前置反硝化污水处理过程的优化控制方法

摘要

前置反硝化污水处理过程的优化控制方法属于污水处理技术领域，其特征在于综合考虑出水水质、曝气能耗和泵送能耗，采用基于分工策略的粒子群优化技术动态优化好氧区溶解氧浓度和缺氧区硝酸氮浓度的设定值，底层比例积分控制器根据优化后的设定值实时调节氧气转换系数和内回流量，实现前置反硝化污水处理过程的优化控制，保证出水水质要求下减少运行费用，降低污水处理成本，促进污水处理厂高效稳定运行。

主权项

1.一种基于粒子群算法实现溶解氧DO浓度和硝酸氮S_NO浓度优化控制方法，其特征在于，包括以下步骤：(1)确定控制结构，采用层级式结构，上层为优化层、下层为本地控制层；优化控制系统包含智能优化、溶解氧浓度PI控制器、硝酸氮浓度PI控制器和数据存储四个模块；上层采用基于分工策略的粒子群优化算法，根据物料平衡约束、执行器约束以及出水条件约束得到底层控制回路的设定值；下层是两个PI控制器，第一个是通过调节单元五的氧气转换系数K_La控制该单元溶解氧浓度，第二个是通过调节内回流量Q_a控制缺氧区单元二的硝酸氮浓度；采用优化控制策略动态调整两个控制回路的设定值——DO设定值S_O,SP和S_NO设定值S_NO,SP，可以有效的降低运行费用；(2)综合考虑运行费用和出水水质两个方面，构造优化问题，采用粒子群算法对这两个PI控制回路的设定值求最优解；①建立活性污泥污水处理1号基准仿真模型，该基准仿真模型定义了一种污水处理的设备布局、相应的仿真模型、污水负荷、仿真步骤和仿真结果的评价标准，与各种自动控制方案相结合进行仿真模拟，并按照指定的评价标准来考察该方案的控制效果，这样既方便自动控制方案的调整，以得到较优的控制方案，也能够根据评价指标比较不同的控制方案，此基准仿真模型包括生化池和二沉池；生化池部分共包括5个单元，前两个单元是缺氧区，后三个单元是好氧区；②优化问题的目标函数：其中，T表示运行周期，一般取7天，Energy=AE+PE，表示运行费用，AE为通风耗能，S_O,sat代表饱和溶解氧浓度，一般取8mg/L，缺氧区两个单元体积V₁=V₂=1000m³，好氧区三个单元的体积V₃=V₄=V₅=1333m³；K_La为氧气转换系数，与空气流量相关，以K_La作为调整溶解氧浓度的操作变量；PE为泵送耗能，Q_a为内回流量，Q_r为污泥回流量，Q_w为污泥流量；EQ表示向受纳水体排放污染物需要支付的 费用，它的大小与出水水质的好坏有关，出水水质越好，EQ越小；其中，B_i是不同污染物对EQ影响的权值；B_SS＝2，B_COD＝1，B_NO＝10，B_NKj＝30，并且：S_NKj，e＝S_NH，e+S_ND，e+i_XB(X_BH，e+X_BA，e)+X_ND，e+i_XP(X_P，e+X_I，e)SS_e=0.75·(X_S，e+X_I，e+X_BH，e+X_P，e)BOD_e＝0.25·(S_S，e+X_S，e+(1-f_P)·(X_BH，e+X_BA，e))COD_e＝S_S，e+S_I，e+X_S，e+X_BH，e+X_BA，e+X_P，eS_NKj，e表示出水中的凯氏氮浓度，SS_e表示出水中的固体悬浮物浓度，BOD_e表示出水中的生物需氧量，COD_e表示出水中的化学需氧量，S_NH，e表示出水中的NH₄-N和NH₃-N的总浓度，S_ND，e表示溶解性可生物降解有机氮浓度，X_BH，e表示活性异养菌生物固体浓度，X_BA，e表示活性自养菌生物固体浓度，X_ND，e表示颗粒性可生物降解有机氮浓度，X_P，e表示生物固体衰减产生的惰性物质浓度，X_I，e表示颗粒性不可生物降解有机物浓度，X_S，e表示慢速可生物降解有机物浓度，S_S，e表示溶解性快速可生物降解有机物浓度，S_I，e表示溶解性不可生物降解有机物浓度，S_ALK表示碱度，下标e表示出水各组分的浓度，无下标e时表示反应池中各组分的浓度，f_p＝0.08，i_XB＝0.08，i_XP＝0.06；③约束条件：物料平衡约束即基准模型中的物料平衡方程，输出约束即出水水质约束，执行器约束包括：操作变量0＜S_O，SP＜3，0＜S_NO，SP＜4，控制变量0＜K_La＜240，0＜Q_a＜92230；(3)优化算法的实现，采用基于分工策略的粒子群优化；设搜索空间为D维，粒子个数为3M，M为自然数，其中，第l个粒子的位置表示为：X_l＝(x_l1，x_l2，…，x_lD)，第l个粒子的速度表示为：V_l＝(v_l1，v_l2，…，v_lD)，第l个粒子的历史优点表示为：P_l＝(p_l1，p_l2,…，p_lD)，1≤l≤3M；所有粒子的历史最优点表示为：P_g＝(p_g1，p_g2,…，p_gD)；根据基准仿真模型和数据存储模块中的污水处理过程组分数据，计算每个粒子的适应度，将整个群体POP分为3个分工不同的子群体：POP_Core，POP_Near和POP_Far；①子群POP_Core： 选择群体中适应度最高的M个粒子构成POP_Core，POP_Core子群中的粒子进行变异和选择操作，不断地在群体最优附近探索新的群体最优，保证群体最优解附近的充分搜索；变异策略可以增加粒子的搜索区域，随机的变异能使粒子探测到较小的、孤立的可行解区域；对该种群中的每个粒子的速度和位置同时进行变异，变异式为：v′_id=θ·δ·v_id·rand                                      (2)x′_id=x_id+v′_id                                              (3)其中，1≤d≤D，θ为随机生成的方向，取值为-1或者1；δ为变异步长,0<δ<0.2；rand为(0,1)之间的随机数；v_id表示粒子i进行变异前第d维的速度，x_id表示粒子i进行变异前第d维的位置；v′_id表示粒子i进行变异后第d维的速度，x′_id表示粒子i进行变异后第d维的位置；当粒子的速度发生变异时，粒子的位置随着速度的改变而改变一次；POP_Core中M个粒子，变异后又产生了M个粒子，在这2M个粒子中选择出最优的M个粒子重新构成下一代POP_Core；②子群POP_Near：假设POP_Core={X₁,X₂…,X_M}，令数据中心在整个群体POP除去POP_Core的M个粒子后剩余的粒子中选择M个距离数据中心Core_Center欧几里得距离最小的粒子构成POP_Near；该子群中粒子的作用是在中心位置与个体最优位置之间的更广泛的区域内进行搜索；POP_Near中的粒子按照下式进行更新：v′_jd＝wv_jd+c₁·rand·(p_jd-x_jd)+c₂·rand·(p_gd-x_jd)       (4)x′_jd=x_jd+v_jd                                             (5)其中，M+1≤j≤2M，1≤d≤D；令v′_jd表示粒子j进行变异后第d维的速度；v_jd表示粒子j进行变异前第d维的速度；p_jd表示粒子j历史最优点的第d维的位置；p_gd表示所有粒子历史最优点的第d维的位置；x′_jd表示粒子j进行变异后第d维的位置；x_jd表示粒子j进行变异前第d维的位置；选择c₁=2，c₂=2，满足粒子运行轨迹稳定的条件式：并使惯性权重w在(0.1,0.9)范围内随算法迭代的运行线性减小，以提高算法的性能；③子群POP_Far：在整个群体POP除去POP_Core和POP_Near中的粒子剩余粒子组成POP_Far，这些粒子距离Core_Center较远；设置该子群中的粒子参数使粒子运行轨迹发散，它们在算法执行过程中承担着开辟新搜索区域的任务，这部分粒子使群体充分的保持了个体的多样性，避免算法“早熟”现象的发生；在迭代过程中POP_Far中粒子同样按下式执行：v′_kd=w′v_kd+c₁·rand·(p_kd-x_kd)+c₂·rand·(p_gd-x_kd)         (7)x′_kd=x_kd+v_kd                                                (8)其中，2M+1≤k≤3M，1≤d≤D；v′_kd表示粒子k进行变异后第d维的速度；v_kd表示粒子k进行变异前第d维的速度，x_kd表示粒子k进行变异前第d维的位置；p_kd表示粒子j历史最优点的第d维的位置；p_gd表示所有粒子历史最优点的第d维的位置；x′_kd表示粒子k进行变异后第d维的位置；使惯性权重w′>1，这样就不会满足粒子运行轨迹稳定的条件式(6)，粒子将会发散；当粒子某一维超过解空间范围时，增加反射墙，进行反弹处理，使粒子朝着解空间相反的方向运动，而不是直接取它在这一维度上的上界或下界；优化算法的具体步骤为：①在搜索空间中随机产生3M个粒子构成种群POP，并初始化粒子的位置和速度；②将式(1)离散化，根据基准仿真模型和数据存储模块中的污水处理过程组分数据，计算每个粒子的适应度，选择出POP中适应度值最高的M个粒子构成POP_Core，并计算POP_Core的中心位置Core_Center；③计算整个群体POP除去POP_Core后剩余的粒子与Core_Center的欧几里得距离，选择最近的M个粒子构成子群POP_Near，剩下的粒子构成子群POP_Far；④对子群POP_Core中的粒子，设置变异步长δ，对各个粒子的速度和位置 按式(2)和(3)进行变异，选择出最优的M个粒子重新构成下一代POP_Core；⑤对子群POP_Near中的粒子，选择合适的c₁，c₂，w范围是(0.1，0.9)，按照标准粒子群算法计算下一步粒子的位置；⑥对子群POP_Far中的粒子，取w′＞1使该子群中粒子的轨迹发散，对于粒子超过搜索空间的维度进行反弹处理，即将粒子的速度的大小保持不变，方向取反；⑦重新合并三个子种群，构成种群POP；⑧满足终止条件则算法结束，否则转②；在该算法中将种群划分为三个子种群，每个子种群的分工不同，但是每个子种群中的粒子并不是固定不变的，POP_Far中的粒子下一步有可能成为POP_Near或POP_Core中的粒子，这时意味着有新搜索区域被开辟，在算法的执行过程中，不断有新群体最优和个体最优被发现，直到满足终止条件；(4)底层PI控制器实现对设定值S_O，SP和S_NO，SP的跟踪控制；①单元五的溶解氧浓度PI控制器模块；根据优化算法得到的溶解氧浓度设定值S_O，SP送给底层PI控制器模块，调节单元五的氧气转换系数K_La控制该单元溶解氧浓度；溶解氧浓度PI控制器的表达式为：K_La₅(j)＝K_P，DO5·([S_O，SP(j)-S_O(j)]-[S_O，SP(j-1)-S_O(j-1)])                                                             (9)+K_I，DO5·(S_O，SP(j)-S_O(j))+K_La₅(j-1)比例系数K_P，DO5＝200；积分系数K_I，DO5＝15；采样周期为1.5分钟，K_La₅为单元五的氧气转换系数，S_O为实际处理过程中的溶解氧浓度采样值，各参数初始值为：K_La₅(0)＝240(d^-1)；S_O，SP(0)＝2(mg/L)，S_O(0)＝0.49094(mg/L)；②单元二的硝酸氮浓度PI控制器模块；根据优化算法得到的硝酸氮浓度设定值S_NO，SP，送给底层PI控制器模块，调节内回流量Q_a控制缺氧区单元二的硝酸氮浓度；硝酸氮浓度PI控制器的表达式为：(10)比例系数积分系数采样周期为1.5分钟，Q_a为 内回流量，S_NO为实际处理过程中的硝酸氮浓度采样值，各参数初始值为：Q_a(0)=55338(m³/d)；S_NO,SP(0)=1(mg/L)，S_NO(0)=3.662(mg/L)；(5)更新数据存储模块中的入水流量和组分数据，并更新基准仿真模型的初始值；每隔2小时，执行智能优化模块，改变一次底层PI控制器的设定值。