[发明专利]一种污水处理多目标优化控制方法及系统

说明书

本发明涉及污水处理领域，更具体的说，涉及一种污水处理多目标优化控制方法及系统。本方法包括：步骤S1、选取污水处理过程的被控变量并采集相关变量数据；步骤S2、基于BP神经网络建立能耗成本、出水水质和微生物风险的稳态预测模型；步骤S3、构建多目标优化函数；步骤S4、采用多目标差分进化算法对多目标优化函数进行优化计算，得到帕累托最优解集；步骤S5、从帕累托最优解集中筛选对应的决策变量，作为被控变量的优化设定值；步骤S6、利用比例积分控制器对优化设定值进行实时跟踪控制。本发明在考虑能耗成本和出水水质的基础上，有效地降低了高微生物风险的比例，大大提高了污水处理系统的安全性。

技术领域

本发明涉及污水处理领域，更具体的说，涉及一种污水处理多目标优化控制方法及系统。

背景技术

污水处理一直是被广泛关注的一个环境治理问题，污水处理过程是一个复杂的工业系统，包含众多物理和微生物的生化反应，是一个典型的非线性、时变性和具有不确定性干扰的系统，而且，建立污水处理过程的精确模型比较困难，使得污水处理过程的优化控制存在许多难点。

活性污泥过程作为城市污水处理的核心，通过将废水与活性污泥混合搅拌并曝气，是有机物在微生物的作用下絮凝吸附、氧化分解，然后经过二沉池的固液分离将处理后的废水排出。

然而，在废水流量、天气、工业毒水流入等原因导致的进水水质和水量波动的影响下，活性污泥过程容易引发污泥膨胀、污泥泡沫和污泥上浮等微生物沉降问题，从而导致系统偏离正常工作状态甚至崩溃。

因此，通过优化控制、预防校正等控制策略来降低微生物引起的污泥沉降问题的发生率，提高污水处理系统的安全性能尤为重要。

污水处理过程的本质是多目标优化控制问题，基于数据驱动的优化控制方法能够充分利用历史和实时数据进行自主学习，并且对经验知识的依赖程度低，近年来被广泛应用。

基于数据驱动的优化控制方法包括：

1)使用进化模糊小波神经网络模型预测出水的化学需氧量，然后通过模糊神经网络控制器在线调整溶解氧浓度；

2)采用自适应回归核函数建立能耗成本和出水水质的模型进行优化；

3)采用模糊神经网络控制器，并自适应调整多目标差分进化算法的参数等。

上述方法取得了较为精确的预测和优化控制效果，然而其优化目标仅包含运行成本和出水水质，忽略了微生物沉降的问题，在较低的运行成本和较好的出水水质下，微生物的生长可能会因为缺乏溶解氧和营养物质而受到影响，从而，对污水处理过程的安全性能产生影响。

发明内容

本发明的目的是提供一种污水处理多目标优化控制方法及系统，解决现有技术的污水处理由于未考虑微生物风险而造成的安全性问题。

为了实现上述目的，本发明提供了一种污水处理多目标优化控制方法，包括以下步骤：

步骤S1、选取污水处理过程的被控变量并采集相关变量数据；

步骤S2、使用相关变量数据进行训练，基于BP(Back Propagation)神经网络建立能耗成本、出水水质和微生物风险的稳态预测模型；

步骤S3、以被控变量的设定值作为决策变量，以步骤S2建立的稳态预测模型作为约束条件，构建基于能耗成本、出水水质和微生物风险的多目标优化函数；

步骤S4、采用多目标差分进化算法对步骤S3构建的多目标优化函数进行优化计算，得到关于能耗成本、出水水质和微生物风险的帕累托最优解集；

步骤S5、从步骤S4的帕累托最优解集中筛选微生物风险低、能耗成本和出水水质均衡的解对应的决策变量，作为被控变量的优化设定值；