CN113867276A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113867276A CN113867276A CN202110998336.1A CN202110998336A CN113867276A CN 113867276 A CN113867276 A CN 113867276A CN 202110998336 A CN202110998336 A CN 202110998336A CN 113867276 A CN113867276 A CN 113867276A
- Authority
- CN
- China
- Prior art keywords
- task
- time
- value
- model
- sewage treatment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 119
- 230000008569 process Effects 0.000 title claims abstract description 88
- 239000010865 sewage Substances 0.000 title claims abstract description 84
- 238000005457 optimization Methods 0.000 title claims abstract description 75
- 230000005012 migration Effects 0.000 title claims abstract description 63
- 238000013508 migration Methods 0.000 title claims abstract description 63
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims abstract description 52
- 229910052698 phosphorus Inorganic materials 0.000 claims abstract description 52
- 239000011574 phosphorus Substances 0.000 claims abstract description 52
- 239000002245 particle Substances 0.000 claims abstract description 51
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 46
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 40
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 40
- 239000001301 oxygen Substances 0.000 claims abstract description 40
- 238000005265 energy consumption Methods 0.000 claims abstract description 37
- 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 abstract description 28
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000010992 reflux Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000004065 wastewater treatment Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 abstract description 6
- 230000004069 differentiation Effects 0.000 abstract 1
- 230000010354 integration Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004062 sedimentation Methods 0.000 description 2
- 238000005842 biochemical reaction Methods 0.000 description 1
- 230000007246 mechanism Effects 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
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)
- Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)
Abstract
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,属于污水处理领域。为了同时优化脱氮任务和除磷任务,平衡出水水质和能耗的关系并实现优化设定值的求解,本发明建立数据驱动的污水处理过程多任务优化目标模型,描述脱氮任务和除磷任务的特征,采用基于自适应知识迁移策略的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,从而获得出水总磷、出水总氮和能耗的平衡,实现污水处理过程多任务优化控制。
Description
技术领域
本发明涉及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,首先,利用数据驱动方法建立多任务优化目标模型,获得污水处理过程脱氮任务和除磷任务优化目标函数,其次,设计基于自适应知识迁移策略的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,从而获得出水总磷、出水总氮和能耗的平衡,实现污水处理过程多任务优化控制。
背景技术
随着污水处理规模的不断扩大和处理工艺的复杂性,出水水质超标和运行成本过高问题尤其严重。优化控制方法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。
根据污水处理过程工艺的特点,污水处理过程主要包括初沉、生物脱氮、生物除磷、厌氧生物处理和二次沉降等。不同的生化反应过程对应着不同的优化目标和操作要求。因此,污水处理过程是一个多任务系统。如何设计优化策略,降低能耗并提高出水水质,已成为具有多任务特性的污水处理厂亟待解决的问题。在污水处理多任务优化控制目标模型的建立过程中,由于污水处理工艺复杂,机理模型难以确定,因此,建立数据驱动的多任务优化目标模型对精确描述污水处理脱氮和除磷过程具有重要的意义;另外,在污水处理过程中,如何实现脱氮任务和除磷任务的同时优化,并求解优化设定值是有挑战性的问题;因此,设计合理的优化方法,对硝态氮SNO和溶解氧SO浓度进行优化控制,不仅可以获得出水总氮和出水总磷以及能耗的平衡,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适应知识迁移策略的污水处理过程多任务优化控制方法,主要建立了数据驱动的污水处理过程多任务优化目标模型,并利用基于自适应知识迁移策略的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适应知识迁移策略的污水处理过程多任务优化控制方法,该方法利用数据驱动方法建立多任务优化目标模型,获得污水处理过程脱氮任务和除磷任务优化目标函数,设计基于自适应知识迁移策略的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,从而获得出水总磷、出水总氮和能耗的平衡,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:
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,其特征在于,建立数据驱动的污水处理过程多任务优化目标模型,设计基于自适应知识迁移策略的多任务优化控制方法,具体包括以下步骤:
(1)数据驱动的污水处理过程多任务优化目标模型构建
数据驱动的污水处理过程多任务优化目标模型用于描述脱氮和除磷过程的特征,包括脱氮任务模型和除磷任务模型;
建立数据驱动的污水处理过程脱氮任务模型:
其中,fa(t)是t时刻污水处理过程脱氮任务中的出水总氮模型,fb(t)是t时刻污水处理过程脱氮任务中的能耗模型;A1(t)是t时刻污水处理过程脱氮任务中出水总氮模型fa(t)的输出偏移且取值范围为[-2,2],A2(t)是t时刻污水处理过程脱氮任务中能耗模型fb(t)的输出偏移且取值范围为[-2,2];W1,r(t)是t时刻脱氮任务中出水总氮模型第r个核函数的权值且取值范围为[-3,3],W2,r(t)是t时刻脱氮任务中能耗模型第r个核函数的权值且取值范围为[-3,3];x(t)=[SNO(t),SO(t)]是t时刻的输入向量,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;c1,r(t)=[c1,r,1(t),c1,r,2(t)]T是t时刻脱氮任务中出水总氮模型第r个核函数的中心向量,c1,r,1(t)是c1,r(t)的第一维变量,取值范围为[-1,1],c1,r,2(t)是c1,r(t)的第二维变量,取值范围为[-1,1],T是向量或矩阵的转置;c2,r(t)=[c2,r,1(t),c2,r,2(t)]T是t时刻脱氮任务中能耗模型第r个核函数的中心向量,c2,r,1(t)是c2,r(t)的第一维变量,取值范围为[-1,1],c2,r,2(t)是c2,r(t)的第二维变量,取值范围为[-1,1];σ1,r(t)是t时刻脱氮任务中出水总氮模型第r个核函数的宽度且取值范围为[0,2],σ2,r(t)是t时刻脱氮任务中能耗模型第r个核函数的宽度且取值范围为[0,2];
建立数据驱动的污水处理过程除磷任务模型:
其中,fc(t)是t时刻污水处理过程除磷任务中的出水总磷模型,fd(t)是t时刻污水处理过程除磷任务中的能耗模型;B1(t)是t时刻除磷任务中出水总磷模型fc(t)的输出偏移且取值范围为[-2,2],B2(t)是t时刻除磷任务中能耗模型fd(t)的输出偏移且取值范围为[-2,2];W3,s(t)是t时刻除磷任务中出水总磷模型第s个核函数的权值且取值范围为[-3,3],W4,s(t)是t时刻除磷任务中能耗模型第s个核函数的权值且取值范围为[-3,3];c3,s(t)=[c3,s,1(t),c3,s,2(t)]T是t时刻除磷任务中出水总磷模型第s个核函数的中心向量,c3,s,1(t)是c3,s(t)的第一维变量,取值范围为[-1,1],c3,s,2(t)是c3,s(t)的第二维变量,取值范围为[-1,1],c4,s(t)=[c4,s,1(t),c4,s,2(t)]T是t时刻除磷任务中能耗模型第s个核函数的中心向量,c4,s,1(t)是c4,s(t)的第一维变量,取值范围为[-1,1],c4,s,2(t)是c4,s(t)的第二维变量,取值范围为[-1,1];σ3,s(t)是t时刻除磷任务中出水总磷模型第s个核函数的宽度且取值范围为[0,2],σ4,s(t)是t时刻除磷任务中能耗模型第s个核函数的宽度且取值范围为[0,2];
污水处理过程多任务优化目标模型为:
minimize F(t)=[F1(t),F2(t)] (5)
其中,F(t)是t时刻污水处理过程的多任务优化模型,
F1(t)=[fa(t),fb(t)] (6)
F2(t)=[fc(t),fd(t)] (7)
其中,F1(t)是t时刻污水处理过程的脱氮任务模型,F2(t)是t时刻污水处理过程的除磷任务模型;
(2)基于自适应知识迁移策略的多任务优化控制方法设计
1)基于自适应知识迁移策略的多任务粒子群优化算法求解设定值
利用自适应知识迁移策略,根据粒子群的进化状态,调整脱氮任务与除磷任务间的知识迁移强度,使多个任务同时收敛,获取溶解氧和硝态氮的优化设定值;
①设置优化过程的总迭代次数为100、粒子群规模为100、任务数为2,初始化档案库为空集,随机初始化粒子的速度和位置,St(0)为t时刻随机初始化的最优解集,Dt(0)为t时刻初始化的多样性指标且取值为0,Qt(0)为t时刻初始化的知识迁移概率且取值为1,Lt(0)为t时刻随机初始化的粒子位置档案库;
②基于自适应知识迁移策略的多任务粒子群优化算法以脱氮、除磷和降耗为目标,建立数据驱动的污水处理过程多任务优化模型:minimize F(t)=[F1(t),F2(t)];
③进化将从第一代开始,将溶解氧和硝态氮作为输入,对F(t)进行求解;
④计算粒子的多任务适应度和对应的技能因素,按照技能因素将粒子划分到不同的群组中,并对粒子进行适应度排序;
⑤设计自适应知识迁移策略:
记录粒子的收敛性和多样性:
其中,St(τ-1))为t时刻第τ次迭代产生的解的收敛性指标,St(τ)为t时刻第τ次迭代产生的最优解集,dtk(τ)为St(τ)与St(τ-1)中第k个任务解的最小欧式距离,k为整数且取值范围为[1,2];
Qt(τ)=Qt(τ-1) (10)
其中,Qt(τ)为t时刻第τ次迭代的知识迁移概率;
生成随机数rand∈[0,1],如果rand<Qt(τ),则进行知识迁移,粒子速度更新公式为
其中,vti(τ)是t时刻第i个粒子在第τ次迭代时的速度;xti(τ)是t时刻第i个粒子在第τ次迭代的位置;pti(τ)是t时刻第i个粒子在第τ次迭代时个体最优位置,gt(τ)是在t时刻第τ次迭代时的全局最优位置;p* gt(τ)是t时刻第τ次迭代的知识迁移项,为随机选取的全局最优解;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是知识迁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是知识迁移项随机数且取值范围为[0,1];
如果随机数rand≥Qt(τ),则不进行知识迁移,粒子速度更新公式为:
vti(τ+1)=ωvti(τ)+c1r1(pti(τ)-xti(τ))+c2r2(gt(τ)-xti(τ)) (14)
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Lt(τ-1)中的解进行比较,Lt(τ-1)=[lt1(τ-1),lt2(τ-1),ltn(τ-1),…,lt100(τ-1)],ltn(τ-1)是t时刻第τ-1次迭代的档案库中第n个最优解,n为整数且取值范围为[1,100],如果F(ltn(τ-1))≥F(pti(τ)),F(ltn(τ-1))是ltn(τ-1)的适应度向量,F(pti(τ))是pti(τ)的适应度向量,则将pti(τ)保存到档案库中,生成新的第τ代档案库Lt(τ);如果F(ltn(τ-1))<F(pti(τ)),则第τ代档案库Lt(τ)与第τ-1代档案库Lt(τ-1)相同;
⑦判断是否停止迭代:若当前迭代次数τ≥100,则终止迭代过程并转到步骤⑧,若当前迭代次数τ<100,迭代次数τ增大1,并返回步骤④;
⑧在档案库Lt(100)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;2)优化设定值跟踪控制
利用PID控制器对优化设定值进行跟踪控制,对溶解氧传递系数与内回流量进行调整,实现污水处理过程的多任务优化控制;
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;e(t)=u*(t)-y(t)是t时刻的控制误差向量,y(t)=[SNO(t),SO(t)]T是t时刻的实际输出向量;Kp是比例系数矩阵,Hl是积分系数矩阵,Hd是微分系数矩阵;
②调整溶解氧传递系数与内回流量:
KLa(t+1)=KLa(t)+ΔKLa(t) (19)
Qa(t+1)=Qa(t)+ΔQa(t) (20)
其中,KLa(t)是t时刻的溶解氧传递系数,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多任务优化控制。
本发明的创造性主要体现在:
(1)本发明针对污水处理过程多个任务同时优化的问题,采用了基于自适应知识迁移策略的多任务优化控制方法,对硝态氮SNO和溶解氧SO浓度进行跟踪控制,该方法能够实现脱氮任务和除磷任务的同时优化,获得了出水总氮、出水总磷和能耗的平衡,实现了污水处理过程多任务优化控制。
(2)本发明采用基于自适应知识迁移策略的多任务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,该方法建立了过程数据驱动的多任务优化目标模型,通过基于自适应知识迁移策略的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,采用了基于核函数的数据驱动模型建立多任务优化目标模型,使用基于自适应知识迁移策略的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)数据驱动的污水处理过程多任务优化目标模型构建
数据驱动的污水处理过程多任务优化目标模型用于描述脱氮和除磷过程的特征,包括脱氮任务模型和除磷任务模型;
建立数据驱动的污水处理过程脱氮任务模型:
其中,fa(t)是t时刻污水处理过程脱氮任务中的出水总氮模型,fb(t)是t时刻污水处理过程脱氮任务中的能耗模型;A1(t)是t时刻污水处理过程脱氮任务中出水总氮模型fa(t)的输出偏移且取值范围为[-2,2],A1(0)=-1.01,A2(t)是t时刻污水处理过程脱氮任务中能耗模型fb(t)的输出偏移且取值范围为[-2,2],A2(0)=0.32;W1,r(t)是t时刻脱氮任务中出水总氮模型第r个核函数的权值且取值范围为[-3,3],W1,r(0)=1.8,W2,r(t)是t时刻脱氮任务中能耗模型第r个核函数的权值且取值范围为[-3,3],W2,r(0)=2.4;x(t)=[SNO(t),SO(t)]是t时刻的输入向量,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;c1,r(t)=[c1,r,1(t),c1,r,2(t)]T是t时刻脱氮任务中出水总氮模型第r个核函数的中心向量,c1,r,1(t)是c1,r(t)的第一维变量,取值范围为[-1,1],c1,r,1(0)=0.76,c1,r,2(t)是c1,r(t)的第二维变量,取值范围为[-1,1],c1,r,2(0)=0.45,T是向量或矩阵的转置;c2,r(t)=[c2,r,1(t),c2,r,2(t)]T是t时刻脱氮任务中能耗模型第r个核函数的中心向量,c2,r,1(t)是c2,r(t)的第一维变量,取值范围为[-1,1],c2,r,1(0)=0.82,c2,r,2(t)是c2,r(t)的第二维变量,取值范围为[-1,1],c2,r,2(0)=0.67;σ1,r(t)是t时刻脱氮任务中出水总氮模型第r个核函数的宽度且取值范围为[0,2],σ1,r(0)=1.72,σ2,r(t)是t时刻脱氮任务中能耗模型第r个核函数的宽度且取值范围为[0,2],σ2,r(0)=0.62;
建立数据驱动的污水处理过程除磷任务模型:
其中,fc(t)是t时刻污水处理过程除磷任务中的出水总磷模型,fd(t)是t时刻污水处理过程除磷任务中的能耗模型;B1(t)是t时刻除磷任务中出水总磷模型fc(t)的输出偏移且取值范围为[-2,2],B1(0)=-1.5,B2(t)是t时刻除磷任务中能耗模型fd(t)的输出偏移且取值范围为[-2,2],B2(0)=-0.84;W3,s(t)是t时刻除磷任务中出水总磷模型第s个核函数的权值且取值范围为[-3,3],W3,s(0)=0.56,W4,s(t)是t时刻除磷任务中能耗模型第s个核函数的权值且取值范围为[-3,3],W4,s(0)=1.34;c3,s(t)=[c3,s,1(t),c3,s,2(t)]T是t时刻除磷任务中出水总磷模型第s个核函数的中心向量,c3,s,1(t)是c3,s(t)的第一维变量,取值范围为[-1,1],c3,s,1(0)=0.66,c3,s,2(t)是c3,s(t)的第二维变量,取值范围为[-1,1],c3,s,2(0)=0.89,c4,s(t)=[c4,s,1(t),c4,s,2(t)]T是t时刻除磷任务中能耗模型第s个核函数的中心向量,c4,s,1(t)是c4,s(t)的第一维变量,取值范围为[-1,1],c4,s,1(0)=0.78,c4,s,2(t)是c4,s(t)的第二维变量,取值范围为[-1,1],c4,s,2(0)=0.57;σ3,s(t)是t时刻除磷任务中出水总磷模型第s个核函数的宽度且取值范围为[0,2],σ3,s(0)=1.84,σ4,s(t)是t时刻除磷任务中能耗模型第s个核函数的宽度且取值范围为[0,2],σ4,s(0)=1.35;
污水处理过程多任务优化目标模型为:
minimize F(t)=[F1(t),F2(t)] (25)
其中,F(t)是t时刻污水处理过程的多任务优化模型,
F1(t)=[fa(t),fb(t)] (26)
F2(t)=[fc(t),fd(t)] (27)
其中,F1(t)是t时刻污水处理过程的脱氮任务模型,F2(t)是t时刻污水处理过程的除磷任务模型;
(2)基于自适应知识迁移策略的多任务优化控制方法设计
1)基于自适应知识迁移策略的多任务粒子群优化算法求解设定值
利用自适应知识迁移策略,根据粒子群的进化状态,调整脱氮任务与除磷任务间的知识迁移强度,使多个任务同时收敛,获取溶解氧和硝态氮的优化设定值;
①设置优化过程的总迭代次数为100、粒子群规模为100、任务数为2,初始化档案库为空集,随机初始化粒子的速度和位置,St(0)为t时刻随机初始化的最优解集,Dt(0)为t时刻初始化的多样性指标且取值为0,Qt(0)为t时刻初始化的知识迁移概率且取值为1,Lt(0)为t时刻随机初始化的粒子位置档案库;
②基于自适应知识迁移策略的多任务粒子群优化算法以脱氮、除磷和降耗为目标,建立数据驱动的污水处理过程多任务优化模型:minimize F(t)=[F1(t),F2(t)];
③进化将从第一代开始,将溶解氧和硝态氮作为输入,对F(t)进行求解;
④计算粒子的多任务适应度和对应的技能因素,按照技能因素将粒子划分到不同的群组中,并对粒子进行适应度排序;
⑤设计自适应知识迁移策略:
记录粒子的收敛性和多样性:
其中,St(τ-1))为t时刻第τ次迭代产生的解的收敛性指标,St(τ)为t时刻第τ次迭代产生的最优解集,dtk(τ)为St(τ)与St(τ-1)中第k个任务解的最小欧式距离,k为整数且取值范围为[1,2];
Qt(τ)=Qt(τ-1) (30)
其中,Qt(τ)为t时刻第τ次迭代的知识迁移概率;
生成随机数rand∈[0,1],如果rand<Qt(τ),则进行知识迁移,粒子速度更新公式为
其中,vti(τ)是t时刻第i个粒子在第τ次迭代时的速度;xti(τ)是t时刻第i个粒子在第τ次迭代的位置;pti(τ)是t时刻第i个粒子在第τ次迭代时个体最优位置,gt(τ)是在t时刻第τ次迭代时的全局最优位置;p* gt(τ)是t时刻第τ次迭代的知识迁移项,为随机选取的全局最优解;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是知识迁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是知识迁移项随机数且取值范围为[0,1];
如果随机数rand≥Qt(τ),则不进行知识迁移,粒子速度更新公式为:
vti(τ+1)=ωvti(τ)+c1r1(pti(τ)-xti(τ))+c2r2(gt(τ)-xti(τ)) (34)
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Lt(τ-1)中的解进行比较,Lt(τ-1)=[lt1(τ-1),lt2(τ-1),ltn(τ-1),…,lt100(τ-1)],ltn(τ-1)是t时刻第τ-1次迭代的档案库中第n个最优解,n为整数且取值范围为[1,100],如果F(ltn(τ-1))≥F(pti(τ)),F(ltn(τ-1))是ltn(τ-1)的适应度向量,F(pti(τ))是pti(τ)的适应度向量,则将pti(τ)保存到档案库中,生成新的第τ代档案库Lt(τ);如果F(ltn(τ-1))<F(pti(τ)),则第τ代档案库Lt(τ)与第τ-1代档案库Lt(τ-1)相同;
⑦判断是否停止迭代:若当前迭代次数τ≥100,则终止迭代过程并转到步骤⑧,若当前迭代次数τ<100,迭代次数τ增大1,并返回步骤④;
⑧在档案库Lt(100)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;2)优化设定值跟踪控制
利用PID控制器对优化设定值进行跟踪控制,对溶解氧传递系数与内回流量进行调整,实现污水处理过程的多任务优化控制;
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;e(t)=u*(t)-y(t)是t时刻的控制误差向量,y(t)=[SNO(t),SO(t)]T是t时刻的实际输出向量;Kp是比例系数矩阵,Hl是积分系数矩阵,Hd是微分系数矩阵;
②调整溶解氧传递系数与内回流量:
KLa(t+1)=KLa(t)+ΔKLa(t) (39)
Qa(t+1)=Qa(t)+ΔQa(t) (40)
其中,KLa(t)是t时刻的溶解氧传递系数,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多任务优化控制。
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)
1.一种基于自适应知识迁移策略的污水处理过程多任务优化控制方法,其特征在于,建立数据驱动的污水处理过程多任务优化目标模型,设计基于自适应知识迁移策略的多任务优化控制方法,具体包括以下步骤:
(1)数据驱动的污水处理过程多任务优化目标模型构建
数据驱动的污水处理过程多任务优化目标模型用于描述脱氮和除磷过程的特征,包括脱氮任务模型和除磷任务模型;
建立数据驱动的污水处理过程脱氮任务模型:
其中,fa(t)是t时刻污水处理过程脱氮任务中的出水总氮模型,fb(t)是t时刻污水处理过程脱氮任务中的能耗模型;A1(t)是t时刻污水处理过程脱氮任务中出水总氮模型fa(t)的输出偏移且取值范围为[-2,2],A2(t)是t时刻污水处理过程脱氮任务中能耗模型fb(t)的输出偏移且取值范围为[-2,2];W1,r(t)是t时刻脱氮任务中出水总氮模型第r个核函数的权值且取值范围为[-3,3],W2,r(t)是t时刻脱氮任务中能耗模型第r个核函数的权值且取值范围为[-3,3];x(t)=[SNO(t),SO(t)]是t时刻的输入向量,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;c1,r(t)=[c1,r,1(t),c1,r,2(t)]T是t时刻脱氮任务中出水总氮模型第r个核函数的中心向量,c1,r,1(t)是c1,r(t)的第一维变量,取值范围为[-1,1],c1,r,2(t)是c1,r(t)的第二维变量,取值范围为[-1,1],T是向量或矩阵的转置;c2,r(t)=[c2,r,1(t),c2,r,2(t)]T是t时刻脱氮任务中能耗模型第r个核函数的中心向量,c2,r,1(t)是c2,r(t)的第一维变量,取值范围为[-1,1],c2,r,2(t)是c2,r(t)的第二维变量,取值范围为[-1,1];σ1,r(t)是t时刻脱氮任务中出水总氮模型第r个核函数的宽度且取值范围为[0,2],σ2,r(t)是t时刻脱氮任务中能耗模型第r个核函数的宽度且取值范围为[0,2];
建立数据驱动的污水处理过程除磷任务模型:
其中,fc(t)是t时刻污水处理过程除磷任务中的出水总磷模型,fd(t)是t时刻污水处理过程除磷任务中的能耗模型;B1(t)是t时刻除磷任务中出水总磷模型fc(t)的输出偏移且取值范围为[-2,2],B2(t)是t时刻除磷任务中能耗模型fd(t)的输出偏移且取值范围为[-2,2];W3,s(t)是t时刻除磷任务中出水总磷模型第s个核函数的权值且取值范围为[-3,3],W4,s(t)是t时刻除磷任务中能耗模型第s个核函数的权值且取值范围为[-3,3];c3,s(t)=[c3,s,1(t),c3,s,2(t)]T是t时刻除磷任务中出水总磷模型第s个核函数的中心向量,c3,s,1(t)是c3,s(t)的第一维变量,取值范围为[-1,1],c3,s,2(t)是c3,s(t)的第二维变量,取值范围为[-1,1],c4,s(t)=[c4,s,1(t),c4,s,2(t)]T是t时刻除磷任务中能耗模型第s个核函数的中心向量,c4,s,1(t)是c4,s(t)的第一维变量,取值范围为[-1,1],c4,s,2(t)是c4,s(t)的第二维变量,取值范围为[-1,1];σ3,s(t)是t时刻除磷任务中出水总磷模型第s个核函数的宽度且取值范围为[0,2],σ4,s(t)是t时刻除磷任务中能耗模型第s个核函数的宽度且取值范围为[0,2];
污水处理过程多任务优化目标模型为:
minimize F(t)=[F1(t), F2(t)] (5)
其中,F(t)是t时刻污水处理过程的多任务优化模型,
F1(t)=[fa(t),fb(t)] (6)
F2(t)=[fc(t),fd(t)] (7)
其中,F1(t)是t时刻污水处理过程的脱氮任务模型,F2(t)是t时刻污水处理过程的除磷任务模型;
(2)基于自适应知识迁移策略的多任务优化控制方法设计
1)基于自适应知识迁移策略的多任务粒子群优化算法求解设定值
利用自适应知识迁移策略,根据粒子群的进化状态,调整脱氮任务与除磷任务间的知识迁移强度,使多个任务同时收敛,获取溶解氧和硝态氮的优化设定值;
①设置优化过程的总迭代次数为100、粒子群规模为100、任务数为2,初始化档案库为空集,随机初始化粒子的速度和位置,St(0)为t时刻随机初始化的最优解集,Dt(0)为t时刻初始化的多样性指标且取值为0,Qt(0)为t时刻初始化的知识迁移概率且取值为1,Lt(0)为t时刻随机初始化的粒子位置档案库;
②基于自适应知识迁移策略的多任务粒子群优化算法以脱氮、除磷和降耗为目标,建立数据驱动的污水处理过程多任务优化模型:minimize F(t)=[F1(t),F2(t)];
③进化将从第一代开始,将溶解氧和硝态氮作为输入,对F(t)进行求解;
④计算粒子的多任务适应度和对应的技能因素,按照技能因素将粒子划分到不同的群组中,并对粒子进行适应度排序;
⑤设计自适应知识迁移策略:
记录粒子的收敛性和多样性:
Qt(τ)=Qt(τ-1) (10)
其中,Qt(τ)为t时刻第τ次迭代的知识迁移概率;
生成随机数rand∈[0,1],如果rand<Qt(τ),则进行知识迁移,粒子速度更新公式为
其中,vti(τ)是t时刻第i个粒子在第τ次迭代时的速度;xti(τ)是t时刻第i个粒子在第τ次迭代的位置;pti(τ)是t时刻第i个粒子在第τ次迭代时个体最优位置,gt(τ)是在t时刻第τ次迭代时的全局最优位置;p* gt(τ)是t时刻第τ次迭代的知识迁移项,为随机选取的全局最优解;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是知识迁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是知识迁移项随机数且取值范围为[0,1];
如果随机数rand≥Qt(τ),则不进行知识迁移,粒子速度更新公式为:
vti(τ+1)=ωvti(τ)+c1r1(pti(τ)-xti(τ))+c2r2(gt(τ)-xti(τ)) (14)
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Lt(τ-1)中的解进行比较,Lt(τ-1)=[lt1(τ-1),lt2(τ-1),ltn(τ-1),…,lt100(τ-1)],ltn(τ-1)是t时刻第τ-1次迭代的档案库中第n个最优解,n为整数且取值范围为[1,100],如果F(ltn(τ-1))≥F(pti(τ)),F(ltn(τ-1))是ltn(τ-1)的适应度向量,F(pti(τ))是pti(τ)的适应度向量,则将pti(τ)保存到档案库中,生成新的第τ代档案库Lt(τ);如果F(ltn(τ-1))<F(pti(τ)),则第τ代档案库Lt(τ)与第τ-1代档案库Lt(τ-1)相同;
⑦判断是否停止迭代:若当前迭代次数τ≥100,则终止迭代过程并转到步骤⑧,若当前迭代次数τ<100,迭代次数τ增大1,并返回步骤④;
⑧在档案库Lt(100)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;2)优化设定值跟踪控制
利用PID控制器对优化设定值进行跟踪控制,对溶解氧传递系数与内回流量进行调整,实现污水处理过程的多任务优化控制;
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;e(t)=u*(t)-y(t)是t时刻的控制误差向量,y(t)=[SNO(t),SO(t)]T是t时刻的实际输出向量;Kp是比例系数矩阵,Hl是积分系数矩阵,Hd是微分系数矩阵;
②调整溶解氧传递系数与内回流量:
KLa(t+1)=KLa(t)+ΔKLa(t) (19)
Qa(t+1)=Qa(t)+ΔQa(t) (20)
其中,KLa(t)是t时刻的溶解氧传递系数,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多任务优化控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110998336.1A CN113867276B (zh) | 2021-08-27 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110998336.1A CN113867276B (zh) | 2021-08-27 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113867276A true CN113867276A (zh) | 2021-12-31 |
CN113867276B CN113867276B (zh) | 2024-07-09 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115562041A (zh) * | 2022-11-03 | 2023-01-03 | 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 (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106698642A (zh) * | 2016-12-29 | 2017-05-24 | 北京工业大学 | 一种污水处理过程多目标实时优化控制方法 |
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 |
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 |
US20190359510A1 (en) * | 2018-05-23 | 2019-11-28 | Beijing University Of Technology | Cooperative optimal control method and system for wastewater treatment process |
CN110716432A (zh) * | 2019-10-14 | 2020-01-21 | 北京工业大学 | 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 |
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 |
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 (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106698642A (zh) * | 2016-12-29 | 2017-05-24 | 北京工业大学 | 一种污水处理过程多目标实时优化控制方法 |
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 |
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 |
US20190359510A1 (en) * | 2018-05-23 | 2019-11-28 | Beijing University Of Technology | Cooperative optimal control method and system for wastewater treatment process |
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 |
US20200385286A1 (en) * | 2019-06-10 | 2020-12-10 | Beijing University Of Technology | Dynamic multi-objective particle swarm optimization-based optimal control method for wastewater treatment process |
CN110716432A (zh) * | 2019-10-14 | 2020-01-21 | 北京工业大学 | 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 |
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 |
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 (2)
Title |
---|
赵小强;李丽娟;冯小林;: "基于改进多目标布谷鸟算法的污水处理优化控制方法", 兰州理工大学学报, no. 01, 15 February 2020 (2020-02-15) * |
韩红桂;张璐;乔俊飞;: "基于多目标粒子群算法的污水处理智能优化控制", 化工学报, no. 04, 30 April 2017 (2017-04-30) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115562041A (zh) * | 2022-11-03 | 2023-01-03 | 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 |
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 | |
CN110161995B (zh) | 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 | |
CN106873379B (zh) | 一种基于迭代adp算法的污水处理最优控制方法 | |
CN105404151B (zh) | 污水处理过程动态多目标优化控制方法 | |
CN106698642B (zh) | 一种污水处理过程多目标实时优化控制方法 | |
CN108549234B (zh) | 一种基于动态变值的多目标优化控制方法 | |
CN109711070A (zh) | 一种基于活性污泥水处理的溶解氧浓度优化方法 | |
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 | |
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 | |
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 | |
CN114488822B (zh) | 基于高维多目标进化算法的智能污水处理过程优化方法 | |
Han et al. | Robust optimal control for anaerobic-anoxic-oxic reactors | |
CN111484124A (zh) | 一种污水处理智能控制与生化工艺集约方法及系统 | |
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 | |
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 | |
Hao et al. | Model-based evaluation of oxygen consumption in a partial nitrification–anammox biofilm process | |
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 | |
Ostace et al. | Operational costs reduction for the WWTP by means of substrate to dissolved oxygen correlation, a simulation study | |
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 | |
Qiao et al. | Recurrent neural network-based control for wastewater treatment process | |
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 | |
Fan et al. | Dynamic analysis and optimal feedback control synthesis applied to biological waste treatment | |
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 | |
Shi et al. | Neural network predictive optimal control for wastewater treatment | |
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 |