CN115562041A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115562041A CN115562041A CN202211372835.0A CN202211372835A CN115562041A CN 115562041 A CN115562041 A CN 115562041A CN 202211372835 A CN202211372835 A CN 202211372835A CN 115562041 A CN115562041 A CN 115562041A
- Authority
- CN
- China
- Prior art keywords
- time
- task
- sewage treatment
- treatment process
- model
- 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 140
- 239000010865 sewage Substances 0.000 title claims abstract description 120
- 238000005457 optimization Methods 0.000 title claims abstract description 92
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 110
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims abstract description 69
- 229910052698 phosphorus Inorganic materials 0.000 claims abstract description 69
- 239000011574 phosphorus Substances 0.000 claims abstract description 69
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 66
- 239000002245 particle Substances 0.000 claims abstract description 47
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 41
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 41
- 239000001301 oxygen Substances 0.000 claims abstract description 41
- 238000005265 energy consumption Methods 0.000 claims abstract description 36
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 33
- 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 26
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000010992 reflux Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 6
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 125000001477 organic nitrogen group Chemical group 0.000 claims description 3
- 230000001737 promoting effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 238000004065 wastewater treatment Methods 0.000 claims description 3
- 241000695274 Processa Species 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 2
- 229920000049 Carbon (fiber) Polymers 0.000 description 1
- 239000004917 carbon fiber Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000003313 weakening effect 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
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
一种基于多任务动态转换策略的污水处理过程优化控制方法，属于污水处理领域。为了实现污水处理过程中不同维度任务的并行优化控制，本发明构建基于高斯核函数的污水处理过程多任务优化模型，描述脱氮任务和除磷任务的控制变量与出水总氮、出水总磷、能耗的关系，设计基于动态转换策略的污水处理过程多任务粒子群优化设定方法，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设计控制器完成优化设定值的跟踪控制，从而实现不同维数任务间的知识迁移，完成污水处理过程多任务优化控制。
Description
技术领域
本发明在污水处理过程运行特性的分析基础上，设计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，属于水处理领域。
背景技术
城市污水作为稳定的淡水资源，其循环利用可有效缓解水资源危机，是减少自然水需求和削弱水环境污染的重要方式。实施城市污水处理已成为我国水资源综合利用的重要环节。
在城市污水处理过程中，脱氮和除磷过程是两个相互影响且相互制约的任务，这两个任务具有不同的优化运行需求和多种相互冲突的优化目标。因此，如何设计一种多任务优化控制策略实现脱氮任务和除磷任务的并行优化是实现污水处理过程优化运行的关键。在污水处理优化控制出水总氮、出水总磷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，建立数据驱动的出水总氮、出水总磷和能耗模型对精确描述污水处理过程优化目标具有重要的意义；另外，在污水处理过程中，脱氮任务和除磷任务具有不同的维度，如何在不同维度任务间迁移知识，促进多个任务并行优化，获得优化设定值是实现污水处理过程多任务优化运行的关键问题；因此，设计合理的多任务优化控制方法，实现不同维度的脱氮任务和除磷任务并行优化，获取硝态氮和溶解氧设定值，并进行跟踪控制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多任务动态转换策略的污水处理过程优化控制方法，主要构建了基于高斯核函数的污水处理过程多任务优化模型，并设计了基于动态转换策略的污水处理过程多任务粒子群优化设定方法，求解污水处理过程硝态氮和溶解氧浓度的优化设定值，设计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多任务动态转换策略的污水处理过程优化控制方法，该方法利用高斯核函数建立污水处理过程多任务优化模型，获得脱氮任务和除磷任务的优化目标函数，设计基于动态转换策略的污水处理过程多任务优化设定方法求解污水处理过程硝态氮和溶解氧浓度的优化设定值，设计控制器对优化设定值进行跟踪控制，从而实现不同维度任务的并行优化，完成污水处理过程多任务优化控制。
本发明采用了如下的技术方案及实现步骤：
一种基于多任务动态转换策略的污水处理过程优化控制方法，其特征在于，建立基于高斯核函数的污水处理过程多任务优化模型，研究基于动态转换策略的污水处理过程多任务优化设定方法，并设计优化设定值的跟踪控制器，实现污水处理过程生物脱氮任务和生物除磷任务的并行优化控制，包括以下步骤：
(1)建立基于高斯核函数的污水处理过程多任务优化模型
污水处理过程的多任务优化模型采用高斯核函数方法描述优化设定值与出水总氮、出水总磷和能耗间的关系，主要包括生物脱氮任务模型和生物除磷任务模型；
其中，
是t时刻污水处理过程生物脱氮任务的优化目标模型，
是t时刻污水处理过程生物除磷任务的优化目标模型，
是t时刻脱氮任务优化模型的6维输入变量，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，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，SNH(t)是t时刻的出水氨氮浓度且取值范围为[0，15]，单位毫克/升，SND(t)是t时刻的可溶性有机氮浓度且取值范围为[0，2]，单位毫克/升，Tem(t)是t时刻的温度且取值范围为[0，40]，单位摄氏度，Qin(t)是t 时刻的入水流量且取值范围为[0，20000]，单位立方米，
是t时刻的除磷任务优化模型4维输入变量，MLSS(t)是t时刻的出水混合悬浮物浓度且取值范围为[0，100]，单位毫克/升；
是t时刻污水处理过程脱氮任务出水总氮的优化模型，
是t时刻污水处理过程脱氮任务能耗的优化模型，
是t时刻污水处理过程除磷任务出水总磷的优化模型，
是t时刻污水处理过程除磷任务能耗的优化模型
其中，B1(t)是t时刻污水处理过程脱氮任务出水总氮模型的输出偏移，B2(t)是t时刻污水处理过程脱氮任务能耗模型的输出偏移，B3(t)是t时刻污水处理过程除磷任务出水总磷模型的输出偏移，B4(t)是t时刻污水处理过程除磷任务能耗模型的输出偏移，且输出偏移的取值范围均为[-2，2]；W1,z(t)是t时刻污水处理过程脱氮任务出水总氮模型第z个高斯核函数的权值，W2,z(t)是t时刻污水处理过程脱氮任务能耗模型第z个高斯核函数的权值，W3,q(t)是t时刻污水处理过程除磷任务出水总磷模型第q 个高斯核函数的权值，W4,q(t)是t时刻污水处理过程除磷任务能耗模型第q个高斯核函数的权值，且权值的取值范围均为[-3，3]；c1,z(t)＝[c1,z,1(t)，c1,z,2(t)，…，c1,z,6(t)]T是t时刻污水处理过程出水总氮模型第z个高斯核函数的中心，T是向量或矩阵的转置，c2,z(t)＝[c2,z,1(t)，c2,z,2(t)，…，c2,z,6(t)]T是t时刻污水处理过程脱氮任务能耗模型第z个高斯核函数的中心，c3,q(t)＝[c3,q,1(t)，c3,q,2(t)，c3,q,3(t)，c3,q,4(t)]T是t时刻污水处理过程出水总磷模型第q个高斯核函数的中心，c4,q(t)＝[c4,q,1(t)，c4,q,2(t)，c4,q,3(t)， c4,q,4(t)]T是t时刻污水处理过程除磷任务能耗模型第q个高斯核函数的中心，且中心的取值范围均为[-1，1]；σ1,z(t)是t时刻出水总氮模型第z个高斯核函数的宽度，σ2,z(t) 是t时刻脱氮任务能耗模型第z个高斯核函数的宽度，σ3,q(t)是t时刻出水总磷模型第q个高斯核函数的宽度，σ4,q(t)是t时刻除磷任务能耗模型第q个高斯核函数的宽度，且宽度的取值范围均为[0，2]；
(2)基于动态转换策略的污水处理过程多任务优化设定求解
设计基于动态转换策略的多任务粒子群算法求解优化设定值，根据任务的相似度将不同维度的知识进行转换，促进脱氮任务和除磷任务并行收敛，获取溶解氧和硝态氮的优化设定值；
①设置多任务粒子群优化过程的粒子群规模为100、任务数为2、总迭代次数为1000，初始化外部档案库Φt(0)为空集，随机初始化粒子位置和速度，将污水处理过程多任务优化目标模型
作为多任务粒子群优化算法的优化目标，对F(x(t))进行最小化求解，进化将从第1代开始，将t时刻第1代的粒子位置信息作为输入；
②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；分析任务相似度：
其中，St(τ)是t时刻第τ次迭代脱氮任务和除磷任务的相似度，Gi1,t(τ)是脱氮任务t 时刻第τ次迭代第i个粒子的梯度信息，Gi2,t(τ)是除磷任务t时刻第τ次迭代第i个粒子的梯度信息，
是脱氮任务t时刻第τ次迭代梯度信息的均值，
是除磷任务t时刻第τ次迭代梯度信息的均值，
是脱氮任务t时刻第τ次迭代的第m 个最优解,
是除磷任务t时刻第τ次迭代的第m个最优解，fd(·)用于提取
和
的前4维；
③设计动态转换策略，包括维数补充和维数降低；基于径向基神经网络的维数补充模型：
其中，y1,t(τ)是t时刻第τ次迭代除磷任务向脱氮任务迁移的知识，At(τ)是t时刻第τ次迭代维数补充模型的输出偏移向量且每个元素取值范围为[-2，2]，Wj,t(τ)是t时刻第τ次迭代维数补充模型的第j个核函数的权值向量且每个元素取值范围为[-3，3]， cj,t(τ)是t时刻第τ次迭代维数补充模型的第j个核函数的中心且每个元素取值范围为 [-1，1]，σj,t(τ)是t时刻第τ次迭代维数补充模型第j个高斯核函数的宽度且取值范围为[0，2]，将t时刻第τ次迭代来自除磷任务的知识u2,t(τ)作为维数补充模型的输入向量；设计基于主元素分析的维数降低策略：
其中，Ct(τ)是t时刻第τ次迭代的协方差矩阵，将t时刻第τ次迭代来自脱氮任务的知识u1,t(τ)作为维数降低策略的输入向量；求解协方差矩阵的特征值与特征向量，并进行排列，
y2,t(τ)＝Pt(τ)u1,t(τ) (6)
其中，y2,t(τ)是t时刻第τ次迭代脱氮任务向除磷任务迁移的知识，Pt(τ)是按照特征值从大到小排列的特征向量矩阵；粒子速度更新公式为：
其中，vi,t(τ)是第i个粒子在t时刻第τ次迭代时的速度，xi,t(τ)是第i个粒子在t时刻第τ次迭代的位置，Pi,t(τ)是第i个粒子在t时刻第τ次迭代时个体最优位置，Pg,t(τ) 是在t时刻第τ次迭代时的全局最优位置，r1是个体经验随机向量且其元素取值范围均为[0，1]，r2是社会经验随机向量且其元素取值范围均为[0，1]，r3是知识转移项随机向量且其元素取值范围均为[0，1]；
④将t时刻第τ次迭代的个体最优位置pi,t(τ)与t时刻第τ-1次迭代的档案库Φt(τ-1) 中的解进行比较，Φt(τ-1)＝[Φ1,t(τ-1)，Φ2,t(τ-1)，Φn,t(τ-1)，…，ΦN,t(τ-1)]，Φn,t(τ-1)是t 时刻第τ-1次迭代的档案库中第n个最优解，n＝1，2，…，100；F(Φn,t(τ-1))是Φn,t(τ-1) 的适应度向量，F(pi,t(τ))是pi,t(τ)的适应度向量，如果F(Φn,t(τ-1))≥F(pi,t(τ))，则将pi,t(τ) 保存到档案库中，生成新的第τ代档案库Φt(τ)；如果F(Φn,t(τ-1))<F(pi,t(τ))，则第τ代档案库Φt(τ)与第τ-1代档案库Φt(τ-1)相同；
⑤判断是否停止迭代：若当前迭代次数τ≥1000，则终止迭代过程并转到步骤⑥，否则，迭代次数τ增大1，并返回步骤②；
⑥在档案库Φt(1000)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)设计优化设定值跟踪控制器
设计多变量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，实现污水处理过程生物脱氮和除磷的多任务优化控制；
设计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)＝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；
调整溶解氧传递系数与内回流量：
KLa(t+1)＝KLa(t)+ΔKLa(t) (9)
Qa(t+1)＝Qa(t)+ΔQa(t) (10)
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生物脱氮和除磷的多任务优化控制。
本发明的创造性主要体现在：
(1)本发明针对污水处理过程生物脱氮和除磷过程的并行优化控制问题，基于高斯核函数构建了污水处理过程多任务优化模型，设计了基于动态转换策略的污水处理过程多任务优化控制方法，获取硝态氮和溶解氧的优化设定值并进行跟踪控制，该方法实现了不同维度脱氮任务和除磷任务的并行优化，完成了污水处理过程多任务优化控制。
(2)本发明设计基于多任务动态转换策略的污水处理过程优化控制方法对污水处理过程硝态氮和溶解氧进行优化控制，该方法根据不同任务的相似度，对要迁移的知识进行维度转换，获得不同维度任务间的有效知识，促进脱氮任务和除磷任务的并行优化，进而获取污水处理过程硝态氮和溶解氧浓度优化设定值，并采用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。
附图说明
图1是本发明优化控制方法的硝态氮跟踪控制结果图
图2是本发明优化控制方法的硝态氮跟踪误差图
图3是本发明优化控制方法的溶解氧跟踪控制结果图
图4是本发明优化控制方法的溶解氧跟踪误差图
具体实施方式
本发明采用了如下的技术方案及实现步骤：
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，其特征在于，建立基于高斯核函数的污水处理过程多任务优化模型，研究基于动态转换策略的污水处理过程多任务优化设定方法，并设计优化设定值的跟踪控制器，实现污水处理过程生物脱氮任务和生物除磷任务的并行优化控制，包括以下步骤：
(1)建立基于高斯核函数的污水处理过程多任务优化模型
污水处理过程的多任务优化模型采用高斯核函数方法描述优化设定值与出水总氮、出水总磷和能耗间的关系，主要包括生物脱氮任务模型和生物除磷任务模型；
其中，
是t时刻污水处理过程生物脱氮任务的优化目标模型，
是t时刻污水处理过程生物除磷任务的优化目标模型，
Tem(t)，Qin(t)]是t时刻脱氮任务优化模型的6维输入变量，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，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，SNH(t) 是t时刻的出水氨氮浓度且取值范围为[0，15]，单位毫克/升，SNH(0)＝2.3毫克/升， SND(t)是t时刻的可溶性有机氮浓度且取值范围为[0，2]，单位毫克/升，SND(0)＝1毫克/升，Tem(t)是t时刻的温度且取值范围为[0，40]，单位摄氏度，Tem(0)＝20摄氏度， Qin(t)是t时刻的入水流量且取值范围为[0，20000]，单位立方米，Qin(0)＝13000立方米，
是t时刻的除磷任务优化模型4维输入变量，MLSS(t)是t时刻的出水混合悬浮物浓度且取值范围为[0，100]，单位毫克/升， MLSS(0)＝15毫克/升；
是t时刻污水处理过程脱氮任务出水总氮的优化模型，
是t时刻污水处理过程脱氮任务能耗的优化模型，
是t时刻污水处理过程除磷任务出水总磷的优化模型，
是t时刻污水处理过程除磷任务能耗的优化模型
其中，B1(t)是t时刻污水处理过程脱氮任务出水总氮模型的输出偏移，B1(0)＝-1.21， B2(t)是t时刻污水处理过程脱氮任务能耗模型的输出偏移，B2(0)＝0.37，B3(t)是t时刻污水处理过程除磷任务出水总磷模型的输出偏移，B3(0)＝-0.97，B4(t)是t时刻污水处理过程除磷任务能耗模型的输出偏移，B4(0)＝0.57，且输出偏移的取值范围均为[-2， 2]；W1,z(t)是t时刻污水处理过程脱氮任务出水总氮模型第z个高斯核函数的权值，W1,z(0)＝1.8，W2,z(t)是t时刻污水处理过程脱氮任务能耗模型第z个高斯核函数的权值，W2,z(0)＝1.51，W3,q(t)是t时刻污水处理过程除磷任务出水总磷模型第q个高斯核函数的权值，W3,q(0)＝1.75，W4,q(t)是t时刻污水处理过程除磷任务能耗模型第q个高斯核函数的权值，W4,q(0)＝2.18，且权值的取值范围均为[-3，3]；c1,z(t)＝[c1,z,1(t)， c1,z,2(t)，…，c1,z,6(t)]T是t时刻污水处理过程出水总氮模型第z个高斯核函数的中心， c1,z(0)＝[0.68，-0.58，0.64，0.51，0.34，0.21]T，T是向量或矩阵的转置，c2,z(t)＝[c2,z,1(t)， c2,z,2(t)，…，c2,z,6(t)]T是t时刻污水处理过程脱氮任务能耗模型第z个高斯核函数的中心，c2,z(0)＝[0.85，0.53，-0.27，0.75，0.34，0.87]T，c3,q(t)＝[c3,q,1(t)，c3,q,2(t)，c3,q,3(t)， c3,q,4(t)]T是t时刻污水处理过程出水总磷模型第q个高斯核函数的中心，c3,q(0)＝[0.74， 0.58，-0.84，-0.42]T，c4,q(t)＝[c4,q,1(t)，c4,q,2(t)，c4,q,3(t)，c4,q,4(t)]T是t时刻污水处理过程除磷任务能耗模型第q个高斯核函数的中心，c4,q(0)＝[0.41，-0.86，0.44，-0.25]T，且中心的取值范围均为[-1，1]；σ1,z(t)是t时刻出水总氮模型第z个高斯核函数的宽度，σ1,z(0)＝1.69，σ2,z(t)是t时刻脱氮任务能耗模型第z个高斯核函数的宽度，σ2,z(0)＝0.64，σ3,q(t)是t时刻出水总磷模型第q个高斯核函数的宽度，σ3,q(0)＝1.85，σ4,q(t) 是t时刻除磷任务能耗模型第q个高斯核函数的宽度，且宽度的取值范围均为[0， 2]，σ4,q(0)＝0.94；
(2)基于动态转换策略的污水处理过程多任务优化设定求解
设计基于动态转换策略的多任务粒子群算法求解优化设定值，根据任务的相似度将不同维度的知识进行转换，促进脱氮任务和除磷任务并行收敛，获取溶解氧和硝态氮的优化设定值；
①设置多任务粒子群优化过程的粒子群规模为100、任务数为2、总迭代次数为1000，初始化外部档案库Φt(0)为空集，随机初始化粒子位置和速度，将污水处理过程多任务优化目标模型
作为多任务粒子群优化算法的优化目标，对F(x(t))进行最小化求解，进化将从第1代开始，将t时刻第1代的粒子位置信息作为输入；
②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；分析任务相似度：
其中，St(τ)是t时刻第τ次迭代脱氮任务和除磷任务的相似度，Gi1,t(τ)是脱氮任务t 时刻第τ次迭代第i个粒子的梯度信息，Gi2,t(τ)是除磷任务t时刻第τ次迭代第i个粒子的梯度信息，
是脱氮任务t时刻第τ次迭代梯度信息的均值，
是除磷任务t时刻第τ次迭代梯度信息的均值，
是脱氮任务t时刻第τ次迭代的第m 个最优解，
是除磷任务t时刻第τ次迭代的第m个最优解，fd(·)用于提取
和
的前4维；
③设计动态转换策略，包括维数补充和维数降低；基于径向基神经网络的维数补充模型：
其中，y1,t(τ)是t时刻第τ次迭代除磷任务向脱氮任务迁移的知识，At(τ)是t时刻第τ次迭代维数补充模型的输出偏移向量且每个元素取值范围为[-2，2]，Wj,t(τ)是t时刻第τ次迭代维数补充模型的第j个核函数的权值向量且每个元素取值范围为[-3，3]， cj,t(τ)是t时刻第τ次迭代维数补充模型的第j个核函数的中心且每个元素取值范围为 [-1，1]，σj,t(τ)是t时刻第τ次迭代维数补充模型第j个高斯核函数的宽度且取值范围为[0，2]，将t时刻第τ次迭代来自除磷任务的知识u2,t(τ)作为维数补充模型的输入向量；设计基于主元素分析的维数降低策略：
其中，Ct(τ)是t时刻第τ次迭代的协方差矩阵，将t时刻第τ次迭代来自脱氮任务的知识u1,t(τ)作为维数降低策略的输入向量；求解协方差矩阵的特征值与特征向量，并进行排列，
y2,t(τ)＝Pt(τ)u1,t(τ) (16)
其中，y2,t(τ)是t时刻第τ次迭代脱氮任务向除磷任务迁移的知识，Pt(τ)是按照特征值从大到小排列的特征向量矩阵；粒子速度更新公式为：
其中，vi,t(τ)是第i个粒子在t时刻第τ次迭代时的速度，xi,t(τ)是第i个粒子在t时刻第τ次迭代的位置，Pi,t(τ)是第i个粒子在t时刻第τ次迭代时个体最优位置，Pg,t(τ) 是在t时刻第τ次迭代时的全局最优位置，r1是个体经验随机向量且其元素取值范围均为[0，1]，r2是社会经验随机向量且其元素取值范围均为[0，1]，r3是知识转移项随机向量且其元素取值范围均为[0，1]；
④将t时刻第τ次迭代的个体最优位置pi,t(τ)与t时刻第τ-1次迭代的档案库Φt(τ-1) 中的解进行比较，Φt(τ-1)＝[Φ1,t(τ-1)，Φ2,t(τ-1)，Φn,t(τ-1)，…，ΦN,t(τ-1)]，Φn,t(τ-1)是t 时刻第τ-1次迭代的档案库中第n个最优解，n＝1，2，…，100；F(Φn,t(τ-1))是Φn,t(τ-1) 的适应度向量，F(pi,t(τ))是pi,t(τ)的适应度向量，如果F(Φn,t(τ-1))≥F(pi,t(τ))，则将pi,t(τ) 保存到档案库中，生成新的第τ代档案库Φt(τ)；如果F(Φn,t(τ-1))<F(pi,t(τ))，则第τ代档案库Φt(τ)与第τ-1代档案库Φt(τ-1)相同；
⑤判断是否停止迭代：若当前迭代次数τ≥1000，则终止迭代过程并转到步骤⑥，否则，迭代次数τ增大1，并返回步骤②；
⑥在档案库Φt(1000)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)设计优化设定值跟踪控制器
设计多变量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，实现污水处理过程生物脱氮和除磷的多任务优化控制；
设计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)＝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；
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)。
一种基于多任务动态转换策略的污水处理过程优化控制系统输出结果为硝态氮浓度和溶解氧浓度，图1是硝态氮跟踪控制结果图，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是溶解氧跟踪控制结果图，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；实验结果表明了基于动态转换策略的污水处理过程多任务优化控制方法的有效性。
Claims (1)
1.一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，其特征在于，包括以下步骤：
(1)建立基于高斯核函数的污水处理过程多任务优化模型
污水处理过程的多任务优化模型采用高斯核函数方法描述优化设定值与出水总氮、出水总磷和能耗间的关系，包括生物脱氮任务模型和生物除磷任务模型；
其中，
是t时刻污水处理过程生物脱氮任务的优化目标模型，
是t时刻污水处理过程生物除磷任务的优化目标模型，
是t时刻脱氮任务优化模型的6维输入变量，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，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，SNH(t)是t时刻的出水氨氮浓度且取值范围为[0，15]，单位毫克/升，SND(t)是t时刻的可溶性有机氮浓度且取值范围为[0，2]，单位毫克/升，Tem(t)是t时刻的温度且取值范围为[0，40]，单位摄氏度，Qin(t)是t时刻的入水流量且取值范围为[0，20000]，单位立方米，
是t时刻的除磷任务优化模型4维输入变量，MLSS(t)是t时刻的出水混合悬浮物浓度且取值范围为[0，100]，单位毫克/升；
是t时刻污水处理过程脱氮任务出水总氮的优化模型，
是t时刻污水处理过程脱氮任务能耗的优化模型，
是t时刻污水处理过程除磷任务出水总磷的优化模型，
是t时刻污水处理过程除磷任务能耗的优化模型
其中，B1(t)是t时刻污水处理过程脱氮任务出水总氮模型的输出偏移，B2(t)是t时刻污水处理过程脱氮任务能耗模型的输出偏移，B3(t)是t时刻污水处理过程除磷任务出水总磷模型的输出偏移，B4(t)是t时刻污水处理过程除磷任务能耗模型的输出偏移，且输出偏移的取值范围均为[-2，2]；W1,z(t)是t时刻污水处理过程脱氮任务出水总氮模型第z个高斯核函数的权值，W2,z(t)是t时刻污水处理过程脱氮任务能耗模型第z个高斯核函数的权值，W3,q(t)是t时刻污水处理过程除磷任务出水总磷模型第q个高斯核函数的权值，W4,q(t)是t时刻污水处理过程除磷任务能耗模型第q个高斯核函数的权值，且权值的取值范围均为[-3，3]；c1,z(t)＝[c1,z,1(t)，c1,z,2(t)，…，c1,z,6(t)]T是t时刻污水处理过程出水总氮模型第z个高斯核函数的中心，T是向量或矩阵的转置，c2,z(t)＝[c2,z,1(t)，c2,z,2(t)，…，c2,z,6(t)]T是t时刻污水处理过程脱氮任务能耗模型第z个高斯核函数的中心，c3,q(t)＝[c3,q,1(t)，c3,q,2(t)，c3,q,3(t)，c3,q,4(t)]T是t时刻污水处理过程出水总磷模型第q个高斯核函数的中心，c4,q(t)＝[c4,q,1(t)，c4,q,2(t)，c4,q,3(t)，c4,q,4(t)]T是t时刻污水处理过程除磷任务能耗模型第q个高斯核函数的中心，且中心的取值范围均为[-1，1]；σ1,z(t)是t时刻出水总氮模型第z个高斯核函数的宽度，σ2,z(t)是t时刻脱氮任务能耗模型第z个高斯核函数的宽度，σ3,q(t)是t时刻出水总磷模型第q个高斯核函数的宽度，σ4,q(t)是t时刻除磷任务能耗模型第q个高斯核函数的宽度，且宽度的取值范围均为[0，2]；
(2)基于动态转换策略的污水处理过程多任务优化设定求解
设计基于动态转换策略的多任务粒子群算法求解优化设定值，根据任务的相似度将不同维度的知识进行转换，促进脱氮任务和除磷任务并行收敛，获取溶解氧和硝态氮的优化设定值；
①设置多任务粒子群优化过程的粒子群规模为100、任务数为2、总迭代次数为1000，初始化外部档案库Φt(0)为空集，随机初始化粒子位置和速度，将污水处理过程多任务优化目标模型
作为多任务粒子群优化算法的优化目标，对F(x(t))进行最小化求解，进化将从第1代开始，将t时刻第1代的粒子位置信息作为输入；
②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；分析任务相似度：
其中，St(τ)是t时刻第τ次迭代脱氮任务和除磷任务的相似度，
是脱氮任务t时刻第τ次迭代第i个粒子的梯度信息，
是除磷任务t时刻第τ次迭代第i个粒子的梯度信息，
是脱氮任务t时刻第τ次迭代梯度信息的均值，
是除磷任务t时刻第τ次迭代梯度信息的均值，
是脱氮任务t时刻第τ次迭代的第m个最优解,
是除磷任务t时刻第τ次迭代的第m个最优解，fd(·)用于提取
和
的前4维；
③设计动态转换策略，包括维数补充和维数降低；基于径向基神经网络的维数补充模型：
其中，y1,t(τ)是t时刻第τ次迭代除磷任务向脱氮任务迁移的知识，At(τ)是t时刻第τ次迭代维数补充模型的输出偏移向量且每个元素取值范围为[-2，2]，Wj,t(τ)是t时刻第τ次迭代维数补充模型的第j个核函数的权值向量且每个元素取值范围为[-3，3]，cj,t(τ)是t时刻第τ次迭代维数补充模型的第j个核函数的中心且每个元素取值范围为[-1，1]，σj,t(τ)是t时刻第τ次迭代维数补充模型第j个高斯核函数的宽度且取值范围为[0，2]，将t时刻第τ次迭代来自除磷任务的知识u2,t(τ)作为维数补充模型的输入向量；设计基于主元素分析的维数降低策略：
其中，Ct(τ)是t时刻第τ次迭代的协方差矩阵，将t时刻第τ次迭代来自脱氮任务的知识u1,t(τ)作为维数降低策略的输入向量；求解协方差矩阵的特征值与特征向量，并进行排列，
y2,t(τ)＝Pt(τ)u1,t(τ) (6)
其中，y2,t(τ)是t时刻第τ次迭代脱氮任务向除磷任务迁移的知识，Pt(τ)是按照特征值从大到小排列的特征向量矩阵；粒子速度更新公式为：
其中，vi,t(τ)是第i个粒子在t时刻第τ次迭代时的速度，xi,t(τ)是第i个粒子在t时刻第τ次迭代的位置，Pi,t(τ)是第i个粒子在t时刻第τ次迭代时个体最优位置，Pg,t(τ)是在t时刻第τ次迭代时的全局最优位置，r1是个体经验随机向量且其元素取值范围均为[0，1]，r2是社会经验随机向量且其元素取值范围均为[0，1]，r3是知识转移项随机向量且其元素取值范围均为[0，1]；
④将t时刻第τ次迭代的个体最优位置pi,t(τ)与t时刻第τ-1次迭代的档案库Φt(τ-1)中的解进行比较，Φt(τ-1)＝[Φ1,t(τ-1)，Φ2,t(τ-1)，Φn,t(τ-1)，…，ΦN,t(τ-1)]，Φn,t(τ-1)是t时刻第τ-1次迭代的档案库中第n个最优解，n＝1，2，…，100；F(Φn,t(τ-1))是Φn,t(τ-1)的适应度向量，F(pi,t(τ))是pi,t(τ)的适应度向量，如果F(Φn,t(τ-1))≥F(pi,t(τ))，则将pi,t(τ)保存到档案库中，生成新的第τ代档案库Φt(τ)；如果F(Φn,t(τ-1))<F(pi,t(τ))，则第τ代档案库Φt(τ)与第τ-1代档案库Φt(τ-1)相同；
⑤判断是否停止迭代：若当前迭代次数τ≥1000，则终止迭代过程并转到步骤⑥，否则，迭代次数τ增大1，并返回步骤②；
⑥在档案库Φt(1000)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)设计优化设定值跟踪控制器
设计多变量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，实现污水处理过程生物脱氮和除磷的多任务优化控制；
设计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)＝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；
调整溶解氧传递系数与内回流量：
KLa(t+1)＝KLa(t)+ΔKLa(t) (9)
Qa(t+1)＝Qa(t)+ΔQa(t) (10)
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生物脱氮和除磷的多任务优化控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211372835.0A CN115562041B (zh) | 2022-11-03 | 2022-11-03 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211372835.0A CN115562041B (zh) | 2022-11-03 | 2022-11-03 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115562041A true CN115562041A (zh) | 2023-01-03 |
| CN115562041B CN115562041B (zh) | 2024-07-16 |
Family
ID=84768353
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211372835.0A Active CN115562041B (zh) | 2022-11-03 | 2022-11-03 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115562041B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112465185A (zh) * | 2020-10-28 | 2021-03-09 | 北京工业大学 | 一种城市污水处理过程自适应评估多目标优化控制方法 |
| US20210395120A1 (en) * | 2020-04-27 | 2021-12-23 | Beijing University Of Technology | Data-knowledge driven optimal control method for municipal wastewater treatment process |
| CN113867276A (zh) * | 2021-08-27 | 2021-12-31 | 北京工业大学 | 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 |
| CN114386579A (zh) * | 2022-01-13 | 2022-04-22 | 安徽工业大学 | 一种基于多任务学习的污水处理水质监测自动控制方法 |
| US20220194830A1 (en) * | 2018-05-23 | 2022-06-23 | Beijing University Of Technology | Cooperative optimal control method and system for wastewater treatment process |
-
2022
- 2022-11-03 CN CN202211372835.0A patent/CN115562041B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220194830A1 (en) * | 2018-05-23 | 2022-06-23 | 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 |
| US20210395120A1 (en) * | 2020-04-27 | 2021-12-23 | Beijing University Of Technology | Data-knowledge driven optimal control method for municipal wastewater treatment process |
| CN112465185A (zh) * | 2020-10-28 | 2021-03-09 | 北京工业大学 | 一种城市污水处理过程自适应评估多目标优化控制方法 |
| CN113867276A (zh) * | 2021-08-27 | 2021-12-31 | 北京工业大学 | 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 |
| CN114386579A (zh) * | 2022-01-13 | 2022-04-22 | 安徽工业大学 | 一种基于多任务学习的污水处理水质监测自动控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 韩红桂;杨士恒;张璐;乔俊飞;: "城市污水处理过程出水氨氮优化控制", 上海交通大学学报, no. 09, 28 September 2020 (2020-09-28) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115562041B (zh) | 2024-07-16 |
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 | |
| CN106698642B (zh) | 一种污水处理过程多目标实时优化控制方法 | |
| CN106873379B (zh) | 一种基于迭代adp算法的污水处理最优控制方法 | |
| Han et al. | Dynamic MOPSO-based optimal control for wastewater treatment process | |
| 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 | |
| Han et al. | Model predictive control of dissolved oxygen concentration based on a self-organizing RBF neural network | |
| AU2021101438A4 (en) | Adaptive control method and system for aeration process | |
| Han et al. | Adaptive dissolved oxygen control based on dynamic structure 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 | |
| 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 | |
| CN107085372B (zh) | 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 | |
| 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 | |
| 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 | |
| CN105573115A (zh) | 基于量子遗传算法的污水处理过程节能优化控制方法 | |
| CN109711070A (zh) | 一种基于活性污泥水处理的溶解氧浓度优化方法 | |
| CN110647037A (zh) | 一种基于二型模糊神经网络的污水处理过程协同控制方法 | |
| CN113189881A (zh) | 一种污水处理多目标优化控制方法及系统 | |
| 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 | |
| Mahmod et al. | Dynamic modelling of aerobic granular sludge artificial neural networks | |
| CN115562041A (zh) | 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 | |
| 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 | |
| Yang et al. | Fuzzy modeling of activated sludge wastewater treatment processes and predictive control of dissolved oxygen | |
| 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 | |
| Huang et al. | Modeling and optimization of the activated sludge 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 |
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 |