活性污泥污水处理过程水质软测量方法的研究
发布时间：2020-11-12 21:24
污水处理过程是去除城市居民污水和工业废水中富含的碳、氮、磷等有机污染物以及有毒重金属等无机污染物的重要工业过程,大多数污水处理厂采用活性污泥法,使处理后的水质指标达到可排放要求。其中COD(化学需氧量,Chemical Oxygen Demand)是表征有机强度的重要水质指标,是国家环保总局规定的污染物总量控制主要指标之一。 由于A/O(缺氧／好氧,Anoxic/Oxic)过程中间工序缺氧池和好氧池出水、二沉池最终出水的水质COD不能连续在线检测,现有的COD检测方法多采用离线化验方法,具有操作繁复、化验测量滞后大等问题,难以实现水质的实时反馈控制,因此有必要研究有效的水质软测量方法。污水处理过程的微生物生化反应机理复杂,入水负荷的波动使运行工况出现大范围频繁波动,运行条件、进水水质特性、生化反应等因素使过程具有强非线性、不确定性和时变性,难以建立精确的机理模型,采用纯机理模型建立出水水质软测量模型时难以保证软测量精度。因此,为实现污水处理过程出水水质的在线监控、保证出水指标达标、提高污染物处理效率,有必要研究及时准确地估计污水水质的软测量方法。 本文针对污水处理过程的复杂特性,以准确估计出水水质COD为目标,开展了水质COD在线软测量建模方法的研究。本文的主要工作归纳如下： (1)针对当非线性系统存在未建模动态或不确定干扰时,采用常规误差反传算法的神经网络建模方法难以保证模型建模误差稳定性的问题,提出了一类具有稳定学习算法的小波神经网络建模方法,保证了模型建模误差的稳定性。其中稳定学习算法是基于输入到状态稳定性(ISS, Input-to-State Stability)理论推导得出,并给出了小波神经网络模型建模误差稳定性分析过程。分别比较了带噪声和不带噪声两种情况下基于稳定学习算法的小波神经网络模型和基于常规误差反传算法的小波神经网络模型、基于稳定学习算法的小波神经网络模型和基于常规误差反传算法的MLP神经网络模型的软测量性能；将所提出的建模方法用于污水处理过程二沉池出水COD的在线软测量,以沈阳某污水处理厂的实际运行数据进行了实验研究,结果表明了所提出的基于稳定学习算法的小波神经网络建模方法的有效性。 (2)针对污水处理过程二沉池出水水质难以在线检测,高负荷、正常负荷、低负荷工况大范围频繁波动,水质软测量模型精度不高的问题,提出了小波神经网络和Hammerstein模型(简称为H模型)结合的污水处理过程二沉池出水COD多模型在线软测量方法,软测量模型包括工况识别机制、各运行工况下基于H模型的局部水质软测量模型、多模型合成机制三部分。其中工况识别机制将污水处理过程工况特征变量的历史数据样本进行减法聚类,将运行工况划分为高负荷、正常负荷、低负荷工况,确定初始工况中心位置,为了表征各运行工况特性随时间的变化,采用新工况特征变量样本与工况中心之间的相近度函数在线修正工况中心,并计算新样本属于各工况的隶属度,识别出当前工况与各运行工况匹配的程度；局部模型采用H模型(简称为局部H模型),H模型的非线性静态部分模型由小波神经网络模型建立,线性动态部分模型由ARX(Auto-Regressive eXogeneous)模型建立,其中小波神经网络采用稳定学习算法学习,ARX模型采用递推最小二乘法辨识；多模型合成机制基于局部模型输出加权求和得到软测量模型输出,局部H模型输出的权值采用工况识别机制计算的工况特征变量属于各工况的隶属度。以实际运行数据进行了仿真实验,结果证明,所提出的污水水质COD多模型在线软测量模型在工况大范围变化条件下具有较高的软测量精度。 (3)针对A/O过程中间工序缺氧池和好氧池出水水质、二沉池最终出水水质难以在线检测,缺乏中间工序水质的化验值,基于数据驱动的方法不适于建立有效的中间工序出水水质软测量模型的问题,提出了基于机理模型和神经网络的污水处理过程中间工序和二沉池出水COD混合在线软测量方法,软测量模型包括基于机理模型的缺氧池模型和好氧池模型、二沉池模型、基于神经网络的缺氧反应速率模型和好氧反应速率模型、组分计算模型、水质计算模型七部分。其中缺氧池模型和好氧池模型采用SASM1模型(Simplified Activated Sludge Model No.1), SASM1模型是结合A/O工艺过程,由活性污泥机理模型ASM1进一步简化得到的；二沉池模型采用理想压缩点模型；缺氧反应速率模型和好氧反应速率模型采用MLP神经网络,分别辨识缺氧池和好氧池模型中的敏感组分反应速率,基于误差反传和链式规则的思想,得到混合模型建模误差与缺氧反应速率模型、好氧反应速率模型建模误差之间的关系,分别学习缺氧反应速率模型和好氧反应速率模型；组分计算模型将进水水质指标值按百分比进行分解,计算出SASM1模型中对应组分的浓度；水质计算模型将组分浓度相加转换为水质指标COD。以污水处理厂的实际运行数据进行了仿真实验,结果表明,基于机理模型和神经网络的污水水质COD混合在线软测量模型具有较高的软测量精度,能够估计出缺氧池、好氧池和二沉池出水COD。
【学位单位】：东北大学
【学位级别】：博士
【学位年份】：2011
【中图分类】：X703;X832
【部分图文】：
文[4]的研究结果表明，不同地区的污水中BOD5与COD均具有近似线性的比例关系。图2.11以沈阳污水处理厂的进水COD和进水BOD;日波动曲线为例，可以看出，二者的波动趋势相似。由于BOD5具有5天的测量滞后，不能满足为软测量模型提供及时数据的要求，对于特定的污水，可用COD代替测定过程缓慢的BOD/5]，因此不将BOD5做为软测量模型的辅助变量。140 I . , , , , 1 ,^，1000I .120- 卜[y| [ ■40 I ‘ “ 1 1 1 1 ‘——^00 50 100 150 200 250 300 350样本图2.11进水COD与进水BOD5日波动曲线图Fig.2.11 The daily fluctuations of influent COD and BOD5在实际污水处理厂，根据经验确定混合液回流流量2,、污泥回流流量01^, 二者与进水流量具有一定的比例关系，因此未将混合液回流流量、污泥回流流量作为模型的辅助变量。好氧池混合液悬浮固体浓度MLSS与溶解氧浓度具有直接相关关系
采用100组输入输出数据离线建立小波神经网络模型，学习算法采用式(3.27)-(3.30)所示的稳定时变学习算法。图3.4为具有和不具有稳定学习算法的小波神经网络模型的建模结果。10 I , . ( . , . n 1—^真实输出, ~?"稳定学习5"^:丨\ .、 C 非稳定学习?51 1 I 1 I I I I I I 0 10 20 30 40 50 60 70 80 90 100样本5| . . . , . . . . ■ I,1 稳定学习^ /? , .、——非稳定学习-5 I i-~I 1 1 1 1 1 I I I 0 1 0 20 30 40 50 60 70 80 90 100样本图3.4具有和不具有稳定学习算法的小波神经网络离线建模结果Fig.
Fig.3.5 Values of stable learning law r/(k)图3.6为釆用后100组数据进行系统输出软测量的实验研究时，具有和不具有稳定学习算法的小波神经网络模型的在线软测量实验结果比较。可以看出，不具有稳定学习算法的小波神经网络模型输出出现振荡，具有稳定学习算法时建模误差相对较低。6- ? 真实输出 -, ‘ 稳定学习...-非稳定学习、.A “-2 f 1 1 1 1 _i I I I I 、0 10 20 30 40 50 60 70 80 90 100样本l[ ‘ ^‘ ‘^ I I——稳定@"“pT\ ； 非稳定学习 I ！糊 1 ? / J > \ ■' A.\ \ ’： \ , ‘ 5 -—I I I I I I I t I 0 10 20 30 40 50 60 70 80 90 100样本图3.6具有和不具有稳定学习的小波神经网络在线软测量实验结果Fig.3.6 The estimated results of wavelet neural networks with and without stable learning-51 -
【参考文献】
本文编号：2881260
【学位单位】：东北大学
【学位级别】：博士
【学位年份】：2011
【中图分类】：X703;X832
【部分图文】：
文[4]的研究结果表明，不同地区的污水中BOD5与COD均具有近似线性的比例关系。图2.11以沈阳污水处理厂的进水COD和进水BOD;日波动曲线为例，可以看出，二者的波动趋势相似。由于BOD5具有5天的测量滞后，不能满足为软测量模型提供及时数据的要求，对于特定的污水，可用COD代替测定过程缓慢的BOD/5]，因此不将BOD5做为软测量模型的辅助变量。140 I . , , , , 1 ,^，1000I .120- 卜[y| [ ■40 I ‘ “ 1 1 1 1 ‘——^00 50 100 150 200 250 300 350样本图2.11进水COD与进水BOD5日波动曲线图Fig.2.11 The daily fluctuations of influent COD and BOD5在实际污水处理厂，根据经验确定混合液回流流量2,、污泥回流流量01^, 二者与进水流量具有一定的比例关系，因此未将混合液回流流量、污泥回流流量作为模型的辅助变量。好氧池混合液悬浮固体浓度MLSS与溶解氧浓度具有直接相关关系
采用100组输入输出数据离线建立小波神经网络模型，学习算法采用式(3.27)-(3.30)所示的稳定时变学习算法。图3.4为具有和不具有稳定学习算法的小波神经网络模型的建模结果。10 I , . ( . , . n 1—^真实输出, ~?"稳定学习5"^:丨\ .、 C 非稳定学习?51 1 I 1 I I I I I I 0 10 20 30 40 50 60 70 80 90 100样本5| . . . , . . . . ■ I,1 稳定学习^ /? , .、——非稳定学习-5 I i-~I 1 1 1 1 1 I I I 0 1 0 20 30 40 50 60 70 80 90 100样本图3.4具有和不具有稳定学习算法的小波神经网络离线建模结果Fig.
Fig.3.5 Values of stable learning law r/(k)图3.6为釆用后100组数据进行系统输出软测量的实验研究时，具有和不具有稳定学习算法的小波神经网络模型的在线软测量实验结果比较。可以看出，不具有稳定学习算法的小波神经网络模型输出出现振荡，具有稳定学习算法时建模误差相对较低。6- ? 真实输出 -, ‘ 稳定学习...-非稳定学习、.A “-2 f 1 1 1 1 _i I I I I 、0 10 20 30 40 50 60 70 80 90 100样本l[ ‘ ^‘ ‘^ I I——稳定@"“pT\ ； 非稳定学习 I ！糊 1 ? / J > \ ■' A.\ \ ’： \ , ‘ 5 -—I I I I I I I t I 0 10 20 30 40 50 60 70 80 90 100样本图3.6具有和不具有稳定学习的小波神经网络在线软测量实验结果Fig.3.6 The estimated results of wavelet neural networks with and without stable learning-51 -
【参考文献】
相关期刊论文 前10条
1 丁敬国;焦景民;昝培;刘相华;;基于模糊聚类的PSO-神经网络预测热连轧粗轧宽度[J];东北大学学报(自然科学版);2007年09期
2 吴令;姜周华;龚伟;李阳;;基于遗传神经网络的多元渣系活度预测模型[J];东北大学学报(自然科学版);2008年12期
3 李培强;李欣然;陈辉华;唐外文;;基于减法聚类的模糊神经网络负荷建模[J];电工技术学报;2006年09期
4 李世华,李奇,李捷;利用混合神经网络辨识Hammerstein模型的方法(英文)[J];Journal of Southeast University(English Edition);2001年01期
5 卢培利,张代钧,刘颖,王飞;活性污泥法动力学模型研究进展和展望[J];重庆大学学报(自然科学版);2002年03期
6 马鸿媚;翁新;;紫外可见分光光度法在渔业环境监测中的应用[J];能源与环境;2007年03期
7 王崇愚;多尺度模型及相关分析方法[J];复杂系统与复杂性科学;2004年01期
8 李天民;;复杂系统模型自组织原理[J];系统工程;1990年01期
9 吕洪刚,欧阳二明,郑振华,张锡辉;三维荧光技术用于给水的水质测定[J];中国给水排水;2005年03期
10 彭艺艺;刘向荣;丁兆铭;杨林;刘广钊;陈柳璇;;A~2/O工艺二沉池出水的污泥絮体优化控制[J];中国给水排水;2010年12期
相关博士学位论文 前1条
1 鲍林林;反硝化聚磷菌特性与反硝化除磷工艺研究[D];哈尔滨工业大学;2008年
本文编号：2881260
本文链接：https://www.wllwen.com/shengtaihuanjingbaohulunwen/2881260.html
