【摘要】：通過對污水生化處理過程的分析,選取能耗和罰款最低為優(yōu)化目標,建立污水生化處理過程多目標優(yōu)化控制模型。為了提高Pareto最優(yōu)解集的收斂性和多樣性,提出一種基于Pareto支配和分解的混合多目標骨干粒子群優(yōu)化算法(HBBMOPSO)。該方法采用帶自適應(yīng)懲罰因子的分解方法選取個體引導(dǎo)者,采用Pareto支配和擁擠距離法維護外部檔案和選取全局引導(dǎo)者。此外,采用精英學(xué)習(xí)策略增強粒子跳出局部Pareto前沿的能力。最后,將HBBMOPSO與自組織模糊神經(jīng)網(wǎng)絡(luò)預(yù)測模型和自組織控制器相結(jié)合,實現(xiàn)污水生化處理過程溶解氧和硝態(tài)氮設(shè)定值的動態(tài)尋優(yōu)、智能決策和底層跟蹤控制。利用國際基準仿真平臺BSM1進行實驗驗證,結(jié)果表明所提HBBMOPSO方法在保證出水水質(zhì)參數(shù)達標的前提下,能夠有效降低污水處理過程的能耗。
文內(nèi)圖片：
圖片說明： 第9期www.hgxb.com.cn·3513·1污水處理過程多目標優(yōu)化問題BSM1是由國際水質(zhì)協(xié)會（IWAQ）和歐盟科學(xué)技術(shù)與合作組織（COST）合作開發(fā)，可用于公平評價不同控制策略和優(yōu)化方法。BSM1采用典型的前置反硝化脫氮A/O工藝[31]，由生化反應(yīng)池和二沉池組成，如圖1所示。生化反應(yīng)池包含5個單元，前2個單元是缺氧區(qū)，主要完成反硝化反應(yīng)，后3個單元是好氧區(qū)，主要完成硝化反應(yīng)。生化反應(yīng)池第3、4單元的氧氣轉(zhuǎn)換系數(shù)要求保持在恒定值240d1。由于入水流量和組分濃度呈現(xiàn)強非線性關(guān)系，SO和SNO控制器的目標就是分別通過調(diào)節(jié)第5單元的曝氣量KLa5和內(nèi)回流量Qa來控制第5單元的溶解氧濃度（SO,5）和第2單元的硝態(tài)氮濃度（SNO,2）[30-32]。多目標優(yōu)化的目的就是分別通過動態(tài)調(diào)整SO,5和SNO,2的設(shè)定值[SO,sp,SNO,sp]，實現(xiàn)EC和EQ之間的最佳平衡。在污水處理過程中，SO,5和SNO,2設(shè)定值不僅影響EQ，而且與EC有密切關(guān)系。因此，為了取得EC和EQ之間的最佳平衡，利用HBBMOPSO算法來處理這對相互沖突的目標函數(shù)。由于曝氣能耗（AE）和泵送能耗（PE）占總能耗的70%以上[18]，因此優(yōu)化問題的EC定義為AE和PE之和，即EC=AE+PE(1)按照BSM1機理模型的定義，AE和PE為[31]5(1)O,satLa1AE()d1.81000kTiikTiSVKttT(2)(1)arw1PE4()8()50()d1000kTkTQtQtQttT(3)式中，Vi和KLai分別為第i個單元的體積和氧氣轉(zhuǎn)換系數(shù)；SO,sat為溶解氧飽和濃度；T為優(yōu)化周期；Qa、Qr和Qw分別為內(nèi)回流量、污泥回流量和污泥排放量。圖1多目標優(yōu)化控制策略整體架構(gòu)Fig.1Architectureofmulti-objectiveoptimalcontrolstrateg
文內(nèi)圖片：
圖片說明： 組等同優(yōu)秀的Pareto解集；進一步，采用智能決策系統(tǒng)從Pareto解集選取偏好解作為優(yōu)化設(shè)定值；最后，設(shè)計具有控制精度高和穩(wěn)定性好的自適應(yīng)控制器以跟蹤優(yōu)化設(shè)定值，從而實現(xiàn)多目標優(yōu)化控制。本文構(gòu)建的污水處理過程多目標優(yōu)化控制整體架構(gòu)如圖1所示，其中自組織預(yù)測模型和自組織控制器的設(shè)計過程見文獻[29-30]，本文主要介紹多目標優(yōu)化算法的設(shè)計。BSM1模型自帶晴好天氣、陰雨天氣和暴雨天氣3種不同工況下入水流量和組分濃度的數(shù)據(jù)文件，采樣間隔為15min[31]，來源于某實際污水處理廠連續(xù)兩周的運行操作數(shù)據(jù)。圖2所示為晴好天氣下入水流量和入水SS、XB,H、SNH濃度，能夠反映污水處理過程強非線性、不確定性嚴重和強耦合的非線性特點[31-32]。圖2晴好天氣下入水流量和SS、XB,H、SNH濃度Fig.2FlowrateandSS,XB,H,SNHconcentrationsofinfluentindryweather2混合多目標骨干粒子群優(yōu)化算法下面首先闡述分解方法、引導(dǎo)者選擇、外部檔案維護、粒子位置更新和精英學(xué)習(xí)策略，然后給出HBBMOPSO算法的整體流程，最后給出污水生化處理過程優(yōu)化控制的整體流程。2.1分解方法MOEA/D采用分解方法將多目標優(yōu)化問題分解為一系列單目標優(yōu)化子問題，然后采用進化算法協(xié)同解決這些單目標子問題，主要方法有：加權(quán)和法、Tchebycheff法和基于懲罰的邊界交集法（penalty-basedboundaryintersection，PBI）。研究表明，PBI方法具有更大的優(yōu)勢[27]。因此本文將PBI
【作者單位】： 北京工業(yè)大學(xué)信息學(xué)部;計算智能和智能系統(tǒng)北京市重點實驗室;淮陰工學(xué)院自動化學(xué)院;
【基金】：國家自然科學(xué)基金重點項目(61533002)~~
【分類號】：TP18;X703

【相似文獻】

相關(guān)期刊論文 前3條

1 邵華;;改進的粒子群優(yōu)化算法在環(huán)境規(guī)劃與管理中的應(yīng)用[J];市場周刊(理論研究);2009年08期

2 李源;;基于粒子群優(yōu)化算法的直升機粘彈減擺器模型參數(shù)優(yōu)化計算[J];科技創(chuàng)新與應(yīng)用;2014年12期

3 吳繼芳;張其林;趙永標;李杰;;PSO優(yōu)化的SVM回歸在SF_6廢氣定量分析中的應(yīng)用[J];洛陽理工學(xué)院學(xué)報(自然科學(xué)版);2011年02期

相關(guān)碩士學(xué)位論文 前2條

1 于錫才;基于粒子群優(yōu)化算法的低NO_x排放過程的優(yōu)化研究[D];東北大學(xué);2008年

2 朱劍;基于移動平臺的水域突發(fā)污染溯源研究[D];浙江大學(xué);2014年

，

本文編號：2515769