【技術實現步驟摘要】
本專利技術設計了一種受約束的城市污水處理過程抗擾控制方法，實現了挑戰性工況下具有輸入和輸出約束的城市污水處理過程的穩定控制，污水處理過程控制既屬于智能控制領域，也屬于水處理領域。
技術介紹
1、隨著城市化進程加快，對水資源需求急劇增長，污水排放量顯著增加，給污水處理廠帶來巨大壓力。活性污泥法因其具有高效的凈化效果，經濟性良好并且運行穩定，已經被廣泛應用于各大污水處理廠中。在活性污泥法的廢水處理過程中，為了保證污水效率和系統穩定性，有效控制溶解氧濃度和硝態氮濃度至關重要。然而，污水處理系統面臨著許多挑戰，包括進水流量和水質的頻繁波動，生物處理過程的復雜性和非線性特性，以及對輸入和輸出的約束。因此，開發智能控制策略保證城市污水處理過程的高效穩定運行具有重要意義。
2、城市污水處理過程通過操作氧傳遞系數和內回流量來控制曝氣池中的溶解氧濃度和硝態氮濃度，涉及到復雜的生物、化學和物理過程，是一個典型的非線性控制系統。由于設備的物理特性和系統運行性能要求，污水處理過程中需要考慮系統的輸入和輸出約束以保證控制策略的可實施性。模型預測控制方法通過解決包含顯式約束的優化問題，能夠在考慮物理和安全約束的同時實現對系統性能的優化控制。然而，由于環境因素的不確定性、生物化學反應的復雜性以及系統的動態特性，污水處理過程中溶解氧濃度的控制容易受到擾動和不確定性的影響。在這種情況下，系統原有的約束可能過于嚴格導致優化問題不可行，從而降低控制器的靈活性和響應速度。
3、軟約束模型預測控制方法允許系統在受到擾動和不確定性時能夠以一定的成本
4、本專利技術設計了一種受約束的城市污水處理過程抗擾控制方法，構建擾動觀測器利用過程變量估計集總擾動，構建標稱預測模型為控制器提供必要的輸入，設計抗擾控制策略，利用補償控制器補償匹配擾動，利用模型預測控制器處理非匹配擾動和約束，實現挑戰性工況下城市污水處理過程的穩定控制。
技術實現思路
1、本專利技術提出了一種受約束的城市污水處理過程抗擾控制方法，構建擾動觀測器利用過程變量估計集總擾動，構建標稱預測模型為控制器提供必要輸入，設計包括補償控制器和模型預測控制器的抗擾控制策略處理擾動和約束，解決了在挑戰性工況下城市污水處理過程的跟蹤控制問題；
2、本專利技術采用了如下的技術方案及實現步驟：
3、1.一種受約束的城市污水處理過程抗擾控制方法，其特征在于：構建城市污水處理過程控制系統，構造基于模糊神經網絡的擾動觀測器和標稱預測模型，設計抗擾控制器調控溶解氧濃度和硝態氮濃度，實現城市污水處理過程穩定控制；包括以下步驟：
4、(1)構建城市污水處理過程控制系統
5、城市污水處理過程控制系統的輸入為氧傳遞系數和內回流量，輸出為溶解氧濃度和硝態氮濃度，系統表達式為：
6、x(k+1)＝f(x(k),u(k),d(k))?(1)
7、其中，x(k+1)＝[xdo(k+1),xno(k+1)]t，xdo(k+1)表示k+1時刻溶解氧濃度實際值，xno(k+1)表示k+1時刻硝態氮濃度實際值，t表示向量的轉置，x(k)＝[xdo(k),xno(k)]t，xdo(k)表示k時刻溶解氧濃度實際值，xno(k)表示k時刻硝態氮濃度實際值，u(k)＝[ukla(k),uqa(k)]t，ukla(k)表示k時刻氧傳遞系數，uqa(k)表示k時刻內回流量，d(k)表示k時刻系統擾動，f(·)表示未知非線性函數；
8、城市污水處理過程控制系統輸入和輸出約束設置為：
9、40≤ukla(k)≤240?(2)
10、0≤uqa(k)≤92230??(3)
11、
12、
13、其中，表示k時刻溶解氧濃度的約束下界，表示k時刻溶解氧濃度的約束上界，表示k時刻硝態氮濃度的約束下界，表示k時刻硝態氮濃度的約束上界，rdo(k)表示k時刻的溶解氧濃度設定值，rdo(k)在[1.8,2.2]范圍內賦值，rno(k)表示k時刻的硝態氮濃度設定值，rno(k)在[0.8,1.2]范圍內賦值；
14、(2)構造基于模糊神經網絡的擾動觀測器
15、模糊神經網絡擾動觀測器的輸入為其中z1(k)表示k時刻溶解氧濃度的樣本向量，z2(k)表示k時刻化學需氧量的樣本向量，z3(k)表示k時刻生物需氧量的樣本向量，z4(k)表示k時刻氨氮濃度的樣本向量，z5(k)表示k時刻氧傳遞系數的樣本向量，z6(k)表示k時刻總氮濃度的樣本向量，z7(k)表示k時刻污泥濃度的樣本向量，z8(k)表示k時刻進水流量的樣本向量，上述樣本向量中包含n個樣本；
16、模糊神經網絡擾動觀測器的輸出為k時刻的擾動估計值，表達式為：
17、
18、其中，wh(k)表示k時刻模糊神經網絡第h個歸一化層神經元和輸出層神經元的連接權值，wh(k)在[0,1]范圍內隨機賦值，zj(k)表示k時刻模糊神經網絡第j個輸入向量，εjh(k)表示k時刻模糊神經網絡第h個徑向基層神經元對應第j個輸入層神經元的中心值，εjh(k)在[0,1]范圍內隨機賦值，in表示1行n列的全1向量，θjh(k)表示k時刻模糊神經網絡第h個徑向基層神經元對應第j個輸入層神經元的寬度值，θjh(k)在[0,3.5]范圍內隨機賦值，j＝1,2,...,8表示模糊神經網絡輸入特征變量的數量，h＝1,2,...,10表示模糊神經網絡徑向基層神經元和歸一化層神經元的數量；
19、模糊神經網絡擾動觀測器的權值wh(k)，中心εjh(k)，和寬度θjh(k)的更新策略設計為：
20、
21、
22、
23、其中，ec(k)＝1/2(edo(k)+eno(k))，edo(k)＝rdo(k)-xdo(k)表示k時刻溶解氧濃度的跟蹤誤差，eno(k)＝rno(k)-xno(k)表示k時刻硝態氮濃度的跟蹤誤差；
24、(3)構造基于模糊神經網絡的標稱預測模型
25、模糊神經網絡標稱預測模型的輸入為其中表示k-1時刻溶解氧濃度的標稱值，表示k-1時刻硝態氮濃度的標稱值，表示k-1時刻氧傳遞系數標稱值，表示k-1時刻內回流量標稱值；
26、模糊神經網絡本文檔來自技高網...
【技術保護點】
1.一種受約束的城市污水處理過程抗擾控制方法，其特征在于：構建城市污水處理過程控制系統，構造基于模糊神經網絡的擾動觀測器和標稱預測模型，設計抗擾控制器調控溶解氧濃度和硝態氮濃度，實現城市污水處理過程穩定控制；包括以下步驟：
【技術特征摘要】
1.一種受約束的城市污水處理過程抗擾控制方法，其特征在于：構建城市污水處理過程控制系統，構造基于模糊神經網絡的擾...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。