基于神经网络的污水处理过程实时优化控制研究

发布时间：2020-07-02 19:27

【摘要】：污水处理过程是一个大型流程工业过程，它受到进水流量和污泥负荷中的大扰动以及进流污水中的不确定混合成分影响严重，因此，保证污水处理过程的平稳运行是污水处理过程控制研究的首要问题；同时，目前我国城市污水处理厂广泛存在着电能消耗大、运行成本高的现象，在满足污水处理效果的条件下，实现污水处理过程的节能降耗是亟待解决的问题。实时优化（Real time optimization，RTO）控制方法已成为解决复杂流程工业过程优化与控制的有效手段。实时优化控制方法将回路控制与过程运行优化相结合，采用两层结构，上层通过计划调度优化经济性能指标，产生底层控制回路的设定值；底层通过控制器使被控变量跟踪设定值，从而尽可能使过程运行在经济优化状态。污水处理过程的实时优化控制策略在实时优化层以保证出水水质条件为约束，降低系统能耗为目标，优化系统的性能指标，产生控制变量的设定值；在跟踪控制层，以系统运行的平稳性和控制效果的高精度为目标，实现优化设定值的跟踪控制。人工神经网络（Artificial neural network，ANN）是实现RTO控制的重要工具。神经网络的在线学习能力使其在作为在线控制器方面具有得天独厚的优势；同时，因为具有很强的非线性逼近能力，神经网络在对未知数学模型的非线性系统的建模中具有很好的效果。增广拉格朗日乘子法（Augmented Lagrangemultiplier method, ALM）解决非线性规划问题能力强，是解决RTO实时优化层非线性规划问题的重要方法。以污水处理过程这一大型流程工业过程的实时优化控制问题作为研究背景，采用基于神经网络的实时优化控制方法展开研究。主要研究内容如下： (1)污水处理过程的特性分析和仿真平台测试以前置反硝化工艺污水处理过程为研究对象，分析其处理特点，并对三种不同天气工况下的进水特点进行了分析。基于国际水协会（International WaterAssociation，IWA）和欧盟合作组织COST提出的污水处理过程基准仿真平台BSM1(Benchmark Simulation Model No.1)，对前置反硝化工艺污水处理过程展开了进一步的研究，分析了生化池的反应特性和二沉池的沉降模型，并通过实验验证了搭建的BSM1仿真平台的有效性。 (2)提出了一种基于神经网络的在线建模与控制方法污水处理过程跟踪控制层的研究目标是通过控制实现系统的平稳运行，并提高控制精度。根据污水处理过程的非线性、强耦合、模型未知等特点，本文提出了一种基于前馈神经网络的在线建模与控制（Neural network online modeling andcontrolling，NNOMC）方法。针对污水处理过程大时变、模型未知的问题，利用前馈神经网络的非线性函数逼近特性，设计了对污水处理过程在线建模的建模神经网络(Modeling Neural Network, MNN)；针对污水处理过程非线性、强耦合的特点，基于前馈神经网络的在线学习能力，设计了在线神经网络控制器（Neuralnetwork controller, NNC）实现污水处理过程的串级跟踪控制。为了保证设计的NNOMC方法的有效性，本文从理论方面给出了NNOMC控制方法的稳定性分析，结果表明保证建模神经网络和神经网络控制器的隐含层学习率在合适的范围内，能够确保NNOMC控制系统的稳定性。分别将设计的NNOMC控制方法应用于污水处理过程生化池第五分区溶解氧浓度的单变量控制和污水处理过程的多变量控制中，实验证明NNOMC控制方法能够保证污水处理过程的平稳运行，且具有很高的控制精度；实验同时表明，NNOMC方法针对多变量控制中的强耦合问题，具有很强的解耦能力。 (3)提出了一种基于神经网络建模的增广拉格朗日乘子法优化方法污水处理过程实时优化层的计划调度分为两个方面：出水水质的达标和系统能耗的降低。根据这两点，本文构造了污水处理过程的不等式约束优化问题。因为污水处理过程能耗、水质与优化变量设定值之间模型未知的特点，构造的污水处理过程的约束优化问题是一个黑箱约束优化问题。本文提出了一种基于前馈神经网络建模的增广拉格朗日乘子法（Neural network based augmented Lagrangemultiplier，NNALM）优化方法，利用神经网络分别建立能耗与优化设定值、水质与优化设定值的在线模型，并根据增广拉格朗日乘子法实现对污水处理过程黑箱约束优化问题的在线求解。通过理论角度的分析，在选取合适的增广拉格朗日乘子法学习率的情况下，可以保证NNALM在线优化过程的稳定性和收敛性。将NNALM优化方法应用于以出水水质为约束，降低系统能耗为目标的污水处理过程优化仿真实验中，结果表明NNALM算法能够有效地在线优化控制变量的设定值，以此作为跟踪控制的目标，能够在满足出水水质的情况下，实现系统能耗的降低。 (4)污水处理过程的实时优化控制结合提出的NNOMC控制方法和NNALM优化方法，提出了基于NNALM优化NNOMC控制的污水处理过程RTO控制结构。在仿真实验设计中分别选择了合适的NNOMC方法参数、NNALM方法参数以及优化参数。在三种不同天气的工况下，基于BSM1展开了NNALM优化NNOMC控制的仿真实验研究。实验表明，基于NNALM优化、NNOMC控制的污水处理过程多变量RTO控制能够保证污水处理过程的平稳运行，并取得了较高的控制精度；同时在保证甚至优化出水水质的情况下，有效的降低了系统的能耗，节能效果显著。
【学位授予单位】：北京工业大学
【学位级别】：博士
【学位授予年份】：2014
【分类号】：X703
【图文】：

前置反硝化,流程结构,污水处理工艺

图 2-1 前置反硝化污水处理工艺流程结构图Fig.2-1 The structure of denitrification wastewater treatment process如图 2-1 所示，前置反硝化污水处理过程的布局结构主要分为两部分，包括生化反应池和沉淀池（也称为二沉池），两个分区采用级联形式相联系。生化池的前两个分区为缺氧区，后三个分区为好氧区，生化池第五分区的部分污泥以内回流的形式与进水相混合返回生化池的第一分区。二沉池采用十层结构，上清液作为处理好的清水排出，沉积下的污泥一部分通过外回流重新返回生化反应池，一部分以过剩的废弃污泥排出。A/O 法脱氮工艺的优点[148]：(1) 流程简单，以原污水为碳源，无需外加碳源和后曝气池，建设、运行消耗低；(2) 反硝化过程在前，硝化过程在后，设内循环，以原污水中的有机底物作为碳源，反硝化反应充分，水质处理效果好；(3) 曝气池在后，使反硝化残留物得以进一步去除，提高了水处理质量；

溶解氧浓度,阶跃响应,超调量

超调量和最大偏差分别为1.36%和 0.03 以及 1.28%和 0.23，均优于 PID 控制和 MPC 控制的数据. 基于图3-22 和表 3-11，可以得到这样的结论：在系统溶解氧浓度设定值发生阶跃变化的时候，NNOMC 方法对比于其他两种控制方法的具有更好的动态性能，响应后的超调量以及震荡幅度小，能够更快的追踪设定值的变化。这意味着在大时变、非

【相似文献】