本發(fā)明涉及水處理及控制領(lǐng)域，尤其涉及一種基于神經(jīng)動(dòng)力學(xué)優(yōu)化的溶解氧濃度模型預(yù)測(cè)控制方法。

背景技術(shù)：

1、近年來(lái)，水資源短缺問(wèn)題日益突出，伴隨著水質(zhì)惡化和水體富營(yíng)養(yǎng)化現(xiàn)象的頻繁發(fā)生。據(jù)中國(guó)環(huán)境保護(hù)部發(fā)布的《2022年中國(guó)環(huán)境狀況公報(bào)》顯示，全國(guó)地表水環(huán)境質(zhì)量持續(xù)向好，但是水資源環(huán)境還是存在很大的問(wèn)題i-iii類水質(zhì)斷面比例為87.9％，比2021年上升3.0個(gè)百分點(diǎn)，好于年度目標(biāo)4.1個(gè)百分點(diǎn)；劣v類水質(zhì)斷面比例為0.7％，比2021年下降0.5個(gè)百分點(diǎn)。地下水水質(zhì)總體保持穩(wěn)定，i～iv類水質(zhì)點(diǎn)位比例為77.6％。如何獲取清潔且安全的水資源，以及如何及時(shí)有效地處理污水并實(shí)現(xiàn)再利用，成為當(dāng)今迫切需要解決的問(wèn)題。在這一背景下，污水處理技術(shù)正迎來(lái)前所未有的發(fā)展機(jī)遇。研究污水處理過(guò)程中的運(yùn)行控制技術(shù)，實(shí)現(xiàn)精確控制的同時(shí)確保污水處理廠的出水水質(zhì)達(dá)標(biāo)、能耗降低，并保持運(yùn)行的高效穩(wěn)定性，是未來(lái)污水處理廠的發(fā)展趨勢(shì)。

2、目前，溶解氧(do)濃度的控制是污水處理工藝中最為廣泛應(yīng)用的方法之一。溶解氧濃度直接影響微生物的生長(zhǎng)環(huán)境，同時(shí)也關(guān)系到污水處理過(guò)程中污染物去除和有機(jī)物降解的效果。對(duì)于污水處理廠提高出水水質(zhì)和降低運(yùn)行成本具有關(guān)鍵作用，因此溶解氧濃度的控制是污水處理過(guò)程中的重中之重。

3、傳統(tǒng)的溶解氧濃度控制方法主要采用pid控制，在保持系統(tǒng)三個(gè)環(huán)節(jié)參數(shù)不變的情況下實(shí)現(xiàn)溶解氧濃度的控制。然而，由于污水處理過(guò)程具有非線性、不確定性和時(shí)變性等復(fù)雜特性，pid控制器需要大量經(jīng)驗(yàn)數(shù)據(jù)，難以實(shí)現(xiàn)有效的控制。因此，尋求一種高效精確的方法應(yīng)用于污水處理過(guò)程的溶解氧濃度控制是亟待解決的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、發(fā)明目的：本發(fā)明的目的是提供一種基于神經(jīng)動(dòng)力學(xué)優(yōu)化的溶解氧濃度模型預(yù)測(cè)控制方法。

2、技術(shù)方案：本發(fā)明包括如下步驟：

3、(1)確定污水處理系統(tǒng)溶解氧濃度控制變量及其動(dòng)態(tài)調(diào)節(jié)策略；

4、(2)基于動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)建立出水溶解氧濃度的預(yù)測(cè)模型；

5、(3)優(yōu)化神經(jīng)動(dòng)力學(xué)算法，求解δu(t)。

6、進(jìn)一步地，所述步驟(1)中根據(jù)污水處理基準(zhǔn)仿真模型平臺(tái)上的數(shù)據(jù)，采用基于互信息的輔助變量選擇方法確定出水溶解氧濃度預(yù)測(cè)模型的輸入變量，包括混合液懸浮固體、出水固體懸浮物、出水化學(xué)需氧量、進(jìn)水總氮、進(jìn)水化學(xué)需氧量以及進(jìn)水流量，模型輸出變量即出水溶解氧濃度檢測(cè)值表示為；

7、

8、其中，y表示實(shí)際的溶解氧濃度；表示利用動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)得到的溶解氧濃度；δu表示控制輸入的變化量。

9、進(jìn)一步地，所述步驟(1)中動(dòng)態(tài)調(diào)節(jié)策略包括通過(guò)目標(biāo)函數(shù)中第一項(xiàng)求出預(yù)測(cè)值與實(shí)際值之間的最小差距；通過(guò)第二項(xiàng)βδu(t)2求出最小化控制輸入變化量的平方，控制輸入的變化，通過(guò)第三項(xiàng)γδu(t)控制系統(tǒng)在面對(duì)溶解氧濃度變化時(shí)快速調(diào)整控制輸入，動(dòng)態(tài)調(diào)節(jié)策略表示為：

10、

11、δu(t)＝[δu(t)，δu(t+1)，…，δu(t+hp-1)]t

12、hp為預(yù)測(cè)時(shí)域，hp∈(1，10)，hu為控制變量的變化時(shí)域，hu∈[1，5]，hu≤hp；約束條件：

13、δu(t)＝u(t)-u(t-1)

14、|δu(t)|≤δumax

15、δumin≤u(t)≤δumax

16、ymin≤y(t)≤ymax

17、其中，參數(shù)α、β、γ分別表示對(duì)應(yīng)項(xiàng)的權(quán)重；δumax是控制器允許的最大曝氣調(diào)整量，umin是控制器允許的最小曝氣量，umax是控制器允許的最大曝氣量，ymin是控制對(duì)象允許的最小溶解氧do濃度，ymax是控制對(duì)象允許的最大溶解氧do濃度，δumax，umin、umax、ymin和ymax根據(jù)控制系統(tǒng)設(shè)備設(shè)置。

18、進(jìn)一步地，所述步驟(2)中動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、rbf層、規(guī)則化層以及輸出層；初始時(shí)刻，網(wǎng)絡(luò)的輸入向量為：

19、x(t)＝[y(t-1)，y(t-2)，qa(t-5)，qa(t-6)，kla(t-5)，kla(t-6)]

20、其中，y(t-1)為t-1時(shí)刻污水處理過(guò)程中溶解氧do濃度的實(shí)際值，y(t-2)為t-2時(shí)刻污水處理過(guò)程中溶解氧do濃度的實(shí)際值，qa(t-5)為t-5時(shí)刻污水處理過(guò)程中內(nèi)回流量，qa(t-6)為t-6時(shí)刻污水處理過(guò)程中內(nèi)回流量，kla(t-5)為t-5時(shí)刻污水處理過(guò)程中曝氣量，kla(t-6)為t-6時(shí)刻污水處理過(guò)程中曝氣量。

21、進(jìn)一步地，所述步驟(2)包括：

22、(2.1)初始化動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)；

23、(2.2)設(shè)計(jì)分級(jí)更新策略。

24、進(jìn)一步地，所述步驟(2.1)包括確定神經(jīng)網(wǎng)絡(luò)6-0-0-1的連接方式，輸入層神經(jīng)元為6個(gè)，徑向基rbf層神經(jīng)元為0個(gè)，規(guī)則層神經(jīng)元為0個(gè)；輸出層神經(jīng)元為1個(gè)，輸出值為出水溶解氧濃度的預(yù)測(cè)值；

25、

26、其中，為t時(shí)刻動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的輸出，表示為t時(shí)刻污水處理過(guò)程中溶解氧do濃度的預(yù)測(cè)值，wk(t)為t時(shí)刻模糊神經(jīng)網(wǎng)絡(luò)規(guī)則層第k個(gè)神經(jīng)元和輸出層的連接權(quán)值，k＝1，2，...，k；vk(t)為t時(shí)刻模糊神經(jīng)網(wǎng)絡(luò)規(guī)則層第k個(gè)神經(jīng)元的輸出，其計(jì)算公式為：

27、

28、φk(t)表示為t時(shí)刻動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)徑向基rbf層第k個(gè)神經(jīng)元的輸出，φl(shuí)(t)表示為t時(shí)刻動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)徑向基rbf層第1個(gè)神經(jīng)元的輸出，l＝1，2，...，k；其計(jì)算公式為：

29、

30、其中，cl(t)表示t時(shí)刻動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)徑向基rbf層第1個(gè)神經(jīng)元中心值向量，σ1(t)表示t時(shí)刻模糊神經(jīng)網(wǎng)絡(luò)徑向基rbf層第1個(gè)神經(jīng)元的中心寬度值向量。

31、進(jìn)一步地，所述步驟(2.2)包括：

32、(2.2.1)初始時(shí)刻t＝1，計(jì)算累積誤差指標(biāo)et，確定激活強(qiáng)度閾值ηt，，

33、累積誤差指標(biāo)et表示為：

34、

35、激活強(qiáng)度閾值ηt表示為：

36、

37、其中，ηmax為激活強(qiáng)度閾值最大值，et為t時(shí)刻計(jì)算得到的累積誤差指標(biāo)，λ為遺忘因子，ei(t)為t時(shí)刻第i個(gè)在線樣本的誤差，遺忘因子λ∈(0，1)；

38、(2.2.2)計(jì)算網(wǎng)絡(luò)中所有規(guī)則的激活強(qiáng)度，若存在規(guī)則激活強(qiáng)度大于或等于ηt，則對(duì)激活強(qiáng)度大于或等于閾值的規(guī)則后件參數(shù)進(jìn)行更新；否則，計(jì)算滑動(dòng)窗口內(nèi)的差異性，并找到差異性最大的樣本基于對(duì)所有規(guī)則前后件參數(shù)進(jìn)行更新，

39、取λ＝0.5，對(duì)于t時(shí)刻在線樣本{x(t)，yd(t)}，若j∈{1，2，...，k}，fsj(x(t))＜ηt，采用iso算法對(duì)所有規(guī)則進(jìn)行全局更新，引入如下指標(biāo)量化模型更新前后的差異性：

40、

41、其中，代表t-1時(shí)刻更新后的模型，代表t時(shí)刻更新后的模型。

42、(2.2.3)計(jì)算差異性并更新滑動(dòng)窗口內(nèi)的數(shù)據(jù)。

43、(2.2.4)若基于所有在線數(shù)據(jù)更新完畢，則在線更新完成；否則，t＝t+1并返回步驟(2.2.1)。

44、進(jìn)一步地，所述步驟(3)包括：

45、(3.1)令t＝1，設(shè)定控制時(shí)間t，預(yù)測(cè)時(shí)域n，控制時(shí)域nu，采樣周期ts，權(quán)值矩陣q和r；

46、(3.2)計(jì)算過(guò)程模型參數(shù)g，和神經(jīng)網(wǎng)絡(luò)參數(shù)矩陣w，c，e，b，φ，ψ，q，a；

47、(3.3)用神經(jīng)網(wǎng)絡(luò)來(lái)解決凸二次優(yōu)化問(wèn)題來(lái)獲得最優(yōu)控制增量

48、(3.4)計(jì)算得到最優(yōu)控制增量并將其第一個(gè)元素δu(t|t)用來(lái)計(jì)算得到最優(yōu)控制量u(t)＝δu(t|t)+u(t-1)；u(t)即為t時(shí)刻輸入。

49、(3.5)如果t＜t，令t＝t+1，返回第二步；否則迭代終止。

50、進(jìn)一步地，所述步驟(3.2)中

51、過(guò)程模型為：

52、x(t+1)＝f(x(t))u(t)

53、y(t)＝cx(t)

54、模型的系統(tǒng)約束為：

55、umin≤u(t)≤umax

56、|δu(t)|≤δumax

57、xmin≤x(t)≤xmax

58、ymin≤y(t)≤ymax

59、其中為狀態(tài)向量；為輸入向量；是輸出向量；f(·)為非線性函數(shù)，

60、進(jìn)一步地，所述步驟(3.3)中二次優(yōu)化目標(biāo)優(yōu)化函數(shù)為：

61、

62、umin≤u(t+j|t)≤umax，j＝0…nu-1；

63、s.t.δumin≤δu(t+j|t)≤δumax，j＝0…nu-1；

64、ymin≤y(t+j|t)≤ymax，j＝1…n；

65、其中，r(t+j|t)為輸出的參考軌跡，y(t+j|t)為預(yù)測(cè)輸出，δu(t+j|t)為輸出增量；

66、δu(t+j|t)＝u(t+j|t)-u(t+j-1|t)

67、其中，n和nu分別為預(yù)測(cè)時(shí)域和控制時(shí)域，且n≥nu＞0；q和r為權(quán)值矩陣。||·||為相關(guān)矩陣的歐幾里德范數(shù)；優(yōu)化函數(shù)中的第一項(xiàng)代表預(yù)測(cè)輸出和參考軌跡之間的誤差，第二項(xiàng)是考慮控制能量變化，選取適當(dāng)?shù)膎，nu和q和r，保證優(yōu)化函數(shù)中的閉環(huán)穩(wěn)定；

68、在采樣時(shí)刻t，通過(guò)獲得的當(dāng)前時(shí)刻最優(yōu)輸入u(t+j|t-1)，j＝1，2，…，nu預(yù)測(cè)未來(lái)的狀態(tài)；

69、x(t+j|t)，j＝1，2，…n：x(t+1|t)＝f(x(t|t-1))(u(t-1)+δu(t|t))

70、x(t+2|t)＝f(x(t+1|t-1))(u(t-1)+δu(t|t)+δu(t+1|t))

71、x(t+n|t)＝f(x(t+n-1|t-1))(u(t-1)+δu(t|t)…+δu(t+n-1|t))

72、定義如下向量：

73、

74、預(yù)測(cè)輸出是基于先前的預(yù)測(cè)狀態(tài)，過(guò)去的輸入和當(dāng)前狀態(tài)的估計(jì)值可以表示為：

75、

76、其中，預(yù)測(cè)公式中參數(shù)對(duì)應(yīng)的矩陣如下：

77、

78、

79、可優(yōu)化問(wèn)題重構(gòu)為如下二次規(guī)劃問(wèn)題：

80、

81、有益效果：本發(fā)明與現(xiàn)有技術(shù)相比，具有如下顯著優(yōu)點(diǎn)：通過(guò)構(gòu)建動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)模型，利用神經(jīng)動(dòng)力學(xué)優(yōu)化和模型預(yù)測(cè)控制的方法實(shí)現(xiàn)溶解氧do濃度的精確在線控制，解決了控制污水處理過(guò)程溶解氧do濃度僅依靠人工經(jīng)驗(yàn)實(shí)現(xiàn)的問(wèn)題，具有精度高，能耗低，穩(wěn)定性強(qiáng)等特點(diǎn)。