活性污泥污水處理過程水質(zhì)軟測量方法的研究.pdf

1、污水處理過程是去除城市居民污水和工業(yè)廢水中富含的碳、氮、磷等有機(jī)污染物以及有毒重金屬等無機(jī)污染物的重要工業(yè)過程，大多數(shù)污水處理廠采用活性污泥法，使處理后的水質(zhì)指標(biāo)達(dá)到可排放要求。其中COD(化學(xué)需氧量，Chemical Oxygen Demand)是表征有機(jī)強(qiáng)度的重要水質(zhì)指標(biāo)，是國家環(huán)?？偩忠?guī)定的污染物總量控制主要指標(biāo)之一。
　　由于A/O(缺氧/好氧，Anoxic/Oxic)過程中間工序缺氧池和好氧池出水、二沉池最終出水的水質(zhì)C

2、OD不能連續(xù)在線檢測，現(xiàn)有的COD檢測方法多采用離線化驗(yàn)方法，具有操作繁復(fù)、化驗(yàn)測量滯后大等問題，難以實(shí)現(xiàn)水質(zhì)的實(shí)時反饋控制，因此有必要研究有效的水質(zhì)軟測量方法。污水處理過程的微生物生化反應(yīng)機(jī)理復(fù)雜，入水負(fù)荷的波動使運(yùn)行工況出現(xiàn)大范圍頻繁波動，運(yùn)行條件、進(jìn)水水質(zhì)特性、生化反應(yīng)等因素使過程具有強(qiáng)非線性、不確定性和時變性，難以建立精確的機(jī)理模型，采用純機(jī)理模型建立出水水質(zhì)軟測量模型時難以保證軟測量精度。因此，為實(shí)現(xiàn)污水處理過程出水水質(zhì)的在線

3、監(jiān)控、保證出水指標(biāo)達(dá)標(biāo)、提高污染物處理效率，有必要研究及時準(zhǔn)確地估計污水水質(zhì)的軟測量方法。
　　本文針對污水處理過程的復(fù)雜特性，以準(zhǔn)確估計出水水質(zhì)COD為目標(biāo)，開展了水質(zhì)COD在線軟測量建模方法的研究。本文的主要工作歸納如下:
　　(1)針對當(dāng)非線性系統(tǒng)存在未建模動態(tài)或不確定干擾時，采用常規(guī)誤差反傳算法的神經(jīng)網(wǎng)絡(luò)建模方法難以保證模型建模誤差穩(wěn)定性的問題，提出了一類具有穩(wěn)定學(xué)習(xí)算法的小波神經(jīng)網(wǎng)絡(luò)建模方法，保證了模型建模誤差的穩(wěn)

4、定性。其中穩(wěn)定學(xué)習(xí)算法是基于輸入到狀態(tài)穩(wěn)定性(ISS，Input-to-State Stability)理論推導(dǎo)得出，并給出了小波神經(jīng)網(wǎng)絡(luò)模型建模誤差穩(wěn)定性分析過程。分別比較了帶噪聲和不帶噪聲兩種情況下基于穩(wěn)定學(xué)習(xí)算法的小波神經(jīng)網(wǎng)絡(luò)模型和基于常規(guī)誤差反傳算法的小波神經(jīng)網(wǎng)絡(luò)模型、基于穩(wěn)定學(xué)習(xí)算法的小波神經(jīng)網(wǎng)絡(luò)模型和基于常規(guī)誤差反傳算法的MLP神經(jīng)網(wǎng)絡(luò)模型的軟測量性能;將所提出的建模方法用于污水處理過程二沉池出水COD的在線軟測量，以沈陽某

5、污水處理廠的實(shí)際運(yùn)行數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)研究，結(jié)果表明了所提出的基于穩(wěn)定學(xué)習(xí)算法的小波神經(jīng)網(wǎng)絡(luò)建模方法的有效性。
　　(2)針對污水處理過程二沉池出水水質(zhì)難以在線檢測，高負(fù)荷、正常負(fù)荷、低負(fù)荷工況大范圍頻繁波動，水質(zhì)軟測量模型精度不高的問題，提出了小波神經(jīng)網(wǎng)絡(luò)和Hammerstein模型（簡稱為H模型）結(jié)合的污水處理過程二沉池出水COD多模型在線軟測量方法，軟測量模型包括工況識別機(jī)制、各運(yùn)行工況下基于H模型的局部水質(zhì)軟測量模型、多模型合

6、成機(jī)制三部分。其中工況識別機(jī)制將污水處理過程工況特征變量的歷史數(shù)據(jù)樣本進(jìn)行減法聚類，將運(yùn)行工況劃分為高負(fù)荷、正常負(fù)荷、低負(fù)荷工況，確定初始工況中心位置，為了表征各運(yùn)行工況特性隨時間的變化，采用新工況特征變量樣本與工況中心之間的相近度函數(shù)在線修正工況中心，并計算新樣本屬于各工況的隸屬度，識別出當(dāng)前工況與各運(yùn)行工況匹配的程度;局部模型采用H模型（簡稱為局部H模型），H模型的非線性靜態(tài)部分模型由小波神經(jīng)網(wǎng)絡(luò)模型建立，線性動態(tài)部分模型由ARX(

7、Auto-Regressive eXogeneous)模型建立，其中小波神經(jīng)網(wǎng)絡(luò)采用穩(wěn)定學(xué)習(xí)算法學(xué)習(xí)，ARX模型采用遞推最小二乘法辨識;多模型合成機(jī)制基于局部模型輸出加權(quán)求和得到軟測量模型輸出，局部H模型輸出的權(quán)值采用工況識別機(jī)制計算的工況特征變量屬于各工況的隸屬度。以實(shí)際運(yùn)行數(shù)據(jù)進(jìn)行了仿真實(shí)驗(yàn)，結(jié)果證明，所提出的污水水質(zhì)COD多模型在線軟測量模型在工況大范圍變化條件下具有較高的軟測量精度。
　　(3)針對A/O過程中間工序缺氧池

8、和好氧池出水水質(zhì)、二沉池最終出水水質(zhì)難以在線檢測，缺乏中間工序水質(zhì)的化驗(yàn)值，基于數(shù)據(jù)驅(qū)動的方法不適于建立有效的中間工序出水水質(zhì)軟測量模型的問題，提出了基于機(jī)理模型和神經(jīng)網(wǎng)絡(luò)的污水處理過程中間工序和二沉池出水COD混合在線軟測量方法，軟測量模型包括基于機(jī)理模型的缺氧池模型和好氧池模型、二沉池模型、基于神經(jīng)網(wǎng)絡(luò)的缺氧反應(yīng)速率模型和好氧反應(yīng)速率模型、組分計算模型、水質(zhì)計算模型七部分。其中缺氧池模型和好氧池模型采用SASM1模型(Simplif

9、ied Activated Sludge Model No.1)，SASM1模型是結(jié)合A/O工藝過程，由活性污泥機(jī)理模型ASM1進(jìn)一步簡化得到的;二沉池模型采用理想壓縮點(diǎn)模型;缺氧反應(yīng)速率模型和好氧反應(yīng)速率模型采用MLP神經(jīng)網(wǎng)絡(luò)，分別辨識缺氧池和好氧池模型中的敏感組分反應(yīng)速率，基于誤差反傳和鏈?zhǔn)揭?guī)則的思想，得到混合模型建模誤差與缺氧反應(yīng)速率模型、好氧反應(yīng)速率模型建模誤差之間的關(guān)系，分別學(xué)習(xí)缺氧反應(yīng)速率模型和好氧反應(yīng)速率模型;組分計算模型