论文阅读笔记 — 第3篇 — 一种污水处理优化控制过程的超标抑制控制方法

本文链接：https://blog.csdn.net/weixin_47577143/article/details/134722156

前言

这里记录以下知网看到的一篇论文，论文的信息如下，感兴趣的可以自行下载下来研读。

论文名称：一种污水处理优化控制过程的超标抑制控制方法

期刊名称：高校化学工程学报（Journal of Chemical Engineering of Chinese Universities ）

摘要

原文：常规污水处理过程多目标优化控制中存在出水氨氮和总氮浓度长时间超标的问题，为此提出一种污水处理优化控制过程的超标抑制控制方法。该方法在对多目标优化算法获取的溶解氧和硝态氮质量浓度设定值进行跟踪控制的同时，引入了超标抑制决策；利用 AdaBoost-LSSVM 实时预测出水氨氮和总氮质量浓度，并根据两者的超标情况选取合适的控制策略，以避免出现超标。基于国际基准仿真平台(BSM1)进行验证，结果表明所提的超标抑制控制方法能在兼顾污水处理过程能耗和出水水质的同时，保证出水氨氮和总氮质量浓度不超标。

总的来说，污水处理过程的多目标优化过程中，出水氨氮和出水总氮这两个值会超标。因此，为了解决这个问题，本文在优化过程中，加入了超标抑制决策，首先呢，利用AdaBoost-LSSVM方法对出水氨氮和出水总氮进行实时预测，如果超标则选择合适的控制策略进行抑制，仿真时在国际基准仿真平台（BSM1）上进行，仿真的结果表明，该方法可以抑制出水氨氮和出水总氮超标。

1.引言

随着我国绿色发展战略的不断推进，各类污水治理和达标排放显得尤为重要。因此，近些年已有大量相关研究表明，对污水处理过程实施优化控制是提升污水处理厂治理效率的有效方法[1-3]。活性污泥法是一种广泛应用的污水生物处理工艺，该工艺利用活性污泥的生物凝聚、吸附和氧化作用[4-6]，从而达到净水的效果。考虑到污水处理过程是一个极为复杂的非线性系统，污水处理厂需改善其设备和运行策略，使其在复杂工况下依然能达到严格的出水水质标准，并尽可能降低能源消耗。从生化反应机理来看[7]，好氧区溶解氧质量浓度ρO 和厌氧区硝态氮质量浓度ρNO 是决定出水水质的 2 个关键因素，可以通过鼓风机和回流泵分别对两者进行调节，但其运行会消耗大量能源。因此，设计能耗和出水水质的多目标优化问题，对ρO 和ρNO 的设定值进行寻优能有效降低能耗、提升出水水质。(背景+说明对溶解氧和硝态氮的浓度控制，可以有效降低提升能耗和出水水质)

近十年来，在污水处理过程优化控制中，多目标优化控制渐渐取代单目标优化控制成为研究的主流。根本原因是单目标优化控制在问题考虑上较为单一，一般会侧重于降低污水处理过程中的能耗[8-11]，导致出水水质提升较少。多目标优化控制能够弥补这一缺陷，在对ρO 和ρNO 设定值寻优的过程中，会综合考虑降低能耗和提升出水水质。（引出多目标优化）

Hreiz 等 [12] 采用精英多目标遗传算法能降低能耗和提升出水水质，从而获取第 2 生化反应单元硝态氮质量浓度ρ NO2 和第 5 生化反应单元溶解氧质量浓度 ρ O5 的设定值。 Vega 等 [13] 将污水处理过程分成不同层次，分层控制，上层采用静态、动态优化算法，对ρ O5 、 ρ NO2 设定值进行寻优，下层引入非线性模型预测控制技术对设定值进行跟踪。Han 等 [14] 提出了一种非线性多目标模型预测控制策略，该策略利用自组织径向基函数神经网络建立溶解氧质量浓度和硝态氮质量浓度的预测模型，再构建多梯度优化控制器来调节ρ O5 和 ρ NO2 。 Qiao 等 [15] 提出了一种动态多目标优化控制方法，利用模糊神经网络建立能耗和出水水质的预测模型，再通过非支配排序遗传算法寻取ρ O5 和 ρ NO2 的最优设定值。周红标等 [16] 提出了一种基于 pareto 支配和分解的混合多目标骨干粒子群算法，能有效帮助粒子跳出局部最优，再利用自组织模糊神经网络对选取的ρ O5 、 ρ NO2 设定值进行跟踪控制。乔俊飞等 [17] 提出一种基于知识的改进多目标粒子群算法，通过记忆算法优化过程中历史信息，引导种群搜索，获取优质的ρ O5 、 ρ NO2 设定值，再采用模糊神经网络建立跟踪控制器。以上多目标优化控制方法在降低能耗、提升出水水质两方面均取得了较优的效果，但是出水氨氮质量浓度ρ Nh 和出水总氮质量浓度 ρ Ntot 存在较长时间的峰值超标，如此处理后排出的污水不会对水生植物的生长及人类的健康造成影响[18] 。（介绍多目标优化在污水处理过程的工作，并引出超标抑制）。

2016 年 Santín 等 [19] 首次提出决策控制系统用于抑制 ρ Nh 和 ρ Ntot 超标，该方法利用入水氨氮质量浓度和入水流量对ρ Nh 和 ρ Ntot 进行预测，然后通过控制外加碳源流量和内回流流量实现对 ρ Nh 和 ρ Ntot 的调节，以避免超标。栗三一等[20] 在此基础上引入了 ρ O5 、 ρ NO2 作为 ρ Nh 和 ρ Ntot 预测模型的输入，并利用基于密度的局部搜索多目标算法对能耗和出水水质进行优化，使得控制策略在抑制超标和降低能耗方面同时得到了提升。两者虽然均能有效避免ρ Nh 和 ρ Ntot 超标，但在实施超标抑制控制策略时无法兼顾多目标优化控制，并且控制策略仍可改进。

综上所述，本研究提出一种污水处理优化控制过程的超标抑制控制方法，以解决ρ Nh 和 ρ Ntot 的峰值超标问题。利用 AdaBoost-LSSVM 对 ρ Nh 和 ρ Ntot 建立预测模型，并加入 ρ O3 、 ρ O4 、 ρ O5 和 ρ NO2 作为模型输入，可降低能耗、提升出水水质、提高ρ Nh 和 ρ Ntot 的预测精度。在超标抑制控制中，增加对 ρ O3 、 ρ O4 和外回流的控制，以抑制ρ Nh 超标，使得该控制策略在抑制超标的同时，仍能通过控制内回流对 ρ NO2 设定值进行跟踪，保证出水水质。此外，改进外回流和外加碳源的控制策略，进而降低超标抑制过程中所产生的能耗。

2.污水处理优化过程描述

这一部分，主要是问题描述，这里就不展开，有兴趣的，可以自己看一下。

3.超标抑制控制策略

为避免污水处理过程中出现ρNh 和ρNtot 超标，本研究设计的超标抑制控制方法利用 AdaBoost-LSSVM 方法建立ρNh 和ρNtot 的预测模型，对ρNh、ρNtot 的实时预测。若未超标，则一直对当前优化周期的设定值进行跟踪控制；若超标，则引入抑制ρNh、ρNtot 超标的抑制控制策略。具体控制结构如图 2 所示。

这里主要涉及到AdaBoost-LSSVM网络，还有抑制策略。预测模型这里算比较常规不是工作的重点，这里不讲，我们看一下其抑制策略。

3.1 出水氨氮质量浓度超标抑制控制

当ρ Nh 预测值超标且小于 6 mg · L − 1 时，增加 q V ,r 至 120 000 m 3 · d − 1 ，从而对流入第 1 个生化反应单元的氨氮质量浓度进行稀释，该稀释过程持续至入水氨氮峰值到达第 3 个生化反应单元，而后将 ρ O3set 、 ρ O4set 、 ρ O5set 设为优化调节范围内的最大值，并根据第 3 个生化反应单元的氨氮质量浓度 ρ Nh3 来调节 q V ,r ，考虑到 q V ,r 过大会导致回流到生化反应池后氨氮和总氮质量浓度大幅上升，不利于超标抑制控制，因此，其可调节范围为 0~100 000 m 3 · d − 1 。具体的调节原理为：若 ρ Nh3 过高，则减少 q V ,r ，以增加水力停留时间，使硝化反应更充分，提升去除氨氮的效果；若ρ Nh3 降低了，则可增加 q V ,r ，从而稀释氨氮质量浓度。

根据仿真试验，经过多目标优化控制后的ρ Nh3 不会超过 14 mg · L − 1 ，于是本研究设计了式 (12) 用于调节 q V ,r ：

当ρ Nh 预测值超标且大于 6 mg · L − 1 时，反硝化过程的脱氮要求很高，需将第 1 、 2 生化反应单元的外加碳源流量 q V ,EC1 和 q V ,EC2 均设为 5 m 3 · d − 1 ，促进氨氮和硝酸盐的吸收，提升脱氮效果并降低总氮质量浓度，其他控制策略与小于 6 mg · L − 1 时一致。

当ρ Nh 预测值达标且第 5 生化反应单元氨氮质量浓度低于 3 mg · L − 1 时，则结束出水氨氮超标抑制控制，恢复至多目标优化控制。

3.2出水总氮质量浓度超标抑制控制

当ρNtot 预测值超标且ρNh 预测值小于 6 mg·L −1 时，根据式(13)计算所需外加碳源总量 qEC，其取值范围为 0~7 m3 ·d −1，并将其分配给 qV,EC1 和 qV,EC2，两者的上限值均为 5。若 qV,EC≤5，则 qV,EC1= qV,EC；若 qV,EC>5，则 qV,EC1=5，qV,EC2= qV,EC −5。

当ρ Ntot 预测值达标且第 5 生化反应单元总氮浓度低于 13.5 mg · L − 1 时，则结束出水总氮超标抑制控制，恢复至多目标优化控制。

3.3 超标抑制优化控制过程

整个超标抑制优化控制过程的框架结构如图 5 所示，超标抑制控制策略的实施建立在污水处理优化控制的基础上，通过 AdaBoost-LSSVM 预测模型实时预测ρNh 和ρNtot，并根据预测结果调整控制策略。未超标，则保持多目标优化控制，通过 PID 控制器调节 KLai 和 qV,a，实现对ρO、ρNO 设定值的跟踪控制，从而降低能耗、提升出水水质；超标，则加入超标抑制控制策略，根据ρNh、ρNtot 的超标情况调整ρO、ρNO设定值、qV,r 和 qV,EC，避免两者超标。因此，该优化控制过程能够兼顾能耗、出水水质的优化和ρNh、ρNtot 超标的抑制。