|
水污染问题是世界上最令人头疼的问题之一,在未来的几十年将呈现继续恶化的趋势。针对污水处理问题,国内外研究者设计了大量的传统及智能控制方法。然而,污水处理过程运行中产生的大量数据包含很多有价值的信息,却很少被有效利用。在当前的研究中,多目标智能优化方法很少应用历史最优解的信息,对于处理环境相同且最优解决方案变化很小的情况,在新的搜索周期进行完全随机初始化策略会造成昂贵的计算成本。因此,如何在处理新的优化周期时有效应用过去最优解的信息成为当前多目标优化算法的重要课题之一。污水处理过程作为非线性动态系统,在相似的处理环境(入水流量、污染物浓度)下具有相近的解决方案,因此应用知识指导优化算法的搜索将能够得到更精确的优化解。
基于以上多目标优化算法以及污水处理过程特性的分析,本文提出一种基于知识的多目标粒子群(knowledge-basedmulti-objective particle swarm optimization, KBMOPSO)优化算法用于实现污水生化处理过程的智能优化控制系统,如下图所示,包含知识库、多目标优化模块和底层FNN控制器模块。
系统各模块实现及作用描述如下:
(1)多目标优化模块。通过分析污水处理过程特性分析,以入水流量、入水氨氮、入水总氮、溶解氧设定值和硝态氮设定值作为相关变量建立能耗与出水水质模型,此模型用于KBMOPSO适应度值计算,通过KBMOPSO的智能搜索可以得到适应当前工况的最优溶解氧和硝态氮设定值。
(2)知识库。知识库用于存储历史非支配解,以入水流量、入水氨氮和入水总氮作为工况识别参考变量,建立工况与非支配解的关系数据对存储在知识库中,在新的优化周期中,通过判定当前工况与知识库中历史非支配解对应工况的相似性,进而在新的优化周期中应用历史非支配解初始化种群以引导KBMOPSO的搜索区域。
(3)底层控制器。采用FNN神经网络设计底层控制器,此控制器充分利用神经网络的非线性自适应能力,在设定值以及工况发生变化时,迅速调整参数以映射系统变化的输入输出关系。
针对污水处理过程能耗较大的问题,提出一种基于知识的智能优化控制方法。该方法采用具有案例表达、检索和修订等功能的知识模型对KBMOPSO的搜索过程进行引导,实现了对溶解氧和硝态氮设定值的实时调优,采用模糊神经网络构建底层控制器,实现污水处理过程的底层精确跟踪控制。
引用格式:乔俊飞, 韩改堂, 周红标. 基于知识的污水生化处理过程智能优化方法. 自动化学报, 2017, 43(6): 1038-1046
链接:http://html.rhhz.net/ZDHXBZWB/html/2017-6-1038.htm
作者简介:
乔俊飞 北京工业大学教授. 主要研究方向为智能控制, 神经网络分析与设计.
E-mail: junfeq@bjut.edu.cn
韩改堂 北京工业大学博士研究生. 主要研究方向为计算智能与智能系统, 神经网络结构设计和优化.
Email: hangaitang@emails.bjut.edu.cn
周红标 北京工业大学博士研究生. 主要研究方向为神经网络结构设计与优化,多目标优化和过程控制系统.
E-mail: hyitzhb@163.com
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-9-20 17:06
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社