一种基于机理模型的优化控制膜生物反应器运行的方法

摘要

一种基于机理模型的优化控制膜生物反应器运行的方法，它涉及污水处理系统工艺目标控制领域。它解决了现有的建立在经验基础上的膜生物反应器自优化控制缺乏有效调控的问题，本发明将不含噪声信号输入至DPS模型获得控制变量和控制目标的预测优化轨线；并将含有噪声信号输入至NMPC模型，同时结合预测优化轨线，获得输入量集u和输出量集y，从输入量集u中选取输入参数，将所述输入参数输入至基础控制BC模块，获得实际输入参数ubc，判断所述实际输入参数ubc下的输出目标，当所述输出目标符合预设目标y时，选取此时输入参数为膜生物反应器运行操作参数，完成对膜生物反应器运行的优化控制。本发明适用于污水处理系统的有效控制。

说明书

技术领域

本发明涉及污水处理系统工艺目标控制领域，具体涉及一种基于机理模型的优化控制膜生物反应器运行的方法。

背景技术

膜生物反应器(MBR)出现在全球水资源短缺背景之下，是一种崭新的污水生物处理工艺，MBR自其诞生15年来，以其出色的出水水质，高效的泥水分离和较小的占地空间得到了业界的广泛关注并被寄予厚望。

然而，相比MBR工艺突出的优点，其膜污染的缺点同样不容忽视，如何实现对MBR系统的有效调控，减缓膜污染现象的发生，已成为MBR研究领域的一项热门课题，然而直至目前，人们对MBR膜污染机理、生物相与膜过滤二者之间复杂作用等仍然知之甚少，目前人们对于MBR优化调控的方法多是建立在传统生物处理工艺的经验基础上，以单变量循环控制和最佳输入输出匹配的自优化控制来实现。具体来说，就是生物相的调控照搬传统活性污泥的方法，只在污泥浓度等方面稍加改动，以PID控制方式调节溶解氧和氨氮等指标，膜组件的运行则以厂家提供的参数或经验操作人员的建议为指导。这种做法的缺点在于其假设将MBR和传统活性污泥法的生物过程视为类同，因此得到的优化参数难以真正适合于MBR工艺。

发明内容

为了解决现有的建立在经验基础上的膜生物反应器自优化控制缺乏有效调控的问题，本发明提供了一种基于机理模型的优化控制膜生物反应器运行的方法。

本发明的一种基于机理模型的优化控制膜生物反应器运行的方法，它的具体过程为：

步骤一：获得正在运行的膜生物反应器的初始状态x₀和膜生物反应器中的活性污泥系统模型ASM的初始模型参数p₀；

步骤二：将初始状态x₀和初始模型参数p₀输入扩展卡尔曼滤波EKF模型，所述扩展卡尔曼滤波EKF模型对所述初始状态x₀和初始模型参数p₀进行估计，获得膜生物反应器的不含噪声初始状态和不含噪声初始模型参数同时获得含噪声初始状态和含噪声初始模型参数

步骤三：将不含噪声初始状态和不含噪声初始模型参数输入至设定有膜生物反应器运行预设目标y的动态预测设定DPS模型，并采用分离建模思想和混合逻辑动态优化MLDO模型对膜生物反应器运行控制目标和膜生物反应器运行控制变量进行动态实时优化D-RTO，获得关于膜生物反应器运行控制变量的膜生物反应器运行控制目标的预测优化轨线；

步骤四：在膜生物反应器运行控制目标的预测优化轨线的预设目标y附近区域选取控制变量并将含噪声初始状态和含噪声初始模型参数添加至非线性模型预测控制NMPC模型，采用模型预测控制MPC模型获得膜生物反应器运行输入参数

步骤五：将膜生物反应器运行输入参数输入至基础控制BC模块，所述基础控制BC模块将所述膜生物反应器运行输入参数无差别实时传递至膜生物反应器进行调节，同时所述膜生物反应器将实际参数u_re反馈回基础控制BC模块至$u_{\mathrm{re}}=\bar{u},$此时所述膜生物反应器输出膜生物反应器运行输出目标

步骤六：判断膜生物反应器运行输出目标符合膜生物反应器运行预设目标y，如果是，执行步骤八，否则执行步骤七；

步骤七：将膜生物反应器运行在当前输入参数条件下的状态x和模型参数p分别定义为新的初始状态x₀和新的初始模型参数p₀，返回执行步骤二；

步骤八：将膜生物反应器运行输出目标所对应的膜生物反应器运行输入参数定义为膜生物反应器运行操作参数，完成对膜生物反应器运行的优化控制。

本发明的有益效果：本发明通过动态预测设定DPS模型、非线性模型预测控制NMPC模型以及扩展卡尔曼滤波EKF模型实时优化控制膜生物反应器运行操作参数，比现有建立在经验基础上的自由化控制更适用于膜生物反应器工艺；本发明中，用户可根据需要在动态预测设定DPS模型中自行设定膜生物反应器运行预设目标。

附图说明

图1是本发明的一种基于机理模型的优化控制膜生物反应器运行的方法流程图，图2是动态预测设定DPS模型中操作方案的设定结果示意图，图3是非线性模型预测控制NMPC模型的离散化表征示意图，图4是具体实施方式四的工作原理示意图。

具体实施方式

具体实施方式一：根据说明书附图1具体说明本实施方式，本实施方式所述的一种基于机理模型的优化控制膜生物反应器运行的方法，它的具体过程为：

步骤一：获得正在运行的膜生物反应器的初始状态x₀和膜生物反应器中的活性污泥系统模型ASM的初始模型参数p₀；

步骤二：将初始状态x₀和初始模型参数p₀输入扩展卡尔曼滤波EKF模型，所述扩展卡尔曼滤波EKF模型对所述初始状态x₀和初始模型参数p₀进行估计，获得膜生物反应器的不含噪声初始状态和不含噪声初始模型参数同时获得含噪声初始状态和含噪声初始模型参数

步骤三：将不含噪声初始状态和不含噪声初始模型参数输入至设定有膜生物反应器运行预设目标y的动态预测设定DPS模型，并采用分离建模思想和混合逻辑动态优化MLDO模型对膜生物反应器运行控制目标和膜生物反应器运行控制变量进行动态实时优化D-RTO，获得关于膜生物反应器运行控制变量的膜生物反应器运行控制目标的预测优化轨线；

步骤四：在膜生物反应器运行控制目标的预测优化轨线的预设目标y附近区域选取控制变量并将含噪声初始状态和含噪声初始模型参数添加至非线性模型预测控制NMPC模型，采用模型预测控制MPC模型获得膜生物反应器运行输入参数

步骤五：将膜生物反应器运行输入参数输入至基础控制BC模块，所述基础控制BC模块将所述膜生物反应器运行输入参数无差别实时传递至膜生物反应器进行调节，同时所述膜生物反应器将实际参数u_re反馈回基础控制BC模块至$u_{\mathrm{re}}=\bar{u},$此时所述膜生物反应器输出膜生物反应器运行输出目标

步骤六：判断膜生物反应器运行输出目标符合膜生物反应器运行预设目标y，如果是，执行步骤八，否则执行步骤七；

步骤七：将膜生物反应器运行在当前输入参数条件下的状态x和模型参数p分别定义为新的初始状态x₀和新的初始模型参数p₀，返回执行步骤二；

步骤八：将膜生物反应器运行输出目标所对应的膜生物反应器运行输入参数定义为膜生物反应器运行操作参数，完成对膜生物反应器运行的优化控制。

具体实施方式二：本实施方式是对具体实施方式一的进一步说明，具体实施方式一中在步骤一中，通过对膜生物反应器进行在线监测、对膜生物反应器进行离线监测或利用活性污泥系统模型ASM进行估计，获得正在运行的膜生物反应器的初始状态x₀和膜生物反应器中的活性污泥系统模型ASM的初始模型参数p₀。

具体实施方式三：本实施方式是对具体实施方式一的进一步说明，具体实施方式一中在步骤三中，采用分离建模思想和混合逻辑动态优化MLDO模型对膜生物反应器运行控制目标和膜生物反应器运行控制变量进行动态实时优化D-RTO的方法为：

步骤三一：选定最优时间范围t₀≤t≤t_f，并将最优时间范围划分为M个阶段，其中，第j个阶段的开始时间为t₀^j，且有$t_0^1=t_0,$

第j个阶段的结束时间为t_f^j，且有$t_f^M=t_f,$

第j个阶段的持续时间为${\mathrm{\Delta t}}^j=t_f^j-t_0^j,j\in \{1,......,M\},$且有$t_f^j=t_0^{j+1},$$j\in \{1,......,M-1\};$

步骤三二：每个阶段具有i个操作方案，i∈{0，...，N}，在每个阶段各操作方案满足如下四个条件：

条件一、$0=f_i^j({\stackrel{·}{x}}^j,x^j,y^j,u^j,d^j,p^j),$

条件二、$0\ge g_i^j(x^j,y^j,u^j,d^j,p^j),$

条件三、$0=h_{\mathrm{eq},i}^j(x^j\left(t_f\right),y^j\left(t_f\right),u^j\left(t_f\right),d^j\left(t_f\right),p^j\left(t_f\right)),$

条件四、$0\ge h_i^j(x^j\left(t_f\right),y^j\left(t_f\right),u^j\left(t_f\right),d^j\left(t_f\right),p^j\left(t_f\right)),$

根据上述四个条件，引入不含噪声初始状态和不含噪声初始模型参数获得每个方案在第j个阶段的目标函数${\phi }_i^j={\phi }_i^j(x^j\left(t_f\right),y^j\left(t_f\right),u^j\left(t_f\right),d^j\left(t_f\right),p^j\left(t_f\right))$其中，f_i^j表示第i个方案在第j个阶段的状态方程，表示第j个阶段的微分状态量，x^j表示第j个阶段的状态量，y^j表示第j个阶段的输出量，u^j表示第j个阶段的输入量，d^j表示第j个阶段的噪声，p^j表示第j个阶段的模型参数，g_i^j表示第j个阶段的不等式路径约束方程，h_eq，i^j表示第i个方案在第j个阶段的等式节点约束方程，h_i^j表示第i个方案在第j个阶段的不等式节点约束方程；

步骤三三：引入Boolean参数Y_i^j∈{True，False}，并根据$V_{i\in \{1,...,N\}}\left(\begin{array}{c}{Y}_i^j\\ 0=f_i^j({\stackrel{·}{x}}^j,x^j,y^j,u^j,d^j,p^j)\\ 0\ge g_i^j(x^j,y^j,u^j,d^j,p^j),\\ 0=h_{\mathrm{eq},i}^j(x^j\left(t_f\right),y^j\left(t_f\right),u^j\left(t_f\right),d^j\left(t_f\right),p^j),\\ 0\ge h_i^j(x^j\left(t_f\right),y^j\left(t_f\right),u^j\left(t_f\right),d^j\left(t_f\right),p^j),\\ {\phi }_i^j={\phi }_i^j(x^j\left(t_f\right),y^j\left(t_f\right),u^j\left(t_f\right),d^j\left(t_f\right),p^j),\end{array}\right)$获得第j个阶段从i个方案中所选出的最优方案i^*的目标函数i^*∈{0，...，N}，其中，Y_i^j表示在第j个阶段是否选取第i个方案，若Y_i^j取值为True，则在第j个阶段选取第i个方案，否则在第j个阶段不选取第i个方案，其中，V表示互斥操作；

步骤三四：获取全局优化目标函数$\phi =\underset{j=1}{\overset{M}{\Sigma }}{\phi }_{i_j^{*}}^j,$并在最优时间范围内满足代数表达式$q_1^j+q_2^j+K+q_N^j=1,j\in \{1,K,M\},$同时求解目标函数$\phi =\underset{j=1}{\overset{M}{\Sigma }}{\phi }_{i_j^{*}}^j,$获得膜生物反应器运行控制目标和膜生物反应器运行控制变量完成对所述控制目标和控制变量的动态实时优化D-RTO，其中，q_i^j表示与Boolean参数Y_i^j相关的二元变数，若Y_i^j取值为True，则相对应的二元变数q_i^j的值为1，否则，相对应的二元变数q_i^j的值为0。

本实施方式中，采用分离建模思想和混合逻辑动态优化MLDO模型来探究控制目标与控制参量之间存在的抽象关系。所有控制参量顺次排序，由程序化的控制目标进行优化。由于不同的优化方案会产生不同的结果，需要在优化平台上进行比较，为此，每个优化过程被分为若干阶段进行，每阶段的长度可以是固定的，也可以有一定的浮动。

本实施方式中动态预测设定DPS模型中操作方案的设定结果，如图2所示。

具体实施方式四：本实施方式是对具体实施方式一的进一步说明，具体实施方式一中在步骤四中，采用模型预测控制MPC模型获得膜生物反应器运行输入参数的方法为：

步骤四一：引入时间间隔量Δt_c将非线性模型预测控制NMPC模型的优化时间离散化，所述非线性模型预测控制NMPC模型的优化时间为所选取的控制变量所对应的时间，且将所述非线性模型预测控制NMPC模型的优化时间划分为包含N个时间间隔为Δt_c的阶段，则离散时间指标为：

t_k＝t_N，0+k·Δt_c，

其中，k∈{0，...，N}，t_N，0表示非线性模型预测控制NMPC模型的优化时间的开始时间；

步骤四二：引入含噪声初始状态和含噪声初始模型参数并根据模型预测控制MPC模型在离散条件下的表达式

0＝f(x_k+1，y_k，u_k，p_k，d_k)，

获得在每个离散时间指标t_k的输入量u_k和输出量y_k，

步骤四三：根据所获得的在每个离散时间指标t_k的输入量u_k和输出量y_k，获得在非线性模型预测控制NMPC模型的优化时间内的输入量集u＝[(u₀)^T，K(u_k)^T，K，(u_N)^T]^T和输出量集y＝[(y₀)^T，Λ(y_k)^T，(y_N)^T]^T；

步骤四四：将动态预测设定DPS模型在非线性模型预测控制NMPC模型的优化时间内的预测优化轨线上的控制变量和控制目标分别定义为离散控制变量和离散控制目标并获得在非线性模型预测控制NMPC模型的优化时间内非线性模型预测控制NMPC模型与动态预测设定DPS模型的输入参量差值$u^d=\underset{‾}{u}-\underset{‾}{\overset{^}{u}}$和输出参量差值${\underset{‾}{y}}^d=\underset{‾}{y}-\underset{-}{\overset{^}{y}},$且存在：

y_min≤y≤y_max，

u_min≤u≤u_max，

$\Delta {\underset{‾}{u}}_{\min }^d\le \Delta {\underset{‾}{u}}^d\le \Delta {\underset{‾}{u}}_{\max }^d,$

其中，Δu^d表示非线性模型预测控制NMPC模型在前后两次获得的输入参量差值u^d的差值；

步骤四五：计算二阶目标函数

${\phi }_2=\frac{1}{2}{\left({\underset{‾}{y}}^d\right)}^{T}Q{\underset{‾}{y}}^d+\frac{1}{2}{\left({\underset{‾}{u}}^d\right)}^{T}R{\underset{‾}{u}}^d+\frac{1}{2}{\left(\Delta {\underset{‾}{u}}^d\right)}^T\mathrm{S\Delta }{\underset{‾}{u}}^d,$并计算将使φ₂最小时获得的u选作膜生物反应器运行输入参数其中，Q表示输出权重矩阵，R表示输入权重矩阵，S表示输入差值权重矩阵。

本实施方式的工作原理参加图4。

本实施方式中，主要目的在于缩小输入参数与控制变量之间的差值以及控制目标和输出目标之间的差值。

本实施方式中，可以利用线性时间变量LTV模型对NMPC模型进行控制。

本实施方式中，状态x包括ASM模型矩阵中第一行中的各种组分，例如：

S_S——易生物降解有机底物，S_NH——氨氮，S_NO——硝氮含量；

控制变量包括如下参数：温度、溶解氧、水力停留时间、污泥停留时间(及污泥龄)，通过调节这些参数来实现输出目标的控制；

输出目标包括：经济目标、生态目标以及MBR系统耐冲击负荷目标，

1)经济目标：曝气量和过膜压力值控制在一定范围内，减少能耗及冲洗、更换膜的费用；

2)生态目标：膜过滤出水水质要达到国家的污水排放标准；

3)MBR系统耐冲击负荷目标：是指在进水水量水质出现较大变化时，要尽量不影响反应器内活性污泥的稳定生长。这里要控制的内容为F/M值即养分和微生物的比值，使其在一定范围内。养分在这里指有机物、氨氮、硝氮等等的含量。