CN113589684B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113589684B
CN113589684B CN202110554384.1A CN202110554384A CN113589684B CN 113589684 B CN113589684 B CN 113589684B CN 202110554384 A CN202110554384 A CN 202110554384A CN 113589684 B CN113589684 B CN 113589684B
Authority
CN
China
Prior art keywords
sewage treatment
treatment process
moment
model
task
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
CN202110554384.1A
Other languages
English (en)
Other versions
CN113589684A (zh
Inventor
韩红桂
白星
侯莹
杨宏燕
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 CN202110554384.1A priority Critical patent/CN113589684B/zh
Publication of CN113589684A publication Critical patent/CN113589684A/zh
Priority to US17/678,949 priority patent/US20220383062A1/en
Application granted granted Critical
Publication of CN113589684B publication Critical patent/CN113589684B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • C02F3/006—Regulation methods for biological treatment
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
    • G05B19/054—Input/output
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
    • G05B19/056—Programming the PLC
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • C02F3/302—Nitrification and denitrification treatment
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/10—Plc systems
    • G05B2219/11—Plc I-O input output
    • G05B2219/1134—Fieldbus
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/10—Plc systems
    • G05B2219/11—Plc I-O input output
    • G05B2219/1161—Signal processing, detect or deliver analog signals

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Organic Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Environmental & Geological Engineering (AREA)
  • Hydrology & Water Resources (AREA)
  • Microbiology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Feedback Control In General (AREA)

Abstract

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，属于污水处理领域。为了平衡出水水质和能耗的关系并实现优化设定值的在线快速求解，本发明建立基于数据的污水处理过程多任务优化模型，描述控制变量与出水水质、能的关系，采用自调整多任务粒子群优化算法求解污水处理过程硝态氮SNO和溶解氧SO浓度的优化设定值，并使用PID控制器对优化设定值进行跟踪控制，从而在保证出水水质的情况下降低能耗，并实现污水处理过程在线优化控制。

Description

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
技术领域
本发明涉及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，首先，利用数据驱动方法建立多任务优化模型，获得污水处理过程多任务优化函数，其次，基于自调整多任务粒子群优化算法求解污水处理过程硝态氮SNO和溶解氧SO浓度的优化设定值，最后，采用PID控制器对优化设定值进行跟踪控制，从而在保证出水水质的情况下降低能耗，实现污水处理过程在线优化控制。
背景技术
随着我国城镇化进程的加快，水污染问题日益突出，出水水质超标现象和运行成本过高尤其严重。优化控制策略作为改善城市污水处理运行效果和提高运行效率的关键，已成为城市污水处理厂的重要选择。
污水处理过程机理复杂，运行指标出水水质和能耗具有强冲突性，导致污水处理过程难以实现在线优化控制，因此，在污水处理过程中，平衡出水水质和能耗关系并实现优化设定值在线快速求解是一种重要的研究问题，在污水处理优化控制出水水质和能耗模型的建立过程中，由于污水处理工艺复杂，机理模型难以确定，因此，建立基于数据的出水水质和能耗模型对精确描述污水处理优化目标具有重要的意义；另外，在污水处理过程中，优化设定值求解需要较长的时间，无法实现污水处理过程在线优化控制；因此，设计合理的优化方法，对硝态氮SNO和溶解氧SO浓度进行在线优化控制，不仅可以在保证出水水质的情况下降低能耗，而且是污水处理过程的稳定高效运行的关键。
本发明设计了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，主要建立了基于数据的污水处理过程多任务优化模型，并利用自调整多任务粒子群优化算法求解污水处理过程硝态氮SNO和溶解氧SO浓度的优化设定值，并采用PID控制器对优化设定值进行跟踪控制。
发明内容
本发明获得了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，该方法利用数据驱动方法建立多任务优化模型，获得污水处理过程多任务优化函数，基于自调整多任务粒子群优化算法求解污水处理过程硝态氮SNO和溶解氧SO浓度的优化设定值，采用PID控制器对优化设定值进行跟踪控制，从而在保证出水水质的情况下降低能耗，实现污水处理过程在线优化控制。
本发明采用了如下的技术方案及实现步骤：
1.一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，其特征在于，建立基于数据的污水处理过程多任务优化模型，设计基于自调整多任务粒子群算法的优化设定方法，并完成优化设定值跟踪控制，具体包括以下步骤：
(1)基于数据的污水处理过程多任务优化模型设计
污水处理过程多任务优化模型利用数据驱动方法描述优化设定值与出水水质、能耗间的关系，包括基于核函数的目标任务模型和基于多项式回归的辅助任务模型；
建立基于核函数的污水处理过程出水水质和能耗目标任务模型：
其中，f1(t)是t时刻污水处理过程出水水质的目标任务模型，f2(t)是t时刻污水处理过程能耗的目标任务模型；B1(t)是t时刻污水处理过程出水水质模型f1(t)的输出偏移且取值范围为[-2，2]，B2(t)是t时刻污水处理过程能耗模型f2(t)的输出偏移且取值范围为[-2，2]；W1,z(t)是t时刻污水处理过程出水水质模型第z个核函数的权值且取值范围为[-3，3]，W2,z(t)是t时刻污水处理过程能耗模型第z个核函数的权值且取值范围为[-3，3]；H1,z(t)是污水处理过程出水水质模型相关的核函数，H2,z(t)是污水处理过程能耗模型相关的核函数：
其中，x(t)＝[SNO(t)，SO(t)]是t时刻的输入变量，SNO(t)是t时刻的厌氧末端硝态氮浓度且取值范围为[0，2]，单位毫克/升；SO(t)是t时刻的好氧末端溶解氧浓度且取值范围为[0，3]，单位毫克/升；T是向量或矩阵的转置；c1,z(t)＝[c1,z,1(t)，c1,z,2(t)]T是t时刻污水处理过程出水水质模型第z个核函数的中心，且c1,z,1(t)和c1,z,2(t)的取值范围均为[-1，1]，c2,z(t)＝[c2,z,1(t)，c2,z,2(t)]T是t时刻污水处理过程能耗模型第z个核函数的中心，且c2,z,1(t)和c2,z,2(t)的取值范围均为[-1，1]；σ1,z(t)是t时刻污水处理过程出水水质模型第z个核函数的宽度且取值范围为[0，2]，σ2,z(t)是t时刻污水处理过程能耗模型第z个核函数的宽度且取值范围为[0，2]；
训练污水处理过程目标任务模型参数c(t)、σ(t)、W(t)：
其中，c(t)＝[c1,z(t)，c2,z(t)]是t时刻污水处理过程目标任务模型核函数的中心，c(t+1)＝[c1,z(t+1)，c2,z(t+1)]是t+1时刻污水处理过程目标任务模型核函数的中心；σ(t)＝[σ1,z(t)，σ2,z(t)]是t时刻污水处理过程目标任务模型核函数的宽度，σ(t+1)＝[σ1,z(t+1)，σ2,z(t+1)]是t+1时刻污水处理过程目标任务模型核函数的宽度；W(t)＝[W1,z(t)，W2,z(t)]是t时刻污水处理过程目标任务模型的权值，W(t+1)＝[W1,z(t+1)，W2,z(t+1)]是t+1时刻污水处理过程目标任务模型的权值；α1是污水处理过程目标任务模型核函数中心的学习率且取值范围为[0，1]，α2是污水处理过程目标任务模型核函数宽度的学习率且取值范围为[0，1]，α3是污水处理过程目标任务模型权值的学习率且取值范围为[0，1]；e1u(t)＝y1(t)-yu(t)是t时刻污水处理过程目标任务模型的预测误差，y1(t)＝[f1(t)，f2(t)]是t时刻污水处理过程目标任务模型的输出，yu(t)＝[EQ(t)，EC(t)]是t时刻污水处理过程的实际输出值，EQ(t)是t时刻污水处理过程的实际出水水质值，EC(t)是t时刻污水处理过程的实际能耗值；
建立基于多项式回归的污水处理过程出水水质和能耗辅助任务模型：
其中，f3(t)是t时刻污水处理过程出水水质的辅助任务模型，f4(t)是t时刻污水处理过程能耗的辅助任务模型；b1(t)是t时刻污水处理过程出水水质模型f3(t)的输出偏移且取值范围为[-2，2]，b2(t)是t时刻污水处理过程能耗模型f4(t)的输出偏移且取值范围为[-2，2]；A1,q(t)是t时刻污水处理过程出水水质辅助任务模型的第q项系数且取值范围为[-3，3]，A2,q(t)是t时刻污水处理过程能耗辅助任务模型的第q项系数且取值范围为[-3，3]；
训练污水处理过程辅助任务模型多项式系数A(t)：
其中，A(t)＝[A1,q(t)，A2,q(t)]是t时刻污水处理过程辅助任务模型的多项式系数，A(t+1)＝[A1,q(t+1)，A2,q(t+1)]是t+1时刻污水处理过程辅助任务模型的多项式系数；α4是污水处理过程辅助任务模型多项式系数的学习率且取值范围为[0，1]；e2u(t)＝y2(t)-yu(t)是t时刻污水处理过程辅助任务模型的预测误差，y2(t)＝[f3(t)，f4(t)]是t时刻污水处理过程辅助任务模型的输出；
污水处理过程多任务优化模型：
minimize F(t)＝[F1(t),F2(t)] (11)
其中，F(t)是t时刻污水处理过程的多任务优化模型，F1(t)是t时刻污水处理过程的目标任务模型，F2(t)是t时刻污水处理过程的辅助任务模型；
(2)基于自调整多任务粒子群算法的优化设定值求解
利用自调整多任务粒子群算法求解优化设定值，通过目标任务与辅助任务间的知识转移，实现目标任务加速收敛；
①设置多任务粒子群优化过程的总迭代次数为τmax＝500、粒子群规模为N＝100、任务数为K＝2，初始化外部档案库U(0)为空集；
②将数据驱动污水处理过程多任务优化模型作为自调整多任务粒子群优化算法的优化目标：min F(t)＝[F1(t)，F2(t)]；
③对F(t)进行求解，进化将从第1代开始，迭代到第Tmax代时结束，当进化过程处于t时刻的第τ次迭代时，将粒子的位置信息xt(τ)＝[SNOt(τ)，SOt(τ)]作为输入，计算粒子的适应度和技能因子，按照技能因子将粒子划分到不同的群组中，并对粒子进行适应度排序；
④评价粒子所携带知识的有效性：
其中，Et(τ)是t时刻第τ次迭代的知识有效性；Fm t(τ)＝[Fm 1t(τ)，Fm 2t(τ)]是t时刻第τ次迭代第m个粒子的多任务优化适应度，Fm 1t(τ)是t时刻第τ次迭代第m个粒子对应的目标任务适应度，Fm 2t(τ)是中t时刻第τ次迭代第m个粒子对应的辅助任务适应度； 是t时刻第τ次迭代的多任务优化适应度均值，/>是t时刻第τ次迭代的目标任务适应度均值，/>是t时刻第τ次迭代的辅助任务适应度均值；Ft(τ)＝[F1t(τ)，F2t(τ)]是t时刻第τ次迭代的多任务优化适应度，F1t(τ)是t时刻第τ次迭代的目标任务适应度，F2t(τ)是t时刻第τ次迭代的辅助任务适应度；gt(τ)是t时刻第τ次迭代目标任务粒子与辅助任务全局最优粒子的距离；gm t(τ)是t时刻第τ次迭代第m个目标任务粒子与辅助任务全局最优粒子的距离；/>是t时刻第τ次迭代目标任务粒子与辅助任务全局最优粒子的距离均值；
⑤设计知识转移策略：
其中，P* tg(τ)＝[p* tg,1(τ)，p* tg,2(τ)]是t时刻第τ次迭代的知识转移项，PtJ(τ)＝[ptJ,1(τ)，ptJ,2(τ)]是t时刻第τ次迭代的辅助任务全局最优解，PtJ(τ-1)＝[ptJ,1(τ)，ptJ,2(τ)]是t时刻第τ-1次迭代的辅助任务全局最优解，J是辅助任务帕累托最优解集中知识有效性最高的解序号：
J＝argminj∈{1,.2,..,M}{Etj(τ)} (18)
其中，Etj(τ)是辅助任务t时刻第τ次迭代帕累托最优解集中第j个粒子的知识有效性；
粒子速度更新公式：
其中，vti(τ+1)是第i个粒子在t时刻第τ+1次迭代时的速度，vti(τ)是第i个粒子在t时刻第τ次迭代时的速度；xti(τ+1)是第i个粒子在t时刻第τ+1次迭代的位置，xti(τ)是第i个粒子在t时刻第τ次迭代的位置；Pti(τ)是第i个粒子在t时刻第τ次迭代时个体最优位置，Ptg(τ)是在t时刻第τ次迭代时的全局最优位置；ω是惯性权重且取值为0.8；c1是个体经验加速常数且取值为0.25，c2是社会经验加速常数且取值为0.25，c3是知识转移项加速常数且取值为0.25；r1是个体经验随机数且取值范围为[0，1]，r2是社会经验随机数且取值范围为[0，1]，r3是知识转移项随机数且取值范围为[0，1]；
⑥将t时刻第τ次迭代的个体最优位置Pti(τ)与t时刻第τ-1次迭代的档案库Φt(τ-1)的解进行比较，更新t时刻第τ次迭代的档案库Φt(τ)：
其中，∪是逻辑关系“并”， 是t时刻第τ-1次迭代的档案库中第ι个最优解，/>是/>的目标任务适应度，F1(Pti(τ))是Pti(τ)的目标任务适应度；
⑦判断是否停止迭代：若当前迭代次数τ≥τmax，则终止迭代过程并转到步骤⑧，否则，迭代次数τ增大1，并返回步骤③；
⑧在档案库Φt(τmax)中随机选择一个解作为t时刻的优化设定值u*(t)＝[S* NO(t)，S* O(t)]，其中，S* NO(t)是t时刻硝态氮优化设定值，S* O(t)是t时刻溶解氧优化设定值；
(3)优化设定值跟踪控制
利用多变量PID控制器对优化设定值进行跟踪控制，调整溶解氧传递系数与内回流量，实现污水处理过程出水水质与能耗的优化控制；
①PID控制器对优化设定值S* NO(t)与S* O(t)进行跟踪控制：
其中，Δu(t)＝[ΔQa(t)，ΔKLa(t)]T是操作变量矩阵，ΔQa(t)是污水处理内循环流量的变化量，ΔKLa(t)是第五分区氧传递系数的变化量；Kp是比例系数，Hl是积分系数，Hd是微分系数；e(t)＝y*(t)-y(t)是t时刻的控制误差，y*(t)＝[S* NO(t)，S* O(t)]T是t时刻的优化设定值，y(t)＝[SNO(t)，SO(t)]T是t时刻的实际输出值；
②调整溶解氧传递系数与内回流量：
KLa(t+1)＝KLa(t)+ΔKLa(t) (22)
Qa(t+1)＝Qa(t)+ΔQa(t) (23)
其中，KLa(t+1)是t+1时刻的溶解氧传递系数；KLa(t)是t时刻的溶解氧传递系数；Qa(t+1)是t+1时刻的内回流量；Qa(t)是t时刻的内回流量；利用变频器调整供氧泵与回流泵的频率，则硝态氮浓度将被调整至S* NO(t)，溶解氧浓度将被调整至S* O(t)；至此，实现了污水处理过程出水水质与能耗的优化控制。
本发明的创造性主要体现在：
(1)本发明针对污水处理过程出水水质和能耗之间的冲突关系以及在线求解优化设定值的问题，采用了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，对硝态氮SNO和溶解氧SO浓度进行跟踪控制，该方法在保证出水水质的情况下降低了能耗，实现了污水处理过程在线优化控制。
(2)本发明采用自调整多任务粒子群算法的污水处理过程优化控制方法对污水处理过程硝态氮SNO和溶解氧SO浓度进行优化控制，该方法建立了基于污水处理过程运行数据的多任务优化模型，通过自调整多任务粒子群优化算法求解污水处理过程硝态氮SNO和溶解氧SO浓度的优化设定值，采用PID控制器对优化设定值进行跟踪控制，获得更好的控制效果。
特别要注意：本发明只是为了描述方便，采用了基于核函数和多项式的数据驱动模型建立多任务优化模型，使用自调整多任务粒子群优化方法对硝态氮SNO和溶解氧SO浓度进行优化，将其它基于数据驱动的建模算法和基于多任务粒子群优化算法等相同原理的多任务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
具体实施方式
(1)基于数据的污水处理过程多任务优化模型设计
污水处理过程多任务优化模型利用数据驱动方法描述优化设定值与出水水质、能耗间的关系，包括基于核函数的目标任务模型和基于多项式回归的辅助任务模型；
建立基于核函数的污水处理过程出水水质和能耗目标任务模型：
其中，f1(t)是t时刻污水处理过程出水水质的目标任务模型，f2(t)是t时刻污水处理过程能耗的目标任务模型；B1(t)是t时刻污水处理过程出水水质模型f1(t)的输出偏移且取值范围为[-2，2]，B1(0)＝-1.01，B2(t)是t时刻污水处理过程能耗模型f2(t)的输出偏移且取值范围为[-2，2]，B2(0)＝0.32；W1,z(t)是t时刻污水处理过程出水水质模型第z个核函数的权值且取值范围为[-3，3]，W1,z(0)＝1.8，W2,z(t)是t时刻污水处理过程能耗模型第z个核函数的权值且取值范围为[-3，3]，W2,z(0)＝2.4；H1,z(t)是污水处理过程出水水质模型相关的核函数，H2,z(t)是污水处理过程能耗模型相关的核函数：
其中，x(t)＝[SNO(t)，SO(t)]是t时刻的输入变量，SNO(t)是t时刻的厌氧末端硝态氮浓度且取值范围为[0，2]，单位毫克/升，SNO(0)＝1毫克/升；SO(t)是t时刻的好氧末端溶解氧浓度且取值范围为[0，3]，单位毫克/升，SO(0)＝1.5毫克/升；T是向量或矩阵的转置；c1,z(t)＝[c1,z,1(t)，c1,z,2(t)]T是t时刻污水处理过程出水水质模型第z个核函数的中心，且c1,z,1(t)和c1,z,2(t)的取值范围均为[-1，1]，c1,z,1(0)＝0.76，c1,z,2(0)＝0.45，c2,z(t)＝[c2,z,1(t)，c2,z,2(t)]T是t时刻污水处理过程能耗模型第z个核函数的中心，且c2,z,1(t)和c2,z,2(t)的取值范围均为[-1，1]，c2,z,1(0)＝0.82，c2,z,2(0)＝0.67；σ1,z(t)是t时刻污水处理过程出水水质模型第z个核函数的宽度且取值范围为[0，2]，σ1,z(0)＝1.72，σ2,z(t)是t时刻污水处理过程能耗模型第z个核函数的宽度且取值范围为[0，2]，σ2,z(0)＝0.62；
训练污水处理过程目标任务模型参数c(t)、σ(t)、W(t)：
其中，c(t)＝[c1,z(t)，c2,z(t)]是t时刻污水处理过程目标任务模型核函数的中心，c(t+1)＝[c1,z(t+1)，c2,z(t+1)]是t+1时刻污水处理过程目标任务模型核函数的中心；σ(t)＝[σ1,z(t)，σ2,z(t)]是t时刻污水处理过程目标任务模型核函数的宽度，σ(t+1)＝[σ1,z(t+1)，σ2,z(t+1)]是t+1时刻污水处理过程目标任务模型核函数的宽度；W(t)＝[W1,z(t)，W2,z(t)]是t时刻污水处理过程目标任务模型的权值，W(t+1)＝[W1,z(t+1)，W2,z(t+1)]是t+1时刻污水处理过程目标任务模型的权值；α1是污水处理过程目标任务模型核函数中心的学习率且取值为0.1，α2是污水处理过程目标任务模型核函数宽度的学习率且取值为0.2，α3是污水处理过程目标任务模型权值的学习率且取值为0.1；e1u(t)＝y1(t)-yu(t)是t时刻污水处理过程目标任务模型的预测误差，y1(t)＝[f1(t)，f2(t)]是t时刻污水处理过程目标任务模型的输出，yu(t)＝[EQ(t)，EC(t)]是t时刻污水处理过程的实际输出值，EQ(t)是t时刻污水处理过程的实际出水水质值，EC(t)是t时刻污水处理过程的实际能耗值；
建立基于多项式回归的污水处理过程出水水质和能耗辅助任务模型：
其中，f3(t)是t时刻污水处理过程出水水质的辅助任务模型，f4(t)是t时刻污水处理过程能耗的辅助任务模型；b1(t)是t时刻污水处理过程出水水质模型f3(t)的输出偏移且取值范围为[-2，2]，b1(0)＝-1.5，b2(t)是t时刻污水处理过程能耗模型f4(t)的输出偏移且取值范围为[-2，2]，b2(0)＝-0.84；A1,q(t)是t时刻污水处理过程出水水质辅助任务模型的第q项系数且取值范围为[-3，3]，A1,q(0)＝0.56，A2,q(t)是t时刻污水处理过程能耗辅助任务模型的第q项系数且取值范围为[-3，3]，A1,q(0)＝1.34；
训练污水处理过程辅助任务模型多项式系数A(t)：
其中，A(t)＝[A1,q(t)，A2,q(t)]是t时刻污水处理过程辅助任务模型的多项式系数，A(t+1)＝[A1,q(t+1)，A2,q(t+1)]是t+1时刻污水处理过程辅助任务模型的多项式系数；α4是污水处理过程辅助任务模型多项式系数的学习率且取值为0.25；e2u(t)＝y2(t)-yu(t)是t时刻污水处理过程辅助任务模型的预测误差，y2(t)＝[f3(t)，f4(t)]是t时刻污水处理过程辅助任务模型的输出；
污水处理过程多任务优化模型：
minimize F(t)＝[F1(t),F2(t)] (11)
其中，F(t)是t时刻污水处理过程的多任务优化模型，F1(t)是t时刻污水处理过程的目标任务模型，F2(t)是t时刻污水处理过程的辅助任务模型；
(2)基于自调整多任务粒子群算法的优化设定值求解
利用自调整多任务粒子群算法求解优化设定值，通过目标任务与辅助任务间的知识转移，实现目标任务加速收敛；
①设置多任务粒子群优化过程的总迭代次数为τmax＝500、粒子群规模为N＝100、任务数为K＝2，初始化外部档案库U(0)为空集；
②将数据驱动污水处理过程多任务优化模型作为自调整多任务粒子群优化算法的优化目标：min F(t)＝[F1(t)，F2(t)]；
③对F(t)进行求解，进化将从第1代开始，迭代到第Tmax代时结束，当进化过程处于t时刻的第τ次迭代时，将粒子的位置信息xt(τ)＝[SNOt(τ)，SOt(τ)]作为输入，计算粒子的适应度和技能因子，按照技能因子将粒子划分到不同的群组中，并对粒子进行适应度排序；
④评价粒子所携带知识的有效性：
其中，Et(τ)是t时刻第τ次迭代的知识有效性；Fm t(τ)＝[Fm 1t(τ)，Fm 2t(τ)]是t时刻第τ次迭代第m个粒子的多任务优化适应度，Fm 1t(τ)是t时刻第τ次迭代第m个粒子对应的目标任务适应度，Fm 2t(τ)是中t时刻第τ次迭代第m个粒子对应的辅助任务适应度； 是t时刻第τ次迭代的多任务优化适应度均值，/>是t时刻第τ次迭代的目标任务适应度均值，/>是t时刻第τ次迭代的辅助任务适应度均值；Ft(τ)＝[F1t(τ)，F2t(τ)]是t时刻第τ次迭代的多任务优化适应度，F1t(τ)是t时刻第τ次迭代的目标任务适应度，F2t(τ)是t时刻第τ次迭代的辅助任务适应度；gt(τ)是t时刻第τ次迭代目标任务粒子与辅助任务全局最优粒子的距离；gm t(τ)是t时刻第τ次迭代第m个目标任务粒子与辅助任务全局最优粒子的距离；/>是t时刻第τ次迭代目标任务粒子与辅助任务全局最优粒子的距离均值；
⑤设计知识转移策略：
其中，P* tg(τ)＝[p* tg,1(τ)，p* tg,2(τ)]是t时刻第τ次迭代的知识转移项，PtJ(τ)＝[ptJ,1(τ)，ptJ,2(τ)]是t时刻第τ次迭代的辅助任务全局最优解，PtJ(τ-1)＝[ptJ,1(τ)，ptJ,2(τ)]是t时刻第τ-1次迭代的辅助任务全局最优解，J是辅助任务帕累托最优解集中知识有效性最高的解序号：
J＝argminj∈{1,.2,..,M}{Etj(τ)} (18)
其中，Etj(τ)是辅助任务t时刻第τ次迭代帕累托最优解集中第j个粒子的知识有效性；
粒子速度更新公式：
其中，vti(τ+1)是第i个粒子在t时刻第τ+1次迭代时的速度，vti(τ)是第i个粒子在t时刻第τ次迭代时的速度；xti(τ+1)是第i个粒子在t时刻第τ+1次迭代的位置，xti(τ)是第i个粒子在t时刻第τ次迭代的位置；Pti(τ)是第i个粒子在t时刻第τ次迭代时个体最优位置，Ptg(τ)是在t时刻第τ次迭代时的全局最优位置；ω是惯性权重且取值为0.8；c1是个体经验加速常数且取值为0.25，c2是社会经验加速常数且取值为0.25，c3是知识转移项加速常数且取值为0.25；r1是个体经验随机数且取值范围为[0，1]，r2是社会经验随机数且取值范围为[0，1]，r3是知识转移项随机数且取值范围为[0，1]；
⑥将t时刻第τ次迭代的个体最优位置Pti(τ)与t时刻第τ-1次迭代的档案库Φt(τ-1)的解进行比较，更新t时刻第τ次迭代的档案库Φt(τ)：
其中，∪是逻辑关系“并”， 是t时刻第τ-1次迭代的档案库中第ι个最优解，/>是/>的目标任务适应度，F1(Pti(τ))是Pti(τ)的目标任务适应度；
⑦判断是否停止迭代：若当前迭代次数τ≥τmax，则终止迭代过程并转到步骤⑧，否则，迭代次数τ增大1，并返回步骤③；
⑧在档案库Φt(τmax)中随机选择一个解作为t时刻的优化设定值u*(t)＝[S* NO(t)，S* O(t)]，其中，S* NO(t)是t时刻硝态氮优化设定值，S* O(t)是t时刻溶解氧优化设定值；
(3)优化设定值跟踪控制
利用多变量PID控制器对优化设定值进行跟踪控制，调整溶解氧传递系数与内回流量，实现污水处理过程出水水质与能耗的优化控制；
①PID控制器对优化设定值S* NO(t)与S* O(t)进行跟踪控制：
其中，Δu(t)＝[ΔQa(t)，ΔKLa(t)]T是操作变量矩阵，ΔQa(t)是污水处理内循环流量的变化量，ΔKLa(t)是第五分区氧传递系数的变化量；Kp是比例系数，Hl是积分系数，Hd是微分系数；e(t)＝y*(t)-y(t)是t时刻的控制误差，y*(t)＝[S* NO(t)，S* O(t)]T是t时刻的优化设定值，y(t)＝[SNO(t)，SO(t)]T是t时刻的实际输出值；
②调整溶解氧传递系数与内回流量：
KLa(t+1)＝KLa(t)+ΔKLa(t) (22)
Qa(t+1)＝Qa(t)+ΔQa(t) (23)
其中，KLa(t+1)是t+1时刻的溶解氧传递系数；KLa(t)是t时刻的溶解氧传递系数；Qa(t+1)是t+1时刻的内回流量；Qa(t)是t时刻的内回流量；利用变频器调整供氧泵与回流泵的频率，则硝态氮浓度将被调整至S* NO(t)，溶解氧浓度将被调整至S* O(t)；至此，实现了污水处理过程出水水质与能耗的优化控制。
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系统输出结果为硝态氮SNO浓度和溶解氧SO浓度，图1是硝态氮结果图，其中实线为优化设定值，虚线为实际输出值，横轴：时间，单位：天，纵轴：硝态氮浓度，单位：毫克/升，图2硝态氮跟踪误差图，横轴：时间，单位：天，纵轴：硝态氮跟踪误差，单位：毫克/升，图3是溶解氧结果图，其中实线为优化设定值，虚线为实际输出值，横轴：时间，单位：天，纵轴：溶解氧浓度，单位：毫克/升，图4溶解氧跟踪误差图，横轴：时间，单位：天，纵轴：溶解氧跟踪误差，单位：毫克/升。

Claims (1)

1.一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，其特征在于，建立基于数据的污水处理过程多任务优化模型，设计基于自调整多任务粒子群算法的优化设定方法，并完成优化设定值跟踪控制，具体包括以下步骤：
(1)基于数据的污水处理过程多任务优化模型设计
污水处理过程多任务优化模型利用数据驱动方法描述优化设定值与出水水质、能耗间的关系，包括基于核函数的目标任务模型和基于多项式回归的辅助任务模型；
建立基于核函数的污水处理过程出水水质和能耗目标任务模型：
其中，f1(t)是t时刻污水处理过程出水水质的目标任务模型，f2(t)是t时刻污水处理过程能耗的目标任务模型；B1(t)是t时刻污水处理过程出水水质模型f1(t)的输出偏移且取值范围为[-2，2]，B2(t)是t时刻污水处理过程能耗模型f2(t)的输出偏移且取值范围为[-2，2]；W1,z(t)是t时刻污水处理过程出水水质模型第z个核函数的权值且取值范围为[-3，3]，W2,z(t)是t时刻污水处理过程能耗模型第z个核函数的权值且取值范围为[-3，3]；H1,z(t)是污水处理过程出水水质模型相关的核函数，H2,z(t)是污水处理过程能耗模型相关的核函数：
其中，x(t)＝[SNO(t)，SO(t)]是t时刻的输入变量，SNO(t)是t时刻的厌氧末端硝态氮浓度且取值范围为[0，2]，单位毫克/升；SO(t)是t时刻的好氧末端溶解氧浓度且取值范围为[0，3]，单位毫克/升；T是向量或矩阵的转置；c1,z(t)＝[c1,z,1(t)，c1,z,2(t)]T是t时刻污水处理过程出水水质模型第z个核函数的中心，且c1,z,1(t)和c1,z,2(t)的取值范围均为[-1，1]，c2,z(t)＝[c2,z,1(t)，c2,z,2(t)]T是t时刻污水处理过程能耗模型第z个核函数的中心，且c2,z,1(t)和c2,z,2(t)的取值范围均为[-1，1]；σ1,z(t)是t时刻污水处理过程出水水质模型第z个核函数的宽度且取值范围为[0，2]，σ2,z(t)是t时刻污水处理过程能耗模型第z个核函数的宽度且取值范围为[0，2]；
训练污水处理过程目标任务模型参数c(t)、σ(t)、W(t)：
其中，c(t)＝[c1,z(t)，c2,z(t)]是t时刻污水处理过程目标任务模型核函数的中心，c(t+1)＝[c1,z(t+1)，c2,z(t+1)]是t+1时刻污水处理过程目标任务模型核函数的中心；σ(t)＝[σ1,z(t)，σ2,z(t)]是t时刻污水处理过程目标任务模型核函数的宽度，σ(t+1)＝[σ1,z(t+1)，σ2,z(t+1)]是t+1时刻污水处理过程目标任务模型核函数的宽度；W(t)＝[W1,z(t)，W2,z(t)]是t时刻污水处理过程目标任务模型的权值，W(t+1)＝[W1,z(t+1)，W2,z(t+1)]是t+1时刻污水处理过程目标任务模型的权值；α1是污水处理过程目标任务模型核函数中心的学习率且取值范围为[0，1]，α2是污水处理过程目标任务模型核函数宽度的学习率且取值范围为[0，1]，α3是污水处理过程目标任务模型权值的学习率且取值范围为[0，1]；e1u(t)＝y1(t)-yu(t)是t时刻污水处理过程目标任务模型的预测误差，y1(t)＝[f1(t)，f2(t)]是t时刻污水处理过程目标任务模型的输出，yu(t)＝[EQ(t)，EC(t)]是t时刻污水处理过程的实际输出值，EQ(t)是t时刻污水处理过程的实际出水水质值，EC(t)是t时刻污水处理过程的实际能耗值；
建立基于多项式回归的污水处理过程出水水质和能耗辅助任务模型：
其中，f3(t)是t时刻污水处理过程出水水质的辅助任务模型，f4(t)是t时刻污水处理过程能耗的辅助任务模型；b1(t)是t时刻污水处理过程出水水质模型f3(t)的输出偏移且取值范围为[-2，2]，b2(t)是t时刻污水处理过程能耗模型f4(t)的输出偏移且取值范围为[-2，2]；A1,q(t)是t时刻污水处理过程出水水质辅助任务模型的第q项系数且取值范围为[-3，3]，A2,q(t)是t时刻污水处理过程能耗辅助任务模型的第q项系数且取值范围为[-3，3]；
训练污水处理过程辅助任务模型多项式系数A(t)：
其中，A(t)＝[A1,q(t)，A2,q(t)]是t时刻污水处理过程辅助任务模型的多项式系数，A(t+1)＝[A1,q(t+1)，A2,q(t+1)]是t+1时刻污水处理过程辅助任务模型的多项式系数；α4是污水处理过程辅助任务模型多项式系数的学习率且取值范围为[0，1]；e2u(t)＝y2(t)-yu(t)是t时刻污水处理过程辅助任务模型的预测误差，y2(t)＝[f3(t)，f4(t)]是t时刻污水处理过程辅助任务模型的输出；
污水处理过程多任务优化模型：
minimize F(t)＝[F1(t),F2(t)] (11)
其中，F(t)是t时刻污水处理过程的多任务优化模型，F1(t)是t时刻污水处理过程的目标任务模型，F2(t)是t时刻污水处理过程的辅助任务模型；
(2)基于自调整多任务粒子群算法的优化设定值求解
利用自调整多任务粒子群算法求解优化设定值，通过目标任务与辅助任务间的知识转移，实现目标任务加速收敛；
①设置多任务粒子群优化过程的总迭代次数为τmax＝500、粒子群规模为N＝100、任务数为K＝2，初始化外部档案库U(0)为空集；
②将数据驱动污水处理过程多任务优化模型作为自调整多任务粒子群优化算法的优化目标：min F(t)＝[F1(t)，F2(t)]；
③对F(t)进行求解，进化将从第1代开始，迭代到第Tmax代时结束，当进化过程处于t时刻的第τ次迭代时，将粒子的位置信息xt(τ)＝[SNOt(τ)，SOt(τ)]作为输入，计算粒子的适应度和技能因子，按照技能因子将粒子划分到不同的群组中，并对粒子进行适应度排序；
④评价粒子所携带知识的有效性：
其中，Et(τ)是t时刻第τ次迭代的知识有效性；Fm t(τ)＝[Fm 1t(τ)，Fm 2t(τ)]是t时刻第τ次迭代第m个粒子的多任务优化适应度，Fm 1t(τ)是t时刻第τ次迭代第m个粒子对应的目标任务适应度，Fm 2t(τ)是中t时刻第τ次迭代第m个粒子对应的辅助任务适应度；是t时刻第τ次迭代的多任务优化适应度均值，/>是t时刻第τ次迭代的目标任务适应度均值，/>是t时刻第τ次迭代的辅助任务适应度均值；Ft(τ)＝[F1t(τ)，F2t(τ)]是t时刻第τ次迭代的多任务优化适应度，F1t(τ)是t时刻第τ次迭代的目标任务适应度，F2t(τ)是t时刻第τ次迭代的辅助任务适应度；gt(τ)是t时刻第τ次迭代目标任务粒子与辅助任务全局最优粒子的距离；gm t(τ)是t时刻第τ次迭代第m个目标任务粒子与辅助任务全局最优粒子的距离；/>是t时刻第τ次迭代目标任务粒子与辅助任务全局最优粒子的距离均值；
⑤设计知识转移策略：
其中，P* tg(τ)＝[p* tg,1(τ)，p* tg,2(τ)]是t时刻第τ次迭代的知识转移项，PtJ(τ)＝[ptJ,1(τ)，ptJ,2(τ)]是t时刻第τ次迭代的辅助任务全局最优解，PtJ(τ-1)＝[ptJ,1(τ)，ptJ,2(τ)]是t时刻第τ-1次迭代的辅助任务全局最优解，J是辅助任务帕累托最优解集中知识有效性最高的解序号：
其中，Etj(τ)是辅助任务t时刻第τ次迭代帕累托最优解集中第j个粒子的知识有效性；
粒子速度更新公式：
其中，vti(τ+1)是第i个粒子在t时刻第τ+1次迭代时的速度，vti(τ)是第i个粒子在t时刻第τ次迭代时的速度；xti(τ+1)是第i个粒子在t时刻第τ+1次迭代的位置，xti(τ)是第i个粒子在t时刻第τ次迭代的位置；Pti(τ)是第i个粒子在t时刻第τ次迭代时个体最优位置，Ptg(τ)是在t时刻第τ次迭代时的全局最优位置；ω是惯性权重且取值为0.8；c1是个体经验加速常数且取值为0.25，c2是社会经验加速常数且取值为0.25，c3是知识转移项加速常数且取值为0.25；r1是个体经验随机数且取值范围为[0，1]，r2是社会经验随机数且取值范围为[0，1]，r3是知识转移项随机数且取值范围为[0，1]；
⑥将t时刻第τ次迭代的个体最优位置Pti(τ)与t时刻第τ-1次迭代的档案库Φt(τ-1)的解进行比较，更新t时刻第τ次迭代的档案库Φt(τ)：
其中，∪是逻辑关系“并”， 是t时刻第τ-1次迭代的档案库中第ι个最优解，/>是/>的目标任务适应度，F1(Pti(τ))是Pti(τ)的目标任务适应度；
⑦判断是否停止迭代：若当前迭代次数τ≥τmax，则终止迭代过程并转到步骤⑧，否则，迭代次数τ增大1，并返回步骤③；
⑧在档案库Φt(τmax)中随机选择一个解作为t时刻的优化设定值u*(t)＝[S* NO(t)，S* O(t)]，其中，S* NO(t)是t时刻硝态氮优化设定值，S* O(t)是t时刻溶解氧优化设定值；(3)优化设定值跟踪控制
利用多变量PID控制器对优化设定值进行跟踪控制，调整溶解氧传递系数与内回流量，实现污水处理过程出水水质与能耗的优化控制；
①PID控制器对优化设定值S* NO(t)与S* O(t)进行跟踪控制：
其中，Δu(t)＝[ΔQa(t)，ΔKLa(t)]T是操作变量矩阵，ΔQa(t)是污水处理内循环流量的变化量，ΔKLa(t)是第五分区氧传递系数的变化量；Kp是比例系数，Hl是积分系数，Hd是微分系数；e(t)＝y*(t)-y(t)是t时刻的控制误差，y*(t)＝[S* NO(t)，S* O(t)]T是t时刻的优化设定值，y(t)＝[SNO(t)，SO(t)]T是t时刻的实际输出值；
②调整溶解氧传递系数与内回流量：
KLa(t+1)＝KLa(t)+ΔKLa(t) (22)
Qa(t+1)＝Qa(t)+ΔQa(t) (23)
其中，KLa(t+1)是t+1时刻的溶解氧传递系数；KLa(t)是t时刻的溶解氧传递系数；Qa(t+1)是t+1时刻的内回流量；Qa(t)是t时刻的内回流量；利用变频器调整供氧泵与回流泵的频率，则硝态氮浓度将被调整至S* NO(t)，溶解氧浓度将被调整至S* O(t)；至此，实现了污水处理过程出水水质与能耗的优化控制。
CN202110554384.1A 2021-05-20 2021-05-20 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 Active CN113589684B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110554384.1A CN113589684B (zh) 2021-05-20 2021-05-20 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
US17/678,949 US20220383062A1 (en) 2021-05-20 2022-02-23 Optimal Control Method for Wastewater Treatment Process based on Self-Adjusting Multi-Task Particle Swarm Optimization

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110554384.1A CN113589684B (zh) 2021-05-20 2021-05-20 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

Publications (2)

Publication Number Publication Date
CN113589684A CN113589684A (zh) 2021-11-02
CN113589684B true CN113589684B (zh) 2023-11-21

Family

ID=78243170

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110554384.1A Active CN113589684B (zh) 2021-05-20 2021-05-20 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

Country Status (2)

Country Link
US (1) US20220383062A1 (zh)
CN (1) CN113589684B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117388457B (zh) * 2023-10-16 2024-05-31 中山大学 一种耦合水力停留时间提高污水厂出水预测精度的方法
CN117575002B (zh) * 2023-11-13 2024-10-15 昆明理工大学 一种基于多策略两阶段的竞争群优化方法
CN118192233B (zh) * 2024-03-18 2024-09-24 淮阴工学院 一种污水处理过程水质能耗预测及优化控制方法及系统
CN118014006A (zh) * 2024-04-10 2024-05-10 日照城投环境科技集团有限公司 一种污水处理厂多任务业务流程预测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102122134A (zh) * 2011-02-14 2011-07-13 华南理工大学 基于模糊神经网络的溶解氧控制的废水处理方法及系统
CN109669352A (zh) * 2017-10-17 2019-04-23 中国石油化工股份有限公司 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
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
CN111474854A (zh) * 2020-04-27 2020-07-31 北京工业大学 一种基于数据-知识驱动的污水处理过程优化控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102122134A (zh) * 2011-02-14 2011-07-13 华南理工大学 基于模糊神经网络的溶解氧控制的废水处理方法及系统
CN109669352A (zh) * 2017-10-17 2019-04-23 中国石油化工股份有限公司 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
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
CN111474854A (zh) * 2020-04-27 2020-07-31 北京工业大学 一种基于数据-知识驱动的污水处理过程优化控制方法

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);全文 *

Also Published As

Publication number Publication date
US20220383062A1 (en) 2022-12-01
CN113589684A (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
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
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
CN106698642B (zh) 一种污水处理过程多目标实时优化控制方法
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
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
US9747544B2 (en) Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network
CN105573115B (zh) 基于量子遗传算法的污水处理过程节能优化控制方法
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
CN109711070A (zh) 一种基于活性污泥水处理的溶解氧浓度优化方法
CN101763036A (zh) 基于模糊神经网络的赖氨酸发酵过程补料预测控制系统及方法
Qiao et al. Adaptive optimal control for a wastewater treatment plant based on a data-driven method
CN113189881A (zh) 一种污水处理多目标优化控制方法及系统
CN111290275B (zh) 基于强化学习粒子群算法的污水处理优化控制方法
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
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
WANG et al. Adaptive critic control for wastewater treatment systems based on multiobjective particle swarm optimization
CN113867276B (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
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
Qiao et al. Action-Dependent Heuristic Dynamic Programming With Experience Replay for Wastewater Treatment Processes
CN116360264A (zh) 一种污水处理过程的增强预测控制方法
Shi et al. Neural network predictive optimal control for wastewater treatment
CN115857341A (zh) 一种基于多任务约束的污水处理过程优化控制方法
Du et al. Dissolved oxygen concentration control in wastewater treatment process based on reinforcement learning
CN117762012A (zh) 一种知识和数据混合驱动的城市污水处理过程优化控制方法

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