污水曝气污染物浓度预测及其成本最优控制

第４９卷第１６期２０１８年８月人民长江ＹａｎｇｔｚｅＲｉｖｅｒＶｏｌ．４９，Ｎｏ．１６Ａｕｇ．，２０１８收稿日期：２０１７－１０－２６作者简介：许癑，女，硕士研究生，主要从事智能控制优化方面的研究。Ｅ－ｍａｉｌ：８１０４７８１４６＠ｑｑ．ｃｏｍ通讯作者：刘惠康，男，教授，主要从事智能控制优化方面的研究。Ｅ－ｍａｉｌ：ｈｕｉｋａｎｇｌ＠ｖｉｐ．ｓｉｎａ．ｃｏｍ文章编号：１００１－４１７９（２０１８）１６－００２４－０６污水曝气污染物浓度预测及其成本最优控制许癑，刘惠康（武汉科技大学信息科学与工程学院，湖北武汉４３００８１）摘要：在污水处理厂水质检测中，化学需氧量（ＣＯＤ）和氨氮浓度（ＮＨ３－Ｎ）等指标很难实现实时、精准、经济的测量，因而难以根据污染物浓度对污水处理过程中曝气需氧量和能耗进行控制。应用支持向量机（ＳＶＭ）建立了预测模型，再用信息粒化时序回归方法来预测ＣＯＤ和ＮＨ３－Ｎ的变化，实现了对ＣＯＤ和ＮＨ３－Ｎ的在线软测量。在预测指标符合出水标准的前提下，建立了曝气成本数学模型；并考虑政府ＣＯＤ超量削减补贴，得到综合成本模型。应用ＮＳＧＡ－Ⅱ算法优化曝气处理工艺，可使吨水电耗降低４４％～５８％。关键词：污水处理；ＳＶＭ；曝气成本；信息粒化时序回归；ＣＯＤ超量削减补贴；ＮＳＧＡ－Ⅱ中图法分类号：Ｘ５０３文献标志码：ＡＤＯＩ：１０．１６２３２／ｊ．ｃｎｋｉ．１００１－４１７９．２０１８．１６．００５随着工业的发展，水污染问题越来越受到相关部门的重视。污水处理厂是实现污水净化和治理的重要途径。污水处理的生化反应过程非常复杂多变，水质污染的重要指标难以实现实时精确测量。本文利用污水厂实测数据，选择合适的辅助变量，应用ＳＶＭ建立出水ＣＯＤ和ＮＨ３－Ｎ的软测量模型，并对其进行在线预测，检测是否符合排放标准。城市污水处理的高能耗增加了处理成本，其中污水曝气环节能耗占总能耗的６０％以上［１］。为了尽可能节约污水处理厂的运行成本，并使水质达标，本研究建立曝气电耗数学模型，综合考虑政府ＣＯＤ超量削减补贴，应用ＮＳＧＡ－Ⅱ多目标优化算法，在ＭＡＴＬＡＢ平台进行仿真寻优，以获得污水厂实际生产中所需的参数。１ＳＶＭ预测建模１．１ＳＶＭ简介支持向量机理论是由Ｖａｐｎｉｋ等人提出的基于小样本的机器学习方法，在一定程度上克服了“维数灾难”和“过学习”等问题，可实现结构风险最小化的近似实现［２］。ＳＶＭ将训练数据集通过非线性映射到一个高维空间，其实质是用线性函数来拟合样本数据［３］。由于其在解决小样本、非线性、高维数问题上的优越性，不少学者将其应用于污水软测量中。ＧｕＦ．Ｇ等［４］将温度、流量和ｐＨ作为ＳＶＭ输入变量，建立了污水处理厂出水ＣＯＤ软测量预测模型。宋贤民［５］建立了基于ＳＶＭ的曝气池ＳＶＩ软测量模型，结果表明相对于神经网络模型，ＳＶＭ的拟合精度和预测精度更高，速度快且实时性好。赵超，戴坤成等［６］基于ＬＳ－ＳＶＭ提出ＡＷＬＳ－ＳＶＭ，同时采用ＣＰＳＯ－ＳＡ对模型参数进行优化选择，建立了出水ＣＯＤ，ＴＰ，ＴＮ软测量模型，均获得了较高的预测精度。１．２ＳＶＭ预测模型ＣＯＤ表示一定条件下水中有机物所消耗的氧的量。ＮＨ３－Ｎ代表氨氮浓度，氨氮浓度较高会导致水体黑臭，是水体污染的一种标志［７］。人工检测ＣＯＤ与ＮＨ３－Ｎ的值，需要定时取样分析，容易造成滞后，无法实时掌握其变化趋势，故本文通过建模对出水ＣＯＤ和ＮＨ３－Ｎ进行在线预测，可以实时观测指标的变化状态并节约人工成本。本研究采用某污水处理厂的实测数据（见表１），以污水处理过程的出水ＣＯＤ和ＮＨ３－Ｎ作为ＳＶＭ模第１６期许癑，等：污水曝气污染物浓度预测及其成本最优控制图１出水ＣＯＤ建模预测结果Ｆｉｇ．１ＥｆｆｌｕｅｎｔＣＯＤｍｏｄｅｌｉｎｇｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓ型输出，根据对污水生化处理工艺的分析，选定污水进水ＢＯＤ５，ＣＯＤ，ＮＨ３－Ｎ，ＳＳ，ＴＰ，出水ＢＯＤ５、ＳＳ、ＴＰ作为模型输入，建立污水浓度预测模型。模型假设每次运行的ＣＯＤ和ＮＨ３－Ｎ与前次的ＣＯＤ，ＮＨ３－Ｎ，ＢＯＤ５，ＳＳ，ＴＰ相关，即把每次的预测值作为因变量，前次的所有指标作为自变量，在ＭＡＴＬＡＢＲ２０１４ａ平台下应用ＬＩＢＳＶＭ工具箱分别对ＣＯＤ和ＮＨ３－Ｎ进行预测。表１污水处理厂实测数据Ｔａｂ．１Ｔｈｅｍｅａｓｕｒｅｄｄａｔａｏｆｗａｓｔｅｗａｔｅｒｔｒｅａｔｍｅｎｔｐｌａｎｔｍｇ／Ｌ编号ＢＯＤ５进水出水ＣＯＤ进水出水ＳＳ进水出水ＴＰ进水出水ＮＨ３－Ｎ进水出水１２００．４７．９０２５２．３１８．３１５８．７６．０２．００１．４３１８．５０．９０２１７６．２９．６４２４４．５１７．６１８９．１５．８２．５９１．３４２１．９０．５０３１３５．５１０．６０２５３．８１７．４２９０．０１３．２２．３１１．１４１７．４１．４２４