基于模型的六箱一体化工艺优化控制研究*

陈文亮,吕锡武,姚重华

(1.东南大学，能源与环境学院，江苏 南京 210096；2.华东理工大学，资源与环境工程学院，上海 200237；3.无锡太湖水环境研究中心，江苏 无锡 214135)

活性污泥法是最常见的污水处理方法[1-3]，但是很难对它进行预测和控制，主要在于：1)进水水量水质波动较大；2)工艺的高度非线性[4]；3)复杂的污染物去除机理，比如P的去除[5].即便如此，研究人员还是提出了各种各样的优化控制方法：比如在A2/O工艺中，硝化性能可以通过控制好氧池中的溶解氧(DO)进行调节[6]；反硝化效果可以通过提高混合液回流量或者外加碳源进行加强[7]；在SBR工艺中，阶段运行时间可以通过时间控制器自动调节．以往的文献中，诸如PH，OPR，DO等物理化学参数的应用较多[8-10]，它们可以用来确定硝化作用和反硝化作用的终点等；也有通过查看参数相对变化速率进行自动控制的研究[11-12].

随着在线监测器技术的发展，水质组分：氨氮(SNH4)，硝态氮(SNO3)和正磷酸盐(SPO4)的检测变得越来越便捷准确，污水处理工艺的实时控制也变得更加方便[13-15].而且随着数学模型的发展[16]，污水处理工艺的优化控制也变得更为容易[17-18].

较好的出水水质并不是污水处理工艺优化控制的唯一目标，运行能耗对于污水处理厂的正常运行也非常重要[19].与出水水质衡量的标准不同，运行能耗是以费用进行计算的，而且具有地域性.为了将两个目标简化为一个，很多的研究提出了成本函数(cost function，CF)的方法，就是将出水水质转化为费用[20].CF法虽然简单，但是一旦转化函数确定，两个目标之间的权衡关系(trade-offs)就确定了，决策者没有其它选择的余地[21].近几年中，有少量的文献研究了污水处理工艺的多目标优化问题[22-24].

本文在同时考虑出水水质和运行能耗的基础上，运用多目标优化方法对活性污泥工艺中的控制问题进行了优化研究.

1 实验材料与方法

1.1 六箱一体化工艺

东南大学研发的六箱一体化生活污水脱氮除磷工艺[25]结合了Unitank工艺和A2/O工艺的特点：每个阶段的流程均为A2/O工艺，周期运行的方式又类似于Unitank工艺.六箱一体化工艺的主体包括5个生化反应池和1个沉淀池，工艺流程如图1所示.每个生化反应池的尺寸为280 mm×240 mm×900 mm，沉淀池尺寸为360 mm×280 mm×900 mm，有效水深均为700 mm，相邻池子之间共用池壁.每个生化反应池安装曝气器和搅拌器，可以根据工艺的不同阶段实现好氧或缺氧/厌氧状态.六箱一体化工艺采用周期性的运行方式，每个周期包括上下对称的两个半周期，分别为：阶段一，阶段二，阶段三，阶段四，阶段五以及阶段六.因此六箱一体化工艺没有设置混合液回流，只需污泥回流即可.六箱一体化工艺的进出水、进气、污泥回流以及排泥管路都安装有电磁阀，运行方式可以通过PLC自动进行控制.

① 进水；② 出水；③ 排泥；④ 回流污泥

1.2 两种阶段时间的控制策略

六箱一体化工艺设计的阶段时间分别为：180 min，180 min，120 min，180 min，180 min，120 min.虽然固定的阶段时间便利了运行管理，不过在动态的进水条件下，出水水质不一定能够达到最好.SNO3参与好氧硝化和缺氧反硝化过程，同时SNO3对于厌氧释磷过程影响重大，图3中也显示出SNO3的浓度高低对于厌氧释磷的重要影响.所以本文认为SNO3可指示反应池的不同状态，尤其是缺氧和厌氧状态.

本文利用数学模拟的方法，对阶段时间的两种策略进行分析比较，策略介绍如下：

①Fix-time策略：通过调节6个阶段的运行时间，达到节能减排的目的，由于六箱一体化工艺上、下两个半周期对称运行，所以只需要确定上半周期的3个运行时间(time1，time2，time3)即可；

②NO3-control策略：检测各个阶段第一个缺氧反应池(比如阶段一的tank1，阶段二的tank3等)内的SNO3，当SNO3降低到某一数值(setpoint1)或者某时刻SNO3的变化速率达到setpoint2，系统将自动进入下一阶段的运行.控制算法的数学描述见式(1).

SNO3

(1)

为了使控制模拟更加符合实际，本文假设SNO3检测器的采样时间为1 min，每个样品的检测时间为5 min.不考虑其它的干扰因素.

另外，六箱一体化工艺中还需要确定的参数包括：缺氧池进水比α，污泥龄θC，污泥回流比ε以及溶解氧浓度DO.假设所有好氧池中的DO浓度设定值相同，并通过氧气传质系数KLa进行控制.

1.3 评价目标的建立

出水水质(EF)和运行能耗(OC)是常用的评价污水处理工艺好坏的指标.

本文选用了3个出水组分(SNH4，STN，SPO4)，其中规定STN为出水SNH4与SNO3的总和.EF按照式(2)进行计算.

(2)

式中：CjEFF(t) (mg·L-1)为t时刻组分j的出水浓度值，CjL为组分j的限定值.根据《城镇污水处理厂污染物排放标准》一级A标准中的规定，CNH4L为5 mg·L-1；CTNL为15 mg·L-1；考虑到本文所用进水数据中SPO4浓度较高，CPO4L取为4 mg·L-1.

运行能耗的计算如式(3)所示.

OC[￥·d-1]=γE(AE+PE)+γSPSP．

(3)

AE的计算如式(4)[26]所示：

(4)

式中：KLa(d-1)代表氧气传质系数，Vi(m3)是第i个池子的体积，Vref的值为1 333 m3.

PE的计算如式(5)[27]所示：

(5)

式中：Qr(t)(m3·d-1)代表t时刻的污泥回流速率，Qw(t)(m3·d-1)是t时刻的污泥排放速率.

SP的计算如式(6)[27]所示：

Qw(t)]dt.

(6)

式中：TSSw(t)(mg·L-1)表示排泥时的污泥浓度.

1.4 六箱一体化工艺的数学模拟与优化方法

六箱一体化工艺具有脱氮除磷的功能，本文选用ASM2d模型对生化反应池部分进行模拟，沉淀池被分为十层，用Takács[28]沉降速率方程进行模拟.

ASM2d模型包含19种进水组分：发酵产物(SA)，可发酵易生物降解有机物(SF)，惰性溶解性有机物(SI)，氨氮(SNH4)，硝态氮(SNO3)，氮气(N2)，溶解氧(SO2)，溶解性无机磷(SPO4)，碱度(SALK)，硝化菌(XAUT)，异养菌(XH)，惰性颗粒性有机物(XI)，慢速可降解基质(XS)，聚磷菌(XPAO)，聚磷菌的胞内贮存物(XPHA)，聚磷酸盐(XPP)，金属氢氧化物(XMeOH)，金属磷酸盐(XMeP)，总悬浮固体(XTSS).进水的水质组分浓度采用Gernaey和JØrgensen[29]通过Benchmarking Group of IWA 发布的基准测试数据拓展而来的计算方法.包含了3种天气(Dry，Rain，Storm)下各14 d的进水数据，每组数据采样间隔为15 min.六箱一体化工艺的进水水量通过式(7)确定.比如，Dry天气下的平均进水流量为0.45 m3·d-1.表1显示了3种天气下进水组分基于流量的平均浓度值，未列出的进水组分浓度为0.图2显示了Dry天气下后7天3种进水组分浓度(SPO4，SNH4，SF)以及流量随时间的变化关系.

(7)

式中：Qin(t)(m3·d-1)代表t时刻的进水流量，QB(t)(m3·d-1)代表t时刻的基准流量，V(m3)代表六箱一体化工艺反应池的体积，VB(m3)是基准流程的总体积，6 749 m3.考虑到由于多点进水及循环运行对水力停留时间(HRT)的影响，本文对流量采取了一定的减小处理，f为安全系数，取值0.7.

表1 3种天气下进水组分基于流量的平均值

时间/d

时间/d

六箱一体化工艺的数学模型使用MATLAB/simulink编写，先让模型在Dry天气平均进水水质条件下运行50 d，使其达到稳定状态.然后再按照Dry+Dry/Rain/Storm方式运行动态的进水数据28 d，最后7 d的出水数据用来计算评价目标.

优化六箱一体化工艺的性能涉及到两个目标：EF和OC，属于多目标优化问题.本文采用non-dominated sorting genetic algorithm II(NSGA-II)[30]对其进行求解.两种待优化策略包含的目标以及决策变量如表2所示.

表2 两种待优化策略的目标及决策变量组成

2 结果与讨论

2.1 Dry天气下“稳态”运行结果

六箱一体化工艺只能够达到周期性的稳态，在六箱一体化工艺的设计参数(Default策略，表3)下，用Dry天气平均进水水质条件运行50 d后，六箱一体化工艺基本达到“稳态”.一个周期内各池中SNH4，SNO3和SPO4的变化规律如图3所示.

Tank1在阶段1和阶段2没有进行曝气，由于进水带来的碳源充足，发生反硝化作用，继而发生了厌氧释磷，由于进水带来SNH4的影响，SNH4持续升高；阶段3开始曝气，进入好氧状态，硝化作用和好氧吸磷作用强烈，SNH4和SPO4迅速降低，SNO3升高；后3个阶段tank1作为出水前池，一直处于好氧状态，保证了出水水质的稳定.

Tank2在阶段1处于厌氧状态，由于释磷和进水带来SPO4的综合影响，SPO4先降低再升高，由于进水带来的SNH4，SNH4也升高；阶段2开始曝气，进入好氧状态，SNH4和SPO4迅速降低，SNO3升高；之后tank2一直处于非曝气状态，反硝化和厌氧释磷相继发生，同时受到进水和前池流入的综合影响.

Tank3在阶段1处于好氧状态，SNH4和SPO4降低，SNO3升高；在阶段2和阶段3处于非曝气进水条件，反硝化、释磷相继发生，由于进水的影响，SNH4也持续升高；后3个阶段与前3个阶段状态相同，SNH4，SNO3和SPO4的变化规律也基本一致.

由于六箱一体化工艺上、下半周期是对称运行的，所以不同池子的状态也呈现出对称性，比如tank5对应了tank1，tank4对应了tank2.

2.2 多目标优化结果

经过多目标优化后结果(Pareto解)如图4所示.

图4显示出两种策略下出水水质EF和能耗OC两者之间此消彼长的关系，当出水水质变好时，能耗就会增加，反之亦然，说明基本不存在优化解使EF和OC同时达到最小.Fix_time策略下EF达到的最小值为2.378 6，OC最小值为0.1748 ￥·d-1；NO3_control策略下EF达到的最小值为2.584 5，OC最小值为0.170 9 ￥·d-1.这说明：Fix_time策略与NO3_control策略相比，前者能使EF更小，但消耗更多能耗.两种策略下大部分的解都要好于Default策略.

时间/min

EF

在Rain天气进水和Storm天气进水条件下对Dry天气进水条件下得到两种策略的Pareto解进行计算，结果如图5所示.在Rain天气进水条件下，当EF相同时，NO3_control策略的OC明显比Fix_time策略的OC小，也可以理解为当在相同的OC下NO3_control策略的EF比Fix_time策略的EF要好，说明NO3_control策略比Fix_time策略更好.在Storm天气进水下也有这种结果.分析原因：由于Fix_time策略是在Dry天气进水条件下优化得到的，当进水条件变化以后，这些优化解不一定最优；而NO3_control策略中的阶段运行时间是通过SNO3的实时监测(setpoint1和setpoint2)来控制的，并不受进水水质变化的影响，因此在Rain和Storm进水条件下NO3_control策略依旧能够达到较好的节能减排效果.

EF

EF

为了更深层次的比较Fix_time和NO3_control策略，本文从图4的Pareto解集中选取了位于交叉位置(EF和OC值基本相同)的两个解，决策变量值如表3所示，目标值如表4所示.

表3 选取优化策略解的决策变量值

表4 选取的优化策略在三种天气条件下各指标的计算值

从表3可看出，相比于Default，Fix_time策略极大缩短了阶段运行时间，周期由960 min变为320 min，六箱一体化工艺的混合性增强，相当于增大了混合液回流比，脱氮性能得到增强，Dry进水条件下出水STN平均值降低了16.31%，Rain进水条件下降低了13.81%，Storm进水条件下降低了14.61%(表4).缺氧池的进水分配比由原来的0.5变为0.9，这个改变进一步增强了反硝化效果.但是污泥龄由13 d延长到了17 d，削弱了SPO4的处理效果(表4).

NO3_control策略与Fix_time策略相比，NO3_control策略污泥龄稍有延长，并且提高了DO设定值，除Dry天气进水条件下EF和OC比较接近外，另外两种进水条件时，NO3_control策略的两个目标值都要优于Fix_time策略.在Dry进水条件下，NO3_control策略中除出水SNH4好于Fix_time策略外，出水STN和SPO4都要劣于Fix_time策略.但是在其它两种进水条件下，3个出水组分的平均值，NO3_control策略表现更好，图6显示了三种策略Storm进水条件下出水中SNH4，STN和SPO4的变化情况，能够较好的印证上述结论.

时间/d

时间/d

时间/d

将水质波动对六箱一体化的影响减小，这正体现出了NO3_control策略对阶段时间自动控制的优势.如图7所示：Default (a)和Fix_time策略(b)采用固定的阶段时间，比如阶段一时，tank1作为缺氧池，Default策略下反硝化作用已经完成(SNO3降低到接近0 mg·L-1)，但迟迟没有转换到下一阶段的运行；而Fix_time策略由于阶段时间较短，反硝化作用来不及完成，已经进入了下一阶段，这两种情况都会造成系统状态的混乱，影响处理效果.NO3_control策略下阶段时间是通过控制算法(式1)确定，从图7(c)看出，每个阶段完成时，反硝化作用也刚好完成，然后进入下一阶段的运行，这样保证了较好的反硝化脱氮效果，系统状态也比较清晰.

时间/d

时间/d

时间/d

3 结 论

本文在六箱一体化工艺数学模型的基础上对其阶段时间的控制策略进行了多目标优化研究.提出了两种控制策略：Fix_time和NO3_control策略，前者阶段时间是固定的，后者的阶段时间是通过在线检测缺氧池中SNO3及其变化速率进行控制的.连同六箱一体化工艺中其它待确定的参数：进水分配比，污泥龄，污泥回流比，好氧池中溶解氧浓度，同时考虑出水水质和运行能耗，进行了多目标优化分析.结果显示：两种优化策略都优于Default策略；NO3_control策略相比于Fix_time策略更具灵活性，能够一直满足缺氧反硝化的时间要求，在Rain和Storm进水条件出水水质和运行能耗更优.该研究结果表明：针对六箱一体化工艺设计的NO3_control策略能够进一步提升六箱一体化工艺的性能，为其它类似工艺的优化控制提供了参考.

[1]史静,吕锡武,朱光灿,等.进水碳磷比对连续流反硝化除磷工艺脱氮除磷效果的影响[J].东南大学学报:自然科学版,2012,42(1):94-98.

SHI Jing, LV Xi-wu, ZHU Guang-can,etal. Effect of COD-to-phosphorus ratio on performance of continuous-flow two-sludge process[J]. Journal of Southeast University: Natural Science Edition, 2012, 42(1): 94-98. (In Chinese)

[2]余亚琴,吕锡武,吴义锋.外循环UASB处理太湖富藻水运行特性研究[J].湖南大学学报:自然科学版,2013,40(1):87-92.

YU Ya-qin, LV Xi-wu, WU Yi-feng. Study on performance of external circulation UASB reactor treating algae-laden water from Taihu Lake[J]. Journal of Hunan University: Natural Sciences, 2013, 40(1): 87-92. (In Chinese)

[3]周娟.一种微生物絮凝剂的研制[J].湖南大学学报:自然科学版,2009,36(7):73-76.

ZHOU Juan. Screening and characteristics of cmicrobial flocculant[J]. Journal of Hunan University: Natural Sciences, 2009, 36(7): 73-76. (In Chinese)

[4]SAMUELSSON P, HALVARSSON B, CARLSSON B. Interaction analysis and control structure selection in a wastewater treatment plant model[J]. IEEE Transactions on Control Systems Technology, 2005, 13(6): 955-964.

[5]OSTACE G S, BAEZA J A, GUERRERO J,etal. Development and economic assessment of different WWTP control strategies for optimal simultaneous removal of carbon, nitrogen and phosphorus[J]. Computers & Chemical Engineering, 2013, 53: 164-177.

[6]VRECKO D, HVALA N, CARLSSON B. Feedforward-feedback control of an activated sludge process: a simulation study[J]. Water Science and Technology, 2003, 47(12): 19-26.

[7]YUAN Z, OEHMEN A, INGILDSEN P. Control of nitrate recirculation flow in predenitrification systems[J]. Water Science and Technology, 2002, 45(4): 29-36.

[8]PAUL E, PLISSON-SAUNE S, MAURET M,etal. Process state evaluation of alternating oxic-anoxic activated sludge using ORP, pH and DO[J]. Water Science and Technology, 1998, 38(3): 299-306.

[9]WU C, CHEN Z, LIU X,etal. Nitrification-denitrification via nitrite in SBR using real-time control strategy when treating domestic wastewater[J]. Biochemical Engineering Journal, 2007, 36(2): 87-92.

[10]GAO D, PENG Y, LIANG H,etal. Using oxidation-reduction potential (ORP) and pH value for process control of shortcut nitrification-denitrification[J]. Journal of Environmental Science and Health: Part A, 2003, 38(12): 2933-2942.

[11]CASELLAS M, DAGOT C, BAUDU M. Set up and assessment of a control strategy in a SBR in order to enhance nitrogen and phosphorus removal[J]. Process Biochemistry, 2006, 41(9): 1994-2001.

[12]PUIG S, COROMINAS L, VIVES M T,etal. Development and implementation of a real-time control system for nitrogen removal using OUR and ORP as end points[J]. Industrial & Engineering Chemistry Research, 2005, 44(9): 3367-3373.

[13]STARE A, VRECKO D, HVALA N,etal. Comparison of control strategies for nitrogen removal in an activated sludge process in terms of operating costs: a simulation study[J]. Water Research, 2007, 41(9): 2004-2014.

[14]KIM H S, MOON T S, KIM Y J,etal. Evaluation of rule-based control strategies according to process state diagnosis in A2/O process[J]. Chemical Engineering Journal, 2013, 222: 391-400.

[15]SCHüTZE M, CAMPISANO A, COLAS H,etal. Real time control of urban wastewater systems-where do we stand today?[J]. Journal of Hydrology, 2004, 299(3/4): 335-348.

[16]HENZE M, GUJER W, MINO T,etal. Activated sludge models ASM1, ASM2, ASM2d and ASM3[M]. London, UK: IWA Publishing, 2000: 1-120.

[17]姚重华,王国华,谭学军,等.基于SimuLink的倒置A2/O流程仿真程序[J].给水排水,2010,36(z1):389-394.

YAO Chong-hua, WANG Guo-hua, TAN Xue-jun,etal. Simulation program of inverted A2/O based on Simulink[J]. Water & Wastewater Engineering, 2010, 36(z1): 389-394. (In Chinese)

[18]姚重华,刘漫丹.环境工程仿真与控制[M].3版.北京:高等教育出版社,2010:137-227.

YAO Chong-hua, LIU Man-dan. Environmental engineering modeling and control[M]. The third edition. Beijing: Higher Education Press, 2010:137-227.(In Chinese)

[19]IQBAL J, GURIA C. Optimization of an operating domestic wastewater treatment plant using elitist non-dominated sorting genetic algorithm[J]. Chemical Engineering Research & Design, 2009, 87(11): 1481-1496.

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

[21]COHON J L. Multiobjective programming and planning[M]. New York: Dover Publications, 2004:13-26.

[22]FLORES-ALSINAl X, RODRIGUEZ-RODA I, SIN G,etal. Multi-criteria evaluation of wastewater treatment plant control strategies under uncertainty[J]. Water Research, 2008, 42(17): 4485-4497.

[23]HAKANEN J, MIETTINTN K, SAHLSTEDT K. Wastewater treatment: new insight provided by interactive multiobjective optimization[J]. Decision Support Systems, 2011, 51(2): 328-337.

[24]陈文亮,姚重华,吕锡武.活性污泥工艺的多目标优化分析[J].环境科学学报,2013,33(7):1918-1925.

CHEN Wen-liang, YAO Chong-hua, LV Xi-wu. Analysis of activated sludge process by multi-objective optimization[J]. Acta Scientiae Circumstantiae, 2013, 33(7): 1918-1925.(In Chinese)

[25]许卓.多点交替进水阶式A2/O工艺氮磷强化去除技术与机理[D].南京:东南大学,2009:21-24.

XU Zhuo. Technology and mechanism of step A2/O active sludge process with commutative multi-influent for enhanced phosphorus and nitrogen removal[D]. Nanjing: Southeast University, 2009:21-24．(In Chinese)

[26]GURRERO J, GUISASOLA A, VILANOVA R,etal. Improving the performance of a WWTP control system by model-based setpoint optimisation[J]. Environmental Modelling & Software, 2011, 26(4): 492-497.

[27]COPP J B. The COST simulation benchmark: description and simulator manual[M]. Luxembourg: Office for Official Publications of the European Union, 2002:10-13.

[28]Takács I, PATRY G G, NOLASCO D. A dynamic model of the clarification-thickening process[J]. Water Research, 1991, 25(10): 1263-1271.

[29]GERMAEY K V, JORGENSEN S B. Benchmarking combined biological phosphorus and nitrogen removal wastewater treatment processes[J]. Control Engineering Practice, 2004, 12(3): 357-373.

[30]DEB K, PRATAP A, AGARWAL S,etal. A fast and elitist multiobjective genetic algorithm: NSGA-II[J]. IEEE Transactions on Evolutionary Computation, 2002, 6(2): 182-197.