湯鎧源 李明河
摘要:針對污水處理系統(tǒng)非線性,滯后性以及強耦合等特性,利用BP神經(jīng)網(wǎng)絡(luò)建立系統(tǒng)模型,對溶解氧(DO)濃度進行控制。傳統(tǒng)預(yù)測控制的滾動優(yōu)化部分使用的是梯度下降算法,難以獲取最優(yōu)控制增量,基于此問題,利用L-M (Levenberg-Marquardt)算法對神經(jīng)網(wǎng)絡(luò)滾動優(yōu)化部分進行了改進。通過仿真實驗,結(jié)果表明該方法切實可行。
關(guān)鍵詞:污水處理;溶解氧濃度;L-M算法;神經(jīng)網(wǎng)絡(luò)
中圖分類號:TP23文獻標志碼:A文章編號:1008-4657(2019)02-0013-05
0引言
隨著生活節(jié)奏的加快,城市污水處理也變得越來越迫切,在污水處理方法中活性污泥法(SBR)是目前使用最廣泛的方法。作為實際活性污泥污水處理系統(tǒng)運行中一個尤為關(guān)鍵的控制參數(shù),溶解氧(Dissolved Oxygen,DO)濃度極大地影響了系統(tǒng)的運行成本以及出水水質(zhì)。因此對溶解氧濃度控制進行深入研究有著非常重要的意義和應(yīng)用價值。如今中外學(xué)者們對溶解氧控制的研究越來越深入,提出了很多有效的控制方法。如PID控制[1-2]、模糊控制[3-4],模型預(yù)測控制[5]以及許多改進的預(yù)測控制方法。神經(jīng)網(wǎng)絡(luò)預(yù)測控制[6]也被大量應(yīng)用于溶解氧濃度控制中,同時也存在容易陷入局部最小值,難以獲取最優(yōu)控制增量等問題。
L-M(Levenberg-Marquardt)算法結(jié)合了梯度下降法與高斯-牛頓法(Gauss-Newton,G-N)的各自優(yōu)點,它既具有G-N的局部收斂性,又包含了梯度下降法所具備的全局特性。L-M算法利用了近似的二階導(dǎo)數(shù)信息,所需的迭代時間較少,收斂速度快,避免陷入局部最小值[7]。本文通過建立溶解氧濃度的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型,并利用L-M算法對傳統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測控制的滾動優(yōu)化部分進行改進,使系統(tǒng)能夠更準確的獲取最優(yōu)控制增量,通過Matlab實驗仿真,結(jié)果表明本文所提出的方法在溶解氧溶度控制中行之有效,提高了系統(tǒng)的有效性和可靠性。
1污水處理系統(tǒng)模型的建立
活性污泥法的基本過程通常由生化曝氣池、曝氣系統(tǒng)、二沉池、污泥回流系統(tǒng)以及剩余污泥排放等部分組成[8],如圖1所示。原污水先進入初沉池進行一級處理。其中,曝氣池是污水處理核心部分,曝氣池通過曝氣產(chǎn)生好氧代謝狀態(tài)。隨后池內(nèi)的廢水及活性污泥一起流至二沉池,進行泥水分離,活性污泥絮體沉入池底,澄清水排出二沉池。從二沉池分離出來的大部分污泥再次回流進入曝氣池,這部分污泥稱之為回流污泥,剩余部分污泥則直接從沉淀池中排出,稱之為剩余污泥。
通過對活性污泥法的工藝流程進行細致分析,本文所采用的是活性污泥1號模型(ASM1),根據(jù)物料平衡原理,積累量=反應(yīng)生成量+輸入量-輸出量,建立污水處理過程數(shù)學(xué)模型如下[9]:
2神經(jīng)網(wǎng)絡(luò)預(yù)測控制
BP神經(jīng)網(wǎng)絡(luò)是一種前饋型神經(jīng)網(wǎng)絡(luò),在非線性函數(shù)的逼近,模式識別以及分類等領(lǐng)域得到了廣泛的應(yīng)用,因其具有自適應(yīng)學(xué)習能力,有較強的魯棒性及容錯率等特點,常被應(yīng)用于復(fù)雜非線性系統(tǒng)的建模與控制[10]。模型預(yù)測控制(Model Predictive Control,MPC)通常包含預(yù)測模型、反饋校正、滾動優(yōu)化等部分,但由于傳統(tǒng)MPC通過系統(tǒng)階躍響應(yīng)所建立的線性或非線性不強的預(yù)測模型,而實際的工業(yè)生產(chǎn)中,復(fù)雜的工業(yè)對象通常都是強非線性的。所以MPC的使用范圍受到了很大的局限[11],而神經(jīng)網(wǎng)絡(luò)從理論上來說能夠以任意精度逼近任何非線性模型,因此如何將神經(jīng)網(wǎng)絡(luò)與MPC結(jié)合起來對于非線性系統(tǒng)的建模與控制有著極其重要的意義。
由于污水處理系統(tǒng)非線性,滯后性以及強耦合等特性,先利用BP神經(jīng)網(wǎng)絡(luò)建立系統(tǒng)的預(yù)測模型,通過反饋校正調(diào)整預(yù)測輸出,然后對目標值進行滾動優(yōu)化,最終實現(xiàn)溶解氧濃度的優(yōu)化控制。
2.1預(yù)測模型
4系統(tǒng)控制結(jié)構(gòu)圖
系統(tǒng)控制結(jié)構(gòu)如圖3所示。
首先,通過輸入輸出數(shù)據(jù)建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型,預(yù)測系統(tǒng)的輸出值,使系統(tǒng)輸出沿著參考軌跡逐漸接近溶解氧設(shè)定值,通過反饋校正減小系統(tǒng)的預(yù)測誤差,采用L-M算法對神經(jīng)網(wǎng)絡(luò)預(yù)測控制的滾動優(yōu)化部分進行改進,求解出最優(yōu)控制增量,從而實現(xiàn)了對溶解氧控制系統(tǒng)的預(yù)測控制。
5仿真分析
5.1建模
產(chǎn)生1000組[-2,2]之間的隨機數(shù)作用于對象,獲取對象輸出。通過利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中的“newff”函數(shù)對所獲取的輸出輸出數(shù)據(jù)進行BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的搭建。設(shè)定訓(xùn)練精度為1×10-5 ,訓(xùn)練次數(shù)為500,設(shè)置隱含層個數(shù)為30,經(jīng)過訓(xùn)練得到BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。隨機產(chǎn)生50組測試數(shù)據(jù),對所建立的模型進行預(yù)測測試,結(jié)果如圖4所示。
其建模相對誤差為0.6429,表明本文所建立的模型精度較高,能夠滿足預(yù)測要求。
5.2仿真結(jié)果
使用建立好的預(yù)測模型,通過MATLAB展開對溶解氧濃度控制的仿真研究。選擇L-M算法初始點值為[1 1 1]T,最大迭代次數(shù)為50次,分別對神經(jīng)網(wǎng)絡(luò)控制以及L-M算法改進的預(yù)測控制進行系統(tǒng)的仿真和性能比較。仿真結(jié)果如圖5所示。
從圖5中可以看出,本文設(shè)計的基于L-M算法的改進神經(jīng)網(wǎng)絡(luò)控制器響應(yīng)速度快,超調(diào)量小,可以比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)預(yù)測器更快地達到穩(wěn)定值。
6結(jié)論
針對傳統(tǒng)預(yù)測控制不易獲取最優(yōu)控制增量的問題,利用L-M算法改進傳統(tǒng)滾動優(yōu)化部分,設(shè)計了基于L-M算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測控制,并應(yīng)用于污水處理過程中的溶解氧濃度控制。實驗仿真結(jié)果表明本文提出的基于L-M算法改進的神經(jīng)網(wǎng)絡(luò)預(yù)測方法能夠有效的解決最優(yōu)增量不易獲取的問題,且控制效果對比傳統(tǒng)的預(yù)測控制更好,提高了神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的可靠性。
參考文獻:
[1] Ye H T,Li Z Q,Luo W G.Dissolved Oxygen Control of the Activated Sludge Wastewater Treatment Process Using Adaptive Fuzzy PID Control[C]// Nanjing:Control Conference,2013.
[2] 楊世品,陳林,李山春,等.基于模糊PID控制的污水處理溶解氧控制系統(tǒng)[J].儀表技術(shù)與傳感器,2009(1):88-90.
[3] Belchior C A C,Rui A M A,Landeck J A C.Dissolved Oxygen Control of the Activated Sludge Wastewater Treatment Process Using Stable Adaptive Fuzzy Control[J].Computers & Chemical Engineering,2012,37(4):152-162.
[4] 顧磊,吳建國,張培建,等.模糊PID神經(jīng)網(wǎng)絡(luò)算法在污水處理中的應(yīng)用[J].水電能源科學(xué),2016(11):49-53.
[5] 韓廣,喬俊飛,薄迎春.溶解氧濃度的前饋神經(jīng)網(wǎng)絡(luò)建??刂品椒╗J].控制理論與應(yīng)用,2013,30(5):585-591.
[6] 李明河,周磊,王健.基于LM算法的溶解氧神經(jīng)網(wǎng)絡(luò)預(yù)測控制[J].農(nóng)業(yè)機械學(xué)報,2016,47(6):297-302.
[7] Dkhichi F,Oukarfi B,F(xiàn)akkar A,et al.Parameter Identification of Solar Cell Model Using Levenberg–Marquardt Algorithm Combined with Simulated Annealing[J].Solar Energy,2014,110:781-788.
[8] 黃銀蓉,張紹德.污水處理曝氣池溶解氧智能優(yōu)化控制系統(tǒng)[J].信息與控制,2011,40(3):393-400.
[9] 鄭美玲.基于粒子群算法的污水處理預(yù)測控制研究[D].哈爾濱:哈爾濱工業(yè)大學(xué),2010.
[10] 譚永紅.基于BP神經(jīng)網(wǎng)絡(luò)的自適應(yīng)控制[J].控制理論與應(yīng)用,1994(1):84-88.
[11] 席裕庚.預(yù)測控制[M].第2版.北京:國防工業(yè)出版社,2013.
[12] 周霞,沈炯.多目標免疫GEP算法及其在多項式NARMAX模型辨識中的應(yīng)用[J].控制與決策,2014(6):109-109.
[13] 王炳萱,李國勇,王艷暉.基于LM-PSO算法和BP神經(jīng)網(wǎng)絡(luò)的非線性預(yù)測控制[J].太原理工大學(xué)學(xué)報,2016,47(2):207-211.
[責任編輯:許立群]