[发明专利]基于自组织径向基神经网络的溶解氧模型预测控制方法

说明书

技术领域

本发明利用基于自组织径向基神经网络(SORBFNN)的模型预测控制方法实现污水处理过程中溶解氧(DO)的控制，溶解氧(DO)的浓度直接决定了微生物的供养条件，对出水水质和能耗有着重要影响。污水处理过程中溶解氧(DO)的控制作为污水处理的重要环节，是先进制造技术领域的重要分支，既属于控制领域，又属于水处理领域。

背景技术

随着国民经济的增长和公众环保意识的增强，污水处理自动化技术迎来了前所未有的发展机遇。国家中长期科技发展规划中提出要研究并推广高效、低能耗的污水处理新技术。因此，本发明的研究成果具有广阔的应用前景。

溶解氧(DO)浓度是目前污水处理中应用最为广泛的运转控制参数，当溶解氧不足或过量时都会导致污泥生存环境恶化：当氧气不足时, 一方面由于好氧池中丝状菌会大量繁殖，最终产生污泥膨胀，发生异常工况；另一方面由于好氧菌的生长速率降低从而引起出水水质的下降。而氧气过量(即过量曝气)则会引起悬浮固体沉降性能变差，影响污水处理系统的正常运行。溶解氧的控制涉及到微生物的生长环境以及处理过程的能耗，因此，溶解氧控制一直是研究的重点。

传统的开关控制或者PID控制，虽然是当前应用较为广泛的控制方法，但是由于氧气的溶解过程受入水水质、温度和pH值等方面的影响，具有高度非线性、强耦合性、时变、大滞后和不确定性等特点。采用传统的开关控制或者PID控制方法自适应能力较差，往往不能取得理想的控制效果。同时，由于污水处理过程具有滞后特性，精确表述控制变量与控制目标之间的关系十分困难。目前，污水处理过程模型结构复杂、待整定参数过多，可辨识性差，不能动态地反应出操作变量与控制目标之间的蕴含关系，无法用于在线控制。另外，污水中污染物的数量多、含量各异，对检测是一大挑战。因此，必须寻求新的控制方法，以满足污水处理过程控制的需要。优良的控制可以节省污水处理运行费用，同时也是减少和应对异常工况发生、保障污水处理过程正常运行的关键。此外，通过提高污水处理过程自动化水平，还可以有效地减少运行管理和操作人员，降低运行费用。

本发明设计了一种基于自组织径向基(SORBF)神经网络的模型预测控制方法，通过构建SORBF神经网络模型，利用模型预测的方法实现对污水处理过程中溶解氧(DO)的在线控制。

发明内容

本发明获得了一种溶解氧(DO)浓度的控制方法，该控制器基于自组织径向基(SORBF)神经网络，通过构建SORBF神经网络模型，分析污水处理过程，实时改变神经网络结构，同时利用模型预测的控制方法提高控制能力；解决了控制器根据环境自动调整的问题，通过控制污水处理过程中的曝气量从而达到控制DO 浓度的目的；提高了污水处理过程中DO控制的精度，保障污水处理过程正常运行；

本发明采用了如下的技术方案及实现步骤：

1. 基于SORBF神经网络的溶解氧DO模型预测控制方法的设计，其特征在于，包括以下步骤：

(1) 确定控制对象；本发明主要针对序批式间歇活性污泥系统中溶解氧进行控制，以曝气量为控制量，溶解氧浓度为被控量； 

(2) 设计用于污水处理过程中溶解氧DO模型预测控制方法的目标函数