一種基于自組織神經網絡的污水處理過程控制方法
【技術領域】
[0001] 本發(fā)明針對污水處理過程容易受到環(huán)境變化的影響這一問題，在BSM1平臺上利用 自組織T-S模糊神經網絡的方法，對污水處理過程中溶解氧濃度與硝態(tài)氮濃度進行控制。T-S模糊神經網絡是神經網絡的一種，隸屬于智能信息處理技術領域。自組織神經網絡能夠根 據實際情況的不同自行對其內部結構進行調整，從而適應環(huán)境的變化?；谧越M織T-S模糊 神經網絡的污水處理控制技術不但屬于水處理領域，還屬于智能信息控制領域。
【背景技術】
[0002] 由于當今社會高新技術的快速發(fā)展，對利益的盲目追求，導致水資源環(huán)境被過度 利用甚至被破壞。污水的排放不僅對居民的日常生活有著嚴重的影響，而且嚴重危害著大 自然的生態(tài)平衡。為了營造和諧的生活環(huán)境，穩(wěn)定生態(tài)平衡，我國各地紛紛建立污水處理 廠，從而降低污水排放量，實現水的循環(huán)利用，進而保護水資源，目前，污水處理廠采用的控 制方法比較落后，難以對污水處理過程進行精確的控制，從而造成對資源的浪費，甚至產生 出水不達標的問題，所以研究合適的控制方法對污水處理廠運營意義重大，是未來提高污 水處理效果的必然的發(fā)展趨勢。因此，本發(fā)明的研究成果具有廣闊的應用前景。
[0003] 在污水處理過程中，主要的控制變量是第五分區(qū)的溶解氧濃度和第二分區(qū)的硝態(tài) 氮濃度，溶解氧濃度和硝態(tài)氮濃度的高低影響處理過程中硝化過程和反硝化過程的進行， 硝化和反硝化過程的進行對污水排放能否達標有著至關重要的影響。因此，對溶解氧的濃 度和硝態(tài)氮濃度的穩(wěn)定控制對于出水水質的達標，以及污水處理廠的穩(wěn)定運行是非常有必 要的。
[0004] 傳統(tǒng)的PID控制方法雖然被廣泛的應用到了各工業(yè)領域中，但是由于污水處理過 程是一個具有高度非線性、大滯后、大時變、多變量耦合等特點的復雜系統(tǒng)，將傳統(tǒng)的PID控 制方法應用到此類復雜系統(tǒng)中，易出現魯棒性差，控制精度低以及參數無法在線實時調整 的問題，從而導致控制效果不理想。傳統(tǒng)的神經網絡智能控制方法，由于其內部結構的固 定，難以對環(huán)境的改變進行及時的響應，從而導致控制效果的不理想。
[0005] 自組織τ-s模糊神經網絡不但具有非常強大的學習能力和自適應特性，能夠對非 線性系統(tǒng)進行高精度逼近，而且能夠及時的對環(huán)境的變化進行響應;另一方面τ-s模糊神經 網絡還兼具模糊理論的模糊知識，從而能夠進一步提升控制效果。本發(fā)明提出一種自組織 τ-s模糊神經網絡的污水處理過程控制方法，在滿足出水水質達標的基礎上，提高控制精度 以及在異常環(huán)境下實現系統(tǒng)的穩(wěn)定控制。

【發(fā)明內容】

[0006] 基于自組織Τ-s模糊神經網絡的污水處理過程控制方法，主要包括兩個部分：自組 織機制對模糊規(guī)則的調整與τ-s模糊神經網絡自適應學習控制部分。本方法利用自組織機 制對當前環(huán)境的狀態(tài)進行響應，通過神經網絡的自適應性和學習能力對污水處理過程進行 控制，使得誤差最小化。
[0007] 本發(fā)明采用了如下的技術方案及實現步驟：
[0008] 基于自組織τ-s模糊神經網絡的污水處理過程控制方法，其特征在于，包括以下步 驟：
[0009] 步驟1基本τ-s模糊神經網絡控制器
[0010] 將k時刻的溶解氧濃度及硝態(tài)氮濃度與二者的濃度設定值進行對比作差，可定義 誤差為：
[0011] ea〇(k) =rd〇-yd〇(k) (1)
[0012] en〇(k) =rn〇-yn〇(k) (2)
[0013] 將k時刻的溶解氧濃度誤差edjk)或硝態(tài)氮濃度誤差enci(k)與k-1時刻的溶解氧濃 度誤差edjk-l)或硝態(tài)氮濃度誤差e nci(k_l)分別進行對比作差，可定義誤差變化量為：
[0014] eJk) = eih(k)-e(h(k-\) (3)
[0015] ejk) = ena(k)-eiiii(k-]) (4)
[0016] 式中rd。和rn。分別為溶解氧濃度和硝態(tài)氮濃度的期望值，ycb(k)和ynt)(k)分別為k時 亥 1J溶解氧濃度和硝態(tài)氮濃度的實際測量值，ed。(k)和en。(k)分別為k時刻溶解氧濃度和硝態(tài) 氮濃度與其設定值的誤差值，ecb(k-l)和e nt)(k-l)分別為k-Ι時刻溶解氧濃度和硝態(tài)氮濃度 與其設定值的誤差值，和心4/'〇分別為1^時刻溶解氧濃度或硝態(tài)氮濃度的誤差變化 量，
[0017] 步驟1. 1T-S模糊神經網絡的前件部分進行的是模糊規(guī)則的推理過程，輸入量有兩 個，一個是k時刻的溶解氧濃度的誤差值edci(k)或硝態(tài)氮濃度的誤差值e nci(k)，另一個是溶 解氧濃度的誤差變化量或硝態(tài)氮濃度的誤差變化量則τ-s模糊神經網絡前件 部分的輸入為：
[0018] (5)
[0019] (6)
[0020] 則前件部分的輸出為：
[0021]
[0022] 式中，η代表的是輸入變量的總數，m代表模糊規(guī)則總數，'代表第j條模糊規(guī)則 的輸出，xi代表第i個輸入變量，(?為第i個輸入的第j個隸屬度函數的中心值，〇ij為第i個輸 入的第j個隸屬度函數的寬度值，xd。(k)為k時刻控制溶解氧濃度時的輸入量， Xn。(k)為k時 刻控制硝態(tài)氮濃度時的輸入量，
[0023] 步驟1.2T-S模糊神經網絡的后件部分進行的是控制器的輸出過程，輸入量與前件 部分的輸入量相同，后件部分的輸出則為：
[0024]
(8)
[0025] 式中，y°ut為Τ-S模糊神經網絡控制器的總輸出，為后件部分第i個輸入到第j個 隱含層神經元的連接權值，m為后件網絡隱含層神經元總數(與前件部分模糊規(guī)則數相同）；
[0026] 步驟2模糊機制的自組織調整
[0027] 不同的模糊規(guī)則存儲著污水處理過程中所產生的不同信息，對于固定結構的模糊 神經網絡來說，由于模糊規(guī)則數是固定不變的，所以需要人工進行不斷地調整已選出合適 的模糊規(guī)則，然而如果模糊規(guī)則數太多，會使系統(tǒng)的邏輯關系過于龐大，計算量呈指數級遞 增;如果模糊規(guī)則數太少，使得網絡的表達性下降，因此選擇合適的模糊規(guī)則數對于整個模 糊神經網絡的性能尤為重要;通過將自組織機制引入到T-S模糊神經網絡中，自組織的根據 處理的實際情況對控制器結構進行調整、學習和記憶，從而選擇出合適的模糊規(guī)則數，模糊 規(guī)則的選擇方法如下：
[0028] 步驟2.1由于每條模糊規(guī)則都存儲著處理過程中不同的知識，從而根據不同的處 理情況進行相應的反應，根據強度的不同來判斷模糊規(guī)則的激活程度，因此選取激活強度 最大的模糊規(guī)則：
[0029]
(9)
[0030] 對貢獻最大的模糊規(guī)則進行判斷是否滿足當前環(huán)境的變化，因此定義閾值r，則自 組織機制為：
[0031]
(10)
[0032] 式中，p(k)為k時刻最大的激活強度；
[0033] 步驟2.2在k時刻，模糊規(guī)則的變化導致整個控制器內部結構的改變，進而需要對 模糊規(guī)則進行相應的調整，調整過程分為兩部分：
[0034] 模糊規(guī)則不變時，對所有模糊規(guī)則的中心值進行調整：
[0035]
(11)
[0036] 模糊規(guī)則增加時，對新增模糊規(guī)則進行初始化：
[0037]
(1.2)
[0038] 式中，N為輸入樣本總數，c(k)和c(k-l)分別為k、k-l時刻隸屬度函數的中心值矩 陣，x(k)為k時刻的輸入矩陣，c j+1(k)為k時刻新增隸屬度函數的中心值矩陣，〇j+1(k)為k時 刻新增隸屬度函數寬度矩陣，f +1(k)為k時刻后件部分新增隱含層神經元的權值矩陣，〇(k-1)為k-1時刻隸屬度函數寬度矩陣，w(j = l)表示第一條模糊規(guī)則時后件部分隱含層神經元 的權值矩陣；
[0039] 步驟3神經網絡的自適應學習
[0040]將k時刻的輸入量輸入到控制器中，得到在k時刻的性能指標函數值EI(k)，調整神 經網絡權值的指標函數為：
[0041 ]
(13)
[0042]式中，e2(k)為k時刻溶解氧或硝態(tài)氮濃度的誤差值，
[0043] 權值調整公式為：
[0044]
[0045]
[0046]
[0047]
[0048]
[0049]
[0050]
[0051] 步驟4通過步驟2得到k時刻的模糊規(guī)則m，通過步驟1和步驟3完成k時刻的污水處 理過程控制。
[0052]本發(fā)明的創(chuàng)造性主要體現在：
[0053]本發(fā)明設計了自組織T-S模糊神經網絡控制方法并將其應用在污水處理過程中， 該方法能夠根據環(huán)境狀態(tài)實時的對控制器內部結構進行調整，實現對目標的穩(wěn)定控制。其 一，利用自組織機制對控制器結構進行實時的調整使控制器能夠更好的滿足環(huán)境的需要； 其二，利用智能控制方法對污水處理過程進行穩(wěn)定控制，使出水水質滿足排放標準。以上兩 部分構成的基于自組織τ-s模糊神經網絡的污水處理智能控制系統(tǒng)，屬于本發(fā)明的保護范 圍。
[0054]本發(fā)明提出的基于自組織Τ-S模糊神經網絡的污水處理智能控制方法，解決了傳 統(tǒng)控制器控制精度低的問題，克服了固定網絡結構控制器對環(huán)境適應差的缺點，
【附圖說明】
[0055]圖1.污水處理過程基準模型 [0056]圖2. Τ-S神經網絡拓撲結構圖 [0057]圖3.自組織Τ-S神經網絡拓撲結構圖 [0058]圖4.溶解氧雨天控制效果
[0059] 圖5.溶解氧雨天模糊規(guī)則增長曲線
[0060] 圖6.硝態(tài)氮雨天控制效果
[0061] 圖7.硝態(tài)氮雨天模糊規(guī)則增長曲線 [0062]圖8.溶解氧暴雨天控制效果
[0063]圖9.溶解氧暴雨天模糊規(guī)則增長曲線
[0064]圖10.硝態(tài)氮暴雨天控制效果
[0065]圖11.硝態(tài)氮暴雨天模糊規(guī)則增長曲線
[0066]圖12基于S0-TSFNN的污水處理溶解氧硝態(tài)氮濃度控制框圖
【具體實施方式】
[0067] BSM1基準仿真平臺主要包括兩個部分，一個是生化反應池，另一個是二沉池，如圖 1所示。生化反應池由前兩