第7卷第5期 智能系统学报 Vol.7 No.5 2012年10月 CAAI Transactions on Intelligent Systems 0ct.2012 D0110.3969/j.isn.1673-4785.201205034 网路出版地址：htp'/w.cnki.net/kcms/detail/23.1538.TP.20120925.1101.002.html 基于改进粒子群算法的 污水处理过程神经网络优化控制 乔俊飞，逢泽芳，韩红桂 (北京工业大学电子信息与控制工程学院，北京100124) 摘要：针对活性污泥法污水处理过程高能耗的问题，综合考虑污水处理出水水质和生化反应参数之间的关系，文 中设计了一种智能优化控制系统.该系统以国际水协(IWA))开发的基准仿真模型BSM1为研究对象，利用改进粒子 群算法优化BSMI第2分区的硝态氮浓度和第5分区的溶解氧浓度、混合液悬浮物固体浓度的设定值：同时利用感 知器神经网络预测污水处理过程的输出，在出水水质达标的前提下降低污水处理能耗.仿真实验结果表明，系统总 能耗相比闭环控制策略降低4.614%，该神经网络智能优化控制系统能够有效降低污水处理的能耗. 关键词：污水处理：智能控制：优化控制：粒子群算法：神经网络 中图分类号：TP18文献标志码：A文章编号：16734785(2012))05-0429-08 Neural network optimal control for wastewater treatment process based on APSO QIAO Junfei,PANG Zefang,HAN Honggui (College of Electronic and Control Engineering,Beijing University of Technology,Beiing 100124,China) Abstract Due to the high energy consumption of activated sludge wastewater treatment process,a new intelligent optimal control system is designed in this paper by considering the effluent quality and the relationship between the Ibiochemical reaction parameters.This control system is used for the benchmark simulation model(BSM1)proposed by the International Water Association(IWA).The APSO is utilized to optimize the dsolved oxygen and MLSS levels in the fifth compartment and the nitrate level in the second anoxic tank.Meanwhile,the outputs of BSMI are predicted by the neural network,and the energy consumption is cut down whthin the effluent water quality standar- ts.The simulation results show that,comparing to the cloose-loop control strategy,the totle energy consumption of this proposed optimal control system is lowered by 4.614%,the neural network optimal control strategy can signifi- cantly reduce the energy consumption of activated sludge wastewater treatment process. Keywords::wastewater treatment:intelligent control:optimal control:particle swarm optimzation:neural network 环境保护部2011年发布的《中国环境状况公：重要.截至2011年3月底，全国各个城市、县累计建t 报》中指出，2010年全国废水排放总量为617.3亿 成城镇污水处理厂2996座，处理能力达到1.33亿 吨，比2009年增加4.7%，而全年累计处理污水 立方米每日.但是由于污水处理的经济成本高、 397.3亿立方米，水污染防治形势依然严峻.因此， 能耗大，尚有607座投入运行1年以上的城镇污水 建立污水处理厂，最大限度地保护水环境显得尤为 处理厂平均运行负荷率不足60%.因此，在出水水 质达标的前提下，降低运行能耗是污水处理过程亟： 收稿日期2012-05-21.网络出版日期：2012-09-25 待解决的问题 基金项目：困家自然科学基金重点资助项目(61034008)：北京市自然 科学基金资助项目(4122006)北京市教育委员会科技计 为了优化运行成本，国内外学者进行了大量的 划项目(KZ201010005005). 研究.R.Piotrowskia等对采用分层控制策略实现 通信作者：韩红桂.E-mail;isibox(@sina.com. 水溶解氧浓度的控制，上层采用非线性模型预测设
DOI: 10.3969/j.isn.1673-4785.201205034 网络出版地址: http: //ww.cnki. net/kcms/detail/23.1538.TP.20120925.1101.002.html 智 能 系 统 学 报 重要.截至2011年3月底,全国各个城市、县累计建 成城镇污水处理厂2996座,处理能力达到1.33亿 立方米每日.但是由于污水处理的经济成本高、 能耗大,尚有607座投入运行1年以上的城镇污水 处理厂平均运行负荷率不足60%.因此,在出水水 质达标的前提下,降低运行能耗是污水处理过程亟 待解决的问题. 科学基金资助项目(4122006)北京市教育委员会科技计 划项目(KZ201010005005) 收稿日期:2012-05-21.网络出版日期:2012-09-25. 基金项目:国家自然科学基金重点资助项目(61034008);北京市自然 . Neural network optimal control for wastewater treatment process based on APSO 第7卷第5期 2012年10月 为了优化运行成本,国内外学者进行了大量的 研究.R.Piotrowskia等对采用分层控制策略实现 水溶解氧浓度的控制,上层采用非线性模型预测设 基于改进粒子群算法的 污水处理过程神经网络优化控制 QIAO Junfei,PANG Zefang,HAN Honggui Abstract:Due to the high energy consumption of activated sludge wastewater treatment process,a new intelligent optimal control system is designed in this paper by considering the effluent quality and the relationship between the biochemical reaction parameters. This control system is used for the benchmark simulation model(BSM1) proposed by the International Water Association(IWA). The APSO is utilized to optimize the dsolved oxygen and MLSS levels in the fifth compartment and the nitrate level in the second anoxic tank. Meanwhile,the outputs of BSM1 are predicted by the neural network,and the energy consumption is cut down whthin the effluent water quality standars. The simulation results show that,comparing to the cloose-loop control strategy,the totle energy consumption of this proposed optimal control system is lowered by 4.614%,the neural network optimal control strategy can significantly reduce the energy consumption of activated sludge wastewater treatment process. (College of Electronic and Control Engineering,Beijing University of Technology,Beiing 100124,China) Keywords: wastewater treatment; intelligent control; optimal control;particle swarm optimzation; neural network CAAI Transactions on Intelligent Systems Vol.7 No.5 0ct.2012 关键词: 污水处理;智能控制;优化控制;粒子群算法;神经网络 中图分类号: TP18 文献标志码: A 文章编号: 16734785(2012) 05-0429-08 环境保护部2011年发布的《中国环境状况公 报》中指出,2010年全国废水排放总量为617.3亿 吨,比2009年增加4.7%,而全年累计处理污水 397.3亿立方米,水污染防治形势依然严峻.因此, 通信作者:韩红桂.E-mail;isibox@ sina.com. 建立污水处理厂,最大限度地保护水环境显得尤为 摘 要: 针对活性污泥法污水处理过程高能耗的问题,综合考虑污水处理出水水质和生化反应参数之间的关系,文 中设计了一种智能优化控制系统.该系统以国际水协(IWA) 开发的基准仿真模型 BSM1为研究对象,利用改进粒子 群算法优化BSM1第2分区的硝态氮浓度和第5分区的溶解氧浓度、混合液悬浮物固体浓度的设定值;同时利用感 知器神经网络预测污水处理过程的输出,在出水水质达标的前提下降低污水处理能耗.仿真实验结果表明,系统总 能耗相比闭环控制策略降低4.614%,该神经网络智能优化控制系统能够有效降低污水处理的能耗. 乔俊飞,逢泽芳,韩红桂 (北京工业大学电子信息与控制工程学院,北京100124)
430 智能系统学报 第7卷 计好氧区的期望曝气量，下层控制器采用分段线性 实现污水处理优化控制. 化原理对设定值进行跟踪2].虽然该分层控制策略 1优化算法 能够实现溶解氧的优化控制，但是由于控制变量单 一，其应用受到了很大的限制.V.Chandramouli等利 1.1 标准粒子群算法 用神经网络设计了一种污水生化处理自适应控制 PS0求解最优化问题时，将所求问题的变量设 器，该控制器以回流污泥量和氧气传递速率为控制 计为搜索空间的粒子.每个粒子由3部分组成：当前 量，底物浓度和溶解氧浓度为被控量，实现了污水处 位置x:、飞行速度"：和粒子的适应度f组成，表示为 理过程底物浓度和溶解氧浓度的控制3)]，但是该控 P(x,,f),在迭代的过程中： 制器的控制量设定值为固定经验值.B.Beraud等在 1)粒子本身所找到的最优解，称之为粒子的自 BSM1(benchmark simulation model No.1)基础上，为 身认知能力，记为Pk; 使曝气能耗和泵送能耗达到最小，采用了多目标遗 2)整个粒子群目前所找到的最优解，称之为粒 传算法(multi objectives genetic algorithm,MOGA)对 子的社会认知能力，记为get, 污水处理过程进行优化控制[4].张平等针对活性污 粒子通过式(1)、(2)更新速度和位置91： 泥前置反硝化污水生化处理工艺，采用混合遗传算 :(t+1)=0:(t)+c1·T1·(p:-x:(t))+ 法优化曝气能耗和泵送能耗达到最小，改变混合液 C2·T2·(g:-(t)), (1) 悬浮物固体浓度(mixed liquor suspended solids, x:(t+1)=x,(t)+y:(t+1) (2) MLSS)和溶解氧浓度(dissolved oxygen,D0)的设定 式中：：是粒子的速度向量；x是粒子的位置向量； 值，使得出水水质达标的情况下能耗最小5].虽然 o是惯性权重因子；p:表示粒子i在经历n次搜索 文献[4-5]中曝气能耗和泵送能耗都有所降低，但是 后找到的个体最优位置，粒子根据当前个体经验执 以上2种方法采用的遗传算法需要复杂的交叉变异 行下一步动作；8：表示粒子i保存的种群最优位置， 操作，容易陷入“早熟”[6.近年来，粒子群算法由于 来源于种群中全体粒子的经验部分，表现为知识的 其与遗传算法相比具有算法简单、参数少、求解速度 共享和合作；c1和c2是非负常数，称为加速因子，其 快、易于实现等优势，得到了广大学者的关注8]。 中c1为自身认知系数，2为社会认知系数；r1和r2 A.Alireza提出了具有适应性突变和惯性权重因子 是[0,1]的独立随机数 的粒子群算法[)，以粒子的适应度值作为变量，采 每一时刻，粒子在群体信息和自身历史经验的 用双曲正切函数对惯性权重因子进行修改，在参数 引导下，在一定范围的空间内进行搜索，当发现更优 估计的动态系统中证实该算法可行.但该算法只是 解时，对引导信息进行更新，展开新的搜索，寻优过 对权重惯性因子进行修改，忽略了加速因子对算法 程不断推进.但由于所有粒子的飞行方向是根据全 的影响.Xiao等提出了一种新的自适应粒子群算 体和自身经验决定的，因此搜索后期收敛速度明显 法，将惯性权重因子采用线性的过渡方法，加速 减慢，达到一定程度后，算法甚至陷入了停滞，致使 因子采用二次函数的方法对粒子群算法进行改进， 后期很难得到精确解0」 取得了较快的收敛速度.但是算法中采用线性的过 实验研究发现，一般ω、c1、c2越大，不收敛的概 渡方法改变惯性权重因子，不能反映实际的搜索过 率越大，其中w的影响更大些，选择适当的w、c1、c2 程，描述得不够精确.综上所述，根据污水处理过程 可以保证粒子的收敛性， 的特点，文中提出了一种改进型自适应粒子群算法 1.2改进的自适应粒子群算法 advanced self-adaptive particle swarm optimzation, PS0算法中，将ω的值进行线性变化来实现对 APSO),基于APS0设计了一种神经网络优化控制 w值的更新91，即 系统，以国际水协会(International Water Association, w=（0mar-0mia）·G/Gns+0in: (3) IWA)提供的BSM1为研究对象，根据能耗的影响因 式中：G是当前迭代次数，G是最大迭代次数.但 素，选择第5分区的溶解氧(DO)浓度、混合液悬浮 是PS0算法是一个非线性的复杂过程，惯性权重因 物固体浓度(MLSS)和第2分区硝酸氨(SNO)浓度 子采用线性的过渡方法不能反映实际的搜索过程， 为控制变量，基于神经网络预测模型，采用改进的自 描述不够精确.正切Sigmoid函数(S函数)比线性 适应粒子群算法优化DO、MLSS和SNO的设定值， 函数更平滑，有很好的衡性21，因此采用正切
第5期 乔俊飞，等：基于改进粒子群算法的污水处理过程神经网络优化控制 .431 Sigmoid函数更新惯性权值，其更新式为 比较，若较好，则将其作为pe; w=(w-wa)[1-2/(e6m+1]+wa.(4) 3)从所有微粒的个体最优解pe中找出全局最 式中：0mm和wn分别为0.9和0.4，这样w就会限 优gt; 定在[0,0.5].当ω从大到小变化时，粒子搜索的范 4)按式(1)~(2)更新粒子的位置速度'：和位 围可从一个较大的空间逐渐变化到很小的区域，这 置x,按式(4)~(6)更新w、c1和c2; 正好符合PS0的基本思想3. 5)判断是否满足终止条件，即当前迭代次数是 在式(I)中学习因子c1和c2分别调节p和 否大于最大迭代次数，若不满足则返回步骤2)，满 g方向的飞行距离，因此可以调节自身认知和群 足则算法结束。 体认知的比例大小，从而优化全局最优解的精度.在 开始 标准PS0中，c1和c2是一个固定的常数，但合理地 调节c1、c2参数的大小，在搜索前期增大群体认知 初始化参数、种群位置和速度 比例，防止陷入局部最优解，并且在后期加强自身认 知比例，提高搜索精度.因此采用二次函数y=ax2+ 计算适应值函数f,得到p和8 b调节学习因子项： c1=(c,-cv)·(1-G/Gnm)2+cw,(5) 按式(12)~(14)更新0、c,和c c2=(c2.-c2y）·(1-G/Gm=)2+c2p(6) 按式(9)、(10更新粒子的位置和速度 式中：c,和cy为c1参数的初始值和最终值，c2cr为 c2参数的初始值和最终值，学习系数c1、c2的取值 N 是否满足 范围为[0.5,2.5].由于粒子在运动初期，粒子本身 结束条件 Y 的经验不足，因此需要更多地向群体学习，也就是说 结束 c1的取值比c2要小.当粒子运动到一定阶段时，粒 子本身积累了一定的经验后，自我学习的能力加强， 图1APSO算法流程 因此c,的取值比c,要大.所以对参数c1由小到 Fig.1 The flow chart of APSO algorithm 大，而c2由大到小进行改进，能有效地抑制局部解， 2 活性污泥法优化控制系统 加强搜索精度 APS0算法的步骤如下（具体流程图如图1）. 2.1过程模型 1)在搜索空间中随机生成粒子个数m,构成初 活性污泥污水处理基准仿真模型BSM14]是 始微粒种群po叩，并初始化粒子的位置x:及相应的 IWA和欧盟科学技术与合作组织(COST Actions682 速度； and624)共同开发的，提供了合理的评价控制策略 2)评价每个粒子的适应度（代入适应值函数）， 在污水处理系统中性能的平台.BSM1的总体布局 对每个微粒，将其适应值∫与当前最优个体粒子pt 如图2所示，包括生化反应池和二沉池 K(5) 。1=10 0.,Z 废水 出水 单元1 单元2 单元3 单元4单元5 通“←一“ NPCI m=6 DO SNO MLSS 2,Z 缺氧这 躁气区 NPC3 =1 NPC2 内回流量9。，Z。 污泥排放 外回流g,Z 0.,Z 图2BSM1结构 Fig.2 General overview of the BSM1 plant
432· 智能系统学报 第7卷 每一个单元，均以Q。表示流量，Z。表示各组分 的条件为出水水质达标的情况下满足局部的能耗指 的浓度，Z=（S1,Ss,X1,Xs,XH,Xp,SNo,SH, 标.由于反映出水水质的参数存在测量滞后，有些甚 SND,XND,SAK),Ik=HP1+U2p2+·+Pg表示各 至无法在线测量，因此采用神经网络对部分出水水 组分的反应速率，缺氧区2个单元的体积V,=V2= 质参数进行预测，通过预测指标与约束条件的对比 1000m3,好氧区3个单元的体积V3=V4=V,= 作为判断智能优化算法寻优过程停止的依据， 1333m3,各单元的物料平衡方程如下. 图3为污水处理过程的动态优化控制系统结 对于单元1，k=1,有 构，以溶解氧浓度So、混合液悬浮物固体浓度SMss =(Q2+Q,Z,+Q2+r1K-QZ). 和硝态氮浓度S的设定值作为优化对象.在底层 控制回路中采用3个神经网络控制器，第1个通过 (7) 调节第5分区的氧气转换系数K(5)控制So,第2 式中：Q=Q。+Q,+Qo,Q.、Q,、Q。分别为混合液回 个通过调节外回流量Q,控制第5分区的SMss,第3 流量、污泥回流量和入水流量， 个通过调节内回流量Q。控制第2分区的So.通过 对于其他单元，k=2,3,4,5,有 神经网络预测模型寻找K(5)、Q,和Q.与出水水质 dZ=(QZV-02). 参数(BOD(biochemical oxygen demand)、COD(chemical (8 oxygen demand)、TSS(total suspended solids）、SNu和 式中：Qk=Qk-1 N)的非线性关系，对实时获得的数据进行判断，剔 溶解氧的物料平衡表示为 除异常数据，通过实际出水水质与神经网络预测结 g=Qwn+n-0+ 果的对比偏差，对神经网络进行在线修正和调整.这 dt 里神经网络预测模型采用的是BP神经网络 KLa(k)V(Spo.m -Spo.:)). (9) SoDO挠器(5例】 式中：K表示氧气转换速率，Spo,m代表饱和溶解氧 水 能 Svi.Ss sp,MLSS控制卷 BSMI 浓度，仿真中取So,m=8g·m3. 指 SOP,硝态氨控制器 在活性污泥法污水处理中，混合液悬浮固体浓 度表示为 SMss=M。+M。+M,+M# (10) 式中：M。代表活性污泥中活的微生物量，M。代表活 图3优化控制系统 性污泥中微生物内源呼吸残留物，M代表活性污泥 Fig.3 Optimal control system 中不可生物降解的有机悬浮固体，M:代表活性污泥 2.3优化问题描述 中由原废水带入的无机悬浮固体， 综合考虑运行成本和出水水质2个方面，采用 改进的自适应粒子群优化算法优化控制策略，动态 2.2过程控制系统 在活性污泥污水处理系统中，可以选择的控制 调整控制回路的设定值So.SPSNO.sP和SMs,sP·优化 变量较多，例如进水流量、污泥回流量、污泥排放量、 问题的目标函数3]为 曝气量等.在污水处理过程中，能耗包括曝气能耗和 12+7 J=min+Q)di. (11) 泵送能耗，影响曝气能耗的因素主要是溶解氧的浓 式中：E=E4+Ep表示运行费用，E4为曝气耗能，Ep 度；影响泵送能耗的主要因素则是内外回流的流量. 为泵送耗能：Q表示向受纳水体排放污染物需要支 而且在活性污泥系统中溶解氧浓度、硝态氮浓度和 付的费用.E4、Ep、Q的表示如式(12)~（14)，Q的 混合液悬浮物固体浓度是影响硝化反硝化进程的重 大小与出水水质有关，出水水质越好，Q值越小. 要参数，因此选择曝气量、污泥回流量和内循环回流 +T 量作为控制变量，对系统中溶解氧浓度So,即、硝态 E=x1.8x100: ∑y·K(e),(12) 氮浓度So,sp和混合液悬浮物固体浓度Suss,sp的设 定点进行优化控制，以提高活性污泥系统处理效果 E=”ao040.月+ 和降低运行成本 0.05Q(t)+0.008Q,(t))dt, (13) 优化控制系统采用智能优化算法与神经网络预 测相结合的方法，实现基础回路设定值的动态优化。 0=7x1m"2s5,(0+coD,(0+ ri+T 通过智能优化算法对控制指标寻优，寻优过程终止 30So.(t)+10S✉.(t)+2B0D.(t)d.(14)
第5期 乔俊飞，等：基于改进粒子群算法的污水处理过程神经网络优化控制 ·433· 式中：SN5e=SNH,e+SNDe+ixB（XH,e+XxA.e+ 12 XDe+ix知(X,。+X,e）, SS。=0.75×(Xs.。+X。+XHe+Xg,）, 1.1 BOD。=0.25×(s。+Xs。+(1-fp)(Xue+Xue）), C0D。=Ss。+S1,。+Xs,e+XBHe+XBA,e+Xpe 在以上目标函数的基础上，优化控制系统还必 须满足以下约束条件： 0.9 1)物料平衡约束，如式(7)~(9)； 2)输出约束4： 0.8 0 68101214 N<18gN·m-3,C0D。<100gC0D·m-3 h SN<4gN·m-3,TSS<30gsS·m-3, 图4第2分区So浓度的变化曲线 B0D5<10gB0D·m-3; Fig.4 The response curve of So concentration in the 3)执行器约束包括： 2th unit 操作变量：0<So,sP<4,0<So,sP<3, 2.2 1500<Ss.sP<3500; 控制变量：0<Ka<240,0<Q.<92230, 0<Q,<92230. 2.0 3仿真研究 0 将提出的智能优化控制方法应用于BSM1模 型，实验数据来源于实际污水处理厂，同时采用国际 水协会(IWA)提供的3个污水参数输入文件，该 6 8 10 1214 参数输入包括晴天、雨天和暴雨天3种天气下的污 t/h 水流量和组分变化情况.文中采用第1组晴天下7 图5第5分区S,浓度的变化曲线 天的数据和文献[15]中的优化周期(2h)进行仿真 Fig.5 The response curve of Spo concentration in the 第1组代表正常天进水浓度和进水量的昼夜变化， 5th unit 这些数据的采样间隔为15min,且污水组分已经抽 象为ASM1中对应的13种元素.以溶解氧浓度So、 3.2 混合液悬浮物固体浓度SMss和硝态氨浓度S的设 定值作为优化对象，实现第5分区的氧气转换系数 3.1 K(5)、外回流量Q,、以及内回流量Q.的优化控制.实 验分为两部分进行：1)无优化控制：2)优化控制. 3.0 在无优化控制的条件下，图4~6是在So、So 和Ss设定值分别为2mg/L、1mgL和2987.2mg 29 L时，神经网络控制器的控制效果图.由实验结果 可以看出，神经网络控制器的误差较小，有较好的鲁 2.8 棒性. 68101214 在加入优化控制的条件下，图7~9分别是第2 仍 分区硝态氨浓度、第5分区溶解氧浓度和混合液悬 图6第5分区SMLsS浓度的变化曲线 浮物固体浓度的优化设定值变化图.图中So、So和 Fig.6 The response curve of Syuss concentration in the Sss的设定值随着入水水质的变化而变化.同时对 5th unit 闭环控制和优化控制2种控制策略进行对比，表1 表1显示优化控制与闭环控制的出水水质参数 所示为出水水质重要参数的平均值，表2所示为运 均达标.表2表明优化控制的Q比闭环控制增大 行费用 1.847%,E4减少6.665%，Ep增加30.754%，而总 能耗E减小4.614%