污水處理曝氣系統(tǒng)優(yōu)化控制仿真研究

孫宏存,于廣平,李 崇,劉 堅(jiān)

(1. 沈陽(yáng)化工大學(xué)信息工程學(xué)院,遼寧 沈陽(yáng) 110142;2. 廣州中國(guó)科學(xué)院沈陽(yáng)自動(dòng)化研究所分所,廣東 廣州 511458)

1 引言

污水處理中的活性污泥法是一種污水生化處理方法,曝氣系統(tǒng)是極其重要的控制部分￣[1],主要是向污水處理的好氧池中通入氧氣,曝氣量直接影響污水中溶解氧的濃度,從而影響出水水質(zhì)的好壞,污水處理系統(tǒng)具有耦合性強(qiáng)[2],大滯后等特性[3],精準(zhǔn)曝氣一直以來(lái)都是污水處理過(guò)程中的一個(gè)難點(diǎn),魏偉等針對(duì)溶解氧的控制,設(shè)計(jì)了一種有限時(shí)間自抗擾控制,來(lái)解決污水處理過(guò)程中的不確定性,對(duì)溶解氧調(diào)控取得一定效果[4]。栗三一等提出污水處理決策優(yōu)化控制方法,對(duì)出水氨氮和出水總氮峰值進(jìn)行抑制并降低能耗[5]。項(xiàng)雷軍等提出了自適應(yīng)補(bǔ)償能力的輸出反饋預(yù)測(cè)控制系統(tǒng),當(dāng)溶解氧濃度測(cè)量不準(zhǔn)確時(shí)可通過(guò)反饋系統(tǒng)進(jìn)行補(bǔ)償調(diào)整[6]。周紅標(biāo)針對(duì)污水處理過(guò)程提出了基于自組織模糊神經(jīng)網(wǎng)絡(luò)的控制方法,在實(shí)際工況的動(dòng)態(tài)變化下,溶解氧濃度的設(shè)定值可以被精確的跟蹤,有著穩(wěn)定的控制[7]。喬俊飛等提出一種基于知識(shí)的優(yōu)化控制方法,采用記憶多目標(biāo)優(yōu)化算法構(gòu)建環(huán)境變量參數(shù)與最優(yōu)解之間的知識(shí)模型,算法的收斂性提高以獲取更高質(zhì)量的解[8]。

以上研究對(duì)污水處理溶解氧濃度的設(shè)定值優(yōu)化和跟蹤控制都取得顯著的成效,但是未考慮污泥狀態(tài)及出水的平穩(wěn)性等問(wèn)題,對(duì)設(shè)定值優(yōu)化未形成閉環(huán)的反饋系統(tǒng),針對(duì)這一問(wèn)題本文在建立預(yù)測(cè)模型時(shí)考慮多因素影響,設(shè)定值優(yōu)化后設(shè)計(jì)評(píng)估反饋系統(tǒng),不斷更新模型參數(shù),使溶解氧設(shè)定值趨于最優(yōu)。

2 污水處理曝氣過(guò)程優(yōu)化

污水處理曝氣過(guò)程優(yōu)化是通過(guò)優(yōu)化目標(biāo)函數(shù)產(chǎn)生優(yōu)化設(shè)定值,采用BSM1仿真平臺(tái)進(jìn)行仿真[9],評(píng)估出水水質(zhì),對(duì)系統(tǒng)進(jìn)行反饋。主要包括建立基于BP神經(jīng)網(wǎng)絡(luò)[10-12]的能耗和出水水質(zhì)模型;研究關(guān)于能耗和出水水質(zhì)的多目標(biāo)優(yōu)化方法[13,14];建立對(duì)于復(fù)雜入水工況的識(shí)別[15]、出水評(píng)估反饋系統(tǒng)。

首先根據(jù)BSM1模型提供的三類(lèi)歷史數(shù)據(jù),通過(guò)搭建的simulink模型對(duì)三類(lèi)數(shù)據(jù)進(jìn)行仿真,采用BP神經(jīng)網(wǎng)絡(luò)分別以入水流量、組分、溶解氧設(shè)定值與能耗和出水氨氮建立兩個(gè)模型。以能耗最小為優(yōu)化目標(biāo),以出水氨氮值作為約束條件。用粒子群算法尋找出該數(shù)據(jù)對(duì)應(yīng)的最優(yōu)溶解氧設(shè)定值。將每一類(lèi)入水工況與溶解氧設(shè)定值存入工況庫(kù)中。對(duì)于新的輸入數(shù)據(jù)通過(guò)高斯混合模型[16]與已有類(lèi)別進(jìn)行比較,通過(guò)歐氏距離匹配得到相應(yīng)的操作參數(shù)。若經(jīng)高斯混合模型比較相似度未達(dá)預(yù)設(shè)閾值,則將該組數(shù)據(jù)作為新的一類(lèi),仿真、尋優(yōu)得到溶解氧設(shè)定值,最后用該設(shè)定值通過(guò)仿真平臺(tái)驗(yàn)證,評(píng)估出水水質(zhì)指標(biāo)對(duì)模型數(shù)據(jù)庫(kù)進(jìn)行更新。系統(tǒng)框圖如圖1所示。

圖1 系統(tǒng)框圖

圖2 氨氮值預(yù)測(cè)模型效果圖

2.1 BP神經(jīng)網(wǎng)絡(luò)能耗和出水水質(zhì)模型

考慮到污水處理過(guò)程出水水質(zhì)指標(biāo)和操作變量之間關(guān)系具有強(qiáng)非線性、不確定性、機(jī)理不清的特點(diǎn),通過(guò)機(jī)理建模來(lái)預(yù)測(cè)出水水質(zhì)的指標(biāo)難以保證其模型的準(zhǔn)確性可靠性。因此引入能耗和出水水質(zhì)模型代替污水處理系統(tǒng)對(duì)能耗和水質(zhì)的計(jì)算。

BP 神經(jīng)網(wǎng)絡(luò)是一種基于誤差反向傳播算法訓(xùn)練的多層感知器前饋網(wǎng)絡(luò),不需要了解輸入與輸出之間的關(guān)系。模型通過(guò)簡(jiǎn)單的非線性函數(shù)多次擬合后,實(shí)現(xiàn)高維度非線性的精確映射[17],具有較強(qiáng)的自適應(yīng)能力,根據(jù)活性污泥1號(hào)模型(ASM1)提供的三類(lèi)歷史數(shù)據(jù),本文采用BP神經(jīng)網(wǎng)絡(luò)分別以入水流量13種入水組分及曝氣池3、4、5池溶解氧設(shè)定值為輸入,出水能耗和出水氨氮為輸出建立兩個(gè)預(yù)測(cè)模型。采用Trainlm函數(shù)、Levenberg-Marquardt算法、隱含層2層15-20、激活函數(shù)tansig、函數(shù)訓(xùn)練次數(shù)1000、學(xué)習(xí)效率0.01、收斂誤差1e-7。

氨氮值預(yù)測(cè)結(jié)果如2所示,mse=2.48*10-8,能耗預(yù)測(cè)結(jié)果如圖3所示,mse=1.4*10-3。

圖3 能耗預(yù)測(cè)模型效果圖

2.2 溶解氧設(shè)定值優(yōu)化

一般粒子群算法是通過(guò)模擬鳥(niǎo)群覓食行為的一種全局優(yōu)化進(jìn)化算法,該算法在計(jì)算過(guò)程中保留了最優(yōu)全局位置和粒子已知的最優(yōu)位置兩個(gè)信息[18]。對(duì)較快收斂速度以及避免過(guò)早陷入局部最優(yōu)解產(chǎn)生了不錯(cuò)的效果。在各個(gè)領(lǐng)域得到了廣泛的應(yīng)用[19,20]。

本文在標(biāo)準(zhǔn)的粒子群算法的基礎(chǔ)引入了慣性因子,在算法的收斂性能有了很大的改善,在PSO算法中,在一個(gè)目標(biāo)搜索范圍為D維的空間中,初始化M個(gè)粒子,組成一個(gè)種群T={X1,X2,…,XM}Xi=(xi1,xi2,…,xiD),i=1,2,…,M,表示第i個(gè)粒子在D維空間的位置,vi=(vi1,vi2,…,viD),i=1,2,…,M,表示第i個(gè)粒子的速度。第i個(gè)粒子到目前為止所搜索到的個(gè)體極值表示為Pi=(Pi1,Pi2,…,PiD),i=1,2,…,M,在整個(gè)粒子群中,所有粒子到目前為止所搜索到的全局極值表示為Pg=(Pg1,Pg2,…,PgD),g∈{1,2,…,M}。每個(gè)粒子代表一組溶解氧的設(shè)定值(DOset),粒子每更新一次適應(yīng)度就隨之更新一次,在此過(guò)程中適應(yīng)度值是由入水?dāng)?shù)據(jù)和粒子對(duì)應(yīng)的DOset通過(guò)能耗模型計(jì)算出能耗,由于出水水質(zhì)中有機(jī)物濃度越接近約束的最大值,污水處理過(guò)程能耗越低,且出水水質(zhì)中氨氮值最容易超標(biāo),因此利用入水?dāng)?shù)據(jù)和粒子對(duì)應(yīng)的DOset通過(guò)氨氮模型計(jì)算出的出水氨氮值作為約束值。則第i個(gè)粒子就是按照下面的式(1)和(2)來(lái)更新自己的速度和位置。

(1)

(2)

式中,i=1,2,…,M,M是群體中的粒子數(shù);K是迭代次數(shù);c1和c2為學(xué)習(xí)因子,r1,r2是均勻分布于[0,1]之間的兩個(gè)隨機(jī)數(shù)。ω為慣性因子。取晴天雨天暴雨天各4天,采樣時(shí)間為15分鐘共1152條數(shù)據(jù)進(jìn)行溶解氧設(shè)定值尋優(yōu),粒子群相關(guān)參數(shù):種群個(gè)體數(shù)60、迭代次數(shù)1000、慣性因子0.5～0.8、學(xué)習(xí)因子0.5,圖4、圖5、圖6分別為晴天、雨天、暴雨天三個(gè)好氧池優(yōu)化后的溶解氧設(shè)定值。

圖4 晴天溶解氧設(shè)定值

圖5 晴天溶解氧設(shè)定值

圖6 晴天溶解氧設(shè)定值

2.3 評(píng)估反饋系統(tǒng)

評(píng)估反饋系統(tǒng)包括入水工況識(shí)別和數(shù)據(jù)庫(kù)更新,入水?dāng)?shù)據(jù)通過(guò)高斯混合模型進(jìn)行分類(lèi),采用歐氏距離進(jìn)行入水工況匹配,結(jié)合Benchmark的污水處理仿真平臺(tái)BSM1對(duì)數(shù)據(jù)進(jìn)行仿真驗(yàn)證,通過(guò)對(duì)比仿真結(jié)果與出水水質(zhì)標(biāo)準(zhǔn)進(jìn)行數(shù)據(jù)庫(kù)更新。評(píng)估反饋系統(tǒng)框圖如圖7所示。

圖7 評(píng)估反饋框圖

圖中新工況A表示一組新的入水?dāng)?shù)據(jù),其中參考變量包括入水的流量和13種組分,歷史工況庫(kù)1、2、3分別存放著晴天雨天暴雨天三類(lèi)入水流量組分及每個(gè)池子的溶解氧濃度,d1、d2、d3為高斯混合模型所計(jì)算的概率,a為閾值(95%),操作變量為各個(gè)池子的溶解氧設(shè)定值。

混合高斯模型的數(shù)學(xué)模型為式(3)

(3)

分類(lèi)后計(jì)算當(dāng)前入水工況與該歷史工況庫(kù)中的各工況之間的相似度。采用歐氏距離進(jìn)行相似度計(jì)算記當(dāng)前工況為T(mén)=(t1,…,ti,…tn),其中ti是第i個(gè)輸入屬性的歸一化特征值,Xk為歷史工況庫(kù)第k條入水工況,計(jì)算T與Xk的相似度如式(4)所示

(4)

k=1,2,…,p通過(guò)計(jì)算比較p個(gè)相似度,分別為S1,…,Sp,選相似度最高的一組,讀取操作參數(shù)。

本文的評(píng)估標(biāo)準(zhǔn)是采用Benchmark基準(zhǔn)給出的出水水質(zhì)指標(biāo)(EQ)及曝氣能耗(AE)。

出水水質(zhì)指標(biāo)計(jì)算如式(5)所示:

(5)

曝氣能耗計(jì)算如式(6)所示:

(6)

SS,COD,SNKj,e,SNO,e,BOD5,e為5種出水指標(biāo),Qa、Qr、Qw分別表示內(nèi)回流流量、外回流流量、污泥排放量;Kla為氧轉(zhuǎn)移速率,表征好氧池的曝氣情況;T=4days,Qe為出水流量。

3 仿真驗(yàn)證

為了更加有效地模擬和評(píng)估污水處理過(guò)程曝氣過(guò)程中使用的控制和優(yōu)化策略,本文采用仿真基準(zhǔn)模型 1號(hào)進(jìn)行驗(yàn)證,BSM1 主要由生化反應(yīng)池和二次沉淀池構(gòu)成,生化反應(yīng)池共有5個(gè)模塊,2個(gè)厭氧區(qū),主要進(jìn)行反硝化反應(yīng),3個(gè)好氧區(qū),主要進(jìn)行硝化反應(yīng)。配合內(nèi)外回流,保證了曝氣池中固體懸浮物的濃度,維持了活性污泥系統(tǒng)的穩(wěn)定性。取晴天雨天暴雨天各四天,采樣時(shí)間為15分鐘共1152條數(shù)據(jù)作為驗(yàn)證數(shù)據(jù),當(dāng)入水?dāng)?shù)據(jù)進(jìn)入系統(tǒng)后,通過(guò)優(yōu)化得到得溶解氧設(shè)定值(下文統(tǒng)稱(chēng)優(yōu)化后)與BSM1的原系統(tǒng)(下文統(tǒng)稱(chēng)優(yōu)化前)Kla3=Kla4=10h-1,DO5set=2mg/L仿真結(jié)果進(jìn)行比較。BSM1系統(tǒng)框圖如下圖8所示。

圖8 BSM1系統(tǒng)圖

優(yōu)化前后出水水質(zhì)對(duì)比圖如圖9、圖10、圖11、圖12所示。

圖9 出水氨氮濃度對(duì)比圖

圖10 出水COD濃度對(duì)比圖

圖11 出水BOD濃度對(duì)比圖

圖12 出水總氮濃度對(duì)比圖

出水水質(zhì)各指標(biāo)如表1所示。

表1 兩系統(tǒng)出水水質(zhì)

兩系統(tǒng)的曝氣性能指標(biāo)如表2所示。

表2 兩系統(tǒng)污水處理性能

由圖表信息可知經(jīng)優(yōu)化后晴天在出水水質(zhì)降低2%的同時(shí)風(fēng)機(jī)能耗降低18%左右,雨天在水質(zhì)降低1%風(fēng)機(jī)能耗上升不到3%,暴雨天在水質(zhì)稍有上升的情況下風(fēng)機(jī)能耗降低4%。

4 結(jié)語(yǔ)

與傳統(tǒng)的污水處理曝氣過(guò)程溶解氧控制相比,基于數(shù)據(jù)驅(qū)動(dòng)的優(yōu)化控制方法在復(fù)雜多變的入水工況下可以更精準(zhǔn)的控制溶解氧的濃度。該方法具有以下特點(diǎn):1)采用BP神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型,考慮綜合因素的干擾,非線性預(yù)測(cè)能力強(qiáng),魯棒性好,可快速預(yù)測(cè)出水。2)粒子群優(yōu)化算法,算法精度高,收斂速度快,避免算法停滯現(xiàn)象。3)具有評(píng)估反饋系統(tǒng)有不斷更新模型能力,使結(jié)果精度更高。最終經(jīng)驗(yàn)證與原始數(shù)據(jù)對(duì)比得出,在出水水質(zhì)變化不大的情況下總能耗降低了7%左右。