CN113568311B - 基于知识信息的污水处理智能优化控制方法 - Google Patents

Abstract

本发明提供一种基于知识信息的污水处理智能优化控制方法，采集污水处理过程中的实时数据，构建基于随机权神经网络的多目标粒子群优化算法，得到硝态氮浓度、溶解氧浓度的优化解作为PID控制器的跟踪设定值，利用PID控制器输出溶解氧转换系数、内回流量的实时控制值，控制污水处理过程中硝态氮浓度、溶解氧浓度实时跟踪设定值达到污水净化的目的；本发明利用历史数据信息建立存储有效知识信息的知识库，为多目标优化求解提供有效的初始引导解，降低计算复杂度的同时获得更好的优化解，为底层控制回路提供优化设定值，实现智能优化控制，同时便于工厂操作员利用数据进行工作，并将能耗和水质同时控制在较低的范围内，具有实际应用价值。

Description

基于知识信息的污水处理智能优化控制方法

技术领域

本发明属于污水处理自动化控制技术领域，具体涉及一种基于知识信息的污水处理智能优化控制方法。

背景技术

水是人类赖以生存的根本，万物之源。当今社会，工业需求、日常生活对水资源的需求越来越大，导致工业生活废水剧增。为使水资源得到充分循环利用，同时保护生态环境，污水处理过程起到了重要作用。污水处理是将日常生产生活中的污水，经过物理、化学处理，最后产生满足排放标准的出水，是一个复杂的动态时变过程。活性污泥法被视为20世纪以来最引人注目的工业发明之一，是污水处理过程重要的途径和方法。该方法主要利用活性污泥的生物聚集、吸附和氧化作用，分解去除污水中的有机污染物，从而达到水质的净化。然而，现今随着城市出水排放标准的不断提高，导致能耗不断增加。在满足水质达标要求的情况下，使过程运行能耗降低是当今面临的重大课题与挑战。

污水处理过程的智能优化控制要协调水质和能耗两方面。出水水质要达到排放标准，常用的具有代表性的出水水质指标为：五日生化需氧量(BOD₅)、化学需氧量(COD)、氨氮(S_NH)、总氮(N_tot)、悬浮物(TSS)。其在不超过上限值时为达标水质，若超标，则会扣除罚款。出水水质(EQ)由5种出水水质指标每日的平均值按一定的权重加权计算得出。能源的消耗主要由鼓风机曝气装置、污泥回流泵及剩余污泥排放系统运行等组成，其中曝气能耗(AE)和泵送能耗(PE)之和占总能耗(EC)的80％以上。曝气能耗(AE)用于保证生化反应池有充足的氧气，可通过计算氧传递系数(k_la)得到。泵送能耗(PE)主要是内外回流及污泥排出过程消耗的能源。故污水处理过程的优化问题为，在满足水质达标的约束条件下，使得能耗降低。同时，将得到的优化设定值送到底层控制器，从而达到跟踪控制的效果。以上污水处理优化控制过程针对不同的工况均需要进行建模计算，优化分析，同时不同工况下不确定性强，计算工作量较大。针对具有相似工况环境的情况下，会产生一些不必要的计算成本。为解决此问题，提出了利用历史数据信息引导的智能优化控制方法，对历史工况案例及其设定值建立知识库，便于实时环境的工况查询。

专利(公开号CN110032755A)公开了“多工况下城市污水处理过程多目标优化方法”，该方法选取典型工况及其对应设定值构建多工况案例库，对多目标粒子群优化算法进行引导，选取优化解作为底层控制器设定值。其中，八种入水组分作为工况识别参考向量，采用相同大小的权值来计算工况相似度。

专利(公开号CN106698642B)公开了“一种污水处理过程多目标实时优化控制方法”，该方法采用径向基核函数构建能耗、水质模型，并作为多目标粒子群优化算法的目标函数。优化得到溶解氧和硝态氮的浓度设定值，利用模糊神经网络对优化设定值进行在线跟踪控制，解决了污水处理过程多目标实时优化控制的问题。

专利(公开号CN111474854A)公开了“一种基于数据-知识驱动的污水处理过程优化控制方法”，该方法建立污水处理能耗和出水水质数据驱动模型，获得多目标优化函数，采用基于进化知识的多目标粒子群优化算法对溶解氧和硝态氮浓度进行优化，并采用PID进行底层跟踪控制。在优化算法中，设计了基于个体、种群的多样性、收敛性指标，根据不同的指标情况选择不同的进化策略，提高了优化解的质量。

专利(公开号CN108427268A)公开了“一种基于知识与数据信息决策的污水处理优化控制方法”，该方法将污水处理过程的知识信息与数据信息融合用于污水处理过程多目标优化的决策处理，引导多目标优化方向。其中，根据决策者偏好以及污水处理过程运行状态的数据信息来对能耗、水质性能指标的权重系数进行调整，便于从Pareto解集中获得满意的设定值。

上述专利报道的方法以及其他相关文献中的方法均是对污水处理过程的能耗、水质指标进行建模，并采用相关优化算法进行求解，再通过底层控制器对优化设定值进行跟踪控制来实现污水处理过程的智能优化控制。其中，上述根据工况识别的污水处理方法，选取的入水参考向量较多，增加了计算复杂度，且不同参考向量对水质环境的影响程度不同，应根据重要性设置不同权值。同时，作为易超标的水质指标氨氮(S_NH)、总氮(N_tot)，考虑其影响，在选取优化设定值时应该着重考虑。当入水工况遍历足够多，且知识库案例数目较多时，实时工况与知识库中的案例进行逐个比较时，会带来相对较大的计算量。

发明内容

基于上述问题，本发明提出了一种基于知识信息的污水处理智能优化控制方法，包括：

步骤一：采集污水处理过程中的实时数据，所述实时数据包括硝态氮浓度S_NO,2、溶解氧浓度D_O,5、溶解氧转换系数K_La,5、内回流量Q_a、运行能耗EC以及出水水质EQ；所述运行能耗EC包括泵送能耗和曝气能耗；

步骤二：根据实时数据构建基于随机权神经网络的多目标粒子群优化算法，得到硝态氮浓度S_NO,2、溶解氧浓度D_O,5的优化解作为PID控制器的跟踪设定值，利用PID控制器输出溶解氧转换系数K_La,5、内回流量Q_a的实时控制值；

步骤三：根据溶解氧转换系数K_La,5、内回流量Q_a的实时控制值控制污水处理过程中硝态氮浓度S_NO,2、溶解氧浓度D_O,5实时跟踪设定值，达到污水净化的目的。

所述步骤二包括：

步骤1：根据采集到的硝态氮浓度S_NO,2、溶解氧浓度D_O,5以及运行能耗EC、出水水质EQ，利用随机权神经网络建立关于能耗、水质的数据驱动模型；

步骤2：采集污水处理过程中不同工况环境下的环境监测量以及对应的硝态氮浓度S_NO,2、溶解氧浓度D_O,5作为案例来构建知识库；

步骤3：针对污水处理过程中待优化周期内的实际工况环境，采用最近邻函数算法在构建的知识库中搜索匹配的相似工况；

步骤4：构建改进的多目标粒子群优化算法，将关于能耗、水质的数据驱动模型作为多目标粒子群优化算法的目标函数，优化求解硝态氮浓度S_NO,2、溶解氧浓度D_O,5的优化设定值；

步骤5：设计PID控制器，将实际工况环境中实时采集的溶解氧转换系数K_La,5、内回流量Q_a作为PID控制器的输入，硝态氮浓度S_NO,2、溶解氧浓度D_O,5的优化设定值作为PID控制器的跟踪目标，通过PID控制器输出溶解氧转换系数K_La,5、内回流量Q_a的实时控制值。

所述步骤1包括：

步骤1.1：离线获取建模数据，采集污水处理过程中一段时间内的硝态氮浓度S_NO,2、溶解氧浓度D_O,5以及运行能耗EC、出水水质指标值EQ；

步骤1.2：将获取到的建模数据进行归一化处理，得到归一化处理后的数据；

步骤1.3：将归一化后的数据划分为训练集和测试集；

步骤1.4：构建随机权神经网络模型，利用训练集对随机权神经网络进行训练，得到训练后的随机权神经网络模型作为关于能耗、水质的数据驱动模型，利用测试集对关于能耗、水质的数据驱动模型进行测试。

所述步骤2包括：

步骤2.1：利用Pearson相关性系数计算不同入水组分对运行能耗、出水水质的影响系数；

步骤2.2：设置每种组分对运行能耗、出水水质的权重系数，通过加权计算得到每种组分对运行能耗、出水水质的整体影响系数；

步骤2.3：结合污水处理过程机理选择出整体影响系数较大的5种组分作为入水水质的环境监测量，所述环境监测量包括颗粒性生物降解有机物浓度X_nd、活性益氧菌生物固体浓度X_bh、慢速可生物降解有机物浓度X_s、入水流量Q_o、入水氨氮浓度S_NH；

步骤2.4：采集污水处理过程中不同工况环境下的入水组分，将每组入水组分对应的环境监测量以及对应的硝态氮浓度S_NO,2、溶解氧浓度D_O,5的设定值作为案例存入知识库中，其中每个案例中的环境监测量作为案例索引。

所述步骤3包括：

步骤3.1：获取实际工况环境下的入水组分对应的各环境监测量；

步骤3.2：利用公式(1)计算出实际工况环境与知识库中第k个案例的相似度s_k：

式中，w_i是环境监测量中第i个表达属性x_i的权重值，x_i为实际工况下环境监测量中第i个属性，x_i,k为知识库中第k个案例中环境检测量的第i个表达属性，max(x_i,x_i,k)为x_i、x_i,k二者中的最大值；

步骤3.3：判断每个案例的相似度s_k与设定阈值w_th的关系，如果满足s_k≥w_th，则将第k个案例作为实际工况环境的匹配相似工况；否则第k个案例不作为实际工况环境的匹配相似工况。

所述步骤4包括：

步骤4.1：将匹配相似工况对应的硝态氮浓度S_NO,2、溶解氧浓度D_O,5的设定值作为多目标粒子群优化算法的部分初始解，其余初始解则由多目标粒子群优化算法随机初始化产生；在无匹配相似工况的条件下，多目标粒子群优化算法的初始解全部通过随机初始化的方式产生；

步骤4.2：构建多目标粒子群优化算法的目标函数，将关于能耗的数据驱动模型作为多目标粒子群优化算法的一个目标函数，将关于水质的数据驱动模型作为多目标粒子群优化算法的另外一个目标函数；

所述多目标粒子群优化算法的目标函数F(X)设计为：

式中，X为硝态氮浓度S_NO,2、溶解氧浓度D_O,5构成的决策变量，X＝[x₁(k),x₂(k)]，x₁(k)、x₂(k)分别是决策变量中的硝态氮浓度S_NO,2、溶解氧浓度D_O,5，f_EC(X)为关于能耗的目标函数，f_EQ(X)为关于水质的目标函数，x₁ ^l、x₁ ^u为硝态氮浓度S_NO,2的下限值、上限值，x₂ ^l、x₂ ^u为溶解氧浓度D_O,5的下限值、上限值；

步骤4.3：设计学习因子、惯性权重值，得到改进的多目标粒子群优化算法；

步骤4.4：利用改进的多目标粒子群优化算法迭代计算，当达到最大迭代次数后输出关于硝态氮浓度S_NO,2、溶解氧浓度D_O,5的优化解集；

步骤4.5：采集污水处理过程中入水组分中的环境监测量，和对应的出水氨氮浓度S_NH、总氮浓度N_tot构建随机权神经网络，得到出水水质中关于氨氮浓度S_NH、总氮浓度N_tot的预测值；

步骤4.6：判断氨氮浓度S_NH、总氮浓度N_tot的预测值是否满足出水排放标准，若氨氮浓度S_NH、总氮浓度N_tot的预测值满足出水排放标准，则从多目标粒子群优化算法得到的优化解集中，选择一组对应出水水质指标值最小的解作为硝态氮浓度S_NO,2、溶解氧浓度D_O,5的优化设定值；否则，则采用模糊隶属函数法确定出硝态氮浓度S_NO,2、溶解氧浓度D_O,5的优化设定值。

所述步骤4.3包括：

其中，第t次迭代时的学习因子c₁、c₂设计为：

式中，c_1l为学习因子c₁的终止值，c_1f为学习因子c₁的初始值，c_2l为学习因子c₂的终止值，c_2f为学习因子c₂的初始值；

第t+1次迭代时的惯性权重值w_t设计为：

式中，w_max为惯性权重值w_t的最大取值，w_min为惯性权值w_t的最小取值，t_max为最大迭代次数；

第t+1次迭代时粒子n的迭代速度V_n ^t+1设计为：

式中，V_n ^t为第t次迭代时粒子n的迭代速度，c₁、c₂为学习因子，r₁(·)、r₂(·)为两个取值范围在[0,1]之间的随机函数，

为第t+1次迭代时粒子n的位置，gbest^t _n为粒子n第t次迭代结束时的全局最优解，pbest^t _n为粒子n第t次迭代结束时的个体最优解。

所述步骤4.5包括：

步骤4.5.1：采集污水处理过程中一段时间内入水组分中的各环境监测量和对应的出水氨氮浓度S_NH、总氮浓度N_tot，作为训练随机权神经网络模型的样本集；

步骤4.5.2：将样本集划分为训练集和测试集；

步骤4.5.3：构建随机权神经网络模型，利用训练集对随机权神经网络进行训练，得到训练后的随机权神经网络模型，利用测试集对随机权神经网络模型进行测试；

步骤4.5.4：将入水组分中的各环境监测量作为随机权神经网络的输入，利用训练后的随机权神经网络模型输出氨氮浓度S_NH、总氮浓度N_tot的预测值。

所述步骤4.6中所述采用模糊隶属函数法确定出硝态氮浓度S_NO,2、溶解氧浓度D_O,5的优化设定值，包括：

步骤4.6.1：采用模糊隶属函数法计算出优化解集中每组解的隶属度值；

第N组优化解X_N的第m个目标值所对应的隶属度

为：

优化解X_N所对应的隶属度为：

式中，F_m(X_N)为第N组优化解X_N的第m个目标值，

为所有优化解对应的第m个目标值中的最小值，/>

为所有优化解对应的第m个目标值中的最大值，M表示目标个数，为2，分别是能耗、水质的目标函数，A_r为优化解集的大小；

步骤4.6.2：统计每组解的隶属度值，将隶属度值最大的一组解作为硝态氮浓度S_NO,2、溶解氧浓度D_O,5的优化设定值。

本发明的有益效果是：

本发明提出了一种基于知识信息的污水处理智能优化控制方法，为了解决污水处理过程存在的动态时变，不确定性强，产生的计算量大，以及进水工况环境相似所带来的繁琐计算量，同时在满足出水水质的条件下有效的降低能耗，本发明有效利用了历史数据信息，建立了存储有效知识信息的知识库，从而为多目标优化求解提供有效的初始引导解，能够降低计算复杂度，同时获得更好的优化解，为底层控制回路提供优化设定值，完成污水处理过程的智能优化控制；本发明方法采用Pearson相关性系数以及机理分析，从若干入水组分中选取对水质、能耗影响最大的五种组分，作为环境监测量，有代表性的反应了入水工况环境，从而有效避免了参量繁多带来的计算复杂度；建立有效的历史数据知识库，其中案例分别能够代表不同环境下的典型工况，存储丰富的历史知识信息。污水处理过程的出水水质组分中，极易超标的组分为氨氮和总氮，采用随机权神经网络预测模型对其进行预测估计，若超标，则从优化解集中选取对应水质最小的解作为优化设定值，否则依据模糊隶属函数算法选取设定值，此方法可以有效控制出水水质在绝大部分情况下满足出水标准；本发明对历史数据信息有效的利用，减少不必要的工作量，降低了计算成本，提高了算法的收敛性，获得了高质量的优化解，同时便于工厂操作员利用数据进行工作，并将能耗和水质同时控制在较低的范围内，为实际污水厂的优化运行控制提供了一种新的参考方法。

附图说明

图1为本发明实施例中活性污泥处理系统结构图；

图2为本发明实施例中基于知识信息的污水处理智能优化控制方法流程图；

图3为本发明实施例中能耗、水质建模效果图，(a)为能耗预测值与实际值对比曲线，(b)为水质预测值与实际值对比曲线；

图4为本发明实施例中利用改进的多目标粒子群优化算法(简称MOPSO)更新知识库流程图；

图5为本发明实施例中晴天天气下知识库储存工况个数变化示意图；

图6为本发明实施例中多目标粒子群优化算法流程图；

图7为本发明实施例中优化解集的Pareto前沿示意图；

图8为本发明实施例中晴朗天气各控制器的控制效果和误差示意图，(a)为溶解氧浓度D_O,5设定值跟踪控制效果图，(b)为硝态氮浓度S_NO,2设定值跟踪控制效果图，(c)为溶解氧浓度D_O,5跟踪误差图，(d)为硝态氮浓度S_NO,2跟踪误差图；

具体实施方式

下面结合附图和具体实施实例对发明做进一步说明。

如图1所示的污水处理厂为例，使用本发明提出的一种基于知识信息的污水处理智能优化控制方法来对运行过程能耗、水质进行优化控制。图中1、2、3、4为四个仪器，1为采集生化反应池二区硝态氮浓度的硝态氮浓度分析仪(型号为TNO3G-3062X)，2为采集内回流的流量测试仪(型号为THWater-1)，3为采集溶解氧转换系数的溶解氧转换系数测试仪(型号为PP-201)，4为采集五区溶解氧浓度的溶解氧浓度测试仪(型号为BDO-200A)，5为控制总线，6为服务器(型号为PowerEdge R940xa)，通过服务器构建智能优化控制方法，利用采集到的实时数据构建基于随机权神经网络的多目标粒子群优化算法，得到硝态氮浓度S_NO,2、溶解氧浓度D_O,5的优化解作为控制器的跟踪设定值，控制器输出内回流量Q_a、溶解氧转换系数K_La,5的实时控制值，通过控制总线传输给内回流泵控制阀、五区充氧泵控制阀，实现对硝态氮浓度S_NO,2、溶解氧浓度D_O,5的实时跟踪控制。

本发明方法的原理如下：首先，利用Pearson相关性系数和过程机理分析，从入水组分中选取五种对水质环境影响较大的组分作为环境监测量。根据产生的历史数据信息，建立由环境监测量和与其对应的硝态氮浓度S_NO,2、溶解氧浓度D_O,5所构成的知识库。在每个优化周期到来时，将实时环境监测量与知识库中的案例索引进行检索，满足相似度阈值条件的案例工况所对应的硝态氮浓度S_NO,2、溶解氧浓度D_O,5作为引导解；不满足阈值条件的实时工况，则不产生引导解。当知识库中案例数目较多，且入水工况遍历次数较多，采用模糊C均值聚类对案例进行聚类，检索聚类中心值即可，简化检索复杂度；然后，根据该工况环境产生的引导解，则可作为粒子群优化算法的部分初始粒子，采用改进的多目标粒子群优化算法进行求解。在预测出水氨氮S_NH、总氮N_tot不超标时，根据模糊隶属函数法，选取优化解集中隶属度最大的解作为优化设定值；若超标，则从优化解集中选取对应水质最小的解作为优化设定值；最后，采用两个PID控制器(控制器PID1，PID2)对上层动态时变优化设定值，即溶解氧浓度D_O,5，硝态氮浓度S_NO,2分别进行跟踪控制。准确控制污水处理过程中的溶解氧转换系数K_La,5和内回流量Q_a，从而满足实际设定值在理想位置状态。

依据上述原理，本发明提供的一种基于知识信息的污水处理智能优化控制方法，如图2所示，具体包括：

步骤一：采集污水处理过程中的实时数据，所述实时数据包括第二分区硝态氮浓度S_NO,2、第五分区溶解氧浓度D_O,5、溶解氧转换系数K_La,5、内回流量Q_a、运行能耗EC以及出水水质EQ；所述运行能耗EC包括泵送能耗和曝气能耗；还包括出水氨氮S_NH，出水总氮N_tot，以及13种入水组分：溶解性不可生物降解有机物S_I、溶解性快速可生物降解有机物S_S、颗粒性不可生物降解有机物X_I、慢速可生物降解有机物X_S、活性异氧菌生物固体X_B,H、活性自氧菌生物固体X_B,A、生物固体衰减产生的惰性物质X_P、溶解氧S_O、硝态氮S_NO、氨氮S_NH、溶解性可生物降解有机氮S_ND、颗粒性可生物降解有机氮X_ND、碱度S_ALK。

污水处理过程中，运行能耗EC取决于运行成本，水质EQ取决于出水水质组分浓度情况，EC和EQ的公式化定义如下：

其中，T为采样周期，S_o,sat为溶解氧饱和浓度，V_i为第i个单元的体积，k_la为氧传递系数，Q_a为内回流量，Q_w为污泥排出量，Q_r为外回流量；B_SS、B_COD、B_NKj、B_NO、B_BOD5均为对应的权重系数，分别取值为2、1、30、10、2；K_Lai为第i个单元的曝气量，SS为固体悬浮物总浓度，COD_e为化学需氧量，S_NKj为凯氏氮浓度，S_NO为硝态氮浓度，BOD₅为5日生化需氧量。源于某实际污水厂14天的运行记录，入水数据采样周期为15min，共有1344组样本，在晴天天气下使用本发明方法对14天的污水处理过程进行优化控制研究。

将14天的污水处理过程划分为168个优化周期，每个优化周期时长2h；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。

步骤二：根据实时数据构建基于随机权神经网络的多目标粒子群优化算法，得到硝态氮浓度S_NO,2、溶解氧浓度D_O,5的优化解作为PID控制器的跟踪设定值，利用PID控制器输出溶解氧转换系数K_La,5、内回流量Q_a的实时控制值；包括：

步骤1：根据采集到的硝态氮浓度S_NO,2、溶解氧浓度D_O,5以及运行能耗EC、出水水质EQ，利用随机权神经网络建立关于能耗、水质的数据驱动模型，作为多目标优化算法的目标函数；包括：

步骤1.1：离线获取建模数据，采集污水处理过程中一段时间内的硝态氮浓度S_NO,2、溶解氧浓度D_O,5以及运行能耗EC、出水水质指标值EQ，共400组数据，300组作为训练集，100组作为测试集；

步骤1.2：将获取到的建模数据进行归一化处理，得到归一化处理后的数据；

步骤1.3：将归一化后的数据划分为训练集和测试集；

步骤1.4：构建随机权神经网络模型，利用训练集对随机权神经网络进行训练，得到训练后的随机权神经网络模型作为关于能耗、水质的数据驱动模型，利用测试集对关于能耗、水质的数据驱动模型进行测试。

训练关于能耗、水质的随机权神经网络模型，确定模型训练需要的相关参数：激活函数类型g，隐含层节点数目L；

本实施例中，激活函数类型g为Sigmoid函数，隐含层节点数目L＝30。数据集中所有变量数据进行归一化处理，如下公式所示：

Z＝{(x_i,y_i)|i＝1,…N}；

其中，N为所选取时段的样本个数，x_i＝[x_i1,x_i2,…,x_in]^T∈Rⁿ为模型输入数据，n为模型输入参数个数，y_i＝[y_i1,y_i2,…,y_im]^T∈R^m为模型输出数据，m为模型输出参数个数；

在一定范围内随机产生输入层与隐含层之间的输入权值a_j及阈值b_j,j＝1,…,L，L为隐含层节点的个数；计算隐含层输出矩阵H和输出权值矩阵β。

其中，G(·)为神经网络的激活函数，X为输入样本数据，Y为输出样本数据；

由此可得，建模输出为：

Y＝Hβ

通过随机权神经网络建模得到关于能耗、水质的数据驱动模型，图3所示为建模效果图。

根据Pearson相关性系数和机理分析，从实际入水组分中选取五种组分作为环境监测量，根据历史数据信息建立知识库。采用最近邻函数算法建立相似度分析，满足相似度阈值的案例所对应的优化解作为引导解，引导多目标优化算法；反之，不产生，将该工况的环境监测量以及对应的优化解作为新案例存入知识库。

步骤2：采集污水处理过程中不同工况环境下的环境监测量以及对应的硝态氮浓度S_NO,2、溶解氧浓度D_O,5作为案例来构建知识库；包括：

步骤2.1：利用Pearson相关性系数计算不同入水组分对运行能耗、出水水质的影响系数；

步骤2.2：设置每种组分对运行能耗、出水水质的权重系数，通过加权计算得到每种组分对运行能耗、出水水质的整体影响系数；

步骤2.3：结合污水处理过程机理选择出整体影响系数较大的5种组分作为入水水质的环境监测量，所述环境监测量包括颗粒性生物降解有机物浓度X_nd、活性益氧菌生物固体浓度X_bh、慢速可生物降解有机物浓度X_s、入水流量Q_o、入水氨氮浓度S_NH；

污水处理过程中，所采集的入水组分共包括13种组分，为从其中选取具有代表性，可以反映水质工况环境的组分，采用Pearson相关性系数计算不同组分对能耗、水质的影响程度。

Pearson相关系数(Pearson Correlation Coefficient)是用来衡量两个数据集合是否在一条线上面，它用来衡量定距变量间的线性关系。相关系数的绝对值越大，相关性越强：相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱。计算公式如下：

式中，r为相关性系数值，x_i为入水组分中的第i个属性值，y_i为能耗、水质值中的一个属性值，N为数据量的大小；

设置每种组分对运行能耗、出水水质的权重系数均为0.5，计算得到每种入水组分对运行能耗、出水水质的整体影响系数后，再结合过程机理分析，选出五种入水组分作为参考向量，即环境监测量，分别为：颗粒性生物降解有机物X_nd、活性益氧菌生物固体X_bh、慢速可生物降解有机物X_s、入水流量Q_o、入水氨氮S_NH。

步骤2.4：采集污水处理过程中不同工况环境下的入水组分，将每组入水组分对应的环境监测量以及对应的硝态氮浓度S_NO,2、溶解氧浓度D_O,5的设定值作为案例存入知识库中，其中每个案例中的环境监测量作为案例索引。

步骤3：针对污水处理过程中待优化周期内的实际工况环境，采用最近邻函数算法在构建的知识库中搜索匹配的相似工况；包括：

步骤3.1：获取实际工况环境下的入水组分对应的各环境监测量；

步骤3.2：利用公式(1)计算出实际工况环境与知识库中第k个案例的相似度s_k：

式中，w_i是环境监测量中第i个表达属性x_i的权重值，x_i为实际工况下环境监测量中第i个属性，x_i,k为知识库中第k个案例中环境检测量的第i个表达属性，max(x_i,x_i,k)为x_i、x_i,k二者中的最大值；

步骤3.3：判断每个案例的相似度s_k与设定阈值w_th＝0.85的关系，如果满足s_k≥w_th，则将第k个案例作为实际工况环境的匹配相似工况；否则第k个案例不作为实际工况环境的匹配相似工况。在晴天工况下进行为期14天的仿真计算，得到了知识库案例存储个数变化图，如图5所示。

步骤4：构建改进的多目标粒子群优化算法，将关于能耗、水质的数据驱动模型作为多目标粒子群优化算法的目标函数，优化求解硝态氮浓度S_NO,2、溶解氧浓度D_O,5的优化设定值；包括：

步骤4.1：将匹配相似工况对应的硝态氮浓度S_NO,2、溶解氧浓度D_O,5的设定值作为多目标粒子群优化算法的部分初始解，其余初始解则由多目标粒子群优化算法随机初始化产生；在无匹配相似工况的条件下，多目标粒子群优化算法的初始解全部通过随机初始化的方式产生；

步骤4.2：构建多目标粒子群优化算法的目标函数，将关于能耗的数据驱动模型作为多目标粒子群优化算法的一个目标函数，将关于水质的数据驱动模型作为多目标粒子群优化算法的另外一个目标函数；

所述多目标粒子群优化算法的目标函数F(X)设计为：

式中，X为硝态氮浓度S_NO,2、溶解氧浓度D_O,5构成的决策变量，X＝[x₁(k),x₂(k)]，x₁(k)、x₂(k)分别是决策变量中的硝态氮浓度S_NO,2、溶解氧浓度D_O,5，f_EC(X)为关于能耗的目标函数，f_EQ(X)为关于水质的目标函数，x₁ ^l、x₁ ^u为硝态氮浓度S_NO,2的下限值、上限值，x₂ ^l、x₂ ^u为溶解氧浓度D_O,5的下限值、上限值；

步骤4.3：在原多目标粒子群优化算法的基础上，采用惯性权重值w和学习因子c₁、c₂自适应动态改变策略，来平衡粒子群优化算法前期全局搜索和后期局部搜索之间的协调，设计学习因子、惯性权重值，得到改进的多目标粒子群优化算法，设计的多目标粒子群优化算法如图6所示；包括：

在优化计算过程中，随着迭代次数k的增加，惯性权重值w呈线性递减趋势，变化范围为[w_max，w_min]。当w值较大时，算法的全局搜索性能较好，保证了前期优化算法的多样性；当w值较小时，则满足算法后期需要收敛的特点，在局部进行更好的探索。迭代过程中，学习因子c₁、c₂随着余弦函数动态改变取值，c₁逐渐减小，c₂逐渐增大，即自身学习经验减小，社会学习经验增大，可改善一些陷入局部最优解的情况。公式中，参数满足c_1l<c_1f,c_2l>c_2f。

其中，第t次迭代时的学习因子c₁、c₂设计为：

式中，c_1l为学习因子c₁的终止值，c_1f为学习因子c₁的初始值，c_2l为学习因子c₂的终止值，c_2f为学习因子c₂的初始值；

第t+1次迭代时的惯性权重值w_t设计为：

式中，w_max为惯性权重值w_t的最大取值，w_min为惯性权值w_t的最小取值，t_max为最大迭代次数；

第t+1次迭代时粒子n的迭代速度V_n ^t+1设计为：

式中，V_n ^t为第t次迭代时粒子n的迭代速度，c₁、c₂为学习因子，分别表示自身学习经验、社会学习经验，r₁(·)、r₂(·)为两个取值范围在[0,1]之间的随机函数，

为第t+1次迭代时粒子n的位置，gbest^t _n为粒子n第t次迭代结束时的全局最优解，pbest^t _n为粒子n第t次迭代结束时的个体最优解。

步骤4.4：利用改进的多目标粒子群优化算法迭代计算，当达到最大迭代次数后输出关于硝态氮浓度S_NO,2、溶解氧浓度D_O,5的优化解集；

利用改进的多目标粒子群优化算法更新知识库如图4所示，本实施例中，t_max＝100，w_max＝0.7，w_min＝0.2，c_1l＝0.5，c_2l＝2，c_1f＝2，c_2f＝0.5。

对出水水质组分中，极易超标的氨氮浓度S_NH、总氮浓度N_tot采用随机权神经网络模型进行预测；输入样本集为入水组分中的五种环境监测量，输出样本集为出水氨氮浓度S_NH、总氮浓度N_tot。

步骤4.5：采集污水处理过程中入水组分中的环境监测量，和对应的出水氨氮浓度S_NH、总氮浓度N_tot构建随机权神经网络，得到出水水质中关于氨氮浓度S_NH、总氮浓度N_tot的预测值；包括：

步骤4.5.1：采集污水处理过程中一段时间内入水组分中的各环境监测量和对应的出水氨氮浓度S_NH、总氮浓度N_tot，作为训练随机权神经网络模型的样本集；

步骤4.5.2：将样本集划分为训练集和测试集；

步骤4.5.3：构建随机权神经网络模型，利用训练集对随机权神经网络进行训练，得到训练后的随机权神经网络模型，利用测试集对随机权神经网络模型进行测试；

步骤4.5.4：将入水组分中的各环境监测量作为随机权神经网络的输入，利用训练后的随机权神经网络模型输出氨氮浓度S_NH、总氮浓度N_tot的预测值。

步骤4.6：判断氨氮浓度S_NH、总氮浓度N_tot的预测值是否满足出水排放标准，若氨氮浓度S_NH、总氮浓度N_tot的预测值满足出水排放标准，则从多目标粒子群优化算法得到的优化解集中，选择一组对应出水水质指标值最小的解作为硝态氮浓度S_NO,2、溶解氧浓度D_O,5的优化设定值；否则，则采用模糊隶属函数法确定出硝态氮浓度S_NO,2、溶解氧浓度D_O,5的优化设定值。

所述步骤4.6中所述采用模糊隶属函数法确定出硝态氮浓度S_NO,2、溶解氧浓度D_O,5的优化设定值，包括：

步骤4.6.1：由多目标粒子群优化算法产生的优化解集，根据模糊隶属函数法计算所有解的隶属度，隶属度值为0-1之间，值越大则表示解情况越好，更适合作为折衷解；采用模糊隶属函数法计算出优化解集中每组解的隶属度值；

第N组优化解X_N的第m个目标值所对应的隶属度

为：

优化解X_N所对应的隶属度为：

式中，F_m(X_N)为第N组优化解X_N的第m个目标值，

为所有优化解对应的第m个目标值中的最小值，/>

为所有优化解对应的第m个目标值中的最大值，M表示目标个数，为2，分别是能耗、水质的目标函数，A_r为优化解集的大小；

步骤4.6.2：统计每组解的隶属度值，将隶属度值最大的一组解作为硝态氮浓度S_NO,2、溶解氧浓度D_O,5的优化设定值。

步骤5：设计PID控制器，将实际工况环境中实时采集的溶解氧转换系数K_La,5、内回流量Q_a作为PID控制器的输入，硝态氮浓度S_NO,2、溶解氧浓度D_O,5的优化设定值作为PID控制器的跟踪目标，通过PID控制器输出溶解氧转换系数K_La,5、内回流量Q_a的实时控制值。

步骤三：根据溶解氧转换系数K_La,5、内回流量Q_a的实时控制值控制污水处理过程中硝态氮浓度S_NO,2、溶解氧浓度D_O,5实时跟踪设定值，达到污水净化的目的。

跟踪控制过程设计了2个动态变值跟踪PID(比例-积分-微分)控制器，实现对第五分区溶解氧浓度D_O,5和第二分区硝态氮浓度S_NO,2的跟踪控制；控制器的控制结构如下表1所示：

表1控制器结构表

不同工况环境对应的设定值不同，故跟踪控制过程为动态时变，根据污水处理运行周期进行设定值的动态跟踪。

将14天的污水处理过程拆分成168个优化周期，每个优化周期的时长为2h；每隔2h，即新的优化周期到来时，均对各控制器设定值进行一次优化，获得最优设定值。

在晴天工况下，前七天与后七天入水工况一致，故图8控制器的控制效果和误差示意图仅展示了前七天的情况。

当知识库中案例数目较多，且入水工况遍历次数较多时，即知识库包括大部分工况环境时，采用模糊C均值聚类对案例进行分类。此时，新周期下工况的环境监测量仅需与聚类中心值进行检索比较。满足相似度则可直接将该类案例对应的优化解作为优化算法的初始引导解。从而代替步骤2中逐个进行检索的繁琐方式；具体表述如下：

设计模糊C均值聚类算法，对知识库中的案例进行分类；

模糊C均值(简称FCM)算法通过优化目标函数得到每个样本点对所有类中心的隶属度，从而决定样本点的类属以达到自动对样本数据进行分类的目的。优化目标函数如下：

其中，m是聚类的簇数；i'，j'是类标号；μ_i'j'表示样本x_i'属于j'类的隶属度；x是具有d维特征的一个样本；c_j'是j'簇的中心，也具有d维度；

不断迭代计算隶属度μ_i'j'和簇中心c_j'，直到达到最优；

迭代的终止条件为：

其中k是迭代步数，ε'是误差阈值。

实时工况的环境监测量与聚类的中心值进行相似度计算，满足阈值条件，则可将该类案例所对应的优化解作为优化算法的初始引导解。反之，则不产生引导解，将该工况的环境监测量以及优化解作为新案例存入知识库。本发明可以有效降低污水处理过程的运行能耗和出水水质指标值。本发明与单独PID底层控制的运行过程进行能耗、水质值对比，七天过程的平均能耗、水质如下表2所示：

表2本发明方法与单独PID控制对比表

本发明针对污水处理过程设计了一种基于知识信息的智能优化控制方法，该方法对历史数据信息有效利用，能够减少不必要的计算量，由图7可以得到，本发明方法提高了算法的收敛性，得到高质量的优化解。从图8(a)～(d)可以看出，设定值曲线与实际浓度曲线基本吻合，动态变值跟踪控制器的跟踪性能较好。因此本发明是一种低成本的、高效实用的污水处理过程智能优化控制方法。

Claims (6)

1.一种基于知识信息的污水处理智能优化控制方法，其特征在于，包括：

步骤一：采集污水处理过程中的实时数据，所述实时数据包括硝态氮浓度S_NO,2、溶解氧浓度D_O,5、溶解氧转换系数K_La,5、内回流量Q_a、运行能耗EC以及出水水质EQ；所述运行能耗EC包括泵送能耗和曝气能耗；

步骤二：根据实时数据构建基于随机权神经网络的多目标粒子群优化算法，得到硝态氮浓度S_NO,2、溶解氧浓度D_O,5的优化解作为PID控制器的跟踪设定值，利用PID控制器输出溶解氧转换系数K_La,5、内回流量Q_a的实时控制值；

步骤三：根据溶解氧转换系数K_La,5、内回流量Q_a的实时控制值控制污水处理过程中硝态氮浓度S_NO,2、溶解氧浓度D_O,5实时跟踪设定值，达到污水净化的目的；

所述步骤二包括：

步骤1：根据采集到的硝态氮浓度S_NO,2、溶解氧浓度D_O,5以及运行能耗EC、出水水质EQ，利用随机权神经网络建立关于能耗、水质的数据驱动模型；

步骤2：采集污水处理过程中不同工况环境下的环境监测量以及对应的硝态氮浓度S_NO,2、溶解氧浓度D_O,5作为案例来构建知识库；

步骤3：针对污水处理过程中待优化周期内的实际工况环境，采用最近邻函数算法在构建的知识库中搜索匹配的相似工况；

步骤4：构建改进的多目标粒子群优化算法，将关于能耗、水质的数据驱动模型作为多目标粒子群优化算法的目标函数，优化求解硝态氮浓度S_NO,2、溶解氧浓度D_O,5的优化设定值；

步骤5：设计PID控制器，将实际工况环境中实时采集的溶解氧转换系数K_La,5、内回流量Q_a作为PID控制器的输入，硝态氮浓度S_NO,2、溶解氧浓度D_O,5的优化设定值作为PID控制器的跟踪目标，通过PID控制器输出溶解氧转换系数K_La,5、内回流量Q_a的实时控制值；

所述步骤2包括：

步骤2.1：利用Pearson相关性系数计算不同入水组分对运行能耗、出水水质的影响系数；

步骤2.2：设置每种组分对运行能耗、出水水质的权重系数，通过加权计算得到每种组分对运行能耗、出水水质的整体影响系数；

步骤2.3：结合污水处理过程机理选择出整体影响系数较大的5种组分作为入水水质的环境监测量，所述环境监测量包括颗粒性生物降解有机物浓度X_nd、活性益氧菌生物固体浓度X_bh、慢速可生物降解有机物浓度X_s、入水流量Q_o、入水氨氮浓度S_NH；

步骤2.4：采集污水处理过程中不同工况环境下的入水组分，将每组入水组分对应的环境监测量以及对应的硝态氮浓度S_NO,2、溶解氧浓度D_O,5的设定值作为案例存入知识库中，其中每个案例中的环境监测量作为案例索引；

所述步骤4包括：

步骤4.1：将匹配相似工况对应的硝态氮浓度S_NO,2、溶解氧浓度D_O,5的设定值作为多目标粒子群优化算法的部分初始解，其余初始解则由多目标粒子群优化算法随机初始化产生；在无匹配相似工况的条件下，多目标粒子群优化算法的初始解全部通过随机初始化的方式产生；

步骤4.2：构建多目标粒子群优化算法的目标函数，将关于能耗的数据驱动模型作为多目标粒子群优化算法的一个目标函数，将关于水质的数据驱动模型作为多目标粒子群优化算法的另外一个目标函数；

所述多目标粒子群优化算法的目标函数F(X)设计为：

式中，X为硝态氮浓度S_NO,2、溶解氧浓度D_O,5构成的决策变量，X＝[x₁(k),x₂(k)]，x₁(k)、x₂(k)分别是决策变量中的硝态氮浓度S_NO,2、溶解氧浓度D_O,5，f_EC(X)为关于能耗的目标函数，f_EQ(X)为关于水质的目标函数，x₁ ^l、x₁ ^u为硝态氮浓度S_NO,2的下限值、上限值，x₂ ^l、x₂ ^u为溶解氧浓度D_O,5的下限值、上限值；

步骤4.3：设计学习因子、惯性权重值，得到改进的多目标粒子群优化算法；

步骤4.4：利用改进的多目标粒子群优化算法迭代计算，当达到最大迭代次数后输出关于硝态氮浓度S_NO,2、溶解氧浓度D_O,5的优化解集；

步骤4.5：采集污水处理过程中入水组分中的环境监测量，和对应的出水氨氮浓度S_NH、总氮浓度N_tot构建随机权神经网络，得到出水水质中关于氨氮浓度S_NH、总氮浓度N_tot的预测值；

步骤4.6：判断氨氮浓度S_NH、总氮浓度N_tot的预测值是否满足出水排放标准，若氨氮浓度S_NH、总氮浓度N_tot的预测值满足出水排放标准，则从多目标粒子群优化算法得到的优化解集中，选择一组对应出水水质指标值最小的解作为硝态氮浓度S_NO,2、溶解氧浓度D_O,5的优化设定值；否则，则采用模糊隶属函数法确定出硝态氮浓度S_NO,2、溶解氧浓度D_O,5的优化设定值。

2.根据权利要求1所述的一种基于知识信息的污水处理智能优化控制方法，其特征在于，所述步骤1包括：

步骤1.1：离线获取建模数据，采集污水处理过程中一段时间内的硝态氮浓度S_NO,2、溶解氧浓度D_O,5以及运行能耗EC、出水水质指标值EQ；

步骤1.2：将获取到的建模数据进行归一化处理，得到归一化处理后的数据；

步骤1.3：将归一化后的数据划分为训练集和测试集；

步骤1.4：构建随机权神经网络模型，利用训练集对随机权神经网络进行训练，得到训练后的随机权神经网络模型作为关于能耗、水质的数据驱动模型，利用测试集对关于能耗、水质的数据驱动模型进行测试。

3.根据权利要求1所述的一种基于知识信息的污水处理智能优化控制方法，其特征在于，所述步骤3包括：

步骤3.1：获取实际工况环境下的入水组分对应的各环境监测量；

步骤3.2：利用公式(1)计算出实际工况环境与知识库中第k个案例的相似度s_k：

式中，w_i是环境监测量中第i个表达属性x_i的权重值，x_i为实际工况下环境监测量中第i个属性，x_i,k为知识库中第k个案例中环境监测量的第i个表达属性，max(x_i,x_i,k)为x_i、x_i,k二者中的最大值；

步骤3.3：判断每个案例的相似度s_k与设定阈值w_th的关系，如果满足s_k≥w_th，则将第k个案例作为实际工况环境的匹配相似工况；否则第k个案例不作为实际工况环境的匹配相似工况。

4.根据权利要求1所述的一种基于知识信息的污水处理智能优化控制方法，其特征在于，所述步骤4.3包括：

其中，第t次迭代时的学习因子c₁、c₂设计为：

式中，c_1l为学习因子c₁的终止值，c_1f为学习因子c₁的初始值，c_2l为学习因子c₂的终止值，c_2f为学习因子c₂的初始值；

第t+1次迭代时的惯性权重值w_t设计为：

式中，w_max为惯性权重值w_t的最大取值，w_min为惯性权值w_t的最小取值，t_max为最大迭代次数；

第t+1次迭代时粒子n的迭代速度V_n ^t+1设计为：

式中，V_n ^t为第t次迭代时粒子n的迭代速度，c₁、c₂为学习因子，r₁(·)、r₂(·)为两个取值范围在[0,1]之间的随机函数，

为第t+1次迭代时粒子n的位置，gbest^t _n为粒子n第t次迭代结束时的全局最优解，pbest^t _n为粒子n第t次迭代结束时的个体最优解。

5.根据权利要求1所述的一种基于知识信息的污水处理智能优化控制方法，其特征在于，所述步骤4.5包括：

步骤4.5.1：采集污水处理过程中一段时间内入水组分中的各环境监测量和对应的出水氨氮浓度S_NH、总氮浓度N_tot，作为训练随机权神经网络模型的样本集；

步骤4.5.2：将样本集划分为训练集和测试集；

步骤4.5.3：构建随机权神经网络模型，利用训练集对随机权神经网络进行训练，得到训练后的随机权神经网络模型，利用测试集对随机权神经网络模型进行测试；

步骤4.5.4：将入水组分中的各环境监测量作为随机权神经网络的输入，利用训练后的随机权神经网络模型输出氨氮浓度S_NH、总氮浓度N_tot的预测值。

6.根据权利要求1所述的一种基于知识信息的污水处理智能优化控制方法，其特征在于，所述步骤4.6中所述采用模糊隶属函数法确定出硝态氮浓度S_NO,2、溶解氧浓度D_O,5的优化设定值，包括：

步骤4.6.1：采用模糊隶属函数法计算出优化解集中每组解的隶属度值；

第N组优化解X_N的第m个目标值所对应的隶属度

为：

优化解X_N所对应的隶属度为：

式中，F_m(X_N)为第N组优化解X_N的第m个目标值，

为所有优化解对应的第m个目标值中的最小值，/>

为所有优化解对应的第m个目标值中的最大值，M表示目标个数，为2，分别是能耗、水质的目标函数，A_r为优化解集的大小；

步骤4.6.2：统计每组解的隶属度值，将隶属度值最大的一组解作为硝态氮浓度S_NO,2、溶解氧浓度D_O,5的优化设定值。

Images