基于GA-ANN模型的A2/O工藝運行參數優化

邱 微，吳克祥，江 進，赫俊國，袁一星

(1.哈爾濱工業大學 市政環境工程學院，哈爾濱150090；2.城市水資源與水環境國家重點實驗室(哈爾濱工業大學)，哈爾濱150090)

基于GA-ANN模型的A2/O工藝運行參數優化

邱 微1,2，吳克祥1,2，江 進1,2，赫俊國1,2，袁一星1,2

(1.哈爾濱工業大學 市政環境工程學院，哈爾濱150090；2.城市水資源與水環境國家重點實驗室(哈爾濱工業大學)，哈爾濱150090)

影響A2/O工藝運行的參數有許多，這些因素相互聯系、相互作用，影響工藝效率.為了彌補控制單一變量法或者設計正交試驗法的不足，綜合考察多種運行參數對工藝運行效果的影響，建立了基于遺傳算法進行全局尋優的神經網絡模型(GA-ANN模型)，并應用于某城市污水處理廠A2/O工藝的運行優化.獲得該廠調試運行期間154組有效監測數據后，隨機選取2/3的數據用于GA-ANN模型的求解，1/3的數據用于模型的檢驗，對工藝運行參數進行優化，得到最佳運行參數組合.結果顯示,建立基于遺傳算法的神經網絡模型用于A2/O工藝運行參數的優化是可行的，可以為污水處理廠運行參數的設置提供理論參考，對調試工作、提高工藝運行效率具有一定的實際指導意義.

城市污水；A2/O；運行參數；GA-ANN模型

A2/O工藝是目前污水處理廠處理城市污水的主流工藝[1]，主要分為厭氧段、缺氧段、好氧段[2].由于該工藝將多種功能菌群置于同一系統中，且系統在厭氧、缺氧、好氧狀態下交替運行，不可避免地會引起系統內的菌群基質競爭以及其他一些固有矛盾.功能菌群對水體中營養物質、生存空間的競爭及由生存環境引起的矛盾等構成了A2/O工藝固有的不足.實際上，影響A2/O工藝系統性能的因素有許多，如污泥齡(SRT)、各區段溶解氧(DO)質量濃度、混合液回流比(R)、污泥回流比(r)、水力停留時間(HRT)、水體溫度(T)、pH等.這些參數對A2/O工藝的運行會產生復雜的綜合影響，對這些參數進行優化，對于提高A2/O工藝的運行效率十分有意義.近年來，國內外學者對A2/O工藝參數的優化進行了探究.Wang等[3]考察了長污泥停留時間對A2/O工藝生物除磷的影響.Zhang等[4]研究了優化體積比對A2/O-BCO(生物接觸氧化)工藝脫氮除磷的影響.Chen等[5]則對硝酸鹽回流比對A2/O-BAF聯用工藝處理效果的影響進行了研究.吳昌永[6]分別考察了SRT、R、r、DO等多個參數對A2/O工藝性能的影響.李永峰等[7]探究了HRT對A2/O工藝系統脫氮除磷效率的影響.劉云雪等[8]考察了r對A2/O工藝運行結果的影響.王建龍等[9]通過試驗考察了R對A2/O工藝效能的影響.陳昆柏等[10]則根據FCASM2-HYDRO模型分別建立了厭氧池、缺氧池、好氧池的數值模擬方程，利用有限元法并由數學軟件matlab編程求解，得到試驗的最佳運行工況.馬建立等[11]通過正交試驗得到了倒置A2/O工藝處理城鎮生活污水的最佳試驗條件.

事實上，影響A2/O工藝運行效果的各個因素之間相互聯系、相互作用[12-14].僅僅通過控制單一變量法無法將運行參數對A2/O工藝系統的綜合影響效果全面反映出來.部分學者考慮到該問題，設計了正交試驗來考察多個運行參數對工藝的影響.與控制單一變量法相比，更接近于系統復雜的實際情況.但是正交試驗也有其自身的不足.為了方便分析、減少工作量，正交試驗中對象因素和因素水平的個數不能太多.同時，正交設計試驗選取的是典型點，并未考察其他“非典型點”的情況.無疑，對于有眾多影響因素的A2/O工藝，正交試驗仍然不能完全滿足要求.為進一步得到相對更優的A2/O工藝運行參數組合，在結合前人工作的基礎上，提出一種優化A2/O工藝運行參數的新思路：建立基于遺傳算法的神經網絡模型(GA-ANN模型)，對A2/O工藝運行參數進行優化，得到最佳運行參數組合，提高工藝運行效率.

1 GA-ANN模型

1.1 神經網絡模型

神經網絡模型屬于黑箱模型(經驗模型)，具有良好的非線性逼近能力，可以實現多維空間到多維空間上的復雜映射關系，因此，可根據訓練好的神經網絡對出水指標等進行預測.目前，已有許多學者將神經網絡模型應用在污水處理建模上.如張群英[15]利用神經網絡建立了污水指標軟測量模型，仿真實驗證明模型具有較高的適用性與實用性.胡康等[16]利用神經網絡模型對A2/O工藝出水氨氮進行預測，發現預測值與真實監測值之間的相對誤差在6.5%內.可見神經網絡模型應用在模擬A2/O工藝運行脫氮除磷過程上能夠滿足要求，且精度較高.其中，BP神經網絡結構如圖1.

圖1 BP神經網絡模型的結構

圖1中in表示輸入層數；out表示輸出層結點的個數.Xin表示輸入層第i(i=1，2，…，in)個輸入樣本；Yout表示輸出層第k(k=1，2，…，out)個輸出值；Wji表示連接輸入層結點i和隱含層結點j(j=1，2，…，M)的權值；Wkj表示連接隱含層結點j和輸出層結點k的權值.輸入與輸出之間具有如下關系：

(1)

式中：θ為閾值，f(X)為激發函數；可以是線性函數，也可以是非線性函數.常用作用函數有閥值型(硬限制型)、線性型、S型函數(Sigmoid)等.

1.2 遺傳算法

遺傳算法能夠較好地處理非連續、非線性、多目標等問題，具有較好的全局尋優能力.應用遺傳算法解決相關問題，通常需要完成以下4個方面：

1)確定基本運行參數.種群大小N、進化代數T、交叉概率、變異概率.

2)染色體編碼與解碼.如使用一定長度的二進制符號串隨機表示群體中的個體.解碼時將二進制符號串轉換成為相應的十進制代碼.

3)個體適應度評價.建立合適的適應度函數，保留理想的個體.

4)遺傳算子.包括3種遺傳算子，選擇運算、交叉運算和變異運算.利用這3種運算，產生新的個體.

根據上述主要步驟以及遺傳算法的主要流程，可以方便地利用數學軟件Matlab編程來實現遺傳算法.劉載文等[17]提出了利用遺傳算法對污水處理的優化控制方法，其數值仿真結果證明，在污水處理過程中采用遺傳算法尋優是可行和有效的.

2 GA-ANN模型優化A2/O工藝運行參數

2.1 應用方法

以污泥回流比r、混合液回流比R、溶解氧質量濃度、溫度T、pH等A2/O工藝運行參數作為神經網絡模型的輸入變量，以出水中的COD、氮、磷等去除率作為輸出變量.為了更好地對參數組合進行適應度評價，達到相應要求，需要建立合適的適應度函數(即目標函數).例如，可以構造如下的一個適應度函數：

(2)

式中：f表示適應度，n表示選取的水質指標(如TN、TP、COD等)個數，Bi表示第i個水質指標的去除率，ωi表示i個水質指標去除率的權重.

適應度函數的建立是模型的關鍵點之一，應根據實際工程要求，全面考慮工藝影響參數而構造.建立適應度函數時，可以綜合考慮氮、磷等的去除率，同時為了更加接近實際情況，防止某項指標的去除結果沒達到排放標準但適應度值是最優的情況發生，最好能將是否達到排放標準考慮進去，使之在構造的適應度函數中得以體現.這時，可以構造如下的一個適應度函數：

(3)

式中：f表示適應度，n表示選取的水質指標(如TN、TP、COD等)個數，Ci表示第i個出水指標值，C0i表示第i個出水指標對應的排放標準值，φi表示i個水質指標值降低一個標準單位所產生的經濟成本指標權重.

利用神經網絡遺傳算法極值尋優模型優化A2/O工藝的運行參數，主要包括神經網絡訓練擬合和遺傳算法極值尋優兩個部分.神經網絡訓練擬合首先要構建合適的BP神經網絡，用工藝調試的輸入(即工藝運行參數)、輸出(即研究的出水指標)數據訓練BP神經網絡，訓練后的BP神經網絡可以預測輸出.遺傳算法極值尋優則把訓練后的BP神經網絡預測輸出作為個體適應度值，通過選擇、交叉、變異操作尋找工藝的全局最佳輸入和最佳輸出.基于遺傳算法全局尋優的神經網絡模型流程見圖2.

圖2 基于遺傳算法全局尋優的神經網絡模型

Fig.2 Neural network model based on the global optimization of genetic algorithm

整體來說，模型就是首先利用遺傳算法生成個體樣本，每個樣本含有污泥回流比r、混合液回流比R、溶解氧質量濃度DO、溫度T、pH等A2/O工藝的運行參數試驗值信息，進行優化時輸入該樣本個體，利用樣本數據訓練神經網絡模型，然后利用該神經網絡模型計算目標函數值，再提供給遺傳算法做判斷：“優勝劣汰”，適應度大的保留.這樣嵌套調用，就可以實現A2/O工藝運行參數的優化，獲得最優運行參數組合.

2.2 應用實例

以某城市A2/O工藝污水處理廠調試為例，借以GA-ANN模型優化工藝運行參數，使得在達到排放標準的基礎上，最大限度降低研究的出水指標值.

調試運行期間，工藝參數控制范圍如下：進水流量為3 000～6 000 m3/h、污泥回流流量為1 000～3 000 m3/h、厭氧池污泥質量濃度為2 500～5 000 mg/L、AO池缺氧段溶解氧質量濃度為0.15～0.5 mg/L、AO池好氧段溶解氧質量濃度為1.000～6.000 mg/L、AO池污泥質量濃度為2 000～5 000 mg/L.該污水處理廠調試運行期間，出水水質基本能達到污水綜合排放標準.但是，出水達標并不是處理廠的最終目標，而是在達到排放要求的基礎上合理控制成本，使得出水指標值盡可能地降低，提高污水處理廠運行效益.

根據該廠要求，主要對去除化學需氧量進行優化，在獲得該污水處理廠調試運行期間在線監測數據后，嘗試建立GA-ANN模型，以期得到COD去除效果最好時的參數組合.

輸入參數包括：進水流量(X1)、污泥回流流量(X2)、厭氧池污泥質量濃度(X3)、AO池缺氧段溶解氧質量濃度(X4)、AO池好氧段溶解氧質量濃度(X5)、AO池污泥質量濃度(X6)等.最終輸出為出水COD(Y).有效數據共有154組，隨機取其中2/3的數據用于訓練神經網絡模型，剩下1/3的數據用于檢驗建立的神經網絡模型.

GA-ANN模型利用數學軟件Matlab編程求解.神經網絡模型中，基本參數設置如下：迭代次數為100，學習速率為0.05，目標誤差為0.000 01.遺傳算法模型中，基本運行參數設定如下：種群大小N=50、進化代數T=100、交叉概率Pc=0.7、變異概率Pm=0.1.

程序運行結果如下：

(4)

圖3為檢驗樣本的預測輸出與期望輸出(實際值)的比較，圖4為檢驗樣本的輸出預測誤差百分比.圖5為遺傳算法模型的適應度曲線.即當進水流量為4 638.6 m3/h、污泥回流流量為2 559.8 m3/h、厭氧池污泥質量濃度為4 618.4 mg/L、AO池缺氧段溶解氧質量濃度為0.400 0 mg/L、AO池好氧段溶解氧質量濃度為4.000 0 mg/L、AO池污泥質量濃度為4 897.7 mg/L時，可使出水COD質量濃度最大降低到6.200 mg/L.分析可知，檢驗樣本的輸出預測相對誤差基本小于10%，且適應度曲線收斂，說明建立基于遺傳算法的神經網絡模型是可行的.

圖3 檢驗樣本的預測輸出與期望輸出比較

Fig.3 Comparison of the prediction output and the expected output of the test sample

圖4 檢驗樣本的輸出預測相對誤差

圖5 適應度曲線

對于A2/O工藝這樣一個復雜系統，影響工藝處理效率的運行參數眾多.因此，設置合適的運行參數，才能使系統運行處于較為理想的狀態.根據多年的運行經驗，A2/O工藝運行參數設計的大致范圍為：污泥回流比20%～100%，好氧池溶解氧質量濃度1～5 mg/L，缺氧池溶解氧質量濃度應≤0.5 mg/L，污泥質量濃度2 000～5 000 mg/L.但是在工程實踐中，工藝調試往往將花費大量時間同時不一定能達到調試目的.此時，倘若利用調試的前期數據，運用GA-ANN模型對A2/O工藝運行參數進行優化，不僅能快速找到較為理想的工藝運行參數組合，同時將提高工藝處理效率.由上述模型結果可以看出，求解得到的最優參數基本都在設計參數范圍內，符合實際情況，模型所得結果可以為污水處理廠的運行參數設置提供理論參考，對調試工作具有一定的實際指導意義.

2.3 結果討論

綜上，在求解模型獲得的最佳運行參數組合中，各運行參數值基本都在經驗值范圍內，這是符合實際情況的，因此，GA-ANN模型可以用于A2/O工藝運行的參數優化中.但是，神經網絡與遺傳算法自身具有局限性，此外，A2/O工藝運行的影響因素錯綜復雜，使得優化過程具有模型與工藝雙重多變的特點，在應用模型時特別要注意以下幾點：

1)由于神經網絡擬合性能的局限性，BP神經網絡的訓練預測精度對尋優結果有重大影響.因此，在網絡訓練時要采用盡量多的訓練樣本.

2)影響A2/O工藝運行的參數眾多，在建立模型時需要篩選關鍵性的影響因素，可以運用主成分分析法、聚類分析、多元回歸法等數學建模方法.

3)遺傳算法中構造合適的適應度函數非常重要.要綜合考慮相應的實際工程要求、水質排放標準、經濟成本、運行效益等各個方面.

4)根據進水水質水平不同，采集更多的水廠樣本(利用A2/O工藝，不同地域的水廠)，進行模型的優化計算和校核，可以提高模型的精確性和適用范圍.

3 結 論

1)GA-ANN模型可以將眾多的工藝運行參數加入到優化過程中，全面綜合考察各種關鍵工藝運行參數影響效果，獲得理論上可行的最佳運行參數組合，彌補了傳統方法如單一變量法或正交試驗法的不足，能為實際的A2/O工藝運行優化提供理論支撐，具有一定的推廣應用意義.

2)模型結構的確定十分重要.例如神經網絡模型的輸入變量要選取相對較重要、典型的、測量較為方便的運行參數；輸出變量要選取典型的水質指標；適應度評價時要選取合適的適應度函數，要構造合適的目標函數.

3)GA-ANN模型的建立為優化A2/O工藝的運行參數提供了新思路，對于污水處理廠的調試、運行、確定最優運行參數、提高效率、降低運行成本有重要的實際意義.

[1] 王曉蓮, 彭永臻. A2/O法污水生物脫氮除磷處理技術與應用[M]. 北京：科學出版社, 2009: 21-22.

WANG Xiaolian, PENG Yongzhen. The technology of biological nitrogen and phosphorus removal of A2/O wastewater treatment process and its application [M]. Beijing: Science Press, 2009: 21-22.

[2] 王曉蓮, 彭永臻. A2/O法污水生物脫氮除磷處理技術與應用[M]. 北京：科學出版社, 2009: 305-306.

WANG Xiaolian, PENG Yongzhen. The technology of biological nitrogen and phosphorus removal of A2/O wastewater treatment process and its application [M]. Beijing: Science Press, 2009: 305-306.

[3] CHANG Wen, WANG Jun, LI Baihang, et al. Effect of long sludge retention time on biological phosphorus removal in A2/O process [J]. Journal of Residuals Science and Technology, 2015, 12: 67-73.

[4] ZHANG Miao， PENG Yongzhen， WANG Cong， et al. Effect on denitrifying phosphorus removal by optimizing volume ratios in A2/O-biological contact oxidation (A2/O-BCO) process [J]. Journal of Southeast University (Natural Science Edition), 2015, 45(3): 531-538.

[5] CHEN Yongzhi， PENG Chengyao， WANG Jianhua, et al. Effect of nitrate recycling ratio on simultaneous biological nutrient removal in a novel anaerobic/anoxic/oxic (A2/O)-biological aerated filter (BAF) system [J]. Bioresource Technology, 2011, 102(10): 5722-5727.

[6] 吳昌永. A2/O工藝脫氮除磷及其優化控制的研究[D]. 哈爾濱：哈爾濱工業大學, 2010.

WU Changyong. Optimazation of biological nitrogen and phosphorus removal in A2/O wastewater treatment process [D]. Harbin: Harbin Institute of Technology, 2010.

[7] 李永峰, 潘欣語, 楊建宇. A2/O工藝中HRT對系統脫氮除磷效率的影響[J]. 哈爾濱商業大學學報(自然科學版), 2011, 27(4): 567-569.

LI Yongfeng, PAN Xinyu, YANG Jianyu. Effect of HRT on performance of nitrogen and phosphorus removal by A2/O process [J]. Journal of Harbin University of Commerce(Natural Sciences Edition),2011,27(4):567-569.

[8] 劉云雪, 吳建平, 高建磊. 污泥回流比對A2/O工藝脫氮除磷效果的影響[J]. 工業用水與廢水, 2011, 42(4): 31-33.

LIU Yunxue, WU Jianping, GAO Jianlei. Effect of sludge return ratio on nitrogen and phosphorus removal by A2/O process [J]. Industrial Water & Wastewater, 2011 ,42(4): 31-33.

[9] 王建龍, 彭永臻, 高永青. 內循環對A2/O工藝脫氮的影響[J]. 北京工業大學學報, 2008, 34(5): 540-542.

WANG Jianlong, PENG Yongzhen，GAO Yongqing. The influence of inner loop of nitrogen of A2/O process [J]. Journal of Beijing University of Technology, 2008, 34(5): 540-542.

[10]陳昆柏, 宋英琦, 孫培德, 等. A2/O工藝污水處理廠運行參數優化的數值模擬[J]. 環境科學學報, 2008, 28(4): 805-806.

CHEN Kunbai, SONG Yingqi, SUN Peide, et al. Simulation and optimization of operational parameters of the A2/O process for wastewater treatment plants [J]. Acta Scientiae Circumstantiae, 2008, 28(4): 805-806.

[11]馬建立, 籍鵬飛, 盧學強, 等. 整體合建A2/O工藝中試試驗及參數優化[C]//全國城鎮污水處理廠除磷脫氮及深度處理技術交流大會論文集. 天津：中國給水排水, 2010: 92-93.

MA Jianli, JI Pengfei, LU Xueqiang, et al. Pilot test and parameter optimization of the overall A2/O process construction [C]//The Urban Sewage Treatment Plant Nitrogen and Phosphorus Removal from Deep Processing Technology Exchange Conference Proceedings. Tianjin: China Water & Wastewater, 2010: 92-93.

[12]AI Hainan, LI Maolin, HE Qiang. Simulation and optimization of denitrifying phosphorus removal in A2/O [J]. Advanced Materials Research, 2012, 374-377: 553-559.

[13]PALMER M, FRITZ J. Process design parameters for Chinese municipal wastewater treatment plants [J]. Water Quality Research Journal of Canada, 2004, 39(2): 103-112.

[14]LU Peili, LI Zhenliang. Modeling and simulation of the activated sludge process at a full-scale WWTP [J]. Advanced Materials Research, 2012, 599: 505-509.

[15]張群英. 神經網絡在工業污水處理建模中的應用[J]. 計算機仿真, 2012, 29(3): 259- 261.

ZHANG Qunying. Research on industrial sewage disposal model based on neural network [J]. Computer Simulation, 2012, 29(3): 259-261.

[16]胡康, 萬金泉, 馬邕文, 等. 基于模糊神經網絡的A2/O工藝出水氨氮在線預測模型[J]. 中國環境科學, 2012, 32(2): 264-266.

HU Kang, WAN Jinquan, MA Yongwen, et al. Online prediction model based on fuzzy neural network for the effluent ammonia concentration of A2/O system [J]. China Environmental Science, 2012, 32(2): 264-266.

[17]劉載文, 張春芝, 王小藝, 等. 基于遺傳算法的污水處理過程優化控制方法[J]. 計算機與應用化學,2007,24(7): 959-961.

LIU Zaiwen, ZHANG Chunzhi, WANG Xiaoyi, et al. Method of optimal control for wastewater treatment process based on genetic algorithms [J]. Computers and Applied Chemistry, 2007,24(7): 959-961.

OptimizationoftheA2/OtechnologicalparametersbasedonGA-ANNmodel

QIU Wei1,2, WU Kexiang1,2, JIANG Jin1,2, HE Junguo1,2, YUAN Yixing1,2

(1.School of Municipal & Environmental Engineering, Harbin Institute of Technology, Harbin 150090, China; 2.State Key Laboratory of Urban Water Resources and Environment (Harbin Institute of Technology), Harbin 150090, China)

A2/O process is one of the major processes in municipal waste water treatment, but many parameters affect the operation effect of A2/O process. And these parameters interact with each other, affecting the efficiency of the process. In order to make up the insufficience of single variable control method or orthogonal designing method, it establishes the neural network model (GA-ANN model) based on genetic algorithm. The model has been applied to an urban waste water treatment plant by A2/O process optimization. During the commissioning operation of the plant, it has obtained 154 effective monitoring data, and 2/3 of the data has been randomly selected for the GA-ANN model, and 1/3 of the data has been used for the model test. The process parameters have been optimized and get the best combination of operating parameters. The results show that it is feasible to establish the neural network model based on the genetic algorithm for the optimization of the A2/O process operation parameters. It can provide the theoretical reference for setting operation parameter of the waste water treatment plant. And it is also helpful to the practical production and application for adjustment and improvement of the operation efficiency.

municipal sewage; A2/O; operating parameter; GA-ANN model

10.11918/j.issn.0367-6234.201607057

TU992.3

A

0367-6234(2017)09-0117-05

2016-07-14

城市水資源與水環境國家重點實驗室(哈爾濱工業大學)自主課題(2016TS02); 黑龍江省自然科學基金委面上項目(E201427); 國家留學基金資助

邱 微(1980—)，女，副教授，碩士生導師;江 進(1979—)，男，教授，博士生導師;赫俊國(1970—)，男，教授，博士生導師;袁一星(1957—)，男，教授，博士生導師

赫俊國，junguohe@263.net

(編輯劉 彤)