[发明专利]多工况下城市污水处理过程多目标优化方法

摘要

本发明涉及城市污水处理技术领域，具体公开了一种多工况下城市污水处理过程多目标优化方法，包括步骤：1)构建城市污水处理过程多目标优化问题的数学描述；2)设计城市污水处理过程的多目标粒子群优化算法；3)设计城市污水处理过程多工况案例库。本发明方法针对污水处理过程不同工况下不确定性强的特点，设计出一种实时动态寻优的多目标粒子群算法，同时引入多工况案例库的概念，对于相互匹配的案例，可以直接将案例中对应的最优解应用到当前工况种群初始化中，提高了算法的搜索精度和收敛速度。本发明对多工况下的城市污水处理过程溶解氧和硝态氮浓度设定值进行实时寻优，在出水水质达标的基础上，有效降低了能耗。

主权项

1.多工况下城市污水处理过程多目标优化方法，其特征在于，包括如下步骤：步骤一：构建城市污水处理过程多目标优化问题的数学描述：从优化目标，决策变量和约束条件三个方面来构建本问题的数学描述，其中将城市污水处理过程的优化目标分为两类：即水质优化目标和运行成本目标；选择曝气区溶解氧浓度r₇和反硝化区硝态氮浓度r₈为决策变量，所有决策变量在运行中应满足上下限范围的约束：r_k,min≤r_k(t)≤r_k,max                            (1)生产全流程水质指标和成本指标与运行指标之间的约束条件为：EQ_i(t)＝f_i(r_k(t),v_i(t))                           (2)Q_j(t)＝g_j(r_k(t),v_j(t))                           (3)其中，f(.)为表征水质与运行指标之间关系的未知非线性函数，g(.)为表征能耗与运行指标关系的非线性函数，r代表决策变量，v代表过程随机变量；步骤二：设计城市污水处理过程的多目标粒子群优化算法：其中多目标粒子群优化算法为：种群的位置和速度的更新公式：V_id(t+1)＝w(t)V_id(t)+c₁r1_id(P_id(t)‑X_id(t))+c₂r2_id(t)(G_d(t)‑X_id(t))    (4)X_id(t+1)＝X_id(t)+V_id(t+1)                             (5)式中，r₁和r₂为[0,1]独立分布的随机数，c₁和c₂为学习参数，w为惯性权重；该算法中种群的位置和速度的更新公式的评价包括如下步骤：(1)粒子个体最优更新公式的评价指标：根据位置更新公式计算当前种群适应度函数，并与当前个体最优值对应的适应度函数进行比较；将适应度函数的比较分为并行的两个方面：①比较水质适应度函数，将最优水质适应度函数对应的粒子保存到X¹_pbest；②比较成本适应度函数，将最优成本适应度函数对应的粒子保存到X²_pbest；然后，根据式公式(6)进行pbest更新；其中，i为迭代次数，D为种群最大迭代次数，这样，个体最优的更新过程在优化初期会更加侧重水质的优化；而在优化后期，水质达到满意标准后更加侧重成本的优化；(2)种群全局最优更新公式的评价指标如下所示：根据X_pbest(t+1)计算对应的适应度函数，并与当前的全局最优值的Pareto前沿对应的适应度函数进行比较，并进行Pareto解存储；(3)Pareto非支配解集中更优解的选取通过构建非支配解适配度的方法来完成Pareto非支配解集中更优解的选取；设第i个优化目标为f_i，Pareto前沿中第k个非支配解对于f_i的适配度ω_i,k采用如下公式设定：其中，f_min和f_max分别为Pareto前沿中目标函数f_i的最大值和最小值；设多目标优化问题的优化目标个数为n，Pareto前沿中非支配解的个数为M，第k个非支配解的总体适配度η_k为：选取总体适配度的最大值η_max为Pareto前沿中的更优解；采用时变学习参数PSO算法，学习参数c₁，c₂随迭代次数的增加而变化，粒子的运动方程为：V_id(t+1)＝w(t)V_id(t)+c₁(t)r1_id(t)(P_id(t)‑X_id(t))+c₂(t)r2_id(t)(G_id(t)‑X_id(t))  (9)c₁(t)＝c_1i+(c_1f‑c_1i)t/t_max                      (10)c₂(t)＝c_2i+(c_2f‑c_2i)t/t_max                     (11)式中，c_1i、c_1f、c_2i和c_2f为固定值，实验结果表明，当c₁从2.5递减到0.5，而c₂从0.5增加到2.5时，算法获得优良性能；时变加速系数策略使得算法在进化前期注重对自身pbest学习，在进化后期加强对gbest的开发；实验结果表明，加速系数的设置对算法的性能有较大的影响；步骤三：设计城市污水处理过程多工况案例库，包括如下步骤：(1)案例库的建立：包括如下步骤：①案例库中第k个工况表达为：W_k<S_k；R_k>,k＝1,2,...,n                         (12)其中，n为总的案例数目，S_k＝[s_1k,s_2k]为对应的历史最优解决方案，即第五分区溶解氧浓度和第二分区硝态氮浓度的设定值，为跟踪控制层提供控制标准；R_k＝[s_1k,s_2k,s_3k,s_4k,s_5k,s_6k,s_7k,s_8k]为第k个案例的工况识别参考变量向量，分别选取为易生物降解基质S_s，颗粒惰性有机物X_i，慢速生物降解基质X_s，活性异养生物浓度X_bh，活性自养生物浓度S_nh，可溶性可降解有机氮S_nd，颗粒可生物降解有机氮X_nd，进水流量Q_in；(2)案例库的匹配：通过如下公式进行匹配：其中，m_k为工况匹配程度，sim(r_i,r_i,k)为新工况和知识库中工况的相似性，w_i为对应的新工况下第i个识别参考变量的权重值，其各项加和为1；选取进水组分各项参考变量首先进行归一化处理，然后采用等权重形式，即w_i＝0.125；若满足m_k≥m_th                          (14)则认为第k个历史工况与当前工况是匹配的，其中m_th是工况相互匹配的阈值；(3)案例库的更新包括如下步骤：首先选择几种常见工况，建立起案例库，进而分下面两种情况进行更新：情况①若满足式(14)的案例数目大于等于1，即知识库中有不止一个案例是与当前工况相互匹配的，执行如下步骤：Step.1判断工况，选择匹配程度最高的案例解决方案作为优化设定值，基于运行情况设定工况预警；Step.2选择匹配程度最高的Pareto前沿，不妨设共有n个，作为n个粒子的初始解；Step.3随机初始化N‑n个解；Step.4针对当前工况进行优化；Step.5若优化出新的非支配解，将其存储入匹配度最高案例库的Pareto前沿中，并重新选择最优Pareto解；若出现新的最优Pareto解，则更新优化设定值，若未出现，保持优化设定值不变；Step.6达到单一工况最大运行时间或者工况出现警示，返回Step.1重新判断工况；情况②若所有工况均不满足不等式(14)，这就表示案例库中没有与当前工况相匹配的案例，执行如下步骤：Step.1在所有未匹配工况中选择匹配程度最高的案例解决方案作为优化设定值，基于运行情况设定工况预警；Step.2：随机初始化全部粒子种群；Step.3：针对当前工况进行优化，计算出新的Pareto前沿，并根据适配度原则选择最优Pareto解，替换当前的优化设定值；Step.4：将新优化出的Pareto前沿，结合工况参考变量R_k和最优Pareto解S_k，在案例库中将本案例添加为新案例；Step.5：达到单一工况最大运行时间或者工况出现警示，返回Step.1重新判断工况。