论文阅读笔记 — 第4篇 — 基于超标抑制策略的污水处理过程多目标优化控制-CSDN博客

本文链接：https://blog.csdn.net/weixin_47577143/article/details/134734526

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：基于超标抑制策略的污水处理过程多目标优化控制

期刊名称：信息与控制（Information and Control）

具体信息：刘传玉,熊伟丽.基于超标抑制策略的污水处理过程多目标优化控制[J/OL].信息与控制,1-11[2023-12-01]https://doi.org/10.13976/j.cnki.xk.2023.2568.

摘要

为解决污水处理过程出水氨氮和总氮浓度超标问题，提出了一种基于超标抑制策略的多目标优化控制方法。该方法利用长短期记忆网络的时序建模能力，对出水氨氮和总氮浓度建立预测模型，采用基于分解的动态种群多邻域多目标进化算法对水质和能耗进行优化，结合预测模型输出确定硝态氮和溶解氧浓度的最优设定值，并对设定值进行跟踪控制。当水质超标时，采取抑制策略对外回流量及外部碳源加以控制，调节溶解氧浓度并对硝态氮浓度进行二次优化以抑制峰值。所提优化控制方法在基准仿真 1 号平台进行验证。结果表明，所提方法能够有效抑制氨氮和总氮浓度超标，超标时长及能耗明显低于所对比控制方法。

（针对超标问题，提出一种超标抑制方法，采用LSTM网络进行预测，采用基于分解的动态种群多领域多目标进化算法进行优化，结合预测模型输出确定硝态氮以及溶解氧的设定值，并进行跟踪控制。当水质超标的时候，采用抑制策略对外回流量即外部碳源进行控制，进行二次优化以抑制峰值，实验在BSM1上进行）

关键词：污水处理过程、超标抑制策略、长短期记忆网络、预测模型、二次优化

1.引言

水是人类赖以生存和发展的重要资源，随着工业化和城市化的快速推进，导致城市污水排放量不断增加[1-3]。但随着国家对污水排放水质要求的提高，污水处理过程的能耗逐渐上升，而且排出的污水水质有波动，不稳定[4-6]，因此对污水处理过程实施优化控制显得尤为重要。然而，污水处理过程具有时变、非线性且变量间严重耦合的情况[7-9]，在保证各项出水参数达标的情况下如何尽可能地降低能耗、提升水质成为污水治理领域重要的研究方向之一。（引出背景）

污水处理过程中出水水质受硝态氮浓度（SNO2）和溶解氧浓度(SO5)的影响，可以通过回流泵和鼓风机分别对两者进行控制，达到提升水质的效果，但工艺设备在运行过程中会产生较高的能耗[10-12]。因此，在一定工艺条件约束下，针对保证出水水质达标的同时并降低处理过程总能耗这一多目标优化问题，国内外学者进行了大量的应用研究。HREIZ 等[13]利用多目标遗传算法获得和的最优设定值，达到同时优化出水水质和能耗的目标。赵杨等[14]对经典差分进化算法进行改进，采用多种策略相互融合更新子代，并在迭代过程中获取进化信息以自适应地改变交叉率，在污水处理过程中能够寻找到更加优秀的设定值。HAN 等[15]提出一种非线性多目标模型预测控制策略，采用自组织径向基函数神经网络对能耗和水质进行建模预测，并通过多目标梯度优化算法动态调节SO5和 SNO2 ，以达到减少能耗的目的。乔俊飞等[16]提出一种基于知识的污水处理过程智能控制方法，通过记忆多目标优化算法对信息进行动态处理，通过知识库引导非支配解的搜索，并采用模糊神经网络对和进行跟踪控制。以上研究达到了平均水质排放标准且在能耗方面也取得了较为满意的结果，但优化控制过程中存在出水氨氮浓度（SNh,e）和总氮浓度（SNtot,e）超标的现象，如果面对该现象不采取任何措施直接将污水排出，仍然会对环境及人体健康造成影响。(交代背景并引出超标抑制策略)

针对污水处理过程中水质参数峰值超标问题，SANTÍN 等[17]在 2016 年首次提出决策优化控制策略。该策略以入水氨氮浓度和入水流量作为模型输入预测 SNh,e和 SNtot,e，并通过对内回流量和外加碳源量的模糊控制达到对 SNh,e 和 SNtot,e 的超标抑制效果。虽然该策略超标抑制方面取得显著效果，但存在能耗过大的问题。栗三一等[18]改进了出水氨氮和总氮浓度预测模型，增加硝态氮和溶解氧浓度作为模型输入，并采用基于密度的局部搜索算法对出水水质和能耗进行多目标优化，该优化控制策略在降低能耗和抑制参数峰值超标方面的性能均得到了提升。

在对 SNh,e 和 SNtot,e 的超标抑制过程中，模型预测结果直接影响对超标参数的抑制策略，然而污水处理过程具有复杂非线性和时滞性的特点，难以根据机理建立精确的预测模型。长短期记忆网络（long short-term memory，LSTM）[19]作为一种人工神经网络具有很强的非线性逼近和时序建模能力，在时间序列预测领域被广泛应用。FARHI等[20]采用 LSTM 架构的机器学习方法对氨浓度和硝酸盐浓度进行建模预测，达到了较高的预测精度；杨爽等[21]基于 LSTM 设计随机梯度下降算法学习其结构参数并自适应调整学习率，改进后模型应用于污水处理过程预测出水生化需氧量，取得更高效准确的预测结果；陈中林等[22]在 LSTM基础上设计时间门，同时采用前向传播算法使填补输入和预测输出能够同步进行，并使用该模型预测非完整序列出水氨氮浓度。

以抑制 SNh,e 和 SNtot,e 峰值超标和降低能耗为目标，提出基于超标抑制策略的污水处理多目标优化控制方法（multi-objective optimal control based on overshoot suppression strategy ， MOC-OSS）。首先采用 LSTM 对 SNh,e 和 SNtot,e 建立预测模型；其次采用多目标进化算法优化能耗和出水水质，对SNO2和SO5的设定值进行寻优；最后根据 SNh,e 和 SNtot,e 预测模型的输出判断两个水质参数是否超标。若超标，则加入超标抑制策略，对外回流及外加碳源加以控制，并对 SO,5 和 SNO,2 的设定值进行二次优化，达到抑制峰值的同时尽可能地降低能耗；若不超标，则继续采用 PID 控制器对设定值进行跟踪控制。利用基准仿真 1 号（benchmark simulation model No.1，BSM1）平台对所提控制方法进行验证。仿真结果表明，该控制方法能够在抑制出水水质超标的同时，有效降低能耗。

2.污水处理优化控制过程分析

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.基于超标抑制策略的多目标优化控制

多目标优化控制主要以提高水质和降低能耗为目标，然而对于控制过程中部分时段水质超标现象难以抑制。这是因为一般在水质超标之后才对其进行抑制控制，而污水处理过程从加入控制到产生效果有一定的时间延迟。因此，若要出水水质不超标，可以对水质建立预测模型，在多目标优化控制的基础上引入超标抑制策略。所提的基于超标抑制策略的多目标优化控制方法（MOC-OSS）首先对出水氨氮、出水总氮分别建立预测模型，然后使用多目标进化算法对 SO,5 和SNO2的设定值进行寻优，将设定值代入模型预测 SNh,e和 SNtot,e，如果预测不超标则采用多目标优化控制，若超标则加入相应超标抑制策略对 SNh,e 和 SNtot,e 进行抑制，同时对 SNh,e 的设定值进行二次寻优，以确保在提升水质的同时有效降低能耗。其整体优化控制过程如图 2 所示。

3.1 建立出水氨氮和总氮预测模型

在国际仿真基准平台 BSM1 上进行数据的采集及实验验证工作。由于 SNh,e和 SNtot,e受 SO,5 和 SNO2设定值所影响[25]，本文选取 SO5、SNO2、入水流量、入水氨氮浓度和当前出水氨氮浓度作为 SNh,e 预测模型的输入变量； SO5、 SNO2、入水流量、入水总氮浓度和当前出水总氮浓度作为SNtot,e预测模型的输入变量。经过多次实验将的设定值范围定在1 mg/L~2.8 mg/L，SNO2的设定值范围定在 0.5mg/L~2 mg/L，采用网格搜索法对SO5和SNO2设定值进行搜索，其搜索步长为 0.1 共得到 300 组设定值组合，在 BSM1 平台上运行 14 d，采样间隔为 15 min，共得到 403 200 组数据。使用长短期记忆网络建模方法对 SNh,e和 SNtot,e建立预测模型，其中 LSTM 参数设置如表 1 所示。选取输入变量时在文[17]建立的模型基础上加入溶解氧浓度和硝态氮浓度，去除温度变量，并且由于污水处理过程滞后明显，将当前氨氮浓度与总氮浓度也加入预测模型的输入变量。将采样得到的 403 200 组数据选择其中 360 000 组数据作为训练集，剩下的 43 200 组数据作为测试集。采用均方根误差（root mean square error，RMSE）作为评价模型性能的指标，针对各优化周期进行建模预测，其结果如图 3 和图 4 所示。从图 3 和图 4 中可以看出所建立预测模型在各周期内均取得良好的建模精度。图 5 和图 6 为第 1 优化周期内对 SNh,e和 SNtot,e的预测曲线，可以看出，所采用预测模型能够以较小的误差预测 SNh,e和 SNtot,e。

3.2 出水氨氮浓度超标抑制策略(重点)

当预测到 S Nh,e 超标且 S Nh,e $\leq$ 6 mg L 时，首先加大外回流量，使 $Q_{r}=12000m^{3}/d$ ，目的是稀释第 1 分区的氨氮浓度，此稀释过程一直持续到氨氮浓度峰值达到第 5 个反应单元；其次根据第 5分区的氨氮浓度（S Nh,5 ）调节 Q r ，增加水力在各单元间的停留时间，充分发挥硝化反应。