[发明专利]一种基于模糊神经网络的污水处理过程分层模型预测控制方法

权利要求书

1.一种基于模糊神经网络的污水处理过程分层模型预测控制方法，其特征在于，包括以下步骤：

(1)根据不同的时间尺度，设计用于控制污水处理过程中溶解氧浓度和硝态氮浓度的分层控制结构；具体为：

上层控制器包括上层模糊神经网络和上层模型预测控制器，以硝态氮浓度的采样周期2T为时间尺度跟踪硝态氮浓度和溶解氧浓度设定值，计算上层控制律，t₁＝2mT表示硝态氮浓度的采样时刻，m为硝态氮浓度的采样步数；

下层控制器包括下层模糊神经网络和下层模型预测控制器，以溶解氧浓度的采样周期T为时间尺度跟踪溶解氧浓度设定值和上层控制律，计算下层控制律，t₂＝kT表示溶解氧浓度的采样时刻，k为溶解氧浓度的采样步数；

(2)设计上层模糊神经网络在每一采样时刻t₁预测硝态氮浓度，具体为：

1)设定q＝1；

2)上层模糊神经网络的输入为x₁(t₁)＝[y₁(t₁-1)，y₁(t₁-2)，u₂₁(t₂-5)，u₂₂(t₂-5)，u₂₁(t₂-6)，u₂₂(t₂-6)]^T，y₁(t₁-1)为t₁-1时刻硝态氮浓度的实际值，y₁(t₁-2)为t₁-2时刻硝态氮浓度的实际值，u₂₁(t₂-5)为t₂-5时刻的曝气量，u₂₁(t₂-6)为t₂-6时刻的曝气量，u₂₂(t₂-5)为t₂-5时刻污水处理过程中内回流量，u₂₂(t₂-6)为t₂-6时刻污水处理过程中内回流量，T为矩阵的转置，输出为t₁时刻硝态氮浓度的预测值输出表达式如下

x_1i(t₁)为t₁时刻第i个输入，w_hj(t₁)为t₁时刻规则层第j个神经元和输出层神经元的连接权值，j∈[1，8]，c_hij(t₁)为t₁时刻第j个径向基层神经元对应第i个输入神经元的中心值，i∈[1，6]，σ_hij(t₁)为t₁时刻第j个径向基层神经元对应第i个输入神经元的中心宽度值，e＝2.72，对参数进行更新：

其中w_hj(t₁+1)为t₁+1时刻规则层第j个神经元和输出层神经元的连接权值，c_hij(t₁+1)为t₁+1时刻第i个输入神经元对应第j个径向基层神经元的中心值，σ_hij(t₁+1)为t₁+1时刻第i个输入神经元对应第j个径向基层神经元的中心宽度值，表示t₁时刻硝态氮浓度实际值和预测值的误差值；

3)q＝q+1，判断q≤20是否成立，若成立则转到步骤2)，否则退出循环；

(3)设计下层模糊神经网络在每一采样时刻t₂预测溶解氧浓度，具体为：

I设定r＝1；

II下层模糊神经网络的输入为x₂(t₂)＝[y₂(t₂-1)，y₂(t₂-2)，u₂₁(t₂-5)，u₂₂(t₂-5)，u₂₁(t₂-6)，u₂₂(t₂-6)]^T，y₂(t₂-1)为t₂-1时刻溶解氧浓度的实际值，y₂(t₂-2)为t₂-2时刻溶解氧浓度的实际值，输出为t₂时刻溶解氧浓度的预测值输出表达式如下

x_2i(t₂)为t₂时刻第i个输入，w_lj(t₂)为t₂时刻规则层第j个神经元和输出层神经元的连接权值，j∈[1，8]，c_lij(t₂)为t₂时刻第j个径向基层神经元对应第i个输入神经元的中心值，i∈[1，6]，σ_lij(t₂)为t₂时刻第j个径向基层神经元对应第i个输入神经元的中心宽度值，对参数进行更新：

其中w_lj(t₂+1)为t₂+1时刻规则层第j个神经元和输出层神经元的连接权值，c_lij(t₂+1)为t₂+1时刻第i个输入神经元对应第j个径向基层神经元的中心值，σ_lij(t₂+1)为t₂+1时刻第i个输入神经元对应第j个径向基层神经元的中心宽度值，表示t₂时刻溶解氧浓度实际值和预测值的误差值；

IIIr＝r+1，判断r≤20是否成立，若成立则转到步骤II，否则退出循环；

(4)设计分层模型预测控制方法；具体为：

①取k＝0，m＝0；

②根据公式(1)和公式(3)分别计算上层模糊神经网络和下层模糊神经网络的输出和为t₁+1时刻硝态氮浓度的预测值，为t₁+2时刻硝态氮浓度预测值，为t₁+5时刻硝态氮浓度预测值，为t₂+1时刻溶解氧浓度预测值，为t₂+2时刻溶解氧浓度预测值，为t₂+5时刻溶解氧浓度预测值；

③设计上层模型预测控制的目标函数跟踪硝态氮浓度和溶解氧浓度设定值，计算t₁时刻上层控制律：

J₁(t₁)＝λ₁[α₁e_p1(t₁)^Te_p1(t₁)+ρ₁Δu₁(t₁)^TΔu₁(t₁)]+λ₂[α₂e_p2(t₂)^Te_p2(t₂)+ρ₂Δu₁(t₁)^TΔu₁(t₁)] (5)

其中，e_p1(t₁)＝[e_p1(t₁+1)，e_p1(t₁+2)，…，e_p1(t₁+5)]^T为t₁时刻硝态氮浓度设定值与硝态氮浓度预测值的误差向量，e_p1(t₁+1)为t₁+1时刻硝态氮浓度设定值和硝态氮浓度预测值的误差值，e_p1(t₁+2)为t₁+2时刻硝态氮浓度设定值和硝态氮浓度预测值的误差值，e_p1(t₁+5)为t₁+5时刻硝态氮浓度设定值和硝态氮浓度预测值的误差值；e_p2(t₂)＝[e_p2(t₂+1)，e_p2(t₂+2)，…，e_p2(t₂+5)]^T为t₂时刻溶解氧浓度设定值与溶解氧浓度预测值的误差向量，e_p2(t₂+1)为t₂+1时刻溶解氧浓度设定值和溶解氧浓度预测值的误差值，e_p2(t₂+2)为t₂+2时刻溶解氧浓度设定值和溶解氧浓度预测值的误差值，e_p2(t₂+5)为t₂+5时刻溶解氧浓度设定值和溶解氧浓度预测值的误差值，Δu₁(t₁)＝[Δu₁₁(t₁)，Δu₁₂(t₁)]^T为t₁时刻的控制向量调整量，Δu₁₁(t₁)为t₁时刻鼓风机曝气调整量，Δu₁₂(t₁)为t₁时刻内回流调整量，λ₁＝0.5，λ₂＝0.5是权值参数，α₁＝30，ρ₁＝10，α₂＝0.5，ρ₂＝0.5是控制参数，其中：

u₁(t₁)＝[u₁₁(t₁)，u₁₂(t₁)]^T为t₁时刻的控制向量，u₁₁(t₁)为t₁时刻鼓风机的曝气量，u₁₂(t₁)为t₁时刻内回流量，u₁(t₁+1)＝[u₁₁(t₁+1)，u₁₂(t₁+1)]^T为t₁+1时刻的控制向量，u₁₁(t₁+1)为t₁+1时刻鼓风机的曝气量，u₁₂(t₁+1)为t₁+1时刻内回流量，Δu_max＝[ΔK_La_max，ΔQ_amax]^T为控制器允许的最大调整量向量，ΔK_La_max为最大曝气调整量，ΔQ_amax为最大内回流调整量，Δu_max通过控制系统设备中鼓风机和内回流阀门进行设置；

通过最小化公式(5)计算上层模型预测控制器曝气量和内回流调整向量：

其中，η₁＝0.8，ξ₁＝3，ξ₂＝1为控制参数，对t₁时刻的曝气量和内回流量进行调整：

u₁(t₁+1)＝u₁(t₁)+Δu₁(t₁) (8)

④设计下层模型预测控制的目标函数跟踪溶解氧浓度设定值和上层控制律，计算t₂时刻下层控制律：

J₂(t₂)＝γ₁e_p2(t₂)²+γ₂[u₂₂(t₂)-u₁₂(t₁)]²+γ₃Δu₂(t₂)^TΔu₂(t₂) (9)

u₂₂(t₂)为下层模型预测控制器在t₂时刻的内回流量，u₁₂(t₁)为上层模型预测控制器t₁时刻的内回流量，Δu₂(t₂)＝[Δu₂₁(t₂)，Δu₂₂(t₂)]^T为t₂时刻的控制向量调整量，Δu₂₁(t₂)为t₂时刻鼓风机曝气调整量，Δu₂₂(t₂)为t₂时刻内回流调整量，γ₁＝30，γ₂＝10，γ₃＝1是控制参数，其中：

其中，u₂(t₂)＝[u₂₁(t₂)，u₂₂(t₂)]^T为t₂时刻的控制向量，u₂₁(t₂)为t₂时刻鼓风机的曝气量，u₂₂(t₂)为t₂时刻内回流量，u₂(t₂+1)＝[u₂₁(t₂+1)，u₂₂(t₂+1)]^T为t₂+1时刻的控制向量，u₂₁(t₂+1)为t₂+1时刻鼓风机的曝气量，u₂₂(t₂+1)为t₂+1时刻内回流量；

通过最小化公式(9)计算下层模型预测控制器曝气量和内回流调整向量：

其中，η₂＝8.4为控制参数，对t₂时刻的曝气量和内回流量进行调整：

u₂(t₂+1)＝u₂(t₂)+Δu₂(t₂) (12)

⑤令k＝k+1，判断k＝2(m+1)是否成立，若成立则令m＝m+1并转到步骤②，否则转到步骤⑥；

⑥判断k≤200是否成立，若成立则根据公式(3)计算下层模糊神经网络的输出并转到步骤④，否则结束循环；

(5)利用下层控制器求解出的u₂(t₂)对硝态氮浓度和溶解氧浓度进行控制，u₂(t₂)＝[u₂₁(t₂)，u₂₂(t₂)]^T即为t₂时刻变频器和传感器的输入，变频器通过调节电动机的转速达到控制鼓风机的目的，传感器通过调节仪表的开度达到控制阀门的目的，最终控制曝气量和内回流，整个控制系统的输出为硝态氮浓度和溶解氧浓度的实际值。