多目標(biāo)海洋捕食者算法的污水處理優(yōu)化控制

崔心惠，李文萱，朱山川，張祝威

（1.滁州職業(yè)技術(shù)學(xué)院電氣工程學(xué)院，安徽滁州 239000；2.南京電研電力自動化股份有限公司，江蘇南京 210000）

水污染導(dǎo)致日益凸顯的生態(tài)環(huán)境問題，已成為危害國民生命健康的關(guān)鍵問題之一[1]. 城市污水處理總量在人口不斷增長和經(jīng)濟(jì)快速發(fā)展的過程中持續(xù)攀升，與此同時節(jié)能環(huán)保政策的實(shí)施力度也加大了對出水水質(zhì)的嚴(yán)格把控. 由此可見，城市生活污水治理問題的好壞是決定人類未來生態(tài)環(huán)境質(zhì)量高低的直接因素，而污水處理可有效緩解水資源匱乏以及減少環(huán)境污染問題. 在污水處理過程中廣受學(xué)者關(guān)注的一種生物處理技術(shù)稱為活性污泥法，其中溶解氧濃度（DO）、生化需氧量（BOD）、氨氮、化學(xué)需氧量（COD）等多種過程參數(shù)均是衡量污水處理過程中的重要指標(biāo). 因此，如何保證出水水質(zhì)滿足污水排放要求并且盡可能地降低運(yùn)行能源損失，就成為污水處理優(yōu)化控制中亟待解決的問題[2-7].

針對污水處理過程中溶解氧控制問題，曹守啟等[8]利用粒子群優(yōu)化算法對模糊參數(shù)進(jìn)行修正進(jìn)而提出一種溶解氧調(diào)控系統(tǒng)，對溶解氧的調(diào)控較其他算法更穩(wěn)定，具有超調(diào)量低、響應(yīng)速度更快的特點(diǎn).而在污水處理過程中，缺氧和好氧環(huán)境并存且缺氧池的反硝化反應(yīng)對出水水質(zhì)的濃度有著直接影響，其中硝態(tài)氮是作為評估脫氮效果的重要指標(biāo). 因此，控制硝態(tài)氮濃度在合理的區(qū)域內(nèi)，是進(jìn)一步提高出水水質(zhì)和降低能耗的前提. 無疑，污水處理優(yōu)化控制的目的是在眾多受到排放指標(biāo)限制且不斷變化的重要水質(zhì)參數(shù)的約束條件下實(shí)現(xiàn)節(jié)能降耗，所以多目標(biāo)優(yōu)化控制在強(qiáng)耦合污水處理過程中的研究至關(guān)重要[9-10].

城市污水處理過程的多目標(biāo)優(yōu)化問題中，包含多個相制約、相耦合、甚至相矛盾的待優(yōu)化的子目標(biāo). 其本質(zhì)是以問題為基點(diǎn)，模擬生物演化規(guī)律和機(jī)理. 目前群智能優(yōu)化算法因其固有的并行搜索能力逐漸被應(yīng)用于求解復(fù)雜問題. 趙楊等[11]為了改善出水水質(zhì)不達(dá)標(biāo)和能耗過高問題，從變異策略和參數(shù)更新兩個方面對差分進(jìn)化算法進(jìn)行改進(jìn)，提升了Pareto 解的多樣化，可有效滿足優(yōu)化控制要求. 在多變量優(yōu)化控制中，盧薇[12]將動態(tài)慣性權(quán)重加入多目標(biāo)粒子群（MOPSO）算法，既能使局部和全局之間搜索能力達(dá)到平衡，還能提升了算法的收斂速度以及精度；將算法用于BSM1 仿真模型后，實(shí)現(xiàn)了出水水質(zhì)濃度和能耗的有效降低，表明該方法具有良好的優(yōu)化控制性能. 張璐等[13]提出了一種動態(tài)分解多目標(biāo)粒子群優(yōu)化控制策略（OC-DDMOPSO）來獲取操縱變量最優(yōu)設(shè)定值，在自適應(yīng)核函數(shù)的性能指標(biāo)模型基礎(chǔ)上，達(dá)到污水處理過程優(yōu)化控制目的，并在BSM1 仿真平臺上驗(yàn)證可以實(shí)現(xiàn)改進(jìn)水質(zhì)、減小能耗效果. 趙小強(qiáng)等[14]提出一種改進(jìn)的多目標(biāo)布谷鳥算法對溶解氧以及硝態(tài)氮參數(shù)進(jìn)行尋優(yōu)，既增加種群多樣性，又提高了跳出局部最優(yōu)的可能性，實(shí)驗(yàn)證明該方法滿足降低能耗要求. 然而，通過多目標(biāo)控制策略來獲取精準(zhǔn)的控制變量優(yōu)化設(shè)定值仍需進(jìn)一步加強(qiáng)，所以針對具有挑戰(zhàn)性的污水處理過程中的多目標(biāo)優(yōu)化問題，本文引入貪婪機(jī)制和擁擠度計(jì)算對海洋捕食者算法進(jìn)行改進(jìn)，將盡可能多的解均勻覆蓋在Pareto 前沿，從而獲取最優(yōu)溶解氧和硝態(tài)氮濃度設(shè)定值，采用PID 控制器對其進(jìn)行跟蹤控制，解決多目標(biāo)污水處理優(yōu)化控制難的問題.

1 污水處理過程特性分析

1.1 BSM1仿真模型

污水處理過程是一個動態(tài)、時滯、強(qiáng)耦合的非線性系統(tǒng).微小的輸入波動都可能導(dǎo)致系統(tǒng)的輸出偏離，其中污水進(jìn)水流量、污染組分繁雜以及各成分含量不穩(wěn)定、污染負(fù)荷變化不確定、雷暴雨環(huán)境等都是造成污水處理過程龐雜的直接因素.如何對這些變量給予更好的評估且為污水處理系統(tǒng)提供更好的控制策略尤為重要.由此，歐盟科學(xué)技術(shù)與合作組織（COST）及國際水協(xié)會（IWA）共同定義并研發(fā)了“仿真基準(zhǔn)模型”（Benchmark Simulation Model No.1，BSM1）[15-16]，該模型專注于污水處理中各因素的動態(tài)變化模擬過程，其結(jié)構(gòu)布局如圖1所示.生化反應(yīng)池和二沉池組成主體結(jié)構(gòu)，前者池內(nèi)發(fā)生的反應(yīng)用活性污泥ASM1模型來進(jìn)行模擬，將整個生化反應(yīng)池分為五個單元，分別為兩個容積為1 000 m3的缺氧池單元和三個容積為1 333 m3的好氧池單元；后者則利用二次指數(shù)沉淀速率來模擬污水的固液分離過程.經(jīng)過生化反應(yīng)池處理后的混合液，部分回流至第一單元，保證了曝氣池中懸浮物濃度一定，維持活性污泥系統(tǒng)穩(wěn)定運(yùn)行[17]；剩余的通過二沉池進(jìn)行上層清水的排除和下層底部污泥的少量排出.

圖1 BSM1模型結(jié)構(gòu)布局

ASM1 內(nèi)含13 種物質(zhì)組分和8 個生化反應(yīng)過程，充分呈現(xiàn)污水處理動態(tài)反應(yīng)的機(jī)理特征. 由于過高的氮元素是導(dǎo)致水體富營養(yǎng)化的直接因素，水體污染對人類生活、生產(chǎn)發(fā)展以及生態(tài)發(fā)展起到一定的制約作用. 在生化反應(yīng)池中，缺氧和好氧兩部分分別進(jìn)行反硝化和硝化反應(yīng)，主要目的是對導(dǎo)致水體富營養(yǎng)化的氮元素進(jìn)行轉(zhuǎn)化，達(dá)到提升水質(zhì)的效果.

缺氧池中的硝態(tài)氮是由好氧池中反應(yīng)生成的硝態(tài)氮通過混合液回流而來，到達(dá)缺氧池后與進(jìn)水流量匯集并于池中開始反硝化反應(yīng). 因此，有效控制好氧池的回流量是保證缺氧池中硝態(tài)氮在合理范圍值內(nèi)且出水總氮達(dá)到排放要求的前提[18]. 回流量過大會促使缺氧池內(nèi)的硝態(tài)氮濃度增加，同時可生物降解有機(jī)物的濃度會有所降低，減弱反硝化能力；回流量過小影響可生物降解有機(jī)物能力而無法充分反應(yīng). 在好氧池中，硝化菌把氧作為電子受體完成硝化反應(yīng)去除水體中的氨氮. 溶解氧過低致使電子受體不足抑制硝化反應(yīng)，此時絲狀菌將會迅速繁殖加速污泥膨脹；溶解氧濃度過高時會出現(xiàn)兩種情況：一是持續(xù)的鼓風(fēng)機(jī)曝氣帶來的過度能耗損失，二是混合液回流中摻雜的溶解氧對缺氧池內(nèi)反應(yīng)環(huán)境的改變. 在此期間，曝氣能耗不僅影響溶解氧濃度還占污水處理廠總能耗的60%以上[19]. 所以通過適當(dāng)調(diào)節(jié)曝氣量來控制溶解氧濃度是保證硝化反應(yīng)正常進(jìn)行以及降低能耗的關(guān)鍵手段.

1.2 污水處理能耗和水質(zhì)模型

實(shí)際的工程領(lǐng)域中，往往需要求解的問題不止一個. 而污水處理過程的優(yōu)化控制目的是在出水水質(zhì)滿足規(guī)定排放要求下盡可能地縮減能耗. 若要達(dá)到出水水質(zhì)的正常排放要求，電氣控制設(shè)備需要長期運(yùn)行進(jìn)而導(dǎo)致能耗的增加；若要能耗盡可能的達(dá)到最少，意味反應(yīng)過程的不完全，即出水水質(zhì)超出規(guī)定值進(jìn)而造成罰款. 這是一組相互矛盾的目標(biāo)指標(biāo)，需要對其建模來實(shí)現(xiàn)進(jìn)一步分析. 該模型主要存在兩個方面的能耗，分別為曝氣能耗（Aeration Energy）和泵送能耗（Pumping Energy）. 將能耗模型優(yōu)化定義為[20]：

其中：EC代表總能耗，AE代表曝氣過程產(chǎn)生的能耗即曝氣能耗，PE代表運(yùn)送污泥所產(chǎn)生的能耗即泵送能耗. 根據(jù)污水處理過程中的模型參數(shù)和反應(yīng)變量，AE和PE分別定義為[20]：

其中：t0為開始時間，tf為結(jié)束時間，T為采樣周期，Vi為第i個生化反應(yīng)單元的體積，KLai為第i個生化反應(yīng)單元的曝氣量，SO，sat為溶解氧飽和濃度，Qa為內(nèi)回流流量，Qr為外回流流量，Qw為剩余污泥流量.

活性污泥法的出水水質(zhì)是對污水處理過程的除污效果的綜合性評價(jià)指標(biāo)，也是對受納水體排放污染物所需支付的費(fèi)用.EQ值越小，表征出水水質(zhì)越好且所需處理費(fèi)用更少，按基準(zhǔn)定義如下[20]：

式中：SSe(t)為第t時刻出水固體懸浮物濃度；CODe(t)為第t時刻出水化學(xué)需氧量濃度；SNkj，e(t)為第t時刻出水凱氏氮濃度；SNO，e(t)為第t時刻出水硝態(tài)氮濃度；BODe(t)為第t時刻出水生化需氧量濃度.

由算式（1）-（4）可知，EC與KLai和Qa有關(guān)，EQ與五種出水水質(zhì)參數(shù)化有關(guān). 好氧池中的溶解氧濃度SO大小由KLai決定，缺氧池中硝態(tài)氮濃度SNO由Qa決定. 恰當(dāng)?shù)腟O既能保證好氧區(qū)的微生物充分吸附和氧化分解有機(jī)污染物，還能降低曝氣能耗.同樣，恰當(dāng)?shù)腟NO不僅可以保證反硝化反應(yīng)的順序進(jìn)行，達(dá)到良好的脫氮效果，還降低了泵送能耗. 由于污水處理中的能耗和出水水質(zhì)指標(biāo)的優(yōu)化問題實(shí)質(zhì)上歸類于多目標(biāo)優(yōu)化問題，設(shè)x1為溶解氧濃度設(shè)定值，x2為硝態(tài)氮濃度設(shè)定值，x=[x1，x2]是兩個尋優(yōu)設(shè)定值形成的組合向量，fEQ和fEC分別為優(yōu)化向量間的函數(shù)表達(dá)式.污水處理優(yōu)化多目標(biāo)可描述為：

其中：Ntot為總氮濃度，SNH為氨氮濃度. 在滿足上述約束條件外，還需要對優(yōu)化設(shè)定的溶解氧濃度值和硝態(tài)氮值進(jìn)行上下限值，由此建立多目標(biāo)最小化問題.

2 污水處理多目標(biāo)優(yōu)化控制

2.1 海洋捕食者算法

海洋捕食者算法（Marine Predators Algorithm，MPA）是由Faramarzi等人于2020年根據(jù)海洋適者生存理論提出的一種高效元啟發(fā)算法[21]. 海洋捕食者通過交替的Lévy 和布朗游走選擇出最優(yōu)的覓食策略. 首先需要將獵物位置進(jìn)行初始化并均勻分布于搜索空間[22]，數(shù)學(xué)描述如下：

式中Xmax、Xmin為搜索空間范圍.

根據(jù)捕食者和獵物相遇時的速度比將MPA 分為三個階段.

階段1：捕食者運(yùn)動速度大于獵物速度時（V≥10）為迭代初期，此時捕食者處于勘探策略基本不動，數(shù)學(xué)模型如下：

階段2：捕食者與獵物運(yùn)動速度相同時（V=1）為迭代中期，此階段勘探和開發(fā)的重要性并存. 獵物以Lévy 游走策略負(fù)責(zé)開發(fā)而捕食者以布朗運(yùn)動負(fù)責(zé)勘探，數(shù)學(xué)描述如下：

式中：RL為Lévy 分布的隨機(jī)向量，CF為控制捕食者移動步長的自適應(yīng)參數(shù)，滿足CF=(1-Iter/Max_Iter)2×Iter/Max_Iter.

階段3：捕食者比獵物移動速度慢時（V=0.1）為迭代中期，此時捕食者處于Lévy 運(yùn)動開發(fā)策略.數(shù)學(xué)描述如下：

除上述階段外，魚類聚集裝置（FADs）或渦流效應(yīng)也會對捕食者覓食行為產(chǎn)生影響.這使得MPA在尋優(yōu)過程中可及時跳出局部，降低早熟收斂發(fā)生的概率.其數(shù)學(xué)描述如下：

式中：FADs=0.2，表示受到FADs影響的概率；U為隨機(jī)生成的向量數(shù)組，若數(shù)組小于0.2則將其更改為0，反之改為1；r為[0，1]內(nèi)隨機(jī)數(shù)；r1、r2為獵物矩陣的隨機(jī)索引.

2.2 多目標(biāo)海洋捕食者算法（MOMPA）

工程領(lǐng)域絕大部分問題都是由多個目標(biāo)函數(shù)組成，僅依靠某一個最優(yōu)目標(biāo)值決定優(yōu)劣關(guān)系是不合理的. 通過比較非支配排序關(guān)系可把種群中所存在的不被其他任何個體支配的解集放在目標(biāo)空間映射中形成Pareto 前沿. 由于海洋捕食者算法在迭代尋優(yōu)Pareto 解的過程中易出現(xiàn)收斂速度較慢且尋優(yōu)過程穩(wěn)定性不足等問題，本文從解集選擇上引入貪婪策略和擁擠度計(jì)算對標(biāo)準(zhǔn)海洋捕食者算法進(jìn)行改進(jìn).

貪婪策略是在迭代過程中選擇出當(dāng)前最優(yōu)解并將其與上一次最優(yōu)解進(jìn)行比較從而獲得全局最優(yōu)解的過程. 而Pareto 前沿是全局解與局部解并存形成的，二者僅在非支配范圍有所區(qū)分. 前者在所屬完整決策空間內(nèi)是Pareto 非支配，后者在其鄰域范圍內(nèi)是Pareto 非支配. 貪婪策略通過對非支配最優(yōu)解的比較、存儲以及更新獲取一組非支配最優(yōu)解. 更新如下：

（1）若當(dāng)前迭代中產(chǎn)生一組新解比存檔中的解更好，則當(dāng)前解可輸入存儲.

（2）若種群更新后的新解支配存檔空間內(nèi)的一個或多個解，應(yīng)將存檔中被支配的解刪除并替換為該新解.

（3）若種群更新后的新解與存檔中的解為非支配關(guān)系，則新解決也應(yīng)作為Pareto 解中的一員添加到存檔中.

上述存檔更新確保了所有解都領(lǐng)先于其他解.當(dāng)存檔容量不足時，若仍有新解滿足更新標(biāo)準(zhǔn)，該解將無法進(jìn)行存儲進(jìn)而導(dǎo)致最優(yōu)解的丟失. 此時，需在存檔中隨機(jī)刪除一個解. 考慮到移除其他解的過程應(yīng)對Pareto 解集分布的均勻性影響最小，本文采取對每個解都考慮一個預(yù)定義的距離，通過計(jì)算該距離內(nèi)解的數(shù)量來衡量其各自的擁擠度.計(jì)算式為:

假設(shè)圖中小圓為存檔中任意解，計(jì)算其固定距離范圍內(nèi)解的數(shù)量并對數(shù)量進(jìn)行排序. 若數(shù)值越多則解所在區(qū)域擁擠度較高，應(yīng)首選為需要待消除的解[23]. 反之，意味擁擠度較小，需要盡可能保存此類解，而擁堵最少的區(qū)域應(yīng)只有一個解，具體如圖2所示.

圖2 移除最佳解過程圖

最后根據(jù)擁擠程度用輪盤賭的方法選擇其中一個待消除的解.每個解被選擇的概率公式為：

其中：K＞1，Ni表示存檔中第i個解的相鄰解的數(shù)量，Pi表示第i個解被選擇的概率.

新舊解更替增加了種群多樣性，擴(kuò)大了跳出局部解的概率，并加快了算法收斂速度.圖3是多目標(biāo)海洋捕食者算法流程圖.

圖3 多目標(biāo)海洋捕食者算法流程圖

3 仿真實(shí)驗(yàn)

3.1 MOMPA算法測試實(shí)驗(yàn)

選擇合適的函數(shù)對優(yōu)化算法的性能和有效性進(jìn)行測試是必不可少的重要環(huán)節(jié). 本文選取CEC2019多模態(tài)多目標(biāo)基準(zhǔn)函數(shù)中的6個函數(shù)對MOMPA 算法尋優(yōu)過程中的性能進(jìn)行驗(yàn)證，并用MOMPA 算法中的反世代距離（Inverted Generational Distance，IGD）和Pareto 鄰近度倒數(shù)（the reciprocal of Pareto proximity，rPSP）指標(biāo)作為多目標(biāo)優(yōu)化算法的評估標(biāo)準(zhǔn).IGD指標(biāo)值越小表明Pareto 前沿所求值與真實(shí)值相接近，多目標(biāo)優(yōu)化算法的多樣性和收斂性越好. 反之，表明兩值相差遠(yuǎn)，偏離大，分布性較差. 公式如下[24-25]：

式中：P★為優(yōu)化算法所求的近似Pareto 前沿，P為真實(shí)Pareto 前沿，mindis(x，P)為x和P的最小歐式距離. 而rPSP則反映了計(jì)算和真實(shí)的Pareto 解之間的收斂性和覆蓋率. 從CEC2019 系列中選出6 種測試函數(shù)參數(shù)信息如表1所示.

表1 6種CEC2019測試函數(shù)參數(shù)信息

將多目標(biāo)海洋捕食者算法與其他幾種優(yōu)化算法進(jìn)行對比，具體參數(shù)設(shè)置如表2所示.

表2 不同多目標(biāo)優(yōu)化算法的參數(shù)設(shè)置

為了更形象地對比各算法在CEC2019 測試函數(shù)上的逼近效果，選取測試函數(shù)中具有代表性的雙目標(biāo)測試函數(shù)MMF8 和三目標(biāo)測試函數(shù)MMF15 來進(jìn)一步說明各算法收斂效果. 本次算法將單獨(dú)運(yùn)行20次，迭代100次，其收斂圖如圖4和圖5所示.

從圖4和圖5可以看出，在雙目標(biāo)和三目標(biāo)測試函數(shù)上，MOMPA 算法尋優(yōu)的解在Pareto 前沿上分布較為勻稱且覆蓋率更廣，保證了解的多樣性且均能獲得最優(yōu)解；同時與標(biāo)準(zhǔn)Pareto 最優(yōu)解數(shù)值相接近，能夠收斂于Pareto 前沿. 因此，MOMPA 算法可在解集中獲取范圍、質(zhì)量以及分布上更好地解來解決多目標(biāo)問題，給出水水質(zhì)達(dá)標(biāo)和能耗最小值提供了更最多選擇的可能性.

圖4 不同算法在MMF8上Pareto最優(yōu)解集

圖5 不同算法在MMF15上Pareto最優(yōu)解集

MOMPA 與 MOPSO、MODA、MOALO、MOMVO 和MSSA 算法在測試函數(shù)中的IGD和rPSP值如表3 和表4 所示. 從表3 和表4 的測試結(jié)果可以看出，本文所提出的MOMPA 算法整體IGD 均值和方差在MMF1、MMF2、MMF3、MMF8、MMF12都優(yōu)于MOEA/D、MODA、MOALO、MOMVO、MSSA，雖然在MMF15 上略有不足但相差甚微. 在rPSP數(shù)值中，MOMPA和MOEA/D表現(xiàn)出較好的解的覆蓋率，二者對比下MOMPA 的rPSP指標(biāo)更小且滿足大部分測試函數(shù). 以上分析表明，MOMPA 算法在收斂性和多樣性上具有一定的優(yōu)越性.

表3 不同優(yōu)化算法的IGD值

表4 不同優(yōu)化算法的rPSP值

3.2 污水處理BSM1仿真

為了驗(yàn)證MOMPA 的有效性，將該算法應(yīng)用于BSM1 仿真平臺，設(shè)置總的優(yōu)化周期為14 d，性能指標(biāo)優(yōu)化周期為2 h，每個采樣間隔為15 min. 選取仿真數(shù)據(jù)分別是晴天、雨天和暴雨天下的污水?dāng)?shù)據(jù).其中SO和SNO的優(yōu)化范圍分別是0 ～2.5 mg/L 和0 ～2 mg/L.圖7給出MOMPA算法在晴天數(shù)據(jù)下對污水處理中SO和SNO優(yōu)化控制曲線和誤差圖.

從圖7 可看出，在晴天天氣下，出水水質(zhì)指標(biāo)相對來說變化過程較平穩(wěn). 多目標(biāo)海洋捕食者優(yōu)化算法根據(jù)系統(tǒng)實(shí)際運(yùn)行狀態(tài)呈現(xiàn)良好的跟蹤控制效果，跟蹤軌跡和設(shè)定值變化過程基本吻合，出水水質(zhì)參數(shù)整體排放濃度的平均值在污水排放指標(biāo)范圍內(nèi)，達(dá)到了污水處理過程中的約束條件，驗(yàn)證了MOMPA 在污水處理優(yōu)化中的優(yōu)越性，是進(jìn)一步確保能耗達(dá)到最佳處理效果的先決條件.

圖7 晴天SO、SNO優(yōu)化控制曲線和誤差圖

4 結(jié)語

污水處理是一個動態(tài)的、強(qiáng)耦合的多變量多目標(biāo)復(fù)雜系統(tǒng)，多目標(biāo)優(yōu)化污水處理問題解決的是可同時獲取使能耗和出水水質(zhì)達(dá)到最佳效果的解. 針對二者組合優(yōu)化問題，提出一種多目標(biāo)海洋捕食者算法的污水處理優(yōu)化控制方法，通過機(jī)理分析和仿真實(shí)驗(yàn)得出結(jié)論有：

（1）鑒于海洋捕食者算法在迭代中不易跳出局部最優(yōu)致使全局搜索能力受到限制，在保證MPA 算法本身機(jī)制的同時引入貪婪策略來保存尋優(yōu)過程中發(fā)現(xiàn)的最佳非支配解，并通過擁擠度的計(jì)算對比將更優(yōu)的解與內(nèi)部存檔中的最優(yōu)解進(jìn)行更替，提出了一種多目標(biāo)海洋捕食者算法，使得解集均勻分布在Pareto 前沿，有助于提高解的覆蓋率；用CEC2019測試函數(shù)驗(yàn)證MOMPA 算法性能的有效性且提高了算法的收斂速度.

（2）在BSM1仿真平臺上，通過MOMPA 算法對污水處理過程中的SO與SNO的設(shè)定值不斷尋優(yōu)，結(jié)果表明MOMPA 算法與其他算法相比具有很強(qiáng)的競爭力，不僅使得污水處理中出水水質(zhì)達(dá)到排放要求而且能耗顯著降低.