韓紅桂，張璐，喬俊飛（北京工業(yè)大學(xué)電子信息與控制工程學(xué)院，北京 100124）

?

一種基于自適應(yīng)回歸核函數(shù)的污水處理能耗模型

韓紅桂，張璐，喬俊飛
（北京工業(yè)大學(xué)電子信息與控制工程學(xué)院，北京 100124）

摘要：針對(duì)污水處理過程能耗模型難以建立的問題，提出了一種基于自適應(yīng)回歸核函數(shù)的建模方法。通過分析污水處理過程的運(yùn)行特點(diǎn)，構(gòu)建能耗與運(yùn)行過程變量之間的關(guān)系，得到一種基于過程變量的能耗模型表達(dá)；同時(shí)利用梯度下降算法對(duì)能耗模型參數(shù)進(jìn)行自適應(yīng)調(diào)整，提高模型精度。最后，將設(shè)計(jì)的能耗模型應(yīng)用于污水處理過程基準(zhǔn)仿真平臺(tái)BSM1和實(shí)際污水處理廠，實(shí)驗(yàn)結(jié)果表明該模型能夠根據(jù)污水處理過程變量實(shí)時(shí)獲得污水處理過程的能耗，具有較好的自適應(yīng)特性和較高的精度。

關(guān)鍵詞：能耗模型；污水處理過程；自適應(yīng)回歸核函數(shù)；過程變量

2015-12-28收到初稿，2016-01-11收到修改稿。

聯(lián)系人及第一作者：韓紅桂（1983—），男，博士研究生，教授。

引 言

城市污水處理過程的目標(biāo)是實(shí)現(xiàn)出水水質(zhì)達(dá)標(biāo)的同時(shí)降低運(yùn)行能耗[1]。然而，由于污水處理過程能耗影響因素眾多，且各影響因素之間關(guān)系復(fù)雜，能耗模型難以建立，因此污水處理過程能耗模型的研究仍然是一個(gè)開放的問題[2-3]。

污水處理過程能耗主要包括泵送能耗和曝氣能耗。Hernandez等[4]通過非放射數(shù)據(jù)包絡(luò)分析方法計(jì)算污水處理過程能耗效率指標(biāo)，并檢測污水處理過程操作變量對(duì)能耗效率的影響。實(shí)驗(yàn)結(jié)果表明工廠規(guī)模、有機(jī)物含量的去除、生物反應(yīng)器的類型等都會(huì)對(duì)能耗效率指標(biāo)產(chǎn)生影響。Yi等[5]基于生物生態(tài)機(jī)理（bio-ecological combination method，BECM），提出了一種污水處理過程能耗模型表達(dá)，該模型表達(dá)總結(jié)了能耗與出水水質(zhì)指標(biāo)之間的關(guān)系。Kusiak 等[6]通過分析能耗與流速之間的關(guān)系，基于數(shù)據(jù)挖掘方法（data-mining method，DMM）建立了泵速和能耗與流量之間的模型表達(dá)式，實(shí)驗(yàn)結(jié)果顯示該能耗模型精度超過90%。上述研究雖然建立了能耗的機(jī)理模型，但這些機(jī)理模型主要描述了污水處理過程能耗與單個(gè)過程變量之間的關(guān)系，而污水處理過程能耗影響因素眾多，基于單變量的能耗模型不能準(zhǔn)確表達(dá)污水處理過程的能耗[7-8]。為了獲得更加客觀的能耗和多個(gè)變量之間的關(guān)系，Yang等[9]在氧化溝工藝的基礎(chǔ)上，提出了一種基于流體動(dòng)力學(xué)（computational fluid dynamics，CFD）的能耗模型，描述了流速和溶解氧濃度與能耗和出水水質(zhì)的關(guān)系。Vera等[10]通過將污水處理過程分成4個(gè)不同的裝置：曝氣裝置，傳統(tǒng)處理裝置，延長曝氣裝置，序批式生物反應(yīng)裝置，比較不同裝置中控制參數(shù)對(duì)能耗、出水水質(zhì)和污泥產(chǎn)量的影響，獲得了一種基于控制參數(shù)的能耗模型。Chen等[11]根據(jù)多目標(biāo)優(yōu)化的方法將出水水質(zhì)和操作費(fèi)用作為污水處理廠的目標(biāo)，并根據(jù)3種不同天氣情況的進(jìn)水流量來研究開環(huán)和閉環(huán)條件下最優(yōu)的污水處理運(yùn)行性能指標(biāo)。但是以上幾種方法[9-11]均以污水處理工藝為基礎(chǔ)分析能耗，由于該方法待整定參數(shù)過多，實(shí)際應(yīng)用誤差極大。

為了提高能耗模型精度，近年來，基于數(shù)據(jù)驅(qū)動(dòng)的建模方法已廣泛應(yīng)用于污水處理中[12-13]。針對(duì)污水處理過程一些變量如化學(xué)需氧量等難以實(shí)時(shí)在線測量的問題，Qiao等[14]提出了一種基于改進(jìn)的模糊神經(jīng)網(wǎng)絡(luò)（T-S fuzzy neural network，TSFNN）軟測量方法，K均值聚類算法和梯度下降算法分別用于初始化和優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)，實(shí)驗(yàn)結(jié)果表明TSFNN能實(shí)時(shí)準(zhǔn)確地測量BOD的值。利用核函數(shù)算法可將原始輸入映射到高維特征空間來有效解決非線性化學(xué)和生物過程主要變量提取的特點(diǎn)，Woo 等[15]基于核函數(shù)偏最小二乘算法（kernel partial least squares，KPLS）提取污水處理過程預(yù)測與焦煤相關(guān)的主要變量。為了實(shí)時(shí)測量污水處理過程有機(jī)物的濃度，Huang等[16]提出了一種基于遺傳算法的模糊神經(jīng)系統(tǒng)（genetic algorithm-based neural fuzzy system，GA-NFS），利用自適應(yīng)c均值聚類和遺傳算法優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)。實(shí)驗(yàn)結(jié)果顯示GA-NFS能有效地實(shí)時(shí)測量COD、NO3?和PO43?等有機(jī)物濃度。Huang等[17]利用Elman神經(jīng)網(wǎng)絡(luò)模型建立了出水水質(zhì)和能耗之間的關(guān)系，同時(shí)通過Elman神經(jīng)網(wǎng)絡(luò)的自組織特性來保證模型精度。以上研究通過數(shù)據(jù)驅(qū)動(dòng)方法如神經(jīng)網(wǎng)絡(luò)、核函數(shù)等建立非線性模型并取得較好的效果，但沒有充分考慮系統(tǒng)動(dòng)力學(xué)特性。

為了獲得能耗與過程變量之間的關(guān)系，本文提出了一種基于自適應(yīng)回歸核函數(shù)方法（adaptive regressive kernel function，ARKF）的污水處理能耗模型。首先，結(jié)合污水處理過程運(yùn)行特點(diǎn)分析運(yùn)行過程變量間的關(guān)系，設(shè)計(jì)一種基于過程變量的能耗模型表達(dá)；其次，為了提高能耗模型的精度，通過梯度下降算法對(duì)能耗模型參數(shù)進(jìn)行調(diào)整，提高模型自適應(yīng)能力；最后，將自適應(yīng)回歸核函數(shù)能耗模型應(yīng)用于基準(zhǔn)仿真平臺(tái)BSM1（benchmark simulation platform，BSM1）和實(shí)際污水處理過程（wastewater treatment process，WWTP），取得了較好的結(jié)果。

1 污水處理過程分析

1.1 污水處理過程特點(diǎn)

污水處理過程中，除了提高污水處理系統(tǒng)的可靠性和穩(wěn)定性，同時(shí)還能夠降低運(yùn)行與維護(hù)成本，保證出水水質(zhì)，使其符合排放標(biāo)準(zhǔn)。目前許多城市采用活性污泥法污水生物處理技術(shù)，其污水處理運(yùn)行過程為：原污水首先經(jīng)過粗格柵間去除污水中呈懸浮狀的較大體積固體污染物，然后通過進(jìn)水泵進(jìn)入初沉池，去除大部分的懸浮物和部分有機(jī)物，從而提高污水的凈化效果。然后經(jīng)過初沉池的出水進(jìn)入曝氣池，曝氣池由缺氧區(qū)和好氧區(qū)組成，其作為活性污泥法的核心部分，決定污水處理的質(zhì)量。缺氧區(qū)中污水通過“無氧呼吸”，進(jìn)行反硝化脫氮反應(yīng)，將內(nèi)循環(huán)回流的硝態(tài)氮還原為氮?dú)忉尫懦鰜?，有機(jī)物實(shí)現(xiàn)初步降解；好氧區(qū)發(fā)生硝化反應(yīng)，氨氮轉(zhuǎn)化為硝酸鹽，有機(jī)物進(jìn)一步被降解。隨后污水流入二沉池進(jìn)行固液分離，上層澄清液排入水體。

整個(gè)污水處理過程中存在著兩種回流形式，第1種是從好氧區(qū)流至缺氧區(qū)的硝化液內(nèi)回流，用來保證缺氧區(qū)獲得大量的硝態(tài)氮進(jìn)行反硝化；第2種則是從二沉池流至缺氧區(qū)的污泥回流，部分沉淀的污泥回流保證了曝氣池所需的活性微生物和有機(jī)碳源。最后，二沉池中的剩余污泥（除回流污泥外）與初沉池中的污泥混合，進(jìn)入污泥處理濃縮、硝化、脫水等過程。

1.2 污水處理工藝

在污水處理過程中，普遍采用活性污泥法，而A2/O生物脫氮除磷工藝是傳統(tǒng)活性污泥工藝、生物硝化和反硝化工藝、以及生物除磷工藝的綜合，A2/O工藝流程及其各部分功能如圖1所示。

Fig.1 A2/O工藝流程及各部分功能Fig.1 A2/O technological process and functional diagram of each part

A2/O工藝由于具有同時(shí)脫氮和除磷的功能，相對(duì)于其他同步脫氮除磷工藝具有構(gòu)造簡單、總水力停留時(shí)間短、運(yùn)行費(fèi)用低、控制復(fù)雜性小、不易產(chǎn)生污泥膨脹等特點(diǎn)[18]。

2 能耗相關(guān)變量分析

2.1 能耗分析

通過污水處理過程基準(zhǔn)仿真平臺(tái)BSM1得到的能耗表達(dá)為[19]

式中，EC為能耗；Vi為反應(yīng)池的體積，V1= V2= 1000 m3，V3= V4= V5= 1333 m3；KLa為氧傳遞系數(shù)，反應(yīng)池1和2的KLa為0 h?1，反應(yīng)池3 和4的KLa為10 h?1，反應(yīng)池5的KLa實(shí)時(shí)變化以控制溶解氧（SO）濃度保持在2 mg·L?1；為溶解氧設(shè)定值，通常取為8 mg·L?1；T為反應(yīng)周期；Qa為內(nèi)回流，用于控制硝態(tài)氮（SNO）濃度保持在1 mg·L?1；Qr為外回流，用于控制混合懸浮液固體（MLSS）濃度；Qw為污泥排放量，在BSM1中污泥排放量為常數(shù)[20]。從式（1）可得EC與SO、SNO、MLSS等變量相關(guān)。

2.2 變量與能耗的關(guān)系

溶解氧是影響污水處理過程有機(jī)物降解速率、出水水質(zhì)、運(yùn)行費(fèi)用以及污泥沉淀性能的主要影響因素。當(dāng)溶解氧濃度過高時(shí)，微生物絮凝遭到破壞而使得懸浮固體沉降性能變差，能耗過高；當(dāng)溶解氧濃度過低時(shí)，導(dǎo)致出水水質(zhì)變差，延長處理時(shí)間。

硝態(tài)氮濃度能夠描述反硝化反應(yīng)的進(jìn)程，當(dāng)缺氧區(qū)硝態(tài)氮濃度較小或?yàn)榱銜r(shí)，就會(huì)進(jìn)入?yún)捬鯛顟B(tài)，造成缺氧區(qū)的反硝化潛力無法被充分利用；如果硝態(tài)氮濃度過高，反而破壞了反硝化環(huán)境，無法提高氮的去除。同時(shí)，氨氮含量過高，導(dǎo)致-N的氧化，易造成水體中溶解氧濃度降低，引起出水水質(zhì)變差；另一方面，含量過高抑制硝化菌活性，影響硝化反應(yīng)的進(jìn)行。

混合懸浮液固體用來表達(dá)微生物濃度，與自養(yǎng)菌濃度、異養(yǎng)菌濃度等變量相關(guān)，可通過污泥回流量控制污泥回流的程度，保證生化池中適當(dāng)濃度的微生物。當(dāng)混合懸浮液濃度過高，就會(huì)造成出水水質(zhì)變差；若混合懸浮液濃度過低，細(xì)菌的生長率下降且污泥回流量過少，不僅影響處理效果，而且能耗增加。

3 基于自適應(yīng)回歸核函數(shù)的污水處理能耗模型

實(shí)際污水處理過程中由于復(fù)雜的非線性過程，多變量影響，且相互耦合等特點(diǎn)使得BSM1基準(zhǔn)仿真平臺(tái)得到的常系數(shù)能耗模型不適用于實(shí)際污水處理過程能耗計(jì)算，通過污水處理過程動(dòng)力學(xué)方程分析與能耗相關(guān)的過程變量，利用自適應(yīng)回歸核函數(shù)方法建立能耗模型。

通過式（3）～式（4）可得SO、SNO變化量與SS、XB,A、XB,H、SNH之間存在直接關(guān)系，MLSS計(jì)算公式與XB,A、XB,H直接相關(guān)，且SO、SNO、MLSS直接影響EC，因此選擇與能耗相關(guān)的過程變量為SO、SNO、XB,A、XB,H、SNH、SS。

為探究EC與SO、SNO、SS、XB,A、XB,H、SNH之間的關(guān)系，選擇EC作為輸出變量，SO、SNO、SS、XB,A、XB,H、SNH作為輸入變量，因此可將輸入變量與輸出變量之間的關(guān)系描述為

式中，F(xiàn)(·)為EC與輸入變量間的函數(shù)關(guān)系。

為更好地表達(dá)EC與SO、SNO、SS、XB,A、XB,H、SNH之間的關(guān)系，自適應(yīng)回歸核函數(shù)模型用于建立輸入變量與輸出變量之間的關(guān)系。自適應(yīng)回歸核函數(shù)模型表達(dá)為

式中，y( t )為t時(shí)刻模型輸出；Wn(t)為t時(shí)刻第n個(gè)核函數(shù)連接權(quán)值；N為核函數(shù)個(gè)數(shù)；Kn(t)為t時(shí)刻第n個(gè)核函數(shù)，選擇具有強(qiáng)非線性表達(dá)能力的徑向基核函數(shù)

式中，x(t)為t時(shí)刻核函數(shù)輸入，也是自適應(yīng)回歸核函數(shù)模型輸入；cn(t)為t時(shí)刻第n個(gè)核函數(shù)中心；bn(t)為t時(shí)刻第n個(gè)核函數(shù)寬度。

為提高模型精度，梯度下降算法用于自適應(yīng)調(diào)整模型參數(shù)。定義誤差平方和

式中，E(t)為t時(shí)刻誤差平方和；e(t)為t時(shí)刻實(shí)際輸出與期望輸出間的誤差；yd(t)為t時(shí)刻期望輸出。權(quán)值，中心和寬度調(diào)整公式為

式中，W(t+ 1)、c(t+ 1)、b(t+ 1)分別為t+1時(shí)刻所有核函數(shù)連接權(quán)值、中心、寬度，ΔW(t)、Δc(t)、Δb(t)為t時(shí)刻所有核函數(shù)連接權(quán)值、中心、寬度調(diào)整量，所有核函數(shù)連接權(quán)值、中心、寬度調(diào)整公式為

式中，K(t)為所有核函數(shù)；η1、η2和η3為學(xué)習(xí)率。

4 實(shí)驗(yàn)與結(jié)果分析

4.1 實(shí)驗(yàn)設(shè)計(jì)

為提高模型精度，得到更為準(zhǔn)確的能耗值，通過兩種情況對(duì)能耗模型進(jìn)行驗(yàn)證。第1種情況選擇基準(zhǔn)仿真平臺(tái)BSM1的330組數(shù)據(jù)，在該組數(shù)據(jù)中包含同一時(shí)間能耗與其過程變量的數(shù)據(jù)，隨機(jī)選取280組數(shù)據(jù)作為訓(xùn)練樣本，隨機(jī)選取50組數(shù)據(jù)作為測試樣本。第2種情況選擇2014年高碑店污水處理廠的180組數(shù)據(jù)，在該組數(shù)據(jù)中包含同一時(shí)間能耗與其過程變量的實(shí)測數(shù)據(jù)，隨機(jī)選取130組數(shù)據(jù)作為訓(xùn)練樣本，隨機(jī)選取50組數(shù)據(jù)作為測試樣本。具體的步驟如下。

（1）首先利用訓(xùn)練樣本，通過式（6）和式（7）計(jì)算模型訓(xùn)練輸出，得到能耗模型訓(xùn)練輸出與實(shí)際輸出的比較圖以及能耗模型訓(xùn)練輸出與實(shí)際輸出之間的誤差圖。

（2）基于訓(xùn)練得到的能耗模型，利用測試樣本計(jì)算能耗模型測試輸出，得到能耗模型測試輸出與實(shí)際輸出的比較圖以及能耗模型測試輸出與實(shí)際輸出之間的誤差圖。

（3）依據(jù)式（16）計(jì)算模型誤差率，分析模型精度，檢驗(yàn)?zāi)Ｐ偷念A(yù)測性能。

式中，n表示樣本總數(shù)；i表示樣本序號(hào)；d表示誤差率；yi表示第i個(gè)樣本對(duì)應(yīng)的能耗實(shí)際輸出；ydi表示第i個(gè)樣本對(duì)應(yīng)的能耗期望輸出。

4.2 實(shí)驗(yàn)結(jié)果與分析

圖2～圖5給出BSM1中能耗的訓(xùn)練效果圖和訓(xùn)練誤差，測試效果圖及測試誤差，圖6～圖9給出實(shí)際污水處理過程能耗的訓(xùn)練效果圖和訓(xùn)練誤差，測試效果圖及測試誤差，表1給出BSM1中不同能耗模型的精度對(duì)比，表2給出實(shí)際污水處理過程不同能耗模型的精度對(duì)比。

Fig.2 BSM1能耗訓(xùn)練結(jié)果Fig.2 Training results of EC in BSM1

Fig.3 BSM1能耗訓(xùn)練誤差Fig.3 Training errors of EC in BSM1

Fig.4 BSM1能耗測試結(jié)果Fig.4 Testing results of EC in BSM1

Fig.5 BSM1能耗測試誤差Fig.5 Testing errors of EC in BSM1

Fig.6 實(shí)際水廠能耗訓(xùn)練結(jié)果Fig.6 Training results of EC in WWTP

Fig.7 實(shí)際水廠能耗訓(xùn)練誤差Fig.7 Training errors of EC in WWTP

從圖2可以看出BSM1中能耗模型訓(xùn)練輸出能準(zhǔn)確跟蹤實(shí)際輸出的變化趨勢，使得訓(xùn)練輸出準(zhǔn)確地逼近實(shí)際輸出，訓(xùn)練輸出與實(shí)際輸出誤差較小，模型的訓(xùn)練誤差如圖3所示，保持在±0.05 kW·h范圍內(nèi)。圖4給出了能耗模型測試輸出與實(shí)際輸出的對(duì)比，結(jié)果表明測試輸出與實(shí)際輸出誤差較小，誤差范圍為±0.05 kW·h，能耗模型測試誤差結(jié)果如圖5所示。

Fig.8 實(shí)際水廠能耗測試結(jié)果Fig.8 Testing results of EC in WWTP

Fig.9 實(shí)際水廠能耗測試誤差Fig.9 Testing errors of EC in WWTP

表1 BSM1模型精度對(duì)比Table 1 Comparison among different models in BSM1

表2 WWTP模型精度對(duì)比Table 2 Comparison among different models in WWTP

表1給出不同能耗模型精度對(duì)比，分別將BSM1中自適應(yīng)回歸核函數(shù)能耗模型（ARKF）與基準(zhǔn)仿真平臺(tái)-膜生物反應(yīng)器能耗計(jì)算方法（benchmark simulation platform membrane biological reactor，BSM-MBR）、總成本指數(shù)模型方法（total cost index model，TCIM）做比較，結(jié)果表明數(shù)據(jù)驅(qū)動(dòng)能耗模型精度可達(dá)97.9%，比其他基準(zhǔn)仿真平臺(tái)能耗建模方法具有更高的精度。

圖6給出實(shí)際污水處理過程中能耗模型訓(xùn)練輸出與實(shí)際輸出的比較，結(jié)果顯示能耗模型訓(xùn)練輸出不僅變化趨勢與實(shí)際輸出一致，且輸出值與實(shí)際能耗輸出值較為接近，訓(xùn)練輸出與實(shí)際輸出誤差較小，保持在±2500 kW·h范圍內(nèi)，模型的訓(xùn)練誤差如圖7所示。圖8給出能耗模型測試輸出與實(shí)際輸出的對(duì)比，結(jié)果表明測試輸出能較好地逼近實(shí)際輸出，模型測試輸出與實(shí)際輸出誤差范圍為±3000 kW·h，能耗模型測試誤差結(jié)果如圖9所示。

表2給出不同能耗模型精度對(duì)比，分別將實(shí)際污水處理過程中自適應(yīng)回歸核函數(shù)模型（ARKF）與計(jì)算流體動(dòng)力學(xué)模型（CFD）、數(shù)據(jù)挖掘方法（DMM）和生物-生態(tài)結(jié)合方法（BECM）做比較，結(jié)果表明數(shù)據(jù)驅(qū)動(dòng)能耗模型精度可達(dá)96.38%，精度高于其他能耗建模方法。

實(shí)驗(yàn)結(jié)果表明自適應(yīng)回歸核函數(shù)能耗模型不僅可應(yīng)用于基準(zhǔn)仿真平臺(tái)BSM1中，還可應(yīng)用于實(shí)際的污水處理過程中。本文提出的自適應(yīng)回歸核函數(shù)模型通過分析污水處理過程特點(diǎn)選取過程變量，能很好地反映污水處理過程動(dòng)力學(xué)特性，同時(shí)該模型參數(shù)可根據(jù)梯度下降算法進(jìn)行自適應(yīng)調(diào)整，提高模型的精度。實(shí)驗(yàn)結(jié)果表明自適應(yīng)回歸核函數(shù)能耗模型具有較好的自適應(yīng)特性與較高的精度，因此基于自適應(yīng)回歸核函數(shù)模型方法可應(yīng)用到實(shí)際的建模過程中。

5 結(jié) 論

針對(duì)能耗模型影響變量眾多，且模型難以建立的問題，通過污水處理過程運(yùn)行特點(diǎn)分析能耗與過程變量間的關(guān)系，本文提出了一種基于自適應(yīng)回歸核函數(shù)的能耗模型，通過梯度下降算法對(duì)模型參數(shù)進(jìn)行自適應(yīng)調(diào)整，使模型具有更高的精度，同時(shí)將自適應(yīng)回歸核函數(shù)能耗模型應(yīng)用于基準(zhǔn)仿真平臺(tái)BSM1與實(shí)際的污水處理過程中，并與其他能耗建模方法進(jìn)行比較，根據(jù)理論分析與實(shí)驗(yàn)結(jié)果得到如下結(jié)論。

（1）通過機(jī)理分析，獲得污水處理過程中與能耗相關(guān)的過程變量，過程變量共有6個(gè)，分別是SO、SS、XB,A、XB,H、SNO和SNH，將6個(gè)過程變量作為輸入變量，能耗作為輸出變量，建立輸入變量與輸出變量之間的關(guān)系。

（2）基于自適應(yīng)回歸核函數(shù)的能耗模型能直接反映與過程變量之間的關(guān)系，同時(shí)模型參數(shù)可利用自適應(yīng)梯度下降算法進(jìn)行調(diào)整，不僅使模型具有更高的自適應(yīng)特性，而且提高了模型精度。在BSM1中自適應(yīng)回歸核函數(shù)能耗模型精度可達(dá)97.9%，在實(shí)際污水處理過程中自適應(yīng)回歸核函數(shù)能耗模型精度96.38%，高于其對(duì)比的能耗模型精度。

（3）基于自適應(yīng)回歸核函數(shù)的能耗模型研究不僅可成功應(yīng)用到基準(zhǔn)仿真平臺(tái)BSM1中，而且可應(yīng)用于實(shí)際污水處理過程中，因此其結(jié)果可推廣到實(shí)際研究應(yīng)用中，具有實(shí)際工程價(jià)值。

References

[1] HAN H G, QIAN H H, QIAO J F. Nonlinear multiobjective model-predictive control scheme for wastewater treatment process [J]. Journal of Process Control, 2014, 24 (3): 47-59.

[2] PALMA C, CARVAJAL A, VASQUEZ C, et al. Wastewater treatment for removal of recalcitrant compounds: a hybrid process for decolorization and biodegradation of dyes [J]. Chinese Journal of Chemical Engineering, 2011, 19 (4): 621-625.

[3] SHAWAQFEH A T. Removal of pesticides from water using anaerobic-aerobic biological treatment [J]. Chinese Journal of Chemical Engineering, 2010, 18 (4): 672-680.

[4] HERNANDEZ S F, MOLINOS S M, SALA G R. Energy efficiency in Spanish wastewater treatment plants: a non-radial DEA approach [J]. Science of the Total Environment, 2011, 409 (14): 2693-2699.

[5] YI X N, FAN Y H, HU C F, et al. Study on bio-ecological combination process with high efficiency and low energy consumption for municipal wastewater treatment [J]. Bioinformatics and Biomedical Engineering, 2009, 3 (1): 11-13.

[6] KUSIAK A, ZHANG Z J, ZENG Y H. Modeling and analysis of pumps in a wastewater treatment plant: a data-mining approach [J]. Engineering Applications of Artificial Intelligence, 2013, 26 (7): 1643-1651.

[7] WANG Q, NAN S, DOU M. Experimental investigation on nanofiltration treatment of waste water containing low concentration ammonium perfluorooctanoate [J]. Journal of Chemical Engineering of Chinese Universities, 2008, DOI: 10.3321/j.issn.1003-9015.2008.04.025.

[8] FEINI L, ZHANG G, QIN M, et al. Performance of nanofiltration and reverse osmosis membranes in metal effluent treatment [J]. Chinese Journal of Chemical Engineering, 2008, 16 (3): 441-445.

[9] YANG Y, YANG J, ZUO J, et al. Study on two operating conditions of a full-scale oxidation ditch for optimization of energy consumption and effluent quality by using CFD model [J]. Water Research, 2011, 45 (11): 3439-3452.

[10] VERA I, SAEZ K, VIDAL G. Performance of 14 full-scale sewage treatment plants: comparison between four aerobic technologies regarding effluent quality, sludge production and energy consumption [J]. Environmental Technology, 2013, 34 (15): 2267-2275.

[11] CHEN W L, LU X W, YAO C H. Optimal strategies evaluated by multi-objective optimization method for improving the performance of a novel cycle operating activated sludge process [J]. Chemical Engineering Journal, 2015, 260 (1): 492-502.

[12] WAHAB N A, KATEBI R, BALDERUD J, et al. Data-driven adaptive model-based predictive control with application in wastewater system [J]. IET Control Theory and Applications, 2011, 5 (6): 803-813.

[13] WANG X R, HUANG B, CHEN T W. Data-driven predictive control for solid oxide fuel cells [J]. Journal of Process Control, 2007, 17 (2): 103-114.

[14] QIAO J F, LI W, HAN H H. Soft computing of biochemical oxygen demand using an improved T-S fuzzy neural network [J]. Chinese Journal of Chemical Engineering, 2014, 22 (11): 1254-1259.

[15] WOO S H, JEON C O, YUN Y S, et al. On-line estimation of key process variables based on kernel partial least squares in an industrial cokes wastewater treatment plant [J]. Journal of Hazardous Materials, 2009, 161 (1): 538-544.

[16] HUANG M Z, MA Y W, WAN J Q, et al. A sensor-software based on a genetic algorithm-based neural fuzzy system for modeling and simulating a wastewater treatment process [J]. Applied Soft Computing, 2015, 27: 1-10.

[17] HUANG X Q, HAN H G, QIAO J F. Energy consumption model for wastewater treatment process control [J]. Water Science & Technology, 2013, 67 (3): 667-674.

[18] MOON T, KIM M S, KIM S J, et al. Evaluation of rule-based control strategies according to process state diagnosis in A2/O process [J]. Chemical Engineering Journal, 2013, 222 (1): 391-400.

[19] VEGA P, BALLESTEROS F. Integration of setpoint optimization technologies into nonlinear MPC for improving the operation of WWTPs [J]. Computers and Chemical Engineering, 2014, 68 (10): 78-95.

[20] JEPPSSON U, PONS M N. The COST benchmark simulation model—current state and future perspective [J]. Control Engineering Practice, 2004, 12 (3): 299-304.

[21] MAERE T, VERRECHT B, MOERENHOUT S, et al. BSM-MBR: a benchmark simulation model to compare control and operational strategies for membrane bioreactors [J]. Water Research, 2011, 45 (6): 2181-2190.

[22] VANROLLEGHEM P A, GILLOT S. Robustness and economic measures as control benchmark performance criteria [J]. Water Science & Technology, 2002, 45 (4/5): 117-126.

研究論文

Received date: 2015-12-28.

Foundation item: supported by the National Natural Science Foundation of China (61533002, 61203099, 61225016), the Beijing Nova Program (Z131104000413007), the Program Foundation from Ministry of Education (20121103120020), Beijing Municipal Education Commission Science and Technology Development Program (KZ201410005002, km201410005001), the Collaborative Innovation Program (ZH14000177), the Specialized Research Fund for the Doctoral Program of China (20131103110016) and the First Class Program Foundation from China Postdoctoral Science Foundation (2014M550017).

An energy consumption model of wastewater treatment process based on adaptive regressive kernel function

HAN Honggui, ZHANG Lu, QIAO Junfei
(College of Electronic Information and Control Engineering, Beijing University of Technology, Beijing 100124, China)

Abstract:Due to the difficulty in establishing the energy consumption model for the wastewater treatment process, an adaptive regressive kernel function is developed in this paper. Based on the characteristic analysis of the wastewater treatment process, the relationship between the energy consumption and the process variables is obtained. And an energy consumption model is established with the process variables. Meanwhile, the model parameters are adjusted adaptively by using the gradient descent algorithm to improve its accuracy. Finally, this proposed energy consumption model is applied to benchmark simulation platform and a real wastewater treatment process. The results show that this energy consumption model is able to display the operate cost of wastewater treatment process online according to the process variables, with good adaptivity and accuracy.

Key words:energy consumption model; wastewater treatment process; adaptive regressive kernel function; process variables

DOI：10.11949/j.issn.0438-1157.20151977

中圖分類號(hào)：TQ 028.8

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：0438—1157（2016）03—0947—07

基金項(xiàng)目：國家自然科學(xué)基金項(xiàng)目（61533002，61225099，61225016）；北京市科技新星計(jì)劃項(xiàng)目（Z131104000413007）；教育部博士點(diǎn)新教師基金項(xiàng)目（20121103120020）；北京市教育委員會(huì)科研計(jì)劃項(xiàng)目（KZ201410005002，km201410005001）；北京市朝陽區(qū)協(xié)同創(chuàng)新項(xiàng)目（ZH14000177）；高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金（20131103110016）；中國博士后科學(xué)基金一等資助項(xiàng)目（2014M550017）。

Corresponding author:Prof. HAN Honggui, rechardhan@sina.com