[发明专利]一种污水处理过程多目标实时优化控制方法

权利要求书

1.一种污水处理过程多目标实时优化控制方法，其特征在于，包括以下步骤：

(1)选择与能耗和出水水质都相关的变量为：好氧末段溶解氧S_O，单位mg/L、厌氧末段硝态氮S_NO，单位mg/L、出水混合固体悬浮物MLSS，单位mg/L、出水氨氮S_NH，单位mg/L；

(2)建立基于径向基核函数的能耗和出水水质模型：

其中，f₁(t)和f₂(t)分别为t时刻能耗和出水水质模型，w₁₀(t)是目标函数f₁(t)的输出偏移，w₂₀(t)是目标函数f₂(t)的输出偏移，w₁₀(t)和w₂₀(t)的取值区间为[-2,2]，w_1n(t)是目标函数f₁(t)中径向基核函数的权值，w_2n(t)是目标函数f₂(t)中径向基核函数的权值，w_1n(t)，w_2n(t)的取值区间为[-3,3]，υ(t)是目标函数f₁(t)和f₂(t)的共同输入变量，υ(t)＝[S_O(t)，S_NO(t)，MLSS(t)，S_NH(t)]，c_1n(t)是目标函数f₁(t)中径向基核函数的中心，c_2n(t)是目标函数f₂(t)中径向基核函数的中心，c_1n(t)和c_2n(t)中每个变量的取值区间为[-1,1]，b_1n(t)是目标函数f₁(t)中径向基核函数的宽度，b_2n(t)是目标函数f₂(t)中径向基核函数的宽度，b_1n(t)和b_2n(t)的取值区间为[0,2]，N是核函数的个数；

(3)设计基于多目标粒子群算法的实时优化方法：

①初始化优化迭代步数K；

②将建立的能耗和出水水质模型作为多目标粒子群算法的优化目标函数；

③第k步迭代计算时，把粒子的位置x(k)＝[S_O(k)，S_NO(k)，MLSS(k)，S_NH(k)]作为目标函数的输入，计算目标函数值，获得进化计算过程中的个体最优位置p(k)，将第k步的个体最优位置p(k)与k-1步知识库的解A(k-1)进行比较，A(k-1)＝[a₁(k-1)，a₂(k-1)，…，a_ι(k-1)]，a_ι(k-1)为第k-1步知识库中第ι个最优解，通过支配关系更新第k步的知识库A(k)，支配关系计算功能是：

A(k)＝A(k-1)∪p(k-1),if f_h(a_ι(k-1))≥f_h(p(k-1)),h＝1,2； (2)

其中，∪是关系并，如果p(k-1)的目标函数值小于a_ι(k-1)的目标函数值，则知识库中保存个体最优解p(k-1)，否则保存解a_ι(k-1)，f_h()是优化目标函数，f₁()是基于能耗模型的优化目标函数，f₂()是基于出水水质模型的优化目标函数，根据密度法从知识库A(k)中选择全局最优解g(k)；

④通过第k步的个体最优解p(k)和全局最优解g(k)更新k+1步的粒子位置和速度，粒子速度和位置更新公式为：

v_i,d(k+1)＝ω·v_i,d(k)+c₁r₁(p_i,d(k)-x_i,d(k))+c₂r₂(g_d(k)-x_i,d(k))； (3)

x_id(k+1)＝x_id(k)+v_id(k+1)； (4)

其中，v_i,d(k)和x_i,d(k)是第k步迭代时第i个粒子在d维搜索空间上的速度和位置，i的取值范围是[1，100]，d＝5，是惯性权重，的取值范围是(0，1)，c₁和c₂分别是个体最优位置加速因子和全局最优位置加速因子，c₁和c₂的取值范围是(0，1)，r₁和r₂分别是个体最优位置系数和全局最优位置系数，r₁和r₂的取值范围是(0，1)，p_i,d(k)是第k步迭代时第i个粒子在d维搜索空间上的个体最优解，g_d(k)是第k步迭代时在d维搜索空间上的全局最优解；

⑤如果当前的迭代步数k大于等于优化迭代步数K，转到步骤⑥；如果当前的迭代步数k小于最大迭代步数K，迭代步数k加1，转到步骤③；

⑥从知识库A(K)中随机选择一个全局最优解g_j(K)，g_j(K)＝[S_O^*(K)，S_NO^*(K)，MLSS^*(K)，S_NH^*(K)]，S_O^*(K)为溶解氧优化设定值，S_NO^*(K)为硝态氮优化设定值，MLSS^*(K)为混合固体悬浮物优化设定值，S_NH^*(K)为氨氮优化设定值，保存全局最优解g_j(K)；

(4)设计基于模糊神经网络的实时控制方法：

①设计模糊神经网络控制器，模糊神经网络分为四层：输入层、RBF层、归一化层、输出层；确定神经网络的结构为4-10-10-2的连接方式，即输入层神经元为4个，RBF层神经元为10个，归一化层神经元为10个，输出层神经元为2个，期望的训练精度为E_d，E_d∈[0,0.01]，t时刻模糊神经网络RBF层、归一化层、输出层的计算功能分别是：

其中，ε(t)＝[ε₁(t)，ε₂(t)，ε₃(t)，ε₄(t)]是模糊神经网络的输入，ε₁(t)是溶解氧S_O实际输出与优化设定值S_O^*之间的误差，ε₂(t)是溶解氧S_O实际输出与优化设定值S_O^*之间的误差导数，ε₃(t)是硝态氮S_NO实际输出与优化设定值S_NO^*之间的误差，ε₄(t)是硝态氮S_NO实际输出与优化设定值S_NO^*之间的误差导数，μ_j(t)＝[μ_1j(t)，μ_2j(t)，μ_3j(t)，μ_4j(t)]是RBF层第j个神经元的中心，j＝1,2,…,10，μ_j(t)中每个变量的取值范围是[-2，2]，σ_j(t)＝[σ_1j(t)，σ_2j(t)，σ_3j(t)，σ_4j(t)]是RBF层第j个神经元的宽度，σ_j(t)中每个变量的取值范围是[0，2]，φ_j(t)是RBF层第j个神经元的输出，ψ_j(t)是归一化层第j个神经元的输出，ψ(t)是归一化层的输出，ψ(t)＝[ψ₁(t)，ψ₂(t)，…，ψ₁₀(t)]，s^q(t)＝[s₁^q(t)，s₂^q(t)，…，s₁₀^q(t)]是输出层和归一化层的权值向量，s^q(t)中每个变量的取值范围是[-4，4]，是输出层第q个神经元的输出，q＝1，2；

②利用梯度下降算法对模糊神经网络进行训练，若达到期望的训练精度E_d，则转到步骤③，否则继续训练；

③模糊神经网络的输出为操作变量氧传递系数的变化量和内循环回流量的变化量；

④将氧传递系数的变化量和内循环回流量的变化量传递给污水处理系统；

(5)基于多目标实时优化控制的污水处理系统的输出为实际溶解氧S_O和硝态氮S_NO的浓度值。