[发明专利]基于动态多目标粒子群算法的城市污水处理过程优化控制方法

摘要

本发明提出了基于动态多目标粒子群算法的城市污水处理过程优化控制方法，实现对溶解氧SO和硝态氮SNO浓度的优化控制；该优化控制方法通过动态多目标粒子群优化算法对建立的污水处理过程优化目标进行优化，获得溶解氧SO和硝态氮SNO浓度的优化设定值，结合比例积分微分控制器对溶解氧SO和硝态氮SNO的优化设定值进行跟踪控制；解决了污水处理过程动态优化控制的问题，促进污水处理厂高效稳定运行。本发明保证出水水质达标，同时降低能耗。

主权项

1.基于动态多目标粒子群算法的城市污水处理过程优化控制方法，其特征在于，具体包括以下步骤：(1)设计污水处理过程性能指标模型：①分析城市污水处理过程的动态特性和运行数据，获取与城市污水处理过程关键性能指标泵送能耗、出水水质和曝气能耗相关的过程变量，分别为入水流量Q_in、溶解氧浓度S_O、硝态氮浓度S_NO、氨氮浓度S_NH、悬浮物固体浓度SS；②建立基于S_NO操作时间和S_O操作时间的性能指标模型，S_NO操作时间为半个小时，S_O操作时间为两个小时，每半个小时对性能指标模型进行一次调整，当操作时间只满足S_NO操作时间时，性能指标模型的表达式为：其中，f₁(t)是t时刻曝气能耗模型，f₂(t)是t时刻出水水质模型；和是目标函数f₁(t)和f₂(t)在t时刻的第r个径向基核函数，r＝1,2,…,10；x(t)＝[Q_in(t),S_O(t),S_NO(t),S_NH(t),SS(t)]为t时刻曝气能耗模型和出水水质模型的输入变量；c_1r(t)和c_2r(t)是目标函数f₁(t)和f₂(t)在t时刻第r个径向基核函数的中心，c_1r(t)和c_2r(t)中每个变量的取值区间为[‑1,1]；b_1r(t)和b_2r(t)是目标函数f₁(t)和f₂(t)在t时刻第r个径向基核函数的宽度，b_1r(t)和b_2r(t)的取值区间为[0,2]；W_1r(t)和W_2r(t)是目标函数f₁(t)和f₂(t)在t时刻第r个径向基核函数的连接权值，W_1r(t)和W_2r(t)的取值区间为[‑3,3]；W₁(t)和W₂(t)是目标函数f₁(t)和f₂(t)的输出偏移，W₁(t)和W₂(t)的取值区间为[‑2,2]；当操作时间满足S_O操作时间时，性能指标模型的表达式为：其中，f₃(t)为t时刻泵送能耗模型；是目标函数f₃(t)在t时刻第r个径向基核函数；c_3r(t)是目标函数f₃(t)在t时刻第r个径向基核函数的中心，c_3r(t)中每个变量的取值区间为[‑1,1]；b_3r(t)是目标函数f₃(t)在t时刻的第r个径向基核函数的宽度，b_3r(t)的取值区间为[0,2]；W_3r(t)是目标函数f₃(t)在t时刻的第r个径向基核函数的连接权值，W_3r(t)的取值区间为[‑3,3]；W₃(t)是目标函数f₃(t)的输出偏移，W₂(t)的取值区间为[‑2,2]；(2)城市污水处理过程控制变量设定值动态优化：(2)‑1设置优化过程中的迭代次数为T_max；(2)‑2将设计的污水处理过程性能指标模型作为多目标粒子群算法的目标函数；(2)‑3把粒子的位置x(t)＝[Q_in(t),S_O(t),S_NO(t),S_NH(t),SS(t)]作为目标函数的输入，计算目标函数值，更新粒子的个体最优位置pBest_k,i(t)，更新粒子的位置和速度，更新公式为：x_k,i(t+1)＝x_k,i(t)+v_k,i(t+1)                            (3)v_k,i(t+1)＝ω(t)v_k,i(t)+c₁α₁(pBest_k,i(t)‑x_k,i(t))+c₂α₂(gBest_k(t)‑x_k,i(t))  (4)其中，x_k,i(t+1)是在t时刻第k+1次迭代时第i个粒子的位置信息，v_k,i(t+1)是t时刻第k+1次迭代时第i个粒子的速度信息；是惯性权重，的取值区间是[0,1]；c₁和c₂是学习因子，c₁和c₂的取值区间是[0,1]；α₁和α₂是在[0,1]中均匀分布的随机数；pBest_k,i(t)是t时刻第k次迭代时第i个粒子的个体最优解，gBest_k(t)是t时刻第k次迭代时的全局最优解；(2)‑4设计基于切比雪夫距离的性能指标‑均匀性指标和逼近性指标；均匀性指标用来计算算法在t时刻第k次迭代时产生的最优解集的均匀性，均匀性指标的表达式为：其中，m＝1,2,…,NS(t)，NS_k(t)是t时刻第k次迭代获得的最优解集中非支配解的个数；U_k(t)是t时刻第k次迭代时获得最优解集的均匀性，D_k,m(t)是t时刻第k次迭代获得的最优解集中两个连续非支配解之间的切比雪夫距离，是D_k.m(t)的平均值；逼近性指标用来计算算法在第t次迭代时产生的最优解集的逼近性，逼近性指标的表达式为：其中，A_k(t)是t时刻第k次迭代时获得最优解集的逼近性；d_k,i是t时刻第k次迭代产生的最优解集中第l个解与第k‑1次迭代时产生的最近非支配解间的切比雪夫距离；(2)‑5判断目标函数个数的变化情况，如果目标个数变化，转到步骤(2)‑6,如果目标个数不变，转到步骤(2)‑7；(2)‑6当目标个数增加时，根据均匀性指标设计种群规模更新方法和全局最优解更新机制，其中，种群规模更新方法的表达式为：其中，N_k+1(t)和N_k(t)是t时刻第k+1次和第k次迭代时的种群规模，NS_k(t)为t时刻第k次迭代时产生的最优解集中非支配解的数量，α_k(t)是t时刻第k次的均匀性梯度指标，其表达式为：其中，ε是种群规模的调节频率，ε的取值范围是[1,T_max]；当目标个数减少时，根据逼近性指标设计种群规模更新方法和外部档案更新机制，其中，种群规模更新方法的表达式为：其中，β_k(t)是逼近性指标的梯度，其表达式为：(2)‑7将t时刻第k步的个体最优位置pBest_k(t)与t时刻k‑1步知识库的解Φ_k‑1(t)进行比较，为t时刻第k‑1步知识库中第ι个最优解，通过支配关系更新t时刻第k步的知识库Φ_k(t)，支配关系计算功能是：Φ_k(t)＝Φ_k‑1(t)∪p_k‑1(t),if f_h(a_k‑ι(t))≥f_h(p_k(t)),h＝1,2,3       (11)其中，∪是关系并，如果pBest_k‑1(t)的目标函数值小于a_k‑ι(t)的目标函数值，则知识库中保存个体最优解pBest_k‑1(t)，否则保存解a_k‑ι(t)，根据密度法从知识库Φ_k(t)中选择全局最优解gBest_k(t)；(2)‑8如果当前的迭代次数k大于等于设置的迭代次数T_max，转到步骤(2)‑9；如果当前的迭代步数k小于迭代次数T_max，迭代步数k加1，转到步骤(2)‑3；(2)‑9从外部档案中随机选择一组全局最优解gBest_Tmax(t)，gBest_Tmax(t)＝[Q_in,Tmax^*(t),S_O,Tmax^*(t),S_NO,Tmax^*(t),S_NH,Tmax^*(t),SS_Tmax^*(t)]，Q_in,Tmax^*(t)为入水流量优化设定值，S_O,Tmax^*(t)为溶解氧优化设定值，S_NO,Tmax^*(t)为硝态氮优化设定值，S_NH,Tmax^*(t)为氨氮优化设定值，SS_Tmax^*(t)为悬浮物固体浓度优化设定值；保存全局最优解gBest_Tmax(t)；(3)污水处理过程跟踪控制：(3)‑1设计多变量比例积分微分‑PID控制器，PID控制器的输出表达式为：其中，Δu(t)＝[ΔK_La₅(t),ΔQ_a(t)]^T是操作变量，ΔK_La₅(t)为第五分区氧传递系数的变化量，ΔQ_a(t)为内回流量的变化量；K_p为比例系数矩阵，H_τ为积分系数矩阵，H_d为微分系数矩阵；e(t)为实际输出和优化设定值之间的误差：e(t)＝z(t)‑y(t)                        (13)其中，e(t)＝[e₁(t),e₂(t)]^T，e₁(t)是溶解氧S_O实际输出与优化设定值S_O^*之间的误差，e₂(t)是硝态氮S_NO实际输出与优化设定值S_NO^*之间的误差；z(t)＝[z₁(t),z₂(t)]^T＝[S_O^*(t),S_NO^*(t)]^T，y(t)＝[y₁(t),y₂(t)]^T＝[S_O(t),S_NO(t)]^T，z₁(t)为t时刻溶解氧浓度的优化设定值，z₂(t)为t时刻硝态氮浓度的优化设定值；y₁(t)为t时刻实际溶解氧S_O浓度，y₂(t)为t时刻实际硝态氮S_NO浓度；(3)‑2PID控制器的输出为操作变量氧传递系数的变化量和内循环回流量的变化量；(4)将氧传递系数的变化量和内循环回流量的变化量作为城市污水处理控制系统的输入量，利用求解的氧传递系数的变化量和内循环回流量的变化量对溶解氧S_O和硝态氮S_O进行控制，整个城市污水处理控制系统的输出量为实际溶解氧S_O和硝态氮S_O浓度。