CN116048022A - 一种基于多目标麻雀算法的污水处理过程优化控制方法 - Google Patents
一种基于多目标麻雀算法的污水处理过程优化控制方法 Download PDFInfo
- Publication number
- CN116048022A CN116048022A CN202310048299.7A CN202310048299A CN116048022A CN 116048022 A CN116048022 A CN 116048022A CN 202310048299 A CN202310048299 A CN 202310048299A CN 116048022 A CN116048022 A CN 116048022A
- Authority
- CN
- China
- Prior art keywords
- population
- sparrow
- algorithm
- treatment process
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 63
- 241000287127 Passeridae Species 0.000 title claims abstract description 57
- 238000005457 optimization Methods 0.000 title claims abstract description 36
- 239000010865 sewage Substances 0.000 title claims abstract description 28
- 238000005265 energy consumption Methods 0.000 claims abstract description 35
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 21
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 21
- 239000001301 oxygen Substances 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 20
- 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 17
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 238000012843 least square support vector machine Methods 0.000 claims abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 9
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 8
- 238000010992 reflux Methods 0.000 claims description 8
- 238000005273 aeration Methods 0.000 claims description 7
- 230000003247 decreasing effect Effects 0.000 claims description 7
- 238000005842 biochemical reaction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 4
- 229910052757 nitrogen Inorganic materials 0.000 claims description 4
- 238000005086 pumping Methods 0.000 claims description 4
- 239000010802 sludge Substances 0.000 claims description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000004065 wastewater treatment Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000002431 foraging effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 229910002651 NO3 Inorganic materials 0.000 description 2
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- FDWIKIIKBRJSHK-UHFFFAOYSA-N 2-(2-methyl-4-oxochromen-5-yl)acetic acid Chemical compound C1=CC=C2OC(C)=CC(=O)C2=C1CC(O)=O FDWIKIIKBRJSHK-UHFFFAOYSA-N 0.000 description 1
- 101100042909 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) SNO2 gene Proteins 0.000 description 1
- XOLBLPGZBRYERU-UHFFFAOYSA-N SnO2 Inorganic materials O=[Sn]=O XOLBLPGZBRYERU-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- ZRHANBBTXQZFSP-UHFFFAOYSA-M potassium;4-amino-3,5,6-trichloropyridine-2-carboxylate Chemical group [K+].NC1=C(Cl)C(Cl)=NC(C([O-])=O)=C1Cl ZRHANBBTXQZFSP-UHFFFAOYSA-M 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32368—Quality control
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)
Abstract
本申请涉及一种基于多目标麻雀算法的污水处理过程优化控制方法，包括以下步骤：采用最小二乘支持向量机建立总能耗和出水水质的软测量模型，并将其作为优化目标函数；从种群初始化、发现者位置更新、警戒者位置更新、最优位置扰动策略以及外部存档更新机制五个方面对麻雀算法进行改进得到多目标麻雀算法，利用改进后多目标麻雀算法对优化目标函数进行优化，得到帕累托解集，对溶解氧浓度和硝态氮浓度的设定值进行寻优，本方案针对麻雀算法进行改进，并将其应用于污水处理过程对溶解氧浓度和硝态氮浓度的设定值进行寻优，以达到提升出水水质和降低能耗的目的。
Description
技术领域
本发明涉及污水处理优化控制技术领域，特别涉及一种基于多目标麻雀算法的污水处理过程优化控制方法。
背景技术
随着我国工业化快速发展，工业污水大量排放导致的环境污染已经严重影响到居民生活和企业发展。活性污泥法技术主要利用鼓风机和回流泵等设备使溶解氧浓度和硝态氮浓度处于合理范围，使得污水排放满足标准。但是该过程会产生大量能耗，如何保证污水排放满足标准，并有效降低能耗成为亟待解决的问题。污水处理生化反应池第5单元的溶解氧浓度SO,5和第2单元的硝态氮浓度SNO,2是污水处理过程中关键控制变量，它们不仅影响了出水水质，还是控制总能耗的最重要参数。总能耗和出水水质是一对相互冲突的性能指标，如果想提升出水水质，那么总能耗势必会增加；反之，如果总能耗降低，那么必然会导致出水水质变差。因此，处理总能耗和出水水质指标的优化问题，本质上就是多目标优化问题。污水处理过程多目标优化控制的目的，是在满足出水水质达到排放标准，实现节能降耗。处理该多目标优化问题，需要确定溶解氧浓度、硝态氮浓度与总能耗、出水水质指标之间的关系。因此对溶解氧浓度和硝态氮浓度设定值进行优化，是实施污水处理过程优化控制的重要手段。
发明内容
本发明实施例提供了一种基于多目标麻雀算法的污水处理过程优化控制方法，并将其应用于污水处理过程对溶解氧浓度和硝态氮浓度进行寻优，以达到提升出水水质和降低能耗的目的。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
本申请提供一种基于多目标麻雀算法的污水处理过程优化控制方法，包括以下步骤：采用最小二乘支持向量机建立总能耗和出水水质的软测量模型，并将其作为优化目标函数；从种群初始化、发现者位置更新、警戒者位置更新、最优位置扰动策略以及外部存档更新机制五个方面对麻雀算法进行改进得到多目标麻雀算法，利用改进后多目标麻雀算法对优化目标函数进行优化，得到帕累托解集，对溶解氧浓度和硝态氮浓度的设定值进行寻优。
作为一种优选的实施方式，所述优化目标函数为：
minfOCI(x),fEQI(x)
其中，fOCI(X)和fEQI(X)分别表示总能耗和出水水质的优化目标函数，约束条件是对五种出水水质参数的限制值；SNh,e,avg表示出水氨氮的平均浓度，x＝[SO,SNO]为优化向量；
其中，出水水质的表达式如下：
式中，TSS、COD、SNKj、SNO、BOD5、和Qe分别表示固体悬浮物浓度、化学需氧量、凯氏氮浓度、硝态氮浓度、5日生化需氧量和清水排出量；
总能耗的表达式如下：
OCI＝AE+PE
式中：AE表示曝气能耗，PE表示泵送能耗，其表达式如下：
其中，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；qEC,j表示给第j个反应区外加碳源的流量。
作为一种优选的实施方式，从种群初始化方面对麻雀算法进行改进包括采用佳点集初始化种群，设GS是S维欧式空间的单位立方体，即x∈GS，X＝(x1,x2,x3,...,xS)，其中0≤xi≤1，i＝1,2,...,S，GS中的点r＝(r1,r2,...,rS)，令r∈GS，形式为Pn(k)＝{(r1(k),...,rS(k)),k＝1,2,...,n}的偏差
满足
其中C(r,ε)是只与r，ε(ε>0)有关的常数，则称Pn(k)为佳点集，r为佳点，采用佳点集初始化种群的具体步骤包括：
生成佳点集X＝{x1,x2,...xi,...,xk}(i＝1,2,...,k)，其中k为种群规模；
xi＝{xi1,xi2,...xij,...,xid}中的任意维分量为
d为空间维数；
将佳点集映射到搜索空间：xij＝Lbj+mod(xij,1)×(Ubj-Lbj)，其中xij为麻雀的位置，Ubj，Lbj表示第j维的上下界。
作为一种优选的实施方式，所述发现者位置更新采用如下公式：
w＝r1-r2·(t/MaxIt)2
其中，Xi为发现者位置，R2(R2∈[0,1])和ST(ST∈[0.5,1])分别是预警者和安全值，Q是服从正态分布的随机数，L是一个内部元素全部为1的1×d矩阵，r1和r2是两个权重系数，w为递减的惯性权重。
作为一种优选的实施方式，所述警戒者位置更新采用如下公式：
w1＝r3+r4·(t/MaxIt)2
w2＝r5-r6·(t/MaxIt)2
递减惯性权重w2，递增惯性权重w1，r3、r4、r5、r6都为权重系数，fi是当前麻雀个体的适应度值，fg是当前全局最佳的适应度值，Xz为警戒者位置，Xbest是当前全局最优位置，Xworst则是当前全局最差位置。
作为一种优选的实施方式，所述最优位置扰动策略包括通过转换概率Pm，对最优位置进行扰动，所述转换概率Pm的计算公式为：
式中，t为迭代次数；MaxIt为最大迭代次数。
作为一种优选的实施方式，所述对最优位置进行扰动的计算公式为：
X'＝rc·ct+Xbest,rc∈(0,1)
其中，ct为扰动项，rc为[0,1]之间的随机数。
作为一种优选的实施方式，外部存档更新机制包括比较上一代种群中的个体和新种群中个体的关系，来进行种群的更新，其具体步骤为：如果上一代种群个体支配新种群个体，将上一代种群相应个体的位置和适应度值替换新种群的位置和适应度值；如果新种群个体支配上一代种群个体，那么以小概率替换，保持种群的多样性；
如果彼此都不支配，按照50％概率替换。
本发明实施例提供的技术方案可以包括以下有益效果：
本方案针对麻雀算法进行改进，本方案针对多目标麻雀算法进行改进，首先利用佳点集初始化麻雀种群，使种群分布更加均匀，提升搜索空间，并在发现者位置更新公式中引入最优引导策略和动态惯性权重，改善发现者的原点收敛问题，平衡算法全局探索和局部开发能力；其次为提升算法局部逃逸能力，改进警戒者位置更新策略，并对最优位置麻雀个体进行扰动；最后在外部存档更新过程中引入种群更新方法，加快算法收敛速度，增加种群多样性；
并将其应用于污水处理过程对溶解氧浓度和硝态氮浓度进行寻优，以达到提升出水水质和降低能耗的目的。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的污水处理多目标优化控制结构图；
图2是根据一示例性实施例示出的随机数初始化种群；
图3是根据一示例性实施例示出的tent映射初始化种群；
图4是根据一示例性实施例示出的佳点集初始化种群；
图5是根据一示例性实施例示出的外部存档更新示意图；
图6是根据一示例性实施例示出的MSIMOSSA算法流程图；
图7是根据一示例性实施例示出的SO,5跟踪控制效果图；
图8是根据一示例性实施例示出的SNO,2跟踪控制效果图；
图9是根据一示例性实施例示出的SO,5跟踪误差图；
图10是根据一示例性实施例示出的SNO,2跟踪误差图；
图11是根据一示例性实施例示出的五种出水水质参数变化过程。
具体实施方式
以下描述和附图充分地示出本文的具体实施方案，以使本领域的技术人员能够实践它们。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本文的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。本文中，术语“第一”、“第二”等仅被用来将一个元素与另一个元素区分开来，而不要求或者暗示这些元素之间存在任何实际的关系或者顺序。实际上第一元素也能够被称为第二元素，反之亦然。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的结构、装置或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种结构、装置或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的结构、装置或者设备中还存在另外的相同要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中的术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底"内”、“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文和简化描述，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。在本文的描述中，除非另有规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本文中，除非另有说明，术语“多个”表示两个或两个以上。
本文中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。
本文中，术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
请参照图1-图11，本实施例提供一种基于多目标麻雀算法的污水处理过程优化控制方法，包括以下步骤：采用最小二乘支持向量机建立总能耗和出水水质的软测量模型，并将其作为优化目标函数；从种群初始化、发现者位置更新、警戒者位置更新、最优位置扰动策略以及外部存档更新机制五个方面对麻雀算法进行改进得到多目标麻雀算法，利用改进后多目标麻雀算法对优化目标函数进行优化，得到帕累托解集，对溶解氧浓度和硝态氮浓度的设定值进行寻优。
采用最小二乘支持向量机(LSSVM)对SO5、SNO2与OCI、EQI进行建模；然后，对麻雀算法进行改进，先利用佳点集初始化麻雀种群，使种群分布更加均匀，提升搜索空间，并在发现者位置更新公式中引入最优引导策略和动态惯性权重，改善发现者的原点收敛问题，平衡算法全局探索和局部开发能力，为提升算法局部逃逸能力，改进警戒者位置更新策略，并对最优位置麻雀个体进行扰动，同时在外部存档更新过程中引入种群更新方法，加快算法收敛速度，增加种群多样性；其次，利用改进后算法对SO5和SNO2的设定值进行寻优；最后，为保证在出水水质达标的前提下，有效降低系统总能耗，通过所提算法得到一组帕累托解集，比较解集中每个解对应系统总能耗大小，选择使总能耗最低的解作为当前优化设定值，将其作为控制器跟踪设定值。
污水处理多目标优化控制结构由污水处理工艺模块、多目标优化模块、底层跟踪控制模块三部分组成，如附图1所示。该控制结构主要包括的内容有：首先总能耗、出水水质与SO,5、SNO,2之间没有明确的数学关系，需要离线采集SO,5、SNO,2、总能耗、出水水质的过程数据，利用LSSVM建立总能耗和出水水质的软测量模型，并将其作为优化目标函数；然后利用改进的多目标麻雀算法对优化目标函数进行优化，该算法具有较好的收敛性和多样性，因此可以保证得到的帕累托解集相对精确多样；最后将算法得到SO,5和SNO,2的优化设定值，利用PID跟踪控制，具体通过调整第五分区的溶解氧转换系数(KLa5)和内回流量(Qa)分别控制溶解氧浓度和硝态氮浓度
为了合理地比较控制策略和优化方法，国际水质协会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模型主要由生化反应池和二沉池组成，其中生化反应池共有5个反应单元，前面2个单元为厌氧池，后面3个单元为好氧池，分别进行反硝化反应和硝化反应。反硝化反应，是将硝酸盐还原为气态氮，硝化反应是将氨氮氧化为硝酸盐。
为了客观地评价控制策略和优化方法的性能，将总能耗(overall cost index,OCI)和出水水质(effluent quality index,EQI)作为评价标准。其中OCI包括曝气能耗(aeration energy,AE)和泵送能耗(pumping energy,PE)。
所述优化目标函数为：
minfOCI(x),fEQI(x)
其中，fOCI(X)和fEQI(X)分别表示总能耗和出水水质的优化目标函数，约束条件是对五种出水水质参数的限制值；SNh,e,avg表示出水氨氮的平均浓度，x＝[SO,SNO]为优化向量；
其中，出水水质的表达式如下：
式中，TSS、COD、SNKj、SNO、BOD5、和Qe分别表示固体悬浮物浓度、化学需氧量、凯氏氮浓度、硝态氮浓度、5日生化需氧量和清水排出量；
总能耗的表达式如下：
OCI＝AE+PE
式中：AE表示曝气能耗，PE表示泵送能耗，其表达式如下：
其中，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；qEC,j表示给第j个反应区外加碳源的流量。
麻雀算法是模拟麻雀觅食过程，提出的一种新型智能优化算法。在麻雀觅食的过程中，麻雀被分为三种群体：发现者、加入者、警戒者。发现者是适应度值排名靠前的个体，其他个体则为加入者。发现者和加入者的身份是动态变化的，可以发生转换。从发现者和加入者之中随机选择一部分个体作为警戒者。发现者负责为种群提供觅食区域和方向，其数量为种群的10％～20％，发现者位置更新公式如下：
其中，Xi为发现者位置，R2(R2∈[0,1])和ST(ST∈[0.5,1])分别是预警者和安全值，Q是服从正态分布的随机数，L是一个内部元素全部为1的1×d矩阵。
加入者时刻监视着发现者，食物源不好的加入者会和更好食物源的发现者抢夺食物，而食物源较好的加入者则进行广泛搜索，其位置更新公式如下：
其中，Xj为加入者位置，Xp是目前发现者所占据的最优位置，Xworst则是当前全局最差位置，A为一个1×d的矩阵，矩阵中每个元素被随机赋值为1或者-1，A+＝AT(AAT)-1。
警戒者负责警戒危险，当发现危险时，会迅速逃离当前位置，逃向当前全局最优位置麻雀个体附近，其数量一般占种群的10％～20％，位置更新公式如下：
其中，Xz为警戒者位置，Xbest是当前全局最优位置，β为步长控制参数，是服从均值为0，方差为1的正态分布的随机数，K∈[-1,1]是一位随机数，fi是当前麻雀个体的适应度值，fg和fw分别是当前全局最佳和最差的适应度值，ε是非常小的常数，防止分母为零。
本方案在麻雀算法的基础上，从种群初始化、发现者和警戒者位置更新、最优位置扰动策略以及外部存档更新机制等五个方面进行改进，提出一种融合多策略的多目标麻雀算法。
从种群初始化方面对麻雀算法进行改进包括采用佳点集初始化种群，设GS是S维欧式空间的单位立方体，即x∈GS，X＝(x1,x2,x3,...,xS)，其中0≤xi≤1，i＝1,2,...,S，GS中的点r＝(r1,r2,...,rS)，令r∈GS，形式为Pn(k)＝{(r1(k),...,rS(k)),k＝1,2,...,n}的偏差
满足
其中C(r,ε)是只与r，ε(ε>0)有关的常数，则称Pn(k)为佳点集，r为佳点，算法的寻优性能与初始种群的多样性具有一定关系,多样性越好，算法得收敛速度越快，精度越高。在基本麻雀算法中，初始化种群采用的是随机数初始化方法，该方法容易因种群分布不均匀，多样性较差，导致算法易陷入局部最优，而基于佳点集初始化的种群分布更均匀，初始种群多样性较好，可以有效地提高算法性能，采用佳点集初始化种群的具体步骤包括：
生成佳点集X＝{x1,x2,...xi,...,xk}(i＝1,2,...,k)，其中k为种群规模；
xi＝{xi1,xi2,...xij,...,xid}中的任意维分量为
d为空间维数；
将佳点集映射到搜索空间：xij＝Lbj+mod(xij,1)×(Ubj-Lbj)，其中xij为麻雀的位置，Ubj，Lbj表示第j维的上下界。
为验证佳点集初始化种群的优越性，与随机数初始化种群和tent映射初始化种群作为对比。随机数初始化种群方法通过随机生成解空间内的个体，产生初始种群。tent映射初始化种群方法先采用tent映射产生混沌序列，然后将该序列映射到解空间中，生成初始种群。由附图2-附图4对比可得，基于佳点集初始化生成的种群分布更均匀，更能保证种群多样性。
在原发现者位置更新策略中，当R2<ST时，发现者在迭代后期易收敛于原点，而且发现者又引导种群进行搜索，容易导致算法陷入局部最优。在麻雀个体未发现到危险时，原位置更新公式，未利用到全局最优的位置，发现者之间缺乏足够且有效的交流。改进后的公式，加入最优引导策略，使最优位置信息快速地在发现者之间传递。同时引入了递减的惯性权重w，使得算法在迭代前期，具备较强的全局搜索能力，在迭代后期，具备较强的局部开发能力。改进后的所述发现者位置更新采用如下公式：
w＝r1-r2·(t/MaxIt)2
其中，Xi为发现者位置，R2(R2∈[0,1])和ST(ST∈[0.5,1])分别是预警者和安全值，Q是服从正态分布的随机数，L是一个内部元素全部为1的1×d矩阵，r1和r2是两个权重系数，w为递减的惯性权重。
对于处于种群边缘的警戒者，即fi≠fg的个体，采用递减惯性权重w2，使其逐步靠近最优位置，加快算法收敛；对于处于种群中心的警戒者，采用递增惯性权重w1，使算法在迭代后期跳出局部最优的能力增强。同时，在多目标优化问题中的适应度值fi和fw是多维向量，无法通过式
计算警戒者位置，因此对其更新公式进行了改进，所述警戒者位置更新采用如下公式：
w1＝r3+r4·(t/MaxIt)2
w2＝r5-r6·(t/MaxIt)2
递减惯性权重w2，递增惯性权重w1，r3、r4、r5、r6都为权重系数，fi是当前麻雀个体的适应度值，fg是当前全局最佳的适应度值，Xz为警戒者位置，Xbest是当前全局最优位置，Xworst则是当前全局最差位置。
改进后的发现者和警戒者的位置更新公式都引入了全局最优的位置，由于在算法迭代后期逐步收敛于最优个体，如果该最优个体为局部最优个体，会导致算法陷入局部最优。针对这个问题，本文采用一种扰动策略，通过转换概率，对最优位置进行扰动，提高算法跳出局部最优的能力，所述最优位置扰动策略包括通过转换概率Pm，对最优位置进行扰动，所述转换概率Pm的计算公式为：
式中，t为迭代次数；MaxIt为最大迭代次数。
由上式可知，转换概率随着迭代次数的增加而不断减小。当Pm大于生成的[0,1]之间的随机数r时，则不对最优位置进行扰动，在算法在迭代前期Pm较大，进行扰动的概率较小，以便算法在前期快速寻找全局最优解；反之，则对最优位置进行扰动，在算法迭代后期Pm较小，进行扰动的概率较大，所述对最优位置进行扰动的计算公式为：
X'＝rc·ct+Xbest,rc∈(0,1)
其中，ct为扰动项，rc为[0,1]之间的随机数。
外部存档更新机制包括比较上一代种群中的个体和新种群中个体的关系，来进行种群的更新，其具体步骤为：如果上一代种群个体支配新种群个体，将上一代种群相应个体的位置和适应度值替换新种群的位置和适应度值；如果新种群个体支配上一代种群个体，那么以小概率替换，保持种群的多样性；如果彼此都不支配，按照50％概率替换。
通过该种群的更新方法，使适应度高的个体进行下一次迭代，提高了子代利用率和收敛速度，并在一定程度上改善了种群的多样性。
将更新后的种群作为下一代种群，并与最优解集存档进行非支配排序以产生新的精英外部存档，在下一代更新时替代上一代最优解集存档。如此循环迭代下去，直到满足终止条件，输出最终的精英存档，具体更新流程如附图5所示。附图6为融合多策略的多目标算法的具体流程图。根据先验知识确定算法权重系数的置信区间，然后利用网格搜索算法进行验证寻优，确定最终的权重系数。所提算法整体流程：利用佳点集初始化种群，同时选出全局最优和最差麻雀个体；对全局最优麻雀个体进行扰动，并使用改进后的位置更新公式进行更新迭代；使用种群更新方法得到精英外部存档，并利用自适应网格方法维护存档规模。算法时间复杂度与NSGAII在同一数量级。
表1和表2给出了本方案中算法在数值仿真上的表现。其中反世代距离(InvertedGenevational Distance,IGD)和超体积度量(Hypervolume,HV)用于评价算法收敛性和多样性的性能指标。从表1和表2中可以看出所提算法的收敛性和分布性较相比较算法都有所提升。因此，可以得出，所提算法的性能较优。
表1 IGD平均值
表2 HV平均值
表3参数设置
该算法及PID控制器的参数设置如表3示。附图7-附图10为多目标优化控制SO5set和SNO2set的跟踪效果和跟踪误差图，可以看出第五分区溶解氧浓度和第二分区硝态氮浓度的设定值会随者反应过程而不断调整，而PID控制器能较为准确得对其进行跟踪控制。
附图11为是污水处理在多目标优化控制下，五种出水水质在14d的变化过程。可以看出，在14d内BOD5,COD和TSS都低于出水水质参数指标，这些指标值分别是10mg/L，100mg/L和30mg/L。但是也可以看到，SNh和SNtot在14d内存在峰值超标的情况，由于其14d的平均值分别为3.88mg/L和15.60mg/L，都低于各自的指标值4mg/L和18mg/L，满足排放条件。
表4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。从表4中可以看出，基于MSIMOSSA的优化控制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。
表4晴朗天气下不同优化控制方法的能耗和出水水质对比
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储静态信息和动态信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
需要说明的是，以上描述仅为本申请的一些实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本申请的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (8)
1.一种基于多目标麻雀算法的污水处理过程优化控制方法，其特征在于，包括以下步骤：
采用最小二乘支持向量机建立总能耗和出水水质的软测量模型，并将其作为优化目标函数；
从种群初始化、发现者位置更新、警戒者位置更新、最优位置扰动策略以及外部存档更新机制五个方面对麻雀算法进行改进得到多目标麻雀算法，利用改进后多目标麻雀算法对优化目标函数进行优化，得到帕累托解集，对溶解氧浓度和硝态氮浓度的设定值进行寻优。
2.根据权利要求1所述的一种基于多目标麻雀算法的污水处理过程优化控制方法，其特征在于，所述优化目标函数为：
minfOCI(x),fEQI(x)
其中，fOCI(X)和fEQI(X)分别表示总能耗和出水水质的优化目标函数，约束条件是对五种出水水质参数的限制值；SNh,e,avg表示出水氨氮的平均浓度，x＝[SO,SNO]为优化向量；
其中，出水水质的表达式如下：
式中，TSS、COD、SNKj、SNO、BOD5、和Qe分别表示固体悬浮物浓度、化学需氧量、凯氏氮浓度、硝态氮浓度、5日生化需氧量和清水排出量；
总能耗的表达式如下：
OCI＝AE+PE
式中：AE表示曝气能耗，PE表示泵送能耗，其表达式如下：
其中，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；qEC,j表示给第j个反应区外加碳源的流量。
3.根据权利要求2所述的一种基于多目标麻雀算法的污水处理过程优化控制方法，其特征在于，从种群初始化方面对麻雀算法进行改进包括采用佳点集初始化种群，设GS是S维欧式空间的单位立方体，即x∈GS，X＝(x1,x2,x3,...,xS)，其中0≤xi≤1，i＝1,2,...,S，GS中的点r＝(r1,r2,...,rS)，令r∈GS，形式为Pn(k)＝{(r1(k),...,rS(k)),k＝1,2,...,n}的偏差
满足
其中C(r,ε)是只与r，ε(ε>0)有关的常数，则称Pn(k)为佳点集，r为佳点，采用佳点集初始化种群的具体步骤包括：
生成佳点集X＝{x1,x2,...xi,...,xk}(i＝1,2,...,k)，其中k为种群规模；
xi＝{xi1,xi2,...xij,...,xid}中的任意维分量为
d为空间维数；
将佳点集映射到搜索空间：xij＝Lbj+mod(xij,1)×(Ubj-Lbj)，其中xij为麻雀的位置，Ubj，Lbj表示第j维的上下界。
4.根据权利要求3所述的一种基于多目标麻雀算法的污水处理过程优化控制方法，其特征在于，所述发现者位置更新采用如下公式：
w＝r1-r2·(t/MaxIt)2
其中，Xi为发现者位置，R2(R2∈[0,1])和ST(ST∈[0.5,1])分别是预警者和安全值，Q是服从正态分布的随机数，L是一个内部元素全部为1的1×d矩阵，r1和r2是两个权重系数，w为递减的惯性权重。
5.根据权利要求4所述的一种基于多目标麻雀算法的污水处理过程优化控制方法，所述警戒者位置更新采用如下公式：
w1＝r3+r4·(t/MaxIt)2
w2＝r5-r6·(t/MaxIt)2
递减惯性权重w2，递增惯性权重w1，r3、r4、r5、r6都为权重系数，fi是当前麻雀个体的适应度值，fg是当前全局最佳的适应度值，Xz为警戒者位置，Xbest是当前全局最优位置，Xworst则是当前全局最差位置。
6.根据权利要求5所述的一种基于多目标麻雀算法的污水处理过程优化控制方法，其特征在于，所述最优位置扰动策略包括通过转换概率Pm，对最优位置进行扰动，所述转换概率Pm的计算公式为：
式中，t为迭代次数；MaxIt为最大迭代次数。
7.根据权利要求6所述的一种基于多目标麻雀算法的污水处理过程优化控制方法，其特征在于，所述对最优位置进行扰动的计算公式为：
X'＝rc·ct+Xbest,rc∈(0,1)
其中，ct为扰动项，rc为[0,1]之间的随机数。
8.根据权利要求7所述的一种基于多目标麻雀算法的污水处理过程优化控制方法，其特征在于，外部存档更新机制包括比较上一代种群中的个体和新种群中个体的关系，来进行种群的更新，其具体步骤为：
如果上一代种群个体支配新种群个体，将上一代种群相应个体的位置和适应度值替换新种群的位置和适应度值；
如果新种群个体支配上一代种群个体，那么以小概率替换，保持种群的多样性；
如果彼此都不支配，按照50％概率替换。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310048299.7A CN116048022A (zh) | 2023-01-31 | 2023-01-31 | 一种基于多目标麻雀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 |
|---|---|---|---|
| CN202310048299.7A CN116048022A (zh) | 2023-01-31 | 2023-01-31 | 一种基于多目标麻雀算法的污水处理过程优化控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116048022A true CN116048022A (zh) | 2023-05-02 |
Family
ID=86131043
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310048299.7A Pending CN116048022A (zh) | 2023-01-31 | 2023-01-31 | 一种基于多目标麻雀算法的污水处理过程优化控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116048022A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116595449A (zh) * | 2023-06-06 | 2023-08-15 | 西安科技大学 | 基于改进ssa优化支持向量机的异步电机故障诊断方法 |
| CN116823310A (zh) * | 2023-06-13 | 2023-09-29 | 淮阴工学院 | 一种元宇宙旅游智能优化系统与方法 |
| CN117518782A (zh) * | 2023-12-18 | 2024-02-06 | 无锡轻大百特环保工程有限公司 | 一种ssa优化变论域模糊pid的污水处理控制方法及系统 |
-
2023
- 2023-01-31 CN CN202310048299.7A patent/CN116048022A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116595449A (zh) * | 2023-06-06 | 2023-08-15 | 西安科技大学 | 基于改进ssa优化支持向量机的异步电机故障诊断方法 |
| CN116595449B (zh) * | 2023-06-06 | 2023-12-12 | 西安科技大学 | 基于改进ssa优化支持向量机的异步电机故障诊断方法 |
| CN116823310A (zh) * | 2023-06-13 | 2023-09-29 | 淮阴工学院 | 一种元宇宙旅游智能优化系统与方法 |
| CN117518782A (zh) * | 2023-12-18 | 2024-02-06 | 无锡轻大百特环保工程有限公司 | 一种ssa优化变论域模糊pid的污水处理控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116048022A (zh) | 一种基于多目标麻雀算法的污水处理过程优化控制方法 | |
| CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
| CN110728401B (zh) | 基于松鼠杂草混合算法的神经网络短期电力负荷预测方法 | |
| CN115356930B (zh) | 一种污水处理过程中的多目标优化控制系统及方法 | |
| CN110032755B (zh) | 多工况下城市污水处理过程多目标优化方法 | |
| CN111428985B (zh) | 区域水生态承载力的评估方法 | |
| CN111367181B (zh) | 一种用于污水处理系统的混合驱动智能评判控制方法 | |
| CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
| CN110309965A (zh) | 一种基于改进支持向量机的电网投资需求预测方法及系统 | |
| CN113722980A (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
| CN113568311A (zh) | 基于知识信息的污水处理智能优化控制方法 | |
| Li et al. | An effective dynamic immune optimization control for the wastewater treatment process | |
| CN116108982A (zh) | 一种水库群多目标调度合作搜索方法及系统 | |
| CN118483903A (zh) | 基于知识迁移型约束moea/d的污水处理过程协同优化控制方法 | |
| CN114707692A (zh) | 基于混合神经网络的湿地出水氨氮浓度预测方法及系统 | |
| CN111079902A (zh) | 基于神经网络的分解模糊系统优化方法及装置 | |
| CN116542882B (zh) | 光伏发电平滑方法、系统和存储介质 | |
| CN115759437B (zh) | 基于hgs的bp神经网络污水指标预测方法 | |
| CN111797363A (zh) | 基于数据的污水处理系统自学习轨迹跟踪方法 | |
| CN109359671B (zh) | 一种水电站水库调度规则的分类智能提取方法 | |
| Han et al. | Multitask particle swarm optimization with dynamic transformation | |
| CN114897245B (zh) | 一种基于长短期记忆神经网络的规模风电超短期功率预测误差修正方法 | |
| CN112924646A (zh) | 一种基于自适应剪枝前馈小世界神经网络的出水bod软测量方法 | |
| CN114156914B (zh) | 一种确定配电网电压不平衡治理装置最优接入位置的方法 | |
| 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 |
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 |