一種污水處理優(yōu)化控制過程的超標(biāo)抑制控制方法

趙 楊, 熊偉麗,2

一種污水處理優(yōu)化控制過程的超標(biāo)抑制控制方法

趙 楊1, 熊偉麗1,2

(1. 江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院, 江蘇 無錫 214122;2. 江南大學(xué) 輕工過程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室, 江蘇 無錫 214122)

常規(guī)污水處理過程多目標(biāo)優(yōu)化控制中存在出水氨氮和總氮濃度長時(shí)間超標(biāo)的問題，為此提出一種污水處理優(yōu)化控制過程的超標(biāo)抑制控制方法。該方法在對(duì)多目標(biāo)優(yōu)化算法獲取的溶解氧和硝態(tài)氮質(zhì)量濃度設(shè)定值進(jìn)行跟蹤控制的同時(shí)，引入了超標(biāo)抑制決策；利用AdaBoost-LSSVM實(shí)時(shí)預(yù)測(cè)出水氨氮和總氮質(zhì)量濃度，并根據(jù)兩者的超標(biāo)情況選取合適的控制策略，以避免出現(xiàn)超標(biāo)。基于國際基準(zhǔn)仿真平臺(tái)(BSM1)進(jìn)行驗(yàn)證，結(jié)果表明所提的超標(biāo)抑制控制方法能在兼顧污水處理過程能耗和出水水質(zhì)的同時(shí)，保證出水氨氮和總氮質(zhì)量濃度不超標(biāo)。

污水處理；AdaBoost-LSSVM；優(yōu)化控制；超標(biāo)抑制控制

1 引 言

隨著我國綠色發(fā)展戰(zhàn)略的不斷推進(jìn)，各類污水治理和達(dá)標(biāo)排放顯得尤為重要。因此，近些年已有大量相關(guān)研究表明，對(duì)污水處理過程實(shí)施優(yōu)化控制是提升污水處理廠治理效率的有效方法[1-3]?；钚晕勰喾ㄊ且环N廣泛應(yīng)用的污水生物處理工藝，該工藝?yán)没钚晕勰嗟纳锬?、吸附和氧化作用[4-6]，從而達(dá)到凈水的效果?？紤]到污水處理過程是一個(gè)極為復(fù)雜的非線性系統(tǒng)，污水處理廠需改善其設(shè)備和運(yùn)行策略，使其在復(fù)雜工況下依然能達(dá)到嚴(yán)格的出水水質(zhì)標(biāo)準(zhǔn)，并盡可能降低能源消耗。從生化反應(yīng)機(jī)理來看[7]，好氧區(qū)溶解氧質(zhì)量濃度O和厭氧區(qū)硝態(tài)氮質(zhì)量濃度NO是決定出水水質(zhì)的2個(gè)關(guān)鍵因素，可以通過鼓風(fēng)機(jī)和回流泵分別對(duì)兩者進(jìn)行調(diào)節(jié)，但其運(yùn)行會(huì)消耗大量能源。因此，設(shè)計(jì)能耗和出水水質(zhì)的多目標(biāo)優(yōu)化問題，對(duì)O和NO的設(shè)定值進(jìn)行尋優(yōu)能有效降低能耗、提升出水水質(zhì)。

近十年來，在污水處理過程優(yōu)化控制中，多目標(biāo)優(yōu)化控制漸漸取代單目標(biāo)優(yōu)化控制成為研究的主流。根本原因是單目標(biāo)優(yōu)化控制在問題考慮上較為單一，一般會(huì)側(cè)重于降低污水處理過程中的能耗[8-11]，導(dǎo)致出水水質(zhì)提升較少。多目標(biāo)優(yōu)化控制能夠彌補(bǔ)這一缺陷，在對(duì)O和NO設(shè)定值尋優(yōu)的過程中，會(huì)綜合考慮降低能耗和提升出水水質(zhì)。

Hreiz等[12]采用精英多目標(biāo)遺傳算法能降低能耗和提升出水水質(zhì)，從而獲取第2生化反應(yīng)單元硝態(tài)氮質(zhì)量濃度NO2和第5生化反應(yīng)單元溶解氧質(zhì)量濃度O5的設(shè)定值。Vega等[13]將污水處理過程分成不同層次，分層控制，上層采用靜態(tài)、動(dòng)態(tài)優(yōu)化算法，對(duì)O5、NO2設(shè)定值進(jìn)行尋優(yōu)，下層引入非線性模型預(yù)測(cè)控制技術(shù)對(duì)設(shè)定值進(jìn)行跟蹤。Han等[14]提出了一種非線性多目標(biāo)模型預(yù)測(cè)控制策略，該策略利用自組織徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建立溶解氧質(zhì)量濃度和硝態(tài)氮質(zhì)量濃度的預(yù)測(cè)模型，再構(gòu)建多梯度優(yōu)化控制器來調(diào)節(jié)O5和NO2。Qiao等[15]提出了一種動(dòng)態(tài)多目標(biāo)優(yōu)化控制方法，利用模糊神經(jīng)網(wǎng)絡(luò)建立能耗和出水水質(zhì)的預(yù)測(cè)模型，再通過非支配排序遺傳算法尋取O5和NO2的最優(yōu)設(shè)定值。周紅標(biāo)等[16]提出了一種基于pareto支配和分解的混合多目標(biāo)骨干粒子群算法，能有效幫助粒子跳出局部最優(yōu)，再利用自組織模糊神經(jīng)網(wǎng)絡(luò)對(duì)選取的O5、NO2設(shè)定值進(jìn)行跟蹤控制。喬俊飛等[17]提出一種基于知識(shí)的改進(jìn)多目標(biāo)粒子群算法，通過記憶算法優(yōu)化過程中歷史信息，引導(dǎo)種群搜索，獲取優(yōu)質(zhì)的O5、NO2設(shè)定值，再采用模糊神經(jīng)網(wǎng)絡(luò)建立跟蹤控制器。以上多目標(biāo)優(yōu)化控制方法在降低能耗、提升出水水質(zhì)兩方面均取得了較優(yōu)的效果，但是出水氨氮質(zhì)量濃度Nh和出水總氮質(zhì)量濃度Ntot存在較長時(shí)間的峰值超標(biāo)，如此處理后排出的污水不會(huì)對(duì)水生植物的生長及人類的健康造成影響[18]。

2016年Santín等[19]首次提出決策控制系統(tǒng)用于抑制Nh和Ntot超標(biāo)，該方法利用入水氨氮質(zhì)量濃度和入水流量對(duì)Nh和Ntot進(jìn)行預(yù)測(cè)，然后通過控制外加碳源流量和內(nèi)回流流量實(shí)現(xiàn)對(duì)Nh和Ntot的調(diào)節(jié)，以避免超標(biāo)。栗三一等[20]在此基礎(chǔ)上引入了O5、NO2作為Nh和Ntot預(yù)測(cè)模型的輸入，并利用基于密度的局部搜索多目標(biāo)算法對(duì)能耗和出水水質(zhì)進(jìn)行優(yōu)化，使得控制策略在抑制超標(biāo)和降低能耗方面同時(shí)得到了提升。兩者雖然均能有效避免Nh和Ntot超標(biāo)，但在實(shí)施超標(biāo)抑制控制策略時(shí)無法兼顧多目標(biāo)優(yōu)化控制，并且控制策略仍可改進(jìn)。

綜上所述，本研究提出一種污水處理優(yōu)化控制過程的超標(biāo)抑制控制方法，以解決Nh和Ntot的峰值超標(biāo)問題。利用AdaBoost-LSSVM對(duì)Nh和Ntot建立預(yù)測(cè)模型，并加入O3、O4、O5和NO2作為模型輸入，可降低能耗、提升出水水質(zhì)、提高Nh和Ntot的預(yù)測(cè)精度。在超標(biāo)抑制控制中，增加對(duì)O3、O4和外回流的控制，以抑制Nh超標(biāo)，使得該控制策略在抑制超標(biāo)的同時(shí)，仍能通過控制內(nèi)回流對(duì)NO2設(shè)定值進(jìn)行跟蹤，保證出水水質(zhì)。此外，改進(jìn)外回流和外加碳源的控制策略，進(jìn)而降低超標(biāo)抑制過程中所產(chǎn)生的能耗。

2 污水處理優(yōu)化控制過程描述

2.1 BSM1模型

基準(zhǔn)仿真模型1號(hào)(benchmark simulation model No.1, BSM1)是國際水質(zhì)協(xié)會(huì)和歐盟科學(xué)技術(shù)合作組織合作開發(fā)的污水處理基準(zhǔn)仿真平臺(tái)[21]。該模型共有5個(gè)生化反應(yīng)單元[22]。第1個(gè)生化反應(yīng)單元的物料平衡公式為

第2-5單元的生化反應(yīng)如下：

圖1為BSM1模型的總體結(jié)構(gòu)，該模型的2個(gè)評(píng)價(jià)指標(biāo)為總能耗(overall cost index，OCI)和出水水質(zhì)(effluent quality index，EQI)，OCI的定義如下：

式中：t0為開始時(shí)間；tf為結(jié)束時(shí)間；T為采樣周期；Vi為第i個(gè)生化反應(yīng)單元的體積；KLai為第i個(gè)生化反應(yīng)單元的曝氣量；為剩余污泥流量，m3×d-1；為第i個(gè)生化反應(yīng)單元中外加碳源的流量，m3×d-1。

EQI的定義如下：

2.2 多目標(biāo)優(yōu)化控制

污水處理過程多目標(biāo)優(yōu)化問題可描述如下：

式中：OCI()和EQI()分別為能耗和出水水質(zhì)的優(yōu)化目標(biāo)函數(shù)；=[O3,O4,O5,NO2]為決策向量；s.t.為約束條件，是污水處理的5個(gè)出水水質(zhì)參數(shù)指標(biāo)；Nh,e,avg為出水氨氮質(zhì)量濃度平均值；Ntot,e,avg=NKj,e,avg+NO,e,avg為出水總氮質(zhì)量濃度平均值(NKj,e,avg為出水凱氏氯質(zhì)量濃度平均值，NO,e,avg為出水硝態(tài)氮質(zhì)量濃度平均值)；和分別為各決策變量的上、下界。

各優(yōu)化周期經(jīng)多目標(biāo)優(yōu)化算法優(yōu)化后，需從其獲得的pareto解集中選取一組偏好解作為O3、O4、O5和NO2控制器的設(shè)定值，具體的選取流程如下：

Step1 將pareto解集中所有解分別作為當(dāng)前優(yōu)化周期控制器的設(shè)定值，并獲取各解對(duì)應(yīng)該優(yōu)化周期的出水氨氮質(zhì)量濃度平均值。

Step2 選取出水氨氮質(zhì)量濃度平均值最小的一組解作為各PID控制器的設(shè)定值。

該選取方法能有效降低出水氨氮質(zhì)量濃度平均值、提升出水水質(zhì)，并且將選取的設(shè)定值應(yīng)用于超標(biāo)抑制控制其所需能耗也隨之降低。

3 超標(biāo)抑制控制策略

為避免污水處理過程中出現(xiàn)Nh和Ntot超標(biāo)，本研究設(shè)計(jì)的超標(biāo)抑制控制方法利用AdaBoost-LSSVM方法建立Nh和Ntot的預(yù)測(cè)模型，對(duì)Nh、Ntot的實(shí)時(shí)預(yù)測(cè)。若未超標(biāo)，則一直對(duì)當(dāng)前優(yōu)化周期的設(shè)定值進(jìn)行跟蹤控制；若超標(biāo)，則引入抑制Nh、Ntot超標(biāo)的抑制控制策略。具體控制結(jié)構(gòu)如圖2所示。

圖2 超標(biāo)抑制控制總體結(jié)構(gòu)

1. excessive total nitrogen concentration in effluent suppression module 2. excessive ammonia nitrogen concentration in effluent suppression module 3. multi-objective optimization module 4. controlled object 5. set value selection

3.1 AdaBoost-LSSVM模型

AdaBoost算法是Freund和Schapire于1997年提出的[24]，打破了單一預(yù)測(cè)模型僅在預(yù)測(cè)誤差較小樣本上的優(yōu)勢(shì)[25]，根據(jù)預(yù)測(cè)誤差更新樣本權(quán)值，使得誤差較大的樣本受到重視，權(quán)值更新后的樣本將被用來訓(xùn)練下一個(gè)新的子預(yù)測(cè)模型，最終在子預(yù)測(cè)模型結(jié)果組合的過程中，整體預(yù)測(cè)誤差較小的子預(yù)測(cè)模型將被賦予較大的加權(quán)值。本研究利用AdaBoost算法來整合最小二乘支持向量機(jī)(least squares support vector machines，LSSVM)[26]訓(xùn)練的多個(gè)子模型，在建模的過程中逐步優(yōu)化各子模型的權(quán)重，然后根據(jù)權(quán)重將子模型融合起來，構(gòu)成本研究的AdaBoost-LSSVM模型。

AdaBoost算法的具體實(shí)現(xiàn)步驟如下：

Step1初始化樣本權(quán)值1k：

式中：為訓(xùn)練樣本的數(shù)量。

Step2For=1,2,…,,為子預(yù)測(cè)模型的數(shù)量：

(1) 建立個(gè)子預(yù)測(cè)模型，并利用各子預(yù)測(cè)模型獲得訓(xùn)練集的預(yù)測(cè)結(jié)果G()，=1,2,…,，其中，為訓(xùn)練集中的輔助變量。

(2) 計(jì)算各訓(xùn)練樣本預(yù)測(cè)的相對(duì)誤差：

式中：為訓(xùn)練集中的主導(dǎo)變量，E為第個(gè)子預(yù)測(cè)模型對(duì)訓(xùn)練樣本預(yù)測(cè)的最大誤差。

(3) 計(jì)算第個(gè)子預(yù)測(cè)模型的權(quán)重：

式中：為第個(gè)子預(yù)測(cè)模型誤差率。

(4) 更新樣本權(quán)重w1,k：

式中：為歸一化因子。

Step3組合子預(yù)測(cè)模型的結(jié)果，得到模型的最終預(yù)測(cè)值()：

AdaBoost-LSSVM模型中，LSSVM的核函數(shù)選取了高斯徑向基核函數(shù)(,x)：

LSSVM算法中，懲罰因子影響模型的預(yù)測(cè)精度。本研究為測(cè)試對(duì)氨氮和總氮預(yù)測(cè)模型的影響，子預(yù)測(cè)模型的取值范圍定為3′102到3′109。從表1可以看出，氨氮和總氮預(yù)測(cè)模型中子預(yù)測(cè)模型的數(shù)量過多，預(yù)測(cè)性能提升率明顯下降；子預(yù)測(cè)模型的數(shù)量過少，該集成學(xué)習(xí)模型的預(yù)測(cè)性能相較于單一模型提升較小。最終，子預(yù)測(cè)模型的數(shù)量設(shè)定為4，分別定為3′103、3′104、3′105和3′106，可避免出現(xiàn)過擬合或者欠擬合，還能提升整個(gè)模型的泛化性能。表中RMSE為均方根誤差。

表1 各子預(yù)測(cè)模型數(shù)量下預(yù)測(cè)模型精度

AdaBoost-LSSVM建模流程如圖3所示。

3.2 出水氨氮和總氮質(zhì)量濃度的預(yù)測(cè)模型

3.2.1 預(yù)測(cè)模型輸入選取

由式(1)和(2)可以發(fā)現(xiàn)，Nh和Ntot除了與污水的入水流量及其自身入水質(zhì)量濃度相關(guān)，還與生化反應(yīng)池中13種基礎(chǔ)組分質(zhì)量濃度相關(guān)。在污水處理過程中，厭氧區(qū)的硝態(tài)氮主要包含硝酸鹽氮和亞硝酸鹽氮，經(jīng)過反硝化反應(yīng)會(huì)產(chǎn)生一部分氨氮，而好氧區(qū)將溶解氧質(zhì)量濃度保持在3 mg×L-1以下能促進(jìn)硝化反應(yīng)去除氨氮，將氨氮轉(zhuǎn)化成硝酸鹽氮，兩者比其他基礎(chǔ)組分對(duì)氨氮濃度的影響大。此外，考慮到好氧區(qū)有3個(gè)單元，僅控制某一單元溶解氧質(zhì)量濃度會(huì)出現(xiàn)氨氮去除不達(dá)標(biāo)的情況，對(duì)好氧區(qū)溶解氧質(zhì)量濃度實(shí)現(xiàn)全面控制可有效彌補(bǔ)該不足。因此，本研究選取入水流量、入水氨氮質(zhì)量濃度、生化反應(yīng)池中3、4、5分區(qū)溶解氧質(zhì)量濃度和第2分區(qū)硝態(tài)氮質(zhì)量濃度作為建立出水氨氮質(zhì)量濃度預(yù)測(cè)模型的輸入。

圖3 AdaBoost-LSSVM建模流程圖

總氮中無機(jī)氮部分的主要成分為氨氮和硝態(tài)氮，氨氮質(zhì)量濃度受溶解氧和硝態(tài)氮質(zhì)量濃度的影響較大，而硝態(tài)氮又是總氮的主要成分。因此，本研究選取入水流量、入水總氮質(zhì)量濃度、生化反應(yīng)池中3、4、5分區(qū)溶解氧質(zhì)量濃度和第2分區(qū)硝態(tài)氮質(zhì)量濃度作為建立出水總氮質(zhì)量濃度預(yù)測(cè)模型的輸入。

3.2.2 數(shù)據(jù)采集及建模

本研究考慮了污水處理過程中從入水到各生化反應(yīng)單元及出水的延時(shí)因素[20]，采集到各輔助變量的數(shù)據(jù)應(yīng)與延時(shí)后采集到的Nh和Ntot相對(duì)應(yīng)，建立的預(yù)測(cè)模型能對(duì)Nh和Ntot進(jìn)行預(yù)測(cè)，相應(yīng)的控制策略便能提前實(shí)施，以避免Nh和Ntot超標(biāo)。

因?yàn)樵O(shè)定值O3set、O4set、O5set和NO2set的優(yōu)化范圍分別為0.7～1.7、1～2、2～3和0.5～2 mg×L-1，所以數(shù)據(jù)采集時(shí)，網(wǎng)格搜索法以步長0.2共獲得875種設(shè)定值組合，并分別賦予各PID控制器，在BSM1模型上運(yùn)行14 d，每30 min采樣一次，共獲得579 250組數(shù)據(jù)，526 590組作訓(xùn)練集，52 660組作測(cè)試集。

利用AdaBoost-LSSVM建模方法，建立Nh和Ntot的預(yù)測(cè)模型，具體的模型輸入結(jié)構(gòu)如圖4(a)～(b)所示。

圖4 出水氨氮和總氮質(zhì)量濃度預(yù)測(cè)模型輸入

1. influent flow 2. influent ammonia nitrogen concentration 3. influent total nitrogen concentration 4. unit 3 dissolved oxygen concentration 5. unit 4 dissolved oxygen concentration 6. unit 5 dissolved oxygen concentration 7. unit 2 nitrate concentration

此前，Santin等[19]選取入水氨氮質(zhì)量濃度、入水流量和溫度作為預(yù)測(cè)模型的輸入，栗三一等[20]增加了第2單元硝態(tài)氮質(zhì)量濃度和第5單元溶解氧質(zhì)量濃度作為預(yù)測(cè)模型的輸入，本研究去除了溫度因素，增加了第3、4單元溶解氧質(zhì)量濃度。表2選取RMSE作為3種方法所建模型性能的評(píng)價(jià)標(biāo)準(zhǔn)，從中可以看出，本研究的預(yù)測(cè)模型精度較其他2種方法有較大的提升。

表2 預(yù)測(cè)模型精度對(duì)比

3.3 出水氨氮質(zhì)量濃度超標(biāo)抑制控制

當(dāng)Nh預(yù)測(cè)值超標(biāo)且小于6 mg×L-1時(shí)，增加q,r至120 000 m3×d-1，從而對(duì)流入第1個(gè)生化反應(yīng)單元的氨氮質(zhì)量濃度進(jìn)行稀釋，該稀釋過程持續(xù)至入水氨氮峰值到達(dá)第3個(gè)生化反應(yīng)單元，而后將O3set、O4set、O5set設(shè)為優(yōu)化調(diào)節(jié)范圍內(nèi)的最大值，并根據(jù)第3個(gè)生化反應(yīng)單元的氨氮質(zhì)量濃度Nh3來調(diào)節(jié)q,r，考慮到q,r過大會(huì)導(dǎo)致回流到生化反應(yīng)池后氨氮和總氮質(zhì)量濃度大幅上升，不利于超標(biāo)抑制控制，因此，其可調(diào)節(jié)范圍為0～100 000 m3×d-1。具體的調(diào)節(jié)原理為：若Nh3過高，則減少q,r，以增加水力停留時(shí)間，使硝化反應(yīng)更充分，提升去除氨氮的效果；若Nh3降低了，則可增加q,r，從而稀釋氨氮質(zhì)量濃度。

根據(jù)仿真試驗(yàn)，經(jīng)過多目標(biāo)優(yōu)化控制后的Nh3不會(huì)超過14 mg×L-1，于是本研究設(shè)計(jì)了式(12)用于調(diào)節(jié)q,r：

當(dāng)Nh預(yù)測(cè)值超標(biāo)且大于6 mg×L-1時(shí)，反硝化過程的脫氮要求很高，需將第1、2生化反應(yīng)單元的外加碳源流量q,EC1和q,EC2均設(shè)為5 m3×d-1，促進(jìn)氨氮和硝酸鹽的吸收，提升脫氮效果并降低總氮質(zhì)量濃度，其他控制策略與小于6 mg×L-1時(shí)一致。

當(dāng)Nh預(yù)測(cè)值達(dá)標(biāo)且第5生化反應(yīng)單元氨氮質(zhì)量濃度低于3 mg×L-1時(shí)，則結(jié)束出水氨氮超標(biāo)抑制控制，恢復(fù)至多目標(biāo)優(yōu)化控制。

3.4 出水總氮質(zhì)量濃度超標(biāo)抑制控制

當(dāng)Ntot預(yù)測(cè)值超標(biāo)且Nh預(yù)測(cè)值小于6 mg×L-1時(shí)，根據(jù)式(13)計(jì)算所需外加碳源總量EC，其取值范圍為0～7 m3×d-1，并將其分配給q,EC1和q,EC2，兩者的上限值均為5。若q,EC≤5，則q,EC1= q,EC；若q,EC>5，則q,EC1=5，q,EC2= q,EC-5。

當(dāng)Ntot預(yù)測(cè)值達(dá)標(biāo)且第5生化反應(yīng)單元總氮濃度低于13.5 mg×L-1時(shí)，則結(jié)束出水總氮超標(biāo)抑制控制，恢復(fù)至多目標(biāo)優(yōu)化控制。

3.5 超標(biāo)抑制優(yōu)化控制過程

整個(gè)超標(biāo)抑制優(yōu)化控制過程的框架結(jié)構(gòu)如圖5所示，超標(biāo)抑制控制策略的實(shí)施建立在污水處理優(yōu)化控制的基礎(chǔ)上，通過AdaBoost-LSSVM預(yù)測(cè)模型實(shí)時(shí)預(yù)測(cè)Nh和Ntot，并根據(jù)預(yù)測(cè)結(jié)果調(diào)整控制策略。未超標(biāo)，則保持多目標(biāo)優(yōu)化控制，通過PID控制器調(diào)節(jié)Lai和q,a，實(shí)現(xiàn)對(duì)O、NO設(shè)定值的跟蹤控制，從而降低能耗、提升出水水質(zhì)；超標(biāo)，則加入超標(biāo)抑制控制策略，根據(jù)Nh、Ntot的超標(biāo)情況調(diào)整O、NO設(shè)定值、q,r和q,EC，避免兩者超標(biāo)。因此，該優(yōu)化控制過程能夠兼顧能耗、出水水質(zhì)的優(yōu)化和Nh、Ntot超標(biāo)的抑制。

圖5 超標(biāo)抑制優(yōu)化控制結(jié)構(gòu)圖

4 仿真實(shí)驗(yàn)

本實(shí)驗(yàn)在污水處理多目標(biāo)優(yōu)化控制過程的基礎(chǔ)上，加入了Nh和Ntot超標(biāo)抑制控制方法，并與現(xiàn)有的超標(biāo)抑制控制方法相比較，經(jīng)驗(yàn)證本研究的控制方法既能兼顧能耗和出水水質(zhì)，也能避免Nh和Ntot超標(biāo)。所有實(shí)驗(yàn)均基于國際基準(zhǔn)仿真平臺(tái)BSM1。

4.1 污水處理多目標(biāo)優(yōu)化控制

將多目標(biāo)優(yōu)化控制方法應(yīng)用于BSM1模型下的污水處理過程，該過程選取的仿真數(shù)據(jù)是晴天條件下的污水?dāng)?shù)據(jù)。整個(gè)仿真過程為14 d，分為112個(gè)周期進(jìn)行優(yōu)化控制，每個(gè)優(yōu)化周期是3 h。各優(yōu)化周期內(nèi)利用多目標(biāo)優(yōu)化算法對(duì)O3set、O4set、O5set和NO2set進(jìn)行尋優(yōu)，并通過PID控制器對(duì)其進(jìn)行實(shí)時(shí)跟蹤，以保證降低能耗、提升出水水質(zhì)。

圖6為采用上述優(yōu)化控制方法獲得的5種出水水質(zhì)參數(shù)變化情況，由式(5)中的出水水質(zhì)參數(shù)可以看出，BOD5、COD和TSS不存在超標(biāo)，并且遠(yuǎn)低于出水標(biāo)準(zhǔn)，而Nh和Ntot均存在較長時(shí)間的超標(biāo)。因此，需設(shè)計(jì)策略抑制Nh和Ntot超標(biāo)。

圖6 出水水質(zhì)參數(shù)變化情況

圖7(a)～(d)為4個(gè)PID控制器跟蹤O3set、O4set、O5set和NO2set，O3set、O4set、O5set的跟蹤效果良好，NO2set的跟蹤過程中雖存在小部分的超調(diào)，但整體效果也較好。

圖7 控制器的跟蹤效果

表3給出了本研究多目標(biāo)優(yōu)化控制方法與其他現(xiàn)有多目標(biāo)優(yōu)化控制方法應(yīng)用于污水處理過程的效果對(duì)比。其中，Openloop為開環(huán)控制；ESN為文獻(xiàn)[27]提出的基于狀態(tài)回聲網(wǎng)絡(luò)的優(yōu)化控制方法；dMOPSO為文獻(xiàn)[17]提出的基于分解的多目標(biāo)粒子群算法的優(yōu)化控制方法；NSGA2-DLS為文獻(xiàn)[20]提出的基于密度的局部搜索NSGA2算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合的優(yōu)化控制方法。從表中可以看出，本研究多目標(biāo)優(yōu)化控制方法的5項(xiàng)出水水質(zhì)參數(shù)均達(dá)標(biāo)；在OCI方面，本研究的多目標(biāo)優(yōu)化控制方法取得了最優(yōu)的結(jié)果，比開環(huán)控制方法降低了3.41%；在EQI方面，本研究的多目標(biāo)優(yōu)化控制方法比開環(huán)控制方法降低了6.47%，雖沒有取得最優(yōu)的結(jié)果，但與最優(yōu)的ESN方法僅差0.45%。綜上分析，本研究多目標(biāo)優(yōu)化控制方法能有效降低能耗、提升出水水質(zhì)。

表3 各多目標(biāo)優(yōu)化控制方法的效果對(duì)比

4.2 加入超標(biāo)抑制控制

在多目標(biāo)優(yōu)化控制方法中加入超標(biāo)抑制控制方法，并將其應(yīng)用于污水處理過程，以抑制Nh和Ntot超標(biāo)。

圖8為多目標(biāo)優(yōu)化控制中加入超標(biāo)抑制控制前后5項(xiàng)出水水質(zhì)參數(shù)的變化情況對(duì)比。從圖中可以看出，加入超標(biāo)抑制控制后，Nh和Ntot的超標(biāo)峰值得到了有效的抑制，并且不存在超標(biāo)情況，BOD5、COD和TSS變化較小，依然滿足出水標(biāo)準(zhǔn)。

圖8 加入超標(biāo)抑制控制前后出水水質(zhì)參數(shù)的變化情況

圖9(a)～(d)為加入超標(biāo)抑制控制后設(shè)定值O3set、O4set、O5set和NO2set的跟蹤效果，從圖中可以看出，O3set、O4set、O5set依然能保持較好的跟蹤效果，NO2set雖存在部分超標(biāo)，但能很快地調(diào)節(jié)過來。文獻(xiàn)[19]、[20]，在切換至抑制Nh超標(biāo)的控制策略后，依然是選擇q,a作為操作變量，用以調(diào)節(jié)Nh，卻犧牲了對(duì)于NO2set的跟蹤控制。本研究引入q,r作為調(diào)節(jié)Nh的操作變量，既能保證對(duì)各設(shè)定值的跟蹤控制，又能有效抑制Nh超標(biāo)。

圖9 加入超標(biāo)抑制控制后控制器的跟蹤效果

為了進(jìn)一步地驗(yàn)證本研究方法在抑制Nh和Ntot超標(biāo)、降低能耗、提升出水水質(zhì)3方面的有效性，表4給出了本研究控制方法與Jeppsson[28]、Nopens[29]、Flores-Alsina[30]、Santin[19]、栗三一等[20]采用的控制方法的效果對(duì)比，其中，為超標(biāo)時(shí)長占整個(gè)污水處理過程時(shí)長的百分比。從表4中可以看出，本研究的控制方法取得了最低的能耗和最優(yōu)的出水水質(zhì)，并且Nh和Ntot的超標(biāo)抑制效果也為最佳。

表4 各超標(biāo)抑制控制方法的效果對(duì)比

5 結(jié) 論

本研究提出的控制方法是在一種污水處理優(yōu)化控制過程中融入超標(biāo)抑制控制，既能高效地抑制出水氨氮和總氮濃度超標(biāo)，又能降低能耗、提升出水水質(zhì)。在預(yù)測(cè)模型方面，將AdaBoost算法與LSSVM相結(jié)合，并增加第3、4生化反應(yīng)單元的溶解氧濃度作為模型輸入，建立的能耗、出水水質(zhì)、出水氨氮和總氮質(zhì)量濃度預(yù)測(cè)模型精度取得了較大的提升；在抑制Nh和Ntot超標(biāo)方面，設(shè)計(jì)的超標(biāo)抑制控制方法有效避免Nh和Ntot超標(biāo)。此外，該控制方法中引入了外回流替代內(nèi)回流作為調(diào)節(jié)出水氨氮質(zhì)量濃度的操作變量，使得內(nèi)回流在超標(biāo)抑制控制階段能夠繼續(xù)對(duì)第2生化反應(yīng)單元的硝態(tài)氮質(zhì)量濃度設(shè)定值進(jìn)行跟蹤控制，為該階段降低能耗、提升出水水質(zhì)提供了保障。因此，本研究提出的超標(biāo)抑制控制方法可為污水處理優(yōu)化過程避免Nh和Ntot超標(biāo)提供思路。

[1] BAYRAM A, KANKAL M, TAYFUR G,. Prediction of suspended sediment concentration from water quality variables [J]. Neural Computing and Applications, 2014, 24(5): 1079-1087.

[2] PRASSE C, STALTER D, SCHULTE-OEHLMANN U,. Spoilt for choice: A critical review on the chemical and biological assessment of current wastewater treatment technologies [J]. Water Research, 2015, 87(15): 237-270.

[3] 閔佳峰, 彭鑫, 李智, 等. 考慮微生物風(fēng)險(xiǎn)的城市污水處理多目標(biāo)優(yōu)化控制 [J]. 高?；瘜W(xué)工程學(xué)報(bào), 2020, 34(6): 1482-1491.

MIN J F, PENG X, LI Z,. Multi-objective optimal control of urban wastewater treatment considering microbiological risk [J]. Journal of Chemical Engineering of Chinese Universities, 2020, 34(6): 1482-1491.

[4] OTURAN M A, AARON J. Advanced oxidation processes in water/wastewater treatment: principles and applications. A review [J]. Critical Reviews in Environmental Science and Technology, 2014, 44(23): 2577-2641.

[5] DAI H, CHEN W, LU X. The application of multi-objective optimization method for activated sludge process: a review [J]. Water Science & Technology, 2016, 73(2): 223-235.

[6] LU Q, WU H Y, LI H Y,. Enhanced biological nutrient removal in modified carbon source division anaerobic anoxic oxic process with return activated sludge pre-concentration [J]. Chinese Journal of Chemical Engineering, 2015, 23(6): 1027-1034.

[7] SWEETAPPLE C, FU G, BUTLER D. Multi- objective optimisation of wastewater treatment plant control to reduce greenhouse gas emissions [J]. Water Research, 2014, 55(15): 52-62.

[8] OSTACE G S, BAEZA J A, GUERRERO J,. Development and economic assessment of different WWTP control strategies for optimal simultaneous removal of carbon, nitrogen and phosphorus [J]. Computers & Chemical Engineering, 2013, 53(4): 164-177.

[9] BéRAUD B, STEYER J P, LEMOINE C,. Towards a global multi objective optimization of wastewater treatment plant based on modeling and genetic algorithms [J]. Water Science & Technology, 2007, 56(9): 109-116.

[10] 張平, 苑明哲, 王宏. 前置反硝化污水生化處理過程優(yōu)化控制 [J]. 信息與控制, 2008(1): 113-118, 128.

ZHANG P, YUAN M Z, WANG H. Optimization control of pre-denitrification wastewater biochemical treatment process [J]. Information and Control, 2008(1): 113-118, 128.

[11] 韓廣, 喬俊飛, 韓紅桂, 等. 基于Hopfield神經(jīng)網(wǎng)絡(luò)的污水處理過程優(yōu)化控制 [J]. 控制與決策, 2014, 29(11): 2085-2088.

HAN G, QIAO J F, HAN H G,. Optimal control of wastewater treatment process based on hopfield neural network [J]. Journal of Control and Decision, 2014, 29(11): 2085-2088.

[12] HREIZ R, ROCHE N, BENYAHIA B,. Multi-objective optimal control of small-size wastewater treatment plants [J]. Chemical Engineering Research & Design, 2015, 102: 345-353.

[13] VEGA P, REVOLLAR S, FRANCISCO M,. Integration of set point optimization techniques into nonlinear MPC for improving the operation of WWTPs [J]. Computers & Chemical Engineering, 2014, 68: 78-95.

[14] HAN H G, QIAN H H, QIAO J F. Nonlinear multiobjective model-predictive control scheme for wastewater treatment process [J]. Journal of Process Control, 2014, 24(3): 47-59.

[15] QIAO J F, ZHANG W. Dynamic multi-objective optimization control for wastewater treatment process [J]. Neural Computing and Applications, 2016, 29(11): 1261-1271.

[16] 周紅標(biāo), 喬俊飛. 混合多目標(biāo)骨干粒子群優(yōu)化算法在污水處理過程優(yōu)化控制中的應(yīng)用 [J]. 化工學(xué)報(bào), 2017, 68(9): 3511-3521.

ZHOU H B, QIAO J F. Optimal control of wastewater treatment process using hybrid multi-objective barebones particle swarm optimization algorithm [J]. CIESC Journal, 2017, 68(9): 3511-3521.

[17] 喬俊飛, 韓改堂, 周紅標(biāo). 基于知識(shí)的污水生化處理過程智能優(yōu)化方法 [J]. 自動(dòng)化學(xué)報(bào), 2017, 43(6): 1038-1046.

QIAO J F, HAN G T, ZHOU H B. Knowledge-based intelligent optimal control for wastewater biochemical treatment process [J].Journal of Automatica Sinica, 2017, 43(6): 1038-1046.

[18] 柯仲祥. 污水處理過程中出水水質(zhì)預(yù)測(cè)及多目標(biāo)優(yōu)化控制 [D]. 天津: 天津工業(yè)大學(xué), 2021.

KE Z X. Prediction of effluent quality and multi-objective optimal control in sewage treatment process [D]. Tianjin: Tianjin Polytechnic University, 2021.

[19] SANTíN I, PEDRET C, VILANOVA R,. Advanced decision control system for effluent violations removal in wastewater treatment plants [J]. Control Engineering Practice, 2016, 49: 60-75.

[20] 栗三一, 喬俊飛, 李文靜, 等. 污水處理決策優(yōu)化控制 [J]. 自動(dòng)化學(xué)報(bào), 2018, 44(12): 88-99.

LI S Y, QIAO J F, LI W J,. Sewage treatment decision optimization control [J]. Journal of Automatica Sinica, 2018, 44(12): 88-99.

[21] CRISTEA V M, POP C, AGACHI P S,. Model predictive control of the waste water treatment plant based on the benchmark simulation model no.1-bsm1 [J]. Computer-Aided Chemical Engineering, 2008, 25(8): 441-446.

[22] JEPPSSON U, PONS M N. The COST benchmark simulation model-current state and future perspective [J]. Control Engineering Practice, 2004, 12(3): 299-304.

[23] 趙楊, 熊偉麗. 基于多策略自適應(yīng)差分進(jìn)化算法的污水處理過程多目標(biāo)優(yōu)化控制 [J]. 化工學(xué)報(bào), 2021, 72(4): 2167-2177.

ZHAO Y, XIONG W L. Multi-objective optimization control of wastewater treatment process based on multi-strategy adaptive differential evolution algorithm [J]. CIESC Journal, 2021, 72(4): 2167-2177.

[24] FREUND Y, SCHAPIRE R E. A decision-theoretic generalization of on-line learning and an application to boosting [J]. Journal of Computer and System Sciences, 1997, 55(1): 119-139.

[25] 曹瑩, 苗啟廣, 劉家辰, 等. AdaBoost算法研究進(jìn)展與展望 [J]. 自動(dòng)化學(xué)報(bào), 2013, 39(6): 745-758.

CAO Y, MIAO Q G, LIU J C,. Research Progress and Prospects of AdaBoost Algorithm [J].Journal of Automatica Sinica, 2013, 39(6): 745-758.

[26] SUYKENS J A K, VANDEWALLE J. Least squares support vector machines classifiers [J]. Neural Network Letters, 1999, 19(3): 293-300.

[27] 喬俊飛, 王莉莉, 韓紅桂. 基于ESN的污水處理過程優(yōu)化控制 [J]. 智能系統(tǒng)學(xué)報(bào), 2015, 10(6): 831-837.

QIAO J F, WANG L L, HAN H G. Optimal control for wastewater treatment process based on ESN neural network [J]. CAAI Transactions on Intelligent Systems, 2015, 10(6): 831-837.

[28] JEPPSSON U, PONS M N, NOPENS I,. Benchmark simulation model No 2: General protocol and exploratory case studies [J]. Water Science and Technology, 2007, 56(8): 67-78.

[29] NOPENS I, BENEDETTI L, JEPPSSON U,. Benchmark simulation model No 2: Finalisation of plant layout and default control strategy [J]. Water Science and Technology, 2010, 62(9): 1967-1974.

[30] FLORES-ALSINA X, COMAS J, RODRíGUEZ R I,. Evaluation of plant-wide WWTP control strategies including the effects of filamentous bulking sludge [J]. Water Science and Technology, 2009, 60(8): 2093-2103.

Exceeding standard suppression control method for optimized control process of wastewater treatment

HAO Yang1, XIONG Wei-li1,2

(1. School of the Internet of Things Engineering, Jiangnan University, Wuxi 214122, China;2. Key Laboratory of Advanced Process Control for Light Industry Ministry of Education, Jiangnan University, Wuxi 214122, China)

An over-standard suppression control method was proposed to overcome the problem that the concentration of ammonia nitrogen and total nitrogen in effluent exceeded the standard for long time in the multi-objective optimization control of wastewater treatment process. While tracking and controlling the set values of dissolved oxygen and nitrate nitrogen obtained by the multi-objective optimization algorithm, the method also introduces decision-making for over-standard suppression. In addition, AdaBoost-LSSVM was used to predict ammonia nitrogen and total nitrogen concentration of effluent in real time, and appropriate control strategies were selected to avoid exceeding standard according to the over-standard concentration. The simulation results were verified based on the international benchmark simulation platform BSM1 and showed that the proposed method not only take into account the energy consumption of the wastewater treatment process and the effluent water quality, but also avoid over standard of effluent ammonia nitrogen and total nitrogen concentration.

wastewater treatment; AdaBoost-LSSVM; optimization control; over-standard suppression control

1003-9015(2022)06-0859-11

TQ273

A

10.3969/j.issn.1003-9015.2022.06.011

2021-12-07；

2022-03-25。

國家自然科學(xué)基金(61773182)；國家重點(diǎn)研發(fā)計(jì)劃子課題(2018YFC1603705-03)；江蘇高校 “青藍(lán)工程”中青年學(xué)術(shù)帶頭人資助項(xiàng)目。

趙楊(1997-)，男，江蘇無錫人，江南大學(xué)碩士生。

熊偉麗，E-mail：greenpre@163.com

趙楊, 熊偉麗. 一種污水處理優(yōu)化控制過程的超標(biāo)抑制控制方法[J]. 高?；瘜W(xué)工程學(xué)報(bào), 2022,36(6): 859-869.

：ZHAO Yang, XIONG Wei-li. Exceeding standard suppression control method for optimized control process of wastewater treatment [J]. Journal of Chemical Engineering of Chinese Universities, 2022, 36(6): 859-869.