第5期 乔俊飞，等：基于改进粒子群算法的污水处理过程神经网络优化控制 ·433· 式中：SN5e=SNH,e+SNDe+ixB（XH,e+XxA.e+ 12 XDe+ix知(X,。+X,e）, SS。=0.75×(Xs.。+X。+XHe+Xg,）, 1.1 BOD。=0.25×(s。+Xs。+(1-fp)(Xue+Xue）), C0D。=Ss。+S1,。+Xs,e+XBHe+XBA,e+Xpe 在以上目标函数的基础上，优化控制系统还必 须满足以下约束条件： 0.9 1)物料平衡约束，如式(7)~(9)； 2)输出约束4： 0.8 0 68101214 N<18gN·m-3,C0D。<100gC0D·m-3 h SN<4gN·m-3,TSS<30gsS·m-3, 图4第2分区So浓度的变化曲线 B0D5<10gB0D·m-3; Fig.4 The response curve of So concentration in the 3)执行器约束包括： 2th unit 操作变量：0<So,sP<4,0<So,sP<3, 2.2 1500<Ss.sP<3500; 控制变量：0<Ka<240,0<Q.<92230, 0<Q,<92230. 2.0 3仿真研究 0 将提出的智能优化控制方法应用于BSM1模 型，实验数据来源于实际污水处理厂，同时采用国际 水协会(IWA)提供的3个污水参数输入文件，该 6 8 10 1214 参数输入包括晴天、雨天和暴雨天3种天气下的污 t/h 水流量和组分变化情况.文中采用第1组晴天下7 图5第5分区S,浓度的变化曲线 天的数据和文献[15]中的优化周期(2h)进行仿真 Fig.5 The response curve of Spo concentration in the 第1组代表正常天进水浓度和进水量的昼夜变化， 5th unit 这些数据的采样间隔为15min,且污水组分已经抽 象为ASM1中对应的13种元素.以溶解氧浓度So、 3.2 混合液悬浮物固体浓度SMss和硝态氨浓度S的设 定值作为优化对象，实现第5分区的氧气转换系数 3.1 K(5)、外回流量Q,、以及内回流量Q.的优化控制.实 验分为两部分进行：1)无优化控制：2)优化控制. 3.0 在无优化控制的条件下，图4~6是在So、So 和Ss设定值分别为2mg/L、1mgL和2987.2mg 29 L时，神经网络控制器的控制效果图.由实验结果 可以看出，神经网络控制器的误差较小，有较好的鲁 2.8 棒性. 68101214 在加入优化控制的条件下，图7~9分别是第2 仍 分区硝态氨浓度、第5分区溶解氧浓度和混合液悬 图6第5分区SMLsS浓度的变化曲线 浮物固体浓度的优化设定值变化图.图中So、So和 Fig.6 The response curve of Syuss concentration in the Sss的设定值随着入水水质的变化而变化.同时对 5th unit 闭环控制和优化控制2种控制策略进行对比，表1 表1显示优化控制与闭环控制的出水水质参数 所示为出水水质重要参数的平均值，表2所示为运 均达标.表2表明优化控制的Q比闭环控制增大 行费用 1.847%,E4减少6.665%，Ep增加30.754%，而总 能耗E减小4.614%