基于ESN的污水處理過程優化控制

喬俊飛，王莉莉，韓紅桂

(北京工業大學 電子信息與控制工程學院，北京 100124)

?

基于ESN的污水處理過程優化控制

喬俊飛，王莉莉，韓紅桂

(北京工業大學 電子信息與控制工程學院，北京 100124)

摘要：針對污水處理過程能耗過高的問題，提出了一種基于狀態回聲網絡(ESN)的在線優化控制方法。建立了污水處理過程預測模型，實現性能指標的預測；根據系統的狀態以及預測的性能指標，采用ESN實時優化控制變量的設定值；將優化后的設定值傳送給底層控制器進行跟蹤控制。將ESN優化控制方法在污水處理過程基準仿真模型(BSM1)上進行了驗證，實驗結果表明，該方法不但能夠滿足出水水質的要求，而且降低了污水處理過程運行成本。

關鍵詞：污水處理過程；優化控制；狀態回聲網絡；性能指標預測模型；基準仿真模型

中文引用格式：喬俊飛，王莉莉，韓紅桂. 基于ESN的污水處理過程優化控制[J]. 智能系統學報， 2015, 10(6): 831-837.

隨著水污染問題的日趨嚴重，污水排放不但嚴重影響著居民的日常生活，給人們出行帶來不便，而且直接威脅到了所有生物的生存，破壞了大自然的生態平衡，從經濟角度上看，被污染后的清潔水將會失去原有的使用功能，造成了經濟上的巨大損失。為了降低污水的排放量，有效地進行污水處理已經迫在眉睫。從目前的運行情況來看，污水處理過程中存在的一個問題是運行成本居高、能源消耗大。因此，研究節能降耗技術是當前實現污水處理過程最優控制亟待解決的問題。

污水處理過程是一個具有高度非線性、大滯后、大時變、多變量耦合等特點的復雜系統，在出水水質達標的前提下降低能耗是非常具有挑戰性的[1]，部分學者對其進行了研究并取得了階段性的成果。Zhang等[2]根據進水和出水氨濃度，采用串級控制策略對溶解氧濃度進行了優化控制，不僅降低了能耗，還改善了出水氨氮和總氮濃度。近年來，模型預測控制得到了廣泛的應用[3-6]。Ostace等[3]基于改進的ASM1設計了2種控制策略，均采用模型預測控制算法，策略一是針對溶解氧和硝態氮的閉環控制，策略二在對溶解氧和硝態氮控制的基礎上增加了第5分區的氨的閉環控制，有效降低了運行費用，改善了出水水質。由于污水處理過程參數的時變特性及生化反應過程的不確定性[7-9]，導致建立精確的污水處理機理模型存在一定難度，而模型的精確度對MPC的控制精度有很大影響。Iqbal等[10]采用非主導排序遺傳算法解決污水處理過程中的優化問題，而遺傳算法的計算量大，全局收斂速度較慢，同時其優化結果的精度受編碼長度的控制。由于粒子群不需要復雜的交叉變異，算法簡單、參數少、易于實現，史雄偉等[11]提出一種基于分工策略的粒子群優化算法，用于動態優化底層PID控制器的最佳設定值，達到了出水水質高、能量消耗少的目的。無論是遺傳算法還是粒子群算法，像這種進化計算的智能搜索算法雖然能夠很好地解決優化問題，但是在搜索過程中需要的樣本量非常大，不能實時更新優化信號，更適用于離線優化。

Vrbie等[12]采用策略迭代的方法，通過對當前控制策略的性能評估來對控制策略進行改善，并指出一個智能控制器應該是可以根據外界環境的變化而動態改變控制策略的。文中設計了一種自適應在線優化控制器，通過神經網絡預測未來的性能指標函數值，然后將其傳遞給神經網絡優化層，根據系統的環境狀態以及上一時刻的控制變量設定值來優化預測的指標函數值，使其達到最小，從而產生新的設定值送到底層控制器進行跟蹤，實現污水處理過程的優化控制。

1污水處理過程模型

為了對不同的控制策略進行比較，歐盟科學技術合作組織(COST)和國際水協合作共同提出的一個基準仿真模型(benchmark simulation model 1, BSM1)[13]，它定義了一種污水處理的設備布局、相應的仿真模型、污水負荷、仿真步驟和仿真結果的評價標準，BSM1的總體布局如圖1所示。

圖1　BSM1的設備布局圖Fig.1　The equipment layout of BSM1

該模型由生化反應池和二沉池2部分組成，生化反應池的前2個單元為缺氧區，后3個單元為好氧區，缺氧區2個單元的體積V1=V2=1 000 m3，好氧區3個單元的體積V3=V4=V5=1 333 m3。每個單元中，Qk表示流量；Zk表示各組分的質量分數，Z=(SI,SS,XI,XS,XBH,XP,SNO,SNH,SND,XND,SALK)；rk=vk1ρ1+vk2ρ2+…+vk8ρ8表示各組分的反應速率；各單元物料平衡方程為如下：

單元一(k=1)：

(1)

式中：Qa、Qr、Q0分別為混合液回流量、污泥回流量和入水流量；Q1=Qa+Qr+Q0。

其他單元(k=2~5)：

(2)

式中：Qk=Qk-1。

由于溶解氧濃度受曝氣量的影響，因此其物料平衡方程比較特殊，如式(3)所示：

(3)

式中：溶解氧的飽和濃度SO,sat=8 mg/L。

在BSM1中，控制變量是第5分區的溶解氧和第2分區的硝態氮濃度，如果溶解氧濃度過高，回流到厭氧區的溶解氧濃度就會升高，不利于反硝化過程，同時會使曝氣能耗偏高，如果溶解氧過低，容易發生污泥膨脹；同樣維持合適的硝態氮濃度，才能夠高效利用缺氧區的反硝化能力，同時避免過高的內循環回流量帶來的問題，提高脫氮去除率并減少動力消耗。因此動態調整溶解氧和硝態氮的設定值能有效提高污水處理效率，降低能耗。

2 基于ESN的污水處理優化控制

2.1 優化問題描述

一般情況下，優化的目標是尋找一組能夠使得性能指標達到最大或者最小的設定值優化序列。表示如下：

(4)

(5)

式中：Y(x)表示需要優化的目標函數，G(x)≤0，xi∈I和H(x)=0，xi∈E分別表示優化過程中的不等式和等式約束條件。其中，I為不等式約束指標集，E為等式約束指標集。

Brdys等[5]指出污水處理廠的控制意義在于保證其穩定運行，在使出水水質達標的同時盡量減少能耗。因此，污水處理過程優化是一個多目標優化的過程，不僅要考慮出水水質是否達標，還要考慮是否能節省運行費用?；谝陨希闹卸x優化的性能指標函數如式(6)所示：

(6)

式中：α1、α2為衡量能耗E和出水水質EQ的權重因子，α1、α2∈[0,1]，并且α1+α2=1，E為一個優化周期內的總能耗，是曝氣能耗EA和泵送能耗EP之和，EQ表示一個優化周期向受納水體排放污染物需要支付的罰款，其大小與出水水質的好壞相關聯，出水水質越好，EQ越小。E、EA、EP、EQ的表達式分別如(7)、(8)、(9)、(10)所示：

(7)

(8)

(9)

(10)

式中：k為整數變量，T1=1/(1 000·T)，T為優化周期，KLai為氧氣傳遞速率，Qa為混合液回流量，Qr為污泥回流量，Qw為污泥排放量，Bi為不同污染物對出水水質EQ影響的權重因子。其具體取值如表1。

表1　Bi值

在優化過程中，約束條件包括以下幾個：

1)物料平衡的約束：見式(1)~式(3)；

2)出水水質約束：

COD<100gCOD·m-3

TSS<30gSS·m-3

(11)

3)執行器約束：

控制變量：0.2mg/L

(12)

操作變量： 0d-1

(13)

2.2優化控制系統

基于ESN的在線優化控制系統如圖2所示，包括2個ESN：預測ESN和優化ESN。其中，預測ESN用來估計未來的性能指標函數，優化ESN用來優化預測的性能指標函數。圖中，S(k)表示輸入狀態變量，R(k)為當前時刻的設定值，系統根據系統狀態給定一個初始設定值，預測ESN能夠估計未來時刻的性能指標函數，然后優化ESN根據k+1時刻的狀態及k時刻的設定值，來使預測出的性能指標函數達到最小，進而產生新的設定值傳遞給底層的PID控制器。

圖2　優化控制系統結構圖Fig.2　The structure of optimal control system

2.2.1性能指標預測模型

由于回聲狀態網絡(echo state network，ESN)具有非常強大的非線性逼近能力，文中利用ESN來逼近未來時刻的性能指標函數，性能指標預測模型可以表示為

(14)

式中：J′為性能指標，R為變量設定值，f為系統對應函數。

設系統的輸入為

(15)

則ESN的動態儲備池輸出為

(16)

式中：xP為動態儲備池輸出，WPin、WP、WPback分別為預測網絡的輸入、內部狀態、輸出到內部狀態的連接權值矩陣，f取為Sigmoid函數。ESN的輸出為性能指標函數：

(17)

(18)

權值調整公式為

(19)

式中：ηP為預測網絡的學習速率。

文中采用遞推預測，利用式(14)構建的模型即可得到k+1時刻的預測輸出。

(20)

2.2.2神經網絡優化模型

文中的優化控制系統上層采用神經網絡優化方法，根據污水處理過程k時刻的狀態以及k-1時刻的設定值，通過優化性能指標預測模型的輸出，即k+1時刻的性能指標值J′ (k+1)，來調整優化神經網絡的權值。同樣，神經網絡優化模型采用ESN，其輸入為

(21)

ESN的動態儲備池輸出為

(22)

式中：x為優化網絡的動態儲備池輸出，Win、W、Wback分別為優化網絡的輸入、內部狀態、輸出到內部狀態的連接權值矩陣。ESN的輸出為設定值：

(23)

式中：Wout為優化網絡的內部狀態儲備池到輸出的連接權值矩陣。權值調整公示如式(24)所示[14]。

(24)

式中： η為優化網絡的學習速率，?J′(k+1)/?R(k)可以由性能指標預測模型(16)和(17)求得，?R(k)/?Wout(k)可以通過優化神經網絡(23)獲得，隨著神經網絡權值的調整，△?Wout(k)將會趨于0，即?J′(k+1)/?R(k)會趨于0，因此得到了當J′ (k+1)最小時控制變量的設定值。

3實驗研究

文中的實驗是基于BSM1進行的，它是從實際系統抽離出來公認的一個基準仿真模型，在MATLAB環境下搭建。BSM1包含了晴好天氣、雨天和暴雨天氣3個數據文件，每個文件均為14 d的進水信息，該實驗是在晴好天氣下進行的。用于預測性能指標的ESN和用于優化的ESN內部神經元均為45個，性能指標中α1、α2分別取為0.8、0.2，優化ESN 中輸入S(k)為k時刻的狀態，包括：進水溶解氧濃度(SO)、進水硝態氮濃度(SNO)、進水氨濃度(SNH)、進水可溶性有機氮(SND)、進水不可溶性有機氮(XND)和進水流量(Q0)，優化周期為2 h，輸出為設定值，然后將其傳遞給底層的PID控制器進行跟蹤，PID參數分別取為：KPO=200，KIO=150，KDO=5，KPNO=80 000，KINO=7 000，KDNO=400，圖3和圖4分別為溶解氧濃度和硝態氮濃度的優化結果，溶解氧濃度和硝態氮濃度隨著外界環境(進水流量和入水組分)的變化呈現周期性變化。將神經網絡優化控制與BSM1中缺省的PID閉環控制策略(溶解氧濃度和硝態氮濃度的設定值為固定值，分別為2 mg/L和1 mg/L)相比較，出水BOD、出水COD以及TSS的對比分別如圖5~7所示，出水氨氮、總氮的對比結果如圖8和圖9，表2為2種控制策略下的平均出水水質比較。以上結果均顯示，出水BOD、出水COD及出水TSS變化不大，而隨著對溶解氧濃度和硝態氮濃度的優化，溶解氧濃度的平均設定值相較于閉環控制的溶解氧濃度2 mg/L降低了，如圖3所示。式(21)和式(22)為硝化過程的反應方程式，式(23)為反硝化過程的反應方程式，溶解氧濃度的降低影響了硝化過程，所以表2中氨氮的濃度升高了。

(21)

(22)

(23)

溶解氧濃度的降低導致回流到缺氧區的溶解氧濃度降低，有利于反硝化過程的進行，進而總氮濃度降低了。

表3中優化控制與閉環控制相比，雖然EQ增大了0.881%，但是表2中的出水水質仍然滿足國家排放標準，優化控制比閉環控制的泵送能耗PE增加了12.77%，曝氣能耗AE減少了4.958%，致使總能耗(AE與PE之和)減少3.906%，達到了較好的節能效果。在污水處理過程中，AE會占到總運行費用的60%以上或是更多[15]，優化控制后的溶解氧濃度設定值的平均值小于閉環回路控制所采取的經驗設定值(2 mg/L)，需氧量減少，AE明顯降低；硝態氮濃度影響PE的大小，優化控制中的平均設定值大于閉環控制的經驗值(1 mg/L)，因此PE升高。而曝氣能耗在總能耗占的比重較大，最終運行成本降低。

圖3　溶解氧優化效果Fig.3　Optimization results of the dissolved oxygen concentration

圖4　硝態氮優化效果Fig.4　Optimization results of the nitrate concentration

圖5　出水BOD的效果比較Fig.5　Comparison results of effluent BOD

圖6　出水COD的效果比較Fig.6　Comparison results of effluent COD

圖7　出水TSS的效果比較Fig.7　Comparison results of effluent TSS

圖8　出水氨氮的效果比較Fig.8　Comparison results of effluent SNH

圖9　出水總氮的效果比較Fig.9　Comparison results of effluent Ntot

控制策略BOD5/gCOD·m-3COD/gCOD·m-3SNH/gN·m-3Ntot/gN·m-3TSS/gSS·m-3閉環控制2.676347.51142.303716.800612.6219優化控制2.678447.52352.872315.601412.5917

表3　2種控制策略的能耗和各設定值比較

5結束語

文中以BSM1為平臺，綜合考慮出水水質、曝氣能耗和泵送能耗多個優化目標，對第5分區的溶解氧濃度和第2分區的硝態氮濃度進行了神經網絡在線優化控制，能夠根據環境狀態變化來動態調整控制變量設定值，解決了模型預測控制中建立的機理模型不精確問題，克服了智能優化算法計算復雜度大、不能實時更新優化控制信號的缺點。實驗結果表明，基于ESN的污水處理過程節能優化控制策略，不但能夠滿足國家出水水質達標的要求，而且能夠動態優化控制參量的設定值，最終實現降低運行成本的目的。

參考文獻:

[1]HAIMIA H, MULAS M, CORONA F, et al. Data-derived soft-sensors for biological wastewater treatment plants: an overview[J]. Environmental Modelling and Software, 2013, 47: 88-107.

[2]ZHANG Ping, YUAN Mingzhe, WANG Hong. Improvement of nitrogen removal and reduction of operating costs in an activated sludge process with feedforward-cascade control strategy[J]. Biochemical Engineering Journal, 2008, 41(1): 53-58.

[3]OSTACE G S, CRISTEA V M, AGACHI P S. Cost reduction of the wastewater treatment plant operation by MPC based on modified ASM1 with two-step nitrification/denitrification model[J]. Computers and Chemical Engineering, 2011, 35(11): 2469-2479.

[4]PIOTROWSKI R, BRDYS M A, KONARCZAK K, et al. Hierarchical dissolved oxygen control for activated sludge processes[J]. Control Engineering Practice, 2008, 16(1): 114-131.

[5]BRDYS M A, GROCHOWSKI M, GMINSKI T, et al. Hierarchical predictive control of integrated wastewater treatment systems[J]. Control Engineering Practice, 2008, 16(6): 751-767.

[6]HOLENDA B, DOMOKOS E, RéDEY, et al. Dissolved oxygen control of the activated sludge wastewater treatment process using model predictive control[J]. Computers and Chemical Engineering, 2008, 32(6): 1270-1278.

[7]薄迎春, 喬俊飛. 啟發式動態規劃在污水處理過程控制中的應用[J]. 控制理論與應用, 2013, 30(7): 828-833.

BO Yingchun, QIAO Junfei. Application of heuristic dynamic programming to wastewater treatment process control[J]. Control Theory and Applications, 2013, 30(7): 828-833.

[8]叢秋梅, 柴天佑, 余文, 等. 污水處理過程的遞階神經網絡建模[J]. 控制理論與應用, 2009, 26(1): 8-14.

CONG Qiumei, CHAI Tianyou, YU Wen, et al. Modeling wastewater treatment plant via hierarchical neural networks[J]. Control Theory and Applications, 2009, 26(1): 8-14.

[9]JOUANNEAU S, RECOULES L, DURAND M J, et al. Methods for assessing biochemical oxygen demand (BOD): a review[J]. Water Research, 2014, 49: 62-82.

[10]IQBAL J, GURIA C. Optimization of an operating domestic wastewater treatment plant using elitist non-dominated sorting genetic algorithm[J]. Chemical Engineering Research and Design, 2009, 87(11): 1481-1496.

[11]史雄偉, 喬俊飛, 苑明哲. 基于改進粒子群優化算法的污水處理過程優化控制[J]. 信息與控制, 2011, 40(5): 698-703.

SHI Xiongwei, QIAO Junfei, YUAN Mingzhe. Optimal control for wastewater treatment process based on improved particle swarm optimization algorithm[J]. Information and Control, 2011, 40(5): 698-703.

[12]VRABIE D, LEWIS F. Neural network approach to continuous-time direct adaptive optimal control for partially unknown nonlinear systems[J]. Neural Networks, 2009, 22(3): 237-246.

[13]COPP J B. The COST simulation benchmark: description and simulator manual[R]. Luxembourg: Office for Publications of the European Community, 2001.

[14]QIAO Junfei, BO Yingchun, CHAI Wei, et al. Adaptive optimal control for a wastewater treatment plant based on a data-driven method[J]. Water Science and Technology, 2013, 67(10): 2314-2320.

[15]CHACHUAT B, ROCHE N, LATIFI M. Long-term optimal aeration strategies for small-size alternating activated sludge treatment plants[J]. Chemical Engineering and Processing: Process Intensification, 2005, 44(5): 591-604.

喬俊飛，男，1968年生，教授，博士生導師，教育部長江學者特聘教授，國家杰出青年基金獲得者，北京市精品課程負責人。主要研究方向為智能信息處理、智能優化控制。近5年發表學術論文近70篇，被SCI檢索20余篇。教育部科技進步獎一等獎和北京市科學技術獎三等獎各1項，獲得授權國家發明專利12項。

王莉莉，女，1987年生，碩士研究生，主要研究方向為污水處理智能優化控制。

韓紅桂，男，1983年生，教授，博士生導師，先后入選香江學者計劃，北京市科技新星計劃。主要研究方向為污水處理過程建模、優化與控制。近5年來，發表學術論文30余篇，其中SCI檢索20余篇。參與3本專著編寫，申請國家發明專利20項(其中授權13項)。

網絡出版地址：http://www.cnki.net/kcms/detail/23.1538.tp.20151113.1127.002.html

英文引用格式：QIAO Junfei, WANG Lili, HAN Honggui. Optimal control for wastewater treatment process based on ESN neural network[J]. CAAI Transactions on Intelligent Systems, 2015, 10(6): 831-837.

Optimal control for wastewater treatment process

based on ESN neural network

QIAO Junfei, WANG Lili, HAN Honggui

(College of Electronic and Control Engineering, Beijing University of Technology, Beijing 100124, China)

Abstract：To address the problem of the high-energy consumption in wastewater treatment processes, we propose an online optimal control method based on an echo state network (ESN). This method has three main steps. First, we develop a performance prediction model of the wastewater treatment process. Second, based on the system state and the predicted performance index, we optimize the set point of the control variable using the ESN in real time. Then we transfer the optimized set point to the underlying controller for tracking control. This ESN-based online optimal control method is carried out using the benchmark simulation model 1 (BSM1). The simulation results show that the proposed method can not only meet the effluent quality requirements, but also efficiently reduce the operation costs of the wastewater treatment process.

Keywords：wastewater treatment process; optimal control; echo state network; performance prediction model; benchmark simulation model

作者簡介：

通信作者：韓紅桂. E-mail：rechardhan@sina.com.

基金項目：國家自然科學基金重點基金資助項目(61533002)；國家自然科學基金杰出青年基金資助項目(61225016)；中國博士后科學基金一等資助項目(2014M550017)；北京市教育委員會科研計劃資助項目(KZ201410005002，km201410005001)；高等學校博士學科點專項科研基金資助項目(20131103110016)．

收稿日期：2014-01-01. 網絡出版日期：2015-11-13.

中圖分類號：TP18

文獻標志碼：A

文章編號：1673-4785(2015)06-0831-07

DOI:10.11992/tis.201401009