一种基于区间二型模糊神经网络的污水处理过程鲁棒模型预测控制方法

摘要

本发明提出了一种基于二型模糊神经网络的污水处理过程鲁棒模型预测控制方法，针对污水处理过程中易受外部干扰，具有不确定性，影响变量的精准追踪问题，实现污水处理过程中溶解氧浓度和硝态氮浓度的稳定精确控制。该控制方法采用区间二型模糊神经网络估计预测模型，从而获得一种无终端约束的鲁棒预测控制器以减弱干扰对控制性能和稳定性的影响。实验结果表明该方法能够实现溶解氧浓度和硝态氮浓度稳定精确在线控制，促进污水处理厂高效稳定运行。

说明书

技术领域

本发明利用基于区间二型模糊神经网络的污水处理过程鲁棒模型预测控制方法有效抑制污水处理过程中扰动的影响，实现过程变量溶解氧浓度和硝态氮浓度的稳定高精确控制，溶解氧浓度和硝态氮浓度是污水处理过程中关键控制参数，对出水水质，能耗都有着重要影响；污水处理过程中溶解氧浓度和硝态氮浓度的稳定控制作为污水处理的重要环节，是先进制造技术领域的重要分支，既属于过程控制领域，又属于水处理领域。

背景技术

当前，我国社会经济不断发展、城市规模不断扩大，水资源短缺和水污染问题日益突出，水资源污染和短缺问题已成为全球最受关注的焦点之一。城市污水处理过程能够实现水资源的可持续利用和良性循环，可有效缓解水资源危机，是城市发展的重要举措。

作为污水处理过程中关键过程变量，溶解氧浓度和硝态氮浓度对于污水处理过程中的生化反应过程起着直接控制作用；污水处理单元好氧区的溶解氧浓度的大小直接影响了硝化反应进程，过高的溶解氧浓度会抑制系统中出水氨氮和总氮的浓度，但当溶解氧浓度达到一定值时，出水中氨氮的变化幅度就会减弱。同时，污水处理单元缺氧区的硝态氮浓度是衡量脱氮效果的重要指标，过低的硝态氮浓度降低反硝化反应的脱氮效果，将硝态氮浓度控制在一个合适的范围内，能够提高反硝化反应的潜力。因此，对污水处理单元中溶解氧浓度和硝态氮浓度的控制非常重要。

然而，由于城市污水处理生化反应过程复杂多变，机理异常复杂，进水流量，进水成分变化较大，污染物种类、有机物浓度都是被动接受，同时受天气变化、操作条件等干扰严重，污水处理过程是一个典型的多干扰非线性复杂动态系统，且始终运行于非平稳状态。因此，对污水处理过程的稳定控制是一个相当复杂的问题。

近年来，控制界涌现的大量的鲁棒控制方法，虽然能在一定程度抑制干扰的影响，但控制效果仍然存在平稳性不好、跟踪精度不高等问题，控制性能无法实时维持在期望水平。因此，寻求一种高效的鲁棒控制方法，确保污水处理过程在强干扰情况下稳定运行，实现过程变量精确控制具有重要研究价值。

本发明设计一种基于区间二型模糊神经网络的污水处理过程鲁棒模型预测控制方法，主要通过区间二型模糊神经网络建立数据模型，从而设计了无终端约束的鲁棒模型预测控制器，实现了污水处理过程溶解氧和硝态氮的稳定精确跟踪。

发明内容

本发明获得了一种基于区间二型模糊神经网络的污水处理过程鲁棒模型预测控制方法，主要采用区间二型模糊神经网络估计预测模型，从而获得一种无终端约束的鲁棒预测控制器以减弱干扰对控制性能和稳定性的影响，实现溶解氧浓度和硝态氮浓度稳定精确在线控制，促进污水处理厂高效稳定运行；

本发明采用了如下的技术方案及实现步骤：

1.一种基于二型模糊神经网络的污水处理过程鲁棒模型预测控制方法，其特征在于，包括以下步骤：

(1)确定控制对象；针对序批式间歇活性污泥系统中溶解氧和硝态氮进行控制，以鼓风机曝气量和内循环回流量为控制量，溶解氧和硝态氮浓度为被控量；

(2)根据污水处理过程的强干扰特点，设计用于稳定控制污水处理过程中溶解氧DO和硝态氮浓度的鲁棒模型预测控制方法的目标函数：

其中J

其中，Δu

(3)设计用于污水处理过程中溶解氧和硝态氮浓度预测控制方法的区间二型模糊神经网络拓扑结构；网络结构共五层：输入层、隶属函数层、激活层、后件层和输出层,区间二型模糊神经网络的输入为x(t)＝[y(t-1),K

其中，其中q(t)为t时刻区间二型模糊神经网络输出下界的比例值，q(t)∈(0,1)；

M表示激活层中激活神经元的数量，h

其中，n表示输入层中输入神经元的数量，i＝1,2,…n,x(t)＝[x

其中G(·)表示高斯隶属函数，G(x

定义误差函数为：

其中，

(4)训练区间二型模糊神经网路，具体为：

①给定一个区间二型模糊神经网络，输入为x(t)＝[y(t-1),K

②对区间二型模糊神经网络的参数进行更新：

其中，m

③重复步骤①-②，l达到设定步数L时停止计算，L∈(100,500]；

(5)设计用于受扰动的污水处理过程中溶解氧DO和硝态氮设定值稳定跟踪控制策略，具体为：

①根据公式(3)计算区间二型模糊神经网络的输出

②根据公式(8)求解各个参数的更新值；

③设计鲁棒模型预测控制的目标函数跟踪溶解氧DO浓度和硝态氮浓度：

J(t)＝ρ

其中ρ

④通过最小化公式(9)，计算鲁棒模型预测控制律：

其中，η

u(t+1)＝u(t)+Δu(t)； (11)

(6)利用求解出的u(t)对溶解氧DO和硝态氮进行控制，u(t)为t时刻变频器和传感器的输入，变频器通过调节电动机的转速达到控制鼓风机的目的，传感器通过调节仪表的开度达到控制阀门的目的，最终控制曝气量和内回流，整个控制系统的输出为溶解氧浓度和硝态氮浓度的实际值。

本发明的创新性体现在

(1)本发明针对的污水处理过程是一个典型的多干扰非线性复杂动态系统，且始终运行于非平稳状态，同时对污水处理过程的精确数学模型难以表述，根据模糊神经网络既具有良好的不确定性处理能力，又具有自适应学习能力，采用基于区间二型模糊神经网络的控制方法实现溶解氧和硝态氮浓度的控制，具有控制精度高、稳定性好等特点；

(2)本发明基于建立的预测模型，设计了一种无终端约束的鲁棒模型预测控制器对污水处理过程溶解氧浓度和硝态氮浓度进行控制，减弱干扰对控制性能和稳定性的影响，解决了污水处理过程变量难以稳定精确控制的问题；

特别要注意：本发明只是为了描述方便，采用的是对溶解氧和硝态氮浓度的控制，同样该发明也可适用污水处理过程氨氮的控制等，只要采用了本发明的原理进行控制都应该属于本发明的范围。

附图说明

图1为本发明的进水流量Q

图2为本发明的溶解氧浓度控制结果图

图3为本发明的溶解氧浓度控制结果误差图

图4为本发明的硝态氮浓度控制结果图

图5为本发明的硝态氮浓度控制结果误差图

具体实施方式

1.一种基于二型模糊神经网络的污水处理过程鲁棒模型预测控制方法，其特征在于，包括以下步骤：

(1)确定控制对象；针对序批式间歇活性污泥系统中溶解氧和硝态氮进行控制，以鼓风机曝气量和内循环回流量为控制量，溶解氧和硝态氮浓度为被控量；

(2)根据污水处理过程的强干扰特点，设计用于稳定控制污水处理过程中溶解氧DO和硝态氮浓度的鲁棒模型预测控制方法的目标函数：

其中J

其中，Δu

(3)设计用于污水处理过程中溶解氧和硝态氮浓度预测控制方法的区间二型模糊神经网络拓扑结构；网络结构共五层：输入层、隶属函数层、激活层、后件层和输出层,区间二型模糊神经网络的输入为x(t)＝[y(t-1),K

其中，其中q(t)为t时刻区间二型模糊神经网络输出下界的比例值，初始q(t)＝0.67；

M＝8表示激活层中激活神经元的数量，h

N＝3表示输入层中输入神经元的数量，i＝1,2,…n,x(t)＝[x

其中G(·)表示高斯隶属函数，G(x

定义误差函数为：

其中，

(4)训练区间二型模糊神经网路，具体为：

①给定一个区间二型模糊神经网络，输入为x(t)＝[y(t-1),K

②对区间二型模糊神经网络的参数进行更新：

其中，m

③重复步骤①-②，l达到设定步数L时停止计算，L＝500；

(5)设计用于受扰动的污水处理过程中溶解氧DO和硝态氮设定值稳定跟踪控制策略，具体为：

①根据公式(3)计算区间二型模糊神经网络的输出

②根据公式(8)求解各个参数的更新值；

③设计鲁棒模型预测控制的目标函数跟踪溶解氧DO浓度和硝态氮浓度：

J(t)＝ρ

其中ρ

④通过最小化公式(9)，计算鲁棒模型预测控制律：

其中，η

u(t+1)＝u(t)+Δu(t)； (11)

(6)利用求解出的u(t)对溶解氧DO和硝态氮进行控制，u(t)为t时刻变频器和传感器的输入，变频器通过调节电动机的转速达到控制鼓风机的目的，传感器通过调节仪表的开度达到控制阀门的目的，最终控制曝气量和内回流，整个控制系统的输出为溶解氧浓度和硝态氮浓度的实际值。图2显示系统的溶解氧浓度值，X轴：时间，单位是天，Y轴：溶解氧浓度值，单位是毫克/升，实线为溶解氧浓度设定值，虚线是实际溶解氧浓度值；溶解氧浓度实际值与溶解氧浓度设定值的误差如图3，X轴：时间，单位是天，Y轴：溶解氧浓度误差值，单位是毫克/升；图4显示系统的硝态氮浓度值，X轴：时间，单位是天，Y轴：硝态氮浓度值，单位是毫克/升，实线为硝态氮浓度设定值，虚线是实际硝态氮浓度值；硝态氮浓度实际值与硝态氮浓度设定值的误差如图5，X轴：时间，单位是天，Y轴：硝态氮浓度误差值，单位是毫克/升，结果证明该方法的有效性。