论文部分内容阅读
活性污泥法是城市污水处理厂普遍采用的一种污水好氧生物处理方法。该方法通过向废水中连续充入空气,经过一定反应时间后,因好氧微生物繁殖而形成活性污泥。利用活性污泥的生物凝聚、吸附和氧化作用,以分解去除污水中的有机污染物。为了满足出水排放标准,降低罚款,污水处理厂的关键控制变量经常按照满负荷运行来设定,即通过鼓风机和回流泵保持好氧区（第五分区）溶解氧（dissolved oxygen,DO）浓度SO,5和厌氧区（第二分区）硝态氮（nitrate nitrogen,NO）浓度SNO,2处于较高水平。但是,鼓风机和回流泵的运转需要大量的能量供给,这不可避免地增加了运行成本。同时,从生化反应机理来看,只有合适的SO,5和SNO,2才能保证硝化和反硝化反应的顺利进行。因此,应根据实际运行情况对SO,5和SNO,2的设定值进行动态寻优,从而尽可能地降低能耗（energy consumption,EC）和出水水质（effluent quality,EQ）。显然,为了提高污水处理效果和降低运行成本,构建污水处理过程的多目标优化控制策略势在必行。本课题利用分层递阶控制架构设计污水处理过程的多目标优化控制方案。该架构由三层组成,即建模层、优化层和控制层。建模层的目的是根据过程数据,建立多目标优化控制的目标函数;优化层的目的是在线优化目标函数,动态获取关键控制变量的优化设定值;控制层的目的是实时跟踪优化设定值,以保证污水生化反应的优化运行。根据分层递阶控制方案,本课题需要重点解决以下四个问题:一是污水处理过程评价模型的建立;二是污水处理过程复杂多目标优化问题的求解;三是污水处理过程DO和NO的底层控制;四是,集自组织建模、多变量自组织控制和自适应多目标优化于一体的污水处理过程分层递阶多目标优化控制。基于此,本课题的主要研究内容如下:（1）基于自组织模糊神经网络的污水处理过程评价模型针对污水处理过程多目标优化控制中评价模型的建立问题,提出了一种带有有效在线自组织策略的模糊神经网络（self-organizing fuzzy neural network with efficient online self-organizing scheme,SOFNN-EOS）建模方法。首先,引入不对称高斯函数作为隶属函数以构建广义椭球基函数（generalized ellipsoidal basis function,GEBF）,其能够更加灵活和有效地分割输入空间,从而增强了模糊规则对非线性系统的刻画能力;其次,在利用几何增长准则实现模糊规则自动生成的同时,提出了一种基于规则密度和重要性的分层修剪策略,其能够有效克服修剪阈值难以设置的难题,起到防止误删重要规则的作用;再次,设计了一种模糊规则前件参数的自适应分配策略,其不仅能够自适应地调整广义椭球基区域以获取更好的局部逼近,而且能够起到平衡系统精度、规则学习速度和规则库透明度的作用;进一步,在模糊规则自组织生长的同时,利用改进的递归最小二乘算法在线估计模糊规则的后件参数,以保证网络收敛;此外,对SOFNN-EOS的收敛性进行了分析,以确保其在实际工程中的成功应用;最后,利用基准测试问题、污水处理过程的能耗、出水水质和出水氨氮建模实验进行验证。结果表明,SOFNN-EOS不仅具有较为紧凑的网络结构和较好的泛化性能,而且最终形成的模糊规则具有较高的透明性和较强的可解释性。（2）基于自适应MOEA/D的多目标优化方法针对污水处理过程的复杂多目标优化问题,分别提出了基于角度的自适应MOEA/D算法（decomposition-based multiobjective evolutionary algorithm with angle-based adaptive penalty,MOEA/D-AAP）和基于自适应两阶段策略的MOEA/D算法（MOEA/D with adaptive two-phase,MOEA/D-ATP）。在MOEA/D-AAP中,首先,利用目标空间中解和权向量之间的角度定义了权向量的解浓度指标;然后,在进化过程中利用解浓度信息设计了惩罚因子的自适应调整策略;最后,利用6个复杂多目标优化问题验证了MOEA/D-AAP算法的性能。在MOEA/D-ATP中,首先,通过充分挖掘多参考点和两阶段优化策略的优势,设计了一种基于聚合函数值提升度的自动切换算法,用于两阶段之间的自动切换;然后,设计了一种基于父代解更新率的自适应算子选择算法,用于差分进化算子的自适应组合,以期平衡算法的探索和开发能力;最后,利用12个复杂的多目标测试问题验证了MOEA/D-ATP算法的性能。实验结果表明,MOEA/D-AAP和MOEA/D-ATP能够克服传统MOEA/D算法在复杂优化问题上近似Pareto解集多样性丧失的缺陷,其中MOEA/D-ATP表现更加优越。（3）基于自组织模糊神经网络的污水处理过程预测控制针对污水处理过程SO,5和SNO,2的多变量控制问题,提出了一种基于多输入多输出SOFNN的模型预测控制方法（SOFNN-based model predictive control,SOFNN-MPC）。首先,采用广义多级噪声作为激励信号产生系统辨识所需的输入输出数据;其次,利用广义椭球基函数、几何增长准则、分层修剪策略和递归最小二乘算法等建立多输入多输出SOFNN;再次,根据输入输出数据,离线建立污水处理过程的SOFNN辨识模型,并在实时控制过程中在线调整网络的权重参数,从而能够为MPC提供一个较为精确的预测模型;进一步,利用梯度寻优算法在线优化性能指标以求取控制律;此外,对SOFNN-MPC的收敛性和稳定性进行了分析,以确保其在实际工程中的成功应用;最后,利用BSM1平台进行算法性能测试。结果表明,与常规PID控制相比,SOFNN-MPC在跟踪精度、控制平稳性和自适应能力上更具优势。（4）污水处理过程分层递阶多目标优化控制针对污水处理过程分层递阶多目标优化控制问题,提出了一种集SOFNN预测模型、自适应MOEA/D优化算法和SOFNN控制器于一体的优化控制方案。首先,通过对污水生化处理过程的分析,选取EC和EQ作为优化目标,选取出水水质参数的达标限定值作为约束条件;然后,将MOEA/D-ATP、SOFNN预测模型和SOFNN控制器相结合,实现了污水生化处理过程SO,5和SNO,2设定值的动态寻优、智能决策和底层跟踪控制;最后,利用BSM1进行实验验证。结果表明,基于MOEA/D-ATP的分层递阶优化控制方法能够在保证平均出水水质参数达标的前提下,有效降低污水处理过程的能耗。