基于Copt-aiNet的污水处理过程优化控制

污水处理是一个复杂的动态反应过程,针对如何确定优化控制中关键变量的动态最优设定值,使满足出水水质排放达标的同时降低运行能耗的问题,提出了一种基于人工免疫算法Copt-aiNet(组合优化的人工免疫网络)的污水处理控制策略.首先,利用Copt-aiNet确定第二分区溶解氧质量浓度和第五分区硝态氮质量浓度的最优设定值;再利用控制器跟随最优设定值,对氧传递系数和内回流流量进行控制,进而对曝气能耗和泵送能耗同时进行优化;最后,在仿真平台BSM1上进行仿真实验,结果验证了本文控制策略的有效性,可以在保证出水水质达标的前提下有效降低能耗.

基于水质的污水处理过程事件触发模型预测控制

研究了将模型预测控制(MPC)应用于污水处理(WWTP)这类大型非线性系统时的求解耗时性和计算复杂性问题,提出了一种新的事件触发控制策略加以解决,模型预测控制器只有在满足相应的触发条件时才进行信息的更新和优化问题的求解。为了保障系统性能,该方法将出水水质融入事件触发逻辑条件的设计中,并引入出水水质系数,用于建立输出变量与出水水质之间的关系,通过这种关系间接反映了WWTP的性能,并根据该性能指标调整控制动作以降低计算成本,同时可以采用不同的出水水质系数增强算法的灵活性。实验结果表明,在保证出水水质和总成本指数基本不受影响的情况下,计算时间可以减少27.1%~42.7%。

神经网络的污水处理过程多目标优化控制方法

针对污水处理过程能耗过高问题,提出一种基于神经网络的动态多目标优化控制方法。该方法对污水处理过程中的曝气能耗和泵送能耗同时优化,通过NSGA-II进化算法实现溶解氧浓度和硝态氮浓度设定值的动态寻优,由PID控制实现底层跟踪。采用神经网络在线建模方法构造污水处理过程多目标优化模型,解决了优化变量与性能指标间没有精确数学描述的问题。基于国际基准仿真平台BSM1的实验表明,与PID控制、单目标优化控制方法相比,多目标优化控制在保证出水水质达标的前提下可以获得更优的节能效果。

基于自适应递归模糊神经网络的污水处理控制

针对污水处理过程中具有的非线性、大时变等特征,提出了一种基于自适应递归模糊神经网络(recurrent fuzzy neural network,RFNN)的污水处理控制方法.该方法利用自适应RFNN识别器建立污水处理过程的非线性动态模型,建立的模型可以为RFNN控制器提供污水处理过程中的状态变量信息,保证了控制器根据系统响应调整操作变量的精确性;并且RFNN辨识器及RFNN控制器基于自适应学习率进行学习,确保了递归模糊神经网络的收敛精度和速度,并通过构造李雅普诺夫函数证明了此算法的收敛性;最后,基于基准仿真模型(benchmark simulation model 1,BSM1)平台进行仿真实验.结果表明,与PID、模型预测控制及前馈神经网络相比,该方法对污水处理中溶解氧浓度和硝态氮浓度的跟踪控制精度具有明显的提升.

基于免疫算法的污水循环处理系统的优化控制研究

为降低污水循环处理系统的能耗,提出一种基于组合优化的人工免疫网络算法(Copt-aiNet)的污水循环处理过程优化控制模型(BSM1)。首先确定优化的目标函数、起始时间和优化周期,然后利用组合优化的人工免疫网络算法获得初始抗体种群数、评价抗体亲和度、进行克隆和克隆抑制、实现抗体突变,最后结合污水处理仿真基准模型,将组合优化的人工免疫网络算法用于污水循环处理过程,分析污水循环处理的出水指标和总能耗。仿真结果表明,所提优化控制实现了对污水循环处理的节能控制,相对于常规控制、开环控制,控制策略的能耗显著降低,并能够达到污水循环处理水质控制指标。组合优化的人工免疫网络算法的总能耗为3784.4 kW·h/d,开环控制的总能耗为4066.7 kW·h/d,常规控制的总能耗为3935.5 kW·h/d,可为污水循环处理的节能减排提供理论支撑。