第一作者：Guoqiang Niu
通讯作者：Mingzhi Huang
DOI：https://doi.org/10.1016/j.jclepro.2022.131140
图片摘要
Highlights
提出了一种用于预测能耗（EC）和出水水质（EQ）作为目标函数的深度学习模型。
提出的DMOALO算法解决了过程数据动态特性带来的困难，以求解目标函数。
该优化控制方法可以在污水处理过程中同时优化能耗和出水水质。
Keywords：
Wastewater activated sludge treatment processes；Dynamic multi-objective ant lion optimization；Deep belief network；Carbon neutrality
污水处理厂（WWTPs）运营成本主要由曝气能耗（AE）、泵送能耗（PE）以及因出水水质超标而产生的罚款组成。污水处理厂需要较低的能耗以节省成本，而环保部门则需要良好的出水水质运营成本主要由曝气能耗（AE）、泵送能耗（PE）以及因出水水质超标而产生的罚款组成。污水处理厂需要较低的能耗以节省成本，而环保部门则需要良好的出水水质。为了优化污水处理系统，单目标优化方法多年来在污水处理过程中被广泛使用。通常采用权重因子分析法将能耗（EC）和出水水质（EQ）转化为单目标优化问题。然而，权重因子难以确定。因此，为了更好地平衡EC和EQ，多目标优化控制方法吸引了大量学者的关注。因此，该研究主要分为三个部分：首先，采用一种新型DBN模型建立动态参数与EC和EQ之间的目标函数。其次，使用新型DMOALO算法求解带有约束条件的目标函数，并选择最优解作为最优动态参数。最后，PI控制器将跟踪和控制这些最优动态参数。这一新策略的结果将为污水处理过程的优化和控制提供更好的理解
废水处理过程中的分级优化控制
如图1所示，研究系统是两个厌氧池、三个好氧池和一个二次沉淀池组成 ，所研究的数据是分别对应于干旱、雨天和暴风雨天气的三种不同的动态进水数据。为了实现污水处理过程的优化和控制，该研究提出了一种基于DBN-DMOALO-PI混合算法的新型优化控制策略。在这个策略中:
- 能耗（EC）和出水水质（EQ）作为性能指标
- 单元5的氧传递率（KLa5）和内回流流量（Qa）用作操作变量
图1.废水处理过程中的分级优化控制
深度信念网络（DBN）
使用DBN模型作为目标函数来描述性能指标与优化变量之间的关系，网络结构如图2所示。DBN的输入可以是污水处理过程中的各种参数，例如溶解氧浓度、硝酸盐氮浓度等。DBN能够学习到这些参数之间的复杂非线性关系，并将这些关系映射到输出层。输出层可以是预测的目标变量，比如能耗（EC）和出水水质（EQ）。
图2 DBN网络结构
DMOALO算法原理
在该研究中，DMOALO即是dynamic DMOALO。所以DMOALO与MOALO基本可认为是指代同一种算法
智能决策系统 (DMOALO-PI)
DMOALO 算法会产生一组 Pareto 解，为此提出一种基于模糊隶属度函数的智能决策系统）从 Pareto 解中选取最优SO5和 SO2的值，然后通过 PI 控制器对其最优值进行跟踪控制。
为了选择最合适的模型建立目标函数，也分别采用了卷积神经网络（CNN）和反向传播神经网络（BPNN）进行建模，其模型结构与DBN相同。各模型的EC和EQ预测曲线分别如图4和图5所示。从图4和图5可以看出，DBN模型的预测曲线与实际曲线最为接近，说明DBN具有最好的预测性能，是最适合的预测模型。
图4. DBN 、 CNN和BP的EQ预测
图 5. DBN 、CNN 和 BP 对 EC 的预测
虑到多目标优化算法的性能可能会对动态参数产生影响，因此采用NSGA-Ⅱ、MOGA和MOALO分别对EC和EQ进行优化。图6为三种多目标优化算法一个优化周期对EC和EQ的优化结果，图7为智能决策系统在同一优化周期内得到的MOALO算法的完美解。结果表明，MOALO算法比MOGA和NSGA-Ⅱ具有更好的收敛性和多样性。图8和图9表明SO 5控制器和SNO 2控制器均具有良好的控制性能，这也反映了MOALO能够在废水处理过程中不断优化SO 5和SNO 2的设定值，实现EC和EQ之间的动态平衡。
图7 . MOALO的完美解决方案
图8. SO5值的跟踪控制性能
图9. SNO 2值的跟踪控制性能
点击“原文链接”，查看论文
声明：本公众号分享的前沿学术成果来源于各学术网站，不依法享有其所有权。若原作者发现本次分享中的文字及图片涉及侵权，请立刻联系公众号后台或发送邮件，我们将及时修改或删除！
邮箱：environmodel@sina.com
若您认为有用，欢迎
将Environmodel设为星标，或
点击“在看”或“分享”给他人
