[发明专利]一种基于动态多目标粒子群算法的污水处理过程优化控制方法

权利要求书

1.一种基于动态多目标粒子群算法的污水处理过程动态优化控制方法，其特征在于，包括以下步骤：

(1)建立一个自适应优化目标函数用于提取污水处理过程中复杂和时变的特性，包括利用数据驱动核函数方法建立溶解氧和硝态氮的优化设定值与出水水质、曝气能耗和泵送能耗间的关系表达式，其中，该自适应优化目标函数为：

minimize F(x_i,(k)(t))＝(f₁(x_i,(k)(t)),f₂(x_i,(k)(t)),f₃(x_i,(k)(t)))^T, (1)

其中，x_i,(k)(t)＝[S_NH(t)，S_O(t)，MLSS(t)，S_NO(t)]为t时刻的输入变量，S_NH(t)为t时刻氨氮浓度，S_O(t)为t时刻溶解氧浓度，MLSS(t)为t时刻混合液悬浮固体浓度，S_NO(t)为t时刻硝态氮浓度，f₁(x_i,(k)(t))为t时刻自适应曝气能耗模型，f₂(x_i,(k)(t))为t时刻自适应泵送能耗模型，f₃(x_i,(k)(t))为t时刻自适应出水水质模型，c_1r(t)为t时刻曝气能耗模型的第r个核函数的中心，c_2r(t)为t时刻泵送能耗模型的第r个核函数的中心，c_3r(t)为t时刻出水水质模型的第r个核函数的中心；r＝1，2，…，10；b_1r(t)为t时刻曝气能耗模型的第r个核函数的宽度，b_1r∈[0,1]，b_2r(t)为t时刻泵送能耗模型的第r个核函数的宽度，b_2r∈[0,1]，b_3r(t)为t时刻出水水质模型的第r个核函数的宽度，b_3r∈[0,1]，W_1r(t)为t时刻曝气能耗模型的第r个连接权值，W_1r∈[1,2]，W_2r(t)为t时刻泵送能耗模型的第r个连接权值，W_2r∈[1,2]，W_3r(t)为t时刻出水水质模型的第r个连接权值，W_3r∈[0.5,1.0]；W₁为曝气能耗模型的阈值，W₁∈[1.5,2.0]，W₂为泵送能耗模型的阈值，W₂∈[1.5,2.0]，W₃为出水水质模型的阈值，W₃∈[0.5,0.6]；

(2)利用动态多目标粒子群算法优化目标函数获得优化设定值，优化周期为T小时，T∈[2,2.5]，具体为：

①初始化学习因子ε_1,(0)和ε_2,(0)，ε_1,(0)∈(0,1)，ε_2,(0)∈(0,1)，设定最大进化代数M，M∈[40,50]，设定种群规模S，S∈[20,30]；

②根据目标函数计算每个粒子的适应度值；确定第k次迭代第i个粒子的个体最优位置p_i,(k)：

其中，表示x_i,(k-1)被p_i,(k-1)支配，i＝1，2，…，S；x_i,(k)表示第k次迭代时第i个粒子的位置，非支配解集A_(k)通过A_(k-1)更新：

其中，A_(k)表示第k次迭代的知识库，表示第k-1次迭代去除冗余非支配解的知识库，表示x_i,(k-1)和p_i,(k-1)互不支配；

③确定t时刻第k+1次迭代的全局最优解g_t(k+1)，其表达式为：

其中，g_t(k+1)表示t时刻第k+1次迭代的全局最优解，dg_t(k+1)表示t时刻第k+1次迭代的全局多样化最优解：

其中，x^*_(k)(t)表示t时刻第k次迭代具有最小密度的非支配解，V_kbest表示第k次迭代数量最少的非支配解集，cg_t(k+1)表示t时刻第k+1次迭代的全局收敛性最优解：

cg_t(k+1)＝arg maxCD_t(x_i,(k)(t)), (9)

其中，CD_t(x_i,(k)(t))表示t时刻第k次迭代的非支配解x_i,(k)(t)的收敛度：

其中，表示第j个被x_i,(k)(t)支配的解，j＝1，2，…，i；DS_t(x_i,(k)(t))表示t时刻第k次迭代的非支配解x_i,(k)(t)的支配强度，E_t(k)表示t时刻第k次迭代时非支配解集的分布熵：

其中，δ_n(k)表示第k次迭代时第n个包含非支配解的单元格；β_t(δ_n(k))表示t时刻第k次迭代单元格δ_n的概率分布函数，其表达式为：

l_t(δ_n(k))表示t时刻第k次迭代单元格δ_n中非支配解的数目，I表示知识库的容量，I∈[20,30]；

④更新每个粒子的速度和位置：

其中，表示第k+1次迭代时第i个粒子的速度，表示第k+1次迭代时第i个粒子的位置，表示第k次迭代时第i个粒子的位置，表示第k次迭代时第i个粒子的个体最优解，表示第k次迭代的全局最优解，d＝1，2，…，4；ω_(k)表示第k次迭代的惯性权重，ε_1,(k)和ε_2,(k)表示两个学习因子，ε_1,(k)∈(0,1)，ε_2,(k)∈(0,1)，γ₁和γ₂是常量，γ₁∈[0,1]，γ₂∈[0,1]；

⑤判断算法是否达到设定的最大进化次数M，如达到，则终止迭代进化过程，输出S_O和S_NO的优化设定值，否则返回到②；

(3)多变量PID控制器对优化设定值S_O和S_NO实现跟踪控制，从自适应多目标粒子群算法获得的一组Pareto最优解中，找到当前状态下的一组满意优化解作为底层PID控制器的优化设定值；

(4)执行底层PID控制策略，溶解氧和硝态氮浓度分别通过曝气池第5分区氧气转换系数K_La5和内回流量Q_a进行调节；

其中，Δu(t)＝[ΔK_La₅(t),ΔQ_a(t)]^T，ΔK_La₅(t)是t时刻第五分区氧传递系数的误差，ΔQ_a(t)是t时刻内回流量，K_p1和K_p2分别是t时刻S_O和S_NO的比例系数，K_p1∈[20,30]，K_p2∈[20,30]，H_i1和H_i2分别是S_O和S_NO的积分系数，H_i1＝∈[200,300]，H_i2∈[200,300]，H_d1和H_d2分别是S_O和S_NO的微分系数，H_d1∈[10,20]，H_d2∈[20,30]，e(t)是t时刻误差：

e(t)＝z(t)-y(t) (19)

其中，e(t)＝[e₁(t),e₂(t)]^T，e₁(t)是t时刻S_O的误差，e₂(t)是t时刻S_NO的误差，z(t)＝[z₁(t),z₂(t)]^T，z₁(t)是t时刻优化设定值S_O的浓度，z₂(t)是t时刻优化设定值S_NO的浓度，y(t)＝[y₁(t),y₂(t)]^T，y₁(t)是t时刻实际获得S_O的浓度，y₂(t)是t时刻实际获得S_NO的浓度。