在線模擬智能控制策略在分段進水SBR中的應用

趙冉 孫培德 王如意 焦亮 林逸文

摘 要：本文基于全耦合活性污泥模型3號（FCASM3）開發了一套集在線監測系統與動態模擬及控制系統于一體的自適應智能控制策略，并在分段進水結合間歇曝氣的小試規模SBR系統運行中進行可靠性與技術性能評估，結果表明，（1）在線校核后的模型能夠精確模擬系統中各污染物去除狀況，尤其能夠精準描述有機物的去除，氨氮的轉化以及磷酸鹽的去除過程，能夠實時反映出SBR系統中的真實情況；（2）完成了基于模型預測控制的溶解氧動態優化，實現了溶解氧隨水質動態變化的自適應智能化控制；（3）分段進水和間歇曝氣相結合，獲得最佳的同時脫氮除磷的SBR工藝運行方式。

關鍵詞：FCASM3；動態水質監測；動態模擬；自適應智能控制；SBR

中圖分類號：X703 文獻標識碼：A 文章編號：1671-2064（2018）14-0011-04

近年，隨著污水排放標準的提升，眾多污水處理廠面臨著提標改造的難題，在污水處理過程中引入先進的模型和優化控制技術將變得迫切。盡管模型預測控制在污水處理廠中的應用為其帶來很大的經濟效益，但是因模型預測結果不可靠導致模型預測控制在污水處理廠的應用受到極大限制。

模型預測控制已廣泛地應用于復雜流程工業過程，但是由于生物處理過程是一個非線性系統，難以建立精確的模型，一般的模型預測控制難以達到污水處理控制精度的需求，無法自適應動態的水質變化，導致控制精度無法保證[1-3]。本文通過水質在線監測系統與模型預測控制有效結合，在一定程度上克服了由于模型預測誤差和某些不確定性干擾等的影響，實現了根據進水水質變化以及反應周期內營養物質去除情況溶解氧的自適應控制。該研究為模型預測控制的推廣運用于實際的污水處理廠中去奠定了理論基礎和技術保障，推動了污水處理廠向智能化邁進的腳步。

1 材料與方法

1.1 試驗用水及污泥

試驗用水為人工合成的模擬廢水，模擬廢水由三部分組成，分別為A液（無水乙酸鈉32.0313gL-1，無水葡萄糖23.4375gL-1）、B液（氯化銨38.2143gL-1，硫酸鎂2.025gL-1，無水氯化鈣0.45gL-1）、C液（磷酸二氫鉀4.4516gL-1）。取杭州某污水處理廠曝氣池內的污泥進行接種，采用模擬廢水進行馴化培養，每4L進水中含有A液80mL，B液30mL，C液60mL，進水后系統中的理論COD為300mg/L，NH4+ -N為30mg/L，PO43--P為5mg/L，即進水的C/N/P為300/30/5。

1.2 試驗裝置

本試驗所用反應器為10L的序批式活性污泥反應器（Sequencing Batch Reactor，SBR），如圖1所示。試驗室設有在線監測系統，SBR反應器和中央控制系統，形成集監測、模擬與控制為一體的智能化SBR系統。在線監測系統主要由在線COD監測儀（HACH），在線NH4+-N，NOX--N監測儀（WTW），在線PO43--P監測儀（WTW），在線溶解氧監測儀（Tengine-EDO），在線pH監測儀（Bacac-pH221A）等組成。

SBR反應器在25±1℃環境下運行，工藝流程設置如圖2所示。反應器每天運行3個周期，每個周期8h，工序及時間設置為進水（2min）、缺氧攪拌（60min）、好氧曝氣（120min）、進水（2min）、缺氧攪拌（90min）、好氧曝氣（180min）、沉淀（20min）、排泥（2min）、排水（4min）。每周期進兩次營養液，每次進1.65L，排水比為1/3，水力停留時間（hydraulic retention time，HRT）為24h，控制系統污泥濃度（mixed liquor suspended solids，MLSS）為2500mgL-1，污泥停留時間（solids retention time，SRT）為10d。反應器運行過程中磁力攪拌器攪拌速度控制在200轉/分鐘，缺氧階段的溶解氧（dissolved oxygen，DO）濃度為0.3mgL-1，好氧曝氣階段控制曝氣泵開關調節DO在1mg L-1～4mgL-1范圍。由0.5MNaOH溶液和0.5MHCl溶液調節pH在7.0～7.5的范圍內。

1.3 分析方法

使用水質在線監測儀表對SBR反應器內營養物質去除情況進行在線監測分析，監測點分布如圖2箭頭所示。所有采集的樣品均經0.45um的定性濾紙過濾之后，由在線儀表進行分析測定。

2 結果與討論

2.1 模型校核與驗證

模型預測控制非常依賴模型的準確性，因此對模型的校核必不可少。本文借鑒國際上通用的做法，采用靈敏度分析的方法，對FCASM3模型中重要的參數進行校正[4][5]，所使用的校核數據為SBR系統穩定運行30天的試驗結果。

結果表明，基于FCASM3機理模型建立的分段進水的SBR工藝模型能夠對SBR系統的生物處理過程進行精確模擬。由圖3（A）可知，校核完成的SBR工藝模型能夠對系統中COD的去除過程進行很好的描述，模型模擬值與實測值之間的相對誤差不超過10%。由圖3（B）可知，校核完成的SBR工藝模型能夠對系統硝化反應過程進行很好的描述，出水氨氮模擬值與實測值之間的偏差很小。從圖3（C）中可以看出，校核完成的SBR工藝模型能夠對系統生物除磷過程進行很好的描述。

2.2 自適應控制策略

由于生化過程通常存在非線性、時變性與隨機干擾等因素，模型預測不可能與實測值完全相同，本試驗在溶解氧優化控制過程中，將在線監測系統與模型預測控制有效結合，通過引入在線數據對模型進行多次校正的方式，縮小實測值與模擬值之間的相對偏差。

考慮在線儀表測量間隔，設定每隔20分鐘進行一次DO優化，DO取值區間1mg/L～4mg/L，以0.5mg/L作為優化步長，通過模型計算滿足約束條件的DO值。以在線監測系統所測的實測值作為初始值進行模擬，并判斷模型預測結果是否滿足約束條件（COD<50mg/L，NH4+-N<5mg/L，PO43--P<0.5mg/L），如果不滿足，則以DO取值區間內最大的值作為DO設定值（4mg/L）；如果滿足，則選擇滿足約束條件且最小的DO值為DO設定值，并通過控制曝氣泵開關使得溶解氧在DO設定值范圍。

2.3 控制策略可行性評估

對于分段進水的SBR系統而言，系統采用的是缺氧/好氧交替運行的方式，好氧反應過程中殘留過高的溶解氧會對缺氧反應過程中的生物脫氮和除磷過程有較大影響[6]，須對好氧曝氣階段的溶解氧進行控制。本試驗設置兩個試驗組對其進行可行性評估。試驗組設置為：

R1：以分段進水結合間歇曝氣的運行方式，采用自適應控制策略控制SBR系統曝氣階段的溶解氧濃度。

R2：以分段進水結合間歇曝氣的運行方式，采用手動設定的控制方式，控制曝氣階段的溶解氧為4mg/L。

以總氮和磷酸鹽去除情況結果如圖4所示。圖4描述了15天的試驗過程中各試驗組中總氮以及磷酸鹽的去除情況。從圖4（A）中可以看出R1的總氮去除率較R2要高出15%左右。由圖4（B）可知，R1磷酸鹽的去除率達到100%，而且遠高于R2。結果表明，以自適應控制策略控制的R1總氮及磷酸鹽的處理效果最好且穩定，說明自適應控制策略對溶解氧的控制提高了生物脫氮除磷的效率，而且很好地避免了曝氣階段剩余過高的溶解氧進入缺氧。

以自適應控制策略對系統運行一個周期內的污染物去除情況進行模型預測控制以及在線監測分析，如圖5。圖5（A）展示了模型對一個反應周期內COD變化預測情況與在線監測系統實測情況，第一段COD模擬值與實測值吻合程度較差，可能是由于模型在進水水質組分劃分時將可溶性COD分為易生物降解物質（SS）和溶解惰性有機物（SI）過于簡單化，沒有細化系統的進水組分造成的[7]；第二段缺氧過程中COD的消耗很快。圖5（B）呈現了模型對一個反應周期內NH4+-N變化預測情況與在線監測系統實測情況，模型模擬值與實測值之間的偏差很小。圖5（C）繪制了模型對一個反應周期內NOX--N變化預測情況與在線監測系統實測情況，NOX--N為NO3--N和NO2--N之和，模型模擬值與實測值之間的偏差很小，不超過10%。圖5（D）反映了模型對一個反應周期內總氮變化預測情況與在線監測系統實測情況，模擬值與實測值之間的偏差較大，主要是因為總氮為氨氮、硝酸鹽氮和亞硝酸鹽氮之和。圖5（E）反映了模型對一個反應周期內磷酸鹽變化預測情況與在線監測系統實測情況，很好模擬了聚磷菌釋放磷酸鹽和過度吸收磷酸鹽過程，表明第二段釋放磷酸鹽的量明顯要比第一段的少，原因是第二段有機碳源不足。圖5（F）反映了周期內溶解氧自適應調控過程，溶解氧隨系統內污染物濃度變化而改變。

結果表明，基于FCASM3機理模型的分段進水的SBR工藝模型能夠對SBR系統全周期內的營養物質去除情況進行精確模擬，而且自適應控制策略的應用使得溶解氧可以根據系統內污染物去除情況自動調整。溶解氧的自適應控制不僅有利于提高系統的脫氮效率而且對于磷酸鹽的去除還有一定的促進作用，對于有機物的利用更加充分，極大地提高了系統脫氮除磷的效率。

3 結語

本文開發了一套基于FCASM3機理模型的模型預測控制，并將其成功應用于實驗室小試規模的SBR系統中，獲得了以下結論：

（1）在線校核后的模型能夠很好的模擬系統中各污染物去除情況，對有機物的去除，氨氮的轉化以及磷酸鹽的去除過程描述的較準確，能夠較好反映SBR系統中的真實情況；（2）將水質在線監測系統和模型預測控制有效結合，計算曝氣階段的最佳溶解氧值，并以該最佳溶解氧值作為曝氣階段的控制目標值，實現了溶解氧的自適應控制；（3）分段進水和間歇曝氣相結合，獲得最佳的同時脫氮除磷的SBR工藝運行方式。

參考文獻

[1]孫培德，宋英琦.基于微生物相互作用機理的完全耦合活性污泥模型研究[J].環境科學學報，2006，26（9）：1559-1567.

[2]Kandare， G.， Reviriego， A. Adaptive predictive expert control of dissolved oxygen concentration in a wastewater treatment plant[J].Water Science and Technology， 2011，64（4）：1130-1140.

[3]陳一波.智能化SBR污水處理系統的設計與實現[D].杭州：浙江工商大學，2012.

[4]Yang， M.， Sun， P.， et al. Simulation and optimization of ammonia removal at low temperature for a double channel oxidation ditch based on fully coupled activated sludge

model （FCASM）： a full-scale study[J].Bioresour Technol，2013，143（9）：538-548.

[5]Luo， T.， Yang， M.， Jingyi Han， et al. A novel model-based adaptive control strategy for step-feed SBRs dealing with influent fluctuation[J].Bioresour. Technol. 2014，167：476-483.

[6]王淑瑩，顧升波，楊慶，彭永臻.SBR工藝實時控制策略研究進展[J].環境科學學報，2009，29（6）：1121-1130.

[7]Hu， Z.， Wentzel， M.， Ekama， G. A general kinetic model for biological nutrient removal activated sludge systems： Model evaluation[J].Biotechnology and Bioengineering， 2007，98（6）：259-1275.