基于改進(jìn)局部搜索的免疫遺傳算法的污水處理節(jié)能優(yōu)化方法
【專利摘要】本發(fā)明公開(kāi)了一種基于改進(jìn)局部搜索的免疫遺傳算法的污水處理節(jié)能優(yōu)化方法，包括：設(shè)計(jì)曝氣池的溶解氧濃度和缺氧池硝酸氮的比例積分控制器；考慮出水和能耗，確定節(jié)能優(yōu)化函數(shù)和節(jié)能目標(biāo)；提出改進(jìn)局部搜索的免疫遺傳算法；求解溶解氧和硝酸氮的動(dòng)態(tài)控制的設(shè)定值；在保證出水滿足排放標(biāo)準(zhǔn)的前提下，最小化最優(yōu)化能耗成本。該方法采用改進(jìn)局部搜索的免疫遺傳算法，搭建以污水水質(zhì)為約束、鼓風(fēng)機(jī)能耗和泵送能耗都達(dá)最小的優(yōu)化目標(biāo)函數(shù)，提出以四分之一天為周期的控制器參考值為控制對(duì)象，進(jìn)行動(dòng)態(tài)調(diào)整的優(yōu)化策略，將局部搜索的免疫遺傳算法的優(yōu)化結(jié)果加入到控制器參考值的離線求解當(dāng)中，在保證出水水質(zhì)前提下顯著降低污水處理過(guò)程中能耗。
【專利說(shuō)明】
基于改進(jìn)局部搜索的免疫遺傳算法的污水處理節(jié)能優(yōu)化方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及污水處理節(jié)能優(yōu)化的技術(shù)領(lǐng)域，尤其是指一種基于改進(jìn)局部搜索的免 疫遺傳算法的污水處理節(jié)能優(yōu)化方法。
【背景技術(shù)】
[0002] 我國(guó)當(dāng)前的城市生活污水處理中，絕大部分還是依靠以人工經(jīng)驗(yàn)為主的常規(guī)控制 方法。這樣的措施存在很多的弊端，往往會(huì)導(dǎo)致出水的效果差，沒(méi)有及時(shí)的跟蹤上污水入水 濃度的變換和運(yùn)行的成本較高等問(wèn)題。因此，對(duì)污水處理過(guò)程進(jìn)行優(yōu)化控制，使得系統(tǒng)運(yùn)行 時(shí)消耗的能源盡可能少，是保障污水處理廠能夠穩(wěn)定運(yùn)行的重要手段。
[0003] 在污水處理模型BSMl中，鼓風(fēng)機(jī)能耗和內(nèi)回流栗送能耗是最整個(gè)污水系統(tǒng)中主要 的能源消耗類型。鼓風(fēng)機(jī)能耗占到污水廠設(shè)備能耗的50%~70%，其主要作用是使得反應(yīng) 池中增加足夠的溶解氧，這樣可以滿足好氧菌對(duì)于氧氣的需求，使得生化反應(yīng)得以正常進(jìn) 行。
[0004] 內(nèi)回流栗送能耗占污水廠設(shè)備能耗的10%~25%，其作用是讓污泥池保持活性污 泥的狀態(tài)。另外，外回流栗送能耗由于會(huì)導(dǎo)致二沉池不穩(wěn)定，通常都是和入水按一定比例配 置好，不適合后期做優(yōu)化，因此本發(fā)明把污水系統(tǒng)的節(jié)能優(yōu)化的目標(biāo)確定為最小化最優(yōu)化 鼓風(fēng)機(jī)能耗以及內(nèi)回流栗送能耗。
[0005] 活性污泥污水處理過(guò)程中，溶解氧及硝態(tài)氮的濃度是改變硝化和反硝化反應(yīng)的重 要參數(shù)。反應(yīng)池中溶解氧濃度的調(diào)節(jié)是通過(guò)調(diào)節(jié)曝氣池末端的氧傳遞系數(shù)來(lái)控制溶解氧濃 度穩(wěn)定。氧傳遞系數(shù)和鼓風(fēng)機(jī)能耗密切相關(guān);硝酸氮的濃度通過(guò)調(diào)節(jié)污水系統(tǒng)內(nèi)回流量Q a， 以達(dá)到控制缺氧池的硝酸氮濃度保持在一定水平的效果，內(nèi)回流量和栗送能耗息息相關(guān)。 因此，如何合理的利用溶解氧以及硝態(tài)氮是有效實(shí)現(xiàn)節(jié)能減排的關(guān)鍵問(wèn)題。
[0006] 當(dāng)前很多活性污泥污水廠的溶解氧濃度和氨氮濃度都配置為恒定值，除非系統(tǒng)有 重大的調(diào)整，否則溶解氧和氨氮設(shè)定值會(huì)保持長(zhǎng)期不變。包括我們BSMl模型中常規(guī)控制方 法中默認(rèn)的PI控制器的設(shè)定值也是固定的（分別為2g/m 3和lg/m3)。然而，通過(guò)實(shí)際的運(yùn)行經(jīng) 驗(yàn)可知，在不同的氣候環(huán)境下和時(shí)間段下，污水廠進(jìn)水的濃度變化很大。如果溶解氧的控制 器和硝酸氮的控制器設(shè)定值在整個(gè)運(yùn)行期間一直保持不變，則污水系統(tǒng)的出水和能耗都無(wú) 法實(shí)現(xiàn)整體最優(yōu)化。因此，必須對(duì)溶解氧和硝酸氮的控制器控制值進(jìn)行最優(yōu)化設(shè)計(jì)。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提出了一種基于改進(jìn)局部搜索的免疫遺 傳算法的污水處理節(jié)能優(yōu)化方法。首先，分別設(shè)計(jì)曝氣池的溶解氧濃度和缺氧池硝酸氮的 比例積分控制器。再統(tǒng)籌考慮出水和能耗，結(jié)合前置反硝化污泥生化處理系統(tǒng)的控制器，采 用局部搜索的免疫遺傳算法求解溶解氧和硝酸氮的動(dòng)態(tài)控制的設(shè)定值。利用比例積分控制 器，使其跟蹤優(yōu)化值對(duì)氧傳遞系數(shù)及污水系統(tǒng)內(nèi)部回流量的影響，在保證出水滿足排放標(biāo) 準(zhǔn)的前提下，最小化最優(yōu)化能耗成本。
[0008] 本發(fā)明的目的通過(guò)下述技術(shù)方案實(shí)現(xiàn)：
[0009] -種基于改進(jìn)局部搜索的免疫遺傳算法的污水處理節(jié)能優(yōu)化方法，包括下列步 驟：
[0010] Sl、采用BSMl模型常規(guī)控制方法中默認(rèn)的PI控制器作為曝氣池的溶解氧濃度和缺 氧池硝酸氮的比例積分控制器；
[0011] S2、搭建了以污水水質(zhì)為約束、鼓風(fēng)機(jī)能耗Ea和栗送能耗Ep都達(dá)最小的優(yōu)化目標(biāo)函 數(shù)J;
[0012] S3、提出一種改進(jìn)局部搜索的免疫遺傳算法；
[0013] S4、采用改進(jìn)局部搜索的免疫遺傳算法尋優(yōu)求解溶解氧濃度和硝酸氮濃度 名％?的動(dòng)態(tài)控制的設(shè)定值；
[0014] S5、在保證出水滿足排放標(biāo)準(zhǔn)的前提下，最小化最優(yōu)化能耗成本。
[0015]進(jìn)一步的，所述步驟S3具體為：
[0016] 步驟S30、假設(shè)S為按照一定方式編碼的鏈長(zhǎng)為1的抗體空間，SnS抗體群空間，S2為 母體空間，若Xi e S( i彡N)是N個(gè)抗體，則癸=.. .U是一個(gè)抗體群，用表示初始 抗體群，表示第η代抗體群，用F: S-R+表示親和力函數(shù)；
[0017] 定義1(抗體以及抗體空間)采用一定方式編碼產(chǎn)生的長(zhǎng)度為1的字符串，簡(jiǎn)稱1-抗 體X，X e A，A為可行解空間；1稱為抗體的鏈長(zhǎng)，1 -抗體的全體記作S ={ XIX e A}稱為抗體空 間。
[0018] 定義2(抗體群和抗體群空間)所謂N-種群是N個(gè)允許重復(fù)的抗體組成的集合，簡(jiǎn)稱 抗體群。N稱作抗體群規(guī)模，稱
[0019]
(1)
[0020] 為N-抗體群群空間。
[0021] 假設(shè)S為按照一定方式編碼的鏈長(zhǎng)為1的抗體空間，SnS抗體群空間，S2為母體空 間。若X ie S(i<N)是N個(gè)抗體，則$ = dJT2,.....zy是一個(gè)抗體群。用丨表示初始抗體 群表示第η代抗體群。用F: S-R+表示親和力函數(shù)，則改進(jìn)的免疫遺傳算法的過(guò)程為：
[0022] 步驟S31、對(duì)于η = 0給出初始抗體群^"卩，利用隨機(jī)算法，隨機(jī)對(duì)抗體種群進(jìn)行初 始化，本算法隨機(jī)產(chǎn)生抗體采用等概率的方式：
[0023]
(2)
[0024] 則變量Xe (xmin，Xmax)將初始化為：
[0025] X = Xmin+(Xmax-Xmin) L (3)
[0026] 步驟S32、梯度下降法指導(dǎo)抗體變異。以相鄰抗體的親和度為依據(jù)，用梯度下降法 指導(dǎo)抗體的變異方向：如相鄰兩抗體Xi和Xi+i親和度為F(Xi)、F(X i+1)，得到新抗體為：
[0027]
(4)
[0028] 假如越界就在定義域內(nèi)，采用隨機(jī)算法搜索出新的隨機(jī)抗體。
[0029] 步驟S33、評(píng)價(jià)各抗體親和度，對(duì)抗體進(jìn)行促進(jìn)和抑制。將與抗原親和度好的抗體 加入記憶細(xì)胞中，保證當(dāng)前尋優(yōu)過(guò)程不發(fā)生退化現(xiàn)象;依照繁殖幾率對(duì)抗體排序，以等概率 產(chǎn)生的抗體來(lái)更替期望最小的不合格抗體和由梯度下降導(dǎo)致越界抗體。設(shè)在[X min，Xmax]內(nèi) 每隔ε取一個(gè)抗體：
[0030] (5)
[0031]
[0032] (6)
[0033] 步驟S34、在最優(yōu)抗體附近進(jìn)行局部搜索。因?yàn)樵谑褂锰荻认陆邓阕訒r(shí)，會(huì)在某個(gè) 極值點(diǎn)附近，出現(xiàn)自變量超出定義域的情況，這時(shí)會(huì)采用隨機(jī)產(chǎn)生新抗體的方法替代超出 定義域的抗體。另一方面，梯度下降法的快速性，能使算法較快地到達(dá)極值點(diǎn)的周?chē)?，然?極值點(diǎn)有可能很小的鄰域內(nèi)，也有可能在稍微遠(yuǎn)一點(diǎn)的鄰域內(nèi)。當(dāng)出現(xiàn)兩個(gè)抗體一樣的情 況時(shí)，或者兩次抗體的空間距離較近的時(shí)候，本發(fā)明以等概率P在當(dāng)前最優(yōu)抗體的小鄰域a 內(nèi)進(jìn)行深度查找。這個(gè)操作在迭代中并不是每次都需要觸發(fā)，但卻對(duì)提高算法的精度起著 至關(guān)重要的作用。選擇到鄰域中的任意區(qū)域概率為：
[0034]
(7)
[0035]其中a為當(dāng)前鄰域半徑。ε為任意小的正數(shù)，體現(xiàn)在對(duì)算法精度的影響，另外a的確 定由下式?jīng)Q定，其中N為算法中的參數(shù)，Xmax，Xmin分別是定義域的上界和下界。
[0036]
(8)
[0037] 步驟S35、如果滿足停止準(zhǔn)則，則停止，否則轉(zhuǎn)向步驟S32，則局部搜索的免疫遺傳 算法為：,? + 丨)=.r(i(?)) (9)
[0038] 從出發(fā)，即得到抗體群序列·($"；)，">〇丨。它是有限的、齊次的、不可約的和非 周期的馬爾科夫鏈。
[0039]進(jìn)一步的，所述步驟S4為：
[0040] S41、將開(kāi)始時(shí)間到結(jié)束時(shí)間切分成η段。
[0041] S42、隨機(jī)生成第一代抗體群，自變量范圍分別控制在<3，0<5\〇2碎<2 內(nèi)，生成2n維的抗體，其中每個(gè)時(shí)間段有兩個(gè)控制參數(shù)。
[0042] S43、將種群中的抗體依次賦值給尋優(yōu)參數(shù)*%<和，運(yùn)行活性污泥仿真模 型，計(jì)算出抗體所對(duì)應(yīng)的適應(yīng)度J值，并將J轉(zhuǎn)化為各抗體的親和度，對(duì)比保存當(dāng)前最優(yōu)的J 值，適應(yīng)度最好的抗體就是我們尋優(yōu)的目標(biāo)。
[0043] S44、利用局部搜索的免疫遺傳算法對(duì)抗體作迭代計(jì)算。含有抗體的促進(jìn)抑制，記 憶系統(tǒng)，梯度下降，局部搜索，抗體的復(fù)制等。按適應(yīng)度把抗體按照繁殖幾率排序，從大到小 加入記憶系統(tǒng)中。
[0044] S45、評(píng)估是否達(dá)到最大進(jìn)化代數(shù)。是就退出，輸出每一個(gè)時(shí)間段的最優(yōu)溶解氧濃 度值、硝酸氮濃度值及其對(duì)應(yīng)適應(yīng)度值。反之，返回上面S43-S44，待到算法迭代結(jié)束。
[0045] 進(jìn)一步的，所：
[0046] 所述栗送能_
[0047]所述優(yōu)化目標(biāo)函數(shù)J:
[0048]
[0049] 式中，Kla表示氧傳遞系數(shù)，Vi表示各生化反應(yīng)池體積，So, sat為飽和溶解氧濃度，Qa 為污水系統(tǒng)內(nèi)部回流量，Qw為向外污泥排放量，Qr為污泥內(nèi)部回流量，CiQ = I~5)為懲罰因 子。
[0050] 進(jìn)一步的，所述出水水質(zhì)約束條件為：總氮濃度TN<18g/m3;化學(xué)需氧量⑶D< 100g/m 3;硝酸氮濃度SNH<4g/m3;固體懸浮物濃度TSS<30g/m 3;5天生化需氧量濃度B0D5< 10g/m3〇
[0051] 本發(fā)明相對(duì)于現(xiàn)有技術(shù)具有如下的優(yōu)點(diǎn)及效果：
[0052] 1)采用本發(fā)明方法優(yōu)化得到的控制器設(shè)定值更加精準(zhǔn)和快速，提高了污水?dāng)?shù)據(jù)測(cè) 量的效率和準(zhǔn)確度，并且使出水水質(zhì)得到了提升。
[0053] 2)本發(fā)明結(jié)合現(xiàn)有污水處理模型，對(duì)污水處理過(guò)程進(jìn)行優(yōu)化控制，使所消耗的能 源得到明顯下降，保障了污水處理廠能夠穩(wěn)定經(jīng)濟(jì)的運(yùn)行。
【附圖說(shuō)明】
[0054]圖1是本發(fā)明中依據(jù)最小化最優(yōu)化能耗成本的污水處理節(jié)能優(yōu)化方法流程圖； [0055]圖2是本實(shí)施例步驟S4中關(guān)于采用改進(jìn)局部搜索的遺傳算法優(yōu)化污水處理過(guò)程的 流程圖；
[0056]圖3是本實(shí)施例中采用的污水處理模型BSMl構(gòu)造圖；
[0057]圖4是采用局部搜索算法優(yōu)化求解的PI控制器時(shí)間分段控制參數(shù)值對(duì)比圖。
【具體實(shí)施方式】
[0058] 為使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚、明確，以下參照附圖并舉實(shí)施例對(duì) 本發(fā)明做進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不 用于限定本發(fā)明。
[0059] 實(shí)施例
[0060] 請(qǐng)參見(jiàn)附圖1，附圖1是本實(shí)施例中依據(jù)改進(jìn)局部搜索的免疫遺傳算法污水處理節(jié) 能優(yōu)化方法流程圖。本發(fā)明采用國(guó)際水協(xié)會(huì)和COST根據(jù)的實(shí)際操作測(cè)量數(shù)據(jù)，給出了進(jìn)水 的3種氣候的入水?dāng)?shù)據(jù)文件。文件包含14天的進(jìn)水?dāng)?shù)據(jù)，采樣間隔是15分鐘，這些數(shù)據(jù)都是 由真實(shí)的數(shù)據(jù)測(cè)量得出。分別對(duì)應(yīng)的是干旱天、雨天和暴雨天，相應(yīng)的污水進(jìn)水流量變化和 成分濃度變化。具體過(guò)程如下：
[0061] 步驟S1、設(shè)計(jì)曝氣池的溶解氧濃度和缺氧池硝酸氮的比例積分控制器；
[0062]采用BSMl模型常規(guī)控制方法中默認(rèn)的PI控制器作為曝氣池的溶解氧濃度和缺氧 池硝酸氮的比例積分控制器。BSMl的模型結(jié)構(gòu)是一種相對(duì)簡(jiǎn)單且已被普遍使用的布局，標(biāo) 準(zhǔn)是由五個(gè)生化反應(yīng)池組成，包含2個(gè)缺氧池和3個(gè)有氧池和一個(gè)二沉池。模型結(jié)構(gòu)圖見(jiàn)附 圖3。
[0063]步驟S2、搭建以污水水質(zhì)為約束、鼓風(fēng)機(jī)能耗Ea和栗送能耗Ep都達(dá)最小的優(yōu)化目標(biāo) 函數(shù)J;
[0064]設(shè)在某一段時(shí)間[t，t+T]內(nèi)的工作運(yùn)行能耗E為:E = Ea+Ep;
[0065] 步驟S21、鼓風(fēng)機(jī)能_
[0066] 步驟S22、栗送能
[0067]步驟S23、優(yōu)化目標(biāo)函數(shù)J:
[0068]
[0069] 式中，Ea為鼓風(fēng)機(jī)耗能，Ep為栗送耗能，Kla表示氧傳遞系數(shù)，Vi表示各生化反應(yīng)池 體積。So, sat為飽和溶解氧濃度，Qa為污水系統(tǒng)內(nèi)部回流量，Qw為向外污泥排放量，Qr為污泥內(nèi) 部回流量， Cl(i = l~5)為懲罰因子。
[0070] 步驟3、建立改進(jìn)局部搜索的免疫遺傳算法模型。
[0071] 傳統(tǒng)的免疫遺傳算法具有很好的全局搜索能力，但是局部搜索能力稍顯乏力，一 旦落入最優(yōu)解附近時(shí)，還要迭代多代才能達(dá)到收斂目標(biāo)。因此，可以先用免疫遺傳算法來(lái)尋 找一個(gè)粗糙的適應(yīng)值，讓算法在當(dāng)前適應(yīng)值附近尋找最優(yōu)值，然后使用梯度下降算子使算 法較快地到達(dá)某個(gè)極值點(diǎn)的周?chē)@時(shí)一方面在極值點(diǎn)附近可能出現(xiàn)自變量超出定義域的 情況，另一方面極值點(diǎn)有可能很小的鄰域內(nèi)，也有可能在稍微遠(yuǎn)一點(diǎn)的鄰域內(nèi)。當(dāng)出現(xiàn)兩個(gè) 抗體一樣的情況時(shí)，或者兩次抗體的空間距離較近的時(shí)候，本發(fā)明以等概率P在當(dāng)前最優(yōu)抗 體的小鄰域a內(nèi)進(jìn)行深度查找。這個(gè)操作在迭代中并不是每次都需要觸發(fā)，但卻對(duì)提高算法 的精度起著至關(guān)重要的作用。這樣新的算法不僅提高了原來(lái)算法的收斂速度，更提供了高 精度的搜索機(jī)制。
[0072]該步驟具體過(guò)程為：
[0073] 為了方便后面引用，根據(jù)數(shù)學(xué)規(guī)則給出定義：
[0074] (步驟S30)、定義1(抗體以及抗體空間）采用一定方式編碼產(chǎn)生的長(zhǎng)度為1的字符 串，簡(jiǎn)稱1 -抗體X，X e A，A為可行解空間；1稱為抗體的鏈長(zhǎng)，1 -抗體的全體記作S ={XIX e A} 稱為抗體空間。
[0075]定義2(抗體群和抗體群空間)所謂N-種群是N個(gè)允許重復(fù)的抗體組成的集合，簡(jiǎn)稱 抗體群。N稱作抗體群規(guī)模，稱
[0076]
(1)
[0077]為N-抗體群群空間。
[0078]假設(shè)S為按照一定方式編碼的鏈長(zhǎng)為1的抗體空間，SnS抗體群空間，S2為母體空 間。若XiG S(iSN)是N個(gè)抗體，則$ = %，尤，,..D是一個(gè)抗體群。用表示初始抗體 群，表示第η代抗體群。用F: S-R+表示親和力函數(shù)，則改進(jìn)的免疫遺傳算法的過(guò)程為：
[0079] (步驟S31)、對(duì)于n = 0給出初始抗體群{(0)，利用隨機(jī)算法，隨機(jī)對(duì)抗體種群進(jìn)行 初始化，本算法隨機(jī)產(chǎn)生抗體采用等概率的方式：
[0080]
(2)
[0081 ] 則變量X e (xmin ,Xmax)將初始化為：
[0082]
(3)
[0083] (步驟S32)、梯度下降法指導(dǎo)抗體變異。以相鄰抗體的親和度為依據(jù)，用梯度下降 法指導(dǎo)抗體的變異方向：如相鄰兩抗體Xi和Xi+i親和度為F(Xi)、F(X i+1)，得到新抗體為：
[0084]
(4)
[0085] 假如越界就在定義域內(nèi)，采用隨機(jī)算法搜索出新的隨機(jī)抗體。
[0086] (步驟S33)、評(píng)價(jià)各抗體親和度，對(duì)抗體進(jìn)行促進(jìn)和抑制。將與抗原親和度好的抗 體加入記憶細(xì)胞中，保證當(dāng)前尋優(yōu)過(guò)程不發(fā)生退化現(xiàn)象;依照繁殖幾率對(duì)抗體排序，以等概 率產(chǎn)生的抗體來(lái)更替期望最小的不合格抗體和由梯度下降導(dǎo)致越界抗體。設(shè)在[X min，Xmax] 內(nèi)每隔ε取一個(gè)抗體：
[0087]
(5)
[0088] 其中k為抗體分量的個(gè)數(shù)，則有：
(6)
[0089]
[0090] (步驟S34)、在最優(yōu)抗體附近進(jìn)行局部搜索。因?yàn)樵谑褂锰荻认陆邓阕訒r(shí)，會(huì)在某 個(gè)極值點(diǎn)附近，出現(xiàn)自變量超出定義域的情況，這時(shí)會(huì)采用隨機(jī)產(chǎn)生新抗體的方法替代超 出定義域的抗體。另一方面，梯度下降法的快速性，能使算法較快地到達(dá)極值點(diǎn)的周?chē)?，?而極值點(diǎn)有可能很小的鄰域內(nèi)，也有可能在稍微遠(yuǎn)一點(diǎn)的鄰域內(nèi)。當(dāng)出現(xiàn)兩個(gè)抗體一樣的 情況時(shí)，或者兩次抗體的空間距離較近的時(shí)候，本發(fā)明以等概率P在當(dāng)前最優(yōu)抗體的小鄰域 a內(nèi)進(jìn)行深度查找。這個(gè)操作在迭代中并不是每次都需要觸發(fā)，但卻對(duì)提高算法的精度起著 至關(guān)重要的作用。選擇到鄰域中的任意區(qū)域概率為：
[0091]
(7)
[0092] 其中a為當(dāng)前鄰域半徑。ε為任意小的正數(shù)，體現(xiàn)在對(duì)算法精度的影響，另外a的確 定由下式?jīng)Q定，其中N為算法中的參數(shù)，Xmax，X min分別是定義域的上界和下界。
[0093]
(B)
[0094] (步驟S35)、如果滿足停止準(zhǔn)則，則停止，否則轉(zhuǎn)向步驟S32，則局部搜索的免疫遺 傳算法為：乂.(《 十 1) = 7·(?(")) (9)
[0095] 從右〇)出發(fā)，即得到抗體群序列·它是有限的、齊次的、不可約的和非 周期的馬爾科夫鏈。
[0096]步驟S4、尋優(yōu)求解溶解氧濃度5^#/和硝酸氮濃度的動(dòng)態(tài)控制的設(shè)定值，具 體過(guò)程為：
[0097](步驟S41)、將開(kāi)始時(shí)間到結(jié)束時(shí)間切分成η段。
[0098] (步驟S42)、隨機(jī)生成第一代抗體群，自變量范圍分別控制在<3， 0<<2內(nèi)，生成2η維的抗體，其中每個(gè)時(shí)間段有兩個(gè)控制參數(shù)。
[0099] (步驟S43)、將種群中的抗體依次賦值給尋優(yōu)參數(shù)私5#和*^〇2#，運(yùn)行活性污泥仿 真模型，計(jì)算出抗體所對(duì)應(yīng)的適應(yīng)度J值，并將J轉(zhuǎn)化為各抗體的親和度，對(duì)比保存當(dāng)前最優(yōu) 的J值，適應(yīng)度最好的抗體就是我們尋優(yōu)的目標(biāo)。
[0100] (步驟S44)、利用局部搜索的免疫遺傳算法對(duì)抗體作迭代計(jì)算。含有抗體的促進(jìn)抑 制，記憶系統(tǒng)，梯度下降，局部搜索，抗體的復(fù)制等。按適應(yīng)度把抗體按照繁殖幾率排序，從 大到小加入記憶系統(tǒng)中。
[0101](步驟S45)、評(píng)估是否達(dá)到最大進(jìn)化代數(shù)。是就退出，輸出每一個(gè)時(shí)間段的最優(yōu)溶 解氧濃度值、硝酸氮濃度值及其對(duì)應(yīng)適應(yīng)度值。反之，返回上面S43-S44,待到算法迭代結(jié) 束。
[0102]根據(jù)步驟S4,仿真實(shí)驗(yàn)把一天分為4段。這是根據(jù)污水處理的波動(dòng)情況，基于有序 樣本序列聚類的方法來(lái)劃分的控制時(shí)段。以此來(lái)控制溶解氧濃度和氨氮濃度，由于每天的 波動(dòng)情況不一樣，劃分的時(shí)間段略有不同，下面給出本發(fā)明仿真時(shí)所采用的分段方法。具體 的尋優(yōu)分段方法如由表1給出：
[0103]表1尋優(yōu)分段方法
[0106]另外由于污水處理過(guò)程屬于大時(shí)滯系統(tǒng)，整個(gè)過(guò)程存在較為明顯的滯后，對(duì)某個(gè) 點(diǎn)施加控制參數(shù)，還需要一段時(shí)間才能作用在污水系統(tǒng)中。參考BSMl模型中的水力停留時(shí) 間，本發(fā)明的仿真相應(yīng)的往后延遲0.6天。
[0107] 整個(gè)仿真過(guò)程采用所有的控制點(diǎn)一起尋優(yōu)的方法來(lái)進(jìn)行實(shí)驗(yàn)。舍棄了對(duì)于一個(gè)時(shí) 間分段尋優(yōu)尋到最優(yōu)值，再對(duì)第二個(gè)點(diǎn)求最優(yōu)值的方法。因?yàn)檫@種分步求最優(yōu)值的方法，并 不能保證獲得全局意義上的最優(yōu)值。污水處理系統(tǒng)存在著前后依賴關(guān)系，局部時(shí)間段求出 最優(yōu)值，并不一定能使得最終的結(jié)果最優(yōu)化。而對(duì)所有的時(shí)間分段一起進(jìn)行全局尋優(yōu)的方 法，能忽略掉前后的非線性依賴關(guān)系，保證獲得全局意義上的最優(yōu)值。
[0108] 本發(fā)明采用把一個(gè)星期分成28個(gè)點(diǎn)來(lái)優(yōu)化的方法，一天分為4個(gè)點(diǎn)，具體的劃分可 由聚類的方法得到。得到的時(shí)間分段控制參數(shù)值如附圖4所示，其中橫軸為時(shí)間分段，縱軸 為硝酸氮和溶解氧的濃度，單位為g/m 3。
[0109] S5、在保證出水滿足排放標(biāo)準(zhǔn)的前提下，最小化最優(yōu)化能耗成本。
[0110] 表2給出了晴天入水條件下常規(guī)控制、遺傳算法優(yōu)化、人工免疫算法優(yōu)化、免疫遺 傳算法優(yōu)化和局部搜索的免疫遺傳算法優(yōu)化下的最終出水水質(zhì)數(shù)據(jù)。表3給出了不同尋優(yōu) 算法下的能耗數(shù)據(jù)，表格中Ea為鼓風(fēng)機(jī)能耗，Ep為栗送能耗，E為每日總能耗。
[0111] 表2晴天條件下運(yùn)行下的出水水質(zhì)
[0116]對(duì)比不同的節(jié)能優(yōu)化算法發(fā)現(xiàn)，使用節(jié)能優(yōu)化算法控制下的水質(zhì)普遍比常規(guī)控制 的優(yōu)化效果要好。晴天條件下，遺傳算法的鼓風(fēng)能耗比常規(guī)控制降低了 4.65%，栗送能耗增 加了 7.88%，每日總能耗降低了 3.89%。人工免疫算法的鼓風(fēng)能耗比常規(guī)控制降低了 6.44%，栗送能耗增加了21.9%，每日總能耗降低了4.27%。免疫遺傳算法的鼓風(fēng)能耗比常 規(guī)控制降低了4.76%，栗送能耗增加了 10.37%，每日總能耗降低了3.86%。本發(fā)明提出的 改進(jìn)局部搜索的免疫遺傳算法的鼓風(fēng)機(jī)能耗比常規(guī)控制降低了 6.28%，栗送能耗增加了 9.96%，每日總能耗降低了5.33%。通過(guò)實(shí)驗(yàn)可以看出局改進(jìn)部搜索的免疫遺傳算法在污 水處理的應(yīng)用中成功的降低了每日總能耗，并且比傳統(tǒng)的免疫算法的效果還要更好一些。
[0117]上述實(shí)施例為本發(fā)明較佳的實(shí)施方式，但本發(fā)明的實(shí)施方式并不受上述實(shí)施例的 限制，其他的任何未背離本發(fā)明的精神實(shí)質(zhì)與原理下所作的改變、修飾、替代、組合、簡(jiǎn)化， 均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 基于改進(jìn)局部捜索的免疫遺傳算法的污水處理節(jié)能優(yōu)化方法，其特征在于，包括W 下步驟： 51、 采用BSM1模型常規(guī)控制方法中默認(rèn)的PI控制器作為曝氣池的溶解氧濃度和缺氧池 硝酸氮的比例積分控制器； 52、 搭建W污水水質(zhì)為約束、鼓風(fēng)機(jī)能耗Ea和累送能耗虹都達(dá)最小的優(yōu)化目標(biāo)函數(shù)J; 53、 建立改進(jìn)局部捜索的免疫遺傳算法模型，先用免疫遺傳算法來(lái)尋找一個(gè)粗糖的適 應(yīng)值，讓算法在當(dāng)前適應(yīng)值附近尋找最優(yōu)值，然后使用梯度下降算子使算法到達(dá)某個(gè)極值 點(diǎn)的周?chē)?dāng)出現(xiàn)兩個(gè)抗體一樣的情況時(shí)，或者兩次抗體的空間距離較近的時(shí)候，W等概率 P在當(dāng)前最優(yōu)抗體的小鄰域a內(nèi)進(jìn)行深度查找，將捜索到的最優(yōu)值即新抗體加入抗體種群 中，然后計(jì)算抗原抗體親和度，若滿足要求則輸出最優(yōu)解； 54、 采用所述改進(jìn)局部捜索的免疫遺傳算法模型尋優(yōu)求解溶解氧濃度馬),，"/和硝酸氮濃 度成的動(dòng)態(tài)控制的設(shè)定值； 55、 在保證出水滿足出水排放標(biāo)準(zhǔn)的前提下，最小化最優(yōu)化能耗成本。2. 根據(jù)權(quán)利要求1所述的基于改進(jìn)局部捜索的免疫遺傳算法的污水處理節(jié)能優(yōu)化方 法，其特征在于，所述步驟S3具體為： 步驟S30、假設(shè)S為按照一定方式編碼的鏈長(zhǎng)為1的抗體空間，SW為抗體群空間，S2為母體 空間，若Xi e S (i《N)是N個(gè)抗體，則1 =(義^，乂。，...主W ；)是一個(gè)抗體群，用1巧)表示初始抗體 群，；tn：)表示第η代抗體群，用F: 表示親和力函數(shù);N-抗體群群空間：(1) 其中，N稱作抗體群規(guī)模； 步驟S31、對(duì)于n = 0給出初始抗體群方〇)，利用隨機(jī)算法，隨機(jī)對(duì)抗體種群進(jìn)行初始化， 本算法隨機(jī)產(chǎn)生抗體采用等概率的方式：(2) 則變量X e (Xmin，Xmax)將初始化為： X = Xmin+ ( Xmax~Xmin ) L ( 3 ); 步驟S32、梯度下降法指導(dǎo)抗體變異，W相鄰抗體的親和度為依據(jù)，用梯度下降法指導(dǎo) 抗體的變異方向：如相鄰兩抗體Xi和Xi+i親和度為。村〇少村^1)，得到新抗體為：(4); 步驟S33、評(píng)價(jià)各抗體親和度，對(duì)抗體進(jìn)行促進(jìn)和抑制，將與抗原親和度好的抗體加入 記憶細(xì)胞中，保證當(dāng)前尋優(yōu)過(guò)程不發(fā)生退化現(xiàn)象;依照繁殖幾率對(duì)抗體排序，W等概率產(chǎn)生 的抗體來(lái)更替期望最小的不合格抗體和由梯度下降導(dǎo)致越界抗體，設(shè)在[Xmin，X"ax]內(nèi)每隔ε 取一個(gè)抗體：(5) 其中k為抗體分量的個(gè)數(shù)，則有：(6)； 步驟S34、在最優(yōu)抗體附近進(jìn)行局部捜索，當(dāng)出現(xiàn)兩個(gè)抗體一樣的情況時(shí)，或者兩次抗 體的空間距離較近的時(shí)候，W等概率P在當(dāng)前最優(yōu)抗體的小鄰域a內(nèi)進(jìn)行深度查找，選擇到 鄰域中的任意區(qū)域概率為：巧） 其中a為當(dāng)前鄰域半徑，ε為任意小的正數(shù)，體現(xiàn)在對(duì)算法精度的影響，a的確定由下式 決定：(8) 其中N為算法中的參數(shù)，Xmax，Xmin分別是定義域的上界和下界； 步驟S35、如果滿足停止準(zhǔn)則，則停止，否則轉(zhuǎn)向步驟S32,則局部捜索的免疫遺傳算法 為，(9) 從1(0)出發(fā)，即得到抗體群序列讀(《)，η > 0}。3. 根據(jù)權(quán)利要求1所述的基于改進(jìn)局部捜索的免疫遺傳算法的污水處理節(jié)能優(yōu)化方 法，其特征在于，所述步驟S4具體為： 541、 將開(kāi)始時(shí)間到結(jié)束時(shí)間切分成η段； 542、 隨機(jī)生成第一代抗體群，自變量范圍分別控制在0 <馬心<3，0 < < 2內(nèi)，生 成化維的抗體，其中每個(gè)時(shí)間段有兩個(gè)控制參數(shù)； 543、 將種群中的抗體依次賦值給尋優(yōu)參數(shù)和運(yùn)行活性污泥仿真模型，計(jì) 算出抗體所對(duì)應(yīng)的適應(yīng)度J值，并將J轉(zhuǎn)化為各抗體的親和度，對(duì)比保存當(dāng)前最優(yōu)的J值，適 應(yīng)度最好的抗體就是我們尋優(yōu)的目標(biāo)； 544、 利用所述局部捜索的免疫遺傳算法模型對(duì)抗體作迭代計(jì)算，包括抗體的促進(jìn)抑 審IJ，記憶系統(tǒng)，梯度下降，局部捜索，抗體的復(fù)制，按適應(yīng)度把抗體按照繁殖幾率排序，從大 到小加入記憶系統(tǒng)中； 545、 評(píng)估是否達(dá)到最大進(jìn)化代數(shù)，如果滿足條件則退出，輸出每一個(gè)時(shí)間段的最優(yōu)溶 解氧濃度值、硝酸氮濃度值及其對(duì)應(yīng)適應(yīng)度值;反之，返回步驟S43-S44,直到算法迭代結(jié) 束。4. 根據(jù)權(quán)利要求1至3所述的基于改進(jìn)局部捜索的免疫遺傳算法的污水處理節(jié)能優(yōu)化 方法，其特征在于，所述優(yōu)化目標(biāo)函數(shù)式中，Kla表示氧傳遞系數(shù)，Vi表示各生化反應(yīng)池體積，So,sat為飽和溶解氧濃度，也為污 水系統(tǒng)內(nèi)部回流量，Qw為向外污泥排放量，Qr為污泥內(nèi)部回流量，Ci (i = 1~5)為懲罰因子。5.根據(jù)權(quán)利要求1至3所述的基于改進(jìn)局部捜索的免疫遺傳算法的污水處理節(jié)能優(yōu)化 方法，其特征在于，所述出水排放標(biāo)準(zhǔn)的出水水質(zhì)約束條件為：總氮濃度TN<18g/m3,化學(xué) 需氧量C0D< lOOg/m3，硝酸氮濃度SNH<4g/m3，固體懸浮物濃度TSS<30g/m 3，5天生化需氧量 濃度 B0D5<10g/m3。
【文檔編號(hào)】G05B17/02GK105843072SQ201610168991
【公開(kāi)日】2016年8月10日
【申請(qǐng)日】2016年3月22日
【發(fā)明人】許玉格, 孫稱立, 蔣育霖, 鄧曉燕
【申請(qǐng)人】華南理工大學(xué)