基于知識(shí)的污水生化處理過(guò)程智能優(yōu)化方法

喬俊飛 韓改堂 周紅標(biāo)

水污染是世界上最令人頭疼的問(wèn)題之一,在未來(lái)的幾十年將呈現(xiàn)繼續(xù)惡化的趨勢(shì)[1].目前,生物處理法是污水處理廠(chǎng)采用最廣泛的凈水方法.其中,活性污泥法是去除有機(jī)污染物最有效的方法之一[2].該方法的重要舉措之一就是通過(guò)鼓風(fēng)機(jī)向曝氣池中充入適當(dāng)氧氣以保持好氧區(qū)中溶解氧(Dissolved oxygen,SO)濃度以及通過(guò)回流泵回流污水以保持缺氧區(qū)的硝態(tài)氮(Nitrate nitrogen,SNO)濃度,這需要大量的電力能量供給.隨著公眾對(duì)環(huán)境關(guān)注度的提高,出水水質(zhì)參數(shù)的相關(guān)標(biāo)準(zhǔn)也越來(lái)越嚴(yán)格,污水處理廠(chǎng)在“提標(biāo)改造”過(guò)程中不得不使SO和SNO維持于一個(gè)較高的運(yùn)行水平,以便得到滿(mǎn)意的出水水質(zhì).然而,好氧區(qū)SO濃度過(guò)高,有可能破壞反硝化所需的缺氧環(huán)境,增大缺氧區(qū)可快速降解有機(jī)碳的消耗,從而影響污水處理效果.同樣,合適的缺氧區(qū)SNO濃度才能保證反硝化反應(yīng)的順利進(jìn)行,從而提高脫氮去除率.因此,根據(jù)污水處理工況的變化對(duì)SO和SNO設(shè)定值進(jìn)行動(dòng)態(tài)尋優(yōu),是提升污水處理除氮效果和降低運(yùn)營(yíng)成本的一種可行辦法[3].

在實(shí)際污水處理廠(chǎng)中,底層跟蹤控制處理過(guò)程多采用開(kāi)關(guān)控制和PID控制等傳統(tǒng)控制方法[4?6].Carlsson等[4]設(shè)計(jì)PI、PD和PID等多種控制策略并集成到BSM1中作為控制性能比較的基準(zhǔn)控制器.Wahab等[5]針對(duì)硝化反硝化污水處理過(guò)程具有的強(qiáng)非線(xiàn)性和不確定干擾等特點(diǎn),設(shè)計(jì)了自整定多變量PID控制器,結(jié)果顯示閉環(huán)控制性能得到極大提高.Harja等[6]針對(duì)污水處理過(guò)程溶解氧控制設(shè)計(jì)了分?jǐn)?shù)階PI控制器,結(jié)果顯示所設(shè)計(jì)控制器能夠有效抑制參數(shù)變化帶來(lái)的控制品質(zhì)變差的影響,具有較強(qiáng)的魯棒性.雖然傳統(tǒng)控制方法結(jié)構(gòu)簡(jiǎn)單易實(shí)現(xiàn),但其初始設(shè)置的參數(shù)并不能隨時(shí)間和工況的變化而動(dòng)態(tài)改變,粗放型的控制過(guò)程使得跟蹤誤差較大,并不能很好地控制污水處理過(guò)程中包含的非線(xiàn)性動(dòng)態(tài)反應(yīng).此外,在實(shí)際污水處理運(yùn)行過(guò)程中,其底層設(shè)定值往往由廠(chǎng)內(nèi)專(zhuān)家通過(guò)觀察以及經(jīng)驗(yàn)決定,由于不能實(shí)時(shí)監(jiān)督,導(dǎo)致設(shè)定值不能隨時(shí)間和工況的變化而改變,因此往往導(dǎo)致能耗過(guò)高或者出水水質(zhì)較差的現(xiàn)象.

針對(duì)這一問(wèn)題,當(dāng)前一些優(yōu)化控制技術(shù)被應(yīng)用在污水處理過(guò)程中[7?13].Ostace等[7]采用模式搜索算法(Pattern search,PS)優(yōu)化溶解氧設(shè)定值,結(jié)果顯示總成本下降7%.Qiao等[8]針對(duì)溶解氧和硝態(tài)氮的優(yōu)化控制,采用數(shù)據(jù)驅(qū)動(dòng)的自適應(yīng)優(yōu)化控制器(Data driven adaptive optimization control,DDAOC)優(yōu)化能耗和出水水質(zhì)加權(quán)和構(gòu)成的目標(biāo)函數(shù),結(jié)果顯示能耗降低8.5%.韓廣等[9]采用Hop field神經(jīng)網(wǎng)絡(luò)結(jié)合拉格朗日乘子法設(shè)計(jì)污水處理過(guò)程優(yōu)化控制方案,結(jié)果顯示總能耗降低5.3%.Santn等[10]采用模型預(yù)測(cè)控制(Model predictive control,MPC)、前饋控制(Feedforward control,FF)和模糊控制器構(gòu)建兩層控制器優(yōu)化溶解氧設(shè)定值,結(jié)果顯示晴好天氣下總能耗下降6.9%.Zhang等[11]采用遺傳算法獨(dú)立地優(yōu)化操作成本和出水水質(zhì),結(jié)果顯示在保證出水水質(zhì)參數(shù)達(dá)標(biāo)的同時(shí),有效地降低了操作成本.Sweetapple等[12]針對(duì)溫室氣體排放量、生產(chǎn)成本和出水污染物濃度的多目標(biāo)優(yōu)化問(wèn)題,采用非支配排序遺傳算法NSGAII對(duì)其進(jìn)行同時(shí)優(yōu)化以獲取污水處理過(guò)程最佳的操作參數(shù),結(jié)果顯示在保證出水水質(zhì)的前提下,溫室氣體排放量和生產(chǎn)成本是一對(duì)相互競(jìng)爭(zhēng)的目標(biāo).Hreiz等[13]針對(duì)某小型污水處理廠(chǎng)能耗過(guò)高的問(wèn)題,采用精英多目標(biāo)遺傳算法同時(shí)優(yōu)化出水水質(zhì)和操作成本,取得了兩者之間的最佳平衡.Qiao等[14]采用模糊神經(jīng)網(wǎng)絡(luò)建立能耗和出水水質(zhì)數(shù)據(jù)驅(qū)動(dòng)模型,并利用NSGA-II構(gòu)建動(dòng)態(tài)多目標(biāo)優(yōu)化控制方法(Dynamic multi-objective optimization control,DMOOC)對(duì)其同時(shí)進(jìn)行優(yōu)化,結(jié)果顯示能耗降低了4.94%.文獻(xiàn)[7?8]為單目標(biāo)方法,主要是對(duì)溶解氧進(jìn)行優(yōu)化控制,優(yōu)化目標(biāo)以能耗為主.文獻(xiàn)[9?11]利用權(quán)值系數(shù)將多目標(biāo)優(yōu)化問(wèn)題轉(zhuǎn)化為單目標(biāo)優(yōu)化問(wèn)題,并沒(méi)有考慮不同目標(biāo)函數(shù)之間的依賴(lài)關(guān)系.文獻(xiàn)[12?14]考慮到污水處理生化反應(yīng)過(guò)程之間相互影響,能耗和出水水質(zhì)等多目標(biāo)之間呈現(xiàn)相互沖突的特性,利用多目標(biāo)優(yōu)化算法同時(shí)優(yōu)化多個(gè)目標(biāo),能夠得到更富競(jìng)爭(zhēng)力的折衷解.

然而,以上多目標(biāo)智能優(yōu)化方法很少應(yīng)用歷史最優(yōu)解的信息,對(duì)于處理環(huán)境相同且最優(yōu)解決方案變化很小的情況,在新的搜索周期進(jìn)行完全隨機(jī)初始化策略會(huì)造成昂貴的計(jì)算成本[15].因此,如何在處理新的優(yōu)化周期時(shí)有效應(yīng)用過(guò)去最優(yōu)解的信息成為當(dāng)前多目標(biāo)優(yōu)化算法的重要課題之一[16].污水處理過(guò)程作為非線(xiàn)性動(dòng)態(tài)系統(tǒng),在相似的處理環(huán)境(入水流量、污染物濃度)下具有相近的解決方案,因此應(yīng)用知識(shí)指導(dǎo)優(yōu)化算法的搜索將能夠得到更精確的優(yōu)化解.

基于以上多目標(biāo)優(yōu)化算法以及污水處理過(guò)程特性的分析,本文提出一種基于知識(shí)的多目標(biāo)粒子群(Knowledge-based multi-objective particle swarm optimization,KBMOPSO)優(yōu)化算法,用于實(shí)現(xiàn)污水生化處理過(guò)程的智能優(yōu)化控制.該方法將入水流量(Q0)、入水氨氮(SNH,in)和入水總氮(Stot,in)作為工況識(shí)別參考變量,與最優(yōu)解建立聯(lián)系形成知識(shí)模型,用于引導(dǎo)KBMOPSO的搜索過(guò)程.實(shí)驗(yàn)結(jié)果驗(yàn)證了所提方法的有效性,為污水處理廠(chǎng)提供了切實(shí)有效的優(yōu)化控制方案.

1 問(wèn)題描述

1.1 過(guò)程描述

當(dāng)前污水處理廠(chǎng)多采用活性污泥法作為處理工藝,其中包含的微生物反應(yīng)使得處理過(guò)程具有非線(xiàn)性和大滯后特性,其工藝布局如圖1所示,圖1中參數(shù)定義在表1中給出.污水處理過(guò)程由兩部分組成,第1部分為生化反應(yīng)區(qū),主要通過(guò)微生物反應(yīng)清除污水中含氮污染物;第2部分為二層池,主要通過(guò)物理沉降功能實(shí)現(xiàn)泥水分離.

1.2 問(wèn)題分析

圖1所示的污水處理過(guò)程在運(yùn)營(yíng)過(guò)程中存在兩個(gè)重要的考察指標(biāo),能耗和出水水質(zhì).能耗主要包括曝氣能耗和泵送能耗,代表污水處理過(guò)程90%的電能消耗.出水水質(zhì)則直接反映了污水處理過(guò)程的好壞.對(duì)于一個(gè)給定的污水處理過(guò)程存在如下特性:1)生化反應(yīng)的存在以及入水流量和組分濃度的劇烈變化,使得其精確控制極其困難;2)當(dāng)出水指標(biāo)超標(biāo)時(shí)需要支付昂貴的罰款,大大提高了污水處理廠(chǎng)的運(yùn)營(yíng)成本;3)由于入水的變化,專(zhuān)家需時(shí)刻關(guān)注污染物的變化從而制定合適的控制變量設(shè)定值,需要專(zhuān)家浪費(fèi)大量的精力才能完成這項(xiàng)任務(wù).

2 污水處理混合智能優(yōu)化控制系統(tǒng)

圖1 污水處理系統(tǒng)工藝布局圖Fig.1 Wastewater treatment system process layout

表1 參數(shù)描述Table 1 Parameters description

為了解決污水處理過(guò)程中能耗過(guò)大和底層跟蹤控制平穩(wěn)性較差的問(wèn)題,本文提出一種基于KBMOPSO的多目標(biāo)優(yōu)化控制方法,其控制結(jié)構(gòu)如圖2所示.此系統(tǒng)包含知識(shí)庫(kù)、多目標(biāo)優(yōu)化模塊和底層前饋神經(jīng)神經(jīng)網(wǎng)絡(luò)(Feedforward neural network,FNN)控制器模塊.

圖2 基于KBMOPSO的多目標(biāo)優(yōu)化控制方法Fig.2 Multiple objective optimization control system based on KBMOPSO

在圖2中,y和yr分別代表控制變量實(shí)際輸出以及控制變量設(shè)定值,C表示知識(shí)庫(kù)中的案例,e為控制變量設(shè)定值與實(shí)際輸出值之間的誤差,w,μ和σ分別代表FNN控制器的后件權(quán)值、隸屬函數(shù)層神經(jīng)元的中心以及寬度.系統(tǒng)各模塊描述如下:

2)知識(shí)庫(kù).知識(shí)庫(kù)用于存儲(chǔ)歷史非支配解,以Q0,SNH,in和Stot,in作為工況識(shí)別參考變量,將參考變量與最優(yōu)解建立關(guān)系形成知識(shí)模型存儲(chǔ)在知識(shí)庫(kù)中,通過(guò)判定當(dāng)前工況與知識(shí)庫(kù)中歷史非支配解對(duì)應(yīng)工況的相似性,進(jìn)而在新的優(yōu)化周期中應(yīng)用歷史非支配解初始化種群,以引導(dǎo)KBMOPSO的搜索區(qū)域.

3)底層控制器.采用FNN設(shè)計(jì)底層控制器,此控制器充分利用神經(jīng)網(wǎng)絡(luò)的非線(xiàn)性自適應(yīng)能力,在設(shè)定值以及工況發(fā)生變化時(shí),迅速調(diào)整參數(shù)以映射系統(tǒng)變化的輸入輸出關(guān)系.

2.1 知識(shí)庫(kù)的建立與應(yīng)用

本文提出一種基于知識(shí)的MOPSO智能優(yōu)化搜索算法,如圖3所示.

2.1.1 知識(shí)表達(dá)

知識(shí)表達(dá)的一般方法包括屬性特征值描述方法[17]、框架表示方法[18]和面向?qū)ο蟮姆椒╗19]等.由于屬性特征值描述方法具有簡(jiǎn)單明了的特點(diǎn),本文選用其作為知識(shí)庫(kù)中案例的表達(dá)形式,如第k個(gè)案例形式可表達(dá)為

其中,n表示案例的總數(shù)目,Xk和Yk分別表示第k個(gè)案例的工況識(shí)別參考變量和解決方案(歷史最優(yōu)解).

圖3 KBMOPSO程序流程圖Fig.3 The program flow chart of KBMOPSO

2.1.2 工況檢索和工況匹配

由于最近鄰法簡(jiǎn)單實(shí)用,本文利用其結(jié)構(gòu)設(shè)計(jì)相似工況的搜索算法[20?21].污水處理過(guò)程當(dāng)前工況與知識(shí)庫(kù)中第k個(gè)歷史工況的檢索方程可表示為

其中,sim(xi,xi,k)表示X和Xk之間的相似性,wi表示通過(guò)專(zhuān)家經(jīng)驗(yàn)獲得的第i個(gè)表達(dá)屬性的權(quán)重值.約束條件定義如下:

若滿(mǎn)足條件

則第k個(gè)歷史工況可視為匹配相似工況.其中,wth是分析工況相似程度的閾值.

2.1.3 KBMOPSO種群初始化

如果滿(mǎn)足不等式(4)的案例數(shù)目是為m,種群大小為N,則KBMOPSO種群初始化為

步驟1.清除種群P;

步驟2.引用滿(mǎn)足不等式(4)的歷史非支配解作為m個(gè)種群初始解;

步驟3.隨機(jī)初始化N?m個(gè)解;

步驟4.初始化結(jié)束.

如果滿(mǎn)足

表明沒(méi)有符合條件的歷史工況,則KBMOPSO種群初始化為

步驟1.清除種群P;

步驟2.隨機(jī)初始化N個(gè)解;

步驟3.初始化結(jié)束.

2.1.4 新工況存儲(chǔ)

當(dāng)式(5)滿(mǎn)足條件時(shí),表明系統(tǒng)出現(xiàn)新的處理工況,如圖3中所示,將KBMOPSO隨機(jī)搜索種群初始化后計(jì)算得到的最優(yōu)解作為新工況的解決方案,建立工況識(shí)別參考變量與最優(yōu)解之間關(guān)系,形成知識(shí)模型存儲(chǔ)在知識(shí)庫(kù)中.

2.2 多目標(biāo)優(yōu)化模塊

多目標(biāo)優(yōu)化模塊包括目標(biāo)函數(shù)的建立、多目標(biāo)優(yōu)化和Pareto解選取.本文首先建立模糊神經(jīng)網(wǎng)絡(luò)的能耗和出水水質(zhì)的數(shù)據(jù)驅(qū)動(dòng)軟測(cè)量模型作為目標(biāo)函數(shù),然后利用多目標(biāo)粒子群優(yōu)化算法對(duì)目標(biāo)函數(shù)進(jìn)行優(yōu)化,最后利用模糊隸屬函數(shù)法選取最優(yōu)折衷解,從而獲得控制變量的優(yōu)化設(shè)定值.在FNN建模中,將入水流量、溶解氧設(shè)定值和硝態(tài)氮設(shè)定值作為輸入量,能耗和出水水質(zhì)作為輸出量,利用BSM1基準(zhǔn)平臺(tái)離線(xiàn)產(chǎn)生500組數(shù)據(jù),建立軟測(cè)量模型.在多目標(biāo)粒子群優(yōu)化算法(Multi-objective particle swarm optimization,MOPSO)中,為了能夠提供給決策系統(tǒng)足夠多和足夠好的解,期望算法獲得Pareto前沿盡可能收斂且分布均勻.本文參考文獻(xiàn)[22],利用動(dòng)態(tài)擁擠距離法設(shè)計(jì)了一個(gè)新穎的MOPSO算法.

在MOPSO中,粒子通過(guò)不斷調(diào)整位置和速度的更新公式來(lái)尋找全局最優(yōu)解,本文所提的MOPSO算法更新公式如下:

其中,t為迭代次數(shù),w為慣性權(quán)重,c1,c2和c3為學(xué)習(xí)因子,r1,r2和r3為[0,1]之間均勻分布的隨機(jī)數(shù),pbi和gbi為粒子pi的個(gè)體引導(dǎo)者和全局引導(dǎo)者.在式(6)中,通過(guò)增加個(gè)體引導(dǎo)者和全局引導(dǎo)者之間的隨機(jī)擾動(dòng)提供給粒子更多的位置搜索信息,有助于提高算法跳出局部最優(yōu)的能力.

在MOPSO中,利用外部檔案(Archive,AC)保存非支配解,通過(guò)判斷擁擠距離維護(hù)外部檔案.首先將種群中的非支配解加入外部檔案,當(dāng)外部檔案中的非支配解個(gè)數(shù)超出設(shè)定的容量后,動(dòng)態(tài)刪除擁擠距離小的非支配解.個(gè)體引導(dǎo)者的選擇利用Pareto支配關(guān)系確定,全局引導(dǎo)者的選擇利用規(guī)模為2的錦標(biāo)賽法決定.最終外部?jī)?chǔ)備集中的非支配解作為多目標(biāo)優(yōu)化模塊的輸出結(jié)果提交給決策系統(tǒng).

本文采用模糊隸屬函數(shù)法設(shè)計(jì)了智能決策系統(tǒng).對(duì)于第i個(gè)目標(biāo)函數(shù)Fi,外部?jī)?chǔ)備集中非支配解xk的滿(mǎn)意度定義如下:

其中,Fmax,i和Fmin,i分別是第i個(gè)目標(biāo)函數(shù)Fi的最大值和最小值.非支配解xk的滿(mǎn)意度為

其中,M是目標(biāo)個(gè)數(shù),|Ar|是外部?jī)?chǔ)備集元素個(gè)數(shù).選取μk的最大值對(duì)應(yīng)的解為折衷解.MOPSO算法的偽代碼如下:

算法1.MOPSO算法

2.3 底層控制模塊

由于污水處理過(guò)程控制變量設(shè)定值頻繁變化,使得底層跟蹤控制過(guò)程增加了難度,本文基于模糊神經(jīng)網(wǎng)絡(luò)(Fuzzy neural network,FNN)設(shè)計(jì)底層控制器,利用梯度下降法在線(xiàn)更新網(wǎng)絡(luò)中所含參數(shù),使得控制器的參數(shù)可以隨著控制變量設(shè)定值的變化而調(diào)整,改善了優(yōu)化控制下的跟蹤控制性能.FNN結(jié)構(gòu)如圖4所示.

圖4 FNN結(jié)構(gòu)圖Fig.4 The structure of FNN

采用S型FNN建立直接自適應(yīng)控制器,神經(jīng)網(wǎng)絡(luò)輸出為

其中,X=[x1,x2,···,xm]為FNN 的輸入向量,m為輸入變量數(shù),cj=[c1j,c2j,···,cmj]和δj=[δ1j,δ2j,···,δmj]分別為規(guī)則層第j個(gè)神經(jīng)元對(duì)應(yīng)的隸屬函數(shù)層神經(jīng)元的高斯函數(shù)中心和寬度,φj是規(guī)則層第j個(gè)神經(jīng)元?dú)w一化后的輸出,wj為規(guī)則層第j個(gè)神經(jīng)元與輸出層神經(jīng)元之間的連接權(quán),j=1,2,···,n,n為規(guī)則層神經(jīng)元數(shù).

控制量u為

其中,?u(t)=f(X).

FNN的參數(shù)學(xué)習(xí)采用梯度下降算法,定義目標(biāo)函數(shù)為

其中,yd是網(wǎng)絡(luò)期望輸出,y為網(wǎng)絡(luò)實(shí)際輸出.令Θ=[w,c,δ]T表示參數(shù)向量,則參數(shù)更新公式為

其中,η為FNN參數(shù)學(xué)習(xí)率.

3 實(shí)驗(yàn)結(jié)果及分析

3.1 評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)基于國(guó)際通用仿真平臺(tái)BSM1進(jìn)行,評(píng)價(jià)指標(biāo)由BSM1定義的曝氣能耗AE、泵送能耗PE和出水水質(zhì)EQ組成.具體公式如下:

3.2 參數(shù)設(shè)置

所有仿真實(shí)驗(yàn)均采用Matlab R2013b編程環(huán)境,運(yùn)行算法的計(jì)算機(jī)采用四核配置,主頻為2.9GHz.控制器的采樣周期對(duì)控制性能有著重要的影響,本文控制器采樣周期為45秒,優(yōu)化周期為2小時(shí),采用晴好天氣數(shù)據(jù)進(jìn)行仿真分析.底層控制器由兩個(gè)自適應(yīng)FNN組成,通過(guò)試錯(cuò)法確定了網(wǎng)絡(luò)結(jié)構(gòu)2-6-1,為了保證控制器的穩(wěn)定性,參數(shù)學(xué)習(xí)率η不宜過(guò)大,通過(guò)經(jīng)驗(yàn)選擇為0.01.

3.3 結(jié)果及分析

知識(shí)庫(kù)中初始案例數(shù)為15個(gè),采用區(qū)域平均分割生成.實(shí)驗(yàn)數(shù)據(jù)源于BSM1文件,晴朗天氣共包含14天數(shù)據(jù)(前7天數(shù)據(jù)用于訓(xùn)練,后7天數(shù)據(jù)用于測(cè)試).入水流量和入水組分變化如圖5和圖6所示,圖5顯示入水流量及組分變動(dòng)比較劇烈.圖6中SS、SNH和SND分別代表入水易生物降解底物、入水氨氮和入水溶性可生物降解有機(jī)氮.

案例生成曲線(xiàn)如圖7所示,圖中顯示案例在第7天左右達(dá)到41個(gè)時(shí)已包含所有案例,之后優(yōu)化時(shí)新案例不再增加,這與BSM1對(duì)于數(shù)據(jù)的設(shè)置模式相符(前7天數(shù)據(jù)和后7天數(shù)據(jù)類(lèi)似),表明了本文中所提方法關(guān)于知識(shí)庫(kù)案例生成機(jī)制設(shè)置的合理性.

圖5 晴朗天氣入水流量Fig.5 In fluent flow in dry weather

圖6 晴朗天氣入水組分Fig.6 In fluent component in dry weather

圖7 案例數(shù)Fig.7 The case numbers

圖8 和圖9分別給出了能耗和水質(zhì)的FNN建模效果.從圖8和圖9可以看出,通過(guò)數(shù)據(jù)驅(qū)動(dòng)建立的模型精度較高,可以作為多目標(biāo)優(yōu)化算法的目標(biāo)函數(shù).圖10給出了KBMOPSO與MOPSO在某個(gè)優(yōu)化周期獲得的Pareto解集以及通過(guò)智能決策系統(tǒng)選取的最優(yōu)折衷解.從圖10可以看出,KBMOPSO比MOPSO的收斂性更好,獲取的優(yōu)化設(shè)定值能夠使污水處理過(guò)程達(dá)到節(jié)能降耗的目的.

圖8 能耗建模效果Fig.8 Model performance of EC

圖9 出水水質(zhì)建模效果Fig.9 Model performance of EQ

圖11 和圖12分別給出了設(shè)定值優(yōu)化結(jié)果及跟蹤效果和出水水質(zhì)參數(shù)變化情況.由圖11可以看出,KBMOPSO能夠根據(jù)處理工況的變化自適應(yīng)調(diào)整優(yōu)化設(shè)定值.優(yōu)化設(shè)定值的調(diào)整趨勢(shì)與入水流量和入水水質(zhì)參數(shù)的變化一致.同時(shí),利用FNN實(shí)現(xiàn)的底層跟蹤控制能夠滿(mǎn)足對(duì)控制精度的需求.由圖12可以看出,相比PID恒定值控制,KBMOPSO控制方法出水Ntot明顯降低,出水SNH等都沒(méi)有較大變化.KBMOPSO方法的出水水質(zhì)指標(biāo)也有一定程度的下降.

圖10 Pareto最優(yōu)解集及最優(yōu)折衷解確定Fig.10 Pareto optimal solutions and identify of optimal

圖11 設(shè)定值優(yōu)化結(jié)果及跟蹤效果Fig.11 Optimization and tracking results of the set point values

圖12 出水水質(zhì)參數(shù)變化情況Fig.12 The change of water quality parameters

表2 不同算法性能比較Table 2 Performance comparison for different algorithm

表2給出了不同算法之間的性能比較.從表2可以看出,KBMOPSO方法的總能耗為865.9kWh/d,出水水質(zhì)5092.4kg pollution/d,相比PID恒定值控制,分別下降了6.62%和0.7%.可見(jiàn),基于KBMOPSO的優(yōu)化控制方法,可以在不降低出水水質(zhì)指標(biāo)的前提下,有效地降低了能耗,節(jié)約了運(yùn)行總成本.

4 結(jié)論

針對(duì)污水處理過(guò)程能耗較大的問(wèn)題,提出一種基于知識(shí)的智能優(yōu)化控制方法.該方法采用具有案例表達(dá)、檢索和修訂等功能的知識(shí)模型對(duì)MOPSO的搜索過(guò)程進(jìn)行引導(dǎo),實(shí)現(xiàn)了對(duì)溶解氧和硝態(tài)氮設(shè)定值的實(shí)時(shí)調(diào)優(yōu),采用模糊神經(jīng)網(wǎng)絡(luò)構(gòu)建底層控制器,實(shí)現(xiàn)污水處理過(guò)程的底層精確跟蹤控制.所提方法在實(shí)現(xiàn)出水水質(zhì)達(dá)標(biāo)的前提下,有效地降低了能耗,節(jié)約了操作成本.仿真實(shí)驗(yàn)結(jié)果也驗(yàn)證了混合智能優(yōu)化方法能夠有效降低系統(tǒng)運(yùn)行總成本,取得了較好的節(jié)能效果.

1 Shannon M A,Bohn P W,Elimelech M,Georgiadis J G,Mari?nas B J,Mayes A M.Science and technology for water puri fication in the coming decades.Nature,2008,452(7185):301?310

2 Hamitlon R,Braun B,Dare R,Koopman B,Svoronos S A.Control issues and challenges in wastewater treatment plants.IEEE Control Systems,2006,26(4):63?69

3?Amand L,Carlsson B.Optimal aeration control in a nitrifying activated sludge process.Water Research,2012,46(7):2101?2110

4 Carlsson B,Rehnstrm A.Control of an activated sludge process with nitrogen removal–a benchmark study.Water Science and Technology,2002,45(4?5):135?142

5 Wahab N A,Katebi R,Balderud J.Multivariable PID control design for activated sludge process with nitri fication and denitri fication.Biochemical Engineering Journal,2009,45(3):239?248

6 Harja G,Nascu I,Muresan C,Nascu I.Improvements in dissolved oxygen control of an activated sludge wastewater treatment process.Circuits,Systems,and Signal Processing,2016,35(6):2259?2281

7 Ostace G S,Baeza J A,Guerrero J,Guisasola A,Cristea V M,Agachi P S,Lafuente J.Development and economic assessment of different WWTP control strategies for optimal simultaneous removal of carbon,nitrogen and phosphorus.Computers and Chemical Engineering,2013,53:164?177

8 Qiao J F,Bo Y C,Chai W,Han H G.Adaptive optimal control for a wastewater treatment plant based on a data-driven method.Water Science and Technology,2013,67(10):2314?2320

9 Han Guang,Qiao Jun-Fei,Han Hong-Gui,Chai Wei.Optimal control for wastewater treatment process based on Hopfield neural network.Control and Decision,2014,29(11):2085?2088(韓廣,喬俊飛,韓紅桂,柴偉.基于Hop field神經(jīng)網(wǎng)絡(luò)的污水處理過(guò)程優(yōu)化控制.控制與決策,2014,29(11):2085?2088)

11 Zhang R,Xie W M,Yu H Q,Li W W.Optimizing municipal wastewater treatment plants using an improved multi-objective optimization method.Bioresource Technology,2014,157:161?165

12 Sweetapple C,Fu G T,Butler D.Multi-objective optimisation of wastewater treatment plant control to reduce greenhouse gas emissions.Water Research,2014,55:52?62

13 Hreiz R,Roche N,Benyahia B,Lati fiM A.Multi-objective optimal control of small-size wastewater treatment plants.Chemical Engineering Research and Design,2015,102:345?353

14 Qiao J F,Zhang W.Dynamic multi-objective optimization control for wastewater treatment process.Neural Computing and Applications,2016.1?11,DOI:10.1007/s00521-016-2642-8

15 Mendes R,Rocha I,Pinto J P,Ferreira E C,Rocha M.Differential evolution for the offline and online optimization of fed-batch fermentation processes.Advances in Differential Evolution.Berlin:Springer-Heidelberg,2008.299?317

16 Wang Y,Li B.Investigation of memory-based multiobjective optimization evolutionary algorithm in dynamic environment.In:Proceedings of the 2009 IEEE Congress on Evolutionary Computation.Trondheim,Norway:IEEE,2009.630?637

17 Chai Tian-You.Operational optimization and feedback control for complex industrial processes.Acta Automatica Sinica,2013,39(11):1744?1757(柴天佑.復(fù)雜工業(yè)過(guò)程運(yùn)行優(yōu)化與反饋控制.自動(dòng)化學(xué)報(bào),2013,39(11):1744?1757)

18 Porter B W,Bareiss R,Holte R C.Concept learning and heuristic classi fication in weak-theory domains.Arti ficial Intelligence,1990,45(1?2):229?263

19 Cunningham P.A taxonomy of similarity mechanisms for case-based reasoning.IEEE Transactions on Knowledge and Data Engineering,2009,21(11):1532?1543

20 Cover T,Hart P.Nearest neighbor pattern classi fication.IEEE Transactions on Information Theory,1967,13(1):21?27

21 Zhou P,Chai T Y,Wang H.Intelligent optimal-setting control for grinding circuits of mineral processing process.IEEE Transactions on Automation Science and Engineering,2009,6(4):730?743

22 Cheng S X,Zhan H,Shu Z X.An innovative hybrid multiobjective particle swarm optimization with or without constraints handling.Applied Soft Computing,2016,47:370?388