基于量子遗传算法的污水处理过程节能优化控制方法
【技术领域】
[0001] 本发明涉及环保控制领域，更具体地，涉及一种基于量子遗传算法的污水处理过 程节能优化控制方法。其综合考虑出水水质、曝气和栗送能耗及污泥废物处理费用，动态优 化污水处理系统的污泥废物处理、回流与曝气能耗等运行费用，并由模糊神经网络控制器 实时调节鼓风机曝气量和污泥栗回流量，以实现污水处理过程的优化控制。
【背景技术】
[0002] 随着经济社会的飞速发展，水污染日益严重，已经威胁到了所有生物的生存，研究 并推广高效、稳定、经济的污水处理新技术已引起世界各国的高度重视。
[0003] 然而，污水处理系统是一门涉及化学、物理、生物等多门学科的综合性技术，处理 过程中流量、组分和浓度都在不断地变化，环境条件和系统本身的特性也在不断地变化，影 响着处理系统中物质传递、迀移和转化过程的平衡。在污水处理系统中，D0(溶解氧)浓度和 MLSS(微生物)浓度是影响污水处理系统稳定性的重要参数。溶解氧过高会加速消耗污水中 的有机物，使微生物因缺乏营养而引起活性污泥的老化，长期过高的溶解氧会降低活性污 泥的絮凝性能和吸附能力，增加能耗，导致悬浮固体沉降性变差，出水水质变差;溶解氧的 水平过低，使污泥活性降低，会抑制生物对有机物的降解，产生污泥膨胀，为此实现D0浓度 的优化控制，对污水处理效果与运行费用均非常有意义。同样，微生物溶度的高低直接影响 到污水处理系统的稳定，微生物溶度不足，有机物得不到有效的降解，出水负荷偏高;微生 物溶度过高，污泥龄过长，产生污泥膨胀活污泥矿化，进而关系到出水的水质。
[0004] 因此根据进水水质水量的变化动态优化D0浓度和污泥浓度的设定值，是提高污水 处理系统处理效果、降低运行成本的一种可行性方法，也是目前亟待解决的问题。精准的控 制技术不仅可以节省污水处理运行费用，同时也是提高污水处理系统性能、保障污水处理 过程高效、稳定运行的关键。此外，通过提高污水处理过程自动化水平，还可以有效地提高 污水处理厂运行管理水平，实现污水处理厂的节能运行。
【发明内容】
[0005] 本发明为克服上述现有技术所述的至少一种缺陷(不足），首先提供一种基于量子 遗传算法的污水处理过程节能优化控制方法，该方法综合考虑出水水质、曝气和栗送能耗 及污泥废物处理费用，将量子的态矢量表达引入遗传编码来表示染色体，利用量子门作用 和更新来完成进化搜索，用以优化污水处理系统的污泥废物处理、回流与曝气能耗等运行 费用，由模糊神经网络控制器根据优化后的设定值实时调节鼓风机曝气量和污泥栗回流 量，以实现污水处理过程的优化控制，保证出水水质要求下减少运行费用，降低污水处理成 本，促进污水处理厂高效稳定运行。
[0006] 为解决上述技术问题，本发明的技术方案如下：
[0007] -种基于量子遗传算法的污水处理过程节能优化控制方法，包括下述步骤：
[0008] (1)构建用于基于量子遗传算法的污水处理过程节能优化控制方法的目标函数模 型：
[0009] (11)基于污水处理系统传统数学模型(ASM)，采用有限元分析理论和灵敏度分析 法对樽塑讲行降维分析，使系统樽塑简化：
[0011]
分别为曝气池中底物浓度和微生物浓度的变化速率，mg/ (L. d); k和 Kd分别为底物最大比利用速率常数和微生物的衰减速率，一般取1.5和O.ScrSKsS饱和常 数，取0.046Kg/m3 ;K。为氧的开关常数或称氧的饱和常数，一般取0.0002Kg/m3; Y为微生物产 率系数，取0.58kg(MLSS)/kg(B0D);
[0012 ] (12)综合考虑运行费用和出水水质两个方面，构造优化目标函数：
[00M]其中，T表示运行周期，取10天，为反应池的曝气费用，
[0015]
[0016]其中Af为在溶解氧浓度为D0f时转移单位质量氧所需费用，取0.9元/kg(0 2)，D0f取 1.5mg/L，0s为饱和溶解氧浓度，取8.5mg/L，曝气池的体积V = 2500m3; WSR为回流污泥费用，
，B为单位污泥回流量所需费用，取0.045元/m3，X r为回流污泥中 的微生物量，取6.01^(11^3)/1113，^^为污泥废物排放量；1^为污泥废物处理费，
C为单位污泥废物处理所需费用，取1.2元/kg(MLSS);
[0017] (13)目标函数模型约束条件：目标函数约束即污水处理系统传统数学模型中的物 料平衡方程，输出约束即出水水质约束，执行器约束包括:操作变量0<D0<0 S，Qw>0，PS-P (T) 2 0，PS为允许排放的有机物总量，P(T)就表示每个周期排放的有机物总量；
[0018] (2)优化控制算法的实现，米用量子遗传算法，将量子的态矢量表达引入遗传编码 来表示染色体，以实现目标函数优化，得到两个模糊神经网络控制回路的溶解氧和污泥溶 度的设定值最优解；
[0019] 量子遗传算法以量子计算中的一些概念和理论为基础，将量子的态矢量表达引入 遗传编码来表示染色体，利用量子逻辑门实现染色体的演化，并可将量子比特的几率幅度 表示应用于染色体的编码，使得一条染色体可以表达多个态的叠加，利用量子门作用和更 新来完成进化搜索，从而实现了目标的优化求解；
[0020] ①量子比特编码
[0021]用遗传算法中的二进制编码，对污水处理优化目标函数模型进行量子编码;量子 遗传算法用一个或多个量子比特存储和表达一个基因，再由这些个量子比特表达的基因构 成一条染色体;一条采用多量子比特编码m参数的染色体q表示为
[0023] 其中，<表示第代，第j个体的染色体；（)表示第V代，第j个体的染色体
的量子比特编码，1 < i <m，l < 1 < k，k表示编码每一个基因的量子比特数;m表示染色体的 基因个数；
[0024] 这里将种群各个个体的量子比特编码(α，β)都初始化为 体所表达的全部可能状态是等概率的；
[0025]②量子门更新
[0026]量子计算中通过选择量子旋转门作用于量子的叠加态，使其发生相互干涉，产生 相位改变，从而改变其各基态所对应的概率幅，实现染色体的更新进化;量子旋转门的调整 操作为：
[0028] 其更新过程如下：
[0030] 其中，和代表染色体第i个量子比特旋转门更新前后的概率幅； 为旋转角，它的大小和符合由事先设计的调整策略确定；
[0031] 由上式得出a'i和杉'1分别为：
[0033] 所以 | c/ 土 12+ | β' 土 12 = [aicosOO-PisinOi) ]2+[α?8；?η(θ?)+β?(308(θ?) ]2 = | ai 12+1 2= 1可知变换之后I a、12+ I 12的值仍为1;
[0034] ③量子遗传算法具体步骤为：
[0035]步骤1:初始化种群Q(to)，随机生成η个以量子比特为编码的染色体；
[0036]步骤2:对初始种群中Q(to)的每个个体进行一次测量，得到对应的确定量P(to);
[0037] 步骤3:对各确定解进行适应度评估；
[0038] 步骤4:记录最优个体和对应的适应度；
[0039]步骤5:判断计算过程是否可以结束，若满足结束条件则退出，否则继续计算；
[0040]步骤6:对种群中的每个个体实施一次测量，得到相应的确定解；
[0041 ]步骤7 :对各确定解进行适应度评估；
[0042]步骤8:利用量子旋转门对个体实施调整，得到新的种群Q(t+1);
[0043]步骤9:记录最优个体和对应的适应度；
[0044] 步骤10:将迭代次数t加1，返回步骤5。
[0045]算法步骤1是初始化种群Q(t〇)，种群中全部染色体的所有基因（《广/〇都被初始
，这意味着一个染色体所表达的是其全部可能状态的等概率叠加：
[0047]其中，S为该染色体的第k种状态，表现形式为一长度m的二进制(X1，X2, ···，&)，其 中xi的值为〇或者1。
[0048] 綱鱗儀請綱白州棚亍一·糧，以謝0且石廳勺解作，)={?..、乂[斯， <为第V代种群中第j个解(第j个个体的测定值），表现形式为长度为m的二进制串，其中每 一位为0或1，是根据量子比特的概率（|位丨|或|汉|，i = 1，2···，m)选择得到的。测量过程中为， 随机产生一个[0，1]区间的数，若它大于概率幅的平方，则测量结果取值1，否则