污水處理決策優化控制

栗三一 喬俊飛 李文靜 顧錁

污水處理可有效緩解水資源匱乏問題和減少環境污染[1?2].然而污水處理過程的控制面臨以下難題[3]:1)生化反應過程十分復雜,擁有眾多變量且變量之間耦合嚴重;2)流入污水的濃度和流量是時變的;3)在出水達標的情況下需要盡可能降低能耗、提高水質.

針對污水處理過程控制問題,國內外學者做了大量研究.Mulas等[4]將多變量預測控制應用于市政污水處理的活性污泥過程,以最小化經濟花費和提高總氮去除率為目標,使用動態矩陣控制算法控制水總氮濃度(SNtot,e),實驗表明該方法可以同時減少能耗和降低SNtot,e峰值.Sant′?n等[5]針對污水處理過程提出一種二級分層控制結構,使用模糊控制動態調節第五分區溶解氧濃度(SO,5)設定值,底層使用模型預測控制器對SO,5進行跟蹤控制,達到降低能耗和提高水質的目標.Egea等[6]以能耗和水質為目標,使用epsilon約束和分散搜索技術搜索pareto解,直接對第五分區氧轉換系數(KLa,5)和內回流量(Qa)進行控制.Yang等[7]使用模糊c均值聚類方法和最小二乘方法對污水處理過程建立模糊模型,根據模糊模型設計模型預測控制器對SO,5進行控制,實驗表明該控制器在暫態過程和穩態過程都有很好的控制效果.Vega等[8]將非線性模型預測控制應用于污水處理分層控制,在優化層分別使用靜態優化算法和動態優化算法對SO,5和第二分區硝態氮濃度(SNO,2)進行優化,底層跟蹤控制使用非線性模型預測控制,該控制策略在固定設定值、PID控制的基礎上降低20%能耗.Han等[9]對污水處理過程提出非線性多目標模型預測控制方法,該方法使用自組織徑向基函數(Radial basis function,RBF)神經網絡建立預測模型,使用多目標梯度優化方法對SO,5和SNO,2進行動態調節,以達到降低能耗的目標.以上研究以提高水質或減少能耗為目標,取得了令人滿意的效果,但忽視了出水氨氮濃度SNH,e和SNtot,e峰值超標的問題.SNH,e和SNtot,e超標不僅會污染環境、危害人體健康,而且會因排污超標受到罰款,造成污水處理廠的經濟損失.

在解決SNH,e和SNtot,e峰值超標問題方面,Sant′?n等[10]于2016年首次提出污水處理決策控制方法.該方法以入水流量、入水氨氮濃度預測SNH,e和SNtot,e,對外加碳源量和Qa進行模糊控制,從而達到抑制SNH,e和SNtot,e峰值的目的.該方法有效抑制了SNH,e和SNtot,e峰值,但存在能耗較大的問題.

以在抑制SNH,e和SNtot,e峰值的情況下降低能耗為目標,本文提出污水處理決策優化控制方法.首先使用神經網絡建立SNH,e和SNtot,e預測模型;然后使用局部搜索NSGA2算法對能耗和水質進行優化,結合預測模型從Pareto解中選取合適的解作為溶解氧和硝態氮濃度設定值;最后根據預測模型的輸出判斷SNH,e和SNtot,e是否超標.如果超標,則使用模糊控制方法對外部碳源和Qa進行控制,抑制峰值.如果不超標,則使用模糊控制器控制Qa和KLa,5對設定值進行跟蹤控制.本文提出方法的優勢在于:

1)將SO,5和SNO,2加入預測模型輸入.由于SO,5和SNO,2對SNH,e和SNtot,e有重要影響[11],將其加入預測模型輸入端,提高了預測模型的精度.

2)提出時滯時間計算方法.根據每天的入水氨氮和SNH,e峰值時間差估算延遲時間,對建立預測模型數據采樣提供支持.

3)為了避免多目標進化算法陷入局部最優,使用基于密度的局部搜索NSGA2算法(NSGA2-DLS)[12]對能耗和水質進行優化,在出水達標的情況下有效地降低能耗.

4)將預測模型應用于最優解的選取過程,從而將優化控制與決策控制有機結合.該最優解選取策略可以優先通過調節設定值確保出水水質達標,從而盡可能降低能耗.

5)預測模型可以預測一段時間之后的SNH,e和SNtot,e,從而可以根據預測結果進行提前控制,有效抑制峰值超標.

1 建立預測模型

考慮到污水處理是一個大滯后過程,根據當前入水情況建立預測模型,預測一段時間之后的出水污染物濃度,從而可以根據預測結果進行提前控制.

1.1 數據采集

本文以活性污泥污水處理基準仿真模型BSM1[13]為實驗平臺進行數據采樣和實驗驗證.首先使BSM1模型開環運行14天,記錄入水氨氮濃度、第二分區氨氮濃度、第五分區氨氮濃度和SNH,e,其濃度變化曲線如圖1所示.記錄每天各區域氨氮濃度峰值對應的時刻,計算每天從入水到第二分區、第五分區和出水的滯后時間,每天的滯后時間如表1所示.

表1 不同區域到入水氨氮濃度最大時刻滯后時間(h)Table 1 The time lag from in flow to different regions(h)

然后根據每天的滯后時間對數據進行采樣.由于SO,5和SNO,2對SNH,e和SNtot,e有重要影響[11],本文以入水流量、入水氨氮、當前出水氨氮濃度、SO,5和SNO,2作為SNH,e預測模型輸入變量,以入水流量、入水總氮、當前出水總氮濃度、SO,5和SNO,2作為SNtot,e預測模型輸入變量.根據實際經驗將SO,5濃度設定值設定在1.4～2.4mg/l,SNO,2濃度設定值設定在0.5～1.5,設定值設定后即在BSM1模型上運行14天,每15分鐘采樣一次,取不同的設定值的組合方式,共獲得199727組數據.

1.2 神經網絡建模

本文使用前饋神經網絡建立出水氨氮和總氮濃度預測模型,模型示意圖如圖2和圖3所示.兩個神經網絡模型的結構均為5-50-1(試錯法確定隱含層神經元數).將采樣獲得的199727組數據隨機選取181570組作為訓練樣本,剩余數據作為測試樣本.權值初始化采用文獻[14]提出的方法,訓練時將數據歸一化到[?1,1],使用BP算法對網絡進行訓練[15],初始學習率設為0.1,最大學習步數為4000步.模型測試均方根誤差(Root mean square error,RMSE)如表2 所示.Sant′?n 等[10]建立預測模型時僅將入水氨氮濃度、入水流量和溫度作為預測模型的輸入,本文將對SNH,e和SNtot,e有重要影響的SO,5和SNO,2加入輸入變量,從表2的結果可以看出,將SO,5和SNO,2加入模型輸入端有效提高了預測模型的精度.

圖2 出水氨氮濃度預測模型Fig.2 Prediction model ofSNH,e

圖3 出水總氮濃度預測模型Fig.3 Prediction model ofSNtot,e

表2 預測模型測試均方根誤差(10次實驗平均值)Table 2 Test RMSE of prediction model(mean value of ten test results)

污水處理過程中各變量耦合嚴重,對SNH,e和SNtot,e濃度有影響的變量很多,根據機理分析和已有的研究[10?11,16],本文選取影響最大的五個變量作為模型輸入,但預測值不可避免與實際值存在誤差,下面討論該誤差對本文提出的控制策略的影響.

在BSM1平臺上進行開環運行14天,使用建立的預測模型對SNH,e和SNtot,e進行預測并與實際值進行對比,仿真結果如圖4和圖5所示.圖中實線曲線表示實際濃度曲線,虛線表示模型預測曲線,從圖4和圖5可以看出,每天城市污水的出水量是不斷變化的,而且最高值和最低值相差比較大,在國家規定的濃度上限值(SNH,e和SNtot,e的上限值分別為4mg/l和18mg/l)附近曲線的變化率很大,模型在該上限值附近預測誤差并不大.共存在四種情況,下面分別進行討論.

圖4 出水氨氮濃度預測曲線Fig.4 Prediction curve and actual curve ofSNH,e

圖5 出水總氮濃度預測曲線Fig.5 Prediction curve and actual curve ofSNtot,e

第一種情況是峰值超標嚴重,從圖4和圖5可以看出,最多提前或滯后半小時啟動應急操作,對于污水處理這樣的慢反應過程而言在可接受范圍之內.根據實際情況,當對污水處理過程沒有相應操作時,出水不會長時間固定在國家標準附近,也就是說不存在長時間誤判超標的情況.

第二種情況是峰值超標但超標值很少,從圖中可以看到,峰值持續時間都比較短,即使誤判為沒有超標,出水氨氮和總氮濃度也會很快降到標準以下,因此這種情況影響不大.

第三種情況是峰值接近上限值但沒有超標,這種情況可能存在誤判超標從而啟動應急操作.從實驗結果可以看到,誤判的時間持續很短暫,在1～2個小時內就會達到終止應急操作的條件,因此造成的損失有限.

第四種情況為峰值距離上限值較遠,這種情況下判斷基本準確,不會進行誤操作.

從以上分析可以看出,出水氨氮和總氮預測模型的輸出與實際值存在偏差,但對實際操作造成的損失并不大,即使誤判也會在較短時間內更正操作.

2 設定值動態優化

SO,5和SNO,2不僅對SNH,e和SNtot,e有重要影響,而且直接受KLa,5和Qa的影響,對其濃度設定值進行優化可以有效降低能耗[11].因此本文首先使用神經網絡建立能耗模型和水質模型作為優化目標函數,然后使用多目標進化算法對目標進行優化,結合之前建立的預測模型挑選合適的解作為SO,5和SNO,2的設定值.

2.1 建立能耗、水質模型

使用多目標優化算法調整SO,5和SNO,2設定值,首先需要確定目標函數.根據課題研究背景,將能耗和水質作為優化算法的兩個目標函數.由于污水處理過程影響能耗和水質的因素眾多,且各影響因素之間關系復雜,能耗模型和水質模型難以直接獲得.本文使用前饋神經網絡建立能耗和水質模型.

能耗模型和水質模型輸入變量均為出水懸浮物濃度、SNH,e、SO,5和SNO,2[17].數據采集不考慮時間延遲,每15分鐘采集一次數據,數據采集方法與第1.1節相同,SNO,2濃度設定值和SO,5濃度設定值在取值范圍內取不同的數值在BSM1平臺上進行實驗,共記錄295669組數據進行建模,其中268790組數據用于訓練,26879組數據用于測試,模型結構4-40-1(試錯法確定隱含層神經元數).參數設定和訓練方法與建立預測模型相同.能耗模型測試RMSE為0.0883,水質模型測試RMSE為0.4202.

2.2 優化問題模型

污水處理過程優化問題可以表示為以下數學形式:

其中,F1和F2為兩個目標函數,分別代表能耗和水質;f1和f2為第2.1節建立的能耗模型和水質模型;決策向量X的兩個元素(x1,x2)分別表示第五分區溶解氧濃度和第二分區硝態氮濃度;l1和ui分別為第i個決策變量的下界和上界;?為超標懲罰項,計算公式為

其中,CNH和CNtot分別表示預測出水氨氮濃度超標值和預測出水總氮超標值;fNH和fNtot分別表示第1節建立的SNH,e預測模型和SNtot,e預測模型;4和18分別為國家規定的SNH,e和SNtot,e上限值.

2.3 種群稀疏度求取

本文實驗初始種群總數N為100,即有N個解,首先對目標函數值進行歸一化.設第i個解Xi的目標向量為(F1(Xi),F2(Xi)),則歸一化公式為[18]

其中,Fjmin和Fjmax分別為當前所有解對應的第j個目標函數值的最大值和最小值.歸一化后第i個解Xi的稀疏度計算公式為

其中,ni為目標函數空間中與目標向量F(Xi)歐氏距離小于r的其他目標向量的個數,r的取值范圍為0

2.4 局部搜索過程

將當前稀疏度最小的非支配解X=(x1,x2)作為稀疏解,種群總數N為100,決策變量個數n為2.為了增加收斂精度,首先使用極限優化[19]變異方法進行局部搜索,產生局部解個數為n,產生局部解的變異公式為

其中,xi為決策變量;h為0～1的隨機數;q為正實數,稱為形狀參數,本文將q設為11;βmax(xi)為當前決策變量xi可變動的最大值.

其次使用隨機移民策略進行變異操作,增加收斂速度的同時避免陷入局部最優.該變異策略則產生局部解個數為種群總數的20%(如不能整除則取整),變異公式為

其中,γ為0～1.2的隨機數.以上兩種變異策略共產生n+d0.2Ne個局部解.

2.5 多目標優化步驟

使用NSGA2-DLS[12]算法進行多目標優化.溶解氧濃度取值范圍為[1.4,2.7],硝態氮濃度取值范圍為[0.5,1.5].初始種群數量N為100,最大函數調用次數Imax為30,交叉概率0.9;變異概率0.01.形狀參數q為11.具體優化步驟如下:

步驟1.在取值范圍內隨機初始化種群PI={X1,X2,···,XN},其中,.

步驟2.計算PI中所有解的適應度值和擁擠距離(與標準NSGA2相同),對PI中的解進行非支配排序,當前種群中所有非支配解記為PC.

步驟3.按照標準NSGA2算法對PI中的種群進行交叉變異,形成子代PM.

步驟4.在目標函數空間內,按式(3)和式(4)計算PC中所有解的稀疏度,選擇稀疏度最小的解作為稀疏解X=(x1,x2).

步驟5.按式(5)～(10)形成n+d0.2Ne個局部解,所有局部解組成種群PN,PN參與到下一代的競爭中.

步驟6.將PI,PN和PM合并,并對所有解進行非支配排序和擁擠距離計算,從中選取最優的N個解形成下一代種群PO,并設PI=PO.PO的選取規則為:優先選取非支配解,當非支配解數量不足N時,選取次優解,以此類推,直到解的數量達到N為止;在同一等級的解中,擁擠距離大的解優先選取.

步驟7.重復步驟2～6,當達到最大迭代步數Imax時進行下一步.

步驟8.當前PI中的非支配解即為得到的最優解.

2.6 最優解選取

使用多目標優化算法得到多個非支配解,需要從中選取合適的解作為SO,5和SNO,2設定值.從非支配解集中選取解時,具體步驟如下:

步驟1.將得到的所有非支配解帶入預測模型,將出水指標達標的解加入解集PD.

步驟2.若PD不為空集,則降低能耗為主要目標,從PD中選取能耗最低的解作為設定值.

步驟3.若PD為空集,則抑制出水污染濃度為主要目標,從非支配解中選取水質最高的解作為設定值.

該最優解選取方法將預測模型應用于最優解的選取過程,可以優先通過調節設定值確保出水水質達標,從而盡可能降低能耗.

3 決策優化控制

根據第2節得到SO,5和SNO,2設定值,將設定值帶入SNH,e和SNtot,e預測模型.如果預測出水水質達標則切換到跟蹤控制策略,對SO,5和SNO,2進行跟蹤控制.如果預測SNH,e或SNtot,e超標,則切換到抑制控制策略,對峰值進行抑制.控制策略圖如圖6所示.

3.1 溶解氧、硝態氮濃度跟蹤控制

當預測SNH,e和SNtot,e都不超標時,使用兩個模糊控制器分別控制KLa,5和Qa,從而對SO,5和SNO,2進行跟蹤控制.

SO,5模糊跟蹤控制器的輸入為當前濃度與設定值之間的誤差eo和4eo誤差變化量,輸出為KLa,5變化量4KLa,5.Ke,Kec和Ku分別為誤差、誤差變化量的量化因子和曝氣變化量的比例因子,分別設為10,6,?20.eo和4KLa,5的基本論域為[?6,6],4eo的基本論域為[?4,4].eo和4KLa,5對應的模糊子集為:{NB,NM,NS,ZO,PS,PM,PB},分別表示負大,負中,負小,零,正小,正中,正大.4eo的模糊子集為:{NB,NS,ZO,PS,PB},分別表示負大,負小,零,正小,正大.eo和4eo的語言變量分別用E和EC表示,模糊控制器規則表如表3所示.

圖6 決策優化控制示意圖Fig.6 The proposed decision and optimization control system

表3 SO,5模糊跟蹤控制器模糊規則Table 3 Fuzzy rules ofSO,5fuzzy controller

SNO,2模糊跟蹤控制器的輸入為當前濃度與設定值之間的誤差eNO和誤差變化量4eNO,輸出為Qa,對應的量化因子和比例因子分別為12,40和?2500.論域、模糊子集和模糊規則與SO,5跟蹤控制器相同.

3.2 出水氨氮濃度峰值抑制控制

當預測SNH,e超標時,使用一個模糊控制器對Qa進行控制,從而抑制出水氨氮峰值.當預測出水氨氮超標時,首先增加Qa稀釋流入第一分區的氨氮濃度;當氨氮濃度峰值到達第五分區時,減少Qa以增加水力停留時間,從而促進硝化反應.在調整Qa的同時,將第五分區溶解氧設定值設定為原來的1.5倍.

模糊控制器的輸入為第五分區氨氮濃度(SNH,5),輸出為Qa.輸入和輸出變量都包含三個模糊子集:{L,M,H}分別表示低、中和高.模糊規則如下:

SNH,5的取值范圍為3～4.1mg/l,Qa的取值范圍為3000～200000m3/d.當預測出水氨氮達標并且SNH,5小于3.5mg/l時切換回模糊跟蹤控制.

3.3 出水總氮濃度峰值抑制控制

當預測SNtot,e超標時,根據SNtot,e預測值對第一分區外加碳源(qEC1)和第二分區外加碳源(qEC2)進行模糊控制,增加碳源可以促進反硝化作用,去除氮元素.模糊控制器的輸入為出水總氮預測值(SNtot),輸出為外加碳源量qEC.輸入和輸出變量都包含三個模糊子集:{L,M,H}分別表示低、中和高.模糊規則如下:

SNtot的取值范圍為17～19.5mg/l,qEC的取值范圍為4～7m3/d,qEC1的最大值為5,若qEC<5,則qEC1=qEC,否則qEC1=5,qEC2=qEC?5.當預測出水總氮低于17mg/l并且第五分區總氮低于13.5mg/l時,切換回模糊跟蹤控制.

4 實驗結果及分析

本文主要做了兩組實驗,一組實驗采用基于NSGA2-DLS的優化控制策略進行污水處理控制,結果與已有的優化控制方法對比,主要目的為驗證NSGA2-DLS在解決污水處理優化問題方面的有效性.另一組實驗采用本文提出的決策優化控制策略,結果與其他決策控制方法對比,驗證本文提出的決策優化控制策略可以在抑制SNH,e和SNtot,e超標的基礎上降低能耗.所有實驗采用MATLAB10.0b軟件進行仿真實驗,實驗平臺為國際通用仿真平臺BSM1.

4.1 評價指標

污水處理后出水水質限制如表4所示,包括SNH,e,SNtot,e,固體懸浮物濃度TSS,5天生物需氧量BOD5和化學需氧量COD.

表4 出水水質限制Table 4 Effluent quality limits

本文使用的評價指標主要有:水質EQ、總費用OCI和水質超標時間百分比P,具體公式為

其中,T為觀察周期,SNKj為凱氏氮濃度,SNO為硝態氮濃度,Qe為出水流量.

其中,AE為曝氣能耗,PE為泵送能耗,EC為碳源費用,計算公式為

其中,KLa,k為第k個池子氧轉換系數,Vk為系數.

其中,Qa為內回流速,Qr為外回流速,Qw為污泥流速.

其中,qEC,k為第k個池子的外加碳源流速.

水質超標時間百分比計算公式為

其中,Tc為水質超標總時間,Tz為總運行時間.

4.2 基于NSGA2-DLS的優化控制

為驗證本文使用優化控制方法的有效性,使用基于NSGA2-DLS的優化控制方法對BSM1污水處理模型進行控制,但不對超標峰值進行抑制,模擬在晴天天氣下連續進行7天優化控制.首先使用優化算法對SO,5和SNO,2設定值進行優化,由于污水處理是一個慢過程,控制需要一定的反應時間,因此每2小時優化一次設定值.然后使用模糊控制器對設定值進行跟蹤控制.

各出水指標變化曲線如圖7所示,SO,5和SNO,2設定值變化及跟蹤效果如圖8和圖9所示.控制效果如表5所示,控制效果與固定設定值(SO,5和SNO,2設定值分別為2和1),不抑制峰值(記為F1),DPSO[20],APSO[21]和ESN[22]進行對比.從圖7可以看出,出水TSS,BOD5和COD濃度均保持在規定范圍以內,出水SNH和SNtot濃度雖然大部分時間在要求范圍以內,但在峰值處超標嚴重.從圖8和圖9可以看出,本文使用的模糊控制器雖然可以有效跟蹤設定值,但是在設定值變化時有超調,但此問題不是本文研究的重點.表5給出了不同優化控制方法對BSM1模型的控制效果,從表5可以看出,各出水指標均值都在限定范圍之內,本文使用的NSGA2-DLS算法得到的能耗最低,但水質指標也有所升高.

圖7 各出水水質濃度變化曲線Fig.7 The change of water quality parameters

通過以上分析可知,NSGA2-DLS算法在污水處理優化控制中的應用可以有效降低能耗,各指標均值都達到出水標準,但是SNH,e和SNtot,e峰值超標嚴重,峰值的抑制控制十分必要.

4.3 決策優化控制

將優化控制與決策控制相結合,使用優化控制降低能耗,決策控制對SNH,e和SNtot,e峰值進行抑制,模擬在晴天天氣下連續進行7天決策優化控制.首先使用優化算法對SO,5和SNO,2設定值進行優化,優化周期為2小時.然后使用預測模型預測SNH,e和SNtot,e是否超標,如果都不超標,則對SO,5和SNO,2進行跟蹤控制;如預測SNH,e超標,則切換到SNH,e峰值抑制控制);如預測SNtot,e超標,則切換到SNtot,e峰值抑制控制.

表5 不同算法控制效果比較(出水指標、能耗和水質)Table 5 Performance comparison for different control algorithms(effluent parameters,OCIandEQ)

圖8 SNO,2設定值及跟蹤曲線Fig.8 Optimization and tracking results ofSNO,2

圖9 SO,5設定值及跟蹤曲線Fig.9 Optimization and tracking results ofSO,5

決策優化控制的出水TSS,BOD5和COD濃度變化如圖10所示.決策優化控制與NSGA2-DLS優化控制下SNH,e和SNtot,e的對比如圖11和圖12所示.SO,5和SNO,2設定值變化及跟蹤效果如圖13和圖14所示,Qa和KLa,5變化曲線如圖15和圖16所示.實驗結果與其他抑制SNH,e和SNtot,e峰值方法進行比較,對比方法有:固定SO,5和SNO,2設定值抑制峰值 (記為 F2)、Jeppsson[23]、Nopens[24]、Flores-Alsina[25]和 Sant′?n[10],對比結果如表6所示.

表6 不同SNH,e和SNtot,e峰值抑制方法效果對比Table 6 Performance comparison for differentSNH,eandSNtot,epeak suppression methods

從圖10可知,決策優化控制下出水TSS,BOD5和COD濃度均保持在規定范圍以內.圖11和圖12表明,抑制控制的加入有效抑制了SNH,e和SNtot,e峰值.從圖13和圖14的SO,5和SNO,2跟蹤曲線可以看出,當切換到抑制控制時,抑制峰值為首要目標,因此在抑制控制時SO,5和SNO,2與設定值相差較大.圖15和圖16表示的Qa變化曲線和KLa,5變化曲線顯示了SNH,e和SNtot,e在預測達標和超標兩種情況下,決策優化控制對Qa和KLa,5的控制.從表6的對比結果可以看出,本文提出的決策優化控制方法可以有效抑制SNH,e和SNtot,e峰值,出水SNH,e和SNtot,e始終保持在規定范圍以內,超標時間百分比均為0%.其他抑制峰值方法均不能保持出水SNH,e和SNtot,e始終達標.與其他方法相比,決策優化控制消耗的能耗明顯降低,雖然水質指標高于其他方法,但污水控制目標為在出水達標的情況下盡可能降低能耗,因此本文提出的決策優化控制節能降耗效果優于所對比控制方法,實現了在抑制SNH,e和SNtot,e峰值的情況下降低能耗的目標.

圖10 出水TSS、BOD5和COD濃度變化曲線Fig.10 The curves of TSS,BOD5and COD of effluent

5 總結與展望

本文提出的決策優化控制將決策控制與優化控制相結合,在抑制出水氨氮和總氮濃度峰值的情況下降低能耗.理論分析與實驗結果表明,決策優化控制在以下方面對污水處理控制做出了貢獻.

圖11 決策優化控制與優化控制SNH,e變化曲線Fig.11 The curves ofSNH,ewith decision and optimization control system and optimization control system

圖12 決策優化控制與優化控制SNtot,e變化曲線Fig.12 The curves ofSNtot,ewith decision and optimization control system and optimization control system

圖13SO,5設定值及跟蹤曲線Fig.13 Optimization and tracking results ofSO,5

1)在預測模型建立方面,本文提出的時滯時間計算方法對建模數據采樣提供了新思路;將第二分區溶解氧濃度和第五分區硝態氮濃度作為預測模型輸入變量提高了模型的精度.

雖然決策優化控制取得了較好的效果,但仍然有一些方面需要改進,決策優化控制使用的模糊控制器跟蹤性能一般,在設定值變化時超調嚴重;本文使用多層感知器進行建模,可以在權值初始化、權值調整算法等方面進行改進,提高建模精度,也可以嘗試其他建模方法.

圖14 SNO,2設定值及跟蹤曲線Fig.14 Optimization and tracking results ofSNO,2

圖15 Qa變化曲線Fig.15 The curve ofQa

圖16 KLa,5變化曲線Fig.16 The curve ofKLa,5

2)將NSGA2-DLS優化算法應用于設定值優化環節,提高了優化解的質量,降低了能耗.

3)在優化過程和最優解選取過程中引入預測模型,將優化控制與決策控制有效結合,實驗結果顯示,決策優化控制可以有效抑制SNH,e和SNtot,e峰值,與其他抑制控制相比,決策優化控制的能耗更低,達到了出水達標的情況下節能降耗的目的.