城鎮污水處理自動控制策略研究進展

鄭懷禮　李俊　孫強　趙瑞　李關俠　黃文璇　丁魏　肖偉龍

摘 要：全過程自動化控制是未來城鎮污水處理廠的發展方向，但由于污水處理過程具有非線性、多變量、時變性等特點，自控系統中關鍵運行參數的測量以及控制決策的制定都存在困難，目前實際應用的系統大多停留在實現單一參數或單一反應器控制的層面上。自動控制策略是整個自動控制系統的頭腦，是充分發揮系統軟硬件效能、保證系統魯棒性的關鍵。總結了城鎮污水處理廠自動控制方案依據的數學模型，描述了活性污泥模型（ASM）和仿真基準模型（BSM）的基本特征，綜述了自動控制策略在城鎮污水處理曝氣、化學除磷以及多目標優化控制方面的研究進展，分析了目前研究中存在的挑戰和機遇，發現理論研究與工程實踐相結合是加快城鎮污水處理廠自動化進程的必要途徑。

關鍵詞：自動控制;活性污泥數學模型;曝氣;化學除磷;多目標優化

中圖分類號：X703.1 文獻標志碼：R 文章編號：2096-6717（2020）01-0126-09

Abstract：Urban wastewater treatment plants are oriented to the entire process control， while automatic control systems encounter many problems in parameter measurement and decision making because the wastewater treatment process is nonlinear， multivariable and time-varying. Thus most of control systems in practice are merely aimed at single parameter control or single rector control by now. Automatic control strategies are the brain of control systems， which could fulfill the potential of the hardware and software in the system and ensure the robustness of the system. Thus the mathematical models applied in the automatic control strategies of the urban wastewater treatment are introduced， and the characteristics of Activated Sludge Models （ASMs） and Benchmark Simulation Models （BSMs） are summarized. The automatic control strategies in terms of aeration， chemical phosphorus removal and multi-objective optimization control are described respectively， and the challenges and opportunities in the recent research are presented. Combining the theoretical research and the engineering practice is necessary for the automation process of the urban wastewater treatment plants.

Keywords：automatic control; activated sludge models; aeration; chemical phosphorus removal; multi-objective optimization

水污染控制是生態文明建設的重要一環，良好的水環境是美好生活的必要需求。隨著中國經濟的發展和人民生活水平的提高，污水排放量與日俱增，污水處理行業面臨巨大挑戰。污水處理行業作為能源密集型產業，運行成本高昂，如何在生產運行中兼顧環境效益與經濟效益成為城鎮污水處理廠面臨的難題[1-2]。自動控制技術的引入有助于解決這個問題。一方面，可靠的自動控制系統可以在保證處理效果的前提下降低能耗和藥耗，節約能源和資源;另一方面，自動化的實現可以把人從重復動中解放出來，節省人力勞動以降低人力成本。對污水處理自動控制技術的研究始于20世紀七八十年代，中國在20世紀90年代以后開始引入自動控制系統，但當時大多是引進成套設備[3]。近年來，隨著電子技術的發展，自動化技術在污水處理領域取得了一系列進展，自動控制策略的制定不再只滿足于過去單變量單輸出的控制目標，而是逐步滲透至污水處理的各個環節。目前，中國的城鎮污水處理廠大多采用自動控制和現場調控相結合的方式，自動化、信息化程度相對較低，自動控制策略的研究和實踐對于提高污水處理可靠性、降低污水處理廠運行成本有著重要的意義。

1 活性污泥系統的模型

活性污泥法是城鎮污水處理領域應用最廣泛的方法，數學模型的建立對于活性污泥系統的運行分析和參數優化有著重要的意義[4]。學者們針對活性污泥系統提出了一系列靜態和動態的模型，其中最為知名且應用最廣泛的是國際水協（IWA）推出的ASM系列模型[5]。該系列主要包括ASM1、ASM2、ASM2d及ASM3模型，它們包含的組分和涉及的反應過程有所不同，主要特征如表1所示[6]。ASM系列模型將各種微生物反應過程有機結合起來，細致地描述了污水中有機物和氮磷的降解過程。在ASM模型的實際應用過程中，學者們從實際問題出發，簡化運行中影響不顯著的模型組分或為模型增添新組分，通過呼吸計量法、專家法、靈敏度分析法、過程工程法等方法對模型進行參數校正，從而提高模型的精確度[7]。

學者們應用ASM模型設計了各種控制策略，但由于不同研究中活性污泥系統的內部結構和外部環境各異，所采用評價指數的計算方式也不盡相同，難以對這些控制策略進行對比評價[8]。為此，IWA同歐盟科學技術合作組織一起開發了仿真基準模型（BSM），其中BSM1模型定義了污水處理的設備布局、相應參數、污水負荷、仿真步驟以及對仿真結果的評價[9]，為控制策略的設計和評價提供了依據和準則。BSM1模型的仿真時間僅為28 d，且只依據最后7 d的數據來計算評價指標，Rosen等[10]改進的長期模型將仿真時間擴展至1 a，同時，豐富了模型中的干擾因素和評價指標。針對BSM1模型僅包含了污水處理系統生化池和二沉池的缺陷，Jeppsson等[11]改進的BSM2模型將污水處理廠的其他工作單元（初沉池、厭氧消化反應器等）也包括在其中。這些模型的建立為活性污泥處理系統自動控制方案的研究奠定了基礎，研究者們可以從不同的角度出發設計自動控制系統，基于這些模型對處理系統進行動態分析，再按照擬定的標準評價試驗結果，用更好的方案來完成對控制系統的優化。

2 污水處理自動控制策略的研究

傳統的污水處理自動控制模式多為線性控制，即把系統的整體運行效果看作系統各個部分單獨運行效果之和。時序控制是最簡單的自動控制模式，該模式通過建立適用于特定處理工藝的模型，制定出工藝流程的各個關鍵節點，然后按照精確的時間流程實現對整個系統的自動控制。比例積分微分（PID）控制是污水處理廠最常用的控制模式，該模式應用PID模塊對系統誤差進行校正，使其達到系統設定值。PID反饋模式被廣泛地應用于活性污泥系統的溶解氧（DO）、氨氮、磷酸鹽等關鍵水質指標的控制[12]。反饋控制模式在系統誤差產生之后才開始響應動作，具有一定的滯后性，如果事先對系統誤差的來源及其影響范圍有所估計，則可以采用前饋方式將干擾因素的測量信息也融入進控制法則中，從而提高系統的響應速度。

實際的污水處理過程具有非線性、多變量、時變性等特點[13]，傳統的控制模式抗干擾能力較差，已不能滿足污水處理廠日益復雜的控制需求。缺乏控制變量實時測量信息是自控系統運行中需解決的難題，自適應控制模式通過建立模型來估算系統中的關鍵參數[14]，模型預測控制模式則是基于模型對系統輸出量進行預測[15]，這兩種模式的控制原理都是線性化處理輕微非線性的系統。系統的非線性程度很強時，為了提高控制效率，只能應用非線性控制理論來設計系統。非線性控制模式包括幾何控制[16]、增益調度控制[17]、非線性模型預測控制[18]等，這些控制系統結構復雜，計算量龐大，對現場設備的計算能力和操作者的專業水平都提出了較高的要求。

智能控制算法是高級的自動控制策略，主要包括神經網絡、模糊算法、進化算法等。神經網絡算法模擬人腦神經系統，采用人工神經元網絡來處理信息[19];模糊算法的邏輯值在0和1間變化，這種邊界平滑過渡反映了系統的內在不確定性，非常適用于估計系統中不精確的參數[20];進化算法由生物進化理論發展而來，遺傳算法是其中一個較為成熟的分支，具有強大的檢索和全局優化能力[21]。智能控制算法作為統計分析工具在污水處理系統中有著廣闊的應用前景，與上述的線性和非線性控制模式相結合，有助于在復雜的污水處理系統中建立系統行為模型，從而賦予系統較強的學習和適應能力，增強系統魯棒性。

2.1 精確曝氣控制策略的研究

活性污泥法的曝氣系統完成了氧從氣相到液相的轉換過程，為污水中有機物的氧化過程提供電子受體[22]。曝氣量的控制對系統的正常運行至關重要，曝氣量不足容易引起絲狀菌的過量繁殖，進而導致污泥膨脹，過高的曝氣量則又會破壞污泥絮體，降低生化處理效率[23]。鼓風曝氣設備在運行中能耗量巨大，這部分費用占污水處理廠總運行成本的20%～40%[24]。利用數學模型對曝氣系統進行優化，實現對曝氣系統精確的自動控制，不僅可以降低能耗，還有助于提高系統的處理效果及穩定性。

一些國家和地區的污水排放標準定義為長期平均值，Amand等[25]提出的控制策略以一定范圍的水質波動為妥協，通過降低系統反饋速度來減少曝氣量，從而達到降低能耗的目的。系統采用離散控制器響應進水負荷，以出水氨氮平均濃度為控制指標，BSM1模型的模擬結果顯示，這種控制方案比維持曝氣池內溶解氧濃度恒定的方案節約了1%～4%的能量，比基于出水氨氮濃度快速反饋的方案節約了14%的能量。

傳統的控制模式有著結構簡單、調控便捷、經驗成熟等優勢，在各種污水處理工藝的精確曝氣系統中依然應用廣泛。Sun等[26]采用兩級串聯比例積分（PI）算法，設計了一個基于氨氮反饋的生物膜法自動曝氣系統，在生化池末端設置DO和氨氮濃度探針，進水泵房設置電磁流量計來監測流量，運用ASM2d模型對系統進行模擬和參數優化，在污水廠中的運行實踐表明，系統曝氣量較優化前減少了20%。

曝氣系統中存在著測量和反饋滯后性的問題，學者們通過將傳統控制模式與模糊控制或模型預測控制相結合來增強系統的靈活性。Chiavola等[27]運用模糊控制策略對兩個分別采用PID控制和氧化還原電位（ORP）控制的污水廠進行改造，控制系統根據出水氨氮濃度來調節反應器中溶解氧濃度，ORP控制較PID控制每年可降低2%的能耗，模糊控制的能耗降幅則達到了13%。Kim等[28]對采用ABA2工藝的中試規模污水處理廠進行模型預測控制優化，簡化了ASM2模型用于預測污水中氮、磷等污染物的轉化過程，模型的氨氮預測值與實測值之間的標準差僅為0.1 mg/L，曝氣系統在由季節引起的水質、溫度變化下依然運行良好，與改造前相比降低了約19%的能耗。Qiu等[29]建立了一個包括能量、曝氣量、射流影響等參數的表曝機能量模型，并依據前饋反饋控制系統的實時監測數據（氧傳遞速率、耗氧率、射流速度等）來優化模型參數。將該模型應用至采用氧化溝工藝的污水廠中，系統能耗較改造前降低了約10%。王世平等[30]對一個采用A2/O工藝，日處理量20萬t的污水處理廠進行精確曝氣控制改造。控制系統采取“前饋反饋模型”多參數控制的方式，根據水量、水質指標等實時監控數據進行模擬計算，通過控制鼓風機和閥門的啟閉按需曝氣。穩定運行一年后，系統DO濃度精確到了1.9～2.2 mg/L（設定值為2 mg/L），與改造前相比能耗降低了17%，出水總氮濃度也大幅度降低。

分析以上研究可以發現，精確曝氣系統的控制策略是主要以DO、ORP、氨氮等水質參數為控制變量，在保證出水水質達標的前提下通過控制曝氣時間來降低能耗。這些控制策略很多是以出水氨氮為控制指標，因為在活性污泥系統中好氧異養菌的種群密度遠遠大于硝化細菌，正常運行的系統出水氨氮濃度較低時，也可以判斷COD處于較低水平[24]。當控制變量較少時，傳統控制模式基本上已可滿足精確曝氣系統的控制需求，模型預測控制和模糊控制策略的應用則可以解決系統中存在的滯后性問題。自動曝氣系統在推廣上存在的困難主要包括：試運行校驗時間長、硬件設備質量要求高、管理維護技術水平要求高等[31]。因此，設計自動曝氣系統時既要考慮污水處理工藝特征和控制要求，也要充分照顧污水處理廠本身的生產配置條件。

2.2 化學除磷自動加藥控制策略的研究

污水處理是一個復雜的、眾多因素相互作用的過程，僅僅依靠生化系統有時無法達到控制目標。在脫氮除磷工藝中，反硝化菌和聚磷菌會在厭氧條件下競爭碳源，處于競爭劣勢的聚磷菌便不能將厭氧釋磷過程進行徹底，進而影響好氧條件下過量吸磷的過程，從而導致無法通過排泥的措施達到理想的除磷效果。為滿足總磷排放標準，城鎮污水處理廠常常需要投加藥劑進行化學除磷[32]。化學除磷的效果受到水體pH、溫度、氧化還原環境、加藥點、反應器結構、微生物代謝作用等多種因素的影響[33]，相應地，除磷藥劑也會影響生化池的處理效果，過多的投藥量會使環境中的磷含量不足以支持微生物的細胞合成作用[34]。人工加藥往往只能依據工作人員的經驗，處理效果并不穩定。因此，實現加藥的優化控制對化學除磷過程十分重要。

早期的化學除磷自動加藥系統根據進水流量進行恒比例加藥[35]，由于進水水質的波動，這種策略必然會造成藥劑的浪費或出水總磷排放不達標。近年來，隨著在線磷酸鹽儀表的普及，中國的學者設計了多種化學除磷自控方案，并將其應用至工程實踐。

馬偉芳等[36]通過實驗建立了適用于某示范污水處理廠的化學除磷加藥量預測模型，采用對出水總磷反饋的控制策略，通過加藥泵的變頻調節來實現化學除磷的優化控制。改造后該廠出水總磷濃度穩定達到一級A排放標準，較改造前節省了約20%的投藥量。龐洪濤等[37]將前饋與反饋模式相結合來控制變頻加藥泵的運作，實行在曝氣池末端和反硝化濾池加藥的兩點加藥策略，對日處理量10萬t的污水處理廠進行改造。系統穩定運行了3個月后，投藥量減少了30%以上，出水總磷濃度穩定在0.2～0.3 mg/L。賈玉柱等[38]在對污水處理廠二期改造時，為生化池配置了實時時鐘除磷（P-RTC）動態控制系統。系統對進水流量和正磷酸鹽實時測量值進行反饋，利用內置數學模型計算出加藥量并控制計量泵運作。穩定運行1 a之后，新系統的除磷噸水藥耗降低約17%，期間的藥劑成本減少約20萬元。邱勇等[39]對一個采用A2/O工藝的污水處理廠進行化學除磷優化改造，他們分別探究了時序控制、流量前饋、出水反饋3種自控策略對除磷效果的影響。時序控制有著運行方式簡單、平均加藥量小的優勢，但該系統耐沖擊負荷能力差，處理效果不穩定;由于系統中存在著模型不精確、配水不均等問題，流量前饋方案的可靠性也較差;出水反饋系統雖然存在滯后性并且需要大量監測儀器支持，但在加藥量相近的情況下，在這幾種模式之中控制效果最好。

Garikiparthy等[40]的研究基于實驗模擬，以ASM2d模型模擬A2/O工藝的除磷過程，探究了氯化鐵強化化學除磷的優化控制策略。恒劑量控制、反饋控制、前饋控制、進給比控制4種控制方案都較改造前提高了50%左右的總磷去除率，其中反饋控制模式分別在好氧池和缺氧池設置針對總磷和硝酸鹽濃度的PI控制器，形成多環控制網絡，這種模式總磷去除率最高并且藥耗量最小。

不同于上述多數研究中基于磷酸鹽反饋的控制策略，Kim等[41]建立了一個采用自動滴定方式的化學除磷加藥系統，根據實時電荷量確定活性污泥系統中除磷所需的藥劑量。在3個月的小試試驗中系統平均投藥量減少了14%，總磷去除率提高了5%。

化學除磷過程并不能概括為簡單的化學方程式，關于其深層反應機理和污水廠規模的建模近年來有一系列的研究進展，對化學除磷自動加藥方案的設計和優化意義重大。Hauduc等[42]提出了一個化學除磷的動態模型，描述了污水處理系統中磷酸鹽和鐵鹽混凝劑的吸附和沉淀機理。Mbamba等[43]提出了一個以物化機理改進的BSM子模型，并將該模型的模擬結果與污水處理廠的實際數據作對比，磷的預測值與測量值的相對偏差只有4～15%。隨后，同一課題組[44]利用該模型和MBR中試反應裝置，深入探討了化學除磷過程中鐵鹽的投加策略。通過將模擬數據和中試反應裝置運行數據作對比發現，穩定運行后模型的磷、氨氮、固體懸浮物預測值都達到了較高的精度。基于模型的運行分析發現，鐵鹽的最佳投藥點為好氧池，當閉環控制系統將裝置內的磷控制在設定值后，出水總磷濃度下降到了更低的水平，顯示出了自動控制的優越性。

化學除磷法在幫助城鎮污水處理廠達到總磷排放標準的同時，也增加了污水處理廠的污泥產量和運行成本，優化的自動加藥系統有助于抑制這些弊端。以上研究可以發現，化學除磷自動加藥系統在中國的應用已經相對成熟，但是這些系統所依據的模型大多比較簡單，沒有考慮除磷藥劑在活性污泥系統中復雜的轉化過程，因此，在提高除磷效率上存在著相當大的優化空間。關于化學除磷機理和模型的研究成果顯著，但為了提高模型預測精準度，系統中需要增加鐵鹽這種非常規指標的監測裝置，這也為其應用帶來了相當大的限制。以上這些研究并未涉及可用于回收磷的吸附法和結晶法[45]，可以作為學者們今后設計化學除磷自動加藥方案時的考慮方向。

2.3 多目標優化控制策略的研究

污水處理廠運行的首要目標是使各項水質指標達到排放標準，維持運行工況的安全穩定，其次則是降低成本、減少能耗、提高環境效益[46-47]。污水處理過程機理復雜，難以建立精確的模型描述各種參數間的關系。同時，這個過程又容易受到外界因素影響，天氣、溫度等條件都會引起入水水質和處理環境的改變。如何在復雜的處理過程中平衡各項控制目標，實現控制系統的最優化是近年來學者們探索的主要方向。智能控制算法不僅可以滿足這些研究中多變量多輸出的控制需求，也賦予了控制系統強大的學習、適應能力。BSM系列模型及其相關模擬軟件為學者們檢驗和評價新系統提供了重要的工具。多目標優化控制系統近年來研究成果的總結如表2所示。

污水處理廠的出水水質和運行成本是學者們最關注的問題。Qiao等[48]利用差分進化算法來計算好氧池DO濃度和缺氧池硝態氮濃度的最佳設定值，并通過自適應模糊神經網絡控制器追蹤這些設定值以達到預期效果。與已報道的其他控制策略相比，系統的模擬評價指標（包括曝氣能量、抽運能量及出水水質）都有所改善。Han[49]等構建了自適應核函數模型來描述系統中出水水質、能耗的復雜動力學，通過多目標粒子群優化算法確定系統溶解氧和硝酸鹽的最佳設定值，然后借助模糊神經網絡控制器來追蹤控制這些參數。模擬結果表明，系統在干燥、雨天及暴雨3種天氣下的控制誤差比其他同類研究小，抗干擾能力強，同時也做到了水質和能耗的平衡，在降低能耗方面作用突出。Foscoliano等[50]將遞歸神經網絡系統用于處理數據和改善模型，借助動態矩陣算法來獲得生化系統DO值和內回流比的最佳控制。模擬結果表明，該控制系統在氣候和測量誤差的干擾下具有魯棒性，有助于在減少運行成本的同時降低出水氨氮濃度峰值和硝酸鹽濃度。Santin等[51]構建了一個采用分級控制結構的自動控制系統，系統低層采用帶有前饋補償的模型預測控制器，高層采用模糊控制器，通過權衡分析來確定一個可以同時改善出水水質和減少運行費用的優化控制區域。

全球變暖是國際社會中的熱點問題，應對氣候變化的系列舉措也為污水處理廠提出了減少溫室氣體排放的新要求。Sweetapple等[52]選擇非劣排序遺傳算法作為最優化處理算法，探究了污水處理廠減少溫室氣體（CO2和N2O）排放的控制策略。模擬結果表明，在不改變污水處理廠設施布局的情況下，可采取調整曝氣量和減少碳源投加量等措施來減少溫室氣體排放。在保證出水水質達標而又不增加運行費用的前提下，該控制策略有助于最大限度地減少溫室氣體排放量。Boiocchi等[53]提出了一個用于減少污水處理廠N2O排放量的自控策略。由于設計和運行參數的差異，不同污水處理廠的最低N2O排放量變化很大，因此，控制目標便設定為遵守氨氮排放標準的同時，在特定污水廠達到最少的N2O排放量。系統采用模糊控制策略，依據好氧區出入口氨氮和硝態氮的測量數據，通過控制曝氣維持系統中氨氧化菌（AOB）和亞硝酸鹽氧化菌（NOB）活性的平衡，提高NOB對AOB產出的亞硝酸鹽的吸收量，從而減少N2O產量。Diaz等[54]對西班牙的一個帶有回用水系統的小型污水處理廠進行改造，采用模糊多目標規劃技術建立模型，用于控制污水處理廠中水稀釋污水的處理過程，借此對污水處理廠的二級和三級處理工藝進行優化。此方案與污水處理廠原有方案相比降低了約50%的成本，理論上每年可減少CO2排放量586.2 t。

傳統的污水處理工藝忽視了污水本身作為能源載體的特點[55]，單純地采取“以能耗能”的方式去除污染物。在目前能源短缺的背景下，污水中所蘊藏資源的回收利用成為了一個重要的課題。Kim等[56]致力于研究污水處理廠出水水質、沼氣產量及運行費用的綜合優化問題，采用多環多目標控制器控制運行中的各項參數，使其達到遺傳算法根據入水水質確定的設定值。模擬和評價結果顯示，系統的沼氣產量提高了約4%，出水水質也有相應改善。Lee等[57]為了提高污水處理廠運行的可持續性，在活性污泥系統中設計了一個熱能聯產子系統。在這個子系統中，壓縮空氣同厭氧消化產生的沼氣一起在燃燒室中反應生成高溫高壓氣體，隨后被輸送到微型燃氣輪機中用于發電。剩余的高溫高壓氣體一部分用于預熱爐加熱壓縮氣體，另一部分則經過熱回收蒸汽機生成蒸汽用于維持厭氧消化所需的溫度。作者采用非劣排序遺傳算法作為多目標優化算法，運用熱環境經濟建模的方法進行評價分析。模擬結果顯示，系統的運行成本和環境影響分別降低了約17%和5%，熱能聯產系統提供的能量可滿足污水處理廠47%的電能需求和全部的熱能需求。

智能控制是污水處理廠自動控制的發展方向，自動控制策略也將致力于污水處理全過程的有效控制。目前，大部分的相關研究還是集中于實驗模擬，這主要是由于以下原因：活性污泥系統的模型還不完善，對大規模城鎮污水處理廠的適用性不強;污水處理廠的安全穩定運行始終是首要考慮因素，大規模水廠的改造試驗要承擔很大的風險;自動控制系統的配套設備價格昂貴，試點工程需要大量資金支持。因此，這些研究還需要在工程實踐中開展進一步的可靠性分析和成本效益分析，才能得到推廣和應用。

3 結語與展望

城鎮污水處理廠自動控制的實現使技術人員無須親臨現場就可以監測系統和現場設備的運行狀態，并利用本地軟硬件資源對遠程對象進行控制。依托于自控系統的發展，污水處理廠在滿足日益嚴格的環保要求的同時，有望最終實現全自動化無人值守或遠端少人值守。

未來的城鎮污水處理廠自動控制系統將向著智能化、集成化方向發展，安全穩定、運行維護便捷、綠色可持續將成為其基本特征。針對目前研究中存在的問題，有以下幾點建議：

1）建立適用于大規模污水廠的數學模型。云計算機操作系統為自動控制系統的發展提供了新的機遇，可以通過計算機進行大數據的收集和記錄，建立基于大數據的數學模型以增強控制系統的魯棒性。同時，云平臺也可以為相似污水處理系統的控制和參數調節提供技術支持和示范。

2）綜合考慮實際運行中的控制目標，建立完備的評價體系。不同國家和地區的排放標準和污水廠運行目標有所差異，為了使設計的系統更好地適應當地的發展要求，完備的評價體系不可或缺。

3）積極開展試點工程實踐。在風險防范措施可靠的情況下，應當積極應用自動控制系統進行試點改造，在工程實踐中發現問題，并通過優化模型和算法或增加監測控制設備來解決問題。成功的工程實踐可以大幅度推進污水處理自動化的進程。

參考文獻：

[1] ZHANG Q H， YANG W N， NGO H H， et al. Current status of urban wastewater treatment plants in China[J]. Environment International， 2016， 92/93： 11-22.

[2] LONGO S， HOSPIDO A， LEMA J M， et al. A systematic methodology for the robust quantification of energy efficiency at wastewater treatment plants featuring data envelopment analysis[J]. Water Research， 2018， 141： 317-328.

[3] 高大文， 彭永臻， 王淑瑩， 等. 污水處理智能控制的研究、應用與發展[J]. 中國給水排水， 2002， 18（6）： 35-39. GAO D W， PENG Y Z， WANG S Y， et al. Research， application and development on intelligent control of wastewater treatment[J]. China Water & Wastewater， 2002， 18（6）： 35-39.（in Chinese）

[4] 郭彥雪， 李偉， 趙凱. ASM2d模型改良及在DE型氧化溝中的應用[J]. 土木建筑與環境工程， 2017， 39（1）： 125-131. GUO Y X， LI W， ZHAO K. Modified ASM2d model and application in the DE-oxidation ditch[J]. Journal of Civil， Architectural & Environmental Engineering， 2017， 39（1）： 125-131.（in Chinese）

[5] 盧培利， 張代鈞， 劉穎， 等. 活性污泥法動力學模型研究進展和展望[J]. 重慶大學學報（自然科學版）， 2002， 25（3）： 109-114. LU P L， ZHANG D J， LIU Y， et al. Development and prospects of activated sludge dynamic model[J]. Journal of Chongqing University （Natural Science Edition）， 2002， 25（3）： 109-114.（in Chinese）

[6] HENZE M， GUJER W， MINO T， et al. Activated sludge models ASM1， ASM2， ASM2d and ASM3[M]. London： IWA Publishing， 2000.

[7] 池春榕， 董姍燕， 李齊佳， 等. 活性污泥數學模型研究進展[J]. 有色金屬科學與工程， 2017， 8（4）： 111-117， 124. CHI C R， DONG S Y， LI Q J， et al. Research progress on activated sludge mathematical model[J]. Nonferrous Metals Science and Engineering， 2017， 8（4）： 111-117， 124.（in Chinese）

[8] DAI H L， CHEN W L， LU X W. The application of multi-objective optimization method for activated sludge process： A review[J]. Water Science and Technology， 2016， 73（2）： 223-235.

[9] 劉大偉， 沈文浩. 活性污泥法污水處理基準仿真模型的開發及進展[J]. 中國給水排水， 2007， 23（20）： 20-24. LIU D W， SHEN W H. Development of benchmark simulation model for activated sludge wastewater treatment[J]. China Water & Wastewater， 2007， 23（20）： 20-24.（in Chinese）

[10] ROSEN C， JEPPSSON U， VANROLLEGHEM P A. Towards a common benchmark for long-term process control and monitoring performance evaluation[J]. Water Science and Technology， 2004， 50（11）： 41-49.

[11] JEPPSSON U， PONS M N， NOPENS I， et al. Benchmark simulation model No 2： general protocol and exploratory case studies[J]. Water Science and Technology， 2007， 56（8）： 67-78.

[12] IRATNI A， CHANG N B. Advances in control technologies for wastewater treatment processes： Status， challenges， and perspectives[J]. CAA Journal of Automatica Sinica， 2019， 6（2）： 337-363.

[13] YANG T， QIU W， MA Y， et al. Fuzzy model-based predictive control of dissolved oxygen in activated sludge processes[J]. Neurocomputing， 2014， 136： 88-95.

[14] LIN M J， LUO F. An adaptive control method for the dissolved oxygen concentration in wastewater treatment plants[J]. Neural Computing and Applications， 2015， 26（8）： 2027-2037.

[15] WANG X D， RATNAWEERA H， HOLM J A， et al. Statistical monitoring and dynamic simulation of a wastewater treatment plant： A combined approach to achieve model predictive control[J]. Journal of Environmental Management， 2017， 193： 1-7.

[16] GHOSH P， ROY T K， MAJUMDER C. Optimization of industrial wastewater treatment using intuitionistic fuzzy goal geometric programming problem[J]. Fuzzy Information and Engineering， 2016， 8（3）： 329-343.

[17] VLAD C， SBARCIOG M， BARBU M， et al. Indirect control of substrate concentration for a wastewater treatment process by dissolved oxygen tracking[J]. Control Engineering and Applied Informatics， 2012， 14（1）： 37-47.

[18] HAN H G， QIAN H H， QIAO J F. Nonlinear multiobjective model-predictive control scheme for wastewater treatment process[J]. Journal of Process Control， 2014， 24（3）： 47-59.

[19] HAMED M M， KHALAFALLAH M G， HASSANIEN E A. Prediction of wastewater treatment plant performance using artificial neural networks[J]. Environmental Modelling & Software. 2004， 19（10）： 919-928.

[20] NADIRI A A， SHOKRI S， TSAI F T C， et al. Prediction of effluent quality parameters of a wastewater treatment plant using a supervised committee fuzzy logic model[J]. Journal of Cleaner Production， 2018， 180： 539-549.

[21] 叢露露. 基于遺傳算法優化的RBF神經網絡在污水處理中的研究與應用[D]. 上海： 華東理工大學， 2014. CONG L L. Research and application on optimized RBF neural network based on GA for sewage treatment[D]. Shanghai： East China University of Science and Technology， 2014.（in Chinese）

[22] MAND L， OLSSON G， CARLSSON B. Aeration controlA review[J]. Water Science and Technology， 2013， 67（11）： 2374-2398.

[23] 任爭光， 張景炳， 王浩宇， 等. 污水處理中曝氣控制研究進展[J]. 環境衛生工程， 2018， 26（2）： 67-72. REN Z G， ZHANG J B， WANG H Y， et al. Research progress of aeration control in wastewater treatment[J]. Environmental Sanitation Engineering， 2018， 26（2）： 67-72.（in Chinese）

[24] 魏彬， 楊慧敏， 張曉正， 等. 污水處理廠曝氣總量精確控制方法的研究與應用[J]. 中國給水排水， 2016， 32（6）： 94-98. WEI B， YANG H M， ZHANG X Z， et al. Research and application of precise control method of total aeration rate in sewage treatment plant[J]. China Water & Wastewater， 2016， 32（6）： 94-98.（in Chinese）

[25] MAND L， CARLSSON B. Optimal aeration control in a nitrifying activated sludge process[J]. Water Research， 2012， 46（7）： 2101-2110.

[26] SUN J Y， LIANG P， YAN X X， et al. Reducing aeration energy consumption in a large-scale membrane bioreactor： Process simulation and engineering application[J]. Water Research， 2016， 93： 205-213.

[27] CHIAVOLA A， ROMANO R， BONGIROLAMI S， et al. Optimization of energy consumption in the biological reactor of a wastewater treatment plant by means of oxy fuzzy and ORP control[J]. Water， Air， & Soil Pollution， 2017， 228（8）： 277.

[28] KIM H， LIM H， WIE J， et al. Optimization of modified ABA2 process using linearized ASM2 for saving aeration energy[J]. Chemical Engineering Journal， 2014， 251： 337-342.

[29] QIU Y， ZHANG C， LI B， et al. Optimal surface aeration control in full-scale oxidation ditches through energy consumption analysis[J]. Water， 2018， 10（7）： 945.

[30] 王世平， 王藝霖. A2/O中精確曝氣控制的節能分析與評估[J]. 水處理技術， 2016， 42（11）： 113-117. WANG S P， WANG Y L. Analysis and evaluation of energy saving about accurate aeration control technology in A2/O process[J]. Technology of Water Treatment， 2016， 42（11）： 113-117.（in Chinese）

[31] 謝小明. 精確曝氣控制在污水處理廠中的應用和探索[J]. 中國給水排水， 2016， 32（6）： 24-27. XIE X M. Application and exploration of accurate aeration control in sewage treatment plants[J]. China Water & Wastewater， 2016， 32（6）： 24-27.（in Chinese）

[32] 蔡娜， 鄭懷禮， 張正安， 等. 厭氧-接觸氧化工藝二級出水混凝除磷[J]. 環境工程學報， 2016， 10（8）： 4087-4091. CAI N， ZHENG H L， ZHANG Z G， et al. Phosphorus removal from anaerobic-contact oxidation effluent by coagulation[J]. Techniques and Equipment for Environmental Pollution Control， 2016， 10（8）： 4087-4091.（in Chinese）

[33] WANG Y， TNG K H， WU H， et al. Removal of phosphorus from wastewaters using ferrous salts-A pilot scale membrane bioreactor study[J]. Water Research， 2014， 57： 140-150.

[34] 張亞勤. 污水處理廠達到一級A排放標準中的化學除磷[J]. 中國市政工程， 2009（5）： 40-41， 55. ZHANG Y Q. Chemical phosphorus removal for achieving 1A standard in waste water treatment plant[J]. China Municipal Engineering， 2009（5）： 40-41， 55.（in Chinese）

[35] 李文華， 王巖. 重慶市巫山縣污水處理廠工程自動控制系統[J]. 控制工程， 2004（Sup2）： 26-29. LI W H， WANG Y. The automatic control system of Wushan wastewater treatment plant in Chongqing[J]. Control Engineering of China， 2004（Sup2）： 26-29.（in Chinese）

[36] 馬偉芳， 郭浩， 姜杰， 等. 城市污水廠化學除磷精確控制技術研究與工程示范[J]. 中國給水排水， 2014， 30（5）： 92-95. MA W F， GUO H， JIANG J， et al. Research and demonstration on precise control technology for chemical phosphorus removal in urban sewage treatment plant[J]. China Water & Wastewater， 2014， 30（5）： 92-95.（in Chinese）

[37] 龐洪濤， 薛曉飛， 邱勇， 等. 城市污水化學除磷優化控制技術及工程應用[J]. 中國給水排水， 2014（23）： 16-18. PANG H T， XUE X F， QIU Y， et al. Optimal control technology of chemical phosphorus removal from municipal wastewater and its engineering application[J]. China Water & Wastewater， 2014（23）： 16-18.（in Chinese）

[38] 賈玉柱， 趙月來， 劉成鈺， 等. P-RTC化學除磷智能實時控制系統在污水廠的應用[J]. 中國給水排水， 2019， 35（8）： 87-90. JIA Y Z， ZHAO Y L， LIU C Y， et al. Study on operation effect of P-RTC automatic dosing device[J]. China Water & Wastewater， 2019， 35（8）： 87-90.（in Chinese）

[39] 邱勇， 李冰， 劉垚， 等. 污水處理廠化學除磷自動控制系統優化研究[J]. 給水排水， 2016， 52（7）： 126-129. QIU Y， LI B， LIU Y， et al. Optimal control of chemical precipitation of phosphorous in wastewater treatment plants[J]. Water & Wastewater Engineering， 2016， 52（7）： 126-129.（in Chinese）

[40] GARIKIPARTHY P S N， LEE S C， LIU H B， et al. Evaluation of multiloop chemical dosage control strategies for total phosphorus removal of enhanced biological nutrient removal process[J]. Korean Journal of Chemical Engineering， 2016， 33（1）： 14-24.

[41] KIM W K， SUNG Y K， YOO H S， et al. Optimization of coagulation/flocculation for phosphorus removal from activated sludge effluent discharge using an online charge analyzing system titrator （CAST）[J]. Journal of Industrial and Engineering Chemistry， 2015， 21： 269-277.

[42] HAUDUC H， TAKCS I， SMITH S， et al. A dynamic physicochemical model for chemical phosphorus removal[J]. Water Research， 2015， 73： 157-170.

[43] KAZADI M C， FLORES-A X， JOHN B D， et al. Validation of a plant-wide phosphorus modelling approach with minerals precipitation in a full-scale WWTP[J]. Water Research， 2016， 100： 169-183.

[44] KAZADI M C， LINDBLOM E， FLORES-A X， et al. Plant-wide model-based analysis of iron dosage strategies for chemical phosphorus removal in wastewater treatment systems[J]. Water Research， 2019， 155： 12-25.

[45] 劉寧， 陳小光， 崔彥召， 等. 化學除磷工藝研究進展[J]. 化工進展， 2012， 31（7）： 1597-1603. LIU N， CHEN X G， CUI Y Z， et al. Research progress of chemical dephosphorization process[J]. Chemical Industry and Engineering Progress， 2012， 31（7）： 1597-1603.（in Chinese）

[46] LI W J， LI L J， QIU G Y. Energy consumption and economic cost of typical wastewater treatment systems in Shenzhen， China[J]. Journal of Cleaner Production， 2017， 163： S374-S378.

[47] DONG X， DU X M， LI K， et al. Benchmarking sustainability of urban water infrastructure systems in China[J]. Journal of Cleaner Production， 2018， 170： 330-338.