摘要：污水处理是防止水体污染的有效途径，目前多采用氧化沟工艺，通过去除污染物，促使水质达到排放标准。污水处理期间，如何对溶解氧进行智能控制，成为工作人员的研究重点。本文首先介绍了污水处理在线软测量模型，然后阐述了曝气池的实时控制和溶解氧的智能控制方法，以供参考。
关键词：污水处理；曝气池；溶解氧；智能控制
在污水处理过程中，曝气需要的能耗占比达到40%-50%，且曝气池中溶解氧的浓度高低，直接影响出水水质的好坏。针对溶解氧进行智能控制，不仅能提高污水处理效率，降低电能损耗；还能减轻人工劳动量，提高出水水质。以下结合实践，探讨了溶解氧的智能控制方法。
1．污水处理在线软测量模型
污水处理期间，要想实现实时控制、闭环控制，首先要以水质参数作为反馈信号。LSSVM软测量模型，是在支持向量机中引入最小二乘线性系统，解决分类问题和函数估计问题，能加快求解速度，增强抗干扰能力。LSSVM算法描述是：给定样本集（x1，y1），（x2，y2），…，（xi，yi），xi∈Rd为d维输入向量，yi∈R，i=1，2，…，n。首先利用非线性映射，将输入向量映射到高维特征空间，最优化决策函数为：
2．污水处理中曝气池的实时控制
利用污水处理在线软测量模型，获得实时出水参数值，为处理作业提供反馈信号，从而建立溶解氧实时闭环控制系统。具体方法如下：根据进水水质的不同，利用该模型预测出水参数值，将其作为反馈信号，调整进水水质对应的溶解氧设定值；然后采用神经网络逆控制器，跟踪溶解氧设定值，对曝气量优化控制，在保证出水水质的前提下，减少电能损耗，降低运行费用。
2.1 溶解氧设定值的优化
假设每间隔20min检测一次进水水质，计算pH值、氨氮、SS、TOC水平；然后利用软测量模型，预测出水参数值，和规定出水标准相比较，将差值e作为反馈信号；最后利用模糊神经网络调整溶解氧设定值，促使差值e在允许范围内，此时溶解氧数值即最优设定值。
模糊神经网络一般利用BP学习算法，不仅实现简单，而且具有较强的局部搜索能力。相比之下，PSO算法对初始条件的要求少，且能全局优化，具有收敛快、全局搜索的优点。具体应用中，首先利用PSO算法，优化模糊神经网络的权值参数，促使网络参数接近最优解；然后利用BP算法，在线实时调整网络参数，发挥出全局优化、局部搜索的技术优势。
2.2 神经网络逆控制系统
污水处理期间，利用变频器调节鼓风机转速，利用鼓风机运行控制溶解氧浓度，整个控制过程是一个滞后性、非线性的系统。基于此，建立溶解氧神经网络逆控制系统，能对溶解氧最优值进行跟踪，原理如下图2所示：
图2：曝气池溶解氧神经网络逆控制系统框架图
图中P-1（NNII）是被控对象基于聚类法实现的RBF神经网络逆辨识模型，将其串联在系统前部，可以认为P-1（NNII）×P=1，将被控对象转换为动态伪线性对象，利用PID控制器对误差进行补偿控制，具体步骤如下：①利用RBF神经网络辨识被控对象，获得逆模型P-1（NNII）；②网络辨识器NNII，向网络控制器NNC传输参数，包括聚类中心值、节点数、权值等；③网络控制器产生输出控制信号；④控制信号u（k）输入到非线性对象，产生实际输出信号DO（k）；⑤信号输入辨识器NNII产生信号，重新聚类，调整节点和权值；⑥回到步骤①。
3．溶解氧的智能控制和仿真分析
3.1 建立模型
以某污水处理厂为例，采用活性污泥法处理工艺，假设条件如下：①只考虑异样菌降解有机物的过程；②只考虑好氧条件下的碳氧化过程；③进水生物量Xi=0，沉淀后出水生物量Xe=0；④微生物生长率大于死亡率，且满足Monod规则。基于ASM物料平衡原理，首先得到污水处理系统的模型；已知单个曝气池进水流量为2.0-2.1万m3，可以得到污水系统中参数的上、下界值；最后随机选取一组参数，将其带入模型中，经离散化可以得到曝气池溶解氧的模型：
（4）
3.2 仿真实验
实验1：时间段选取10：00—20：00，每间隔20分钟检测一次溶解氧设定值，利用神经网络逆控制跟踪数值。实验2：分别采用动态调整法、恒定设定法（溶解氧浓度设置为2mg/L）控制曝气池，采用软测量法预测出水水质COD。实验3：利用实验1中的最优溶解氧设定值控制曝气池，采用软测量法预测出水水质BOD。
3.3 结果分析
实验1结果显示，逆控制系统的跟踪性能好，具有较高的稳态精度。实验2结果显示，将溶解氧浓度设定为2mg/L，出水COD具有较强的波动性，甚至不满足出水标准。动态寻优得到数值为2.42mg/L，调整溶解氧设定值后，此时出水COD满足指标要求。实验3结果显示，出水BOD值在20mg/L以内，满足标准要求，且水质稳定。
4.结束语
综上所述，LSSVM软测量模型，对出水水质的预测速度快、精度高，可以提供污水处理闭环控制的反馈信号。仿真实验显示，动态优化溶解氧的设定值，可保证出水水质稳定，能减少曝气损耗、降低运行费用；神经网络逆控制系统的应用，具有高精度和良好的跟踪性能，可以实现溶解氧的智能控制目标。
参考文献：
[1]苏涛，薄翠梅，黄超.污水处理溶解氧控制器的设计仿真[J].计算机仿真，2017，（10）：291-295.
[2]王国胜，董浩，黄启伦等.污水处理曝气过程中的溶解氧浓度控制研究[J].信息技术与信息化，2017，（10）：120-122.
论文作者:金少波,周琪
论文发表刊物:《基层建设》2018年第24期
论文发表时间:2018/9/17
标签：溶解氧论文; 污水处理论文; 曝气池论文; 神经网络论文; 水质论文; 设定值论文; 模型论文; 《基层建设》2018年第24期论文;