🌞欢迎来到人工智能的世界 
🌈博客主页：卿云阁

💌欢迎关注🎉点赞👍收藏⭐️留言📝

🌟本文由卿云阁原创！

📆首发时间：🌹2025年6月24日🌹

✉️希望可以和大家一起完成进阶之路！

🙏作者水平很有限，如果发现错误，请留言轰炸哦！万分感谢！

---

污水处理工艺动态优化以实现可持续运行

题目：Dynamic optimization of a wastewater treatment process for sustainable operation using multi-objective genetic algorithm and non-dominated sorting cuckoo search algorithm

摘要：

本研究提出一种新型动态优化控制系统，该系统采用基于非支配排序的多目标布谷鸟搜索优化算法

（NSMOCS），并以基准仿真模型 1（BSM1）作为污水处理厂模型。研究分析了两组优化目标：

第一组包含出水水质指数（EQI）和运行成本指数（OCI），第二组聚焦于污水处理厂氮和氨浓度

的削减。通过多目标遗传算法（MOGA）对这些目标进行评估，获得帕累托前沿，并利用贡献度分

析确定各目标的个体权重值。此外，通过加权和分析设计了两组多目标成本函数。通过 NSMOCS

算法对上述成本函数进行最小化求解，得到比例积分（PI）控制器的最佳调节参数。仿真结果表

明，在旱季、雨季和暴雨天气条件下，该控制策略可使每日污染单位数和运行成本指数分别降低

1.3%、0.77%、0.91% 和 0.9%、0.85%、0.63%。

引言

     国际水协会（IWA）已开发出生物污水处理过程中最广为认可的模型。由该协会设计的基准模

拟模型（BSMs），可对污水处理厂的控制策略进行模拟与监测 [21] 。国际水协会的活性污泥模

型，能够对进水污水中污染物去除涉及的各类过程进行建模 [22] 。活性污泥模型 1（ASM1）是用

于去除生物氮和其他有机物质的基础模型 [23] 。

ASM3 旨在预测活性污泥系统中的硝化、反硝化、污泥产量和耗氧情况 [25]。本文确定的研究问题

是为污水处理厂开发一套先进的智能优化控制系统，以满足出水水质标准并最小化运营成本。

有效的曝气控制有助于将活性污泥法（ASP）的能耗降至最低 [26]。曝气器将大气中的空气作为溶

解氧（DO）供应到好氧池。溶解氧控制是活性污泥工艺控制中极为重要的一个方面。比例积分微

分（PID）或比例积分（PI）控制器因其结构简单且易于实施，一直被用作主要控制策略。有人为

污水处理厂设计了多变量 PID 控制器 [27]。

本研究提出一种通过多目标帕累托前沿解评估污水处理厂性能的新方法：

         首先利用多目标遗传算法生成包含冲突目标的帕累托解；

         计算权重值并将多目标成本函数标量化为单目标成本函数；

         采用基于非支配排序的多目标布谷鸟搜索算法（NSMOCS）优化该成本函数；

         利用 PI 控制器对选定参数进行跟踪与控制；

         最终利用基准仿真模型 1（BSM1） 评估控制策略的有效性。

2. 材料与方法

2.1. 处理厂描述

    基准仿真模型 1（BSM1）基于应用最广泛的活性污泥模型 1（ASM1）开发。该模型通过质量

平衡法对系统性能进行建模，将系统状态变化与物质传输和转化过程相关联。活性污泥的流动模式

被模拟为连续搅拌釜式反应器（CSTRs）的组合，质量平衡方程被表示为一组常微分方程。模型

中每个反应器段包含 13 个独立状态变量，每个反应器中微生物的生物学行为通过 8 个基本过程描

述。图 1 展示了 ASM1 的这些过程及其对应的状态变量。ASM1 中的不同过程包括：异养菌好氧

生长（r1）、异养菌缺氧生长（r2）、自养菌好氧生长（r3）、异养菌衰减（r4）、自养菌衰减

（r5）、可溶性有机氮氨化（r6）、截留有机物水解（r7）和截留有机氮水解（r8）。底物（S）

代表污水中的有机物（如含碳污染物），颗粒有机物（X）代表消耗底物并将其转化为生物量的微

生物。ASM1 示意图中的圆圈表示模型的状态变量，这些变量通过处理过程中发生的各种生物化学

反应相互关联。

污水处理厂布局 ——BSM1

       BSM1 污水处理厂由一个五段式活性污泥反应器构成。生物处理流程包含两个缺氧池（无需溶

解氧），其后接着三个好氧池 。好氧反应器之后是二沉池。BSM1 污水处理厂旨在分别通过缺氧

池的反硝化作用和好氧池的硝化作用去除生物性氮。图 2 展示了 BSM1 污水处理厂的基本布局。

BSM1 的进水数据集由文献 [42] 提出，该数据集涵盖三种不同天气条件：旱季、雨季和暴雨期。

模型中还提出了基础控制策略，用于测试和对比其他控制策略。后续章节将阐述用于评估污水处理

厂性能和控制器性能的特定评价标准 。

致谢

       感谢巴塞罗那自治大学研究员 Ignacio Santín 提供基准仿真模型 1（BSM1）和基准仿真模型

2（BSM2）的 MATLAB/Simulink 代码。

网址：基准测试 - 建模和综合评估

---

基于 ASM2d 导向奖励与Q 学习算法集成的污水处理厂智能控制 / 运行策略

摘要：污水处理厂（WWTP）的运行是典型的复杂控制问题，其非线性动态特性及变量间的耦合

效应使得实时最优控制的实现面临巨大挑战。本研究提出一种基于活性污泥模型 2d（ASM2d）导

向奖励设定的 Q 学习算法（集成 ASM2d-QL 算法），并选择广泛应用的厌氧 - 缺氧 - 好氧

（AAO）系统作为研究范例。该集成 ASM2d-QL 算法配备自学习机制，旨在优化 AAO 系统的控

制策略，包括水力停留时间（HRT）和内回流比（IRR）。为优化不同进水负荷下的 AAO 系统控

制策略，基于集成 ASM2d-QL 算法，通过 <最大奖励 - 动作> 对构建了适用于 HRT 和 IRR 优化的

Q 矩阵。随机选取某市政 AAO 污水处理厂 6 月 8 天的实际进水水质作为模型验证的进水浓度，模

型模拟值与实验结果的良好吻合表明：所提出的集成 ASM2d-QL 算法性能良好，成功实现了污水

处理过程中进水负荷波动下的智能建模与稳定最优控制策略。

---

污水处理过程的非线性多目标模型预测控制方案

摘要

本文针对污水处理过程（WWTP）提出一种非线性多目标模型预测控制（NMMPC）方案，该方 

包括自组织径向基函数（SORBF）神经网络预测与多目标梯度优化。所提出的 NMMPC 由

SORBF 神经网络辨识器和基于多梯度法（MGM）的多目标控制器组成。通过并发结构与参数学

习的 SORBF 神经网络被开发为模型辨识器，用于在线逼近污水处理厂的系统状态。随后，该

NMMPC 在不同运行功能下优化多目标函数，实现所有目标的同步最小化。最优控制解基于可缩短

求解时间的多梯度法（MGM）推导得出。此外，研究还深入分析了闭环控制系统的稳定性与控制

性能。数值仿真结果表明，该控制策略对污水处理过程具有良好的跟踪性能和抗干扰能力，实验结

果进一步验证了该方法的有效性。

---

污水处理过程的多目标集成鲁棒优化控制

摘要

多目标最优控制已广泛应用于污水处理过程（WWTPs），以确保运行过程的安全性和稳定性。然

而，对于现有的分步多目标最优控制（SMOC）算法，未知干扰会进一步影响设定点的获取和控制

律的设计，可能导致污水处理厂的控制性能和运行性能下降。针对上述问题，本研究提出了一种适

用于污水处理厂的多目标集成鲁棒优化控制（MIROC）方法。MIROC 具有三方面优势：首先，设

计模型近似器以捕捉污水处理厂的非线性动态特性；其次，利用干扰观测器描述污水处理厂的干扰

因素；基于模型近似器和干扰观测器，建立更精确的含干扰污水处理厂预测模型。第三，在多目标

模型预测控制（MMPC）框架下，开发具有协作成本函数（CCF）和基于梯度的多目标优化算法

（GMOA）的 MIROC 结构，以协调未知干扰下污水处理厂的优化与控制求解。最后，从理论上对

MIROC 进行稳定性分析。同时，基准仿真平台的结果表明，MIROC 可提升污水处理厂的运行性

能。

给从业者的提示

分步多目标最优控制（SMOC）算法在存在未知干扰时可能降低污水处理厂的运行性能。本文针对

含未知干扰的污水处理厂提出 MIROC 方案，其包含三个关键部分：模型近似器、干扰观测器和

MIROC 结构。通过模型近似器和干扰观测器建立含干扰的污水处理厂预测模型，提升 MIROC 的

建模精度。基于该预测模型，设计 MIROC 结构以综合分析未知干扰下污水处理厂的优化过程与控

制过程。MIROC 结构由协作成本函数（CCF）和基于梯度的多目标优化算法（GMOA）组成。最

终，污水处理厂的工业应用结果表明，MIROC 可实现污水处理厂的最优运行。

---

极端天气事件与污水基础设施：一个多层次社会技术转型的系统动力学模型

摘要

沿海社区及其污水处理系统易受极端事件影响。将关键基础设施从现场、社区或集中式规模向改进

型处理组合转型的决策极为复杂，因其涉及财务、社会、政策、技术和环境因素的耦合，同时影响

公众健康和水生生态系统。本文提出一种系统动力学方法，用于分析影响佛罗里达群岛市政当局在

污水基础设施转型中决策过程的重要因素与动态机制，尤其考虑气候变化的若干影响。我们的研究

利用社会技术转型理论，开发了一种适应性动态决策工具，以推动向改进型污水技术组合的转型，

并确定在极端天气情景下提升组合性能指标（如营养负荷和可靠性）的策略。初步仿真结果表明，

将极端事件影响纳入污水基础设施决策过程至关重要，因其可使营养负荷增加 20%、可靠性降低

近 10%。借助这种气候知情决策框架，研究制定了促进向改进型污水处理组合转型的策略，包括

新型社会经济决策方法、技术与经济政策以及社会技术行为变革。通过仿真验证，社会技术策略中

广泛采用的尿液分流技术对营养负荷的改善最为显著，可使其降低 81%；而提升可靠性指标（从

81% 至 83%）的最佳途径是实施技术与经济政策，通过经济手段抑制对集中式污水系统的投资，

并改变社区层面的技术选择。

---

基于污水处理厂全规模动态仿真的曝气控制中氧化亚氮排放与节能的权衡研究

摘要

本研究通过模型仿真，探究了污水处理厂在溶解氧（DO）浓度精准控制下节能与减少氧化亚氮

（N₂O）排放之间的权衡关系。建立了基于全规模污水处理厂温室气体（GHG）排放的长期动态

模型，并利用全年逐小时水质监测数据进行校准，以量化污水处理厂的年度温室气体排放量。结果

表明，N₂O 占直接排放的主导地位，高达 76.1%，且动态仿真能更好地揭示 N₂O 生成的波动性。

此外，污水处理厂的温室气体排放主要来自电能消耗，其中鼓风机耗电量最大。为降低鼓风机电

耗，需考虑提高机械效率和降低 DO 浓度。DO 设定值对 N₂O 和 CH₄排放、电耗及出水水质均有

显著影响，而平衡这些因素颇具挑战性。研究提出了超低氧（0–1/0.2–1 mg/L）和低氧（1–2

mg/L）控制策略，并探讨了其对总温室气体排放和出水水质的影响。若能避免厌氧环境（DO<0.2

mg/L），DO 设定点的控制频率（高频或低频）对 N₂O 和 CH₄排放及出水水质无显著影响。在当

前能源结构下，采用高频控制策略的超低氧（0.2–1 mg/L）策略实现了最低的温室气体排放。然

而，到 2050 年，随着能源供应更加清洁，超低氧曝气（0.2–1 mg/L）的污水处理厂总温室气体排

放量将比低氧曝气高出 3.6%–4.2%，因 N₂O 仍占 61.6%。因此，综合考虑污水处理厂 N₂O 排放

与节能的权衡，超低氧曝气是向清洁能源过渡的一种方案。

---

更深入地了解污水处理厂的污水预测：基于 SHAP 的全面深度学习模型解释

 面对不断升级的水资源挑战，模型越来越多地被用于提高对污水处理厂 （WWTP） 的理解和运

营。丰富的运营数据为机器学习 （ML） 和深度学习 （DL） 模型的开发提供了广泛的机会。然

而，特征之间的耦合和时间滞后加剧了此类模型的黑盒性质，阻碍了它们在污水处理厂中的应用。

在这项研究中，我们使用长短期记忆 （LSTM） 算法构建了一个 DL 模型，该算法能够通过微调的

超参数和合理选择的输入特征准确预测全尺寸 WWTP 中的污水质量。实施了基于 Shapley 加法解

释 （SHAP） 的综合模型解释，以阐明多变量时间序列 （MTS） 输入在特征和时间维度上对预测

结果的贡献。LSTM 模型表现出出色的准确度 （R20.96、0.95 和 0.76，MAPE 分别为 5.49、

7.17 和 13.37%），比其他基线 ML 模型更好。SHAP 结果量化了哪些输入特征在施加影响时最重

要，以及它们如何影响结果。时间维度的分析进一步解释了废水处理过程的时间滞后特征，并证明

了引入 MTS 的合理性。与相关性分析和没有特征工程相比，SHAP 的特征选择方法显着提高了预

测准确性。根据 Shapley 值调整输入特征的组合，并确定具有强交互作用和对模型输出有重要贡

献的特征。这是一次基于 LSTM 构建 WWTP 模型的新尝试，具有出色的准确性和可解释性，并阐

明 MTS 输入对预测结果的影响。这项工作显示了将 DL 应用于模拟 WWTP 的潜力并提高其性

能。