污水处理曝气系统优化控制仿真研究_孙宏存.pdf

基金项目:国家自然基金重大项目(61890935);国家自然基金重点项目(61533002);广东省科技项目(2020A0505100024)收稿日期:2021-06-08 修回日期:2021-07-15 第 40 卷 第 4 期计 算 机 仿 真2023 年 4 月 文章编号:1006-9348(2023)04-0272-05污水处理曝气系统优化控制仿真研究孙宏存1,于广平2,李 崇1,刘 坚2(1.沈阳化工大学信息工程学院,辽宁 沈阳 110142;2.广州中国科学院沈阳自动化研究所分所,广东 广州 511458)摘要:针对污水处理曝气过程溶解氧的浓度波动大、干扰因素多、控制难度大等问题,提出了一种基于数据驱动的优化控制方法。方法采用 BP 神经网络、粒子群优化算法,建立集工况识别-决策-评估为一体的反馈系统,使得在不同入水流量和组分的情况下,完成精准曝气。最终通过国际水质协会和欧盟科学技术合作组织合作开发的仿真基准模型 1 号(BenchmarkSimulation Model No.1,BSM1)仿真验证,结果表明,在出水水质达标的情况下达到了节能降耗的效果。关键词:污水处理;粒子群;溶解氧;精准曝气中图分类号:TP202+.7 文献标识码:BSimulation Study on Optimization Control of AerationSystem for Wastewater TreatmentSUN Hong-cun1,YU Guang-ping2,LI Chong1,LIU Jian2(1.College of Information Engineering,Shenyang University of Chemical Technology,Shenyang Liaoning 110142,China;2.Shenyang Institute of Automation.Guangzhou.Chinese Academy of Sciences,Guangzhou Guangdong 511458,China)ABSTRACT:A data-driven optimization control method was proposed,which is aimed at the problems of the dis-solved oxygen concentration fiercely fluctuating,many interference factors and difficult control in the wastewater treat-ment aeration processes.In this method,BP neural network and particle swarm optimization algorithm are adopted toestablish a feedback system integrating working condition identification,decision making and evaluation,so that ac-curate aeration can be completed under different water inflow flows and components.Finally,it has been verified byBenchmark Simulation Model No.1(BSM1)jointly developed by the International Water Quality Association and theEuropean Organization for Scientific and Technical Cooperation.The results indicate that when the water quality of ef-fluent reaches the standard,the effect of energy saving and consumption reduction is achieved.KEYWORDS:Wastewater treatment;Particle swarm optimization;Dissolved oxygen;Accurate aeration1 引言污水处理中的活性污泥法是一种污水生化处理方法,曝气系统是极其重要的控制部分1,主要是向污水处理的好氧池中通入氧气,曝气量直接影响污水中溶解氧的浓度,从而影响出水水质的好坏,污水处理系统具有耦合性强2,大滞后等特性3,精准曝气一直以来都是污水处理过程中的一个难点,魏伟等针对溶解氧的控制,设计了一种有限时间自抗扰控制,来解决污水处理过程中的不确定性,对溶解氧调控取得一定效果4。栗三一等提出污水处理决策优化控制方法,对出水氨氮和出水总氮峰值进行抑制并降低能耗5。项雷军等提出了自适应补偿能力的输出反馈预测控制系统,当溶解氧浓度测量不准确时可通过反馈系统进行补偿调整6。周红标针对污水处理过程提出了基于自组织模糊神经网络的控制方法,在实际工况的动态变化下,溶解氧浓度的设定值可以被精确的跟踪,有着稳定的控制7。乔俊飞等提出一种基于知识的优化控制方法,采用记忆多目标优化算法构建环境变量参数与最优解之间的知识模型,算法的收敛性提高272以获取更高质量的解8。以上研究对污水处理溶解氧浓度的设定值优化和跟踪控制都取得显著的成效,但是未考虑污泥状态及出水的平稳性等问题,对设定值优化未形成闭环的反馈系统,针对这一问题本文在建立预测模型时考虑多因素影响,设定值优化后设计评估反馈系统,不断更新模型参数,使溶解氧设定值趋于最优。2 污水处理曝气过程优化污水处理曝气过程优化是通过优化目标函数产生优化设定值,采用 BSM1 仿真平台进行仿真9,评估出水水质,对系统进行反馈。主要包括建立基于 BP 神经网络10-12的能耗和出水水质模型;研究关于能耗和出水水质的多目标优化方法13,14;建立对于复杂入水工况的识别15、出水评估反馈系统。首先根据 BSM1 模型提供的三类历史数据,通过搭建的simulink 模型对三类数据进行仿真,采用 BP 神经网络分别以入水流量、组分、溶解氧设定值与能耗和出水氨氮建立两个模型。以能耗最小为优化目标,以出水氨氮值作为约束条件。用粒子群算法寻找出该数据对应的最优溶解氧设定值。将每一类入水工况与溶解氧设定值存入工况库中。对于新的输入数据通过高斯混合模型16与已有类别进行比较,通过欧氏距离匹配得到相应的操作参数。若经高斯混合模型比较相似度未达预设阈值,则将该组数据作为新的一类,仿真、寻优得到溶解氧设定值,最后用该设定值通过仿真平台验证,评估出水水质指标对模型数据库进行更新。系统框图如图 1 所示。图 1 系统框图2.1 BP 神经网络能耗和出水水质模型考虑到污水处理过程出水水质指标和操作变量之间关系具有强非线性、不确定性、机理不清的特点,通过机理建模来预测出水水质的指标难以保证其模型的准确性可靠性。因此引入能耗和出水水质模型代替污水处理系统对能耗和水质的计算。BP 神经网络是一种基于误差反向传播算法训练的多层感知器前馈网络,不需要了解输入与输出之间的关系。模型通过简单的非线性函数多次拟合后,实现高维度非线性的精确映射17,具有较强的自适应能力,根据活性污泥 1 号模型(ASM1)提供的三类历史数据,本文采用 BP 神经网络分别以入水流量 13 种入水组分及曝气池 3、4、5 池溶解氧设定值为输入,出水能耗和出水氨氮为输出建立两个预测模型。采用 Trainlm 函数、Levenberg-Marquardt 算法、隐含层 2 层 15-20、激活函数 tansig、函数训练次数 1000、学习效率 0.01、收敛误差 1e-7。氨氮值预测结果如 2 所示,mse=2.4810-8,能耗预测结果如图 3 所示,mse=1.410-3。图 2 氨氮值预测模型效果图图 3 能耗预测模型效果图2.2 溶解氧设定值优化一般粒子群算法是通过模拟鸟群觅食行为的一种全局优化进化算法,该算法在计算过程中保留了最优全局位置和粒子已知的最优位置两个信息18。对较快收敛速度以及避免过早陷入局部最优解产生了不错的效果。在各个领域得到了广泛的应用19,20。本文在标准的粒子群算法的基础引入了惯性因子,在算法的收敛性能有了很大的改善,在 PSO 算法中,在一个目标搜索范围为 D 维的空间中,初始化 M 个粒子,组成一个种群T=X1,X2,XMXi=(xi1,xi2,xiD),i=1,2,M,表示372第 i 个粒子在 D 维空间的位置,vi=(vi1,vi2,viD),i=1,2,M,表示第 i 个粒子的速度。第 i 个粒子到目前为止所搜索到的个体极值表示为 Pi=(Pi1,Pi2,PiD),i=1,2,M,在整个粒子群中,所有粒子到目前为止所搜索到的全局极值表示为 Pg=(Pg1,Pg2,PgD),g1,2,M。每个粒子代表一组溶解氧的设定值(DOset),粒子每更新一次适应度就随之更新一次,在此过程中适应度值是由入水数据和粒子对应的 DOset通过能耗模型计算出能耗,由于出水水质中有机物浓度越接近约束的最大值,污水处理过程能耗越低,且出水水质中氨氮值最容易超标,因此利用入水数据和粒子对应的DOset通过氨氮模型计算出的出水氨氮值作为约束值。则第 i个粒子就是按照下面的式(1)和(2)来更新自己的速度和位置。Vk+1i=Vki+c1r1(Pki-X)+c2r2(Pkg-Xki)(1)Xk+1i=Xki+Vk+1i(2)式中,i=1,2,M,M 是群体中的粒子数;K 是迭代次数;c1和 c2为学习因子,r1,r2是均匀分布于0,1之间的两个随机数。为惯性因子。取晴天雨天暴雨天各 4 天,采样时间为15 分钟共 1152 条数据进行溶解氧设定值寻优,粒子群相关参数:种群个体数 60、迭代次数 1000、惯性因子 0.50.8、学习因子 0.5,图 4、图 5、图 6 分别为晴天、雨天、暴雨天三个好氧池优化后的溶解氧设定值。图 4 晴天溶解氧设定值图 5 晴天溶解氧设定值图 6 晴天溶解氧设定值2.3 评估反馈系统评估反馈系统包括入水工况识别和数据库更新,入水数据通过高斯混合模型进行分类,采用欧氏距离进行入水工况匹配,结合 Benchmark 的污水处理仿真平台 BSM1 对数据进行仿真验证,通过对比仿真结果与出水水质标准进行数据库更新。评估反馈系统框图如图 7 所示。图 7 评估反馈框图图中新工况 A 表示一组新的入水数据,其中参考变量包括入水的流量和 13 种组分,历史工况库 1、2、3 分别存放着晴天雨天暴雨天三类入水流量组分及每个池子的溶解氧浓度,d1、d2、d3 为高斯混合模型所计算的概率,a 为阈值(95%),操作变量为各个池子的溶解氧设定值。混合高斯模型的数学模型为式(3)f(x)=mi=1iGuass(i,i)(3)其中,i是表示第 i 个高斯项的权重,且mi=1iGuass(i,i)表示高斯密度函数,i和 i分别为高斯密度函数的均值和方差。分类后计算当前入水工况与该历史工况库中的各工况472之间的相似度。采用欧氏距离进行相似度计算记当前工况为 T=(t1,ti,tn),其中 ti是第 i 个输入属性的归一化特征值,Xk为历史工况库第 k 条入水工况,计算 T 与 Xk的相似度如式(4)所示Sk=1-ni=1(ti-xi,k)2(4)k=1,2,p 通过计算比较 p 个相似度,分别为 S1,Sp,选相似度最高的一组,读取操作参数。本文的评估标准是采用 Benchmark 基准给出的出水水质指标(EQ)及曝气能耗(AE)。出水水质指标计算如式(5)所示:AE=24Tt1t0ni=30.4032(kLa)2i+7.8408(kLa)idt(5)曝气能耗计算如式(6)所示:EQ=11000Tt1t02SSe(t)+COD(t)+20SNkj,e(t)+20SNO,e(t)+2BOD5,e(t)|Qe(t)dt(6)SS,COD,SNKj,e,SNO,e,BOD5,e为 5 种出水指标,Qa、Qr、Qw分别表示内回流流量、外回流流量、污泥排放量;Kla为氧转移速率,表征好氧池的曝气情况;T=4days,Qe为出水流量。3 仿真验证为了更加有效地模拟和评估污水处理过程曝气过程中使用的控制和优化策略,本文采用仿真基准模型 1 号进行验证,BSM1 主要由生化反应池和二次沉淀池构成,生化反应池共有 5 个模块,2 个厌氧区,主要进行反硝化反应,3 个好氧区,主要进行硝化反应。配合内外回流,保证了曝气池中固体悬浮物的浓度,维持了活性污泥系统的稳定性。取晴天雨天暴雨天各四天,采样时间为 15 分钟共 1152 条数据作为验证数据,当入水数据进入系统后,通过优化得到得溶解氧设定值(下文统称优化后)与 BSM1 的原系统(下文统称优化前)Kla3=Kla4=10h-1,DO5set=2mg/L 仿真结果进行比较。BSM1 系统框图如下图 8 所示。图 8 BSM1 系统图优化前后出水水质对比图如图 9、图 10、图 11、图 12所示。图 9 出水氨氮浓度对比图图 10 出水 COD 浓度对比图图 11 出水 BOD 浓度对比图图 12 出水总氮浓度对比图572出水水质各指标如表 1 所示。表 1 两系统出水水质COD(g/m3)TSS(g/m3)BOD5(g/m3)NH(g/m3)TN(g/m3)优化前 晴47.9912.412.662.5315.36优化前 雨50.0011.712.817.8919.88优化前 暴雨49.1912.422.7610.8820.75优化后 晴48.0112.412.663.0414.96优化后 雨49.9711.712.808.2219.71优化后 暴雨49.2012.422.7711.7020.87 两系统的曝气性能指标如表 2 所示。表 2 两系统污水处理性能COD(g/m3)TN(g/m3)优化前 晴1387214710优化前 雨1258029330优化前 暴雨1236822949优化后 晴11380(18%)14398(2%)优化后 雨13042(3%)29046(1%)优化后 暴雨11845(4%)23051(0.4%)由图表信息可知经优化后晴天在出水水质降低 2%的同时风机能耗降低 18%左右,雨天在水质降低 1%风机能耗上升不到 3%,暴雨天在水质稍有上升的情况下风机能耗降低 4%。4 结语与传统的污水处理曝气过程溶解氧控制相比,基于数据驱动的优化控制方法在复杂多变的入水工况下可以更精准的控制溶解氧的浓度。该方法具有以下特点:1)采用 BP 神经网络建立预测模型,考虑综合因素的干扰,非线性预测能力强,鲁棒性好,可快速预测出水。2)粒子群优化算法,算法精度高,收敛速度快,避免算法停滞现象。3)具有评估反馈系统有不断更新模型能力,使结果精度更高。最终经验证与原始数据对比得出,在出水水质变化不大的情况下总能耗降低了 7%左右。参考文献:1 李晶,尹祖君.对生活污水曝气系统的探讨及改进建议J.化工管理,2018,(30):184.2 Li M,Zhang X L,Gong Y P,et a1.Dissolved Oxygen Control forActivated Sludge Wastewater Treatment Processes by ADRCC.信息化与工程国际学会.Proceedings of 2016 4th InternationalConference on Machinery,Materials and Information TechnologyApplications(ICMMITA 2016).信息化与工程国际学会:计算机科学与电子技术国际学会(Computer Science and ElectronicTechnology International Society),2016:1420-1425.3 Qiao J,Zhang W.Dynamic multi-objective optimization control forwastewater treatment processJ.Neural Computing and Applica-tions,2018,29(11):1261-1271.4 魏伟,张莹莹,刘载文,左敏.污水处理过程溶解氧浓度的有限时间抗扰控制J.计算机仿真,2021,38(6):204-209.5 栗三一,乔俊飞,李文静,顾锞.污水处理决策优化控制J.自动化学报,2018,44(12):2198-2209.6 项雷军,张学阳,郭新华,林文辉.污水处理过程溶解氧的输出反馈预测控制J.控制工程,2017,24(4):736-741.7 周红标.基于自组织模糊神经网络的污水处理过程溶解氧控制J.化工学报,2017,68(4):1516-15248 乔俊飞,韩改堂,周红标.基于知识的污水生化处理过程智能优化方法J.自动化学报,2017,43(6):1038-1046.9 王俊禄.活性污泥过程关键性问题及控制策略研究D.兰州理工大学,2018.10林佳敏,陈金良,林晶晶,李宣辑,马聪,张志强,沈亮.BP 神经网络和 ARIMA 模型对污水处理厂出水总氮浓度的模拟预测J.环境工程技术学报,2019,9(5):573-578.11 谢武明,李俊,周峰平,毕小林,陈冬冬,吴志京,马峡珍,张宁.基于 BP 神经网络和遗传算法的污水处理厂电耗预测J.水电能源科学,2018,36(8):202-204.12 李崇武.基于 BP 神经网络模型预测污水处理厂出水总氮D.华中科技大学,2018.13 杨壮,杨翠丽,顾锞,乔俊飞.多目标进化算法的污水处理过程优化控制J.控制理论与应用,2020,37(1):169-17514 韩红桂,张璐,乔俊飞.基于多目标粒子群算法的污水处理智能优化控制J.化工学报,2017,68(4):1474-1481.15 李永明,史旭东,熊伟丽.基于工况识别的污水处理过程多目标优化控制J.化工学报,2019,70(11):4325-4336.16 李秀.基于 DTW 和 GMM 的多维特征说话人识别D.南京邮电大学,2019.17 王德望,赵敏.污水处理系统溶解氧的 BP-PID 控制算法J.软件导刊,2018,17(2):68-70,73.18 黄琦兰,范金祥.基于改进粒子群优化 LSSVM 的污水 COD 软测量建模J.天津工业大学学报,2021,40(1):74-80.19 赵杨,熊伟丽.基于多策略自适应差分进化算法的污水处理过程多目标优化控制J.化工学报,2021,72(4):2167-2177.20 何丹,林来鹏,李小勇,牛国强,易晓辉,黄明智.基于改进粒子群算法优化 BP 神经网络的废水处理软测量模型J.华南师范大学学报(自然科学版),2021,53(02):114-120.作者简介孙宏存(1996-),男(汉族),辽宁省东港市人,硕士研究生,主要研究领域为污水处理智能控制。于广平(1980-),男(汉族),山东省平度市人,研究员,硕士研究生导师,广东省双创之星获得者,主要研究领域为智能工厂和废水处理。李 崇(1985-),男(汉族),辽宁省铁岭市人,博士,讲师,主要研究领域为绿色能源污水处理过程建模、优化与控制。刘 坚(1983-),男(汉族),湖南省长沙市人,工程师,广州市高层次人才优秀专家,主要研究领域为传统制造业和节能环保新兴产业先进制造技术。672