宋翼頡，王欣（湖南工業(yè)大學(xué) 電氣學(xué)院，湖南株洲 412007）

基于LSSVM的污水處理過程預(yù)測控制

宋翼頡，王欣
（湖南工業(yè)大學(xué) 電氣學(xué)院，湖南株洲 412007）

摘要：針對污水處理過程中硝態(tài)氮難以控制的特點(diǎn)，提出了基于LSSVM的模型預(yù)測控制算法，從而提高控制的精度和效率。仿真結(jié)果表明，在相同擾動下，基于LSSVM的預(yù)測控制算法能夠?qū)⑾鯌B(tài)氮濃度穩(wěn)定在1±0.1之間，而PI控制算法只能將硝態(tài)氮濃度穩(wěn)定在0.1到1.2之間。從而驗(yàn)證基于LSSVM的預(yù)測控制算法比PI控制性能更好。

關(guān)鍵詞：污水處理過程；最小二乘支持向量機(jī)（LSSVM）；模型預(yù)測控制

本文引用格式：宋翼頡，王欣.基于LSSVM的污水處理過程預(yù)測控制[J].新型工業(yè)化，2015，5（8）：33-38

Citation: SONG Yi-jie, WANG Xin. Prediction Control of Wastewater Treatment Process Based on LSSVM[J]. The Journal of New Industrialization, 2015, 5（8）: 33-38.

0 引言

70年代后期，在美國，法國發(fā)達(dá)國家的工業(yè)過程領(lǐng)域內(nèi)出現(xiàn)了一系列新型計(jì)算機(jī)控制算法，其中包括動態(tài)矩陣控制（DMC）、模型算法控制（MAC）[1]。這類算法使用被控對象的階躍響應(yīng)或者脈沖響應(yīng)建立預(yù)測模型，采用滾動優(yōu)化的方法對過程控制實(shí)現(xiàn)優(yōu)化控制，并且已經(jīng)在實(shí)際應(yīng)用中表現(xiàn)出良好的效果[2]。

隨著工業(yè)過程不斷的提出更高的要求，控制理論不斷取得新的突破，預(yù)測控制在這樣一種環(huán)境中產(chǎn)生了?，F(xiàn)代控制理論早在80年代就形成了，并在航空航天領(lǐng)域得到了廣泛的應(yīng)用[3-4]。其中，現(xiàn)代控制理論中的狀態(tài)空間法提供了更高層次的分析方法和設(shè)計(jì)方法[5]。

特別的，早已趨于成熟的基于系統(tǒng)性能指標(biāo)的設(shè)計(jì)方法在理論上提出了能夠有效提高控制質(zhì)量和經(jīng)濟(jì)效益的方法，這吸引著大量的控制工程師對其進(jìn)行開發(fā)和研究。然而，理論與實(shí)踐之間存在巨大差異[6]。這體現(xiàn)在了這幾個方面：

（1）現(xiàn)代控制理論的起點(diǎn)是對象精確的數(shù)學(xué)模型，而在工業(yè)過程中所涉及的對象往往是多輸入、多輸出的高維復(fù)雜系統(tǒng)。

（2）工業(yè)對象的結(jié)構(gòu)、參數(shù)和環(huán)境都具有很大的不確定性。這些不確定性會使得理想模型得到的最優(yōu)控制在實(shí)際應(yīng)用上很難保持最優(yōu)。

（3）工業(yè)控制中必須考慮到控制手段的經(jīng)濟(jì)性，即對工業(yè)控制計(jì)算機(jī)的性能不能要求太高。

這些來自實(shí)際應(yīng)用上的困難，阻礙了現(xiàn)代控制理論在復(fù)雜工業(yè)過程中的有效應(yīng)用，也向控制理論基礎(chǔ)提出了新的挑戰(zhàn)。

為了克服理論和應(yīng)用之間的不協(xié)調(diào)。70年代以來，除了加強(qiáng)對系統(tǒng)辨識、模型簡化、自適應(yīng)控制、魯棒控制等的研究外，人們開始打破傳統(tǒng)方法的約束，試圖面對工業(yè)過程的特點(diǎn)，尋找各種對模型要求低，控制綜合質(zhì)量好，在線計(jì)算方便的優(yōu)化控制新算法。在此期間，數(shù)字計(jì)算機(jī)技術(shù)的飛速發(fā)展，也為新算法的產(chǎn)生提供了物質(zhì)基礎(chǔ)[7-8]。預(yù)測控制就是在這種背景下發(fā)展起來的一類新型計(jì)算機(jī)優(yōu)化控制算法[9-10]。

污水處理過程是一個強(qiáng)耦合、非線性的工業(yè)過程。即使是理想狀態(tài)下污水處理過程的機(jī)理模型，其微分方程也均為非線性。傳統(tǒng)的預(yù)測控制的內(nèi)部模型通常使用參數(shù)模型和非參數(shù)模型。但是污水處理過程的參數(shù)模型運(yùn)行效率過于低下，而非參數(shù)模型又很難精確預(yù)測。因此傳統(tǒng)的模型預(yù)測控制在污水處理過程上的控制效果并不理想。

1 機(jī)理模型

污水處理過程的機(jī)理模型現(xiàn)在最為廣泛認(rèn)可的就是基準(zhǔn)仿真1號模型（BSM1）?；鶞?zhǔn)仿真1號模型是由國際水協(xié)會（IWA）在2003年所開發(fā)的一個仿真協(xié)議?？紤]到BSM1已成為國際上廣泛認(rèn)可的標(biāo)準(zhǔn)，同時(shí)也為了提高仿真結(jié)果的可接受性，本文將使用BSM1作為被控對象的模型，并與國際水協(xié)會給出控制策略進(jìn)行比較。

BSM1的設(shè)備布局如圖1所示，1號池和2號池為缺氧反應(yīng)池，3號池、4號池和5號池為好氧反應(yīng)池。圖中的實(shí)線箭頭表示水流流向，虛線箭頭表示控制信號流向。污水進(jìn)水先經(jīng)過缺氧區(qū)，然后再經(jīng)過好氧區(qū)，然后流入沉淀池。從5號池出來的混合液一部分需要回流，和入水一起進(jìn)入生化反應(yīng)區(qū)，這一部分通常稱為內(nèi)回流。經(jīng)過沉淀的混合液的上層清液排出到自然界，下層污泥則回流到1號池前端，和入水混合后一起進(jìn)入生化反應(yīng)區(qū)，這一部分通常稱為外回流。

圖1 BSM1設(shè)備布局Fig.1 The layout of BSM1 equipment

為了達(dá)到良好的除氮效果，國際水協(xié)會在BSM1中給出了如下的控制策略，通過控制五號反應(yīng)池中的氧轉(zhuǎn)移系數(shù)使得五號池出水中的溶解氧含量達(dá)到穩(wěn)定；另外通過控制內(nèi)回流液的流量來控制二號反應(yīng)池出水中的硝態(tài)氮濃度。控制系統(tǒng)框圖如圖2所示，內(nèi)回流流量Qa和5號池溶解氧轉(zhuǎn)移系數(shù)kLa，5為控制量，2號池出水硝態(tài)氮濃度SNO，2和5號池出水溶解氧濃度SO，5為被控量，入水的流量Qin和組分Zin為擾動。

基準(zhǔn)仿真1號模型中所有的控制器均采用PI控制器，并且國際水協(xié)會提供了這些PI控制器的所有參數(shù)。國際水協(xié)會提供的PI參數(shù)值如表1所示。

圖2 PI控制下的控制系統(tǒng)框圖Fig.2 The control system diagram in PI controlling

基準(zhǔn)仿真模型實(shí)際上就是一個描述污水處理過程的機(jī)理模型，由145個微分方程所組成。因此BSM1的仿真實(shí)際上就是解這一組微分方程。考慮到求解微分方程方面的高效性，本文采用MATLAB/SIMULINK來建立基準(zhǔn)仿真1號模型。同時(shí)，為了模型的求解速度，基準(zhǔn)仿真模型中的模塊均使用S函數(shù)編寫。

表1 BSM1中的PI控制器參數(shù)Tab.1 The parameters of PI controller in BSM1

國際水協(xié)會提供了基準(zhǔn)仿真模型中的所有參數(shù)。同時(shí)還提供了基準(zhǔn)仿真模型中微分方程的初值和不同天氣條件下入水的數(shù)據(jù)。干燥天氣下污水入水的流量隨時(shí)間變化的曲線如圖3所示，入水流量呈周期變化，變化幅度在區(qū)間[10000，33000]內(nèi)。

圖3 入水流量變化曲線Fig.3 Influent flow curve

圖4為SIMULINK環(huán)境中的BSM1模型，硝態(tài)氮的設(shè)定值為1，溶解氧的設(shè)定值為2，圖中的subsystem1模塊為溶解氧的PI控制器，subsystem2模塊為硝態(tài)氮的PI控制器，左上角的measure模塊為測量模塊，其余模塊為被控對象的組成部分。

圖4 在SIMULINK環(huán)境中搭建的BSM1 Fig.4 BSM1 established in Simulink

將仿真時(shí)間設(shè)定為[0，2]，并使用表1中的PI參數(shù)，干擾為國際水協(xié)會提供的干燥天氣的入水?dāng)?shù)據(jù)，其中入水流量如圖3所示，即可以得到如圖5和如圖6的仿真結(jié)果。從圖6可以看出溶解氧的控制較為精確，這是因?yàn)槿芙庋蹩梢酝ㄟ^外部補(bǔ)充，從而使得溶解氧達(dá)到穩(wěn)定，因此PI控制器基本能夠?qū)⑷芙庋蹩刂品€(wěn)定。另外，從圖5可以看出，硝態(tài)氮的控制非常糟糕，甚至連達(dá)到穩(wěn)定都很難。這主要是因?yàn)橄鯌B(tài)氮的穩(wěn)定純粹依賴污水處理系統(tǒng)內(nèi)部的處理能力，同時(shí)進(jìn)水中不斷變化的組分濃度對硝態(tài)氮的影響非常大。所以，需要一個行之有效控制算法來控制硝態(tài)氮含量。那么接下來將建立基于LSSVM的預(yù)測控制仿真模型，并驗(yàn)證該控制算法能對硝態(tài)氮進(jìn)行有效控制。

圖5 BSM1閉環(huán)模型仿真SNO，2的變化曲線Fig.5 The curve of SNO，2in simulation of BSM1 closed loop model

圖6 BSM1閉環(huán)模型仿真SO，5的變化曲線Fig.6 The curve of SO，5in simulation of BSM1 closed loop model

圖7 預(yù)測控制的結(jié)構(gòu)框圖Fig.7Structure of predictive control

2 基于LSSVM的預(yù)測控制

模型預(yù)測控制的結(jié)構(gòu)如圖7所示。

預(yù)測控制實(shí)際上就是在每一個采樣時(shí)間對預(yù)測控制器的內(nèi)部模型進(jìn)行尋優(yōu)，從而得到下一時(shí)刻控制器的最優(yōu)輸出。由于預(yù)測控制引入了對象的實(shí)際輸出作為內(nèi)部模型的誤差補(bǔ)償，所以預(yù)測控制是一個閉環(huán)控制。對于一些非線性程度不強(qiáng)的被控對象，預(yù)測控制基本可以達(dá)到比較好的效果。

由于預(yù)測控制器在每個步長都要進(jìn)行優(yōu)化，所以其控制器的及時(shí)性比較差。但是對于過程控制來說，控制周期比較長，因此預(yù)測控制在過程控制系統(tǒng)中的控制效果一般會比較好。但是，整個控制系統(tǒng)的性能很大程度上取決于預(yù)測模型的精確度。傳統(tǒng)預(yù)測控制方法提供了兩種形式的內(nèi)部模型，分別是參數(shù)模型和非參數(shù)模型。但是這兩種模型均是在對被控對象進(jìn)行了一定線性化的假設(shè)之后，才能得出的模型。對被控對象這樣的處理會導(dǎo)致預(yù)測控制器內(nèi)部模型的不精確。對于污水處理過程對象來說，擾動量不止一個，并且對被控對象的影響非常大。所以，對于污水處理過程這樣一個非線性強(qiáng)耦合、多擾動的對象，傳統(tǒng)的預(yù)測控制很難達(dá)到要求。

圖8 基于LSSVM的污水處理過程對象模型的結(jié)構(gòu)Fig.8 Structure ofobject model of wastewater treatment process based on LSSVM

綜上所述，傳統(tǒng)預(yù)測控制嚴(yán)格的結(jié)構(gòu)造成了其在污水處理上的應(yīng)用的困難。為了達(dá)到污水處理過程控制的要求，需要一個非線性模型作為預(yù)測控制器的內(nèi)部模型。本文采用LSSVM來建立硝態(tài)氮預(yù)測模型，作為預(yù)測控制器的內(nèi)部模型。預(yù)測控制內(nèi)部的優(yōu)化算法則使用粒子群算法。

首先，使用BSM1的仿真結(jié)果離線訓(xùn)練基于LSSVM的污水處理過程對象模型。LSSVM的被控對象模型結(jié)構(gòu)如圖8所示，由于機(jī)理模型中的微分方程均為一階，所以被控對象當(dāng)前的輸出可以認(rèn)為與上一采樣時(shí)刻的狀態(tài)量SNO，2（k-1）和SO，5（k-1）相關(guān)。然后即可在SIMULINK環(huán)境中建立如圖9所示仿真模型，左側(cè)的subsystem模塊為基于LSSVM的預(yù)測控制器，控制器的輸出為內(nèi)回流流量，溶解氧的控制器依然使用BSM1中給出的PI控制器。由于算法的復(fù)雜性，預(yù)測控制器模塊采用S函數(shù)編寫。

將仿真時(shí)間設(shè)定為0到1，與PI控制的仿真模型使用相同的給定和干擾進(jìn)行仿真，可以得到硝態(tài)氮和溶解氧隨時(shí)間變化的曲線分別如圖10和圖11所示。

圖9 基于LSSVM的預(yù)測控制污水處理過程仿真模型Fig.9 Simulation model ofwastewater treatment process in predictive controller based on LSSVM

如圖10所示，硝態(tài)氮的波形在時(shí)間區(qū)間[0，0.01]上就進(jìn)入了穩(wěn)定狀態(tài)。隨后，硝態(tài)氮的含量一直穩(wěn)定在區(qū)間[0.9，1.1]內(nèi)?？梢钥闯?，硝態(tài)氮含量穩(wěn)定后一直在區(qū)間[0.9，1.1]內(nèi)來回抖動。這是因?yàn)槿胨械慕M分隨時(shí)間不斷變化，并且對硝態(tài)氮的沖擊較大，因此控制器需要一定時(shí)間調(diào)整，再加上LSSVM預(yù)測模型的誤差，所以硝態(tài)氮只能穩(wěn)定在某個區(qū)間內(nèi)。溶解氧的控制如圖11所示，可以看出溶解氧的控制效果在時(shí)間0到0.4之間受到了比較微弱的干擾。

為了PI控制器和基于LSSVM預(yù)測控制器的控制效果更加明顯，在兩種控制模型中引入IAE準(zhǔn)則：

式（1）中，e（t）為實(shí)際輸出與給定的誤差，

tf為采樣終止時(shí)間，t0為采樣起始時(shí)間。將兩種控制策略仿真時(shí)間統(tǒng)一為[0，1]，即可得到如表2所示的IAE指標(biāo)：

圖10 基于LSSVM的預(yù)測控制下的硝態(tài)氮仿真結(jié)果Fig.10 Simulation result of nitrate nitrogen in predictivecontroller based on LSSVM

圖11 基于LSSVM的預(yù)測控制下的溶解氧仿真結(jié)果Fig.11 Simulation result of dissolved oxygen in predictive controller based on LSSVM

表2 兩種控制策略下的IAE指標(biāo)Tab.2 IAE indexes in two control strategy

基于LSSVM預(yù)測控制策略的SNO，2的IAE指標(biāo)只有PI控制策略下硝態(tài)氮的IAE指標(biāo)的10%，不難看出基于LSSVM預(yù)測控制策略對硝態(tài)氮的控制效果較好。由于SO，5依然采用PI控制策略，并且基于LSSVM預(yù)測控制策略下內(nèi)回流流量的變化較為劇烈，對SO，5產(chǎn)生了一定影響，所以基于LSSVM預(yù)測控制策略下SO，5的IAE指標(biāo)比PI控制策略下稍大，但是從圖11來看，SO，5依然能夠穩(wěn)定在給定±0.04附近。

3 結(jié)論

本文從傳統(tǒng)預(yù)測控制的缺點(diǎn)出發(fā)，對傳統(tǒng)預(yù)測控制算法進(jìn)行了改進(jìn)。使用非線性擬合效果更好的LSSVM代替了傳統(tǒng)預(yù)測控制中的預(yù)測模型，并使用尋優(yōu)效果更好的粒子群算法代替了傳統(tǒng)預(yù)測控制原來的優(yōu)化算法。并使用這種新的預(yù)測控制算法對硝態(tài)氮進(jìn)行控制。

經(jīng)過仿真可以看出，傳統(tǒng)的PI控制器只能使得硝態(tài)氮穩(wěn)定在區(qū)間[0.2，1.4]內(nèi)，根本無法達(dá)到需求的控制效果。但是本文提出的新的控制算法可以將硝態(tài)氮含量穩(wěn)定在區(qū)間[0.9，1.1]內(nèi)，并且可以將硝態(tài)氮在仿真開始的0.01秒內(nèi)達(dá)到穩(wěn)定。綜上所述，基于LSSVM的預(yù)測控制算法不僅可以使得難以控制的硝態(tài)氮穩(wěn)定，還可以使得硝態(tài)氮含量在一個較短的時(shí)間內(nèi)收斂。

參考文獻(xiàn)

[1] 席裕庚，李德偉，林姝. 模型預(yù)測控制——現(xiàn)狀與挑戰(zhàn)[J]. 自動化學(xué)報(bào)，2013，03：222-236. Y G Xi，D W Li，Z Lin. Model Predictive Control --Status and Challenges[J]. ActaAutomaticaSinica，2013，03：222-236.

[2] 席裕庚，李德偉. 預(yù)測控制定性綜合理論的基本思路和研究現(xiàn)狀[J]. 自動化學(xué)報(bào)，2008，10：1225-1234. Y G Xi，D W Li. Fundamental Philosophy and Status of Qualitative Synthesis of Model Predictive Control[J]. ActaAutomaticaSinica，2008，10：1225-1234.

[3] 戴文戰(zhàn)，婁海川，楊愛萍. 非線性系統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測控制研究進(jìn)展[J]. 控制理論與應(yīng)用，2009，05：521-530. W H Dai，H C Lou，A P Yang. An overview of neural network predictive control for nonlinear systems[J]. Control Theory & Applications. 2009，05：521-530.

[4] 許芳. 快速模型預(yù)測控制的FPGA實(shí)現(xiàn)及其應(yīng)用研究[D].吉林大學(xué)，2014. F Xu. FPGA Implementation and Application of Fast Model Predictive Control[D]. Jilin： Jilin University，2014.

[5] 段向軍. 基于神經(jīng)網(wǎng)絡(luò)的預(yù)測控制方法研究[D].大慶石油學(xué)院，2005. X J Duan. Research on predictive control method based on Neural Network[D]，Daqing： Northeast Petroleum University，2005.

[6] 安寶冉. 基于預(yù)測控制的網(wǎng)絡(luò)化系統(tǒng)若干控制問題研究[D].哈爾濱工業(yè)大學(xué)，2014. B R An. Several control problems of networked systems based on predictive control[D]. Harbin： Harbin Institute of Technology.

[7] 顧夏聲.污水處理數(shù)學(xué)模型（第二版）[M].北京：清華大學(xué)出版社，1993. X S Gu. Mathematical model of wastewater treatment[M]. 2nd，Beijing： Tsinghua University press，1993.

[8] 劉幫，秦斌，彭小玉. 污水出水水質(zhì)的SVR建模[J]. 新型工業(yè)化，2015，01：45-48. B Liu. Modeling of Wastewater Effluent water Quality on Support Vector Regression Machine[J]. The Journal of New Industrialization，2015，01：45-48.

[9] 王劍，周洪亮，何朕. 基于模型預(yù)測控制的混合動力汽車轉(zhuǎn)矩協(xié)調(diào)控制方法研究[J]. 新型工業(yè)化，2014，03：29-37. J Wang. Reserch on MPC Based Toeque Coordination Control Method for Hybrid Electric Vehicle[J]. The Journal of New Industrialization，2015，01：45-48.

[10] J B Zhao.Adaptive Track Predicting Control for Target Tracking Control Systems[J]. Journal of Beijing Institute of Technology（English Edition），2006，01：62-65.

DOI：10.3969/j.issn.2095-6649.2015.08.006

*基金項(xiàng)目：湖南省研究生創(chuàng)新基金（CX2015B564）。

作者簡介：宋翼頡（1991-），男，湖南工業(yè)大學(xué)碩士研究生，主要研究方向：復(fù)雜過程建模，控制與優(yōu)化；王欣（1971-），女，教授，博士，主要研究方向：復(fù)雜過程建模，機(jī)器學(xué)習(xí)。

Prediction Control of Wastewater Treatment Process Based on LSSVM

SONG Yi-jie, WANG Xin
(College of electrical engineering, Hunan University of Technology, Zhuzhou, 412007)

ABSTRACT:In view of the characteristics of difficult control of nitrate nitrogen in wastewater treatment process, a model predictive control algorithm based on LSSVM is proposed, which can improve the accuracy and efficiency of control. Simulation results show that under the same disturbance, nitrate concentrationscan be stable between 1 ± 0.1by predictive control algorithmbased on LSSVM. But nitrate concentrations can be stable between 0.1 to 1.2 by PI controller. So the performance of predictive control algorithmbased on LSSVM is better than PI.

KEYWORDS:Wastewater treatment process; Least squares support vector machine(LSSVM); Model predictive control