引用本文

韩红桂, 王玉爽, 刘峥, 孙浩源, 乔俊飞. 知识和数据驱动的污水处理反硝化脱氮过程协同优化控制. 自动化学报, 2024, 50(6): 1221−1233 doi: 10.16383/j.aas.c230695

Han Hong-Gui, Wang Yu-Shuang, Liu Zheng, Sun Hao-Yuan, Qiao Jun-Fei. Knowledge-data-driven cooperative optimal control for wastewater treatment denitrification process. Acta Automatica Sinica, 2024, 50(6): 1221−1233 doi: 10.16383/j.aas.c230695

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c230695

关键词

污水处理反硝化脱氮过程，知识和数据驱动，协同优化控制，自适应知识核函数，知识引导的协同优化算法 

摘要

为有效提升城市污水处理过程的脱氮效果, 提出一种知识和数据驱动的反硝化脱氮过程协同优化控制(Knowledge-data-driven cooperative optimal control, KDDCOC). 所提方法主要有以下两个方面: 首先, 建立一种基于自适应知识核函数的协同优化控制目标模型, 动态描述出水水质(Effluent quality, EQ)以及泵送能耗(Pumping energy consumption, PE)、关键变量的协同关系; 其次, 提出一种知识引导的协同优化算法(Knowledge guide-based cooperative optimization algorithm, KGCO), 快速准确求解硝态氮(Nitrate nitrogen, SNO)优化设定值, 提高KDDCOC的响应速度. KDDCOC利用比例−积分−微分(Proportional-integral-derivative, PID)控制器对硝态氮优化设定值进行跟踪, 将提出的KDDCOC应用于城市污水处理过程基准仿真模型 1 号(Benchmark simulation model No.1, BSM1), 实验结果表明, 该方法能够提高出水水质, 降低运行能耗, 有效改善脱氮效果.

文章导读

随着我国工业化和城镇化进程的加快推进, 城市生活污水排放量逐年增加, 对城市污水处理能力提出新要求, 使其面临着达标排放和节能降耗的双重挑战[1-2]. 反硝化脱氮过程将硝态氮(Nitrate nitrogen, SNO)还原成氮气并释放到空气中, 是城市污水处理过程不可或缺的一环, 与此同时, 其泵送能耗(Pumping energy consumption, PE)已成为城市污水处理过程的运行能耗的主要组成部分[3-4]. 然而, 反硝化脱氮过程是一个典型的强非线性、不确定性严重的复杂系统, 涉及到物理处理、生物处理和化学处理等多种处理过程, 运行过程具有时变的特性, 导致其难以实现优化运行[5-6]. 因此, 如何设计一种反硝化脱氮过程优化控制策略, 有效提升出水水质(Effluent quality, EQ)的脱氮效果, 实现城市污水处理过程低碳、高效与可持续运行, 是亟待解决的难题. 

为实现反硝化脱氮过程的优化控制, 一些学者提出基于机理模型的优化控制方法[7-8]. Plosz[9]提出基于生化反应池中反硝化脱氮过程动力学方程的优化控制策略, 该优化控制策略建立反硝化反应过程组分与EQ之间关系的表达, 结果表明, 该优化控制策略能够有效提高EQ, 降低总氮浓度(Total nitrogen concentration, N_tot). Borzooei等[10] 提出基于活性污泥1号模型的优化控制策略, 该优化控制策略采用城市污水处理硝化反应过程和流体动力学描述固体停留时间与总操作成本之间的关系, 实验结果证明了该策略的有效性和可靠性. 然而, 由于城市污水处理过程的复杂性和时变特性, 基于机理模型的优化控制方法难以获得准确的城市污水处理反硝化脱氮过程的数学模型, 影响优化控制效果[11]. 为解决这个问题, 数据驱动的优化控制方法获得城市污水处理过程研究人员和工程师的关注[12-13]. Zhang等[14]设计基于动态贝叶斯网络的优化控制方法, 该优化控制方法建立S_NO、内回流(Internal recycle flow, Q_a))、悬浮固体(Suspended solids, SS)、进水流量(Influent flow, Qin)和EQ之间的关系. 仿真结果表明, 该优化控制方法能够获得反硝化脱氮过程动态的运行性能特征, 提高EQ的优化控制效果. Zeng等[15]为城市污水处理反硝化脱氮过程的泵送系统设计基于非线性规划模型和类电磁算法的优化控制方法. 非线性规划模型建立PE与其关键变量的关系, 类电磁算法获得使PE最小的优化设定值. 结果表明, 该优化控制方法使城市污水处理过程的PE显著降低. 然而, 上述模型只考虑运行能耗或EQ, 忽略运行能耗与EQ之间的内在联系, 导致其难以实现提质降耗的协同增效[16-17]. 

为协同优化控制运行能耗和EQ, Santín等[18]提出基于模型预测控制的分层优化控制方法, 该优化控制方法设计三层协同优化控制架构, 分别实现对S_NO、第四单元溶解氧浓度和第五单元溶解氧浓度的优化控制, 实现城市污水处理EQ和运行能耗的性能提升. Han等[19]为城市污水处理过程设计一种基于动态粒子群算法(Particle swarm optimization algorithm, PSO)的多工况协同优化控制方法. 该协同优化控制方法为不同工况设置不同种群规模的粒子群算法. 仿真结果表明, 所提出的优化控制方法可以提高城市污水处理过程的运行效率. 一些专家学者提出基于多目标优化算法的协同优化控制方法, 提高城市污水处理过程的运行能耗和EQ[20-22]. 尽管上述协同优化控制方法可以获得EQ和运行能耗的最优解, 但忽略数据采样区间不一致导致的EQ和运行能耗最佳优化控制周期差异[23-25]. 为解决这个问题, Han等[26]设计一种数据驱动粒子群优化算法的协同优化控制方法. 所提出的优化控制算法在运行能耗的最佳优化控制周期获得S_NO设定值和在EQ的最佳优化控制周期获得溶解氧的设定值. 实验结果表明, 该优化控制方法在EQ和运行能耗方面可以获得较好的性能. 然而, 这些数据驱动的协同优化控制方法依赖过程数据, 限制城市污水处理的EQ和运行能耗的性能提高[27-28]. 为减少协同优化控制方法对过程数据的依赖, Zhou等[29]提出一种城市污水处理过程基于知识引导的多目标操作优化控制方法, 该优化控制方法建立知识库用于指导优化算法求解优化设定值. 结果表明, 该优化控制方法利用知识提高优化控制性能, 保证水质的同时减少运行能耗. 上述知识驱动的优化控制方法有效减少优化控制方法对数据的依赖[30], 但如何根据城市污水处理反硝化脱氮过程运行特征, 建立数据和知识之间的动态联系, 设计协同优化控制方法是亟待解决的难题. 

综上所述, 本文提出一种知识和数据驱动的污水处理反硝化脱氮过程协同优化控制方法 (Knowledge-data-driven cooperative optimal control, KDDCOC). 该方法主要有以下优势: 

1) 构建基于自适应知识核函数的协同优化控制目标模型, 动态描述出水水质、运行能耗以及关键变量的关联关系, 设计自适应初始化模型参数策略, 获得准确的反硝化脱氮过程协同优化控制目标模型. 

2) 提出知识引导的协同优化算法(Knowledge guide-based cooperative optimization algorithm, KGCO), 设计全局最佳选择机制和开发机制用于控制变量设定值的协同求解过程, 获取有效的控制变量优化设定值, 提高KDDCOC的响应速度. 

3) 采用比例−积分−微分(Proportional-integral-derivative, PID)控制器跟踪优化设定值, 实现城市污水处理反硝化脱氮过程的协同优化控制. 

图 1  KDDCOC结构

图 2  KDDCOC流程图

图 3  干燥天气下SNO的优化控制结果和SNO的控制误差

本文提出一种知识和数据驱动的协同优化控制方法, 提高城市污水处理反硝化脱氮过程效果, 提高EQ的同时降低PE. 基于上述结果, KDDCOC主要包括以下优点: 

1) 设计基于自适应知识核函数的协同优化控制目标模型充分利用数据和知识来捕捉城市污水处理反硝化脱氮过程的特点, 通过自适应初始化策略预置模型参数初始值, 提高优化控制初始性能. 

2) 提出基于知识引导的反硝化脱氮过程协同优化算法, 利用基于知识引导的全局最佳选择机制和开发机制提高协同求解效率, 快速获得满意的最优解. 

实验效果显示, 与其他方法相比, KDDCOC能够建立城市污水处理反硝化脱氮过程中能耗和水质的协同模型, 具有较好的模型精度, 尤其是初始性能. 同时, 该方法可以获得有效的控制变量协同优化设定值, 提高EQ, 并降低运行能耗. 此外, KDDCOC证明数据和知识驱动协同优化控制方法在提高复杂工业过程优化控制性能方面有明显效果, 为石油化工、有色冶金等复杂工业过程提高产品质量与效率相关的运行指标并降低运行能耗提供了思路. 

虽然本文提出的知识和数据驱动的协同优化控制策略能够取得较好的效果, 但尚存在局限性需要进一步研究, 例如城市污水处理脱氮过程还包括硝化脱氮过程, 如何综合考虑城市污水处理整体运行能耗和EQ, 将硝化脱氮过程考虑到城市污水处理脱氮过程协同优化控制中, 进一步提高城市污水处理脱氮过程性能仍是一个需要解决的难题. 

作者简介

韩红桂

北京工业大学信息学部教授. 主要研究方向为城市污水处理过程智能优化控制, 神经网络结构设计与优化. 本文通信作者. E-mail: rechardhan@bjut.edu.cn

王玉爽

北京工业大学信息学部博士研究生. 主要研究方向为城市污水处理过程智能优化控制, 协同优化控制. E-mail: wangyushuang@emails.bjut.edu.cn

刘峥

北京工业大学信息学部讲师. 主要研究方向为神经网络, 智能系统, 过程系统的建模和控制. E-mail: liuzheng@bjut.edu.cn

孙浩源

北京工业大学信息学部讲师. 主要研究方向为城市污水处理网络化控制, 随机采样控制. E-mail: sunhaoyuan@bjut.edu.cn

乔俊飞

北京工业大学信息学部教授. 主要研究方向为城市污水处理过程智能优化控制, 神经网络结构设计与优化. E-mail: adqiao@bjut.edu.cn