基于AI的污水處理監(jiān)控與自動調(diào)節(jié)技術(shù)

摘要：隨著人們對環(huán)保產(chǎn)業(yè)的重視程度不斷提高，許多地方都建起了污水處理廠，這些污水處理廠在保護當?shù)丨h(huán)境方面有重要作用。污水處理工藝普遍復雜，處理環(huán)境惡劣，這意味著污水處理廠必須具有優(yōu)秀的控制體系。目前，許多城市的污水處理系統(tǒng)存在技術(shù)落后、成本高的問題，阻礙了城市污水處理的發(fā)展。該文提出一種新的污水處理智能控制方法，并結(jié)合多目標粒子群優(yōu)化算法（MOPSO），利用MOPSO算法對控制器的參數(shù)和控制規(guī)則進行全局優(yōu)化，從而提高控制器的性能和工作效率。實踐表明，智能控制系統(tǒng)結(jié)合MOPSO算法，可以使污水處理中的化學需氧量（COD）快速達到預期要求，控制精度也非常準確，大幅提高了污水處理性能。通過計算，利用新方法使污水處理效率提高了7.15%。

關(guān)鍵詞：污水處理；多目標粒子群優(yōu)化；智能控制系統(tǒng)；處理效率

中圖分類號：X52""""""""" 文獻標志碼：A

隨著環(huán)保理念的拓展，各個領域都設計了相關(guān)的污水處理系統(tǒng)。目前的污水處理系統(tǒng)具有以下優(yōu)點：運行效果穩(wěn)定，工藝流程簡單，低成本，治療設備少，結(jié)構(gòu)簡單，易操作、維護和管理。缺點是自動化控制水平不能滿足要求，需要大型后處理設備，例如消毒設備大、接觸池容積大、排水管等排水設施大等。為了提高污水處理系統(tǒng)的性能和污水處理效率，降低處理成本，須采用相關(guān)算法來優(yōu)化智能控制系統(tǒng)。

粒子群優(yōu)化（MOPSO）作為一種高性能的優(yōu)化方法，應用在越來越多的場景中。針對污水處理系統(tǒng)的現(xiàn)狀，首先，本文基于MOPSO算法構(gòu)建了污水處理智能控制系統(tǒng)，其次，利用MOPSO算法優(yōu)化了污水處理的自適應能耗和出水水質(zhì)模型，并利用PID（比例積分差分）控制器對各關(guān)鍵模型的最優(yōu)設定值進行跟蹤控制。最后，對污水處理過程進行多目標優(yōu)化控制。研究表明，這種新型污水處理智能控制優(yōu)化方法對提高污水處理效率具有較好的效果。MOPSO算法是在單目標PSO算法的基礎上形成的，當求解多目標優(yōu)化問題時具有較好的性能。當選擇單個最優(yōu)解時，可以將單個最優(yōu)解替換為設置的最優(yōu)解，也可以將全局最優(yōu)解作為重點。目前，大多數(shù)MOPSO算法都使用帕累托最優(yōu)定理來解決問題。該方法的計算模式已成為穩(wěn)定的程序流。

1污水處理與多目標粒子群優(yōu)化算法的相關(guān)性

對廢水處理進行優(yōu)化控制的目的是在出水約束條件下實現(xiàn)節(jié)能減耗。其控制運行的總成本主要包括系統(tǒng)能耗和出水水質(zhì)超標造成的細粉兩個方面。這兩個評價指標在廢水處理控制過程中相互矛盾，很多指標都受到指標制約。因此，開發(fā)一種能夠解決廢水處理控制過程多目標優(yōu)化問題的方法具有重要意義。粒子群優(yōu)化算法（PSO）模擬鳥類的覓食行為，將問題的搜索空間與鳥類的飛行空間進行比較，可對復雜空間中最優(yōu)解進行搜索。然而，就像污水處理過程中的出水水質(zhì)和系統(tǒng)能耗一樣，它們是一對相互矛盾的目標指標。許多優(yōu)化問題需要針對多個目標問題同時進行優(yōu)化。與單目標優(yōu)化問題相比，多目標優(yōu)化問題無法在簡單的搜索過程中找到解決多目標問題的優(yōu)秀解決方案。本文結(jié)合多目標粒子群優(yōu)化算法，對污水處理系統(tǒng)進行研究。

2結(jié)合多目標粒子群優(yōu)化算法的污水處理智能控制方法

2.1結(jié)合MOPSO算法的智能控制系統(tǒng)

圖1為污水處理控制系統(tǒng)的結(jié)構(gòu)圖。其主要控制變量是系統(tǒng)的輸出內(nèi)容，具體包括曝氣量、回流污泥比和曝氣池中過量污泥排放。序間活性污泥工藝是一種需要氧氣的生物代謝過程。反應器內(nèi)的微生物可以通過曝氣過程中產(chǎn)生的COD分解污泥中的物質(zhì)，進水濃度、曝氣量、污水濃度等因素會直接影響COD的變化。通常，可以使用檢測器在線檢測COD，因此可以將COD作為SBR方法中的控制參數(shù)。

在系統(tǒng)中，首先，鼓風機將空氣引導至曝氣罐中，在罐中添加溶解氧。其次，通過在線記錄COD值來調(diào)節(jié)風扇轉(zhuǎn)速控制器，調(diào)節(jié)曝氣罐的進風量，最后，使化學需氧量在整個反應過程中處于適當?shù)姆秶鷥?nèi)[1]。

2.2結(jié)合MOPSO算法的智能控制系統(tǒng)

為了驗證控制方案的有效性，有必要模擬污水處理廠的環(huán)境。本文以國際水協(xié)會和歐盟科學技術(shù)合作組織聯(lián)合開發(fā)的污水處理“基準模擬模型1（BSM1）”為參考。BSM1的結(jié)構(gòu)包括生化反應池和二次沉淀池。生化反應罐包括5個單元，前2個單元是缺氧區(qū)，后3個單元是好氧區(qū)。對每個單元來說，Mg表示流速，Wg表示每種組分的濃度，并且bg=Σ=1vgipi表示每種組分的反應速率。對單元1來說，g=1，可用公式（1）表示。

式中：M1=Ma+Mb+M0，M1、Ma和Mb分別為混合液體回流、污泥回流和睡眠流。對其他單位來說，g=2～5，可用公式（2）表示。

溶解氧的物質(zhì)平衡可以用公式（3）表示。

式中：GLa為氧轉(zhuǎn)化率；S0，sat為飽和溶解氧濃度。

3結(jié)合MOPSO算法的污水處理工藝

3.1能源消耗和出水水質(zhì)

為保證污水處理過程處于最佳運行狀態(tài)，須從能耗和出水水質(zhì)模型入手分析[2]，它們的表達式如公式（4）～公式（6）所示。

式中：EC為能源消耗；EQ為出水水質(zhì)；VK為第k個反應槽的體積；KLa為氧傳遞系數(shù)，用于控制溶解氧（So）濃度；sat為氧氣設定值。Qa為內(nèi)部回流，用于控制硝酸鹽氮（SNO）的濃度。Qr為外部回流，用于控制混合懸浮固體（MLSS）的濃度；Qw為污泥排放量；Qe為出水流量；SS為懸浮物的濃度；COD為化學需氧量；SNkj為凱氏氮濃度；Ntot為總氮濃度；SNH為氨氮濃度。

在污水處理中，除了滿足出水水質(zhì)要求外，也有必要降低污水處理的運行成本。為了解決這些問題，需要實時優(yōu)化控制概念，以此提供具體步驟[3]。

3.2污水處理過程的實時優(yōu)化控制

實時最優(yōu)控制的主要思想是將實時優(yōu)化和控制循環(huán)相結(jié)合，然后采用分層結(jié)構(gòu)進行最優(yōu)控制。通常，上層使用優(yōu)化目標函數(shù)來控制變量的最優(yōu)設定值，下層使用控制器來跟蹤最優(yōu)設定值。具體內(nèi)容包括基于自適應回歸核函數(shù)構(gòu)建能耗模型和出水質(zhì)量模型，使用PID控制器監(jiān)控并定位最佳設定值[4]。

3.3自適應能源消耗和出水水質(zhì)模型

本文構(gòu)建了一個能耗與過程變量間的模型以及基于自適應思想的出水水質(zhì)與工藝變量間的模型回歸核函數(shù)。從公式（1）、公式（2）可以看出，So、SNO、混合懸浮固體的濃度均會影響EC，EQ，且主要與So、SNO、SS和SNH等變量有關(guān)。因此，選擇So、SNO、混合懸浮固體的濃度、SNH作為模型的輸入變量，并且將EC和EQ作為輸出變量。構(gòu)建的主要目的自適應回歸核函數(shù)模型是為了更好地連接輸入變量和輸入變量，其過程如公式（7）所示。

（7）

式中：y（t）為t矩模型的輸出，y（t）=[y1（t），y2（t）]，并且滿足公式（7）、公式（8）。

（7）

（8）

式中：y1（t）為自適應回歸的能耗模型核函數(shù)；y2（t）為自適應回歸核的出水水質(zhì)模型函數(shù)；N為核函數(shù)的數(shù)量；Kn（t）為第個核函數(shù)，則徑向基核函數(shù)可以表示為公式（9）。

（9）

3.4多目標最優(yōu)控制

通常，自適應出水水質(zhì)模型建立是有限的。當求解約束問題時，結(jié)合懲罰函數(shù)，可以將受限數(shù)學模型轉(zhuǎn)化為無約束數(shù)學模型。經(jīng)過分析，多目標優(yōu)化方法在污水處理過程中的優(yōu)化目標函數(shù)如公式（10）所示。

minH（t）={h1（t），h2（t），h3（t）}（10）

h1（t）為自適應能耗模型；h2（t）為出水水質(zhì)模型；h3（t）為出水水質(zhì)約束條件。W1n、W2n、c1n、c2n可以通過能量的模型訓練來獲得消耗量和出水質(zhì)量。

通常，PSO算法與自適應網(wǎng)格相結(jié)合，可以使多目標優(yōu)化算法得到的解均勻分布。具體計算方法如公式（11）～公式（13）所示。

式中：v（k+1）為第k+1次迭代中的速度；m（k）為第k次迭代的位置；μ為全局收縮因子；a1、a2為加速度系數(shù)；γ1和γ2為隨機生成的數(shù)；p（k）為第k次迭代時的全局最優(yōu)位置。當選擇全局最優(yōu)解時，需要在每個網(wǎng)格中設計一個適當?shù)闹担M足以下條件。如公式（14）所示。

（14）

式中：ni為第i個網(wǎng)格中的解的數(shù)量；M為常數(shù)。

用PID控制器設置與自適應網(wǎng)格機制算法相結(jié)合的最優(yōu)設置值，PID控制器需要添加增量PID控制算法，其過程如公式（15）所示。

Δu（g）=kpe（g）+kie（g）+kd[e（g）-2e（g-1）+e（g-2）]（15）

通過上述計算可以得出，利用這個數(shù)學模型，系統(tǒng)的控制性能最好。

4污水處理智能控制方法試驗仿真結(jié)果

本文利用MOPSO算法和數(shù)據(jù)分析技術(shù)對污水處理工藝進行優(yōu)化。本文根據(jù)污水處理控制系統(tǒng)的狀態(tài)方程輸入變量約束條件和性能指標，通過計算提供一組污水處理的最優(yōu)控制變量。根據(jù)最優(yōu)控制可對污水進行整體處理，可最大限度地提高處理力度、處理效率。為了驗證優(yōu)化效果，設計了以下試驗：使用MATLAB軟件模擬污水處理環(huán)境。樣本數(shù)據(jù)來源于2023年A市生活污水處理數(shù)據(jù)。本文以生活污水處理數(shù)據(jù)為優(yōu)化目標函數(shù)，首先，利用多目標粒子群優(yōu)化算法對目標函數(shù)進行優(yōu)化，得到控制變量的最優(yōu)設定值，其次，將控制變量的最優(yōu)設定值傳送給控制器，對其進行跟蹤控制。最后，從污水處理成本、污水處理功耗、污水處理能力和污水處理效率等方面對本文提出的優(yōu)化方法進行檢驗。表1為A市兩個月的污水處理成本，分為優(yōu)化前和優(yōu)化后。將優(yōu)化前污水的處理成本設定為1200元/t。

從表1可以看出，在相同的污水總量下，優(yōu)化后第一個月的污水處理成本比優(yōu)化前少了72.3萬元，每百噸污水處理成本為1014萬元，比優(yōu)化前少了86萬元。同樣，雖然第二個月污水總量有所增加，但使用優(yōu)化方法后，總成本和每百噸成本都比優(yōu)化前降低了不少。污水處理的變化說明新方法在資本消耗方面是有效的。

結(jié)合MOPSO算法對污水處理過程進行智能化控制。根據(jù)以上內(nèi)容，仿真試驗設計如下：采用MOPSO算法設定和控制污水處理過程中需氧量的濃度。進水量為恒定值，預期需氧濃度為6mg/L。仿真結(jié)果如圖2所示。

從圖2可以看出，在MOPSO算法的支持下，控制系統(tǒng)更加準確和穩(wěn)定，響應速度也比優(yōu)化前有所提升。

在加工過程中，加工效率是反映加工方法質(zhì)量的重要指標。將傳統(tǒng)方法和新方法處理效率進行比較，比較結(jié)果如圖3所示。具體時間在一年內(nèi)，將最大加工效率設定為100%。

從折線圖可以得出結(jié)論，在1月和2月，新方法的處理效率低于傳統(tǒng)方法，因為新方法的實踐需要一個適應過程。從3月開始，使用新方法后的加工效率開始逐漸提高，接下來幾個月的加工效率均高于傳統(tǒng)方法。利用新方法后的整體加工效率比傳統(tǒng)方法高出7.15%。

從以上試驗可以得出結(jié)論，基于多目標顆粒優(yōu)化算法的污水處理智能控制優(yōu)化方法可以在一定程度上提高污水處理能力和處理效率，同時降低處理成本。

5結(jié)論

污水處理不僅與環(huán)境變化有關(guān)，而且在人們的日常生活中也起著非常重要的作用。隨著處理難度的增加，傳統(tǒng)的污水處理方法暴露出許多問題，已無法滿足目前的處理要求。相關(guān)管理者需要加大技術(shù)投入力度，使污水處理更加科學合理。而粒子群優(yōu)化算法和數(shù)據(jù)挖掘技術(shù)的不斷成熟，為污水處理方法的創(chuàng)新和優(yōu)化帶來了機遇。將兩種處理方法合理應用于污水處理過程，對實現(xiàn)污水處理智能化控制具有重要意義。

參考文獻

[1]韓紅桂，張琳琳，伍小龍，等. 數(shù)據(jù)和知識驅(qū)動的城市污水處理過程多目標優(yōu)化控制[J]. 自動化學報，2021，47（11）：2538-2546.

[2]張璐，張嘉成，韓紅桂，等. 基于動態(tài)分解多目標粒子群優(yōu)化的城市污水處理過程優(yōu)化控制[J]. 北京工業(yè)大學學報，2021，47（3）：239-245.

[3]張璐. 城市污水處理過程智能多目標優(yōu)化控制[D]. 北京：北京工業(yè)大學，2020.

[4]單佳偉，吉雨彬，朱立伍，等. 基于改進粒子群算法的污水處理能耗水質(zhì)優(yōu)化[J]. 科學技術(shù)創(chuàng)新，2019（17）：66-67.