[发明专利]一种基于多激励函数极限学习机的自适应污水处理控制方法

说明书

本发明公开了一种基于多激励函数极限学习机的自适应污水处理控制方法，该方法由极限学习机与自适应控制结合而成，实现对于污水处理系统中溶解氧浓度的控制。该方法具体包括有数据预处理、神经网络初始化、神经网络在线迭代以及构成基于极限学习机的控制器等步骤。该方法不依赖污水处理系统机理模型，而直接利用系统输入输出数据对控制器进行动态调整，具有较强的鲁棒性与较好的控制性能，同时利用极限学习机进行训练，降低由于控制器计算所带来的系统延时，使得该方法在污水处理控制应用方面具有一定的研究意义与进一步探索的价值。

技术领域

本发明涉及控制科学与工程、环境科学与工程领域，尤其涉及一种基于多激励函数极限学习机的自适应污水处理控制方法。

背景技术

水是生命之源，是人类发展不可或缺的战略资源。而由于人类的污染浪费及水资源自身所具有的特性导致水资源在部分地区相当短缺，同时收到污染的水不仅会进一步污染自然界的水源，破坏环境，威胁动植物的生存家园，同时也会反作用于人类，压缩人类生存空间，并威胁人类健康安全，所以对污水进行处理是一项必不可少的工业环节。通过将受到污染的水进行处理达标以后再排放或再利用，则可以避免对环境与人类社会造成破坏，同时也可以缓解由于人类社会过度发展导致的水资源短缺问题。

受限于材料设计以及成本约束，目前世界上大部分的污水处理都采用厌氧好氧的生化反应来实现对于污水的处理，通过微生物的厌氧好氧生化反应，将污水中主要的有机物都降解为无机盐，并通过沉淀的形式去除，沉淀之后的清水则通过沉淀池上方排出，达标后进入江河湖泊，或者企业内部循环使用，或者用于城市绿化等，沉淀的污泥则通过干燥等手段形成淤泥，并无害化处理。该方法具有成本少，易于建造大型污水处理厂等优势，但同时，反应过程相当复杂，且是一个长延时、大扰动、强耦合的系统，所以往往受到各种内外因素的影响，使得污水出水水质不达标，为了实现对于污水处理的有效控制，各种方法被广泛提出。很多方法都是基于数学模型进行的控制，但是由于污水处理系统的复杂性，难以构建精确的模型，很难从机理建模的角度对污水处理系统进行控制方法分析与研究。

发明内容

为了确保出水水质的达标，且同时考虑到污水处理系统的复杂性以及模型的未知性，本发明提出一种基于多激励函数极限学习机的自适应污水处理控制方法，实现对于污水处理出水水质中的溶解氧浓度进行控制，因为溶解氧浓度作为一种关键组分能够有效的反映出水水质是否达标，从而实现对于水质达标的保证。

本发明提出的基于多激励函数极限学习机的自适应污水处理控制方法，主要是针对污水处理过程中的溶解氧浓度进行有效控制，其中被控变量为溶解氧浓度S_O，而操作变量则为氧气传递系数K_La，目标是将溶解氧浓度控制在设定值附近，控制方法具体包括有数据预处理、神经网络初始化、神经网络在线迭代以及构成基于多激励函数极限学习机的控制器设计，从而实现对于污水处理出水溶解氧浓度实现设定值控制。主要步骤如下所示：

(1)数据预处理

对控制器的输入输出数据X进行归一化，X＝[S_O,K_La]，S_O为溶解氧浓度，即被控变量， K_La为氧气传递系数，即操作变量，将不同量纲的数据归一化至[-1,1]之间，得到归一化后的样本数据x。

(2)构建基于极限学习机的控制器

首先，将被控污水处理系统描述为：

y_k+1＝f(x_k)+g(x_k)u_k+Δ (1)