在线模拟智能控制策略在分段进水SBR中的应用

赵冉 孙培德 王如意 焦亮 林逸文

摘 要：本文基于全耦合活性污泥模型3号（FCASM3）开发了一套集在线监测系统与动态模拟及控制系统于一体的自适应智能控制策略，并在分段进水结合间歇曝气的小试规模SBR系统运行中进行可靠性与技术性能评估，结果表明，（1）在线校核后的模型能够精确模拟系统中各污染物去除状况，尤其能够精准描述有机物的去除，氨氮的转化以及磷酸盐的去除过程，能够实时反映出SBR系统中的真实情况；（2）完成了基于模型预测控制的溶解氧动态优化，实现了溶解氧随水质动态变化的自适应智能化控制；（3）分段进水和间歇曝气相结合，获得最佳的同时脱氮除磷的SBR工艺运行方式。

关键词：FCASM3；动态水质监测；动态模拟；自适应智能控制；SBR

中图分类号：X703 文献标识码：A 文章编号：1671-2064（2018）14-0011-04

近年，随着污水排放标准的提升，众多污水处理厂面临着提标改造的难题，在污水处理過程中引入先进的模型和优化控制技术将变得迫切。尽管模型预测控制在污水处理厂中的应用为其带来很大的经济效益，但是因模型预测结果不可靠导致模型预测控制在污水处理厂的应用受到极大限制。

模型预测控制已广泛地应用于复杂流程工业过程，但是由于生物处理过程是一个非线性系统，难以建立精确的模型，一般的模型预测控制难以达到污水处理控制精度的需求，无法自适应动态的水质变化，导致控制精度无法保证[1-3]。本文通过水质在线监测系统与模型预测控制有效结合，在一定程度上克服了由于模型预测误差和某些不确定性干扰等的影响，实现了根据进水水质变化以及反应周期内营养物质去除情况溶解氧的自适应控制。该研究为模型预测控制的推广运用于实际的污水处理厂中去奠定了理论基础和技术保障，推动了污水处理厂向智能化迈进的脚步。

1 材料与方法

1.1 试验用水及污泥

试验用水为人工合成的模拟废水，模拟废水由三部分组成，分别为A液（无水乙酸钠32.0313gL-1，无水葡萄糖23.4375gL-1）、B液（氯化铵38.2143gL-1，硫酸镁2.025gL-1，无水氯化钙0.45gL-1）、C液（磷酸二氢钾4.4516gL-1）。取杭州某污水处理厂曝气池内的污泥进行接种，采用模拟废水进行驯化培养，每4L进水中含有A液80mL，B液30mL，C液60mL，进水后系统中的理论COD为300mg/L，NH4+ -N为30mg/L，PO43--P为5mg/L，即进水的C/N/P为300/30/5。

1.2 试验装置

本试验所用反应器为10L的序批式活性污泥反应器（Sequencing Batch Reactor，SBR），如图1所示。试验室设有在线监测系统，SBR反应器和中央控制系统，形成集监测、模拟与控制为一体的智能化SBR系统。在线监测系统主要由在线COD监测仪（HACH），在线NH4+-N，NOX--N监测仪（WTW），在线PO43--P监测仪（WTW），在线溶解氧监测仪（Tengine-EDO），在线pH监测仪（Bacac-pH221A）等组成。

SBR反应器在25±1℃环境下运行，工艺流程设置如图2所示。反应器每天运行3个周期，每个周期8h，工序及时间设置为进水（2min）、缺氧搅拌（60min）、好氧曝气（120min）、进水（2min）、缺氧搅拌（90min）、好氧曝气（180min）、沉淀（20min）、排泥（2min）、排水（4min）。每周期进两次营养液，每次进1.65L，排水比为1/3，水力停留时间（hydraulic retention time，HRT）为24h，控制系统污泥浓度（mixed liquor suspended solids，MLSS）为2500mgL-1，污泥停留时间（solids retention time，SRT）为10d。反应器运行过程中磁力搅拌器搅拌速度控制在200转/分钟，缺氧阶段的溶解氧（dissolved oxygen，DO）浓度为0.3mgL-1，好氧曝气阶段控制曝气泵开关调节DO在1mg L-1～4mgL-1范围。由0.5MNaOH溶液和0.5MHCl溶液调节pH在7.0～7.5的范围内。

1.3 分析方法

使用水质在线监测仪表对SBR反应器内营养物质去除情况进行在线监测分析，监测点分布如图2箭头所示。所有采集的样品均经0.45um的定性滤纸过滤之后，由在线仪表进行分析测定。

2 结果与讨论

2.1 模型校核与验证

模型预测控制非常依赖模型的准确性，因此对模型的校核必不可少。本文借鉴国际上通用的做法，采用灵敏度分析的方法，对FCASM3模型中重要的参数进行校正[4][5]，所使用的校核数据为SBR系统稳定运行30天的试验结果。

结果表明，基于FCASM3机理模型建立的分段进水的SBR工艺模型能够对SBR系统的生物处理过程进行精确模拟。由图3（A）可知，校核完成的SBR工艺模型能够对系统中COD的去除过程进行很好的描述，模型模拟值与实测值之间的相对误差不超过10%。由图3（B）可知，校核完成的SBR工艺模型能够对系统硝化反应过程进行很好的描述，出水氨氮模拟值与实测值之间的偏差很小。从图3（C）中可以看出，校核完成的SBR工艺模型能够对系统生物除磷过程进行很好的描述。

2.2 自适应控制策略

由于生化过程通常存在非线性、时变性与随机干扰等因素，模型预测不可能与实测值完全相同，本试验在溶解氧优化控制过程中，将在线监测系统与模型预测控制有效结合，通过引入在线数据对模型进行多次校正的方式，缩小实测值与模拟值之间的相对偏差。

考虑在线仪表测量间隔，设定每隔20分钟进行一次DO优化，DO取值区间1mg/L～4mg/L，以0.5mg/L作为优化步长，通过模型计算满足约束条件的DO值。以在线监测系统所测的实测值作为初始值进行模拟，并判断模型预测结果是否满足约束条件（COD<50mg/L，NH4+-N<5mg/L，PO43--P<0.5mg/L），如果不满足，则以DO取值区间内最大的值作为DO设定值（4mg/L）；如果满足，则选择满足约束条件且最小的DO值为DO设定值，并通过控制曝气泵开关使得溶解氧在DO设定值范围。

2.3 控制策略可行性评估

对于分段进水的SBR系统而言，系统采用的是缺氧/好氧交替运行的方式，好氧反应过程中残留过高的溶解氧会对缺氧反应过程中的生物脱氮和除磷过程有较大影响[6]，须对好氧曝气阶段的溶解氧进行控制。本试验设置两个试验组对其进行可行性评估。试验组设置为：

R1：以分段进水结合间歇曝气的运行方式，采用自适应控制策略控制SBR系统曝气阶段的溶解氧浓度。

R2：以分段进水结合间歇曝气的运行方式，采用手动设定的控制方式，控制曝气阶段的溶解氧为4mg/L。

以总氮和磷酸盐去除情况结果如图4所示。图4描述了15天的试验过程中各试验组中总氮以及磷酸盐的去除情况。从图4（A）中可以看出R1的总氮去除率较R2要高出15%左右。由图4（B）可知，R1磷酸盐的去除率达到100%，而且远高于R2。结果表明，以自适应控制策略控制的R1总氮及磷酸盐的处理效果最好且稳定，说明自适应控制策略对溶解氧的控制提高了生物脱氮除磷的效率，而且很好地避免了曝气阶段剩余过高的溶解氧进入缺氧。

以自适应控制策略对系统运行一个周期内的污染物去除情况进行模型预测控制以及在线监测分析，如图5。图5（A）展示了模型对一个反应周期内COD变化预测情况与在线监测系统实测情况，第一段COD模拟值与实测值吻合程度较差，可能是由于模型在进水水质组分划分时将可溶性COD分为易生物降解物质（SS）和溶解惰性有机物（SI）过于简单化，没有细化系统的进水组分造成的[7]；第二段缺氧过程中COD的消耗很快。图5（B）呈现了模型对一个反应周期内NH4+-N变化预测情况与在线监测系统实测情况，模型模拟值与实测值之间的偏差很小。图5（C）绘制了模型对一个反应周期内NOX--N变化预测情况与在线监测系统实测情况，NOX--N为NO3--N和NO2--N之和，模型模拟值与实测值之间的偏差很小，不超过10%。图5（D）反映了模型对一个反应周期内总氮变化预测情况与在线监测系统实测情况，模拟值与实测值之间的偏差较大，主要是因为总氮为氨氮、硝酸盐氮和亚硝酸盐氮之和。图5（E）反映了模型对一个反应周期内磷酸盐变化预测情况与在线监测系统实测情况，很好模拟了聚磷菌释放磷酸盐和过度吸收磷酸盐过程，表明第二段释放磷酸盐的量明显要比第一段的少，原因是第二段有机碳源不足。图5（F）反映了周期内溶解氧自适应调控过程，溶解氧随系统内污染物浓度变化而改变。

结果表明，基于FCASM3机理模型的分段进水的SBR工艺模型能够对SBR系统全周期内的营养物质去除情况进行精确模拟，而且自适应控制策略的应用使得溶解氧可以根据系统内污染物去除情况自动调整。溶解氧的自适应控制不仅有利于提高系统的脱氮效率而且对于磷酸盐的去除还有一定的促进作用，对于有机物的利用更加充分，极大地提高了系统脱氮除磷的效率。

3 结语

本文开发了一套基于FCASM3机理模型的模型预测控制，并将其成功应用于实验室小试规模的SBR系统中，获得了以下结论：

（1）在线校核后的模型能够很好的模擬系统中各污染物去除情况，对有机物的去除，氨氮的转化以及磷酸盐的去除过程描述的较准确，能够较好反映SBR系统中的真实情况；（2）将水质在线监测系统和模型预测控制有效结合，计算曝气阶段的最佳溶解氧值，并以该最佳溶解氧值作为曝气阶段的控制目标值，实现了溶解氧的自适应控制；（3）分段进水和间歇曝气相结合，获得最佳的同时脱氮除磷的SBR工艺运行方式。

参考文献

[1]孙培德，宋英琦.基于微生物相互作用机理的完全耦合活性污泥模型研究[J].环境科学学报，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]陈一波.智能化SBR污水处理系统的设计与实现[D].杭州：浙江工商大学，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]王淑莹，顾升波，杨庆，彭永臻.SBR工艺实时控制策略研究进展[J].环境科学学报，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.