一種基于區間二型模糊神經網絡的污水處理溶解氧濃度跟蹤控制方法與流程

文檔序號：11132824閱讀：530來源：國知局

本發明利用基于區間二型模糊神經網絡的控制方法實現污水處理過程中溶解氧DO濃度的跟蹤控制，溶解氧DO濃度是污水生化反應過程中關鍵控制參數之一，對污水處理過程出水水質有重要影響；將基于區間二型模糊神經網絡的溶解氧DO濃度跟蹤控制方法應用在污水處理過程中，實現溶解氧DO濃度跟蹤控制；該發明既屬于水研究領域，又屬于智能控制領域。

背景技術：

水資源供應危機是未來10年社會風險中最核心的風險之一，一旦發生將會對全球經濟和社會造成根本性破壞。當前我國水資源面臨的形勢十分嚴峻，水資源短缺、水污染嚴重、水生態環境惡化等問題日益突出，已成為制約經濟社會可持續發展的主要瓶頸。隨著我國工業化的發展和城鎮化進程的加快，城市人口越來越集中，對于淡水資源的需求量也越來越大；水質惡劣，水體富養化現象的頻繁發生，使城市水污染問題日益加劇；與此同時，國民經濟的增長和公眾環保意識的增強，使污水處理自動化技術迎來了前所未有的發展機遇；怎樣防治水體污染，如何及時有效的處理污水并再次利用，成為我國迫在眉睫的問題；近些年來，我國積極建設污水處理設施，截至2015年底，全國城市污水處理廠處理能力1.4億立方米/日，全年累計處理污水量達410.3億立方米；然而，迫于降低污水處理成本的需要，城市污水處理正向規模大型化、技術先進化和運行最優化等方向發展。因此，研究污水處理過程優化運行控制技術，實現低成本運行是未來城市污水處理廠發展的必然趨勢，也是城市污水處理廠升級改造、技術革新的必然選擇。

污水處理過程中，溶解氧DO濃度是污水生化反應過程中最重要的控制參數；好氧區氧氣不足時，絲狀菌大量繁殖導致污泥膨脹；氧氣過量時，懸浮固體沉降性變差導致能耗過高；同時溶解氧DO濃度還會對出水水質，污水處理過程的能量消耗、運行成本造成一定的影響；因此，快速高效準確的將其控制在合理范圍內是污水處理過程能否正常運行的前提；根據不同的水質，溶解氧DO濃度會發生相應變化，同時污水處理過程的非線性，時變性，動態不確定等特點，增加了溶解氧DO的控制難度；傳統使用控制的方法是通過PID控制器實現溶解氧濃度的控制，然而PID控制器需要大量的經驗數據，控制參數設計較為繁瑣；因此，如何快速高效、可靠精確地對溶解氧DO濃度跟蹤控制成為亟待解決的問題；區間二型模糊神經網絡通過模糊規則對先驗知識進行表達，具有較強的學習、適應和模糊信息處理能力；基于區間二型模糊神經網絡的溶解氧DO濃度跟蹤控制方法能夠實現對溶解氧DO濃度實時控制，具有很好的實際應用價值；

本發明設計了一種基于區間二型模糊神經網絡的溶解氧DO濃度跟蹤控制方法，主要通過區間二型模糊神經網絡控制器對控制目標進行跟蹤控制，實現溶解氧DO在線控制。

技術實現要素：

本發明獲得了一種基于區間二型模糊神經網絡的溶解氧DO濃度跟蹤控制方法，該控制器是基于區間二型模糊神經網絡的溶解氧DO濃度跟蹤控制方法求解污水處理過程溶解氧控制問題，通過控制優化后的曝氣量達到控制溶解氧DO濃度的目的；實現污水處理過程溶解氧DO濃度跟蹤控制，在保證出水水質達標的前提下，降低能耗和處理成本；

本發明采用了如下的技術方案及實現步驟：

1.一種基于區間二型模糊神經網絡的溶解氧DO濃度跟蹤控制方法，

針對序批式間歇活性污泥系統中溶解氧DO進行控制，其中，曝氣量為控制量，溶解氧DO濃度為被控量；

其特征在于，包括以下步驟：

(1)設計用于溶解氧DO濃度跟蹤控制的區間二型模糊神經網絡，區間二型模糊神經網絡分為四層：輸入層、隸屬函數層、激活層、輸出層；具體為：

①輸入層：該層由2個神經元組成：

X(t)＝[x₁(t),x₂(t)]^T (1)

其中，X(t)表示區間二型模糊神經網絡的輸入，x₁(t)為t時刻溶解氧DO濃度設定值與實際值的誤差，x₂(t)為t時刻溶解氧DO濃度設定值與實際值誤差的變化率，T為矩陣的轉置；

②隸屬函數層：該層有R個神經元，每個神經元代表一個區間二型隸屬函數，表示如下：

其中，為t時刻第i個輸入時第j個隸屬函數層神經元輸出值的下界，為t時刻第i個輸入時第j個隸屬函數層神經元輸出值的上界，c_ij(t)為t時刻第i個輸入時第j個隸屬函數層神經元中心值的下界，為t時刻第i個輸入時第j個隸屬函數層神經元中心值的上界，σ_ij(t)為t時刻第i個輸入時第j個隸屬函數層神經元的寬度值；i表示區間二型模糊神經網絡的輸入個數，i＝1，2；j＝1，2，…，R；

③激活層：該層有R個神經元，每個神經元的激活強度為：

其中，F_j(t)為t時刻激活層第j個神經元的激活強度，f_j(t)為t時刻激活層第j個神經元激活強度的下界，為t時刻激活層第j個神經元激活強度的上界，

④輸出層：該層有1個神經元，其輸出為：

其中，u(t)為t時刻控制器的曝氣量，Δu(t)為t時刻區間二型模糊神經網絡的輸出，表示控制器的曝氣增量，Δu(t)為t時刻區間二型模糊神經網絡輸出的下界，為t時刻區間二型模糊神經網絡輸出的上界，q(t)為t時刻區間二型模糊神經網絡輸出下界的比例值，q(t)∈(0,1]；z_j(t)為t時刻第j個神經元與輸出神經元間的權值，a_ij(t)為t時刻權值系數，b_j(t)為t時刻權值偏置；

(2)訓練區間二型模糊神經網絡，具體如下：

①利用訓練樣本和梯度下降算法訓練區間二型模糊神經網絡；定義目標函數為：

其中，e(t)為t時刻溶解氧DO濃度設定值與實際值的誤差，y(t)為溶解氧DO濃度的實際值，y_d(t)為溶解氧DO濃度的設定值；

②對區間二型模糊神經網絡的參數進行更新：

其中，c_ij(t+1)為t+1時刻第i個輸入時第j個隸屬函數層神經元的中心值的下界，為t+1時刻第i個輸入時第j個隸屬函數層神經元的中心值的上界；σ_ij(t+1)為t+1時刻第i個輸入時第j個隸屬函數層神經元的寬度值，q(t+1)為t+1時刻區間二型模糊神經網絡輸出下界的比例值，a_ij(t+1)為t+1時刻的權值系數，b_j(t+1)為t+1時刻的權值偏置；η為參數的學習率，η∈(0,1]；

(3)設計用于污水處理過程中溶解氧DO濃度跟蹤控制方法，具體為：

①根據公式(4)計算區間二型模糊神經網絡的輸出；

②判斷當前時刻溶解氧DO濃度跟蹤控制的目標函數的大小，如果e(t)>0.01，轉到步驟③；如果e(t)≤0.01，轉到步驟⑤；

③根據公式(6)求解各個參數的更新值；

④計算當前時刻的控制量u(t)

u(t)＝Δu_m(t)+u(t-1) (7)

其中，u(t)為t時刻控制器的曝氣量，Δu_m(t)為t時刻參數更新后新的曝氣增量，u(t-1)為t-1時刻控制器的曝氣量；轉到步驟⑥；

⑤計算當前時刻的控制量u(t)

u(t)＝Δu(t)+u(t-1) (8)

⑥u(t)為當前時刻污水處理系統溶解氧DO濃度跟蹤控制系統的實際輸入量；

(4)利用求解出的u(t)對溶解氧DO進行控制，u(t)即t時刻的曝氣量，控制系統的輸出為實際溶解氧DO的濃度值。

本發明的創新點主要體現在：

(1)本發明針對當前活性污泥法污水處理過程的復雜的、動態的、不穩定的生物反應過程，以及非線性、時變性、滯后性的特點；同時，對污水處理過程的精確數學模型難以建立，根據神經網絡較好的學習能力和逼近能力的特點，采用基于區間二型模糊神經網絡的控制方法對溶解氧DO濃度進行控制，具有控制精度高、穩定性好等特點；

(2)本發明采用了基于區間二型模糊神經網絡的溶解氧DO濃度跟蹤控制方法對污水處理過程的溶解氧DO濃度進行跟蹤控制，該控制方法充分利用了區間二型模糊神經網絡的規則性和精確性，使控制器更好的滿足當前環境的變化，實現較好的控制；同時該控制方法實現了溶解氧DO濃度的閉環跟蹤控制，具有實時性強，結構簡單等特點；

特別要注意：本發明只是為了描述方便，采用的是對溶解氧DO濃度跟蹤控制，同樣該發明也可適用污水處理過程硝態氮的控制等，只要采用了本發明的原理進行控制都應該屬于本發明的范圍。

附圖說明

圖1是本發明的控制結構圖

圖2是本發明的區間二型模糊神經網絡結構圖

圖3是本發明的本發明控制系統溶解氧DO濃度結果圖

圖4是本發明的控制系統溶解氧DO濃度誤差圖

具體實施方式

本發明獲得了一種基于區間二型模糊神經網絡的溶解氧DO濃度跟蹤控制方法，該控制器是基于區間二型模糊神經網絡的溶解氧DO濃度跟蹤控制方法求解污水處理過程溶解氧控制問題，通過控制優化后的曝氣量達到控制溶解氧DO的目的；實現污水處理過程溶解氧DO濃度跟蹤控制，在保證出水水質達標的前提下，降低能耗和處理成本；

1.一種基于區間二型模糊神經網絡的溶解氧DO濃度跟蹤控制方法，

針對序批式間歇活性污泥系統中溶解氧DO進行控制，其中，曝氣量為控制量，溶解氧DO濃度為被控量，控制結構如圖1；

其特征在于，包括以下步驟：

(1)設計用于溶解氧DO濃度跟蹤控制的區間二型模糊神經網絡，區間二型模糊神經網絡分為四層：輸入層、隸屬函數層、激活層、輸出層，區間二型模糊神經網絡結構如圖2，具體為：

①輸入層：該層由2個神經元組成：

X(t)＝[x₁(t),x₂(t)]^T

(9)

②隸屬函數層：該層有6個神經元，每個神經元代表一個區間二型隸屬函數，表示如下：

③激活層：該層有6個神經元，每個神經元的激活強度為：