混合多目标骨干粒子群优化算法在污水处理过程优化控制中的应用
发布时间:2019-07-18 08:55
【摘要】:通过对污水生化处理过程的分析,选取能耗和罚款最低为优化目标,建立污水生化处理过程多目标优化控制模型。为了提高Pareto最优解集的收敛性和多样性,提出一种基于Pareto支配和分解的混合多目标骨干粒子群优化算法(HBBMOPSO)。该方法采用带自适应惩罚因子的分解方法选取个体引导者,采用Pareto支配和拥挤距离法维护外部档案和选取全局引导者。此外,采用精英学习策略增强粒子跳出局部Pareto前沿的能力。最后,将HBBMOPSO与自组织模糊神经网络预测模型和自组织控制器相结合,实现污水生化处理过程溶解氧和硝态氮设定值的动态寻优、智能决策和底层跟踪控制。利用国际基准仿真平台BSM1进行实验验证,结果表明所提HBBMOPSO方法在保证出水水质参数达标的前提下,能够有效降低污水处理过程的能耗。
文内图片:
图片说明: 第9期www.hgxb.com.cn·3513·1污水处理过程多目标优化问题BSM1是由国际水质协会(IWAQ)和欧盟科学技术与合作组织(COST)合作开发,可用于公平评价不同控制策略和优化方法。BSM1采用典型的前置反硝化脱氮A/O工艺[31],由生化反应池和二沉池组成,如图1所示。生化反应池包含5个单元,前2个单元是缺氧区,主要完成反硝化反应,后3个单元是好氧区,主要完成硝化反应。生化反应池第3、4单元的氧气转换系数要求保持在恒定值240d1。由于入水流量和组分浓度呈现强非线性关系,SO和SNO控制器的目标就是分别通过调节第5单元的曝气量KLa5和内回流量Qa来控制第5单元的溶解氧浓度(SO,5)和第2单元的硝态氮浓度(SNO,2)[30-32]。多目标优化的目的就是分别通过动态调整SO,5和SNO,2的设定值[SO,sp,SNO,sp],实现EC和EQ之间的最佳平衡。在污水处理过程中,SO,5和SNO,2设定值不仅影响EQ,而且与EC有密切关系。因此,为了取得EC和EQ之间的最佳平衡,利用HBBMOPSO算法来处理这对相互冲突的目标函数。由于曝气能耗(AE)和泵送能耗(PE)占总能耗的70%以上[18],因此优化问题的EC定义为AE和PE之和,即EC=AE+PE(1)按照BSM1机理模型的定义,AE和PE为[31]5(1)O,satLa1AE()d1.81000kTiikTiSVKttT(2)(1)arw1PE4()8()50()d1000kTkTQtQtQttT(3)式中,Vi和KLai分别为第i个单元的体积和氧气转换系数;SO,sat为溶解氧饱和浓度;T为优化周期;Qa、Qr和Qw分别为内回流量、污泥回流量和污泥排放量。图1多目标优化控制策略整体架构Fig.1Architectureofmulti-objectiveoptimalcontrolstrateg
文内图片:
图片说明: 组等同优秀的Pareto解集;进一步,采用智能决策系统从Pareto解集选取偏好解作为优化设定值;最后,设计具有控制精度高和稳定性好的自适应控制器以跟踪优化设定值,从而实现多目标优化控制。本文构建的污水处理过程多目标优化控制整体架构如图1所示,其中自组织预测模型和自组织控制器的设计过程见文献[29-30],本文主要介绍多目标优化算法的设计。BSM1模型自带晴好天气、阴雨天气和暴雨天气3种不同工况下入水流量和组分浓度的数据文件,采样间隔为15min[31],来源于某实际污水处理厂连续两周的运行操作数据。图2所示为晴好天气下入水流量和入水SS、XB,H、SNH浓度,能够反映污水处理过程强非线性、不确定性严重和强耦合的非线性特点[31-32]。图2晴好天气下入水流量和SS、XB,H、SNH浓度Fig.2FlowrateandSS,XB,H,SNHconcentrationsofinfluentindryweather2混合多目标骨干粒子群优化算法下面首先阐述分解方法、引导者选择、外部档案维护、粒子位置更新和精英学习策略,然后给出HBBMOPSO算法的整体流程,最后给出污水生化处理过程优化控制的整体流程。2.1分解方法MOEA/D采用分解方法将多目标优化问题分解为一系列单目标优化子问题,然后采用进化算法协同解决这些单目标子问题,主要方法有:加权和法、Tchebycheff法和基于惩罚的边界交集法(penalty-basedboundaryintersection,PBI)。研究表明,PBI方法具有更大的优势[27]。因此本文将PBI
【作者单位】: 北京工业大学信息学部;计算智能和智能系统北京市重点实验室;淮阴工学院自动化学院;
【基金】:国家自然科学基金重点项目(61533002)~~
【分类号】:TP18;X703
本文编号:2515769
文内图片:
图片说明: 第9期www.hgxb.com.cn·3513·1污水处理过程多目标优化问题BSM1是由国际水质协会(IWAQ)和欧盟科学技术与合作组织(COST)合作开发,可用于公平评价不同控制策略和优化方法。BSM1采用典型的前置反硝化脱氮A/O工艺[31],由生化反应池和二沉池组成,如图1所示。生化反应池包含5个单元,前2个单元是缺氧区,主要完成反硝化反应,后3个单元是好氧区,主要完成硝化反应。生化反应池第3、4单元的氧气转换系数要求保持在恒定值240d1。由于入水流量和组分浓度呈现强非线性关系,SO和SNO控制器的目标就是分别通过调节第5单元的曝气量KLa5和内回流量Qa来控制第5单元的溶解氧浓度(SO,5)和第2单元的硝态氮浓度(SNO,2)[30-32]。多目标优化的目的就是分别通过动态调整SO,5和SNO,2的设定值[SO,sp,SNO,sp],实现EC和EQ之间的最佳平衡。在污水处理过程中,SO,5和SNO,2设定值不仅影响EQ,而且与EC有密切关系。因此,为了取得EC和EQ之间的最佳平衡,利用HBBMOPSO算法来处理这对相互冲突的目标函数。由于曝气能耗(AE)和泵送能耗(PE)占总能耗的70%以上[18],因此优化问题的EC定义为AE和PE之和,即EC=AE+PE(1)按照BSM1机理模型的定义,AE和PE为[31]5(1)O,satLa1AE()d1.81000kTiikTiSVKttT(2)(1)arw1PE4()8()50()d1000kTkTQtQtQttT(3)式中,Vi和KLai分别为第i个单元的体积和氧气转换系数;SO,sat为溶解氧饱和浓度;T为优化周期;Qa、Qr和Qw分别为内回流量、污泥回流量和污泥排放量。图1多目标优化控制策略整体架构Fig.1Architectureofmulti-objectiveoptimalcontrolstrateg
文内图片:
图片说明: 组等同优秀的Pareto解集;进一步,采用智能决策系统从Pareto解集选取偏好解作为优化设定值;最后,设计具有控制精度高和稳定性好的自适应控制器以跟踪优化设定值,从而实现多目标优化控制。本文构建的污水处理过程多目标优化控制整体架构如图1所示,其中自组织预测模型和自组织控制器的设计过程见文献[29-30],本文主要介绍多目标优化算法的设计。BSM1模型自带晴好天气、阴雨天气和暴雨天气3种不同工况下入水流量和组分浓度的数据文件,采样间隔为15min[31],来源于某实际污水处理厂连续两周的运行操作数据。图2所示为晴好天气下入水流量和入水SS、XB,H、SNH浓度,能够反映污水处理过程强非线性、不确定性严重和强耦合的非线性特点[31-32]。图2晴好天气下入水流量和SS、XB,H、SNH浓度Fig.2FlowrateandSS,XB,H,SNHconcentrationsofinfluentindryweather2混合多目标骨干粒子群优化算法下面首先阐述分解方法、引导者选择、外部档案维护、粒子位置更新和精英学习策略,然后给出HBBMOPSO算法的整体流程,最后给出污水生化处理过程优化控制的整体流程。2.1分解方法MOEA/D采用分解方法将多目标优化问题分解为一系列单目标优化子问题,然后采用进化算法协同解决这些单目标子问题,主要方法有:加权和法、Tchebycheff法和基于惩罚的边界交集法(penalty-basedboundaryintersection,PBI)。研究表明,PBI方法具有更大的优势[27]。因此本文将PBI
【作者单位】: 北京工业大学信息学部;计算智能和智能系统北京市重点实验室;淮阴工学院自动化学院;
【基金】:国家自然科学基金重点项目(61533002)~~
【分类号】:TP18;X703
【相似文献】
相关期刊论文 前3条
1 邵华;;改进的粒子群优化算法在环境规划与管理中的应用[J];市场周刊(理论研究);2009年08期
2 李源;;基于粒子群优化算法的直升机粘弹减摆器模型参数优化计算[J];科技创新与应用;2014年12期
3 吴继芳;张其林;赵永标;李杰;;PSO优化的SVM回归在SF_6废气定量分析中的应用[J];洛阳理工学院学报(自然科学版);2011年02期
相关硕士学位论文 前2条
1 于锡才;基于粒子群优化算法的低NO_x排放过程的优化研究[D];东北大学;2008年
2 朱剑;基于移动平台的水域突发污染溯源研究[D];浙江大学;2014年
,本文编号:2515769
本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2515769.html