤S4、采用多目标差分进化算法对步骤S3构建的多目标优化函数进行优化计算，得到关于能耗成本(EC)、出水水质(EQ)和微生物风险(MR)的帕累托最优解集。
所述步骤S4中，使用多目标差分进化算法求解优化计算的具体过程如下：
步骤S41、初始化父代种群，种群中的每个个体包含6个参数，分别是进水流量Qi、溶解氧的设定值SO,3,sp、污泥龄的设定值SRTsp、yEC、yEQ和yMR，其中后三个参数由稳态预测模型的映射函数计算得出，即为能耗成本、出水水质和微生物风险的稳态预测模型输出的稳态预测值yEC、yEQ和yMR，并设定种群规模为N，最大进化代数为M；
步骤S42、依据如下公式计算父代种群中每个个体的适应度值：
y＝f(u,d)；
步骤S43、对父代种群执行变异、交叉操作，得到子代种群；
步骤S44、从父代种群和子代种群中筛选适应度值较高的个体组成临时种群；
步骤S45、计算临时种群中每个个体的适应度值，找出非支配解集作为Pareto最优解集；
步骤S46、根据个体的拥挤距离指标，从非支配解集中筛选个体作为新的父代；
步骤S47、依次重复步骤S43、S44、S45、S46，直至迭代次数达到最大进化代数M；
步骤S48、计算末代种群中个体的适应度值并找出帕累托最优解集(Pareto前沿)后输出，即能耗成本、出水水质和微生物风险的最优解(Pareto最优曲面)。
在一个种群中至少有一个或多个个体的质量不低于种群中的其他个体，将这些个体称为非支配解，构成的解集为Pareto解集，也叫Pareto前沿。
图6揭示了根据本发明一实施例的帕累托最优曲面图，如图6所示的多目标差分进化算法计算得到的Pareto曲面，即为能耗成本、出水水质和微生物风险的最优曲面。
步骤S5、从步骤S4的帕累托最优解集中筛选微生物风险较低、能耗成本和出水水质均衡的解对应的决策变量，作为被控变量的优化设定值。
从步骤S4得到的Pareto最优解集中筛选微生物风险较低、能耗成本和出水水质均衡的解所对应的决策变量SO,3,sp和SRTsp作为选取的被控变量的优化设定值。
所述步骤S5中得到的Pareto最优解集代表能耗成本、出水水质和微生物风险的最优曲面，改进其中一个指标会削弱其他至少一个指标，考虑到高微生物风险的危害，根据学习训练得到的神经网络模型从帕累托最优解集(Pareto前沿)中筛选低于高风险阈值的解构成满意解集Xk：
Xk＝{x∣fMR(x)≤R,x∈Xp}；
式中，Xp为Pareto前沿；
R为高风险阈值。
为了均衡微生物风险、能耗成本和出水水质，定义满意解的代价函数：
式中，ωEC、ωEQ和ωMR分别代表由决策偏好确定的能耗成本(EC)、出水水质(EQ)和微生物风险(MR)的权重值。
计算满意解集中每个解的损失函数，损失函数最小的解为最优满意解xt：
最优满意解xt所对应的决策变量SO,3,sp和SRTsp，即为优化问题的最终输出。
步骤S6、利用抗积分饱和PI控制器对步骤S5中的被控变量的优化设定值进行实时跟踪控制。
将多目标优化和筛选决策获得的最优满意解对应的决策变量SO,3,sp和SRTsp作为控制器的设定值，通过KLa3和Qw分别对SO,3和SRT进行PI控制。
其中，KLa3为第三个反应池R3的氧传递系数，可通过控制鼓风机的功率来进行调节，Qw为二沉池底部排出的废弃物的流量。
使用位置式离散PI控制器对被控变量的优化设定值进行跟踪，表达式如下：
式中，Kp为比例系数；
Ki为积分系数；
T为采样周期；
u(k)为k时刻的控制量；
e(k)为k时刻的偏差量。
抗积分饱和PI控制器输出超过最大值或小于最小值时，限制积分器的累计作用，避免控制量长时间停留在饱和区。
在图2所示的实施例中，SO,3和SRT设定值的范围分别取0～3mg·L-1、3～9d，KLa3和Qw的操作范围分别取0～360d-1和0～1844.6m3·d-1，分别执行如下三组仿真：
1、OLC：开环控制，KLa3和Qw分别固定为240d-1和385m3·d-1；
2、CQ-OC：仅以EC和EQ为目标的优化控制，ωEC、ωEQ分别为0.2和0.8；
3、CQR-OC：以EC、EQ和MR为目标的优化控制，即本发明提出的多目标优化控制方法，ωEC、ωEQ和ωMR分别为0.2E-4，0.8E-4和1；
其中，ωEC为由决策偏好(生产计划或经验参数)确定的能耗成本(EC)、的权重值；
ωEQ为由决策偏好(生产计划或经验参数)确定的出水水质(EQ)的权重值；
ωMR为由决策偏好(生产计划或经验参数)确定的微生物风险(MR)的权重值；
其中，CQ-OC和CQR-OC方案除优化目标不同外，其余都相同。
所建立的能耗成本、出水水质和微生物风险神经网络稳态预测模型预测结果如表1所示，三个模型的R2均接近1，表明建立的模型拟合效果很好。
表1：EC、EQ和MR模型的拟合精度
| 性能指标 | RMSE | R<sup>2</sup> |
| EC | 26.0864 | 0.9973 |
| EQ | 972.4917 | 0.9928 |
| MR | 0.0377 | 0.9618 |
图7揭示了根据本发明一实施例的溶解氧的跟踪控制轨迹图，图8揭示了根据本发明一实施例的污泥龄的跟踪控制轨迹图，如图7和图8所示的SO,3和SRT的跟踪控制轨迹表明，抗积分饱和PI控制器响应速度很快，在较短的迟滞后仍能迅速达到设定值。
图9a、图9b和图9c分别揭示了三种仿真方案的能耗成本、出水水质和高微生物风险的示意图，如图9a-图9c所示，对比三种仿真方案下的能耗成本、出水水质和高微生物风险比例：
相比OLC方案，CQ-OC方案通过优化控制使能耗成本和出水水质分别降低2.33％和2.06％，表明多目标优化控制方法的有效性，但是该方案忽略微生物相关的沉降问题，使得高微生物风险比例上升9.72％。
而本发明提出的污水处理多目标优化控制方法，即CQR-OC方案综合考虑能耗成本、出水水质和微生物风险，相比OLC方案，虽然能耗成本和出水水质分别上升2.04％和2.81％，但是高微生物风险比例从67.31％下降至46.36％，有效地提升了污水处理过程的安全性能。
图10揭示了根据本发明一实施例的污水处理多目标优化控制系统框图。污水处理多目标优化控制系统可包括内部通信总线201、处理器(processor)202、只读存储器(ROM)203、随机存取存储器(RAM)204、通信端口205、以及硬盘207。内部通信总线201可以实现污水处理多目标优化控制系统组件间的数据通信。处理器202可以进行判断和发出提示。在一些实施例中，处理器202可以由一个或多个处理器组成。
通信端口205可以实现污水处理多目标优化控制系统与外部的输入/输出设备之间进行数据传输与通信。在一些实施例中，污水处理多目标优化控制系统可以通过通信端口205从网络发送和接收信息及数据。在一些实施例中，污水处理多目标优化控制系统可以通过输入/输出端206以有线的形式与外部的输入/输出设备之间进行数据传输与通信。
污水处理多目标优化控制系统还可以包括不同形式的程序储存单元以及数据储存单元，例如硬盘207，只读存储器(ROM)203和随机存取存储器(RAM)204，能够存储计算机处理和/或通信使用的各种数据文件，以及处理器202所执行的可能的程序指令。处理器202执行这些指令以实现方法的主要部分。处理器202处理的结果通过通信端口205传给外部的输出设备，在输出设备的用户界面上显示。
举例来说，上述的污水处理多目标优化控制方法的实施过程文件可以为计算机程序，保存在硬盘207中，并可记载到处理器202中执行，以实施本申请的方法。
污水处理多目标优化控制方法的实施过程文件为计算机程序时，也可以存储在计算机可读存储介质中作为制品。例如，计算机可读存储介质可以包括但不限于磁存储设备(例如，硬盘、软盘、磁条)、光盘(例如，压缩盘(CD)、数字多功能盘(DVD))、智能卡和闪存设备(例如，电可擦除可编程只读存储器(EPROM)、卡、棒、键驱动)。此外，本文描述的各种存储介质能代表用于存储信息的一个或多个设备和/或其它机器可读介质。术语“机器可读介质”可以包括但不限于能存储、包含和/或承载代码和/或指令和/或数据的无线信道和各种其它介质(和/或存储介质)。
本发明提出的一种污水处理多目标优化控制方法及系统，实施简单、可靠性高、泛化能力强、实用，通过BP神经网络建立预测模型，并在实施多目标优化控制的同时将微生物风险考虑在内，与传统的优化方法相比，大大提高了污水处理系统的安全性，减小了因处理污泥沉降问题带来的额外成本和损失发生的概率；同时，模型的泛化能力提高，可解释性强，减少了计算的复杂度，降低成本。
尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
上述实施例是提供给熟悉本领域内的人员来实现或使用本发明的，熟悉本领域的人员可在不脱离本发明的发明思想的情况下，对上述实施例做出种种修改或变化，因而本发明的保护范围并不被上述实施例所限，而应该是符合权利要求书提到的创新性特征的最大范围。
Claims (17)
1.一种污水处理多目标优化控制方法，其特征在于，包括以下步骤：
步骤S1、选取污水处理过程的被控变量并采集相关变量数据；
步骤S2、使用相关变量数据进行训练，基于BP神经网络建立能耗成本、出水水质和微生物风险的稳态预测模型；
步骤S3、以被控变量的设定值作为决策变量，以步骤S2建立的稳态预测模型作为约束条件，构建基于能耗成本、出水水质和微生物风险的多目标优化函数；
步骤S4、采用多目标差分进化算法对步骤S3构建的多目标优化函数进行优化计算，得到关于能耗成本、出水水质和微生物风险的帕累托最优解集；
步骤S5、从步骤S4的帕累托最优解集中筛选微生物风险低、能耗成本和出水水质均衡的解对应的决策变量，作为被控变量的优化设定值；
步骤S6、利用抗积分饱和比例积分控制器对步骤S5得到的被控变量的优化设定值进行实时跟踪控制。
2.根据权利要求1所述的污水处理多目标优化控制方法，其特征在于，所述步骤S1中的污水处理过程，满足活性污泥一号基准仿真模型的动态过程，进一步包括：
异养微生物的有氧生长；
异养微生物的缺氧生长；
自养微生物的有氧生长；
异养微生物的衰变；
自养微生物的衰变；
可溶性有机氮氨化；
颗粒状有机物的水解；
颗粒状有机氮的水解。
3.根据权利要求2所述的污水处理多目标优化控制方法，其特征在于，所述步骤S1中活性污泥一号基准仿真模型，包括5个完全混合式生化反应池和一个10层的二沉池。
4.根据权利要求3所述的污水处理多目标优化控制方法，其特征在于，所述步骤S1中相关变量，包括进水流量、能耗成本、出水水质、微生物风险以及被控变量。
5.根据权利要求4所述的污水处理多目标优化控制方法，其特征在于，所述步骤S1中的被控变量包括食微比、污泥龄、碳氮比、三号反应池的溶解氧和五号反应池的硝态氮。
6.根据权利要求5所述的污水处理多目标优化控制方法，其特征在于，所述步骤S1和步骤S2之间，进一步包括：
对污水处理过程的仿真模型的灵敏度进行分析，选择灵敏度高的被控变量和相关变量作为步骤S2中建立稳态预测模型的训练数据。
7.根据权利要求5所述的污水处理多目标优化控制方法，其特征在于，所述被控变量包括溶解氧和污泥龄；
所述步骤S2进一步包括：
以溶解氧设定值、污泥龄设定值和进水流量作为输入，分别以能耗成本、出水水质和微生物风险作为输出，使用步骤S1中的采集的相关变量数据进行训练，基于BP神经网络建立能耗成本、出水水质和微生物风险的稳态预测模型。
8.根据权利要求1所述的污水处理多目标优化控制方法，其特征在于，所述步骤S2中的BP神经网络，包括输入层、隐藏层和输出层；
第一层为输入层，第Q层为输出层，中间各层为隐层：
对于每个层的神经元模型如下：
其中，nq-1为上一层的神经元数量；
f(·)为转换函数；
q∈[1，Q]，Q为神经网络总层数。
9.根据权利要求8所述的污水处理多目标优化控制方法，其特征在于，所述转换函数f包括：tansig函数、logsig函数和softmax函数。
10.根据权利要求7所述的污水处理多目标优化控制方法，其特征在于，所述步骤S3中，以溶解氧SO,3和污泥龄SRT的设定值为决策变量，构建基于能耗成本、出水水质和微生物风险的多目标优化函数，对应的表达式为：
s.t.yEC＝fEC(u,d)
yEQ＝fEQ(u,d)
yMR＝fMR(u,d)
uL≤u≤uU
式中，J为能耗成本、出水水质和微生物风险的稳态预测值的组合；
u为决策变量，即溶解氧和污泥龄的设定值；
d为进水流量Qi；
uL、uU为设定值的下界和上界；
fEC、fEQ、fMR为能耗成本、出水水质和微生物风险的稳态预测模型对应的映射函数。
11.根据权利要求1所述的污水处理多目标优化控制方法，其特征在于，所述步骤S4，进一步包括以下步骤：
步骤S41、初始化父代种群，种群中的每个个体包含6个参数，分别是进水流量Qi、溶解氧的设定值SO,3,sp、污泥龄的设定值SRTsp以及能耗成本、出水水质和微生物风险的稳态预测模型输出的稳态预测值yEC、yEQ和yMR，设定种群规模为N，最大进化代数为M；
步骤S42、依据如下公式计算父代种群中每个个体的适应度值：
y＝f(u,d)；
步骤S43、对父代种群执行变异、交叉操作，得到子代种群；
步骤S44、从父代种群和子代种群中筛选适应度值较高的个体组成临时种群；
步骤S45、计算临时种群中每个个体的适应度值，找出非支配解集作为帕累托最优解集；
步骤S46、根据个体的拥挤距离指标，从非支配解集中筛选个体作为新的父代；
步骤S47、依次重复步骤S43、S44、S45、S46，直至迭代次数达到最大进化代数M；
步骤S48、计算末代种群中个体的适应度值并找出帕累托最优解集后输出，作为能耗成本、出水水质和微生物风险的最优解。
12.根据权利要求1所述的污水处理多目标优化控制方法，其特征在于，所述步骤S5，根据学习训练得到的神经网络模型从帕累托最优解集中筛选低于高风险阈值的解构成满意解集Xk：
Xk＝{x∣fMR(x)≤R,x∈Xp}；
式中，Xp为帕累托最优解集；
R为高风险阈值。
13.根据权利要求12所述的污水处理多目标优化控制方法，其特征在于，所述步骤S5，满意解的代价函数：
式中，ωEC、ωEQ和ωMR分别代表由决策偏好确定的能耗成本、出水水质和微生物风险的权重值；
计算满意解集中每个解的损失函数，损失函数最小的解为最优满意解xt：
14.根据权利要求1所述的污水处理多目标优化控制方法，其特征在于，所述步骤S6的抗积分饱和比例积分控制器采用位置式离散比例积分控制器，对被控变量的优化设定值进行跟踪，对应表达式如下：
式中，Kp为比例系数；
Ki为积分系数；
T为采样周期；
u(k)为k时刻的控制量；
e(k)为k时刻的偏差量。
15.根据权利要求13所述的污水处理多目标优化控制方法，其特征在于，所述步骤S6，进一步包括：
抗积分饱和比例积分控制器输出超过最大值或小于最小值时，限制积分器的累计作用。
16.一种污水处理多目标优化控制系统，包括：
存储器，用于存储可由处理器执行的指令；
处理器，用于执行所述指令以实现如权利要求1-15任一项所述的方法。
17.一种计算机可读介质，其上存储有计算机指令，其中当计算机指令被处理器执行时，执行如权利要求1-15任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110513403.6A CN113189881A (zh) | 2021-05-11 | 2021-05-11 | 一种污水处理多目标优化控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110513403.6A CN113189881A (zh) | 2021-05-11 | 2021-05-11 | 一种污水处理多目标优化控制方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113189881A true CN113189881A (zh) | 2021-07-30 |
Family
ID=76981330
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110513403.6A Pending CN113189881A (zh) | 2021-05-11 | 2021-05-11 | 一种污水处理多目标优化控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113189881A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113741182A (zh) * | 2021-08-11 | 2021-12-03 | 北京工业大学 | 一种基于广义值迭代的污水处理过程控制方法 |
| 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 |
| CN116165974A (zh) * | 2022-12-14 | 2023-05-26 | 上海市政工程设计研究总院（集团）有限公司 | 污水处理工艺的曝气控制方法、系统、终端及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102854296A (zh) * | 2012-08-30 | 2013-01-02 | 北京工业大学 | 一种基于集成神经网络的污水处理软测量方法 |
| CN104361153A (zh) * | 2014-10-27 | 2015-02-18 | 中国石油大学(北京) | 一种预测重油催化裂化沉降器结焦量的方法 |
| 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 |
| CN107358021A (zh) * | 2017-06-01 | 2017-11-17 | 华南理工大学 | 一种基于优化bp神经网络的do预测模型建立方法 |
-
2021
- 2021-05-11 CN CN202110513403.6A patent/CN113189881A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102854296A (zh) * | 2012-08-30 | 2013-01-02 | 北京工业大学 | 一种基于集成神经网络的污水处理软测量方法 |
| CN104361153A (zh) * | 2014-10-27 | 2015-02-18 | 中国石油大学(北京) | 一种预测重油催化裂化沉降器结焦量的方法 |
| 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 |
| CN107358021A (zh) * | 2017-06-01 | 2017-11-17 | 华南理工大学 | 一种基于优化bp神经网络的do预测模型建立方法 |
Non-Patent Citations (2)
| Title |
|---|
| 郑艳霞 等: "第10章 人工神经网络算法", 《数学实验》 * |
| 闵佳峰 等: "考虑微生物风险的城市污水处理多目标优化控制", 《高校化学工程学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113741182A (zh) * | 2021-08-11 | 2021-12-03 | 北京工业大学 | 一种基于广义值迭代的污水处理过程控制方法 |
| CN113741182B (zh) * | 2021-08-11 | 2023-11-17 | 北京工业大学 | 一种基于广义值迭代的污水处理过程控制方法 |
| 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 |
| CN116165974A (zh) * | 2022-12-14 | 2023-05-26 | 上海市政工程设计研究总院（集团）有限公司 | 污水处理工艺的曝气控制方法、系统、终端及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Han et al. | Model predictive control of dissolved oxygen concentration based on a self-organizing RBF neural network | |
| Han et al. | Dynamic MOPSO-based optimal control for wastewater treatment process | |
| CN113189881A (zh) | 一种污水处理多目标优化控制方法及系统 | |
| US9747544B2 (en) | Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network | |
| CN107358021B (zh) | 一种基于优化bp神经网络的do预测模型建立方法 | |
| CN105404151A (zh) | 污水处理过程动态多目标优化控制方法 | |
| CN108549234A (zh) | 一种基于动态变值的多目标优化控制方法 | |
| CN102854296A (zh) | 一种基于集成神经网络的污水处理软测量方法 | |
| US20190359510A1 (en) | Cooperative optimal control method and system for wastewater treatment process | |
| CN108536106A (zh) | 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法 | |
| de Canete et al. | Control and soft sensing strategies for a wastewater treatment plant using a neuro-genetic approach | |
| Do et al. | A design of higher-level control based genetic algorithms for wastewater treatment plants | |
| Yaqub et al. | Modeling nutrient removal by membrane bioreactor at a sewage treatment plant using machine learning models | |
| CN102841979A (zh) | 一种基于pca-ga-svr的污泥回流量预测方法 | |
| Wang et al. | A full-view management method based on artificial neural networks for energy and material-savings in wastewater treatment plants | |
| Pai et al. | Predicting performance of grey and neural network in industrial effluent using online monitoring parameters | |
| Han et al. | Robust optimal control for anaerobic-anoxic-oxic reactors | |
| Li et al. | An effective dynamic immune optimization control for the wastewater treatment process | |
| CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
| Du et al. | Multi-objective pity beetle algorithm based optimal control of wastewater treatment process | |
| Rustum | Modelling activated sludge wastewater treatment plants using artificial intelligence techniques (fuzzy logic and neural networks) | |
| Zhao et al. | Self-organizing modeling and control of activated sludge process based on fuzzy neural network | |
| Wang et al. | Artificial intelligence algorithm application in wastewater treatment plants: Case study for COD load prediction | |
| CN115356930B (zh) | 一种污水处理过程中的多目标优化控制系统及方法 | |
| 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 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210730 |