基于AI的污水处理监控与自动调节技术

摘要：随着人们对环保产业的重视程度不断提高，许多地方都建起了污水处理厂，这些污水处理厂在保护当地环境方面有重要作用。污水处理工艺普遍复杂，处理环境恶劣，这意味着污水处理厂必须具有优秀的控制体系。目前，许多城市的污水处理系统存在技术落后、成本高的问题，阻碍了城市污水处理的发展。该文提出一种新的污水处理智能控制方法，并结合多目标粒子群优化算法（MOPSO），利用MOPSO算法对控制器的参数和控制规则进行全局优化，从而提高控制器的性能和工作效率。实践表明，智能控制系统结合MOPSO算法，可以使污水处理中的化学需氧量（COD）快速达到预期要求，控制精度也非常准确，大幅提高了污水处理性能。通过计算，利用新方法使污水处理效率提高了7.15%。

关键词：污水处理；多目标粒子群优化；智能控制系统；处理效率

中图分类号：X52""""""""" 文献标志码：A

随着环保理念的拓展，各个领域都设计了相关的污水处理系统。目前的污水处理系统具有以下优点：运行效果稳定，工艺流程简单，低成本，治疗设备少，结构简单，易操作、维护和管理。缺点是自动化控制水平不能满足要求，需要大型后处理设备，例如消毒设备大、接触池容积大、排水管等排水设施大等。为了提高污水处理系统的性能和污水处理效率，降低处理成本，须采用相关算法来优化智能控制系统。

粒子群优化（MOPSO）作为一种高性能的优化方法，应用在越来越多的场景中。针对污水处理系统的现状，首先，本文基于MOPSO算法构建了污水处理智能控制系统，其次，利用MOPSO算法优化了污水处理的自适应能耗和出水水质模型，并利用PID（比例积分差分）控制器对各关键模型的最优设定值进行跟踪控制。最后，对污水处理过程进行多目标优化控制。研究表明，这种新型污水处理智能控制优化方法对提高污水处理效率具有较好的效果。MOPSO算法是在单目标PSO算法的基础上形成的，当求解多目标优化问题时具有较好的性能。当选择单个最优解时，可以将单个最优解替换为设置的最优解，也可以将全局最优解作为重点。目前，大多数MOPSO算法都使用帕累托最优定理来解决问题。该方法的计算模式已成为稳定的程序流。

1污水处理与多目标粒子群优化算法的相关性

对废水处理进行优化控制的目的是在出水约束条件下实现节能减耗。其控制运行的总成本主要包括系统能耗和出水水质超标造成的细粉两个方面。这两个评价指标在废水处理控制过程中相互矛盾，很多指标都受到指标制约。因此，开发一种能够解决废水处理控制过程多目标优化问题的方法具有重要意义。粒子群优化算法（PSO）模拟鸟类的觅食行为，将问题的搜索空间与鸟类的飞行空间进行比较，可对复杂空间中最优解进行搜索。然而，就像污水处理过程中的出水水质和系统能耗一样，它们是一对相互矛盾的目标指标。许多优化问题需要针对多个目标问题同时进行优化。与单目标优化问题相比，多目标优化问题无法在简单的搜索过程中找到解决多目标问题的优秀解决方案。本文结合多目标粒子群优化算法，对污水处理系统进行研究。

2结合多目标粒子群优化算法的污水处理智能控制方法

2.1结合MOPSO算法的智能控制系统

图1为污水处理控制系统的结构图。其主要控制变量是系统的输出内容，具体包括曝气量、回流污泥比和曝气池中过量污泥排放。序间活性污泥工艺是一种需要氧气的生物代谢过程。反应器内的微生物可以通过曝气过程中产生的COD分解污泥中的物质，进水浓度、曝气量、污水浓度等因素会直接影响COD的变化。通常，可以使用检测器在线检测COD，因此可以将COD作为SBR方法中的控制参数。

在系统中，首先，鼓风机将空气引导至曝气罐中，在罐中添加溶解氧。其次，通过在线记录COD值来调节风扇转速控制器，调节曝气罐的进风量，最后，使化学需氧量在整个反应过程中处于适当的范围内[1]。

2.2结合MOPSO算法的智能控制系统

为了验证控制方案的有效性，有必要模拟污水处理厂的环境。本文以国际水协会和欧盟科学技术合作组织联合开发的污水处理“基准模拟模型1（BSM1）”为参考。BSM1的结构包括生化反应池和二次沉淀池。生化反应罐包括5个单元，前2个单元是缺氧区，后3个单元是好氧区。对每个单元来说，Mg表示流速，Wg表示每种组分的浓度，并且bg=Σ=1vgipi表示每种组分的反应速率。对单元1来说，g=1，可用公式（1）表示。

式中：M1=Ma+Mb+M0，M1、Ma和Mb分别为混合液体回流、污泥回流和睡眠流。对其他单位来说，g=2～5，可用公式（2）表示。

溶解氧的物质平衡可以用公式（3）表示。

式中：GLa为氧转化率；S0，sat为饱和溶解氧浓度。

3结合MOPSO算法的污水处理工艺

3.1能源消耗和出水水质

为保证污水处理过程处于最佳运行状态，须从能耗和出水水质模型入手分析[2]，它们的表达式如公式（4）～公式（6）所示。

式中：EC为能源消耗；EQ为出水水质；VK为第k个反应槽的体积；KLa为氧传递系数，用于控制溶解氧（So）浓度；sat为氧气设定值。Qa为内部回流，用于控制硝酸盐氮（SNO）的浓度。Qr为外部回流，用于控制混合悬浮固体（MLSS）的浓度；Qw为污泥排放量；Qe为出水流量；SS为悬浮物的浓度；COD为化学需氧量；SNkj为凯氏氮浓度；Ntot为总氮浓度；SNH为氨氮浓度。

在污水处理中，除了满足出水水质要求外，也有必要降低污水处理的运行成本。为了解决这些问题，需要实时优化控制概念，以此提供具体步骤[3]。

3.2污水处理过程的实时优化控制

实时最优控制的主要思想是将实时优化和控制循环相结合，然后采用分层结构进行最优控制。通常，上层使用优化目标函数来控制变量的最优设定值，下层使用控制器来跟踪最优设定值。具体内容包括基于自适应回归核函数构建能耗模型和出水质量模型，使用PID控制器监控并定位最佳设定值[4]。

3.3自适应能源消耗和出水水质模型

本文构建了一个能耗与过程变量间的模型以及基于自适应思想的出水水质与工艺变量间的模型回归核函数。从公式（1）、公式（2）可以看出，So、SNO、混合悬浮固体的浓度均会影响EC，EQ，且主要与So、SNO、SS和SNH等变量有关。因此，选择So、SNO、混合悬浮固体的浓度、SNH作为模型的输入变量，并且将EC和EQ作为输出变量。构建的主要目的自适应回归核函数模型是为了更好地连接输入变量和输入变量，其过程如公式（7）所示。

（7）

式中：y（t）为t矩模型的输出，y（t）=[y1（t），y2（t）]，并且满足公式（7）、公式（8）。

（7）

（8）

式中：y1（t）为自适应回归的能耗模型核函数；y2（t）为自适应回归核的出水水质模型函数；N为核函数的数量；Kn（t）为第个核函数，则径向基核函数可以表示为公式（9）。

（9）

3.4多目标最优控制

通常，自适应出水水质模型建立是有限的。当求解约束问题时，结合惩罚函数，可以将受限数学模型转化为无约束数学模型。经过分析，多目标优化方法在污水处理过程中的优化目标函数如公式（10）所示。

minH（t）={h1（t），h2（t），h3（t）}（10）

h1（t）为自适应能耗模型；h2（t）为出水水质模型；h3（t）为出水水质约束条件。W1n、W2n、c1n、c2n可以通过能量的模型训练来获得消耗量和出水质量。

通常，PSO算法与自适应网格相结合，可以使多目标优化算法得到的解均匀分布。具体计算方法如公式（11）～公式（13）所示。

式中：v（k+1）为第k+1次迭代中的速度；m（k）为第k次迭代的位置；μ为全局收缩因子；a1、a2为加速度系数；γ1和γ2为随机生成的数；p（k）为第k次迭代时的全局最优位置。当选择全局最优解时，需要在每个网格中设计一个适当的值，并满足以下条件。如公式（14）所示。

（14）

式中：ni为第i个网格中的解的数量；M为常数。

用PID控制器设置与自适应网格机制算法相结合的最优设置值，PID控制器需要添加增量PID控制算法，其过程如公式（15）所示。

Δu（g）=kpe（g）+kie（g）+kd[e（g）-2e（g-1）+e（g-2）]（15）

通过上述计算可以得出，利用这个数学模型，系统的控制性能最好。

4污水处理智能控制方法试验仿真结果

本文利用MOPSO算法和数据分析技术对污水处理工艺进行优化。本文根据污水处理控制系统的状态方程输入变量约束条件和性能指标，通过计算提供一组污水处理的最优控制变量。根据最优控制可对污水进行整体处理，可最大限度地提高处理力度、处理效率。为了验证优化效果，设计了以下试验：使用MATLAB软件模拟污水处理环境。样本数据来源于2023年A市生活污水处理数据。本文以生活污水处理数据为优化目标函数，首先，利用多目标粒子群优化算法对目标函数进行优化，得到控制变量的最优设定值，其次，将控制变量的最优设定值传送给控制器，对其进行跟踪控制。最后，从污水处理成本、污水处理功耗、污水处理能力和污水处理效率等方面对本文提出的优化方法进行检验。表1为A市两个月的污水处理成本，分为优化前和优化后。将优化前污水的处理成本设定为1200元/t。

从表1可以看出，在相同的污水总量下，优化后第一个月的污水处理成本比优化前少了72.3万元，每百吨污水处理成本为1014万元，比优化前少了86万元。同样，虽然第二个月污水总量有所增加，但使用优化方法后，总成本和每百吨成本都比优化前降低了不少。污水处理的变化说明新方法在资本消耗方面是有效的。

结合MOPSO算法对污水处理过程进行智能化控制。根据以上内容，仿真试验设计如下：采用MOPSO算法设定和控制污水处理过程中需氧量的浓度。进水量为恒定值，预期需氧浓度为6mg/L。仿真结果如图2所示。

从图2可以看出，在MOPSO算法的支持下，控制系统更加准确和稳定，响应速度也比优化前有所提升。

在加工过程中，加工效率是反映加工方法质量的重要指标。将传统方法和新方法处理效率进行比较，比较结果如图3所示。具体时间在一年内，将最大加工效率设定为100%。

从折线图可以得出结论，在1月和2月，新方法的处理效率低于传统方法，因为新方法的实践需要一个适应过程。从3月开始，使用新方法后的加工效率开始逐渐提高，接下来几个月的加工效率均高于传统方法。利用新方法后的整体加工效率比传统方法高出7.15%。

从以上试验可以得出结论，基于多目标颗粒优化算法的污水处理智能控制优化方法可以在一定程度上提高污水处理能力和处理效率，同时降低处理成本。

5结论

污水处理不仅与环境变化有关，而且在人们的日常生活中也起着非常重要的作用。随着处理难度的增加，传统的污水处理方法暴露出许多问题，已无法满足目前的处理要求。相关管理者需要加大技术投入力度，使污水处理更加科学合理。而粒子群优化算法和数据挖掘技术的不断成熟，为污水处理方法的创新和优化带来了机遇。将两种处理方法合理应用于污水处理过程，对实现污水处理智能化控制具有重要意义。

参考文献

[1]韩红桂，张琳琳，伍小龙，等. 数据和知识驱动的城市污水处理过程多目标优化控制[J]. 自动化学报，2021，47（11）：2538-2546.

[2]张璐，张嘉成，韩红桂，等. 基于动态分解多目标粒子群优化的城市污水处理过程优化控制[J]. 北京工业大学学报，2021，47（3）：239-245.

[3]张璐. 城市污水处理过程智能多目标优化控制[D]. 北京：北京工业大学，2020.

[4]单佳伟，吉雨彬，朱立伍，等. 基于改进粒子群算法的污水处理能耗水质优化[J]. 科学技术创新，2019（17）：66-67.