[发明专利]一种污水处理过程协同优化控制系统

摘要

本发明设计了一种污水处理过程协同优化控制系统，针对当前污水处理过程不同时间尺度的性能指标难以描述，控制变量优化设定值难以获取等问题，通过两层模型获取不同时间尺度性能指标的动态特性，利用基于数据驱动辅助模型的协同优化算法对两层优化模型进行优化，实时获得溶解氧和硝态氮的优化设定值，并根据预测控制策略对获得的优化设定值进行跟踪控制，解决了污水处理优化控制中性能指标动态特性难以描述以及实时优化设定值难以获取的问题；结果表明该协同优化控制方法不仅可以平衡性能指标之间的关系，改善出水水质的基础上降低操作成本，而且可以提高系统的控制精度，保证控制系统的高效稳定运行。

主权项

1.一种污水处理过程协同优化控制系统，其特征在于包括污水处理控制系统架构设计和优化控制器设计，具体步骤为：(1)污水处理过程控制系统架构设计，具体为：1)污水处理过程控制系统包含服务器、PLC控制柜、鼓风机、厌氧末端的氧化还原电位电极传感器、好氧末端的溶解氧传感器、好氧末端的固体悬浮物传感器、出水末端的温度传感器、出水末端的PH传感器、出水末端的氨氮传感器、出水末端的总氮传感器、出水末端的化学需氧量传感器；其中，服务器是污水处理控制系统的操作中心，作用是优化控制程序，实现监控功能；PLC控制柜的功能是完成对污水处理过程设备状态、运行状况的自动检测、监测及控制；鼓风机作为污水处理过程控制系统的执行器，实现对污水处理过程好氧区的曝气与通风；厌氧末端的氧化还原电位电极传感器用于检测厌氧池中氧化还原电位的电极特性；好氧末端的溶解氧传感器用于检测曝气池中溶解氧的浓度值；好氧末端的固体悬浮物传感器用于检测曝气池中固体悬浮物的浓度值；出水末端的温度传感器用于检测二沉池出水端的温度值；出水末端的pH传感器用于检测二沉池出水端的pH值；出水末端的氨氮传感器用于检测二沉池出水端的氨氮浓度值；出水末端的总氮传感器用于检测二沉池出水端的总氮浓度值；出水末端的化学需氧量传感器用于检测二沉池出水端的化学需氧量浓度值；2)污水处理过程数据采集与传输：首先，通过氧化还原电位电极传感器、溶解氧传感器、固体悬浮物传感器、温度传感器、pH传感器、氨氮传感器、总氮传感器、化学需氧量传感器实现污水处理过程数据的采集；其次，利用RS 485将PLC与传感器连接并实现通讯，完成污水处理过程采集数据的上传，通过协调通讯标准将数据传输到服务器；(2)优化控制器设计包括性能指标模型的建立，优化算法的建立以及控制器的设计，过程为：1)选择与泵送能耗PE相关的过程变量为：厌氧末端硝态氮SNO浓度、出水混合固体悬浮物MLSS浓度，选择与曝气能耗AE和出水水质EQ都相关的过程变量为：好氧末端溶解氧SO浓度、固体悬浮物SS浓度、出水氨氮SNH浓度、厌氧末端硝态氮SNO浓度；2)建立基于不同时间尺度的两层模型，上层为泵送能耗PE模型，下层为曝气能耗AE和出水水质EQ模型：F1(t1)＝l1(xu(t1)),    (1)其中，F1(t1)表示t1时刻泵送能耗PE的模型，l1(xu(t1))表示PE模型的映射函数，f1(t2)表示t2时刻曝气能耗AE的模型，l2(xl(t2)，x*u(t1))表示AE模型的映射函数，x*u(t1)表示t1时刻厌氧末端硝态氮浓度优化设定值SNO*，f2(t2)表示t2时刻出水水质EQ的模型，l3(xl(t2)，x*u(t1))表示EQ模型的映射函数，xu(t1)＝[SNO(t1)，MLSS(t1)]表示t1时刻PE模型的输入变量，xl(t2)＝[SO(t2)，SS(t2)，SNH(t2)]，[SO(t2)，SS(t2)，SNH(t2)，SNO*(t1)]表示t2时刻AE模型和EQ模型的输入变量；3)利用协同优化算法优化上层和下层的优化问题获得优化设定值，其中，上层优化周期为两小时，下层优化周期为三十分钟，具体为：①建立上层和下层优化问题：Min F1(SNO(t1),MLSS(t1)),    (3)其中，Min F1(SNO(t1)，MLSS(t1))为上层的优化问题，Min[f1(SO(t2)，SS(t2)，SNH(t2)，SNO*(t1))，f2(SO(t2)，SS(t2)，SNH(t2)，SNO*(t1))]为下层的优化问题；②设定上层优化的粒子种群个数I1和下层优化的粒子种群个数I2，上层优化的最大迭代次数N1和下层优化的最大迭代次数N2，其中，I1＝50，I2＝50，N1＝20，N2＝50；③利用单目标粒子群优化算法对上层优化问题进行优化，其中，粒子位置信息和粒子速度信息表示为：si(t1)＝[si,1(t1),si,2(t1)],    (5)vi(t1)＝[vi,1(t1),vi,2(t1)],    (6)si(t1)表示第i个粒子在t1时刻的位置，vi(t1)表示第i个粒子在t1时刻的速度，i表示粒子个数，i＝1，2，…，I1，粒子的速度vi(t1)和位置si(t1)更新公式为：vi,d(t1+1)＝ωvi,d(t1)+c1r1(pi,d(t1)‑si,d(t1))+c2r2(gd(t1)‑si,d(t1)),    (7)si,d(t1+1)＝si,d(t1)+vi,d(t1+1),    (8)其中，d表示粒子的空间维数，d＝1，2，v_i,d(t₁)表示第i个粒子的第d维在t₁时刻的速度，表示惯性权重，c₁和c₂表示加速常数，c₁∈[0,1]，c₂∈[0,1]，r₁和r₂表示随机数，r₁∈[0,1]，r₂∈[0,1]，p_i,d(t₁)表示第i个粒子的第d维在t₁时刻的个体最优解，g_d(t₁)表示粒子的第d维在t₁时刻的全局最优解；④判断单目标粒子群优化算法是否达到设定的最大进化次数N1，若达到，则终止迭代进化过程，输出硝态氮的优化设定值SNO*，并将该设定值传递给下层的优化问题，否则返回到③；⑤利用多目标粒子群优化算法对下层优化问题进行优化，其中，粒子位置aj(t2)和粒子速度bj(t2)表示为：aj(t2)＝[aj,1(t2),…,aj,4(t2)]，bj(t2)＝[bj,1(t2),…,bj,4(t2)]，j表示粒子个数，j＝1，2，…，I2；在迭代优化过程中，将获得的非支配解zj(t2)保存在外部档案库Z(t2)中，其中，外部档案库Z(t2)的更新规则为：Z(t₂)＝[z₁(t₂),z₂(t₂),…,z_j(t₂),…,z_I2(t₂)]，z_j(t₂)表示t₂时刻档案库更新之前的第j个非支配解，表示t₂时刻档案库更新之后的第j个非支配解，χ表示步距，χ∈[0,0.1]，表示梯度下降的方向；⑥根据所获得的档案库中的非支配解Z(t2)，建立基于径向基函数的多输入多输出辅助模型：其中，Bj(t2)表示辅助模型的输出，Bj(t2)＝[Bj,1(t2),Bj,2(t2)]T，oj(t2)＝[oj,1(t2),oj,2(t2),…,oj,K(t2)]T表示连接权重，θj(t2)＝[θj,1(t2),θj,2(t2),…,θj,K(t2)]T表示隐含层神经元的输出，K表示隐含层神经元的个数，K∈[8,12]；辅助模型的输出与实际系统输出的误差平方和表示为：e(zn(t2))＝min(Bn(t2)‑Q(t2))T(Bn(t2)‑Q(t2)),    (11)其中，e(zn(t2))表示档案库中第n个非支配解Bn(t2)与实际系统输出Q(t2)之间的误差平方和，n∈[1,I2]，Q(t2)＝[Q1(t2),Q2(t2)]表示实际系统中曝气能耗AE的值和出水水质EQ的值，选择最小的误差平方和所对应的档案库中的解作为全局最优解；⑦判断多目标粒子群优化算法是否达到设定的最大进化次数N2，若达到，则终止迭代进化过程，输出溶解氧的优化设定值SO*，否则返回到⑤；4)设计基于预测控制策略的跟踪控制方法：①定义跟踪控制策略中的价值函数：其中，z1(t)和z2(t)表示t时刻所获得的优化设定值SO*和SNO*，y1(t)和y2(t)表示t时刻所预测的溶解氧SO和硝态氮SNO，HP表示预测时域，HP＝5，q∈[1,HP]，Hu表示预测时域，Hu＝4，m∈[1,Hu]；②通过预测控制策略更新控制率，其更新表达式为：u(t+1)＝u(t)+Δu(t),    (13)其中，u(t)表示t时刻的控制率，Δu(t)表示控制率的变化量，其计算表达式为：其中，Δu(t)表示操作变量氧传递系数的变化量和内循环回流量的变化量，Δu(t)＝[Δu1(t),Δu2(t)]；③将氧传递系数的变化量和内循环回流量的变化量传递给污水处理系统；(3)基于协同优化控制方法的污水处理系统的输入为氧传递系数的变化量和内循环回流量的变化量，输出为实际溶解氧SO浓度和硝态氮SNO浓度；污水处理过程控制效果通过每日平均的泵送能耗PE值，曝气能耗AE值，出水水质EQ值，以及溶解氧SO浓度和硝态氮SNO浓度的跟踪控制结果来体现。