论文阅读笔记 — 第5篇 — 污水处理决策优化控制

前言

        最近在研究如何抑制出水氨氮浓度和出水总氮浓度出现峰值超标的情况，所以后续几篇博客大概率都会记录我看到与超标抑制的有关的文献（之前已经发了2篇），今天记录的文献信息如下：

论文名称：污水处理决策优化控制

论文名称：自动化学报（ACTA AUTOMATICA SINICA）

具体信息：栗三一,乔俊飞,李文静等.污水处理决策优化控制[J].自动化学报,2018,44(12):2198-2209.DOI:10.16383/j.aas.2018.c170257

---

目录

前言

摘要

1.引言

2 建立预测模型        

3 决策优化控制        

3.1 溶解氧、硝态氮浓度跟踪控制      

 3.2 出水氨氮浓度峰值抑制控制 

3.3 出水总氮浓度峰值抑制控制

总结

---

摘要

        以抑制出水氨氮浓度、总氮浓度峰值和降低能耗为目标，提出污水处理决策优化控制方法。首先利用神经网络建立出水氨氮和总氮预测模型；其次使用多目标进化算法得到溶解氧浓度和硝态氮浓度设定值；最后，根据出水氨氮和总氮浓度预测结果选择控制策略 (优化控制和抑制控制)。以仿真基准模型 (BSM1) 为平台，采用提出的决策优化控制方法进行控制，实验结果表明，该控制方法有效抑制了出水氨氮和总氮浓度峰值，出水超标时间和能耗明显少于所对比决策控制方法。（第一句话提出论文的目标，然后依次说明所提出的方法实现的步骤，再表明实验结果）

关键词：污水处理，决策控制，优化控制，预测模型

1.引言

        污水处理可有效缓解水资源匮乏问题和减少环境污染[1−2]。然而污水处理过程的控制面临以下难题[3]：1) 生化反应过程十分复杂, 拥有众多变量且变量之间耦合严重； 2) 流入污水的浓度和流量是时变的；3) 在出水达标的情况下需要尽可能降低能耗、提高水质。

        针对污水处理过程控制问题, 国内外学者做了大量研究. Mulas等[4]将多变量预测控制应用于市
政污水处理的活性污泥过程, 以最小化经济花费和提高总氮去除率为目标, 使用动态矩阵控制算法 制水总氮浓度 (SNtot,e)，实验表明该方法可以同时减少能耗和降低 SNtot,e峰值。Sant´ın 等[5]针对污水处理过程提出一种二级分层控制结构, 使用模糊控制动态调节第五分区溶解氧浓度 (SO,5) 设定值, 底层使用模型预测控制器对 SO,5进行跟踪控制, 达到降低能耗和提高水质的目标. Egea 等[6]
以能耗和水质为目标, 使用 epsilon 约束和分散搜索技术搜索pareto 解, 直接对第五分区氧转换系数 (KLa,5) 和内回流量 (Qa) 进行控制. Yang 等[7]使用模糊 c 均值聚类方法和最小二乘方法对污水处理过程建立模糊模型, 根据模糊模型设计模型预测控制器对 SO,5进行控制, 实验表明该控制器在暂态过程和稳态过程都有很好的控制效果. Vega 等[8]将非线性模型预测控制应用于污水处理分层控制, 在优化层分别使用静态优化算法和动态优化算法对 SO,5和第二分区硝态氮浓度 (SNO,2) 进行优化, 底层跟踪控制使用非线性模型预测控制, 该控制策略在固定设定值、PID控制的基础上降低 20 % 能耗. Han 等[9]对污水处理过程提出非线性多目标模型预测控制方法, 该方法使用自组织径向基函数 (Radial basis function,RBF) 神经网络建立预测模型, 使用多目标梯度优化方法对 SO,5和 SNO,2进行动态调节, 以达到降低能耗的目标。 以上研究以提高水质或减少能耗为目标, 取得了令人满意的效果, 但忽视了出水氨氮浓度 SNH,e和 SNtot,e峰值超标的问题。 SNH,e和 SNtot,e超标不仅会污染环境、危害人体健康, 而且会因排污超标受到罚款, 造成污水处理厂的经济损失。（前人的工作以及缺陷）

        在解决 SNH,e和 SNtot,e峰值超标问题方面,Sant´ın 等[10]于 2016 年首次提出污水处理决策控制方法. 该方法以入水流量、入水氨氮浓度预测 SNH,e和 SNtot,e, 对外加碳源量和 Qa进行模糊控制, 从而达到抑制 SNH,e和 SNtot,e峰值的目的。该方法有效抑制了 SNH,e和 SNtot,e峰值, 但存在能耗较大的问题。

        以在抑制 SNH,e和 SNtot,e峰值的情况下降低能耗为目标, 本文提出污水处理决策优化控制方法。首先使用神经网络建立 SNH,e和 SNtot,e预测模型；然后使用局部搜索 NSGA2 算法对能耗和水质进行优化, 结合预测模型从 Pareto 解中选取合适的解作为溶解氧和硝态氮浓度设定值；最后根据预测模型的输出判断 SNH,e和 SNtot,e是否超标。 如果超标, 则使用模糊控制方法对外部碳源和 Qa进行控制，抑制峰值。如果不超标，则使用模糊控制器控制 Qa和KLa,5对设定值进行跟踪控制. 本文提出方法的优势在于：

        1）将 SO,5和 SNO,2加入预测模型输入. 由于SO,5和 SNO,2对 SNH,e和 SNtot,e有重要影响
[11], 将其加入预测模型输入端, 提高了预测模型的精度。

        2）提出时滞时间计算方法. 根据每天的入水氨氮和 SNH,e峰值时间差估算延迟时间, 对建立预测模型数据采样提供支持。

        3）为了避免多目标进化算法陷入局部最优，使用基于密度的局部搜索 NSGA2 算法 (NSGA2-DLS)[12]对能耗和水质进行优化, 在出水达标的情况下有效地降低能耗。

        4）将预测模型应用于最优解的选取过程, 从而将优化控制与决策控制有机结合。该最优解选取策略可以优先通过调节设定值确保出水水质达标, 从而尽可能降低能耗。

        5）预测模型可以预测一段时间之后的 SNH,e和SNtot,e, 从而可以根据预测结果进行提前控制, 有效抑制峰值超标。

（这个方法是由西班牙学者satin提出，真的是对做超标抑制给予了很大的启发）

2 建立预测模型
        

        本文以入水流量、入水氨氮、当前出水氨氮浓度、SO,5和 SNO,2作为 SNH,e预测模型输入变量,以入水流量、入水总氮、当前出水总氮浓度、SO,5和 SNO,2作为 SNtot,e预测模型输入变量。
根据实际经验将 SO,5浓度设定值设定在 1.4 ∼ 2.4 mg/l,SNO,2浓度设定值设定在 0.5 ∼ 1.5, 设定值设定后即在 BSM1 模型上运行 14 天, 每 15 分钟采样一次,取不同的设定值的组合方式, 共获得 199 727 组数据。

（具体的模型配置，我不感兴趣，有兴趣的可以将原文下载下来看一下，预测网络同satin一样用的是BP神经网络，其结果如下所示）

        

3 决策优化控制
        

        根据第 2 节得到 SO,5和 SNO,2设定值, 将设定值带入 SNH,e和 SNtot,e预测模型. 如果预测出水水质达标则切换到跟踪控制策略, 对 SO,5和 SNO,2进行跟踪控制. 如果预测 SNH,e或 SNtot,e超标, 则切换到抑制控制策略, 对峰值进行抑制. 控制策略图如图6 所示。

3.1 溶解氧、硝态氮浓度跟踪控制
      

       当预测 SNH,e和 SNtot,e都不超标时, 使用两个模糊控制器分别控制 KLa,5和 Qa, 从而对 SO,5和SNO,2进行跟踪控制。（这里主要涉及到的模糊控制，比较传统，这里就不介绍，对于想要仔细研读的，建议先看一下模糊控制和matlab的实现再来看会比较顺畅一点）

 3.2 出水氨氮浓度峰值抑制控制 

         当预测 SNH,e超标时, 使用一个模糊控制器对Qa进行控制, 从而抑制出水氨氮峰值. 当预测出水氨氮超标时, 首先增加 Qa稀释流入第一分区的氨氮浓度; 当氨氮浓度峰值到达第五分区时, 减少 Qa以增加水力停留时间, 从而促进硝化反应. 在调整 Qa的同时, 将第五分区溶解氧设定值设定为原来的 1.5倍.

3.3 出水总氮浓度峰值抑制控制

        当预测 SNtot,e超标时, 根据 SNtot,e预测值对第一分区外加碳源 (q EC1) 和第二分区外加碳源
(q EC2) 进行模糊控制, 增加碳源可以促进反硝化作用, 去除氮元素. 模糊控制器的输入为出水总氮预测值 (SNtot), 输出为外加碳源量 q EC. 输入和输出变量都包含三个模糊子集: {L, M, H} 分别表示低、中和高. 模糊规则如下:

（SNH,e和SNtot的超标抑制策略如下所示）

---

总结

以上就是这篇文献的核心，主要是关于如何抑制出水氨氮和出水总氮的超标，欢迎有从事超标抑制的大佬们，一起探讨。有错误的地方，也欢迎各位大佬指正。

PS：本文仅是自己的笔记，不做任何用途，此外，笔记难免自己理解有误，建议感兴趣的还是得从知网下载原文仔细研读。