CN114509939B - 一种i-moead算法的污水处理过程优化控制方法 - Google Patents

一种i-moead算法的污水处理过程优化控制方法 Download PDF

Info

Publication number
CN114509939B
CN114509939B CN202210033657.2A CN202210033657A CN114509939B CN 114509939 B CN114509939 B CN 114509939B CN 202210033657 A CN202210033657 A CN 202210033657A CN 114509939 B CN114509939 B CN 114509939B
Authority
CN
China
Prior art keywords
concentration
evolution
strategy
population
evolutionary
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
CN202210033657.2A
Other languages
English (en)
Other versions
CN114509939A (zh
Inventor
熊伟丽
刘传玉
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.)
Jiangnan University
Original Assignee
Jiangnan University
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 Jiangnan University filed Critical Jiangnan University
Priority to CN202210033657.2A priority Critical patent/CN114509939B/zh
Publication of CN114509939A publication Critical patent/CN114509939A/zh
Application granted granted Critical
Publication of CN114509939B publication Critical patent/CN114509939B/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

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)
  • Feedback Control In General (AREA)
  • Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)

Abstract

本发明公开了一种I‑MOEAD算法的污水处理过程优化控制方法，包括：利用最小二乘支持向量机对第五分区溶解氧浓度SO5、第二分区硝态氮浓度SNO2与出水总能耗OCI、出水水质EQI建立多目标优化模型；基于多邻域策略优化所述多目标优化模型，通优化后的多目标优化模型对第五分区溶解氧浓度SO5、第二分区硝态氮浓度SNO2的设定值进行寻优，达到出水总能耗OCI和出水水质EQI之间的最佳平衡；通过PID控制器对第五分区溶解氧浓度SO5、第二分区硝态氮浓度SNO2的最优值进行实时跟踪控制；本发明针对传统MOEA/D算法进行改进，并将其应用于污水处理过程对SO5和SNO2进行寻优，提升了出水水质和降低了能耗。

Description

一种I-MOEAD算法的污水处理过程优化控制方法
技术领域
本发明涉及污水处理过程优化控制的技术领域，尤其涉及一种I-MOEAD算法的污水处理过程优化控制方法。
背景技术
近几年，国家对污水出水水质的要求把控越来越严并且出台一系列节能政策，使得各污水处理厂在追求降低能耗保证水质的同时其运行成本也在不断增加。因此，保证各项出水参数达标的前提下，如何有效降低污水处理过程中的成本消耗，对污水处理过程实现优化控制成为一个亟待解决的问题。从生化反应机理来看，曝气量(KLai)影响着好氧区的溶解氧浓度(SO)，而厌氧区的硝态氮浓度(SNO)由内回流量(Qa)决定，因此SO对SNO的影响较大，同时，厌氧区的硝态氮又会流向好氧区，导致整个污水处理过程中出现各变量之间强耦合现象。其中能耗和出水水质两个指标具有强烈的制约特性，因为SO和SNO是决定出水水质的两个关键因素，可以通过鼓风机和回流泵分别对两者进行调节，但其运行会产生大量能耗。所以，能耗和出水水质的优化问题最终是一个多目标优化问题。因此，以能耗和出水水质作为优化目标建立多目标优化模型，对SO和SNO的设定值进行寻优能够在保证出水水质达标的情况下有效的降低能耗。
由于单目标优化控制很难做到同时兼顾能耗和出水水质这两个指标，一般会侧重于考虑能耗指标，从而导致出水水质提升较少。而多目标优化控制则能够在优化一个指标的同时兼顾另一个指标，在对SO和SNO设定值寻优的过程中，会综合考虑降低能耗和提升出水水质，达到同时优化的目的。因此，过去十年里，在污水处理过程优化控制领域中，多目标优化控制渐渐成为研究的主流。多目标进化算法的收敛性和分布性是评估算法优劣的关键因素，目前还有一些算法的收敛性和分布性稍有不足，虽然多目标优化控制方法能够同时优化能耗和出水水质，但是算法的优劣直接决定优化的程度。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
为解决上述技术问题，本发明提供如下技术方案：
作为本发明所述的I-MOEAD算法的污水处理过程优化控制方法的一种优选方案，其中：利用最小二乘支持向量机对第五分区溶解氧浓度SO5、第二分区硝态氮浓度SNO2与出水总能耗OCI、出水水质EQI建立多目标优化模型；基于多邻域策略优化所述多目标优化模型，通优化后的多目标优化模型对第五分区溶解氧浓度SO5、第二分区硝态氮浓度SNO2的设定值进行寻优，达到出水总能耗OCI和出水水质EQI之间的最佳平衡；通过PID控制器对第五分区溶解氧浓度SO5、第二分区硝态氮浓度SNO2的最优值进行实时跟踪控制。
作为本发明所述的I-MOEAD算法的污水处理过程优化控制方法的一种优选方案，其中：建立多目标优化模型包括，
minF(x)＝{fOCI(x),fEQI(x)}
其不等式约束为：
Figure BDA0003467476150000021
其中，minF(x)为所述多目标优化模型，x＝[SO5,SNO2]为第五分区溶解氧浓度SO5和第二分区硝态氮浓度SNO2组成的向量，fOCI(x)和fEQI(x)分别为OCI和EQI的优化目标函数表达式，SNh,e,avg和SNtot,e,avg分别为氨氮的平均浓度和总氮的平均浓度；TSSe,avg为固体悬浮物平均浓度，CODe,avg为平均化学需氧量，BOD5,e,avg为5日平均生化需氧量。
作为本发明所述的I-MOEAD算法的污水处理过程优化控制方法的一种优选方案，其中：出水总能耗OCI包括，
OCI＝AE+PE
其中，AE表示曝气能耗，PE表示泵送能耗。
作为本发明所述的I-MOEAD算法的污水处理过程优化控制方法的一种优选方案，其中：包括，
Figure BDA0003467476150000031
Figure BDA0003467476150000032
其中，t为时间，SO.sat为溶解氧的饱和浓度，T为采样周期，t0和tf分别表示开始时间和结束时间；Vi和KLai分别表示第i个生化反应池的体积和曝气量，Qa、Qr和Qw分别表示内回流量、外回流量和剩余污泥流量。
作为本发明所述的I-MOEAD算法的污水处理过程优化控制方法的一种优选方案，其中：出水水质EQI包括，
Figure BDA0003467476150000033
其中，TSS表示固体悬浮物浓度，COD表示化学需氧量，SNKj表示凯氏氮浓度，SNO表示硝态氮浓度，BOD5表示5日生化需氧量，Qe表示清水排出量。
作为本发明所述的I-MOEAD算法的污水处理过程优化控制方法的一种优选方案，其中：优化所述多目标优化模型包括，将多目标优化模型分解为N个子问题，并将每个子问题的最优解构成种群；将种群分为三个初始子种群I1、I2、I3，分别为每个初始子种群分配进化变异策略，并通过子代进化率对初始子种群的规模进行动态调整，以适应不同进化时期对进化变异策略的需求；分析种群在迭代过程中的进化状态并结合各进化变异策略搜索的范围，为每种进化变异策略分配一个邻域，使各进化变异策略能够在当前阶段适合的邻域内进行种群优化；其中，三个初始子种群I1、I2、I3的大小分别为u1、u2、u3，优化开始阶段使u1＝u2＝u3＝N/3。
作为本发明所述的I-MOEAD算法的污水处理过程优化控制方法的一种优选方案，其中：进化变异策略包括，DE/rand/1进化变异策略，其公式为：
Figure BDA0003467476150000034
DE/best/1进化变异策略，其公式为：
Figure BDA0003467476150000035
DE/rand-to-best/2进化变异策略，其公式为：
Figure BDA0003467476150000036
其中，d目标个体的索引，
Figure BDA0003467476150000037
代表第p代种群中的随机个体，rk互不相等且rk≠d；
Figure BDA0003467476150000038
表示第d代种群中表现最优的个体。
作为本发明所述的I-MOEAD算法的污水处理过程优化控制方法的一种优选方案，其中：子代进化率包括，利用多策略差分进化策略产生新个体，而后在其邻域内进行更新替换操作，等到当代中所有个体更新完成后，分别计算每种进化变异策略的子代进化率：
Figure BDA0003467476150000041
Figure BDA0003467476150000042
Figure BDA0003467476150000043
其中，p1为DE/rand/1进化变异策略的子代进化率，p2为DE/best/1进化变异策略的子代进化率，p3为DE/rand-to-best/2进化变异策略的子代进化率，gl(l＝1,2,3)表示在当代种群进化过程中且在第l个子种群内，采用当前进化变异策略产生的新个体在其相对应的邻域内能够更新个体的次数。
作为本发明所述的I-MOEAD算法的污水处理过程优化控制方法的一种优选方案，其中：包括，当得到p1、p2和p3后重新计算种群的大小：
u1'＝N×p1
u2'＝N×p2
u3'＝N-u1-u2
其中，u1'、u2'、u2'表示更新后的子种群大小。
作为本发明所述的I-MOEAD算法的污水处理过程优化控制方法的一种优选方案，其中：包括，在进化过程中，需限制p1、p2和p3的范围，若p'＜pmin，则取p'＝pmin；若p'＞xpam，则取p'＝pmax；其中，p′为p1、p2或p3，pmin＝0.15，pmax＝0.8。
本发明的有益效果：本发明针对传统MOEA/D算法进行改进，并将其应用于污水处理过程对SO5和SNO2进行寻优，提升了出水水质和降低了能耗。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明二个实施例提供的一种I-MOEAD算法的污水处理过程优化控制方法的不同邻域下的GD测试结果示意图；
图2为本发明二个实施例提供的一种I-MOEAD算法的污水处理过程优化控制方法的不同邻域下的Δ测试结果示意图；
图3为本发明二个实施例提供的一种I-MOEAD算法的污水处理过程优化控制方法的SNO2的优化设定值及跟踪效果示意图；
图4为本发明二个实施例提供的一种I-MOEAD算法的污水处理过程优化控制方法的SO5的优化设定值及跟踪效果示意图；
图5为本发明二个实施例提供的一种I-MOEAD算法的污水处理过程优化控制方法的14天内的出水水质参数变化情况示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
本发明提供了一种I-MOEAD算法的污水处理过程优化控制方法，包括：
S1：利用最小二乘支持向量机对第五分区溶解氧浓度SO5、第二分区硝态氮浓度SNO2与出水总能耗OCI、出水水质EQI建立多目标优化模型。
出水总能耗OCI为：
OCI＝AE+PE
其中，AE表示曝气能耗，PE表示泵送能耗。
Figure BDA0003467476150000061
Figure BDA0003467476150000062
其中，t为时间，SO.sat为溶解氧的饱和浓度，T为采样周期，t0和tf分别表示开始时间和结束时间；Vi和KLai分别表示第i个生化反应池的体积和曝气量，Qa、Qr和Qw分别表示内回流量、外回流量和剩余污泥流量。
出水水质EQI为：
Figure BDA0003467476150000063
其中，TSS表示固体悬浮物浓度，COD表示化学需氧量，SNKj表示凯氏氮浓度，SNO表示硝态氮浓度，BOD5表示5日生化需氧量，Qe表示清水排出量。
对于污水处理过程中的多目标优化问题，首先要确定的就是设定值与性能指标之间的关系，本方案在设计时利用最小二乘支持向量机(LSSVM)建立多目标优化模型：
minF(x)＝{fOCI(x),fEQI(x)}
其不等式约束(BSM1仿真平台为了防止出水水质超标而对水质参数设的限制)为：
Figure BDA0003467476150000071
其中，minF(x)为多目标优化模型，x＝[SO5,SNO2]为第五分区溶解氧浓度SO5和第二分区硝态氮浓度SNO2组成的向量，fOCI(x)和fEQI(x)分别为OCI和EQI的优化目标函数表达式，SNh,e,avg和SNtot,e,avg分别为氨氮的平均浓度和总氮的平均浓度；TSSe,avg为固体悬浮物平均浓度，CODe,avg为平均化学需氧量，BOD5,e,avg为5日平均生化需氧量。
其中需要说明的是，为了验证控制方案在真实污水处理过程中的可行性与优劣性，国际水质和欧盟科学技术合作组织合作开发了仿真基准模型1号(BSM1)；BSM1由一个生化反应池和一个二沉池构成，其中生化反应池中包括5个反应池：前两个为厌氧池，主要发生反硝化反应，后三个为好氧池，主要发生硝化反应。
S2：基于多邻域策略优化多目标优化模型，通优化后的多目标优化模型对第五分区溶解氧浓度SO5、第二分区硝态氮浓度SNO2的设定值进行寻优，达到出水总能耗OCI和出水水质EQI之间的最佳平衡。
具体的优化步骤为：(1)将多目标优化模型分解为N个子问题，并将每个子问题的最优解构成种群；
(2)将种群分为三个初始子种群I1、I2、I3，分别为每个初始子种群分配进化变异策略，并通过子代进化率对初始子种群的规模进行动态调整，以适应不同进化时期对进化变异策略的需求；
①进化变异策略包括DE/rand/1进化变异策略、DE/best/1进化变异策略和DE/rand-to-best/2进化变异策略，具体的：
DE/rand/1进化变异策略公式为：
Figure BDA0003467476150000072
DE/best/1进化变异策略公式为：
Figure BDA0003467476150000073
DE/rand-to-best/2进化变异策略公式为：
Figure BDA0003467476150000081
其中，d目标个体的索引，
Figure BDA0003467476150000082
代表第p代种群中的随机个体，rk互不相等且rk≠d；
Figure BDA0003467476150000083
表示第d代种群中表现最优的个体。
其中需要说明的是，DE/rand/1进化变异策略是在种群中挑选一个随机个体作为基准个体，然后由该个体与其他两个随机个体重组产生新的个体，这种策略的优点在于具有较高的全局搜索能力和全局收敛性能，而且可以使算法不易陷入局部最优，但是其收敛速度较慢；DE/best/1进化变异策略中把当代种群中表现最优的个体作为基准个体，然后由该个体与随机差分向量重组产生新的个体，该策略的优点在于其局部寻优能力突出且收敛速度快，并且继承性较强，但是其在全局搜索上的能力略差，容易使算法陷入局部最优；DE/rand-to-best/2进化变异策略首先是选择一个随机个体作为基准个体，然后以该个体和当代种群中表现最优的一个个体产生固定向量再和两个随机个体产生的向量进行重组产生新的个体，这种策略的优点在于能够很好的权衡全局搜索能力和局部寻优能力，能够很好的适应各类优化问题，但是其鲁棒性较差。
因为各种变异策略在架构以及进化模式上存在着共性，在搜索能力上有差异，使得它们之间可以相互补充，协助进化；因此，三个初始子种群I1、I2、I3的大小分别为u1、u2、u3，优化开始阶段使u1＝u2＝u3＝N/3，最后给每个子种群分配一种进化变异策略，使它们可以相互协作，共同进化。
②进一步的，分别计算子代进化率：
若采用固定种群的策略即I1、I2、I3的大小不改变，则可能会阻碍算法的进化，因为在进化过程中如果有一种进化变异策略停滞，就会影响其他两种进化变异策略的更新，也就会降低算法的整体效率和性能，因此本实施例采用的动态种群的方法去解决这个问题，即首先利用多策略差分进化策略产生新个体，而后在其邻域内进行更新替换操作，等到当代中所有个体更新完成后，分别计算每种进化变异策略的子代进化率：
Figure BDA0003467476150000084
Figure BDA0003467476150000085
Figure BDA0003467476150000086
其中，p1为DE/rand/1进化策略的子代进化率，p2为DE/best/1进化策略的子代进化率，p3为DE/rand-to-best/2进化策略的子代进化率，gl(l＝1,2,3)表示在当代种群进化过程中且在第l个子种群内，采用当前进化策略产生的新个体在其相对应的邻域内能够更新个体的次数。
在进化过程中，为了避免某一种进化策略比其他两种进化策略强的过多，导致子种群分配出现极端情况，需限制p1、p2和p3的范围，若p'＜pmin，则取p'＝pmin；若p'＞pmax，则取p'＝pmax；
其中，p′为p1、p2或p3，pmin＝0.15，pmax＝0.8。
较佳的是，本实施例优化的多目标优化模型，根据每种策略对当代种群进化的影响，实时的调整种群的规模，避免种群陷入进化停滞阶段，有效的提高了算法的收敛性和进化效率，与此同时，由于3种进化变异策略同时参与，协同进化，又保证了算法的多样性。
④当得到p1、p2和p3后重新计算种群的大小：
u1'＝N×p1
u2'＝N×p2
u3'＝N-u1-u2
其中，u1'、u2'、u2'表示更新后的子种群大小。
(3)分析种群在迭代过程中的进化状态并结合各进化变异策略搜索的范围，为每种进化变异策略分配一个邻域，使各进化变异策略能够在当前阶段适合的邻域内进行种群优化；
邻域大小是影响MOEA/D算法性能优劣的关键因素之一，而传统MOEA/D算法使用固定邻域在整个进化过程中寻优，容易造成种群进化效率降低的情况，因为在迭代过程中，算法对邻域在各个时期的需求是不相同的，并且各个变异策略对邻域的要求也是不同的。
在迭代前期，DE/rand/1进化变异策略较容易被选中，此时种群进化动力足，处于快速进化阶段，更加注重收敛性，而分布性稍显不足，因此应当适当减小邻域大小，使算法能够在快速收敛的条件下提高分布性；在迭代中期，DE/rand/1进化变异策略和DE/rand-to-best/2进化变异策略都较容易被选中，但DE/rand-to-best/2变异策略被选中的概率更大，此时种群进化动力不足，处于缓慢进化阶段，此时很难收敛到理想前沿面上，因适当增大其邻域大小，以提供进化动力，增强其收敛性，防止种群进化陷入停滞状态；在算法后期，DE/best/1进化变异策略较容易被选中，此时种群逐渐向前沿面收敛，算法进入局部调优阶段，此时要注重提高算法的分布性，应适当减小其邻域大小，提高其局部搜索，寻优替换方面的能力，使算法在收敛至前沿面上时分布更加均匀。
基于以上分析，本实施例在设计邻域时，为每种变异策略提供一个不同的邻域使各变异策略能够在迭代的前期、中期和后期，在其相对适合的邻域内，能够更好的协作进化，既能够保证算法的收敛性，又能兼顾到算法的分布性。
S3：通过PID控制器对第五分区溶解氧浓度SO5、第二分区硝态氮浓度SNO2的最优值进行实时跟踪控制。
实施例2
参照图1～5，为本发明另一个实施例，该实施例不同于第一个实施例的是，提供了一种I-MOEAD算法的污水处理过程优化控制方法及系统的验证测试，为对本方法中采用的技术效果加以验证说明，本实施例采用传统技术方案(NSGA-II、MOEA/D、MOEA/D-DE、Influent、PID、SOOC、SS-MOEA/D、BBMOPSO)与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
表1和表2给出了本方法在数值仿真上的表现，其中世代距(GenerationalDistance，GD)指标和散布性(Spread，Δ)指标是评价算法收敛性和多样性的性能指标。
表1:GD测试结果。
Dataset 本方法 NSGA-II MOEA/D MOEA/D-DE
ZDT1 1.661e-4 1.142e-3 4.842e-1 6.328e-2
ZDT2 1.109e-4 1.489e-4 9.896e-2 1.467e-2
ZDT3 6.912e-4 7.449e-3 4.434e-1 6.071e-2
ZDT4 7.265e-4 1.720e-3 8.135e-1 1.280e-1
ZDT6 9.946e-5 2.893e-3 2.285e-2 2.426e-2
表2：Δ测试结果。
Figure BDA0003467476150000101
Figure BDA0003467476150000111
从表1和表2中可以看出本方法的收敛性和分布性较传统技术方案都有所提升，因此，可以得出，本方法的性能较优。
图1和图2为本方法在不同邻域下的性能对比结果，其中将单邻域分为10、15、20、25、30与多邻域进行仿真对比，从图1和图2中可以看出用多邻域策略可以保证算法分布性的同时提高算法的收敛性，因此，结合以上分析可得，采用多邻域能够达到提高本方法性能的目的。
图3和图4为多目标优化控制SO5和SNO2的跟踪效果，从图3和图4中可以看出虽然硝态氮浓度和溶解氧浓度不断变化，但是PID控制器也能够保证很高的准确度下进行跟踪控制。
图5为14天仿真优化过程中5种污水出水参数的变化情况，从图中可以看出，BOD5、COD和TSS这3种水质参数在14天内一直满足排放标准，是从图中也可以看出SNh和SNtot这两个参数虽然在14天的过程中存在峰值超标现象，但是其14天平均值达到排放标准。
表3给出了晴朗天气工况下不同的优化控制方法得到的能耗对比以及5种出水水质对比。
表3：晴朗天气下不同优化控制方法的能耗和出水水质对比。
Figure BDA0003467476150000112
从表3中可以看出，本方法可以在保证出水水质的情况下，有效的降低能耗，证明了该方法的有效性。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种I-MOEAD算法的污水处理过程优化控制方法，其特征在于，包括：
利用最小二乘支持向量机对第五分区溶解氧浓度SO5、第二分区硝态氮浓度SNO2与出水总能耗OCI、出水水质EQI建立多目标优化模型；
基于多邻域策略优化所述多目标优化模型，通优化后的多目标优化模型对第五分区溶解氧浓度SO5、第二分区硝态氮浓度SNO2的设定值进行寻优，达到出水总能耗OCI和出水水质EQI之间的最佳平衡；
通过PID控制器对第五分区溶解氧浓度SO5、第二分区硝态氮浓度SNO2的最优值进行实时跟踪控制；
建立多目标优化模型包括，
minF(x)＝{fOCI(x),fEQI(x)}
其不等式约束为：
Figure FDA0003970952630000011
其中，minF(x)为所述多目标优化模型，x＝[SO5,SNO2]为第五分区溶解氧浓度SO5和第二分区硝态氮浓度SNO2组成的向量，fOCI(x)和fEQI(x)分别为OCI和EQI的优化目标函数表达式，SNh,e,avg和SNtot,e,avg分别为氨氮的平均浓度和总氮的平均浓度；TSSe,avg为固体悬浮物平均浓度，CODe,avg为平均化学需氧量，BOD5,e,avg为5日平均生化需氧量；
出水总能耗OCI包括，
OCI＝AE+PE
其中，AE表示曝气能耗，PE表示泵送能耗
Figure FDA0003970952630000012
Figure FDA0003970952630000021
其中，t为时间，SO.sat为溶解氧的饱和浓度，T为采样周期，t0和tf分别表示开始时间和结束时间；Vi和KLai分别表示第i个生化反应池的体积和曝气量，Qa、Qr和Qw分别表示内回流量、外回流量和剩余污泥流量；
出水水质EQI包括，
Figure FDA0003970952630000022
其中，TSS表示固体悬浮物浓度，COD表示化学需氧量，SNKj表示凯氏氮浓度，SNO表示硝态氮浓度，BOD5表示5日生化需氧量，Qe表示清水排出量；
优化所述多目标优化模型包括，
将多目标优化模型分解为N个子问题，并将每个子问题的最优解构成种群；
将种群分为三个初始子种群I1、I2、I3，分别为每个初始子种群分配进化变异策略，并通过子代进化率对初始子种群的规模进行动态调整，以适应不同进化时期对进化变异策略的需求；
分析种群在迭代过程中的进化状态并结合各进化变异策略搜索的范围，为每种进化变异策略分配一个邻域，使各进化变异策略能够在当前阶段适合的邻域内进行种群优化；
其中，三个初始子种群I1、I2、I3的大小分别为u1、u2、u3，优化开始阶段使u1＝u2＝u3＝N/3；
进化变异策略包括，
DE/rand/1进化变异策略，其公式为：
Figure FDA0003970952630000023
DE/best/1进化变异策略，其公式为：
Figure FDA0003970952630000024
DE/rand-to-best/2进化变异策略，其公式为：
Figure FDA0003970952630000025
其中，d目标个体的索引，
Figure FDA0003970952630000031
代表第p代种群中的随机个体，rk互不相等且rk≠d；
Figure FDA0003970952630000032
表示第d代种群中表现最优的个体。
2.如权利要求1所述的I-MOEAD算法的污水处理过程优化控制方法，其特征在于：子代进化率包括，
利用多策略差分进化策略产生新个体，而后在其邻域内进行更新替换操作，等到当代中所有个体更新完成后，分别计算每种进化变异策略的子代进化率：
Figure FDA0003970952630000033
Figure FDA0003970952630000034
Figure FDA0003970952630000035
其中，p1为DE/rand/1进化变异策略的子代进化率，p2为DE/best/1进化变异策略的子代进化率，p3为DE/rand-to-best/2进化变异策略的子代进化率，gl(l＝1,2,3)表示在当代种群进化过程中且在第l个子种群内，采用当前进化变异策略产生的新个体在其相对应的邻域内能够更新个体的次数。
3.如权利要求2所述的I-MOEAD算法的污水处理过程优化控制方法，其特征在于：包括，
当得到p1、p2和p3后重新计算种群的大小：
u1'＝N×p1
u2'＝N×p2
u3'＝N-u1-u2
其中，u1'、u2'、u2'表示更新后的子种群大小。
4.如权利要求3所述的I-MOEAD算法的污水处理过程优化控制方法，其特征在于：包括，
在进化过程中，需限制p1、p2和p3的范围，若p'＜pmin，则取p'＝pmin；若p'＞pmax，则取p'＝pmax；
其中，p'为p1、p2或p3，pmin＝0.15，pmax＝0.8。
CN202210033657.2A 2022-01-12 2022-01-12 一种i-moead算法的污水处理过程优化控制方法 Active CN114509939B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210033657.2A CN114509939B (zh) 2022-01-12 2022-01-12 一种i-moead算法的污水处理过程优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210033657.2A CN114509939B (zh) 2022-01-12 2022-01-12 一种i-moead算法的污水处理过程优化控制方法

Publications (2)

Publication Number Publication Date
CN114509939A CN114509939A (zh) 2022-05-17
CN114509939B true CN114509939B (zh) 2023-04-07

Family

ID=81549585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210033657.2A Active CN114509939B (zh) 2022-01-12 2022-01-12 一种i-moead算法的污水处理过程优化控制方法

Country Status (1)

Country Link
CN (1) CN114509939B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107085372A (zh) * 2017-05-10 2017-08-22 湖南工业大学 一种基于改进萤火虫算法和最小二乘支持向量机的污水节能处理优化控制方法
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
CN112989704A (zh) * 2021-03-30 2021-06-18 北京工业大学 一种基于de算法的irfm-cmnn出水bod浓度预测方法
WO2021247408A1 (en) * 2020-06-02 2021-12-09 Pangolin Llc Ai and data system to monitor pathogens in wastewater and methods of use

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105404151B (zh) * 2015-12-12 2017-11-24 北京工业大学 污水处理过程动态多目标优化控制方法
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
CN106647262B (zh) * 2016-11-28 2020-01-21 中国人民解放军国防科学技术大学 一种面向敏捷卫星多目标任务规划的差分进化方法
CN109815523B (zh) * 2018-12-05 2023-05-05 南京工程学院 基于分解的列车运行多目标差分进化算法
CN112099354B (zh) * 2020-09-14 2022-07-29 江南大学 一种面向污水处理过程的智能多目标优化控制方法
CN113189881A (zh) * 2021-05-11 2021-07-30 华东理工大学 一种污水处理多目标优化控制方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107085372A (zh) * 2017-05-10 2017-08-22 湖南工业大学 一种基于改进萤火虫算法和最小二乘支持向量机的污水节能处理优化控制方法
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
WO2021247408A1 (en) * 2020-06-02 2021-12-09 Pangolin Llc Ai and data system to monitor pathogens in wastewater and methods of use
CN112989704A (zh) * 2021-03-30 2021-06-18 北京工业大学 一种基于de算法的irfm-cmnn出水bod浓度预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于改进FWA-NN的污水处理过程溶解氧浓度预测;陈如清等;《中国环境科学》;20181020(第10期);全文 *
基于改进多目标布谷鸟算法的污水处理优化控制方法;赵小强等;《兰州理工大学学报》;20200215(第01期);全文 *

Also Published As

Publication number Publication date
CN114509939A (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
CN108549234B (zh) 一种基于动态变值的多目标优化控制方法
US20210039972A1 (en) Control system and control method
CN106873379B (zh) 一种基于迭代adp算法的污水处理最优控制方法
CN112099354B (zh) 一种面向污水处理过程的智能多目标优化控制方法
CN105404151A (zh) 污水处理过程动态多目标优化控制方法
CN106354014B (zh) 一种基于多目标差分进化算法的污水处理优化控制方法
Holenda et al. Aeration optimization of a wastewater treatment plant using genetic algorithm
CN110032755B (zh) 多工况下城市污水处理过程多目标优化方法
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
CN103792844B (zh) 一种基于有序聚类的污水处理控制方法
WO2023165001A1 (zh) 一种复合型污水脱氮工艺装置及运行参数优化方法
CN102161551A (zh) 前置反硝化污水处理过程的优化控制方法
CN114509939B (zh) 一种i-moead算法的污水处理过程优化控制方法
KR101767368B1 (ko) 표준화된 공정운영자료와 공정모사를 이용한 에너지 절감용 하수처리장 운영지원방법 및 그 시스템
Dey Modeling simultaneous nitrification–denitrification process in an activated sludge continuous flow stirred-tank reactor: system optimization and sensitivity analysis
Boiocchi et al. Evaluating the potential impact of energy-efficient ammonia control on the carbon footprint of a full-scale wastewater treatment plant
Ostace et al. Operational costs reduction for the WWTP by means of substrate to dissolved oxygen correlation, a simulation study
CN111798060A (zh) 一种基于机组爬坡率估计的功率指令优化分配方法
CN115356930A (zh) 一种污水处理过程中的多目标优化控制系统及方法
CN105585126A (zh) 一种在sbr反应器中维持稳定的污泥微膨胀及良好脱氮效果的方法
CN115292936A (zh) 一种污水处理厂多目标优化方法
CN110818072A (zh) 一种基于nsga-ⅲ的废水好氧生化处理工艺的优化控制方法
CN111667145B (zh) 一种基于非合作博弈的河道内外用水冲突协商方法
CN112967761B (zh) 基于自组织模糊神经网络的污水除磷加药计算方法及介质
CN115329661A (zh) 一种智能投药模型建模、智能投药体系创建、投药方法

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