基于感知-決策-評估的污水處理智能曝氣方法

袁沐坤，于廣平，劉 堅，李 健

（1.中國科學(xué)院沈陽自動化研究所，遼寧沈陽 110016；2.廣州工業(yè)智能研究院，廣東廣州 511458；3.中國科學(xué)院大學(xué)，北京 100049）

污水處理的曝氣過程通過風(fēng)機將空氣壓縮鼓入污水處理生化池，使生化池的溶解氧濃度（DO）維持在合適水平，創(chuàng)造有利于微生物好氧降解污染物的有氧條件，提高微生物的活性和污染物去除能力。進(jìn)水工況對生物曝氣工藝的穩(wěn)定性影響較大。此外，曝氣過程能耗高，風(fēng)機的電能消耗占污水處理工藝總能耗的40%以上〔1-2〕。采取合理有效的曝氣控制策略能夠提升污水處理系統(tǒng)的整體運行性能和節(jié)能效果。

曝氣過程為典型的高非線性、大滯后性的復(fù)雜過程，其參數(shù)優(yōu)化設(shè)定與控制一直是研究的熱點。叢秋梅等〔3〕提出基于帶有工況中心修正的污水處理多模型等在線建模方案，提高了對處理過程COD、氨氮濃度等關(guān)鍵參數(shù)預(yù)測的準(zhǔn)確性，但因缺乏控制策略的進(jìn)一步優(yōu)化，僅能為操作人員提供決策參考，節(jié)能降耗性能有所限制。栗三一等〔4〕采用多目標(biāo)進(jìn)化算法尋找溶解氧優(yōu)化設(shè)定值，抑制了出水氨氮及總氮的峰值，同時減少超標(biāo)率。Honggui HAN等〔5-7〕采用全局優(yōu)化算法尋找溶解氧濃度優(yōu)化設(shè)定值，并對溶解氧控制器進(jìn)行優(yōu)化分析，提高了污水處理能力，但缺乏對入水周期性的考慮，一定程度上增加了優(yōu)化運算成本。Jianhui WANG等〔8〕基于污水廠真實歷史數(shù)據(jù)，采用新型混合神經(jīng)網(wǎng)絡(luò)模型等智能回歸預(yù)測算法預(yù)測出水參數(shù)，同時結(jié)合遺傳算法等尋優(yōu)算法降低處理過程的總能耗與總物耗。N.KSHETRY等〔9〕基于算法融合思想搭建了污水處理過程穩(wěn)定性及安全性的決策控制系統(tǒng)。S.SARAVANA KUMAR等〔10〕基于試錯法的模糊邏輯控制對污水處理過程控制策略進(jìn)行綜合優(yōu)化，一定程度保證了系統(tǒng)出水的達(dá)標(biāo)穩(wěn)定性，但處理能耗成本增加。P.MAHESWARI等〔11〕基于實際污水廠校正BSM1模型中的硝酸鹽濃度和溶解氧濃度進(jìn)行嵌套回路控制，在處理效果與節(jié)能降耗方面有一定改善，但該模型具有較強的針對性，適用性較低。

為實現(xiàn)曝氣過程的優(yōu)化控制，達(dá)到保質(zhì)降耗的目的，筆者基于污水處理過程，將入水情況的周期性進(jìn)行入水工況感知劃分，以入水工況為單位對處理過程的操作策略進(jìn)行優(yōu)化，提高決策響應(yīng)速度，降低運算成本，并通過搭建系統(tǒng)運行評估體系反映系統(tǒng)的處理能力及優(yōu)化性能?！肮r感知-自主決策-性能評估”多層次污水處理智能曝氣優(yōu)化方案的工況感知層將采用K-means聚類算法建立初始工況庫，結(jié)合注水原理〔12〕實現(xiàn)工況庫的自主更新。在工況感知基礎(chǔ)上，自主決策層將采用最小二乘支持向量機（LS-SVM）與神經(jīng)網(wǎng)絡(luò)反向傳播算法（BPNN）建立系統(tǒng)的軟測量模型，結(jié)合粒子群全局尋優(yōu)算法（PSO）求解當(dāng)前入水工況生化池溶解氧的最優(yōu)設(shè)定值（DOset）。性能評估模塊將依據(jù)系統(tǒng)運行的經(jīng)濟效益、出水水質(zhì)與出水成分等建立評估數(shù)據(jù)庫，評估系統(tǒng)優(yōu)化決策性能。系統(tǒng)流程如圖1所示。

圖1 感知-決策-評估智能曝氣系統(tǒng)流程Fig.1 Intelligent aeration process of perception-decision-evaluation

1 實驗方法理論

1.1 優(yōu)化系統(tǒng)綜述

污水處理曝氣智能優(yōu)化系統(tǒng)由工況感知、自主決策與性能評估3部分組成，其結(jié)構(gòu)如圖2所示。

圖2 感知-決策-評估智能曝氣系統(tǒng)框架Fig.2 Framework of perception-decisionevaluation intelligent aeration strategy

工況感知部分主要包含入水工況庫，用于存放歷史數(shù)據(jù)的工況感知情況，該部分將根據(jù)歷史數(shù)據(jù)建立初始工況庫，并根據(jù)新入水與歷史工況庫的匹配情況實現(xiàn)入水工況的感知與更新；自主決策部分包含操作知識庫和學(xué)習(xí)規(guī)則庫，其中操作知識庫存放歷史工況對應(yīng)的DOset，學(xué)習(xí)規(guī)則庫存放污水處理過程中入水、出水及評估數(shù)據(jù)間的機理關(guān)系，以工況感知結(jié)果為依據(jù)，求解新入水下生化反應(yīng)池曝氣過程的DOset，同時更新操作知識庫；性能評估部分包含評估數(shù)據(jù)庫，用以記錄系統(tǒng)優(yōu)化運行過程的能耗經(jīng)濟指標(biāo)（EC）與出水水質(zhì)指標(biāo)（EQ），并作為入水工況庫和學(xué)習(xí)規(guī)則庫的更新依據(jù)。

為驗證系統(tǒng)的優(yōu)化性能，在國際水協(xié)會（IWA）發(fā)布的基于污水生化處理典型過程國際評價基準(zhǔn)（Benchmark）的基礎(chǔ)上搭建污水處理仿真平臺（BSM1）〔13〕并完成優(yōu)化仿真驗證。仿真模型BSM1參考的實際污水處理廠設(shè)計流量為20 000 m3∕d，入水平均BOD為300 g∕m3，水力停留時間為14.4 h，生化反應(yīng)池容積5 999 m3（厭氧生化反應(yīng)池1、2各占1 000 m3，好氧生化反應(yīng)池3、4、5各占1 333 m3），物理沉降池容積6 000 m3，屬典型中等規(guī)模城鎮(zhèn)污水處理廠。模型仿真輸入為Benchmark給出的基于實際工廠的晴天、雨天、暴雨天3種天氣各2周的入水?dāng)?shù)據(jù)，采樣間隔為15 min，入水?dāng)?shù)據(jù)由入水流量和入水組分構(gòu)成，其中入水組分以活性污泥1號模型（ASM1）為基準(zhǔn)，包含溶解性惰性有機物（SI）、易生物降解有機物（SS）、顆粒性惰性有機物（XI）、難生物降解有機物（XS）、活性異養(yǎng)菌生物固體（XB，H）、活性自養(yǎng)菌生物固體（XB，A）、生物固體衰減產(chǎn)生的惰性有機物（XP）、溶解氧（SO）、硝態(tài)氮（SNO）、氨氮（SNH）、可生物降解溶解性有機氮（SND）、可生物降解顆粒性有機氮（XND）、堿度（SALK）13種成分。Benchmark在全球范圍內(nèi)具有較高的權(quán)威性和廣泛的認(rèn)可度，為該優(yōu)化系統(tǒng)提供了較高可信度的優(yōu)化性能驗證平臺。

1.2 工況感知

工況感知流程如圖3所示，首先根據(jù)歷史數(shù)據(jù)建立初始入水工況庫，采用K-means聚類算法將其劃分為工況1、2、……、n。當(dāng)新入水?dāng)?shù)據(jù)X輸入系統(tǒng)，計算其與歷史工況1、2、……、n的全局相似度，取最大值作為新入水?dāng)?shù)據(jù)X與歷史工況庫的匹配度，當(dāng)匹配度大于入水工況劃分閾值（取0.92）時，說明新入水X與歷史工況庫匹配程度高，將其存放于相似度最大的工況i中；否則，將新入水?dāng)?shù)據(jù)X作為新工況n+1存入到工況庫中。

圖3 工況感知流程Fig.3 Process of operation condition perception

1.2.1 基于K-means聚類算法建立初始工況庫

K-means聚類算法將根據(jù)給定的樣本集，按照樣本之間的距離大小將樣本劃分為K簇，并保證簇內(nèi)盡可能緊湊，簇間盡可能遠(yuǎn)離。K-means聚類算法的優(yōu)化目標(biāo)是最小化平方誤差E，如式（1）所示。

式中：x——樣本集中單個樣本；

μi——簇Ci的質(zhì)心，其表達(dá)式見式（2）。

初始入水工況庫的劃分在一定程度上將影響入水工況庫后續(xù)自主更新的能力，因此劃分初始入水工況庫時需保證合適的簇間距離。從晴天、雨天、暴雨天3種天氣入水?dāng)?shù)據(jù)中隨機選取200組作為初始數(shù)據(jù)，作其肘部圖，如圖4所示，根據(jù)肘部法可得出初始入水工況庫的劃分K值為22。

圖4 200組歷史數(shù)據(jù)K-means聚類算法肘部圖Fig.4 K-means algorithm elbow method of 200 sets of historical data

1.2.2 基于注水原理自主更新工況庫

注水原理常用于通信領(lǐng)域〔14〕，根據(jù)子信道信噪比的好壞優(yōu)化分配載波功率，以達(dá)到總信道容量的最大化。針對入水?dāng)?shù)據(jù)各組分對優(yōu)化系統(tǒng)影響的差異性，采用注水原理計算入水各組分所占的屬性權(quán)重，根據(jù)屬性權(quán)重計算新入水?dāng)?shù)據(jù)與歷史數(shù)據(jù)的相似度，并將同工況內(nèi)歷史數(shù)據(jù)的平均相似度用于該組數(shù)據(jù)與該工況的相似度對比，以此作為工況自主更新的依據(jù)。

為保證入水工況庫的自主更新能力，根據(jù)注水原理，應(yīng)使屬性總?cè)萘緾w達(dá)到最大值，而各組分的屬性權(quán)重表示該組分的重要度，屬性權(quán)重越大則說明該組分的重要度越高，其應(yīng)當(dāng)滿足一定約束，見式（3）～式（4）。

式中：m——入水?dāng)?shù)據(jù)的組分種類數(shù)（在BSM1中，包含流量在內(nèi)m=14）；

wj——第j種組分的屬性權(quán)重；

uj——第j種組分特征的均值；

σj——第j種組分特征的標(biāo)準(zhǔn)差。

結(jié)合約束條件構(gòu)造拉格朗日函數(shù)，求解，見式（5）、式（6）。

同時由約束條件〔式（3）、式（4）〕對wj限幅，令得到：

計算新入水?dāng)?shù)據(jù)與工況庫中歷史數(shù)據(jù)在各組分上的局部相似度，見式（9）。

式中：Xj——新入水?dāng)?shù)據(jù)X的第j種組分；

Lj——工況庫中歷史數(shù)據(jù)L的第j種組分。

對各屬性的局部相似度進(jìn)行加權(quán)求和以得到新入水?dāng)?shù)據(jù)與工況庫中歷史數(shù)據(jù)的全局相似度，見式（10）。

然后計算入水?dāng)?shù)據(jù)與相同工況下歷史數(shù)據(jù)的全局相似度的平均值，取最大平均值作為入水?dāng)?shù)據(jù)與工況庫的匹配依據(jù)；當(dāng)該值大于某一閾值η時（閾值取0.92），將入水?dāng)?shù)據(jù)劃分到最大平均值所在的工況中，否則將入水?dāng)?shù)據(jù)作為新的工況存入工況庫中，如式（11）所示。

式中：CX——入水?dāng)?shù)據(jù)X的工況劃分結(jié)果；

C——現(xiàn)有入水工況庫；

Ci——現(xiàn)有工況庫中某一工況；

h——工況Ci所含歷史入水?dāng)?shù)據(jù)條數(shù)。

得到晴天、雨天、暴雨天的工況劃分情況，如圖5所示，可知3種天氣在第1周的工況感知結(jié)果基本一致，到第2周只有晴天數(shù)據(jù)的工況數(shù)不再增加，符合BSM1入水?dāng)?shù)據(jù)特征。

圖5 工況劃分情況Fig.5 Case of condition division

1.3 自主決策

1.3.1 建立學(xué)習(xí)規(guī)則庫

污水處理過程的高度復(fù)雜性和大滯后性會導(dǎo)致全局尋優(yōu)過程的時間復(fù)雜度與空間復(fù)雜度過于龐大，因此，引入軟測量模型代替污水處理系統(tǒng)對EC與EQ的計算，提高了算法的尋優(yōu)性能與收斂速度。其中，軟測量模型1用于計算全局尋優(yōu)算法的個體適應(yīng)度及確定個體所在的約束空間，以系統(tǒng)EC和EQ為主導(dǎo)變量，以流量、入水組分和曝氣池溶解氧濃度為輔助變量，基于BSM1上仿真所得數(shù)據(jù)建立軟測量模型1，用BPNN、SVM、LS-SVM智能算法進(jìn)行學(xué)習(xí)預(yù)測，結(jié)果如圖6所示。

圖6 軟測量模型1的預(yù)測結(jié)果Fig.6 Predicted results of soft sensor model 1

由圖6可見，LS-SVM算法對EC和EQ的跟蹤性能較好，如式（12）所示。

曝氣池溶解氧達(dá)到一定濃度后，出水水質(zhì)對溶解氧濃度的敏感性降低。由于系統(tǒng)在全局尋優(yōu)簡化了機理過程，將得到與污水處理特性相悖的解集，為此需要約束粒子的求解尋優(yōu)空間。以入水所屬工況的EQ均值作為主導(dǎo)變量，流量及入水組分作為輔助變量，于BSM1上仿真所得數(shù)據(jù)建立軟測量模型2，同樣采用BPNN、SVM、LS-SVM智能算法進(jìn)行學(xué)習(xí)預(yù)測，結(jié)果如圖7所示，可得BPNN對于EQ工況均值的跟蹤性能較好，如式（13）所示。

圖7 軟測量模型2預(yù)測結(jié)果Fig.7 Predicted results of soft sensor model 2

1.3.2 學(xué)習(xí)規(guī)則庫的自主決策應(yīng)用

粒子群優(yōu)化算法（PSO）是一種概率型的全局優(yōu)化算法，首先在可行解空間中初始化一群粒子，每個粒子代表一組溶解氧濃度優(yōu)化設(shè)定值（DOset），用位置、速度、適應(yīng)度與懲罰值作為該粒子特征。迭代過程中，粒子以個體最優(yōu)解（Pbest）和集體最優(yōu)解（Gbest）為指引更新自身位置。個體最優(yōu)解是指個體的最優(yōu)位置，集體最優(yōu)解是種群所有粒子的最優(yōu)位置。每次迭代粒子都將計算1次適應(yīng)度與懲罰值，并更新個體最優(yōu)解和集體最優(yōu)解。各粒子的適應(yīng)度是將入水?dāng)?shù)據(jù)和粒子對應(yīng)的DOset輸入到軟測量模型1計算出來的EC，同時利用入水?dāng)?shù)據(jù)作為軟測量模型2的輸入得到約束值。將粒子于軟測量模型1得到的EQ預(yù)測懲罰值與約束值進(jìn)行比較，若粒子EQ預(yù)測懲罰值大于約束值，則將該粒子的適應(yīng)度值置為無窮大，在迭代中舍棄該粒子位置。每次迭代中，粒子的位置及速度計算公式如式（14）～式（16）所示。

式中：ω——動量因子；

1.4 性能評估

性能評估主要根據(jù)Benchmark列出的EQ和EC。EQ按式（17）計算（T為7 d）。

EC按式（18）計算（T為7 d）。

式中：Qa——內(nèi)回流流量，m3∕d；

Qr——外回流流量，m3∕d；

Qw——污泥排放量，m3∕d；

KLa——氧轉(zhuǎn)移速率，表征好氧池的曝氣情況，h-1。

此外，Benchmark中規(guī)定出水總懸浮物（TSS）＜30 g∕m3、COD＜100 g∕m3、BOD5＜10 g∕m3、總 氮（TN）＜18 g∕m3，其計算式見式（19）～式（22）。

2 仿真驗證

2.1 仿真模型及相關(guān)參數(shù)說明

BSM1為典型污水生化處理過程，結(jié)構(gòu)如圖8所示。其中1、2池為缺氧池，3～5池為好氧池，虛線部分為優(yōu)化系統(tǒng)曝氣控制策略。

圖8 BSM1系統(tǒng)Fig.8 System of BSM1

BSM1主要通過好氧生化池中的氧總轉(zhuǎn)移系數(shù)（KLa3～5）表征生化反應(yīng)曝氣過程，因此影響系統(tǒng)EC的主要因素為3～5池的溶解氧濃度設(shè)定值〔15〕。將入水?dāng)?shù)據(jù)輸入系統(tǒng)，由感知-決策-評估優(yōu)化算法得出該入水情況下的DOset3～5，將其作為設(shè)定值輸入PID控制器中，并以3～5池的溶解氧濃度（DO3～5）作為PID控制器的反饋輸入值，KLa3～5作為被控對象，調(diào)節(jié)3～5池中的實時溶解氧濃度。BSM1的默認(rèn)控制策略為KLa3=KLa4=10 h-1，KLa5=3.5 h-1。

系統(tǒng)其他相關(guān)參數(shù)如表1所示。

表1 系統(tǒng)相關(guān)參數(shù)Table 1 System parameters

表1中，初始工況數(shù)K表示工況感知中采用Kmeans聚類算法對晴天前200組數(shù)據(jù)的初步劃分結(jié)果；工況劃分閾值η表示工況感知中新入水?dāng)?shù)據(jù)與工況庫的匹配判斷閾值；Gam、Sig2分別為工況決策中EC、EQ關(guān)于入水?dāng)?shù)據(jù)和曝氣池溶解氧的LS-SVM軟測量模型的正則常數(shù)與平方帶寬；Ni為工況決策中EQ關(guān)于入水?dāng)?shù)據(jù)的BPNN軟測量模型的隱含層i所含神經(jīng)元個數(shù)，隱含層層數(shù)用H表示；種群個體數(shù)P、慣性權(quán)重α及學(xué)習(xí)因子C均為工況決策中全局尋優(yōu)算法自適應(yīng)粒子群尋優(yōu)算法的相關(guān)參數(shù)，其中學(xué)習(xí)因子C分為c1、c2，取值相同；EQ、EC、TSS、COD、BOD5、TN是基于Benchmark用于驗證控制方法有效性的評估參數(shù)。

2.2 仿真結(jié)果

將Benchmark給定數(shù)據(jù)作為系統(tǒng)輸入，隨機從晴天、雨天、暴雨天氣情況取200組數(shù)據(jù)作為初始工況歷史數(shù)據(jù)，每次新入水經(jīng)過工況感知-決策-評估過程求得DOset，并根據(jù)系統(tǒng)運行性能評估結(jié)果更新入水工況庫、操作知識庫和學(xué)習(xí)規(guī)則庫，得出3～5池的溶解氧濃度最優(yōu)設(shè)定值，如圖9所示。

圖9 3～5池（a-c）溶解氧濃度最優(yōu)設(shè)定值Fig.9 DOset in 3-5 unit pools

仿真驗證系統(tǒng)的3～5池實時溶解氧濃度如圖10所示?？梢奝ID控制器對好氧生化池溶解氧濃度的跟蹤性能良好，由控制器對系統(tǒng)仿真結(jié)果造成的干擾可忽略不計。

圖10 3～5池（a-c）實時溶解氧濃度Fig.10 DOin 3-5 unit pools

優(yōu)化系統(tǒng)與原始系統(tǒng)的出水水質(zhì)如圖11所示。

由圖11可見，2種系統(tǒng)的出水TSS、COD基本一致；出水BOD5兩者相差＜3%；優(yōu)化系統(tǒng)出水TN整體優(yōu)于原始系統(tǒng)1%～2%。

圖11 優(yōu)化系統(tǒng)與原始系統(tǒng)的出水水質(zhì)Fig.11 Effluent quality of optimized system and original system

2.3 結(jié)果分析

對優(yōu)化系統(tǒng)和BSM1原始系統(tǒng)的最終出水情況及處理性能進(jìn)行對比，結(jié)果如表2所示。

由表2可見，優(yōu)化系統(tǒng)最終出水的COD、TSS、BOD5、日均TN與原系統(tǒng)的差異＜1%，EQ低于原系統(tǒng)1%～2%，EC較原系統(tǒng)降低了10%～15%。

表2 優(yōu)化系統(tǒng)和原始系統(tǒng)的出水情況及處理性能對比Table 2 Comparison of effluent quality and treatment performance between optimized system and original system

3 結(jié)論

（1）基于感知-決策-評估的污水處理曝氣智能優(yōu)化方法結(jié)合K-means聚類算法與注水原理，對入水?dāng)?shù)據(jù)進(jìn)行感知，能夠支持入水工況庫的自主更新，提高了系統(tǒng)穩(wěn)定性。采用LS-SVM與BPNN建立計算全局尋優(yōu)過程個體適應(yīng)度的軟測量模型1及用于約束全局尋優(yōu)求解空間的軟測量模型2，采用PSO對當(dāng)前工況進(jìn)行曝氣優(yōu)化自主決策；輸入溶解氧濃度優(yōu)化設(shè)定值，針對系統(tǒng)運行情況進(jìn)行性能評估，并由評估結(jié)果對決策系統(tǒng)進(jìn)行優(yōu)化更新。

（2）在優(yōu)化系統(tǒng)出水達(dá)標(biāo)且出水水質(zhì)（EQ）優(yōu)于原系統(tǒng)1%～2%的情況下，經(jīng)濟指標(biāo)（EC）相比原系統(tǒng)下降了10%～15%，節(jié)能效果顯著。該智能曝氣優(yōu)化方法可作為國內(nèi)中等規(guī)模城鎮(zhèn)污水處理廠節(jié)能減排的優(yōu)化參考。

（3）由于污水處理環(huán)境具有差異性，BSM1的仿真數(shù)據(jù)在國內(nèi)中等規(guī)模城鎮(zhèn)污水處理廠中的適用性較低，故BSM1仿真模型僅作為所述感知-決策-評估智能曝氣優(yōu)化系統(tǒng)的仿真驗證平臺。完成優(yōu)化性能的仿真驗證后，后續(xù)研究將進(jìn)一步結(jié)合國內(nèi)中等規(guī)模城鎮(zhèn)污水處理廠的入水特性建立針對性入水工況感知模塊，根據(jù)污水廠實際運行數(shù)據(jù)構(gòu)建自主決策預(yù)測與全局尋優(yōu)模塊，最后針對實際污水廠的處理需求搭建符合國內(nèi)處理要求的性能評估機制，完成該優(yōu)化方法在國內(nèi)中型城鎮(zhèn)污水廠的落地應(yīng)用，達(dá)到節(jié)能減排的目的。