本发明专利技术公开了一种污水处理过程自适应广义预测控制方法，包含以下顺序的步骤：首先利用反馈线性化的思想来实现自适应广义预测控制器的设计；然后在证明其李雅普诺夫稳定的同时，得到修正系统CARIMA模型参数的自适应规则，来动态调整模型参数使得系统跟踪误差达到最小，实现溶解氧浓度的稳态控制。本发明专利技术的控制方法及系统，解决了普通广义预测控制在应对较大干扰时不能实现稳定控制的问题。实验结果表明该控制算法能够稳定、快速地控制溶解氧浓度，具有较强的抗干扰能力，有利于实现污水处理过程的稳定、高效运行。
【技术实现步骤摘要】
本专利技术设及污水处理领域，特别设及一种污水处理过程自适应广义预测控制方法 及系统。
技术介绍
当前我国污水处理处于一个前所未有的发展机遇，国家积极推动污泥处理处置重 大技术的研发、示范和推广，开展在线控制技术研究，将污水处理与再生利用的重大关键技 术纳入国家相关科技计划，致力于推进技术先进、经济适用、环境友好的工艺流程和处理技 术。 活性污泥污水处理工艺在当前污水处理行业应用广泛，而其中溶解氧浓度是影响 污水处理过程效率、运行费用W及稳定性的主要控制因素。曝气池中氧气不足和过量都会 对微生物生存环境带来不利影响。当氧气不足时，一方面由于曝气池中丝状菌会大量繁殖， 最终产生污泥膨胀；另一方面会降低细菌分解的效果，延长处理时问，甚至导致生物处理失 效。而氧气过量（即过量曝气）则会由于絮凝剂遭到破坏而导致悬浮固体沉降性变差，同 时使能耗过高。因此，溶解氧浓度先进控制算法具有重要的研究价值。 溶解氧浓度控制的难点之一是过程本身的非线性和时变性。当前在实际的溶解氧 控制过程中，开关控制和PID控制是应用最多的控制方法，也有自适应控制、模糊控制、神 经网络控制等方法。前者控制方式简单易于使用，但控制精度不高、波动大、能耗高；模糊控 制则需要掌握大量的现场控制经验知识且缺乏自学习能力。而且该些控制方法都没有把溶 解氧非线性过程模型整合到控制器的设计当中，不能很准确地反映过程的实际特性。预测 控算法将溶解氧浓度模型应用到控制器的设计中，并取得较好的控制结果，但是当面对较 大干扰情况时，就不能很好的保持溶解氧浓度的稳定。 因此，污水处理系统中的溶解氧浓度具有非线性、大时变、大滞后、干扰严重等特 征，设计一种可W跟随污水控制环境变化而做出相应改变的模糊自适应广义预测控制方法 是十分有必要的。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，提供一种污水处理过程自适应广 义预测控制方法。 本专利技术的另一目的在于提供一种污水处理过程自适应广义预测控制系统。[000引本专利技术的目的通过W下的技术方案实现： 一种污水处理过程自适应广义预测控制方法，包含W下顺序的步骤： A、首先利用反馈线性化的思想来实现自适应广义预测控制器的设计；[001UB、然后在证明其李雅普诺夫稳定的同时，得到修正系统CARIM模型参数的自适 应规则，来动态调整模型参数使得系统跟踪误差达到最小，实现溶解氧浓度的稳态控制。 所述的污水处理过程自适应广义预测控制方法，具体包含W下顺序的步骤：[001引SI.确定控制系统，即GPC控制器：针对厌氧-缺氧-好氧活性污泥系统中的溶 解氧浓度进行控制，W好氧池中的溶解氧浓度为被控量，W相应池中的氧传递系数为控制 量； S2.模糊神经网络模型： 采用TSK模型的形式，输出变量见式（1)所示：【主权项】1. 一种污水处理过程自适应广义预测控制方法，其特征在于，包含以下顺序的步骤： A、 首先利用反馈线性化的思想来实现自适应广义预测控制器的设计； B、 然后在证明其李雅普诺夫稳定的同时，得到修正系统CARIM模型参数的自适应规 贝1J，来动态调整模型参数使得系统跟踪误差达到最小，实现溶解氧浓度的稳态控制。2. 根据权利要求1所述的污水处理过程自适应广义预测控制方法，其特征在于，具体 包含以下顺序的步骤：51. 确定控制系统，即GPC控制器：针对厌氧-缺氧-好氧活性污泥系统中的溶解氧浓 度进行控制，以好氧池中的溶解氧浓度为被控量，以相应池中的氧传递系数为控制量；52. 模糊神经网络模型： 采用TSK模型的形式，输出变量见式（1)所示：(1) 其中，u是训练所得到的模糊规则个数，％是模糊系统的结论权值，为模糊系统 的各隶属度函数，令Aj= ( a W a 2j, . . .，α μ)，α表示Wj的参数，X = (X " X2,…，xj，则其中，x(k) = T= T是系统状态 向量，u是系统输入，y是系统输出，f 和g是未知函数； 假定|g|>e成立，其中ε是一个足够小的正实数，由此可以得知模糊模型的相 对度等于1 ; 针对上述所示的非线性系统（假设Lhg =g辛0)，选择如下的控制 率：而对于控制目标是跟踪指定轨迹Xnd的情况，且该预定轨迹是有界的，可以选择V(k): V (k) = xnd (k+1) -kne (k-n+1)-----(k) = xnd(k+l)-kTe (k) (4) 其中，e(k) = x(k)_xd(k)是跟踪误差，e(k) = τ，1^(? = I. . n)是指定参数，k = (6) S4.设计广义预测控制器 广义预测控制算法中，采用公式（7)所示的受控自回归积分滑动平均模型（CARIM)作 为被控系统的数学模型； A (z_1) y (t) =B (z_1) u (t-1) +C (z_1) w (t) / Δ (7) 其中4(厂1)、8(厂1)和以厂1)是厂1的多项式，1 1表示后移算子，《(〇是系统干扰； 利用Diophantine方程的方法求得广义预测控制律为： u = (GtG+ λ I) -1Gt (8) 其中，F、G、H表示所采用Diophantine方程求解控制律的参数向量，λ表示控制权值， ?表示指定参考轨迹，y(t)表示系统输出，Διι(?-Ι)表示所求的控制增量，I表示单位向 量； S5.设计T-S模糊模型结论参数的自适应规则 由系统输出误差与控制率之间的闭环动态方程的向量形式见式（9): e(k+l) = Ae(k)+bg (9) 其中Λ、bg是闭环动态方程的参数，u #(k)是所选择的期望控制率，e(k)表示系统误差 向量，u (k)表示控制变量； 由广义预测控制算法得到的控制增量，得到如下的广义预测控制的控制率，如式（10) 所示： u (k) = K +u (k-1) (10) K = GV (GTG+ λ ) 其中，G、F是求解广义预测控制率过程中所用到的参数，R是指定轨迹，λ是控制加权 常数，u (k)表示控制变量，y(k)表示被控变量，Φ表示反馈增益向量，这里取作单位向量； 由动态模糊神经网络建模方法得到的系统模型式（1)作为上述控制率表达式中 的系统输出y(k)的估计，从而可以得到该控制率u(k)以及相应的最优控制率11#(1〇为：其中，ΨΟΟ为模糊神经网络模型系数组合成的参数，办、Θ?分别表示预测参数向量、 最优参数向量；并以^作为控制率的最优近似，代入到式（9)中，得到系统误差与广义预测 控制率相关联的系统误差表达式（13):考虑如下的李雅普诺夫候选函数V(k)，即可以证明系统在某平衡点的稳定性的函数， 其中r是一个正整数；其中P是所设的一个正定对称矩阵，γ是一个正整数； 为了使跟踪误差收敛到〇,根据李雅普诺夫稳定性定理，需要使得λV(k)〈〇,最终得到 模型参数的自适应变化率规则如式（15)所示：此时，系统跟踪误差收敛下的模型参数自适应证明完毕； S6.应用到BSMl中的溶解氧浓度控制 基于TSK模糊模型设计的广义预测控制器，在应用到BSMl中运行过程中，由式（15)根 据系统运行状态动态调整模糊模型结论参数，使其反映系统此时的动态特性，进而影响到 广义预测控制律本文档来自技高网...
【技术保护点】
一种污水处理过程自适应广义预测控制方法，其特征在于，包含以下顺序的步骤：A、首先利用反馈线性化的思想来实现自适应广义预测控制器的设计；B、然后在证明其李雅普诺夫稳定的同时，得到修正系统CARIMA模型参数的自适应规则，来动态调整模型参数使得系统跟踪误差达到最小，实现溶解氧浓度的稳态控制。
【技术特征摘要】
【专利技术属性】
技术研发人员：许玉格，张雍涛，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。