基于 L-M 算法滚动优化的溶解氧浓度预测控制打开文本图片集摘要：针对污水处理系统非线性，滞后性以及强耦合等特性，利用BP 神经网络建立系统模型，对溶解氧（DO）浓度进行控制。传统预测控制的滚动优化部分使用的是梯度下降算法，难以猎取最优控制增量，基于此问题，利用 L-M（Levenberg-Marquardt）算法對神经网络滚动优化部分进行了改进。通过仿真实验，结果表明该方法切实可行。关键词：污水处理;溶解氧浓度;L-M 算法;神经网络0 引言随着生活节奏的加快，城市污水处理也变得越来越迫切，在污水处理方法中活性污泥法（SBR）是目前使用最广泛的方法。作为实际活性污泥污水处理系统运行中一个尤为关键的控制参数，溶解氧（DissolvedOxygen，DO）浓度极大地影响了系统的运行成本以及出水水质。因此对溶解氧浓度控制进行深化讨论有着非常重要的意义和应用价值。如今中外学者们对溶解氧控制的讨论越来越深化，提出了很多有效的控制方法。如 PID 控制[1-2]、模糊控制[3-4]，模型预测控制[5]以及许多改进的预测控制方法。神经网络预测控制[6]也被大量应用于溶解氧浓度控制中，同时也存在容易陷入局部最小值，难以猎取最优控制增量等问题。L-M（Levenberg-Marquardt）算法结合了梯度下降法与高斯-牛顿法（Gauss-Newton，G-N）的各自优点，它既具有 G-N 的局部收敛性，又包含了梯度下降法所具备的全局特性。L-M 算法利用了近似的二阶导数信息，所需的迭代时间较少，收敛速度快，避开陷入局部最小值[7]。本文通过建立溶解氧浓度的 BP 神经网络预测模型，并利用 L-M 算法对传统神经网络预测控制的滚动优化部分进行改进，使系统能够更准确的猎取最优控制增量，通过 Matlab 实验仿真，结果表明本文所提出的方法在溶解氧溶度控制中行之有效，提高了系统的有效性和可靠性。1 污水处理系统模型的建立活性污泥法的基本过程通常由生化曝气池、曝气系统、二沉池、污泥回流系统以及剩余污泥排放等部分组成[8]，如图 1 所示。原污水先进入初沉池进行一级处理。其中，曝气池是污水处理核心部分，曝气池通过曝气产生好氧代谢状态。随后池内的废水及活性污泥一起流至二沉池，进行泥水分离，活性污泥絮体沉入池底，澄清水排出二沉池。从二沉池分离出来的大部分污泥再次回流进入曝气池，这部分污泥称之为回流污泥，剩余部分污泥则直接从沉淀池中排出，称之为剩余污泥。通过对活性污泥法的工艺流程进行细致分析，本文所采纳的是活性污泥 1 号模型（AS...
