污水生物处理过程虚拟监测模型和高级控制算法研究

Biological wastewater treatment systems are essential for the sustainability of social economy development. Real-time surveillance and control technology may improve the automation of biological wastewater treatment to achieve stabilizing treatment performance and reducing energy & materials consumption. However, the complexity of processes and quantity of variables monitored by online sensors restrict the achievement of advanced control of biological wastewater processes. This study aimed to establish soft sensing models by data mining algorithms based on the data frame combined by daily online data and lab-analyzed data (e.g. VFA, soluble biodegradable COD, organic nitrogen, non-biodegradable COD et.al). Soft sensor models can avoid the dependence of hardware sensors, which provide a new routine for wastewater treatment processes surveillance by applied the data provided by the existing sensor network. Moreover, this study will propose a new kinetic model parameter calibration approach for control purpose, based on the analysis of the morphology, surface characteristics and microbial community. The kinetic model calibration approach provides basis to build advanced control algorithm for each biochemical process (e.g. hydrolysis, nitrification). This study will provide theoretical basis and scientific reference to achieve advanced control in biological wastewater treatment systems.

污水生物处理系统的高效稳定运行对经济、社会的可持续发展具有重要作用。实时监测控制技术可以提高污水生物处理系统的自动化水平，达到稳定处理效果和节能降耗的目的。然而，污水处理过程高级控制的实现既受制于在线设备可监测指标的数量，又受制于生化反应过程的复杂程度。本研究拟将污水处理厂常规在线监测指标与生化反应过程动态变量（如：VFA、溶解性可生物降解COD、有机氮、不可生物降解COD等）合并为污水处理过程数据库，并采用数据挖掘算法构建虚拟监测模型。虚拟监测模型可以绕开对在线传感器的依赖，采用已有仪表网络为污水处理过程监测提供一条新的途径。此外，通过分析活性污泥/生物膜形貌结构、表面化学性质和微生物群落结构，探索生化反应动力学模型精确校正方法并构建用于过程控制的动力学模型，为各反应过程（水解、硝化等）的高级控制算法提供模型支撑。本研究可为污水生物处理过程实现自动化和智能化提供理论基础和科学依据。

污水处理过程的监测与控制是实现污水处理厂减污降碳的重要途径。本项目研究了污水处理虚拟监测模型的构建方式和污水生物处理过程高级控制的机理。. 从污水处理厂进出水关键水质指标的实时获取及虚拟监测模型的构建开展入手，利用原污水水质水量变化居民生活规律的周期性变化研究探明了以监测水质指标与难监测水质指标之间的动态响应关系，采用数据挖掘算法构建了污水生物处理过程中的COD、总氮、总磷等难实时监测水质指标的虚拟监测模型。此外，针对污水生物处理系统的二级出水，采用UV-Vis全光谱扫描法获取二级出水光谱指纹特征并开展数据挖掘分析，构建了COD、硝酸盐氮的实时预测模型，同时构建了基于多光谱数据的污水中抗生素预测模型。以上研究结果为污水处理生化反应过程的进水、出水提供了数据支撑，为探索污水生物处理系统活性生物量对环境条件变化的动态响应机理创造了条件。. 为系统全面的阐述污水生物处理过程的活性生物量对工艺监测控制的影响关系，通过小试和中试试验系统研究了MBBR生物膜培养全过程中的活性生物量数据，分析了活性自养、异养生物对运行条件变化的响应规律；通过对生物膜的定量图像分析获得了生物膜演变的厚度和形态数据，并基于形态学数据构建了多变量回归模型。此外，通过不同温度条件下的微生物活性和异养菌产率系数（YH），研究了精确校正反应动力学模型参数的实验方法，为污水生物处理过程高级控制算法的构建提供了模型支持。. 研究了不同环境下废水中ORP值与各种水质变量之间的关系，分析了反硝化过程中ORP的影响机制，明晰长期运行情况下ORP仪表漂移故障情况及灵敏度变化特征；基于模型预测控制研究了污水生物处理过程的高级控制算法，并成功构建了污水处理反硝化碳源智能投加控制系统，并在生产性试验中验证了改算法的适用性与可靠性。 . 本项目研究成果将为污水处理监测控制及其数字化提供理论基础和技术支撑，助力污水处理厂自动化运行和节能降耗，具有重要的学术价值和现实意义。