CN114488822B - 基于高维多目标进化算法的智能污水处理过程优化方法 - Google Patents

基于高维多目标进化算法的智能污水处理过程优化方法 Download PDF

Info

Publication number
CN114488822B
CN114488822B CN202210379866.2A CN202210379866A CN114488822B CN 114488822 B CN114488822 B CN 114488822B CN 202210379866 A CN202210379866 A CN 202210379866A CN 114488822 B CN114488822 B CN 114488822B
Authority
CN
China
Prior art keywords
reference line
population
solution
solutions
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.)
Active
Application number
CN202210379866.2A
Other languages
English (en)
Other versions
CN114488822A (zh
Inventor
张量
方立刚
刘刚
鲜学丰
李勇
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.)
Jiangsu Modern Enterprise Informatization Application & Support Software Engineering Technology Research & Development Center
Original Assignee
Jiangsu Modern Enterprise Informatization Application & Support Software Engineering Technology Research & Development Center
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 Jiangsu Modern Enterprise Informatization Application & Support Software Engineering Technology Research & Development Center filed Critical Jiangsu Modern Enterprise Informatization Application & Support Software Engineering Technology Research & Development Center
Priority to CN202210379866.2A priority Critical patent/CN114488822B/zh
Publication of CN114488822A publication Critical patent/CN114488822A/zh
Application granted granted Critical
Publication of CN114488822B publication Critical patent/CN114488822B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F3/00—Biological treatment of water, waste water, or sewage
    • C02F3/02—Aerobic processes
    • C02F3/12—Activated sludge processes
    • 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]
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2203/00—Apparatus and plants for the biological treatment of water, waste water or sewage
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/005—Processes using a programmable logic controller [PLC]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W10/00—Technologies for wastewater treatment
    • Y02W10/10—Biological treatment of water, waste water, or sewage

Landscapes

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

Abstract

本发明涉及一种基于高维多目标进化算法的智能污水处理过程优化方法，包括输入目标函数耗氧速率、氧转移效率、能耗和最大迭代次数；初始化种群，生成包含
Figure 706037DEST_PATH_IMAGE001
的解集S 0,
Figure 737447DEST_PATH_IMAGE002
,
Figure 530302DEST_PATH_IMAGE003
和
Figure 393084DEST_PATH_IMAGE004
分别表示鼓风机鼓风量、阀门流量和加药量；生成新的解集S’；将S 0和S’合并为待选种群S G ，在S G 中选择最优非支配解得到种群S G+1，使用动态参考线改进后的RVEA进化算法对S G 中剩余的解进行寻优得到种群S G+1’；将S G+1和S G+1’进行合并，当达到最大迭代次数时，获得一组候选可行解的集合S x ，从S x 中选择控制参数向量
Figure 834430DEST_PATH_IMAGE005
进行实际控制。本发明提升了智能优化算法的速度，使其能够更好地适应动态变化场景。

Description

基于高维多目标进化算法的智能污水处理过程优化方法
技术领域
本发明涉及智能污水处理技术领域，尤其是指一种基于高维多目标进化算法的智能污水处理过程优化方法。
背景技术
污水处理厂作为城市可持续发展的重要基础设施，其重要功能是将生活或者工业污水集中收集和处理后送达不同的回用目标或排入水环境中，从而降低污染物对水环境的污染。目前，污水处理厂广泛采用的污水处理方法是生物处理法，其中“活性污泥法”是去除有机污染物最有效的方法之一，其工艺布局如图1所示。曝气是活性污泥法污水处理过程中的主要环节，也是能耗最大的环节，通过鼓风机向曝气池中充入适当氧气以保持好氧区中溶解氧（Dissolved oxygen, S o ）浓度以及通过回流泵回流污水以保持缺氧区的硝态氮（Nitrate nitrogen, S NO ）浓度，其需要大量的电力能量供给。近年来，污水处理厂在“提标改造”过程中不得不使“溶解氧”和“硝态氮”维持于一个较高的运行水平，以便得到满意的出水水质。但过高的曝气量并非能取得最佳效果，首先，提供的氧气越多，耗能越高；其次，过高的曝气量会对微生物生存环境甚至对整个工艺产生负面影响。
总的来说，曝气量对污水处理的影响可归纳为以下几点：1）目前污水处理厂的曝气量普遍较高，在污水处理厂中占45%～80%的能耗；2）在实际的污水处理过程中，曝气量很难精准控制。曝气量过低会影响硝化反应，过高则会影响缺氧池的反硝化；3）由于进水负荷处在不断变化中，当进水负荷低、曝气量高时，会导致过曝而发生污泥解体。上述状况均会导致能源和成本的极具提高，产生“高能耗、高成本、低收益”的现象。因此，曝气的精准控制对于提高出水水质、降低运行能耗、节约运营成本具有重要意义。
现有的主流的曝气控制方法通过精细化计算、智能化推理和决策来调整阀门及风量等，一定程度上克服了传统曝气控制系统的缺点，可大幅度节约能耗，降低污水处理成本。其大致又可以细分为“精确曝气控制”和“智能曝气控制”，“精确曝气控制”以模型计算为核心，包括：溶解氧模型－阀门－风机风量调控策略、氨氮模型－阀门－风机风量调控策略、OUR (oxygen uptake rate，耗氧速率)、OTE(oxygen transfer efficiency，氧转移效率)模型－阀门－风机风量调控策略等。“智能曝气控制”是自动控制发展的高级阶段，其通过置入智能化系统，融入人类感知和决策能力，模拟人类操作，可对系统中的主要控制参数和冲突目标进行动态寻优和联合决策，在系统面临各种突发状况时可进行高效处理[7]，从而进一步提升污水处理的效率，降低能耗和成本。其中智能曝气控制技术是现有技术中最具代表性也最有前景的技术，主要可分为“单目标智能优化”和“多目标智能优化”两大类，其中“单目标智能优化”方案通常将能耗或者由能耗和水质组成的加权函数作为最终的目标，例如：非专利文献1（Ostace G S, Baeza J A, Guerrero J, Guisasola A, Cristea VM, Agachi P S, Lafuente J. Development and economic assessment of differentWWTP control strategies for optimal simultaneous removal of carbon, nitrogenand phosphorus. Computers and Chemical Engineering, 2013, 53: 164−177.）采用模式搜索算法(Pattern search, PS)优化溶解氧设定值，结果显示总成本下降7%。非专利文献2（Qiao J F, Bo Y C, Chai W, Han H G. Adaptive optimal control for awastewater treatment plant based on a data-driven method. Water Science and Technology, 2013, 67(10): 2314 −2320.）采用数据驱动的自适应优化控制器（Datadriven adaptive optimization control, DDAOC）优化能耗和出水水质构成的目标函数，结果显示能耗降低8.5%。其缺点在于：其主要对溶解氧进行优化控制，优化目标以能耗为主，或者利用权值将多优化目标合并为一个优化函数，该类方案没有考虑不同目标之间的相互关系（特别是相互冲突的关系）。另外“多目标智能优化”方案有非专利文献3（Hreiz R,Roche N, Benyahia B, Latifi M A. Multi-objective optimal control of small-size wastewater treatment plants. Chemical Engineering Research and Design,2015, 102: 345 −353.）采用多目标遗传算法同时优化出水水质和操作成本，取得了两者之间的较好平衡。非专利文献4（Qiao J F, Zhang W. Dynamic multi-objectiveoptimization control for wastewater treatment process. Neural Computing and Applications, 2016. 1−11, DOI: 10.1007/s00521- 016-2642-8.）采用模糊神经网络建立能耗和出水水质数据驱动模型，并使用NSGA-II构建动态多目标优化控制方法（Dynamicmulti-objective optimization control, DMOOC）对其进行优化，结果显示能耗降低了4.94%。其缺点在于：其考虑到了“能耗”和“出水水质”两个目标之间呈现相互冲突的特性，利用多目标优化算法同时优化多个目标，但只考虑了两个目标下的优化，采用的算法不能适应三个以上或更多目标；同时，由于多目标优化算法需要多次迭代才能得到最优解，在实际应用中耗时过大，不能适应工况快速变动的情况。
最新研究表明OUR（耗氧速率）和OTE（氧转移效率）这2个参数能够更加准确地反映微生物分解污染物的效率，然而现有智能控制技术仍然是基于传统的溶解氧、氨氮参数进行计算寻优，即上述“单目标智能优化”方案和“多目标智能优化”方案均不支持基于OUR与OTE的联合智能优化。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术存在的问题，提出一种基于高维多目标进化算法的智能污水处理过程优化方法，其利用使用动态参考线改进后的RVEA进化算法对耗氧速率、氧转移效率和能耗进行三目标联合优化，更精确的计算出当前时刻所需的曝气量，以实现曝气量的供需平衡，提高出水水质、降低运行能耗，提升了智能优化算法的速度，使其能够更好地适应动态变化场景。
为解决上述技术问题，本发明提供一种基于高维多目标进化算法的智能污水处理过程优化方法，包括以下步骤：
步骤1：输入目标函数
Figure 100002_DEST_PATH_IMAGE001
，
Figure 100002_DEST_PATH_IMAGE002
，最大迭代次 数G和种群数量q，其中
Figure 97622DEST_PATH_IMAGE001
分别为耗氧速率、氧转移效率和能耗，
Figure 100002_DEST_PATH_IMAGE003
,
Figure 100002_DEST_PATH_IMAGE004
和
Figure 100002_DEST_PATH_IMAGE005
分别表示鼓风机鼓风量、阀门流量和加药量；
步骤2：初始化种群，在搜索空间范围内生成包含多个解
Figure 996788DEST_PATH_IMAGE002
的 解集S 0, 迭代次数
Figure 100002_DEST_PATH_IMAGE006
，
Figure 464940DEST_PATH_IMAGE003
,
Figure 188046DEST_PATH_IMAGE004
和
Figure 97358DEST_PATH_IMAGE005
分别表示鼓风机鼓风量、阀门流量和加药量；
步骤3：当迭代次数
Figure 100002_DEST_PATH_IMAGE007
＜G时，使用交叉变异操作生成新的解集S’；
步骤4：将步骤2得到的解集S 0和步骤3得到的解集S’进行合并，得到待选种群S G ，在所述待选种群S G 中选择最优非支配解，得到新的种群S G+1，并使用动态参考线改进后的RVEA进化算法对待选种群S G 中剩余的解进行寻优，得到新的种群S G+1’；
步骤5：将种群S G+1中的最优非支配解和种群S G+1’中的优选解进行合并，不断迭代 循环，当达到最大迭代次数G时，获得一组候选可行解的集合S x ，从所述集合S x 中选择控制参 数向量
Figure 100002_DEST_PATH_IMAGE008
在污水处理过程中进行实际控制，其中
Figure 100002_DEST_PATH_IMAGE009
，
Figure 100002_DEST_PATH_IMAGE010
分别表示优化后得到的鼓风机鼓风量、阀门流量和加药量。
在本发明的一个实施例中，在步骤2中，初始化种群的方法包括：
使用随机函数随机产生N个数组成初始种群。
在本发明的一个实施例中，在步骤3中，使用交叉变异操作生成新的解集S’的方法包括：
交叉操作：首先随机生成一组0到1之间的随机数
Figure 100002_DEST_PATH_IMAGE011
，通过公式（1）计算出
Figure 100002_DEST_PATH_IMAGE012
；从 解集S 0中随机选择两个解，将第一个解的部分和第二个解的部分进行交叉，该交叉过程通 过如下公式（2）和（3）模拟：
Figure 100002_DEST_PATH_IMAGE013
（1），
Figure 100002_DEST_PATH_IMAGE014
（2），
Figure 100002_DEST_PATH_IMAGE015
（3），
其中，
Figure 100002_DEST_PATH_IMAGE016
表示第k个解，
Figure 100002_DEST_PATH_IMAGE017
表示第u个解，
Figure 100002_DEST_PATH_IMAGE018
表示由式（1）计算得到的一个随机的交 叉概率，
Figure 100002_DEST_PATH_IMAGE019
表示由第k个解交叉出的新解，
Figure 100002_DEST_PATH_IMAGE020
表示由第u个解交叉出的新解，
Figure 100002_DEST_PATH_IMAGE021
表示种群数量，
Figure 100002_DEST_PATH_IMAGE022
表示迭代次数；
变异操作：随机选取一个变异率将一个解加上一个偏移值
Figure 100002_DEST_PATH_IMAGE023
模拟变异实现，其中 偏移值
Figure 645452DEST_PATH_IMAGE023
通过如下公式（4）生成：
Figure 100002_DEST_PATH_IMAGE024
（4），
其中，
Figure 335322DEST_PATH_IMAGE011
为随机生成的0到1之间的随机数。
在本发明的一个实施例中，在步骤4中，在所述待选种群中选择最优非支配解的方法包括：
使用所述待选种群S G 中的所有解对应地控制实际的鼓风机鼓风量、阀门流量和加药量，通过传感器读取耗氧速率、氧转移效率和能耗，将满足条件的解挑选出来构成新的种群S G+1，其中条件为耗氧速率、氧转移效率和能耗均小于设定的阈值。
在本发明的一个实施例中，在步骤4中，使用动态参考线改进RVEA进化算法的方法包括：
当迭代次数
Figure 862118DEST_PATH_IMAGE007
=0时，获取原始参考线集合，对每个原始参考线进行等分，得到在每 个原始参考线上均匀分布的参考点，计算所有参考点的数量，将参考点与原点连接构成参 考线，得到参考线集合；
当迭代次数
Figure 625937DEST_PATH_IMAGE007
≠0时，则使用自适应参考线调整策略调整上一次迭代的参考线集 合，得到新的参考线集合。
在本发明的一个实施例中，使用自适应参考线调整策略调整上一次迭代的参考线集合，得到新的参考线集合包括：
对于上一次迭代得到的参考线集合中的每一条参考线，计算该次迭代得到的待选种群S G 中的所有解到该参考线的距离，寻找距离该参考线最近的两个解；
更新每一条参考线距离其最近的两个解的中点位置，得到新的参考线集合。
在本发明的一个实施例中，更新参考线的矢量表达式如下：
Figure 100002_DEST_PATH_IMAGE025
（5）
其中，
Figure 100002_DEST_PATH_IMAGE026
和
Figure 100002_DEST_PATH_IMAGE027
表示距离上一次迭代得到的参考线最近的两个解，
Figure 100002_DEST_PATH_IMAGE028
表示更 新后的参考线。
此外，本发明还提供一种计算机装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述所述方法的步骤。
并且，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述所述方法的步骤。
还有，本发明还提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述所述方法的步骤。
本发明的上述技术方案相比现有技术具有以下优点：
1、本发明利用使用动态参考线改进后的RVEA进化算法对耗氧速率、氧转移效率和能耗进行三目标联合优化，更精确的计算出当前时刻所需的曝气量，以实现曝气量的供需平衡，提高出水水质、降低运行能耗，提升了智能优化算法的速度，使其能够更好地适应动态变化场景；
2、针对已有智能寻优算法迭代速度慢以及对高动态场景适应性不佳的问题，本发明采用改进的RVEA进化算法快速迭代实现高效的动态参数优化，能够在复杂、不规则问题上快速收敛。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明。
图1是污水处理的工艺布局图。
图2是本发明一种基于高维多目标进化算法的智能污水处理过程优化方法的示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
问题描述：
Figure DEST_PATH_IMAGE029
Figure DEST_PATH_IMAGE030
其中，
Figure DEST_PATH_IMAGE031
分别为OUR（耗氧速率）、OTE（氧转移效率）和OCI（能 耗），即
Figure 776558DEST_PATH_IMAGE031
在使用控制参数
Figure 360248DEST_PATH_IMAGE030
控制鼓风机鼓风量、阀门流 量和加药量后，污水处理池内耗氧速率、氧转移效率和能耗值（即
Figure 690736DEST_PATH_IMAGE031
）均 可以由传感器测得。
基于上述内容，请参阅图2所示，本发明实施例提供一种基于高维多目标进化算法的智能污水处理过程优化方法，包括以下步骤：
步骤1：输入目标函数
Figure 309061DEST_PATH_IMAGE001
，
Figure 66801DEST_PATH_IMAGE002
，最大迭代次 数G和种群数量q，其中
Figure 636323DEST_PATH_IMAGE001
分别为耗氧速率、氧转移效率和能耗，
Figure 239343DEST_PATH_IMAGE003
,
Figure 243333DEST_PATH_IMAGE004
和
Figure 640816DEST_PATH_IMAGE005
分别表示鼓风机鼓风量、阀门流量和加药量；
步骤2：初始化种群，在搜索空间范围内生成包含多个解
Figure 476397DEST_PATH_IMAGE002
的 解集S 0, 迭代次数
Figure 883107DEST_PATH_IMAGE006
，
Figure 708981DEST_PATH_IMAGE003
,
Figure 841147DEST_PATH_IMAGE004
和
Figure 119682DEST_PATH_IMAGE005
分别表示鼓风机鼓风量、阀门流量和加药量；
步骤3：当迭代次数
Figure 595663DEST_PATH_IMAGE007
＜G时，使用交叉变异操作生成新的解集S’；
步骤4：将步骤2得到的解集S 0和步骤3得到的解集S’进行合并，得到待选种群S G ，在所述待选种群S G 中选择最优非支配解，得到新的种群S G+1，并使用动态参考线改进后的RVEA进化算法对待选种群S G 中剩余的解进行寻优，得到新的种群S G+1’；
步骤5：将种群S G+1中的最优非支配解和种群S G+1’中的优选解进行合并，不断迭代 循环，当达到最大迭代次数G时，获得一组候选可行解的集合S x ，从所述集合S x 中选择控制参 数向量
Figure 43087DEST_PATH_IMAGE008
在污水处理过程中进行实际控制，其中
Figure 579110DEST_PATH_IMAGE009
，
Figure 344941DEST_PATH_IMAGE010
分别表示优化后得到的鼓风机鼓风量、阀门流量和加药量。
在本发明公开的一种基于高维多目标进化算法的智能污水处理过程优化方法中，使用OUR（耗氧速率）和OTE（氧转移效率）这2个更加能够反映微生物分解污染物所需的氧气的参数，其可以代替传统的溶解氧和氨氮2个参数目标，结合“综合能耗”目标进行三目标联合优化，可以更精确计算出当前时刻所需的曝气量，以实现曝气量的供需平衡。
在本发明公开的一种基于高维多目标进化算法的智能污水处理过程优化方法中，在步骤2中，初始化种群的方法包括使用随机函数随机产生N个数组成初始种群。
在本发明公开的一种基于高维多目标进化算法的智能污水处理过程优化方法中，在步骤3中，使用交叉变异操作生成新的解集S’的方法包括：
交叉操作：首先随机生成一组0到1之间的随机数
Figure 594919DEST_PATH_IMAGE011
，通过公式（1）计算出
Figure 926543DEST_PATH_IMAGE012
；从 解集S 0中随机选择两个解，将第一个解的部分和第二个解的部分进行交叉，该交叉过程通 过如下公式（2）和（3）模拟：
Figure 367889DEST_PATH_IMAGE013
（1），
Figure 122480DEST_PATH_IMAGE014
（2），
Figure 940264DEST_PATH_IMAGE015
（3），
其中，
Figure 595236DEST_PATH_IMAGE016
表示第k个解，
Figure 708948DEST_PATH_IMAGE017
表示第u个解，
Figure 449371DEST_PATH_IMAGE018
表示由式（1）计算得到的一个随机的交 叉概率，
Figure 805266DEST_PATH_IMAGE019
表示由第k个解交叉出的新解，
Figure 81788DEST_PATH_IMAGE021
表示种群数量，
Figure DEST_PATH_IMAGE032
是新解的编 号，新产生的解排在原有
Figure 927254DEST_PATH_IMAGE021
个解之后的第k个解后面，
Figure 922017DEST_PATH_IMAGE022
表示迭代次数，迭代几次就在后面产 生几个解，同样的，
Figure DEST_PATH_IMAGE033
表示由第u个解交叉出的新解，排在原有
Figure 143919DEST_PATH_IMAGE021
个解之后的第u个解 后面，迭代几次就在后面产生几个解；
变异操作：随机选取一个变异率将一个解加上一个偏移值
Figure 528809DEST_PATH_IMAGE023
模拟变异实现，其中 偏移值
Figure 217280DEST_PATH_IMAGE023
通过如下公式（4）生成：
Figure 932295DEST_PATH_IMAGE024
（4），
其中，
Figure 397036DEST_PATH_IMAGE011
为随机生成的0到1之间的随机数。
在本发明公开的一种基于高维多目标进化算法的智能污水处理过程优化方法中，在步骤4中，在所述待选种群S G 中选择最优非支配解的方法包括：
使用所述待选种群S G 中的所有解对应地控制实际的鼓风机鼓风量、阀门流量和加药量，通过传感器读取耗氧速率、氧转移效率和能耗，将满足条件的解挑选出来构成新的种群S G+1，其中条件为耗氧速率、氧转移效率和能耗均小于设定的阈值。具体地，使用所述待选种群S G 中的每一个解对应地去控制实际的鼓风机鼓风量、阀门流量和加药量；然后通过传感器读取OURk（耗氧速率）、OTEk（氧转移效率）和OCIk（能耗），将同时满足以下条件的解筛选出来，其筛选条件如下：OURk<OURi 并且OTEk< OTEi 并且OCIk<OCIi，其中，OURi、OTEi和OCIi分别表示设定的耗氧速率阈值、氧转移效率阈值和能耗阈值；剩下的不满足条件的解，再进入下一步的改进后的RVEA进化算法的寻优步骤。
在本发明公开的一种基于高维多目标进化算法的智能污水处理过程优化方法中，在步骤4中，使用动态参考线改进RVEA进化算法的方法包括：
当迭代次数
Figure 615528DEST_PATH_IMAGE007
=0时，获取原始参考线集合，对每个原始参考线进行等分，得到在每 个原始参考线上均匀分布的参考点，计算所有参考点的数量，将参考点与原点连接构成参 考线，得到参考线集合，具体为：取鼓风机鼓风量、阀门流量和加药量三个变量的最大值，从 0到变量可取的最大值进行等分（本专利中为12等分）得到一组参考点，由原点和参考点连 线得到参考线。上述总参考点数量的计算公式为
Figure DEST_PATH_IMAGE034
，其中D表示目 标数量，由于本发明为三目标，因此本发明D=3，p表示每个原始参考线上的分段数，本发明p =12，因此本发明D维超平面上均匀分布的参考点（共91个）表达式为
Figure DEST_PATH_IMAGE035
，其中，
Figure DEST_PATH_IMAGE036
，
Figure DEST_PATH_IMAGE037
表示第j维第i个等分点（参考点） 的值，本发明中H=91；然后将参考点与原点连接构成参考线，并除以长度，得到参考线集合， 如下式所示：
Figure DEST_PATH_IMAGE038
，其中，
Figure DEST_PATH_IMAGE039
表示由原点和参考点
Figure DEST_PATH_IMAGE040
连线组成的参考线。至此，参 考线集合可以表示为
Figure DEST_PATH_IMAGE041
，其中
Figure DEST_PATH_IMAGE042
表示迭代次数，即该参考线集 合目前迭代到第几代。
当迭代次数
Figure 992676DEST_PATH_IMAGE007
≠0时，则使用自适应参考线调整策略调整上一次迭代的参考线集 合
Figure DEST_PATH_IMAGE043
，得到新的参考线集合
Figure DEST_PATH_IMAGE044
，具体包括：对于上一次迭代得到的参考线集合
Figure 352244DEST_PATH_IMAGE043
中 的每一条参考线，计算该次迭代得到的待选种群S G 中的所有解到该参考线的距离
Figure DEST_PATH_IMAGE045
，寻找距离该参考线最近的两个解
Figure DEST_PATH_IMAGE046
；更新每一条参 考线距离其最近的两个解
Figure 276469DEST_PATH_IMAGE046
的中点位置，得到新的参考线集合
Figure DEST_PATH_IMAGE047
，其中更新频率
Figure DEST_PATH_IMAGE048
，G为最大迭代次数， 其中上述更新参考线的矢量表达式如下：
Figure 37883DEST_PATH_IMAGE025
其中，
Figure 846919DEST_PATH_IMAGE026
和
Figure 270947DEST_PATH_IMAGE027
表示距离上一次迭代得到的参考线最近的两个解，
Figure 841605DEST_PATH_IMAGE028
表示更 新后的参考线。
在本发明公开的一种基于高维多目标进化算法的智能污水处理过程优化方法中，本发明利用使用动态参考线改进后的RVEA进化算法对耗氧速率、氧转移效率和能耗进行三目标联合优化，更精确的计算出当前时刻所需的曝气量，以实现曝气量的供需平衡，提高出水水质、降低运行能耗，提升了智能优化算法的速度，使其能够更好地适应动态变化场景。
在本发明公开的一种基于高维多目标进化算法的智能污水处理过程优化方法中，针对已有智能寻优算法迭代速度慢以及对高动态场景适应性不佳的问题，本发明采用改进的RVEA进化算法快速迭代实现高效的动态参数优化，能够在复杂、不规则问题上快速收敛。
在实际应用时，随机设置一组鼓风机鼓风量、阀门流量和加药量，本发明的鼓风机是指给水池加氧气的鼓风机，阀门是指控制污水流量的阀门，加药量是指加入处理污水的药剂量，每个迭代周期（如20分钟）结束后，读取污水处理系统耗氧速率、氧转移效率和能耗值，通过本发明方法得到优化的鼓风机鼓风量、阀门流量和加药量，使用优化后的值重新控制污水处理系统，如此循环，直到系统耗氧速率、氧转移效率和能耗值趋于稳定（不再变化），或达到最大迭代次数。当污水处理环境发生较大变化（如更换药剂，污水污染程度等）时，手动重启程序，自动调整最优的鼓风机鼓风量、阀门流量和加药量，使得整个系统在最优的污水处理效果前提下，实现能耗最小。
本发明通过智能化动态地控制鼓风机鼓风量、阀门流量和加药量实现了对耗氧速率、氧转移效率和能耗指标的联合优化，实现了污水处理中鼓风（曝气）、污水流量和加药的无人化稳定运行。在出水水质达到国家标准的前提下，使用本发明方法实现智能污水处理过程优化与未使用本发明方法对智能污水处理过程进行优化的对比来看，本发明年平均节电可以达到20%。
为进一步说明本发明的效果，本发明首先将污水处理中对耗氧速率、氧转移效率和能耗3个指标联合优化的问题抽象成一个3目标的多目标优化问题，通过一些通用的多目标优化测试函数对本发明进行测试，共测试了3、5、10直到15个目标的情况，并使用超体积（HV）指标作为综合评价指标进行评价（数值越高越好），结果如表1和表2所示，表1是本发明方法与NSGA-III以及A-NSGA-III在处理3、5、10、15个目标联合优化问题时的性能对比示意表，其中测试函数为DTLZ1–DTLZ4；表2是本发明方法与NSGA-III以及A-NSGA-III在处理3、5、10、15个目标联合优化问题时的性能对比示意表，其中测试函数为WFG1- WFG4，两个表中加粗的数据为本发明方法取得的最优值。每个实验均独立运行30次取平均值得到HV值。采用Wilcoxon统计学检验法得到的显著性指标结果，‘+’表示对比方法显著优于本发明方法，‘-’表示对比方法显著差于本发明方法，‘≈’表示对比方法相似于本发明方法，其中超过5%为显著。
表1
Figure DEST_PATH_IMAGE049
表2
Figure DEST_PATH_IMAGE050
相应于上面的方法实施例，本发明实施例还提供了一种计算机装置，包括：
存储器，其用于存储计算机程序；
处理器，其用于执行计算机程序时实现上述基于高维多目标进化算法的智能污水处理过程优化方法的步骤。
在本发明实施例中，处理器可以为中央处理器(Central Processing Unit，CPU)、特定应用集成电路、数字信号处理器、现场可编程门阵列或者其他可编程逻辑器件等。
处理器可以调用存储器中存储的程序，具体的，处理器可以执行基于高维多目标进化算法的智能污水处理过程优化方法的实施例中的操作。
存储器中用于存放一个或者一个以上程序，程序可以包括程序代码，程序代码包括计算机操作指令。
此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件或其他易失性固态存储器件。
相应于上面的方法实施例，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述基于高维多目标进化算法的智能污水处理过程优化方法的步骤。
相应于上面的方法实施例，本发明实施例还提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述基于高维多目标进化算法的智能污水处理过程优化方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (7)

1.一种基于高维多目标进化算法的智能污水处理过程优化方法，其特征在于，包括以下步骤：
步骤1：输入目标函数
Figure DEST_PATH_IMAGE001
，
Figure DEST_PATH_IMAGE002
，最大迭代次数G和种群数量q，其中
Figure 809399DEST_PATH_IMAGE001
分别为耗氧速率、氧转移效率和能耗，
Figure DEST_PATH_IMAGE003
,
Figure DEST_PATH_IMAGE004
和
Figure DEST_PATH_IMAGE005
分别表示鼓风机鼓风量、阀门流量和加药量；
步骤2：初始化种群，在搜索空间范围内生成包含多个解
Figure 336326DEST_PATH_IMAGE002
的解集S 0, 迭代次数
Figure DEST_PATH_IMAGE006
，
Figure 647222DEST_PATH_IMAGE003
,
Figure 557278DEST_PATH_IMAGE004
和
Figure 637229DEST_PATH_IMAGE005
分别表示鼓风机鼓风量、阀门流量和加药量；
步骤3：当迭代次数
Figure DEST_PATH_IMAGE007
＜G时，使用交叉变异操作生成新的解集S’；
步骤4：将步骤2得到的解集S 0和步骤3得到的解集S’进行合并，得到待选种群S G ，在所述待选种群S G 中选择最优非支配解，得到新的种群S G+1，并使用动态参考线改进后的RVEA进化算法对待选种群S G 中剩余的解进行寻优，得到新的种群S G+1’；
步骤5：将种群S G+1中的最优非支配解和种群S G+1’中的优选解进行合并，不断迭代循环，当达到最大迭代次数G时，获得一组候选可行解的集合S x ，从所述集合S x 中选择控制参数向量
Figure DEST_PATH_IMAGE008
在污水处理过程中进行实际控制，其中
Figure DEST_PATH_IMAGE009
，
Figure DEST_PATH_IMAGE010
分别表示优化后得到的鼓风机鼓风量、阀门流量和加药量；
在步骤4中，使用动态参考线改进RVEA进化算法的方法包括：
当迭代次数
Figure 787588DEST_PATH_IMAGE007
=0时，获取原始参考线集合，对每个原始参考线进行等分，得到在每个原始参考线上均匀分布的参考点，计算所有参考点的数量，将参考点与原点连接构成参考线，得到参考线集合；
当迭代次数
Figure 320201DEST_PATH_IMAGE007
≠0时，则使用自适应参考线调整策略调整上一次迭代的参考线集合，得到新的参考线集合，包括：
对于上一次迭代得到的参考线集合中的每一条参考线，计算该次迭代得到的待选种群S G 中的所有解到该参考线的距离，寻找距离该参考线最近的两个解；
更新每一条参考线距离其最近的两个解的中点位置，得到新的参考线集合，更新参考线的矢量表达式如下：
Figure DEST_PATH_IMAGE011
（5）
其中，
Figure DEST_PATH_IMAGE012
和
Figure DEST_PATH_IMAGE013
表示距离上一次迭代得到的参考线最近的两个解，
Figure DEST_PATH_IMAGE014
表示更新后的参考线。
2.根据权利要求1所述的基于高维多目标进化算法的智能污水处理过程优化方法，其特征在于，在步骤2中，初始化种群的方法包括：
使用随机函数随机产生N个数组成初始种群。
3.根据权利要求1所述的基于高维多目标进化算法的智能污水处理过程优化方法，其特征在于，在步骤3中，使用交叉变异操作生成新的解集S’的方法包括：
交叉操作：首先随机生成一组0到1之间的随机数
Figure DEST_PATH_IMAGE015
，通过公式（1）计算出
Figure DEST_PATH_IMAGE016
；从解集S 0中随机选择两个解，将第一个解的部分和第二个解的部分进行交叉，该交叉过程通过如下公式（2）和（3）模拟：
Figure DEST_PATH_IMAGE017
（1），
Figure DEST_PATH_IMAGE018
（2），
Figure DEST_PATH_IMAGE019
（3），
其中，
Figure DEST_PATH_IMAGE020
表示第k个解，
Figure DEST_PATH_IMAGE021
表示第u个解，
Figure DEST_PATH_IMAGE022
表示由式（1）计算得到的一个随机的交叉概率，
Figure DEST_PATH_IMAGE023
表示由第k个解交叉出的新解，
Figure DEST_PATH_IMAGE024
表示由第u个解交叉出的新解，
Figure DEST_PATH_IMAGE025
表示种群数量，
Figure DEST_PATH_IMAGE026
表示迭代次数；
变异操作：随机选取一个变异率将一个解加上一个偏移值
Figure DEST_PATH_IMAGE027
模拟变异实现，其中偏移值
Figure 50259DEST_PATH_IMAGE027
通过如下公式（4）生成：
Figure DEST_PATH_IMAGE028
（4），
其中，
Figure 250296DEST_PATH_IMAGE015
为随机生成的0到1之间的随机数。
4.根据权利要求1所述的基于高维多目标进化算法的智能污水处理过程优化方法，其特征在于，在步骤4中，在所述待选种群S G 中选择最优非支配解的方法包括：
使用所述待选种群S G 中的所有解对应地控制实际的鼓风机鼓风量、阀门流量和加药量，通过传感器读取耗氧速率、氧转移效率和能耗，将满足条件的解挑选出来构成新的种群S G+1，其中条件为耗氧速率、氧转移效率和能耗均小于设定的阈值。
5.一种计算机装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至4任一项所述方法的步骤。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至4任一项所述方法的步骤。
7.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至4任一项所述方法的步骤。
CN202210379866.2A 2022-04-12 2022-04-12 基于高维多目标进化算法的智能污水处理过程优化方法 Active CN114488822B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210379866.2A CN114488822B (zh) 2022-04-12 2022-04-12 基于高维多目标进化算法的智能污水处理过程优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210379866.2A CN114488822B (zh) 2022-04-12 2022-04-12 基于高维多目标进化算法的智能污水处理过程优化方法

Publications (2)

Publication Number Publication Date
CN114488822A CN114488822A (zh) 2022-05-13
CN114488822B true CN114488822B (zh) 2022-07-05

Family

ID=81487799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210379866.2A Active CN114488822B (zh) 2022-04-12 2022-04-12 基于高维多目标进化算法的智能污水处理过程优化方法

Country Status (1)

Country Link
CN (1) CN114488822B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116495903A (zh) * 2023-01-19 2023-07-28 环浔科技(苏州)有限公司 一种氧捕捉动态do曝气控制方法和装备
CN117092908B (zh) * 2023-10-19 2024-01-02 中国标准化研究院 基于遗传算法的废水处理设备智能控制方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105243432B (zh) * 2015-09-11 2018-10-12 国家电网公司 基于nsga-ⅲ的upfc选址和容量多目标配置方法
CN106277383B (zh) * 2016-08-29 2020-05-15 尚川（北京）水务有限公司 一种基于耗氧速率测定仪的曝气控制系统与方法
CN106354014B (zh) * 2016-10-27 2019-03-22 北京工业大学 一种基于多目标差分进化算法的污水处理优化控制方法
CN107464022B (zh) * 2017-08-11 2018-07-10 同济大学 一种基于分解多目标进化算法的选址优化方法
CN107909194B (zh) * 2017-11-07 2021-07-13 电子科技大学 系统级测试性设计多目标优化方法
CN108427268B (zh) * 2018-02-26 2023-05-23 河南理工大学 一种基于知识与数据信息决策的污水处理优化控制方法

Also Published As

Publication number Publication date
CN114488822A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
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. Dynamic MOPSO-based optimal control for wastewater treatment process
CN106873379B (zh) 一种基于迭代adp算法的污水处理最优控制方法
US9747544B2 (en) Method and system for wastewater treatment based on dissolved oxygen control by fuzzy neural network
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
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
CN112062179A (zh) 用于造纸污水处理ghg减排的溶解氧分层优化控制方法
CN111762958A (zh) 基于asm2d模型的污水处理厂深井曝气工艺优化方法及装置
Piotrowski et al. Mixed integer nonlinear optimization of biological processes in wastewater sequencing batch reactor
Kim et al. Optimization of biological nutrient removal in a SBR using simulation-based iterative dynamic programming
CN111484124A (zh) 一种污水处理智能控制与生化工艺集约方法及系统
Dai et al. Modeling and performance improvement of an anaerobic–anoxic/nitrifying-induced crystallization process via the multi-objective optimization method
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
Hirsch et al. Supervisory control system for adaptive phase and work cycle management of sequencing wastewater treatment plant
CN115356930B (zh) 一种污水处理过程中的多目标优化控制系统及方法
Fan et al. Optimization control of SBR wastewater treatment process based on pattern recognition
Hirsch et al. Two-step model based adaptive controller for Dissolved Oxygen control in Sequencing Wastewater Batch Reactor
Xie et al. Modeling and multi-objective optimization for ANAMMOX process under COD disturbance using hybrid intelligent algorithm
Huang et al. Modeling and optimization of the activated sludge process
Heo et al. End-to-end autonomous and resilient operability strategy of full-scale PN-SBR system: From influent augmentation to AI-aided optimal control and scheduling
Piotrowski et al. Comparison of algorithms for hybrid nonlinear optimization problem in biological wastewater treatment plant
KR101209944B1 (ko) 다항식 기반 방사형 기저 함수 신경회로망 구조를 이용하여 활성오니처리공법을 제어하는 시뮬레이팅 방법
Swarnalatha Simulation and Analysis of Ammonium-Based Aeration Control Strategies to Enhance Efficiency in Wastewater Treatment Plant
Piotrowski Comparison of two nonlinear predictive control algorithms for dissolved oxygen tracking problem at wwtp
Subbian et al. Circular economy-based multi-objective decentralized controller for activated sludge wastewater treatment plant

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