[发明专利]一种基于多任务动态转换策略的污水处理过程优化控制方法

权利要求书

1.一种基于多任务动态转换策略的污水处理过程优化控制方法，其特征在于，包括以下步骤：

(1)建立基于高斯核函数的污水处理过程多任务优化模型

污水处理过程的多任务优化模型采用高斯核函数方法描述优化设定值与出水总氮、出水总磷和能耗间的关系，包括生物脱氮任务模型和生物除磷任务模型；

其中，是t时刻污水处理过程生物脱氮任务的优化目标模型，是t时刻污水处理过程生物除磷任务的优化目标模型，是t时刻脱氮任务优化模型的6维输入变量，S_O(t)是t时刻的好氧末端溶解氧浓度且取值范围为[0，3]，单位毫克/升，S_NO(t)是t时刻的厌氧末端硝态氮浓度且取值范围为[0，2]，单位毫克/升，S_NH(t)是t时刻的出水氨氮浓度且取值范围为[0，15]，单位毫克/升，S_ND(t)是t时刻的可溶性有机氮浓度且取值范围为[0，2]，单位毫克/升，Tem(t)是t时刻的温度且取值范围为[0，40]，单位摄氏度，Q_in(t)是t时刻的入水流量且取值范围为[0，20000]，单位立方米，是t时刻的除磷任务优化模型4维输入变量，MLSS(t)是t时刻的出水混合悬浮物浓度且取值范围为[0，100]，单位毫克/升；是t时刻污水处理过程脱氮任务出水总氮的优化模型，是t时刻污水处理过程脱氮任务能耗的优化模型，是t时刻污水处理过程除磷任务出水总磷的优化模型，是t时刻污水处理过程除磷任务能耗的优化模型

其中，B₁(t)是t时刻污水处理过程脱氮任务出水总氮模型的输出偏移，B₂(t)是t时刻污水处理过程脱氮任务能耗模型的输出偏移，B₃(t)是t时刻污水处理过程除磷任务出水总磷模型的输出偏移，B₄(t)是t时刻污水处理过程除磷任务能耗模型的输出偏移，且输出偏移的取值范围均为[-2，2]；W_1,z(t)是t时刻污水处理过程脱氮任务出水总氮模型第z个高斯核函数的权值，W_2,z(t)是t时刻污水处理过程脱氮任务能耗模型第z个高斯核函数的权值，W_3,q(t)是t时刻污水处理过程除磷任务出水总磷模型第q个高斯核函数的权值，W_4,q(t)是t时刻污水处理过程除磷任务能耗模型第q个高斯核函数的权值，且权值的取值范围均为[-3，3]；c_1,z(t)＝[c_1,z,1(t)，c_1,z,2(t)，…，c_1,z,6(t)]^T是t时刻污水处理过程出水总氮模型第z个高斯核函数的中心，T是向量或矩阵的转置，c_2,z(t)＝[c_2,z,1(t)，c_2,z,2(t)，…，c_2,z,6(t)]^T是t时刻污水处理过程脱氮任务能耗模型第z个高斯核函数的中心，c_3,q(t)＝[c_3,q,1(t)，c_3,q,2(t)，c_3,q,3(t)，c_3,q,4(t)]^T是t时刻污水处理过程出水总磷模型第q个高斯核函数的中心，c_4,q(t)＝[c_4,q,1(t)，c_4,q,2(t)，c_4,q,3(t)，c_4,q,4(t)]^T是t时刻污水处理过程除磷任务能耗模型第q个高斯核函数的中心，且中心的取值范围均为[-1，1]；σ_1,z(t)是t时刻出水总氮模型第z个高斯核函数的宽度，σ_2,z(t)是t时刻脱氮任务能耗模型第z个高斯核函数的宽度，σ_3,q(t)是t时刻出水总磷模型第q个高斯核函数的宽度，σ_4,q(t)是t时刻除磷任务能耗模型第q个高斯核函数的宽度，且宽度的取值范围均为[0，2]；

(2)基于动态转换策略的污水处理过程多任务优化设定求解

设计基于动态转换策略的多任务粒子群算法求解优化设定值，根据任务的相似度将不同维度的知识进行转换，促进脱氮任务和除磷任务并行收敛，获取溶解氧和硝态氮的优化设定值；

①设置多任务粒子群优化过程的粒子群规模为100、任务数为2、总迭代次数为1000，初始化外部档案库Φ_t(0)为空集，随机初始化粒子位置和速度，将污水处理过程多任务优化目标模型作为多任务粒子群优化算法的优化目标，对F(x(t))进行最小化求解，进化将从第1代开始，将t时刻第1代的粒子位置信息作为输入；

②计算粒子的适应度和技能因子，按照技能因子将粒子划分到不同的群组中，并对粒子进行适应度排序；分析任务相似度：

其中，S_t(τ)是t时刻第τ次迭代脱氮任务和除磷任务的相似度，是脱氮任务t时刻第τ次迭代第i个粒子的梯度信息，是除磷任务t时刻第τ次迭代第i个粒子的梯度信息，是脱氮任务t时刻第τ次迭代梯度信息的均值，是除磷任务t时刻第τ次迭代梯度信息的均值，是脱氮任务t时刻第τ次迭代的第m个最优解,是除磷任务t时刻第τ次迭代的第m个最优解，f_d(·)用于提取和的前4维；

③设计动态转换策略，包括维数补充和维数降低；基于径向基神经网络的维数补充模型：

其中，y_1,t(τ)是t时刻第τ次迭代除磷任务向脱氮任务迁移的知识，A_t(τ)是t时刻第τ次迭代维数补充模型的输出偏移向量且每个元素取值范围为[-2，2]，W_j,t(τ)是t时刻第τ次迭代维数补充模型的第j个核函数的权值向量且每个元素取值范围为[-3，3]，c_j,t(τ)是t时刻第τ次迭代维数补充模型的第j个核函数的中心且每个元素取值范围为[-1，1]，σ_j,t(τ)是t时刻第τ次迭代维数补充模型第j个高斯核函数的宽度且取值范围为[0，2]，将t时刻第τ次迭代来自除磷任务的知识u_2,t(τ)作为维数补充模型的输入向量；设计基于主元素分析的维数降低策略：

其中，C_t(τ)是t时刻第τ次迭代的协方差矩阵，将t时刻第τ次迭代来自脱氮任务的知识u_1,t(τ)作为维数降低策略的输入向量；求解协方差矩阵的特征值与特征向量，并进行排列，

y_2,t(τ)＝P_t(τ)u_1,t(τ) (6)

其中，y_2,t(τ)是t时刻第τ次迭代脱氮任务向除磷任务迁移的知识，P_t(τ)是按照特征值从大到小排列的特征向量矩阵；粒子速度更新公式为：

其中，v_i,t(τ)是第i个粒子在t时刻第τ次迭代时的速度，x_i,t(τ)是第i个粒子在t时刻第τ次迭代的位置，P_i,t(τ)是第i个粒子在t时刻第τ次迭代时个体最优位置，P_g,t(τ)是在t时刻第τ次迭代时的全局最优位置，r₁是个体经验随机向量且其元素取值范围均为[0，1]，r₂是社会经验随机向量且其元素取值范围均为[0，1]，r₃是知识转移项随机向量且其元素取值范围均为[0，1]；

④将t时刻第τ次迭代的个体最优位置p_i,t(τ)与t时刻第τ-1次迭代的档案库Φ_t(τ-1)中的解进行比较，Φ_t(τ-1)＝[Φ_1,t(τ-1)，Φ_2,t(τ-1)，Φ_n,t(τ-1)，…，Φ_N,t(τ-1)]，Φ_n,t(τ-1)是t时刻第τ-1次迭代的档案库中第n个最优解，n＝1，2，…，100；F(Φ_n,t(τ-1))是Φ_n,t(τ-1)的适应度向量，F(p_i,t(τ))是p_i,t(τ)的适应度向量，如果F(Φ_n,t(τ-1))≥F(p_i,t(τ))，则将p_i,t(τ)保存到档案库中，生成新的第τ代档案库Φ_t(τ)；如果F(Φ_n,t(τ-1))F(p_i,t(τ))，则第τ代档案库Φ_t(τ)与第τ-1代档案库Φ_t(τ-1)相同；

⑤判断是否停止迭代：若当前迭代次数τ≥1000，则终止迭代过程并转到步骤⑥，否则，迭代次数τ增大1，并返回步骤②；

⑥在档案库Φ_t(1000)中随机选择一个解作为t时刻的优化设定值u^*(t)＝[S^*_NO(t)，S^*_O(t)]，其中，S^*_NO(t)是t时刻硝态氮优化设定值，S^*_O(t)是t时刻溶解氧优化设定值；(3)设计优化设定值跟踪控制器

设计多变量控制器对优化设定值进行跟踪控制，调整溶解氧传递系数与内回流量，实现污水处理过程生物脱氮和除磷的多任务优化控制；

设计控制器对优化设定值S^*_NO(t)与S^*_O(t)进行跟踪控制：

其中，Δu(t)＝[ΔQ_a(t)，ΔK_La(t)]^T是操作变量矩阵，ΔQ_a(t)是污水处理内循环流量的变化量，ΔK_La(t)是第五分区氧传递系数的变化量；e(t)＝y^*(t)-y(t)是t时刻的控制误差，y^*(t)＝[S^*_NO(t)，S^*_O(t)]^T是t时刻的优化设定值，y(t)＝[S_NO(t)，S_O(t)]^T是t时刻的实际输出值；

调整溶解氧传递系数与内回流量：

K_La(t+1)＝K_La(t)+ΔK_La(t) (9)

Q_a(t+1)＝Q_a(t)+ΔQ_a(t) (10)

其中，K_La(t)是t时刻的溶解氧传递系数；Q_a(t)是t时刻的内回流量；利用变频器调整供氧泵与回流泵的频率，则硝态氮浓度将被调整至S^*_NO(t)，溶解氧浓度将被调整至S^*_O(t)；至此，实现了污水处理过程生物脱氮和除磷的多任务优化控制。