一种基于biocos生物池工艺智能控制的数学模型辅助控制方法
技术领域
1.本发明属于污水处理智能控制技术领域，具体涉及一种基于biocos 生物池工艺智能控制的数学模型辅助控制方法。


背景技术：

2.随着污水处理智能化控制的发展，污水处理的处理工艺以及处理效率也日趋成熟，但污水处理的智能化控制还需要进一步地完善。biocos 生物池工艺智能控制的数学模型可以优化工艺参数和控制信号以及进行仿真实验，对工艺设计及运行中的问题进行诊断和研究解决优化办法。结合自适应算法让数学模型控制系统在运行过程中自学习自优化，适应各种工况条件并输出最优的控制参数。biocos 生物池工艺智能控制的数学模型是按一定的建模原则来建立的，然后转化成如matlab等数学软件可以调用的函数，matlab必须一直运行，以保证模型的正常工作。然而matlab一直运行就会造成matlab中的simulink某个模块死机，一旦出现“模型死机”，便会给后续的工作带来困难，造成人力物力的浪费，提高了污水处理的成本。为此，研发一种能够解决上述问题的基于biocos 生物池工艺智能控制的数学模型辅助控制方法是非常必要的。


技术实现要素：

3.本发明的目的在于提供一种基于biocos 生物池工艺智能控制的数学模型辅助控制方法。
4.本发明的目的是这样实现的，包括以下步骤：步骤1：设置输入参数；步骤2：根据所输入的参数、asm3数学模型以及处理单元和运行模块按照工艺流程和时序逻辑耦合，获得biocos工艺数学模型；步骤3：对模型进行虚拟运行，不断矫正参数；步骤4：对模型进行灵敏度分析并寻找敏感参数，即出水水质影响参数，以出水水质达到要求且能耗最低作为目标，对敏感参数进行自适应校正，使模型自学习并自优化；步骤5：若输出最优参数，则传递给自控系统，plc接收数据执行；若判定无输出最优参数，即模型死机，则重启模型并返回步骤3。
5.与现有技术相比，本发明具有以下技术效果：1、本发明针对biocos生物池工艺智能控制数学模型在运行过程中出现不能输出最优参数的情况，自动判断并自动重启，然后模型继续进行正常计算；本发明可实现实时监控，持续检测biocos工艺数学模型，真正意义上解决了模型卡死的难题，为污水处理厂biocos生物池工艺智能化控制提供辅助，现更高的污水处理效率；2、本发明可以更好的解决“模型死机”的问题，为模型运行提供了更好的辅助作用，节省了人力物力；为其他的数学模型辅助程序提供了技术参考。
附图说明
6.图1为本发明流程示意图；
具体实施方式
下面结合附图对本发明作进一步的说明，但不以任何方式对本发明加以限制，基于本发明教导所作的任何变换或替换，均属于本发明的保护范围。
7.如附图1所示本发明包括以下步骤：步骤1：设置输入参数；步骤2：根据所输入的参数、asm3数学模型以及处理单元和运行模块按照工艺流程和时序逻辑耦合，获得biocos工艺数学模型；步骤3：对模型进行虚拟运行，不断矫正参数；步骤4：对模型进行灵敏度分析并寻找敏感参数，即出水水质影响参数，以出水水质达到要求且能耗最低作为目标，对敏感参数进行自适应校正，使模型自学习并自优化；步骤5：若输出最优参数，则传递给自控系统，plc接收数据执行；若判定无输出最优参数，即模型死机，则重启模型并返回步骤3。
8.步骤1所述输入参数包括进水流量、污泥回流量、构筑物体积和常规水质参数，其中，常规水质参数包括化学需氧量cod、五日生化需氧量bod5、悬浮物ss、总氮tn、总磷tp、氨氮nh3—n、ph值。
9.其中，步骤2 biocos工艺是一个具有连续进水和连续出水的cass系统，一个典型的biocos单元由一个传统的活化曝气池（b池）和两个平行的沉淀循环池（su池）组成；污水连续的进入b池，b池为生反曝气池，在好氧和缺氧状态下交替运行，在b池中污水进行有机碳的降解和经历硝化或反硝化过程。经过b池后泥水混合物交替进入两个su池中，在su池中完成泥水分离，上清液交替排除，污泥交替回流至b池；biocos污水处理工艺一个过程一般分成四个阶段，即污泥回排阶段（s阶段）, 污泥混合阶段（u阶段）, 污泥沉降阶段（v阶段） 和清水排出阶段（a阶段）。
10.其中，步骤2 asm3数学模型包括12个反应过程，即水解过程、8个异氧菌过程、3个自养菌过程，具体可以是：(1)水解过程对活性污泥系统进水中的所有慢速可生物降解有机物xs（慢速可生物降解有机物）都进行水解。asm3假定水解过程与电子供体无关。asm1相比，asm3减弱了水解过程对耗氧速率和反硝化速率的控制作用。
11.(2)易生物降解底物的好氧贮存该过程为ss以xsto（异氧菌的胞内贮存物）的形式贮存于胞内，这个过程需要由有氧呼吸提供的atp来供能, 假定所有底物先变成贮存物再同化成生物体组分。尽管在实际中并没有观测到上述假定的现象 ，但是由于现在没有可靠的模型可以分别预测底物被贮存、同化、异化，所以活性污泥数学模型课题组建议暂时使用这个最简单的假定。不过，采用一个低产率系数〔ysto〕表示贮存，用一个较高的产率系数(yh)表示生长，则可以近似反映直接生长的情况，而不是先贮存后生长。
12.(3)易生物降解底物的缺氧贮存
这个过程与(2)相同，但能量由反硝化而不是由有氧呼吸提供。至今仍不清楚是xh（异养菌）的一部分有反硝化能力,还是全部异养菌都能以一个与好氧呼吸相比较小的速率进行反硝化。 asm3没有区分这两种异养菌,只是认为与好氧贮存速率相比缺氧贮存速率是较小的。
13.(4)异氧菌的好氧生长假定供xh生长的底物全是贮存的x
sto
, 这使asm3大为简化。
14.(5) 异氧菌的缺氧生长这个过程与(4)相同，但能量由反硝化而不是有氧呼吸提供的。与有氧呼吸速率相比 , 反硝化速率是很低的。
15.(6) 好氧内源呼吸该过程描述了好氧条件下各种形式与生长无关的微生物的减少和能量需求,即衰减、维持、内源呼吸、溶菌、捕食、运动、死亡等。此过程与asm1中的衰减(溶菌)过程明显不同。
16.(7) 缺氧内源呼吸该过程与(6)相似，但速率明显缓慢，尤其是原生动物的捕食作用在反硝化的条件下比好氧条件下明显降低。
17.(8)利用贮存物质的有氧呼吸该过程与内源呼吸相似，此过程确保贮存物质与生物体同时衰减。
18.(9) 利用贮存物质的缺氧呼吸这个过程与(8)相似，不过是在反硝化的条件下进行的。
19.(10)、(11) 、(12)是与自养生物相关的反应过程，分别是硝化、好氧内源呼吸、缺氧内源呼吸。
20.其中，步骤2 asm3模型，利用c语言编写，并转化成matlab可调用的s函数。
21.其中，步骤2处理单元为一个传统的活化曝气池（b池）和两个平行的沉淀循环池（su池）组成。
22.其中，步骤2运行模块为污泥回排阶段（s阶段）, 污泥混合阶段（u阶段）, 污泥沉降阶段（v阶段） 和清水排出阶段（a阶段）。
23.其中步骤2 biocos工艺的整体工艺数学模型耦合具体为，要达到模型控制的要求，需要对整个工艺进行数学建模，只针对各个处理单元进行建模时不足的，需要将处理单元的模块进行耦合。建立工艺模型不是单纯的将生化反应模块，沉淀模块按照时序逻辑程序简单的连接，建立工艺模型需考虑理想数学计算与实际工业过程的区别，需要考虑实际检测水质数据和模型计算特征组分的换算，以及复杂生化反应过程的反应组分与沉淀过程的溶解相及沉降相的对应。
24.p池和b池不仅有进水还有从su池回流过来的污泥，由于asm模型计算水质特征组分时，需要将进水和回流的组分一一对应相加，才能反映p池和b池内参与生化反应的组分情况，合并模块也有c语言编写并将其转化成s函数。然后将各个处理单元及运行模块按照工艺流程和时序逻辑耦合起来获得biocos工艺的整体工艺数学模型。
25.其中，步骤3 biocos工艺数学模型运行过程为，污水连续的进入b池，b池为生反曝气池，在好氧和缺氧状态下交替运行，在b池中污水进行有机碳的降解和经历硝化或反硝化
过程。经过b池后泥水混合物交替进入两个su池中，在su池中完成泥水分离，上清液交替排除，污泥交替回流至b池。
26.步骤4自适应校正具体是：a、将敏感参数在设定范围内随机变化形成变型的模型；b、将所有模型的变型进行计算，在同一进水条件下计算结果达到出水水质要求但能耗最低的变型被记忆；c、在下一批计算过程中使用上一批计算得到最优结果的变型且有较高的优先级；d、新一批计算得到的更好的变型覆盖之前记忆的变型；e、模型不断更替，保留越来越优势的变型。
27.在步骤4中，模型随着长时间运行不断积累，会不断的进行训练和学习，使得模型实现随着运行自我学习自我改进。
28.其中，灵敏度分析方法可以是莫尔斯分类筛选法，采用自变量固定步长变化见式。
29.经过灵敏度分析后，需要对灵敏度较高的参数进行调整，才能使得模型出水与实际运行出水值更加吻合。对这些敏感参数采用自适应校正的理念，将敏感参数在设定范围内随机变化形成变型的模型，将所有模型的变型进行计算，在同一进水条件下计算结果达到出水水质要求但能耗最低的变型被记忆，在下一批计算的过程中直接使用上一次计算得到最优结果的变型有较高的优先级，新一批计算得到的更好的变型将覆盖之前的记忆的变型，在该进水条件下模型将会保留越来越优势的变型；在不同的进水条件下，进行相同计算和筛选过程，使得一段时间运行后模型在各种进水条件下都有优势的变型，并且变型也在不断的被更优化的更替。
30.步骤5模型死机的判定方法是先查询输出数据最新存入到数据库的时间，在该时间之前的一时间段查询是否有数据，并记录查询结果，若查询结果为无数据，则模型死机；具体可以是进行mysql数据库查询，查询数据最新存入到数据库的时间，然后减去三分钟后看是否能够查询到数据，并将查询结果存入一个txt文档，之后采用bat语句去读取先前存有查询结果的txt文本，若读取到的结果为0，则判定为模型死机。
31.步骤5重启模型的方法是确定模型是否运行，查询数据库有无最新数据更新，查询数据库最近三条数据是否重复；若模型没有运行，数据库无最新数据更新，数据库最近三条数据重复三种情况出现至少一种，则关闭模型并重启；若本发明模型是通过matlab数学软件来实现，则可以查找matlab是否存在并根据规则关闭matlab进程。
32.重启模型的判定过程为定时判定，可以是每隔一段时间运行判定过程。
33.下面结合实施例1对本发明作进一步说明。
34.实施例1本发明模型具体通过matlab数学软件来实现；步骤1：设置输入参数；其中，本步骤所述的输入参数包括进水流量、污泥回流量、构筑物体积和常规水质参数；其中，上述的常规水质参数，即化学需氧量cod、五日生化需氧量bod5、悬浮物ss、
总氮tn、总磷tp、氨氮nh3—n、ph值，按照物质组成的规则拆分为asm3数学模型所需要的13种组分；步骤2：根据所输入的参数、asm3数学模型以及处理单元和运行模块按照工艺流程和时序逻辑耦合，获得biocos工艺工艺数学模型；其中，biocos工艺是一个具有连续进水和连续出水的cass系统，一个典型的biocos单元由一个传统的活化曝气池（b池）和两个平行的沉淀循环池（su池）组成。污水连续的进入b池，b池为生反曝气池，在好氧和缺氧状态下交替运行，在b池中污水进行有机碳的降解和经历硝化或反硝化过程。经过b池后泥水混合物交替进入两个su池中，在su池中完成泥水分离，上清液交替排除，污泥交替回流至b池。biocos-污水处理工艺一个过程一般分成四个阶段，即污泥回排阶段（s阶段）, 污泥混合阶段（u阶段）, 污泥沉降阶段（v阶段） 和清水排出阶段（a阶段）。
35.其中，asm3数学模型包括12个反应过程，即水解过程、8个异氧菌过程、3个自养菌过程。
36.(1)水解过程对活性污泥系统进水中的所有慢速可生物降解有机物xs（慢速可生物降解有机物）都进行水解。asm3假定水解过程与电子供体无关。asm1相比，asm3减弱了水解过程对耗氧速率和反硝化速率的控制作用。
37.(2)易生物降解底物的好氧贮存该过程为ss以xsto（异氧菌的胞内贮存物）的形式贮存于胞内，这个过程需要由有氧呼吸提供的atp来供能, 假定所有底物先变成贮存物再同化成生物体组分。尽管在实际中并没有观测到上述假定的现象 ，但是由于现在没有可靠的模型可以分别预测底物被贮存、同化、异化，所以活性污泥数学模型课题组建议暂时使用这个最简单的假定。不过，采用一个低产率系数〔ysto〕表示贮存，用一个较高的产率系数(yh)表示生长，则可以近似反映直接生长的情况，而不是先贮存后生长。
38.(3)易生物降解底物的缺氧贮存这个过程与(2)相同，但能量由反硝化而不是由有氧呼吸提供。至今仍不清楚是xh（异养菌）的一部分有反硝化能力,还是全部异养菌都能以一个与好氧呼吸相比较小的速率进行反硝化。 asm3没有区分这两种异养菌,只是认为与好氧贮存速率相比缺氧贮存速率是较小的。
39.(4)异氧菌的好氧生长假定供xh生长的底物全是贮存的x
sto
, 这使asm3大为简化。
40.(5) 异氧菌的缺氧生长这个过程与(4)相同，但能量由反硝化而不是有氧呼吸提供的。与有氧呼吸速率相比 , 反硝化速率是很低的。
41.(6) 好氧内源呼吸该过程描述了好氧条件下各种形式与生长无关的微生物的减少和能量需求,即衰减、维持、内源呼吸、溶菌、捕食、运动、死亡等。此过程与asm1中的衰减(溶菌)过程明显不同。
42.(7) 缺氧内源呼吸
该过程与(6)相似，但速率明显缓慢，尤其是原生动物的捕食作用在反硝化的条件下比好氧条件下明显降低。
43.(8)利用贮存物质的有氧呼吸该过程与内源呼吸相似，此过程确保贮存物质与生物体同时衰减。
44.(9) 利用贮存物质的缺氧呼吸这个过程与(8)相似，不过是在反硝化的条件下进行的。
45.(10)、(11) 、(12)是与自养生物相关的反应过程，分别是硝化、好氧内源呼吸、缺氧内源呼吸。
46.其中，我们利用c语言编写asm3数学模型，并转化成matlab可调用的s函数。
47.其中，biocos工艺的处理单元为一个传统的活化曝气池（b池）和两个平行的沉淀循环池（su池）组成。
48.其中，biocos工艺的运行模块为污泥回排阶段（s阶段）, 污泥混合阶段（u阶段）, 污泥沉降阶段（v阶段） 和清水排出阶段（a阶段）。
49.其中，biocos工艺的整体工艺数学模型耦合具体为，要达到模型控制的要求，需要对整个工艺进行数学建模，只针对各个处理单元进行建模时不足的，需要将处理单元的模块进行耦合。建立工艺模型不是单纯的将生化反应模块，沉淀模块按照时序逻辑程序简单的连接，建立工艺模型需考虑理想数学计算与实际工业过程的区别，需要考虑实际检测水质数据和模型计算特征组分的换算，以及复杂生化反应过程的反应组分与沉淀过程的溶解相及沉降相的对应p池和b池不仅有进水还有从su池回流过来的污泥，由于asm模型计算水质特征组分时，需要将进水和回流的组分一一对应相加，才能反映p池和b池内参与生化反应的组分情况，合并模块也有c语言编写并将其转化成s函数。然后将各个处理单元及运行模块按照工艺流程和时序逻辑耦合起来获得biocos工艺的整体工艺数学模型。
50.步骤3：对模型进行虚拟运行，不断矫正参数；其中，biocos工艺的整体工艺数学模型运行过程为，污水连续的进入b池，b池为生反曝气池，在好氧和缺氧状态下交替运行，在b池中污水进行有机碳的降解和经历硝化或反硝化过程。经过b池后泥水混合物交替进入两个su池中，在su池中完成泥水分离，上清液交替排除，污泥交替回流至b池。
51.步骤4：对模型进行灵敏度分析并寻找敏感参数，即出水水质影响参数，以出水水质达到要求且能耗最低作为目标，对敏感参数进行自适应校正，使模型自学习并自优化；其中，自适应算法具体为，模型随着长时间运行不断积累，会不断的进行训练和学习，使得模型实现随着运行自我学习自我改进。
52.实现自适应之前首先要对数学模型进行灵敏度分析找到敏感参数即对出水水质结果影响较大的参数。
53.莫尔斯分类筛选法是目前应用比较广泛的灵敏度分析方法。采用自变量固定步长变化见式。
54.经过灵敏度分析后，需要对灵敏度较高的参数进行调整，才能使得模型出水与实际运行出水值更加吻合。对这些敏感参数采用自适应校正的理念，将敏感参数在设定范围内随机变化形成变型的模型，将所有模型的变型进行计算，在同一进水条件下计算结果达
"run('d:biocosbiocos1biocosbiocos1restartbiocos1.m')") else (if %var1%== 0 ( taskkill /f /im "matlab.exe" && start c:polyspacer2020abinmatlab.exe
ꢀ‑
nosplash
ꢀ‑
r "run('d:biocosbiocos1biocosbiocos1restartbiocos1.m')") else (if %var2%== 0 ( taskkill /f /im "matlab.exe" && start c:polyspacer2020abinmatlab.exe
ꢀ‑
nosplash
ꢀ‑
r "run('d:biocosbiocos1biocosbiocos1restartbiocos1.m')") else (
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
echo %var2%)))6、定时3分钟自动运行一次以上程序choice /t 180 /d y /n 》nulgoto start然后再运行模型继续进行正常计算。