论文部分内容阅读
人类进入20世纪以来,对气候变化的重视程度逐渐加深。污水处理过程作为温室气体的主要排放源之一,产生大量的温室气体直接排放至大气,加速了全球的气候变化。在全国工业污水排放量中,造纸行业是工业的第二排放源,全国工业污水COD排放量中,造纸行业占33%的份额。作为工业生产中主要的GHG排放源,造纸工业正在面临巨大的GHG减排压力。造纸污水在处理过程中,温室气体的来源主要为:1)直接排放温室气体（CO2、CH4和N2O）;2)运行过程间接排放温室气体。针对缺少温室气体在线监测和减排措施的现状,本文提出了一种基于优化控制调节溶解氧浓度的方法,以减少温室气体的排放。基于公认的活性污泥法1号模型（ASM1）和微生物反应的物质守恒和动力学关系,建立温室气体在线监测模型,计算实时动态变化的温室气体排放量,其中包括直接排放源（内源性衰变、BOD去除、硝化过程和反硝化过程）和间接排放源（污泥处理、曝气机和泵耗电、化学品消耗）。其次,研究溶解氧浓度对造纸污水处理的作用机制,实验表明:在溶解氧浓度低于2 mg/L时,溶解氧浓度和出水污染物浓度呈负相关,即溶解氧浓度越低,出水污染物浓度越高,温室气体总排放量越低。研究以广州某造纸厂的A/O工艺处理现场为对象,首先,设计恒定设定值的溶解氧PI（Proportional-Integral Control）控制,仿真结果表明:在固定PI参数的控制下,出水污染物下降,但控制精度较低。其次,针对控制精度差的问题,将进水流量和污染物浓度输入神经网络进行训练,得到动态的PI参数,所建立BP-PI（Back Propagation Neural Network-Proportional-Integral Control）控制模型提高了控制的精度和稳定性。最后,建立以溶解氧作为控制变量,采用分层优化控制思想,设计造纸污水温室气体减排优化的智能控制方案,即自适应回归神经网络PI控制（Adapted-Kernel-Regression Back Propagation Neural Network-Proportional-Integral Control,简称AKRBP-PI控制）。为防止出水污染物浓度超限,采用自适应回归核函数描述出水污染物与溶解氧浓度的函数关系,将出水污染物含量的预测作为出水约束层。根据约束的函数关系,通过遗传算法求解优化的设定值,作为优化设定层。跟踪控制层将优化设定值、进水流量和污染物浓度输入BP神经网络中进行训练,采用实时优化的设定值进行神经网络跟踪控制。仿真实验结果表明,虽然AKRBP-PI控制的控制精度低于BP-PI控制,出水BOD、TN和氨氮均高于PI和BP-PI的控制结果,但出水指标均未出现超限现象。在AKRBP-PI控制下,相较于开环控制,总温室气体排放量减少了8.55%。其中,减少的温室气体主要来自曝气机耗电的减少（35.9 kg/h）。然而,在PI控制和BP-PI控制下,对比开环控制,虽然控制精度和出水指标有所提高,总温室气体排放量分别增加了8.09%和4.13%。因此,AKRBP-PI控制方案能够在保证出水污染物浓度不超限的情况下,有效降低温室气体排放量,是一种实现温室气体减排的有效控制策略。