[发明专利]一种基于模糊神经网络的污水处理过程分层模型预测控制方法

说明书

本发明提出了一种基于模糊神经网络的污水处理过程分层模型预测控制方法，实现了污水处理过程中溶解氧浓度和硝态氮浓度的在线分层控制。针对污水处理过程中时间尺度差异性，溶解氧浓度和硝态氮浓度难以精确控制的特点，该控制方法根据不同的时间尺度，建立了分层模型预测控制结构，按照不同频率控制溶解氧浓度和硝态氮浓度，符合实际污水处理厂的运行特点，能够有效提高控制效果，解决了当前多变量模型预测控制操作性能较差的问题。实验结果表明该方法能够获得较好的操作性能，能够按照不同时间尺度以不同频率实现溶解氧浓度和硝态氮浓度精确在线控制。

技术领域

本发明利用基于模糊神经网络的污水处理过程分层模型预测控制方法实现污水处理过程中溶解氧浓度和硝态氮浓度在线分层控制，溶解氧浓度和硝态氮浓度的控制效果直接影响到污水处理厂的出水水质和运行能耗的问题。污水处理过程中溶解氧浓度和硝态氮浓度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，既属于智能控制领域，又属于水处理领域。

背景技术

世界各国和地区都面临着严重的水资源短缺问题，污水处理是解决水资源短缺的重要解决方案之一，不仅可以减少水污染物的排放，而且可以产生可再生的水源来维持生态和天然物质循环的平衡。

污水处理单元好氧区溶解氧浓度的大小直接影响了硝化反应进程，溶解氧浓度变大时，系统中出水氨氮和总氮的浓度就会呈下降趋势，但当溶解氧浓度达到一定值时，出水中氨氮的变化幅度就会减弱。污水处理单元缺氧区的硝态氮浓度是衡量脱氮效果的重要指标，它反映了反硝化反应过程的进程，将硝态氮浓度控制在一个合适的范围内，能够提高反硝化反应的潜力。因此，对污水处理单元中溶解氧浓度和硝态氮浓度的控制非常重要，需要将溶解氧浓度和硝态氮浓度控制在一定范围内，才能提高出水水质。

然而，由于与污水处理单元物理、化学和生物现象的复杂性，以及进水输入流量可能发生的突变，污水处理厂的控制是一个相当复杂的问题。传统的PID控制或者非线性模型预测控制，虽然是当前应用较为广泛的控制方法，但是由于污水处理过程的控制变量存在不同的时间尺度，可能会降低系统运行性能甚至破坏闭环系统的稳定性。

本发明设计了一种基于模糊神经网络的污水处理过程分层模型预测控制方法，通过构建分层模型预测控制结构，根据不同的时间尺度，实现了污水处理过程中溶解氧浓度和硝态氮浓度在线分层控制。

发明内容

本发明提出了一种基于模糊神经网络的污水处理过程分层模型预测控制方法，针对污水处理过程中时间尺度差异性，溶解氧浓度和硝态氮浓度难以精确控制的特点，该控制方法根据不同的时间尺度，建立了分层模型预测控制结构，按照不同频率控制溶解氧浓度和硝态氮浓度，解决了当前多变量模型预测控制操作性能较差的问题，有效地提高了溶解氧浓度和硝态氮浓度在线控制的精度；

本发明采用了如下的技术方案及实现步骤：

1.一种基于模糊神经网络的污水处理过程分层模型预测控制方法，

针对污水处理过程中存在不同时间尺度的问题，通过对溶解氧浓度和硝态氮浓度进行分层控制提高污水处理效果；

其特征在于，包括以下步骤：

(1)根据不同的时间尺度，设计用于控制污水处理过程中溶解氧浓度和硝态氮浓度的分层控制结构；具体为：

上层控制器包括上层模糊神经网络和上层模型预测控制器，以硝态氮浓度的采样周期2T为时间尺度跟踪硝态氮浓度和溶解氧浓度设定值，计算上层控制律，t₁＝2mT表示硝态氮浓度的采样时刻，m为硝态氮浓度的采样步数；

下层控制器包括下层模糊神经网络和下层模型预测控制器，以溶解氧浓度的采样周期T为时间尺度跟踪溶解氧浓度设定值和上层控制律，计算下层控制律，t₂＝kT表示溶解氧浓度的采样时刻，k为溶解氧浓度的采样步数；