基于AMOPSO的城市污水处理过程优化控制.pdf

48/2023.8未来城市设计与运营UrbanGovernancee城市治理基于AMOPSO的城市污水处理过程优化控制康莉莎摘要：城市污水处理过程是一个复杂的过程，具有不确定性、非线性、时滞等特点，因此使得污水处理过程难以有效控制，进而出现出水水质不达标和能耗过高的情况。为满足城市污水处理过程中多目标优化控制的要求，本文提出了一种基于AMOPSO的城市污水处理过程优化控制方法。首先，建立基于径向基函数神经网络的城市污水处理模型，给出能耗和水质模型；其次，在优化控制中引入了AMOPSO算法，利用该算法得到了第五分区溶解氧和第二分区硝态氮的最优解，PID控制器用于跟踪控制优化设定值，从而完成城市污水处理的优化控制；最后，在BSM1上进行验证，结果表明该方法能在保证出水指标达标的同时降低能耗。关键词：城市污水处理过程；神经网络；AMOPSO；优化控制一、引言污水处理一直以来都是城市化建设中最重要的一个组成部分，对于城市建设和环境保护有着极其重要的意义。虽然近年来污水处理厂处理能力有了很大的提高，但是我国城市污水处理过程中还存在着水质超标、能耗大和运行成本高的问题，因此必须加强对城市污水处理的重视程度，积极探索和采取一些先进的优化算法以及自动化控制技术，实现城市污水处理过程最优控制是十分有必要的。近年来，关于城市污水处理过程优化控制研究已取得一系列成果。现有的城市污水处理过程模型有ASMs系列模型、BSMs系列模型及其他模型2 。基于BSM1，Sh e n 等3 将模型预测控制应用于基准仿真模型1污水处理过程，以维持出水水质在法规规定的范围内。在稳定的进水特性下和存在进水扰动的情况下，研究了两种方法。结果表明，MPC可以有效地用于污水处理过程的控制。Nopens4等建立的出水水质模型，不仅能提高出水水质，而且能减少出水氨氮超标现象，但由于BSMs系列模型往往忽略外界干扰因素，很难准确反映城市污水处理过程的真实情况2 。因此，基于数据驱动的污水处理过程运行指标建模方法大量出现，尤其是基于神经网络、专家推理等人工智能技术的污水处理过程建模方法不需要关注系统内部机理，适用性强，比较流行。本文提出了基于AMOPSO（自适应多目标粒子群算法）的城市污水处理优化控制方法。首先，针对城市污水处理过程进行分析，利用RBF神经网络建立城市污水处理模型；其次，利用AMOPSO算法，对能耗和水质模型进行优化，从而获取溶解氧和硝态氮的优化设定值；最后，通过PID控制器实现优化设定值的跟踪控制，并在BSM1上验证了该算法的有效性。二、城市污水处理过程分析市政污水处理过程通常包括三个阶段：首先是一级预处理，先将悬浮在污水中的一些大颗粒通过格栅去除，大块无机颗粒通过沉砂池去除，再通过初淀池对污水进行沉淀，获取污水的上层清液。其次，二级处理是将一级预处理得到的上层清液经微生物转化降解，处理污染物，净化污水，是生物处理的一个阶段。最后，三级处理是对二级处理后的出水进行氯消毒、除磷等操作，去除污水中残留的细菌和污染物，最后将处理后的清水排入河道。（一）基于RBF神经网络的能耗和水质模型未来城市设计与运营2 0 2 3.8/49城市治理UrbanGovernance为了反映城市污水处理过程中输出变量和输入变量之间的关系，需要建立污水处理过程数学模型。现有的污水处理过程模型建立的方法有两种，分别为机理法和测试法建立污水处理过程运行指标模型。但由于城市污水处理过程具有不确定性、非线性、时滞等特点，而机理法主要是基于过程机理认知，利用物料平衡、流体动力学等表征污水处理过程的模型，使得模型参数多，校正过程繁琐，过程运行指标优化不方便，其可靠性和准确性难以保证。因此，本文针对污水处理过程中存在的动态、非线性、复杂性等问题，建立了基于径向基函数神经网络的城市污水处理能耗和水质模型，避免了机理法建模参数固定的问题。RBF神经网络的结构如图1所示。1(x)W1Q2(x)W22WiPi(x)WHH(x)图1RBF神经网络结构图神经网络输出如式（1）所示：H0i(t)0:(x(t)(1)x(t)为输入变量；;(t)是第i个隐含层神经元输出向量，i=1，2，H，H 是网络隐含层神经元数量，Q；(t)是第i个隐含层神经元和输出层的连接权值。利用该模型建立目标值（能耗和出水水质）和控制变量溶解氧、硝态氮的关系，相关参数可根据城市污水处理过程进行动态调节，该模型更能逼近城市污水处理的实际过程。其优化的目标函数为式（2）：MminEC(t)=w;(t)Qi(x(t)台(2)minEQ(t)=w;(t)p2;(x(t)1式(2)中，EC(t)和EQ(t)分别是t 时刻的能耗值和水质值；x(t)-So(),SNo(t),MLSS(t),SN(为 t 时刻的输入变量，S。(t)为t时刻溶解氧浓度，Sno(t)为t时刻溶解氧硝态氮浓度，MLSS(t）为t时刻混合固体悬浮物浓度，SnH(t)为t时刻氨氮浓度。(二）基于自适应多目标粒子群优化算法(AMOPSO)粒子群算法最早由J.Kennedy和R.C.Eberhart于1995年提出的，它模拟了鸟群在捕食过程中的行为，它是继遗传算法和蚁群算法之后的又一种智能优化算法，目前已成为智能优化算法的另一重要分支。该算法最大的特点在于概念简单，易于理解，且参数少，易于实现，因此，它已成功应用于解决函数优化等各种问题。该算法随机从搜索空间中的n个群体粒子开始，每个粒子有其自己的位置和速度，在每次迭代时，粒子是按照式（3）和式（4）来更新自己的速度和位置的：vt1=vij+Cin(pbestij-xi).+czr2(gbestij-xi)(3)xt1=xi+vit1(4)式中，t表示当前送代次数；D表示问题总维度；X=(Xi1，X i 2，X i D)和 V=vi1,Viz,ViD),i=1,2,n，代表第i个粒子的具体位置和飞行速度;P;=(pbesti，p b e s t i z,pbestip，i=l，2，n 表示第i个粒子迄今为止经历的最佳位置；G;=(gbesti1,gbest:2,gbestiD),i=1，2，n 表示整个粒子找到的全局最佳位置；r，和r2介于0 和1之间的随机函数；C,和C分别为个体学习因子和群体学习因子。目前，速度更新公式更多采用的是在50/2023.8未来市设计与运营UrbanGovernance城市治理表1晴天天气条件下不同优化控制算法性能比较天气方法EC/(kW.h)EQ/(kg poll.units)AMOPSO32307012晴天天气闭环控制41557124式(3)的基础之上加上惯性权值，其值随搜索时间逐渐递减，如式(5）、式（6）所示。Wmax-wmintWt=max(5)tmaxvifl=webi+Cani(pbestf-xi)(6)+czr(gbestj-xi)式中，表示第t代粒子的惯性权重，max为初始惯性权重，min为最终惯性权重，tmax为最大送代次数；t为当前迭代次数。由于上述方法存在，递减和粒子飞行时间固定的问题，从而导致目标函数的信息没有得到充分利用，使得收敛速度变慢、稳定性差。针对以上存在的问题，本文提出了AMOPSO算法，可以根据实际情况自动调整飞行时间和惯性权重，从而使得算法的收敛速度加快，稳定性变好，如式（7）、式（8）所示：Fbesttwt=exp(-(7)Fbestt-i)xt1=xt+tf1T（1kot(8)tmax式中Fbest、Fb e s t t-l分别表示第t代、第t-1代粒子的全局最优值，T。表示初始飞行时间，k。为调整参数。三、仿真研究将本文所提出的方法（A M O PSO）在BSM1模型平台上进行验证，本次实验选取晴天天气条件下的数据进行仿真，每隔15分钟采样一次，采样周期为14天。本文所提出的方法在晴天天气下对溶解氧和硝态氮的浓度具有较好的跟踪控制效果。此外，将本文所提出的优化控制算法和其他的控制方法进行比较，多目标优化指标见表1所示。表1结果表明，本文提出的AMOPSO算法既能够保证出水指标达标，同时也能降低能耗。四、结论项目名称：宁夏大学新华学院科学研究基金项目“城市污水处理过程多目标优化控制方法研究”，项目编号：2 0 XHKY06。参考文献：1JHreiz R,Latifi M A,Roche N.Optimal designand operation of activated sludge processes:State-of-the-art.Chemical Engineering JournalJ,2015,281900-920.2杨翠丽，武战红，韩红桂，乔俊飞。城市污水处理过程优化设定方法研究进展J.自动化学报，2 0 2 0(10)：2 0 92-2 10 8.3ShenWH,Chen X,CorriouJP.Application of model predictive control to the BSM1Benchmark of wastewater treatment processJ.Computers&Chemical Engineering,2008(12):2849-2856.作者简介康莉莎宁夏大学新华学院信息与计算机科学系讲师，硕士，研究方向为最优控制针对城市污水处理过程中存在着非线性、滞后等而导致的模型精度不高的问题，本文首先建立了基于径向基函数神经网络的城市污水处理过程能耗和水质模型，该模型能够更好、更快地逼近污水处理的实际过程；其次，设计了AMOPSO算法，对出水水质和能耗目标优化函数进行优化，获得了S_(O，5)和S_(NO，2)的最佳设定值。该算法收敛速度更快，稳定性更好。最后，采用PID作为控制器，对城市污水处理过程中的S_(O，5)和S_(NO,2)进行实时跟踪控制，结果表明，该算法在满足出水指标的同时降低了能耗。