[发明专利]污水处理过程动态多目标优化控制方法

摘要

污水处理过程动态多目标优化控制方法属于水研究领域，也属于智能控制领域。本发明在保证出水水质达标的前提下，同时优化能耗和出水水质指标。首先，通过神经网络在线建模方法构造污水处理过程多目标优化模型，解决优化变量与性能指标间没有精确数学描述的问题；其次，基于建立的优化模型，由多目标优化算法得到问题的Pareto最优解，并根据决策信息，从Pareto解集中确定一个满意优化解，即溶解氧浓度和硝态氮浓度的优化设定值；最后，由底层控制器实现优化设定值的跟踪任务。该方法在保证出水水质达标前提下，能够有效降低污水处理过程能耗和运行成本。

主权项

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，min F(x)＝{f_EC(x)，f_EQ(x)}   (1)$s.t.\left\{\begin{array}{c}{g}_1\left(x\right)-4\&le;0\\ g_2\left(x\right)-18\&le;0\\ x_1^l\&lt;x_1\left(k\right)\&lt;x_1^u\\ x_2^l\&lt;x_2\left(k\right)\&lt;x_2^u\end{array}\right.---\left(2\right)$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$\hat{y}\left(k\right)=\mathrm{\&Phi;}\left(z\right)\&CenterDot;H(z,\mathrm{\&theta;})---\left(3\right)$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：$J\left(k\right)=\frac{1}{2}e{\left(k\right)}^2=\frac{1}{2}{\left(\hat{y}\right(k)-y(k\left)\right)}^2---\left(6\right)$采用梯度下降算法更新网络参数，调整公式为：$\mathrm{\&alpha;}(k+1)=\mathrm{\&alpha;}\left(k\right)-\mathrm{\&eta;}\frac{\&part;J\left(k\right)}{\&part;\mathrm{\&alpha;}\left(k\right)}---\left(7\right)$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$\left\{\begin{array}{c}{f}_{EC}^{\&prime;}\left(x\right)=f_{EC}\left(x\right)+C\&CenterDot;f_{penalty}\left(x\right)\\ f_{EQ}^{\&prime;}\left(x\right)=f_{EQ}\left(x\right)+C\&CenterDot;f_{penalty}\left(x\right)\end{array}\right.---\left(9\right)$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：$\left\{\begin{array}{c}{e}_1\left(k\right)=x_1\left(k\right)-y_1\left(k\right)\\ e_2\left(k\right)=x_2\left(k\right)-y_2\left(k\right)\end{array}\right.---\left(11\right)$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$\left\{\begin{array}{c}{\mathrm{\&Delta;u}}_1\left(k\right)=K_{P,1}\&CenterDot;\&lsqb;e_1\left(k\right)-e_1(k-1)\&rsqb;+K_{I,1}\&CenterDot;e_1\left(k\right)+K_{D,1}\&CenterDot;\&lsqb;e_1\left(k\right)-2\&CenterDot;e_1(k-1)+e_1(k-2)\&rsqb;\\ {\mathrm{\&Delta;u}}_2\left(k\right)=K_{P,2}\&CenterDot;\&lsqb;e_2\left(k\right)-e_2(k-1)\&rsqb;+K_{I,2}\&CenterDot;e_2\left(k\right)+K_{D,2}\&CenterDot;\&lsqb;e_2\left(k\right)-2\&CenterDot;e_2(k-1)+e_2(k-2)\&rsqb;\end{array}\right.---\left(12\right)$k时刻系统控制量表达为$\left\{\begin{array}{c}{u}_1\left(k\right)=u_1(k-1)+{\mathrm{\&Delta;u}}_1\left(k\right)\\ u_2\left(k\right)=u_2(k-1)+{\mathrm{\&Delta;u}}_2\left(k\right)\end{array}\right.---\left(13\right)$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。