论文部分内容阅读
活性污泥法污水处理技术是实现有机污水净化的一种可持续发展的方法.污水生化处理过程具有机理复杂、耦合性、非线性和时变性等特征,采用传统的方法难以保证污水处理过程稳定、高效运行.本论文针对污水处理运行中存在的一些问题,研究智能优化和控制新方法,实现污水处理过程中关键出水水质的建模预测、重要参数的优化控制和关键控制器的设计.本文的主要研究内容如下:1.针对污水生化处理系统中一些难以测量的关键参数监测问题,研究了基于改进极限学习机的污水生化处理关键出水水质的建模预测.首先,借鉴了蛙跳算法的模因进化机制,并混合差分进化算法和粒子群优化算法,提出了一种新的混合智能优化算法,并通过仿真验证其改进的寻优性能;接着将提出的智能算法用于优化极限学习机的隐层节点参数,获得了一种改进的极限学习机,采用基于真实数据集的回归仿真实验验证其计算性能;最后,将所提出的改进极限学习机应用于污水生化处理中关键出水水质的建模预测上,取得了良好的预测效果.2.针对污水生化处理系统中关键控制器设定值的确定问题,研究了基于改进差分进化算法的污水生化处理过程单目标优化控制.提出了一种改进的差分进化算法,基于模因进化强化局部学习的机制改善了算法的寻优性能;综合污水处理系统的运行代价、出水水质代价等函数作为单目标优化函数,在国际水协会提供的BSM1(Benchmark Simulation Model no.1)平台上进行优化控制仿真实验,结果表明优化后的系统可以降低运行代价、减少关键出水水质变量的越限时间,并提高出水水质.3.研究基于改进差分进化算法的污水生化处理系统多目标优化问题.提出了一种自适应且具有优秀个体强化学习的差分进化算法,并通过仿真验证其寻优性能;在BSM1平台上,研究了在微生物风险约束下以系统运行代价和出水水质代价为多目标函数的优化控制,仿真结果表明,多目标优化方法避免了单目标优化方法中权值难以确定的问题,多目标优化结果Pareto近优解集,不仅保证了污水处理系统的良好运行效果,而且还为运行人员提供了更多的可行方案.4.针对污水生化处理过程溶解氧浓度控制器的设计问题,研究了两种控制器,采用有监督Hebb学习规则的单神经元自适应PID控制器和RBF神经网络控制器;并仿真验证了RBF神经网络控制器性能与神经网络训练数据数目之间的关系,在简化的BSM1平台上对比了两种控制器的控制性能.5.针对好氧池溶解氧浓度控制问题,提出了一种无需训练的自适应神经网络控制器.首先,基于简化的溶解氧浓度模型,设计了一种理想非线性反馈控制器;然后,针对理想控制器不可实现的特点,设计了自适应RBF神经网络的控制器;接着,基于Lyapunov稳定性理论,证明了在所提出的神经网络控制器作用下,闭环系统的状态变量、输出变量均具有半全局有界特性.实验仿真进一步验证了该控制器无需事先训练仍然能达到良好的控制效果.6.考虑污水处理系统受到的外部扰动,设计了基于扰动观测器的自适应神经网络的溶解氧浓度控制器.首先,基于简化的溶解氧浓度模型,设计了一种新的理想反馈控制器;然后,针对理想控制器中的不确定未知函数,应用RBF神经网络进行拟合;系统的外部扰动和神经网络拟合误差综合为一个总的扰动,并设计非线性扰动观测器对它进行估计;接着,应用Lyapunov稳定性理论证明了在所提出的神经网络控制器作用下,系统的状态变量、输出变量、扰动估计误差、神经网络的权值均具有半全局有界特性.最后,仿真验证了所提出的方法具有良好的稳定性能和鲁棒性能.