[发明专利]基于数据的污水处理系统自学习轨迹跟踪方法

说明书

本发明提供一种基于数据的污水处理系统自学习轨迹跟踪方法，利用DHP结构实现非仿射非线性系统的自学习最优跟踪控制算法，并将该方法应用于暴雨天气下的污水处理过程控制。在本发明中，采用数值方法求解与期望轨迹对应的稳定控制，进而建立基于迭代DHP求解非仿射系统最优控制律的数据驱动自学习方法；将该方法应用于溶解氧和硝态氮的浓度控制，以达到污水处理系统良好的轨迹跟踪效果。

技术领域

本发明属于污水处理技术领域，尤其涉及一种基于数据的污水处理系统自学习轨迹跟踪方法。

背景技术

水是包括人类在内的所有生命赖以生存的基本资源，在人类经济、社会发展过程中扮演着重要角色。我国是一个淡水资源相当缺乏的国家，人均淡水资源量仅为世界的四分之一。随着我国城镇化规模的不断扩大，污水排放量逐年增加，导致的水污染问题也愈发严重，如何实现水资源的可持续利用越来越重要。其中，城市污水处理是改善水资源短缺、水体污染的重要手段。然而，我国很多污水处理厂存在技术设计经验不足的现状，容易产生运行成本高、能量消耗大、水质超标严重等问题。因此，深入研究污水处理过程的控制机理与方法，特别是利用先进的智能控制及优化方法，使得污水处理厂低成本、低能耗、高效率地稳定运行，对于我国污水处理行业的发展具有深远的意义。但是，污水处理系统是一个高度非线性的工业过程控制系统，由于各种因素的混合影响，使得污水处理的流程复杂，呈现出强耦合、大时变以及强干扰等特点。污水处理过程不仅具有典型的非线性特征，而且其数学机理模型难以精确建立，这使得污水处理控制存在很大的难度。对于传统的控制器设计技术，由于自适应能力差、参数固定等原因，使其无法适应污水处理系统的复杂特征，难以达到理想的控制效果。因此，设计自适应能力强且控制效果好的先进控制方法，已经成为污水处理领域的研究热点。本发明提出基于迭代二次启发式规划(Dual heuristicprogramming，DHP)的先进自学习最优跟踪控制技术，用于解决一类污水处理过程的浓度设计问题。

作为一种具有学习能力的智能优化方法，自适应动态规划融合了动态规划、强化学习、函数近似等，能够通过迭代获取非线性Hamilton-Jacobi-Bellman方程的近似解，有效地应对非线性系统的最优控制问题。在自适应动态规划的算法结构中，启发式动态规划和DHP的使用最为广泛。最优跟踪控制问题是一类重要的研究课题，目标是使被控系统跟踪上期望的轨迹。自适应动态规划也可应用于解决最优跟踪控制问题。一般地，将非线性系统与期望轨迹的误差作为状态进行调节，可将最优跟踪问题转换为最优调节问题。虽然自适应动态规划具有良好的自学习和自适应能力，且目前针对离散时间仿射系统已有很多的研究，但是对于非仿射未知系统的最优跟踪控制问题却缺乏系统性的研究成果，尤其在污水处理过程控制领域的应用还比较少。特别地，已有的研究一般是针对晴天和雨天情况下的污水处理控制设计，很少有面向暴雨天气的污水处理过程智能跟踪控制技术，更没有合理设计与期望轨迹对应的稳定控制。

发明内容

在此背景下，针对复杂非仿射系统，本发明提出一种基于DHP的自学习最优跟踪控制算法，并将该方法应用于暴雨天气下的污水处理过程控制。由于包含数据驱动学习过程，所以在处理近似最优调节问题时，不需要已知未知系统的模型，也就是对被控对象的动态信息要求较少。基于自适应动态规划思想求解最优跟踪控制问题的过程可以看作是对新系统的调节过程，即通过一定的处理将被控系统与期望轨迹构造成为一个新的增广系统，将跟踪问题转换为增广系统的调节问题，从而可以求解最优控制律。在本发明中，提出一种数值方法求解与期望轨迹对应的稳定控制，进而建立基于迭代DHP求解非仿射系统最优控制律的自学习方法。最后，将该方法应用于污水处理过程的浓度控制，以达到污水处理系统良好的轨迹跟踪效果。

附图说明

图1污水处理系统智能跟踪控制设计示意图；

图2基于数据的迭代DHP实现结构图；

图3溶解氧浓度的模型网络输出值与平台输出值；

图4硝态氮浓度的模型网络输出值与平台输出值；