污水处理中精确曝气控制的研究进展

徐 雯，蒲文鹏，，3，张永光，陈永娟，尹亚云，周信哲

(1.光大水务科技发展(南京)有限公司，南京 211100；2.光大水务(深圳)有限公司，广东 深圳 518033；3.光大海绵城市发展(镇江)有限公司， 江苏 镇江 212001)

引 言

我国污水厂自动化水平较低，污水的处理过程的高耗能导致水处理的成本高，为解决这一问题，污水厂处理系统自动化水平的提升成为了热门话题，提升污水厂自动化水平不仅要建立精确的控制模型，还需有效的控制。国内的城市生活污水处理厂大部分采用活性污泥工艺，在这一方法中，需为生物曝气池中的微生物提供适量的氧气进行氧化反应，以降解污水中的有机物，是最重要的一个环节。在活性污泥工艺中，生物曝气量是能耗的主要来源，降低生物曝气量将有效节约运行成本。曝气池中的溶解氧浓度作为至关重要的水质参数，作为被控制对象是最佳选择。

传统的曝气控制通过手动开关实现，大部分依赖于现场操作人员的经验，会有很大程度的浪费。最早的溶解氧控制是1976年Flanagan[1]研究的包括前馈和反馈控制，之后大量研究者希望通过数学替代控制策略[2～6]，随后Zhao[7]研究的PID控制器，可以节省能耗，减少了纯手工的操作复杂问题，是迄今为止仍在应用的控制器。而实际污水处理过程的复杂性难以通过PID获取达到精确控制溶解氧的目的，从控制角度来讲，活性污泥系统是非线性且存在滞后效应的复杂生物系统[8]，单纯的依靠PID控制不能满足实际需求。随着智能控制方法在各行各业的普及，曝气控制采用智能控制是大势所趋。针对污水处理曝气控制系统，大量研究表明，污水厂的智能控制方法主要包括模糊控制[9]、神经网络[10]、模糊神经网络[11]、遗传算法[12]、支持向量机等一些不依赖与数学模型的控制方法。本文概述了国内外已有的相关研究，旨在为精确控制在污水厂的应用推广提供进一步的研究参考。

1 模糊控制

如图1 所示，模糊控制器包括模糊化、知识库、模糊推理和解模糊化等，是一种带有闭环控制结构的数字控制方法，用计算机等设备模拟人的思考模式、对复杂的系统进行高效控制的一种智能方法。模糊控制结合了模糊理论、模糊逻辑和经典控制等理论，根据收集到的实时辅助变量数据、以及实际运作过程中总结出来的经验，通过一系列的模糊规则进行建模的软测量方法。模糊控制系统以规则为依据、利用模糊逻辑推理等手段，综合各种模糊信息，用语言变量代表实际工作人员的操作经验，计算机模拟人脑进行模糊推理，实现精确控制。

图1 模糊控制器基本结构Fig.1 Basic structure of fuzzy controller

自20世纪90年代中期以来，模糊控制一直是污水处理厂的研究课题，Bahja等[13]人成功将模糊控制算法应用在活性污泥工艺中，是先进控制技术的真正可行性的一个例子；Fewer[9]等人提出，在Baroenpho工艺中开发与测试，模糊控制与传统曝气工艺相比较节约能耗40%，反应系统更加稳定；Holenda[14]采用了模糊、预测控制技术控制交替活化污泥工艺中的DO浓度，模型可以有效的跟踪快速变化的溶解氧设定点；Bernt[15]基于完整的ASM3模型与间歇曝气的生物处理过程，设计一种最优控制曝气策略模糊控制，仿真结果与传统控制策略对比节能效果明显；Stare和Hvala[16]评估几种ASP中氮去除的控制策略，模糊控制算法可以持续改善污水厂性能；Manesis[17]等人，针对实际污水处理厂设计了模糊控制系统，控制效果有明显提升；Santín I[18]模糊控制器可以在改善温室气体排放的同时，提高质量和降低运行成本。Petre等[19]以底物浓度和溶解氧浓度为被控量，设计了污水生化处理的自适应控制器。提出的闭环模糊控制方法成功应用于活性污泥工艺，给定设定点对有机物质与DO浓度进行跟踪，与其他技术相比，基质的积分平方误差减少了44%，明显提高出水水质。

模糊控制作为热点研究有着独特的优越性，多适用于解决对系统机理有一定了解、数据量庞大，系统具有复杂性与模糊性的问题，是一种极为理想的控制系统。在被控对象数学模型难以建立或者不够精确的情况下，可以实现精确控制。符合污水处理系统的多边性、时滞性、非线性的特质。限制其应用于工程上的主要原因有两个，一方面其控制程度取决于控制器的性能，而控制器设计过程中的重要参数依赖于专家知识与现场工作人员的操作经验，所以存在不同程度的主观性和随意性，对控制器使用效果影响较大；另一方面是直接借助专家经验获取规则，实际中不易得到数据，对于水处理这种多变量复杂系统，很难划分变量，状态空间模型常常难以建立起来。

2 神经网络控制器

神经网络广义“是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应”——Kohonen[20]。神经网络模型应用较多的有误差逆传播(BP)神经网络、Hopfield神经网络、径向基神经网络，主要用于非线性系统的辨识建模、非线性过程的预测、神经网络控制以及故障诊断等，污水处理领域主要用到非线性过程的预测作用。如图2[21]为BP神经网络，是神经网络控制的代表，也是迄今为止最成功的神经网络学习算法。其中d为属性描述，l为实值向量维度，q为隐层个数。

图2 BP神经网络结构Fig.2 BP neural network structure

神经网络控制已经在污水处理厂中应用，并且已被证明是一种有效的方法[22]。Han[23]等人提出一种动态结构神经网络来控制溶解氧浓度，仿真结果表明，DO浓度控制具有良好的性能，但是它的目标是单变量控制。梁斌等[24]人采取人工神经网络控制策略，COD、BOD等参数设置为输入，DO为节点，将仿真预测值与实际值对比，结果表明人工神经网络模型对曝气控制有明显提高Capodaglio[25]以实际污水厂数据为基础，针对污泥膨胀现象采用人工神经系统模型预测污泥膨胀，模拟准确度超过其他传统的预测方法。

人工神经网络是模仿人脑工作方式的一种数学模型，对收集到的辅助变量的大量实时数据集进行学习，根据学习的结果建立待估变量与辅助变量间的数学模型、不需要任何经验知识，因此学习非线性特性的能力比较强，在模式识别和函数逼近方面表现优异，是实现精确控制的重要工具，对未知数学模型的非线性系统的建模有很好的效果，有着强大的同时处理能力，允许错误发生的范围程度广，降低处理非线性系统问题的难度，对于解决实时优化层非线性规划问题很重要。适合应用于不确定系统，鲁棒性和容错性强，可以进行大量运算。

神经网络系统稳定性较低，为了保证被控系统的稳定性，需要有限制条件，或者线性化不确定的参数。网络结构如隐藏的节点的个数、类型、具体算法的选择、样本个数以及数据的质量等都影响着神经网络的泛化性能，而这些参数都需要事先的确定，目前还没有统一的选择标准，还存在学习速度慢，容易出现局部最小的缺陷，难以应用到实时控制中[26]。理论上，人工神经网络恰好可以解决好氧池DO这类的多变量、滞后、非线性系统，神经网络自学能力强，可以满足污水厂对控制的平稳性与高精度要求，目前主要还在验证阶段，其数学计算量过于庞大，难以在PLC等通用控制器上实现。

3 模糊神经网络控制器

模糊神经网络是模糊逻辑与神经网络结合的一种智能控制方法，具有模糊控制的模糊推理与知识表达能力，又兼具神经网络的自学习能力。模糊系统中知识的抽取及表达方便，但是缺乏自学习以及自适应能力，想要在模糊系统中实现自适应控制较难，而神经网络可以从样本直接进行有效学习，储存信息分布，容错能力强及可以自适应学习等。二者的结合可以吸取长处，比单独的系统性能更好。

王彬[27]设计了四层模糊神经网络，通过MATLAB仿真对比分析得到与传统模糊控制方法相比较，可以获得更加理想的控制效果，可以达到期望的溶解氧值。Chai[15]等提出基于神经网络的神经模糊算法，可以在线改变模糊规则，将经验从模糊规则的数量中取出，解决了传统神经网络不能改变网络结构的问题，与传统模糊控制相比具有优越性。胡玉玲等[28]针对DO控制提出了模糊神经网络控制器，可以动态优化控制规则，控制性能良好，溶解氧可以快速、有效的达到期望值。刘超彬[29]研究得出具有学习能力的模糊神经网络控制，对溶解氧进行数字仿真实验，与传统控制相比较有更优越的性能。Mahsa[30]设计一个最优变量设定点和一个设定点跟踪控制回路，用于生物废水处理过程中的溶解氧浓度。仿真结果与标准BSM1P1控制相比，能耗减少，又可以在不增加控制力的情况下改善暴雨时期的出水水质。Qiao[31]等人提出了一种利用模糊神经网络进行DO浓度控制的自组织模糊控制方法，可以自动提取模糊规则，实现满意的跟踪性能。

模糊神经网络虽然结合了模糊控制器与神经网络控制器的优点，但是并未解决它们的缺陷，不易获取数据，运行计算量大等特点依然存在，没有从根本解决这类智能控制出现的问题。

4 遗传算法

遗传算法是基于达尔文进化论“适者生存、优胜劣汰”提出的，一种用计算机模拟生物的行为，是迭代式自适应概率性搜索方法，使得人工系统拥有优良的自适应与优化能力，被用于许多领域，是应对全局优化问题的最优方法之一。

遗传算法在污水处理领域常与PID控制结合，将遗传算法用在PID参数整定，在理论基础与工程研究方面都得到了广泛的应用，取得了大量的成果。杨元君[32]以宜昌市某制药企业的污水处理系统作为背景，以溶解氧浓度数学模型为基础，将遗传算法、自适应遗传算法与常规PID控制应用在被控对象中，采用Matlab仿真得出，自适应算法与PID结合后算法性能最好。丛露露[33]等人采用遗传学算法优化的RBF神经网络应用在污水处理中，实现精确曝气。以杭州某污水厂为研究对象，提出预测水中溶解氧的浓度，根据需求鼓风曝气，以实际运行数据建立与训练模型，结果表明，遗传算法优化后预测结果更加准确，随后将模型运用到了该污水厂中，实地验证节能效果。Ruan[34]等人使用基于遗传算法的在线控制系统实现DO浓度控制，仿真结果表明控制性能得到了改善。

遗传算法具有较强的搜索能力以及强大的全局优化性能，将参数编码直接作用于结构对象上，可以同时评估多个解，有很强的通用性，高度非线性模型的优化与不连续的大规模函数优化，都适用，操作简单，鲁棒性好，用不确定性规则指导寻优方向等。但是目标函数和限制条件非常复杂，受到多种因素影响，很难求出最优解，只能寻找近似最优解或满意解。

5 支持向量机

支持向量机(SVM)是一种以数据为基础的新型机器学习方法。属于人工智能领域。是Vapnik等人基于统计学理论SRM提出的，对数据集进行训练时可以折中考虑模型与训练误差，避免过度学习现象，可以提高网络模型泛化能力，数据样本有限时，对给定的数据样本拟合误差小，可以得到全局最优解，避免出现局部最优解，是一个先进、实用的机器学习方法。Zeng[35]研究了关于改善稀疏性提出的绪贯优化法(SMO)。最小二乘支持向量机可以代替神经网络算法对非线性系统建模的研究。国外对这一算法的研究与国内相比范围广、时间长[36]，最小二乘支持向量机应用到污水处理的曝气过程的建模中，克服了曝气过程溶解氧数学模型很难精确建立的难题，解决了基于神经网络建立软测量模型时学习算法收敛速度慢且求得的最优解往往为局部最优解的问题。

支持向量机是一项新的研究技术，由统计学习理论(SLT)发展在高维特征空间内通过基于结构风险最小化(SRM)思想的方法，求解一个二次规划问题，解决原始样本空间中最优解的求解问题而来，被广泛应用于各种领域，特有优势是高维模式识别、非线性信息的拟合，特别是对解决小样本事件问题，由于该算法中核函数的引入有效解决了，维数灾难、过学习等传统问题，因此被广泛应用于函数拟合、时间序列预测等机器学习问题中。与BP神经网络相比，支持向量机算法的泛化能力更强，不存在陷入局部最优解的问题且结构更容易实现。但也存在训练时间长、计算量过大的问题[37-38]，优于神经网络，有广阔的应用前景。

6 控制器性能对比

对于污水处理厂而言，我国现阶段污水处理行业的自动化水平难以满足其他行业智能控制器的需求[39]；对于污水处理精确曝气控制系统来说，单个的控制器有各自的优缺点，如表所示，模糊控制器算法相对简单，但需要更多的运行经验；神经网络和遗传算法鲁棒性强，但是算法繁杂且计算量庞大，支持向量机高维模式识别，广泛应用于智能化领域，但是训练时间长且污水处理领域没有应用案例。

表 智能控制器性能总结Tab. Performace of intelligent controller

续表

控制器的选择应根据污水厂现有的自动化水平与曝气控制系统的实现难易程度决定。因此模糊控制器符合实际污水处理厂的自动化现状，相关研究与案例较多，有丰富的经验值选取，是实现精确曝气控制的重要智能控制器之一[9,15～19]。

7 结 语

精确曝气控制作为研究热点已久，由于受到现实条件的影响，整体的控制方法比较落后。控制算法本身也存在着不准确性与复杂性，进水水质水量突然变化，控制算法需实时做出判断，很难建立起符合实际运行情况的模型。因此，国内外学者突破传统控制思想的约束,面对实际污水厂曝气控制过程的特点,寻求各种对模型要求低、控制综合质量好、在线计算方便的智能控制器。未来精确控制需要优化控制系统，增强PCL对大数据的处理能力，发展更加稳定可靠、智能化的控制器，提高污水厂自动化水平，促进污水厂精确控制的发展。