前置反硝化污水处理过程优化控制

前置反硝化污水处理过程优化控制

0污水处理约束问题及神经网络优化污水处理厂是一个大型非线性系统，受进水流量、废水中不确定混合成分的影响，以及污泥负荷的较大干扰。自1985年Hopfield等本文以出水水质达标为约束条件,能耗最小为目标,将污水处理优化问题转化为约束优化问题,并采用Hopfield神经网络进行在线优化.1废水处理过程的节能优化1.1基准模型的建立前置反硝化活性污泥工艺(A/O工艺)是一种目前应用广泛的污水处理脱氮工艺.国际水质协会与欧盟科学技术合作组织合作开发了前置反硝化工艺污水处理基准仿真模型BenchmarkSimulationModelNo.1(下面简称Benchmark基准)Benchmark基准通过对曝气量和内回流量的控制,实现对生化池中溶解氧浓度和硝态氮浓度的控制,根据入水水质水量的变化动态调整溶解氧浓度和硝态氮浓度的设定值,是提高污水处理系统处理效果、降低运行成本的一种可行方法,也是当前解决污水处理优化问题的有效手段之一.1.2污水处理厂的节能优化其中:f(x)为优化目标函数;h其中:式(4)采用不等式约束优化问题的形式表示了污水处理过程优化问题.2基于拉格朗日乘数法的混合网络优化方法2.1拉格朗日乘子法求解优化问题拉格朗日乘子法是解决约束优化问题最有效的方法之一.拉格朗日乘子法通过把约束合并到一个修正目标函数中来处理约束.针对式(4)所描述的污水处理过程约束优化问题的不等式约束条件,构造拉格朗日乘子法的修正目标函数为其中:λ其中通过式(6)和(7),可将污水处理过程的最优化问题转化为求解具有拉格朗日形式的能量函数的极小点问题.2.2基于拉格朗日乘子法的hop-pcr的动力系统优化问题由式(6)和(7),构造极小化能量函数的Hopfield神经网络微分方程组,如下所示:基于式(8)和(9)的Hopfield神经网络结构如图2所示.针对污水处理过程的特点,基于拉格朗日乘子法的Hopfield神经网络对所构造的约束优化问题进行在线优化,更新公式如下:展开式(8),有将式(11)代入(10),得出第5分区溶解氧浓度设定值的优化更新公式,表示为同理,第2分区硝态氮浓度设定值的优化更新公式表示为优化计算中,拉格朗日乘子的更新公式为将式(9)带入(14)中,得出拉格朗日乘子的优化更新公式,表示为3模拟实验3.1研究样本与实验过程仿真实验的机理模型平台采用Benchmark基准.仿真工况选取Benchmark基准中的晴好天气,包括两周共14天的晴好天气,每周末(周六、周日)的进水数据与周中(周一～周五)有较大变化(进水和组分浓度均减小,范围在20%左右).仿真数据选取时间均为14天,样本选取的间隔时间为15min.优化控制与闭环PID控制的仿真实验均基于如上所述的同等仿真环境设定值学习率为μ3.2生物处理技术的应用通过实验设计,仿真实验在Benchmark基准的晴好天气下分别运行基于拉格朗日乘子法的Hopfield神经网络优化方法和传统的PID闭环控制策略.图3和图4分别为优化的溶解氧浓度设定值和硝态氮浓度设定值曲线;表1和表2分别对优化前后的出水水质和系统能耗进行了量化比较.图3和图4分别给出了生化池第5分区溶解氧浓度和第2分区硝态氮浓度的优化设定值(实线)及跟踪控制曲线(虚线).两幅图展示了Hopfield神经网络的优化效果,同时表明了底层的PID控制器具有较好的跟踪控制精度.结合图3和图4所示的进水污染物浓度曲线,当进水污染物浓度高时,相应的溶解氧和硝态氮浓度优化设定值上升,通过提高曝气量和内回流量提升污水中污染物的去除力度;当进水污染物浓度低时,相应的溶解氧和硝态氮优化设定值降低,这时较低的污染物去除力度能满足出水水质要求,故采用较低的曝气量和内回流量,从而降低系统的能耗.表1所示为开环控制、闭环控制和IIopfiled神经网络优化控制3种策略的出水水质比较.采用开环控制策略时,出水的氨氮浓度是超标的,说明开环控制策略是不适合污水处理过程的;采用闭环控制和优化控制两种策略时,出水的几个关键水质指标均满足要求.其中优化控制策略相比闭环控制策略,出水氨氮浓度有所上升,出水总氮浓度有所下降.表2显示了3种策略在系统运行能耗方面的比较.相比闭环控制策略,优化控制策略显著降低了系统的曝气能耗AE,泵送能耗PE略有提升,总能耗降低了5.30%,节能效果显著.4池第5分区溶解氧浓度和第2分区硝态氮浓度的数学模型优化本文针对前置反硝化污水处理工艺过程中能耗优化问题,在出水水质达标的基础上,构造了关于污水处理过程能耗和生化池第5分区溶解氧浓度、第2分区硝态氮浓度的约束优化数学模型;采用IIopfield神经网络解决对所构造的优化问题,