基于均匀分布NSGAII算法的污水处理多目标优化控制

针对污水处理过程控制中能耗过大、出水水质超标严重等问题,提出了一种基于均匀分布的NSGAII(non-dominated sorting genetic algorithm II based on uniform distribution, UDNSGAII)多目标优化智能控制系统。首先,该方法以污水处理能耗和出水水质作为优化目标,建立多目标优化模型。其次,为了获得溶解氧和硝态氮的优化设定值,提高Pareto解的性能,该算法将种群映射到目标函数对应的超平面,并在该平面上进行聚类以增加解的多样性。此外,加入分布性判断模块和分布性加强模块提高解的分布性。最后,采用比例积分微分(proportional integral derivative, PID)控制器对溶解氧和硝态氮的优化设定值进行底层跟踪控制。为了验证该算法的有效性,采用国际基准的污水处理仿真平台(benchmark simulation model No.1, BSM1)来进行实验。结果显示,所提出的UDNSGAII多目标优化控制方法能够在满足出水水质达标的同时,有效地降低污水处理过程能耗。     

基于多目标粒子群算法的污水处理智能优化控制

为了满足污水处理过程出水水质排放达标的同时降低运行能耗,提出了一种基于多目标粒子群的污水处理多目标智能优化控制方法。首先,通过分析污水处理运行数据,建立了基于自适应回归核函数的污水处理能耗和出水水质模型;其次,设计出一种污水处理多目标优化方法,利用多目标粒子群优化算法同时对污水处理自适应能耗和出水水质模型进行优化,获得溶解氧和硝态氮浓度的优化设定值;最后,利用PID控制器对溶解氧和硝态氮浓度优化设定值进行跟踪控制,实现了污水处理过程的多目标优化控制。基于污水处理基准仿真平台BSM1的实验结果显示,该多目标优化控制方法不但能够保证出水水质达标,而且能有效降低污水处理过程的能耗。     

基于多目标粒子群算法的污水处理智能优化控制

为了满足污水处理过程出水水质排放达标的同时降低运行能耗,提出了一种基于多目标粒子群的污水处理多目标智能优化控制方法。首先,通过分析污水处理运行数据,建立了基于自适应回归核函数的污水处理能耗和出水水质模型;其次,设计出一种污水处理多目标优化方法,利用多目标粒子群优化算法同时对污水处理自适应能耗和出水水质模型进行优化,获得溶解氧和硝态氮浓度的优化设定值;最后,利用PID控制器对溶解氧和硝态氮浓度优化设定值进行跟踪控制,实现了污水处理过程的多目标优化控制。基于污水处理基准仿真平台BSM1的实验结果显示,该多目标优化控制方法不但能够保证出水水质达标,而且能有效降低污水处理过程的能耗。     

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

针对污水处理过程中的能耗过高和出水水质不达标等问题,提出一种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方法。首先,在常规跟踪控制结构的基础上,增加对第3、4单元溶解氧浓度的跟踪控制,扩大了能耗和出水水质的优化调节范围。然后,设计一种多策略自适应差分进化算法（MSADE）,该算法采用多策略融合变异和排序优选方法,选取合适的变异策略和较优的随机个体引导种群变异,并根据进化过程信息自适应地更新交叉率,以提升算法的收敛性和pareto解的多样性。最后,将MSADE算法与PID控制器相结合,并构建以能耗和出水水质为优化目标的多目标优化问题,实现对溶解氧和硝态氮浓度设定值的动态寻优和跟踪控制。基于国际基准仿真平台BSM1进行验证,结果表明所提的多目标优化控制方法能有效降低污水处理过程的能耗并提升出水水质。     

混合多目标骨干粒子群优化算法在污水处理过程优化控制中的应用

通过对污水生化处理过程的分析,选取能耗和罚款最低为优化目标,建立污水生化处理过程多目标优化控制模型。为了提高Pareto最优解集的收敛性和多样性,提出一种基于Pareto支配和分解的混合多目标骨干粒子群优化算法(HBBMOPSO)。该方法采用带自适应惩罚因子的分解方法选取个体引导者,采用Pareto支配和拥挤距离法维护外部档案和选取全局引导者。此外,采用精英学习策略增强粒子跳出局部Pareto前沿的能力。最后,将HBBMOPSO与自组织模糊神经网络预测模型和自组织控制器相结合,实现污水生化处理过程溶解氧和硝态氮设定值的动态寻优、智能决策和底层跟踪控制。利用国际基准仿真平台BSM1进行实验验证,结果表明所提HBBMOPSO方法在保证出水水质参数达标的前提下,能够有效降低污水处理过程的能耗。     

混合多目标骨干粒子群优化算法在污水处理过程优化控制中的应用

通过对污水生化处理过程的分析,选取能耗和罚款最低为优化目标,建立污水生化处理过程多目标优化控制模型。为了提高Pareto最优解集的收敛性和多样性,提出一种基于Pareto支配和分解的混合多目标骨干粒子群优化算法（HBBMOPSO）。该方法采用带自适应惩罚因子的分解方法选取个体引导者,采用Pareto支配和拥挤距离法维护外部档案和选取全局引导者。此外,采用精英学习策略增强粒子跳出局部Pareto前沿的能力。最后,将HBBMOPSO与自组织模糊神经网络预测模型和自组织控制器相结合,实现污水生化处理过程溶解氧和硝态氮设定值的动态寻优、智能决策和底层跟踪控制。利用国际基准仿真平台BSM1进行实验验证,结果表明所提HBBMOPSO方法在保证出水水质参数达标的前提下,能够有效降低污水处理过程的能耗。     

基于线性自抗扰的城市污水脱氮控制仿真

根据A/O工艺的脱氮原理,基于城市污水处理的1号基准动力学模型,分析影响脱氮过程的两个重要因素:硝态氮和溶解氧,利用线性自抗扰实现城市污水处理过程的脱氮控制。基于硝态氮和溶解氧分别设计线性自抗扰控制,既避免对复杂数学模型的依赖,又克服影响污水出水水质的波动因素,可获得较好的污水处理效果。动态仿真结果表明,线性自抗扰具有更好的控制性能。基于线性自抗扰的脱氮控制有利于提高污水处理的脱氮效率,改善出水水质。     

污水处理过程的多目标多模型预测控制方法研究

针对污水处理过程节能降耗问题以及污水处理过程的高度非线性、强耦合、不确定性等特点.以基于活性污泥2号模型ASM2的A2/O污水处理过程为研究对象,提出了污水处理过程的多目标多模型预测控制方法.该方法首先采用聚类-PLS方法建立污水过程的多模型预测模型,然后构建了包含出水水质区间控制和经济性能指标的多目标优化结构的预测控制策略.仿真结果表明,与设定值预测控制方法相比,多目标优化预测控制策略在保证出水水质的前提下,能有效地节约能耗费用.     

智能控制气升式SBBR污水处理装置的脱氮效能研究

根据污水同步硝化反硝化原理,在SBR反应器基础上进行改进,设计一体化智能控制气升式SBBR污水处理装置,并在反应器中投加自主研发的电气石陶粒,系统精准调控反应器内部环境参数,考察其对模拟生活污水的脱氮效能。结果表明,15 d系统反应器启动成功,出水COD为15.61 mg/L,氨氮质量浓度为3.9 mg/L,稳定运行期间采用传统厌氧(3 h)/好氧(7 h)/缺氧(1.5 h)工艺条件,COD、氨氮去除率分别达到93%、89%,出水水质完全满足城镇污水处理厂污染物排放标准(GB18918-2002)的一级A标准。典型周期内由于同步硝化反硝化作用,其出水氨氮、硝态氮、亚硝态氮质量浓度分别为3.21、1.38、0.577 mg/L,脱氮效能显著。该污水处理装置具有结构紧凑、操作方便、精准控制、节能低耗等优点,适用于小型污水处理及教学实验科研。     

神经网络自适应动态规划在污水处理过程控制中的应用

针对污水处理过程的溶解氧及硝态氮浓度控制问题,提出一种基于神经网络的自适应动态规划(Neural network-based adaptive dynamical programming,NNADP)方法.该方法采用神经网络逼近当前策略的评价函数以及最优的控制策略.采用梯度下降算法对各神经网络权值进行在线训练.基于污水处理过程国际标准模型BSM1(Benchmark Simulation Model no.1)对NNADP控制性能进行了测试,结果表明:与PID控制相比,NNADP具有较强的解耦能力,控制精度也有较大提高.     

非线性污水处理过程的多目标优化

研究了复杂非线性污水处理过程的多目标优化。针对污水处理过程的非线性动力系统,建立了使污水处理过程运行成本和描述实际输出与期望输出偏差的平方可积误差设计指标同时达到最优的多目标优化模型。采用间接优化方法,首先将描述污水处理过程优化的多目标非线性问题转化为多目标线性规划问题,然后利用遗传算法对其进行求解。本文方法不仅获得了多目标优化问题的近似Pareto前沿,而且由于采用的是多目标线性规划方法,所以具有计算成本低的优点。     

基于模糊神经网络的污水处理生化除磷过程控制

针对污水处理生化除磷过程中出水总磷难以实时达标的问题，提出了一种基于模糊神经网络(fuzzy neural network，FNN)的出水总磷控制方法。首先，通过分析污水处理生化除磷机理，确定了控制器的操作变量为生化反应池第五分区外部碳源(external carbon, EC)与溶解氧(dissolved oxygen, DO)传递系数。其次，设计了一种基于FNN的出水总磷控制器，采用梯度下降算法更新控制器参数；最后，将基于FNN的出水总磷控制器应用于污水处理过程基准仿真平台(benchmark simulation model No.1，BSM1)，实验结果表明，基于FNN的出水总磷控制器能够保证出水总磷的达标排放，具有较好的控制效果。     

基于区间二型模糊神经网络污水处理过程溶解氧浓度控制

针对城市污水处理过程溶解氧浓度难以精确控制的问题,提出了一种基于区间二型模糊神经网络（interval type-2 fuzzy neural networks,IT2FNN）的溶解氧浓度控制方法。先将IT2FNN应用在城市污水处理过程溶解氧浓度控制器的设计,获得了一种IT2FNN溶解氧浓度控制器。后采用自适应学习算法在线调整控制器的参数,提高了控制器的自适应能力。最后将提出的IT2FNN溶解氧浓度控制器应用于基准仿真2号模型（benchmark simulation model no.2,BSM2）平台,结果表明,IT2FNN控制器能够实现第5分区溶解氧浓度精确控制,具有较好的控制效果。     

城市污水处理A/A/O工艺中溶解氧的自动控制优化设计

为了解决A/A/O工艺污水处理系统在进水负荷波动较大时曝气池中溶解氧(DO)的波动范围大的问题,该文以某A/A/O工艺的污水处理厂作为试运行系统,进行DO的自动控制优化研究,在传统的DO控制方法上加入曝气池的模型算法来进行DO控制的优化设计.试运行系统运行表明该控制方法可以使DO的控制精度范围达到±0.2mg/L.     

Multi-Objective Optimization of Indigo Carmine Removal by an Electrocoagulation/GAC Coupling Process in a Batch Reactor

A coupling process between Electrocoagulation (EC) and GAC was employed to separate dyes from aqueous solutions. The removal of an indigoid dye, namely C.I. Acid Blue 74, was tested. A novel approach for optimizing EC-based techniques is presented. In addition to maximizing removal efficiency, minimizing consumptions of energy and electrode materials were also targeted by means of multi-objective optimization in order to reduce the specific costs. A very good cost-efficiency feature of EC/GAC coupling process operated under optimal conditions to treat wastewater from dyestuff has been revealed. The independent variables considered were the current density, influent pH, contact time, granular activated carbon dose, and initial dye concentration. Simple maximization of color removal efficiency and multi-objective optimization were compared. Two different constraints were considered for each type of optimization. The determined costs outline the cheapness feature of the EC/GAC system as a potential dye wastewater treatment technology.     

基于多目标的模糊神经网络及在pH控制过程中的应用

设计了一种基于多目标的动态模糊递归神经网络（FRNN）建模方法,用于pH中和过程的广义预测控制。所设计的多目标优化算法以提高拟合精度和简化网络结构为原则,同时优化模糊神经网络中的模糊规则数、隶属度函数中心点及其宽度,由此得到的FRNN模型可以高精度拟合pH中和过程。依据该动态模型,在控制过程的每一个控制周期得到其局部线性模型,将广义预测控制中复杂的非线性优化问题转化为简单的二次线性规划问题。仿真对比结果验证了所提方法的有效性。