[发明专利]一种基于自适应模糊神经网络的溶解氧模型预测控制方法

摘要

本发明提出了一种基于自适应模糊神经网络溶解氧模型预测控制方法，实现了污水处理过程中溶解氧DO浓度精确在线控制。针对污水处理过程中具有不确定性、非线性、强耦合性，无法建立精确的数学模型，溶解氧DO浓度难以控制的特点，该控制方法通过自适应地调整神经网络参数，提高神经网络的处理能力，建立基于模糊神经网络的预测模型和设计利用模型预测控制方法进行控制，能够提高控制的效果；解决了当前基于开关控制和PID控制自适应能力较差的问题。实验结果表明该方法具有较好的自适应能力，能够达到溶解氧DO浓度的精确在线控制的目的，提高污水处理的效果、降低了能耗。

主权项

1.一种基于自适应模糊神经网络的溶解氧模型预测控制方法，针对序批式间歇活性污泥系统中溶解氧DO浓度进行控制，以鼓风机曝气量和内回流量为控制量，溶解氧DO浓度为被控量；其特征在于，包括以下步骤：(1)设计用于污水处理过程中溶解氧DO浓度模型预测控制方法的目标函数：其中，ec(t)＝[ec(t+1),ec(t+2),…,ec(t+Hp)]T，ec(t)为t时刻溶解氧DO浓度设定值与溶解氧DO浓度预测值的误差向量，ec(t+1)为t+1时刻溶解氧DO浓度设定值与溶解氧DO浓度预测值的误差值，ec(t+2)为t+2时刻溶解氧DO浓度设定值与溶解氧DO浓度预测值的误差值，ec(t+Hp)为t+Hp时刻溶解氧DO浓度设定值与溶解氧DO浓度预测值的误差值，Hp为预测时域，Hp∈[1,10]，u(t)＝[KLa(t),Qa(t)]，u(t)为t时刻鼓风机的曝气和内回流向量，KLa(t)为t时刻鼓风机的曝气量，Qa(t)为t时刻内回流量，Δu(t)＝[Δu(t),Δu(t+1),…,Δu(t+Hu‑1)]T，Δu(t)为t时刻鼓风机的曝气和内回流调整向量，Δu(t+1)为t+1时刻鼓风机的曝气和内回流调整向量，Δu(t+Hu‑1)为t+Hu‑1时刻鼓风机的曝气和内回流调整向量，Hu为控制变量的变化时域，Hu∈[1,5](Hp≤Hu)，T为公式的转置，α和ρ是控制参数，α∈[0,1]，ρ∈[0,1]，限制条件：Δu(t)＝u(t+1)‑u(t),|Δu(t)|≤Δumax,   (2)其中，Δumax为控制器允许的最大曝气和内回流调整向量，Δumax根据控制系统设备中鼓风机和内回流阀门进行设置；(2)设计用于污水处理过程中溶解氧DO浓度预测的自适应模糊神经网络，自适应模糊神经网络的结构分为四层：输入层、径向基RBF层、规则层和输出层，自适应模糊神经网络的输入为x(t)＝[y(t‑1),y(t‑2),Q_a(t‑5),Q_a(t‑6),K_La(t‑5),K_La(t‑6)]，y(t‑1)为t‑1时刻污水处理过程中溶解氧DO浓度的实际值，y(t‑2)为t‑2时刻污水处理过程中溶解氧DO浓度的实际值，Q_a(t‑5)为t‑5时刻污水处理过程中内回流量，Q_a(t‑6)为t‑6时刻污水处理过程中内回流量，K_La(t‑5)为t‑5时刻污水处理过程中曝气量，K_La(t‑6)为t‑6时刻污水处理过程中曝气量，自适应模糊神经网络的输出为溶解氧DO浓度预测值初始化自适应模糊神经网络：确定神经网络6‑7‑7‑1的连接方式，即输入层神经元为6个，径向基RBF层神经元为7个，规则层神经元为7个；输出层神经元为1个；模糊神经网络输入层到径向基RBF层的连接权值为1，径向基RBF层到规则层的连接权值为1，规则层和输出层间的连接权值在[0,1]范围内进行随机赋值；模糊神经网络的输出表示如下：其中，为t时刻模糊神经网络的输出，表示为t时刻污水处理过程中溶解氧DO浓度的预测值，w_k(t)为t时刻模糊神经网络规则层第k个神经元和输出层的连接权值，k＝1,2,…,7；v_k(t)为t时刻模糊神经网络规则层第k个神经元的输出，其计算公式为：其中，φk(t)表示为t时刻模糊神经网络径向基RBF层第k个神经元的输出，φl(t)表示为t时刻模糊神经网络径向基RBF层第l个神经元的输出，l＝1,2,…,7；其计算公式为：其中cl(t)表示t时刻模糊神经网络径向基RBF层第l个神经元中心值向量，σl(t)表示t时刻模糊神经网络径向基RBF层第l个神经元的中心宽度值向量；(3)训练基于自适应模糊神经网络，具体为：①给定一个模糊神经网络，径向基RBF层和规则层神经元均为7个，输入为x(t)＝[y(t‑1),y(t‑2),Qa(t‑5),Qa(t‑6),KLa(t‑5),KLa(t‑6)]，进行训练，并设定计算步数q＝1；②对模糊神经网络的参数进行更新：其中θ(t)＝[w(t),c(t),σ(t)]，w(t)为t时刻规则层神经元与输出层神经元间的连接权值向量，c(t)为t时刻模糊神经网络径向基RBF层神经元的中心值向量，σ(t)为t时刻模糊神经网络径向基RBF层神经元的中心宽度值向量，表示为t时刻实际测量的溶解氧DO浓度值与溶解氧DO浓度预测值的误差值，I为单位矩阵；λ为模糊神经网络参数的学习率，λ∈(0.001,0.01)；③重复步骤①‑②，q达到计算设定步数Q时停止计算，Q∈(20,100]；根据公式(3)，输出为模糊神经网络t时刻的输出，即为t时刻污水处理系统溶解氧DO浓度预测值；(4)用训练后的自适应模糊神经网络预测溶解氧DO浓度为t+1时刻污水处理系统溶解氧DO浓度预测值，为t+2时刻污水处理系统溶解氧DO浓度预测值，为t+H_p时刻污水处理系统溶解氧DO浓度预测值，同时，计算曝气和内回流调整向量:其中，ζ∈(0,1]表示控制学习率，Δu(t)取的第一个值Δu(t)作为控制器的调整向量，即对t时刻的污水处理过程曝气量和内回流量进行调整：u(t+1)＝u(t)+Δu(t),   (8)其中u(t+1)为t+1时刻鼓风机的曝气和内回流向量，Δu(t)为控制器t时刻的控制向量；(5)利用求解出的u(t)对溶解氧DO浓度进行控制，u(t)即为t时刻变频器和传感器的输入，变频器通过调节电动机的转速达到控制鼓风机的目的，传感器通过调节仪表的开度达到控制阀门的目的，最终控制曝气量和内回流量，整个控制系统的输出为溶解氧DO浓度的实际值。