[发明专利]污水处理过程动态多目标优化控制方法

权利要求书

1.污水处理过程动态多目标优化控制方法，其特征在于，包括以下步骤：

1).以出水水质达标为约束条件，同时优化能耗和出水水质两个性能指标，构造污水处理过程的约束多目标优化模型；

1.1多目标优化模型构造

建立优化设定值与性能指标间的函数关系，其实质是建立溶解氧浓度和硝态氮浓度的优化设定值与能耗指标、出水水质指标间的代理模型，实现对性能指标的预测和评价；令x₁(k)为溶解氧浓度设定值，x₂(k)为硝态氮浓度设定值，x(k)＝[x₁(k),x₂(k)]为设定值组成的优化向量，k为时刻，为方便表述，记x(k)为x；f_AE(x)为优化变量与曝气能耗间的函数表达，f_PE(x)为优化变量与泵送能耗间的函数表达，能耗指标定义为曝气能耗与泵送能耗之和，即能耗指标f_EC(x)＝f_AE(x)+f_PE(x)，f_EQ(x)为优化变量与出水水质指标间的函数表达；

构建如下多目标优化模型，

minF(x)＝{f_EC(x)，f_EQ(x)}(1)

s.t.g1(x)-4≤0g2(x)-18≤0x1l<x1(k)<x1ux2l<x2(k)<x2u---(2)]]>

式中，分别为溶解氧浓度优化设定值的下限和上限值，分别硝态氮浓度优化设定值的下限和上限值；g₁(x)为出水氨氮浓度S_NH与优化设定值间的函数关系，g₁(x)-4≤0表示出水氨氮需满足的约束不等式，4(mg/L)为其约束上限值，g₂(x)为出水总氮浓度N_tot与优化设定值间的函数关系，g₂(x)-18≤0表示出水总氮需满足的约束不等式，18(mg/L)为其约束上限值；溶解氧浓度为污水处理第五分区溶解氧浓度，硝态氮浓度为污水处理第二分区硝态氮浓度；

1.2模糊神经网络在线建模

优化设定值与曝气能耗、泵送能耗、出水水质的函数关系，采用TS模糊神经网络在线建模方法得到；神经网络的输入向量由z(k)表示，对于曝气能耗模型、泵送能耗模型，网络的输入为k时刻溶解氧浓度和k时刻硝态氮浓度；对于出水氨氮、出水总氮、水质性能指标的函数模型，网络输入为k时刻溶解氧浓度、k时刻硝态氮浓度，以及k时刻入水流量；为方便表述，z(k)简记为z；

模糊神经网络的输出表示为

y^(k)=Φ(z)·H(z,θ)---(3)]]>

其中，Φ(z)＝f(A(z))

(4)

H(z,θ)＝[1,z^T]·θ(5)

式中，A(z)为网络输入经模糊化后得到的隶属度矩阵，f为每条规则隶属度乘积及规一化运算，隶属度函数取高斯函数；θ为θ(k)的简记，表示k时刻神经网络的后件参数矩阵；上标T表示向量的转置；为k时刻网络输出；

设k时刻网络学习的目标函数为：

J(k)=12e(k)2=12(y^(k)-y(k))2---(6)]]>

采用梯度下降算法更新网络参数，调整公式为：

α(k+1)=α(k)-η∂J(k)∂α(k)---(7)]]>

式中，α(k)为k时刻网络的学习参数向量，包括网络的后件参数、隶属度函数的中心和宽度；α(k+1)为k+1时刻网络学习参数向量；η为网络的学习率，在(0,1)之间取值，y(k)为k时刻系统实际物理量输出，基于污水处理过程基准仿真模型BSM1产生；

1.3模型中约束条件处理

采用惩罚函数法将建立的约束优化问题转化成无约束优化问题；定义惩罚项

f_penalty(x)＝max{g₁(x)-4,0}+max{g₂(x)-18,0}(8)

加入惩罚项的能耗指标与水质性能指标表达为

fEC′(x)=fEC(x)+C·fpenalty(x)fEQ′(x)=fEQ(x)+C·fpenalty(x)---(9)]]>

其中，C为惩罚因子，取定惩罚因子为100000；

2).多目标优化算法

对建立的污水处理过程多目标优化模型采用NSGA-II进化算法进行求解，在溶解氧浓度和硝态氮浓度的优化设定值范围内，获得多目标优化问题的一组等同优秀的解，即Pareto最优解；NSGA-II进化算法中待优化性能指标为(9)式带有惩罚项的能耗指标f′_EC(x)和水质性能指标f′_EQ(x)；取定搜索空间D为2维，种群规模N为40，最大进化代数M为30；按照标准NSGA-II进化算法运行程序，直至达到最大进化代数M，算法结束，给出污水处理过程多目标优化问题的一组Pareto最优解{X^p,1≤p≤N}，即一组等同优秀的溶解氧浓度和硝态氮浓度的优化设定值；

3).智能决策

为了实现污水处理过程的闭环控制，在多目标优化算法获得的一组Pareto最优解中，确定当前状态下的一个最优满意解，作为溶解氧浓度和硝态氮浓度的优化设定值；计算Pareto解集中所有解的效用函数值

d_utility(X^p)＝ω₁f_AE(X^p)+ω₂f_PE(X^p)(10)

选取效用函数最小值所对应的解为最优满意解，即得到k时刻由优化算法确定的溶解氧浓度优化设定值x₁(k)和硝态氮浓度优化设定值x₂(k)；式中，ω₁、ω₂为决策者确定的性能指标权重，且ω₁+ω₂＝1，；

4).底层PID控制

将溶解氧浓度设定值x₁(k)和硝态氮浓度设定值x₂(k)送至底层PID控制器，实现污水处理过程设定值跟踪控制；溶解氧浓度通过第五分区氧气转换系数K_La5进行控制，硝态氮浓度通过内回流量Q_a进行控制；按基准定义，氧气转换系数K_La5变化范围取为0<K_La5<240(d^-1)，内回流量Q_a变化范围取为0<Q_a<92230(m³/d)；令k时刻氧气转换系数K_La5为u₁(k)，控制增量为Δu₁(k)；k时刻内回流量Q_a为u₂(k)，控制增量为Δu₂(k)；

定义k时刻溶解氧浓度和硝态氮浓度的系统误差：

e1(k)=x1(k)-y1(k)e2(k)=x2(k)-y2(k)---(11)]]>

式中y₁(k)，y₂(k)分别为k时刻溶解氧浓度和硝态氮浓度的实际测量值；

采用增量式PID控制，k时刻控制增量表达为

Δu1(k)=KP,1·[e1(k)-e1(k-1)]+KI,1·e1(k)+KD,1·[e1(k)-2·e1(k-1)+e1(k-2)]Δu2(k)=KP,2·[e2(k)-e2(k-1)]+KI,2·e2(k)+KD,2·[e2(k)-2·e2(k-1)+e2(k-2)]---(12)]]>

k时刻系统控制量表达为

u1(k)=u1(k-1)+Δu1(k)u2(k)=u2(k-1)+Δu2(k)---(13)]]>

式中K_P,1，K_I,1，K_D,1分别为溶解氧浓度控制器的比例、积分和微分系数；K_P,2，K_I,2，K_D,2分别为硝态氮浓度控制器的比例、积分和微分系数；取定：K_P,1＝200，K_I,1＝15，K_D,1＝2，K_P,2＝20000，K_I,2＝5000，K_D,2＝400；

5).每隔2小时优化周期，进行多目标优化算法和智能决策计算，更新一次溶解氧浓度优化设定值x₁(k)和硝态氮浓度优化设定值x₂(k)，由底层PID执行跟踪控制任务。

2.根据权利要求1所述的污水处理过程动态多目标优化控制方法，其特征在于，考虑固体悬浮物浓度SS低于其约束上限值30(mg/L)，化学需氧量COD低于其约束上限值100(mg/L)或/和生物需氧量BOD₅低于其约束上限值10(mg/L)，并与约束上限值一起构成多目标优化模型中的约束条件。