一种活性污泥数学模型最优动力学参数的计算方法

技术领域

本发明涉及污水处理智能控制领域，具体涉及一种活性污泥数学模型最优动力学参数的计算方法。

背景技术

近年来，污水处理的理论研究和处理工艺日趋成熟，但在污水处理过程中应用智能控制技术方面仍有提升的空间。活性污泥法具有优良的污水处理性能，但在工艺设计和运行方面却主要采用经验或半经验的方法，使得污水处理厂缺乏科学合理的管理和控制，增加了资源的消耗，提高了污水处理的成本。

进化遗传算法是基于进化机制和自然遗传学提出的一种启发式、并行、随机优化算法，它将待优化问题的求解过程表示成个体“适者生存”的进化过程。将问题的解表示成“染色体”(个体)，由多个个体组成的群体经过数次选择、交叉、变异三个进化过程，最终得到最适应环境的个体，即待优化问题的最优解。活性污泥数学模型自研发以来不断应用于控制和仿真实验，对工艺设计和运行过程中出现的问题提供了强有力的解决办法。再结合基准模型以及精密的在线监测仪器，引入进化遗传算法形成一种智能控制方法，用于污水处理厂的仿真模拟。该智能控制方法不仅可以提前预判尚未发生的工况并提前计算出控制信号，调整模型运行，实现真正意义上的在线实时控制，而在这之中基于进化遗传算法的污水处理智能控制过程中最优动力学参数的计算方法起到了能够进行自适应调整模型，提高模型的准确性，以及通过分析虚拟运行结果、对目标值进行筛选和优化、获得最优动力学参数的作用。

综上，该基于进化遗传算法的污水处理智能控制过程中最优动力学参数的计算方法可以为污水处理厂智能化控制系统改造及优化提供技术指导，实现更精确的数学模型仿真模拟，并帮助污水处理厂降低能耗、节约成本。

发明内容

本发明的目的在于提供一种基于进化遗传算法的活性污泥数学模型最优动力学参数的计算方法，结合了活性污泥数学模型的原理，建立了整体工艺数学模型，引入了基于进化遗传算法的污水处理智能控制过程中最优动力学参数的计算方法，通过模型自适应优化动力学参数，在满足出水指标前提下，选取最符合出水数据的最优动力学参数值，实现无差别的线上模拟，并帮助智能控制系统优化升级，降低污水厂运行成本。

为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：

一种活性污泥数学模型最优动力学参数的计算方法，包括以下步骤：

S1：配置mysql数据库的运行环境，使得能够与仿真平台(MATLAB)以及办公软件Excel进行数据交换；

S2：根据模型应用目的设计数据输入输出时将使用到数据库表；

S3：导入污水厂的Excel格式的进水数据至mysql数据库中，按照通用的转换规则将描述进水数据的常规水质检测项目转换为活性污泥数学模型(ASM1)应用的数据输入格式，即13种水质的组分浓度；

S4：统计进水数据的总数，以便设置在求解最优动力学参数时使用到的求解过程循环次数；

S5：在仿真平台(MATLAB)中编写包含活性污泥数学模型的程序，并根据真实污水厂的污水处理工艺流程建立整体工艺数学模型；

S6：按照时序逻辑增加相应延迟程序，并调整数学模型的初始状态变量，包括工艺参数、运行参数、化学计量学参数、动力学参数；

S7：设置进水数据的相似性校验，运用公式计算历史数据库中的进水数据与新的进水数据的差值，小于设定数值定义为两份数据是几乎一样的，则不再开始数学模型的运算，直接使用历史数据中的最优动力学参数；

S8：运行整体工艺模型，输出运行结果，将数据再转换为常规水质检测项目形式后存入数据库中，比较数学模型模拟出水数据和真实污水厂的出水数据，在此基础上作动力学参数的灵敏度分析，按灵敏度分析结果排序，从影响最大的参数开始调整，将首次运行的动力学参数作为初始解，以此初始解和整体工艺数学模型代入进化遗传算法进入最优解的求解过程；

S9：进化遗传算法需要初始化种群，则先通过初始解自我变异产生一个种群，然后对该种群进行编码，再以整体工艺数学模型作为适应度函数，当出水数据越接近真实数据代表该个体适应度越高，接着选择适应度高的个体进行交叉和遗传，产生新种群，不断迭代这个过程直到满足种群适应度值的方差小于设定值，代表种群表现型趋于一致；

S10：当进化遗传算法执行完毕会得到一个最优的动力学参数值，将此动力学参数值和对应的进出水数据存入数据库以供新数据作相似性校验。

进一步的，所述步骤S1的配置mysql数据库的运行环境，使得能够与仿真平台(MATLAB)以及办公软件Excel进行数据交换。是由于一般的污水处理厂在数据采集时会使用数据库以及Excel这两种工具，数据输入时就需要考虑到仿真平台与这两种工具对接时需要修改的配置，这里使用navicat软件将Excel表导入到数据库中，并且需要mysql数据库建立相应的进水和出水数据表。

进一步的，所述步骤S1中使得mysql数据库能够与仿真平台(MATLAB)以及办公软件Excel进行数据交换，需要在系统内配置ODBC数据源，即在系统设置中的管理工具里找到ODBC数据源32位，添加mysql数据源并填写配置信息，数据库名称是在mysql数据库里真实创建的数据库；在仿真平台上要写连接数据库的接口程序，再使用MATLAB的数据库读写函数操作数据库内的表与数据。

进一步的，所述步骤S3按照通用的转换规则将描述进水数据的常规水质检测项目转换为活性污泥数学模型(ASM1)应用的数据输入格式。污水厂提供的进水数据是按照国家标准进行测定的常规水质监测项目(BOD5、COD、TN、NH3-N、TP、PH、SS)，而模型需要输入的是ASM1中的13种组分。故需设计出合理的数据转换方案，将二者进行转化，得到符合模型的数据。ASM1中的COD分为可生物降解性和不可生物降解性，再进一步又可以划分为溶解态和颗粒态。另外含氮组分由总凯式氮、亚硝酸盐氮和硝酸氮组成，总凯式氮则由有机氮和氨氮组成。13种组分所占比例可以用国际水协推荐的特征值，但每个地方的有差异，所以最好用实验的方法确定当地的各组分所占的比例。

进一步的，所述步骤S3的活性污泥机理(ASM1)根据其物理、化学和生物特性对活性污泥中的微生物、反应底物和生化反应进行分类。ASM1有13种组分、8个反应过程、19个参数，其中5个是化学计量系数，14个是动力学参数。

进一步的，所述ASM1的13种组分具体包括：惰性溶解有机物SI、易降解的溶解底物SS、惰性非溶解底物XI、缓慢降解的非溶解底物XS、异养微生物XBH、自养微生物XBA、微生物代谢残余物XP、溶解氧SO、硝态氮SNO、氨氮SNH、溶解性有机氮SND、非溶解性有机氮XND与碱度SALK。

进一步的，所述步骤S4统计进水数据的总数，以便设置在求解最优动力学参数时使用到的求解过程循环次数，是为了让每一条进水数据都可以参与到模型的运行计算中，一般污水厂按固定时间获得一定数量的进水数据，而最优动力学参数的寻找需要不断的迭代新解、不断的运行模型，所以一条进水数据需要至多数个小时的时间才能运算出最优的动力学参数，就无法按照固定的产出模式进行运算任务，则选择先采集定量的数据再开始运行模型，即序批式工作，由此需要知道每次批量计算最优动力学参数的进水数据的总量，然后取到最新的数据至上次运行尚未计算到的数据后开始工作，以免出现缺漏，这部分内容通过编程实现。

进一步的，所述步骤S5整体工艺数学模型可以看作是一个虚拟的污水处理厂，它由包含缺氧池、厌氧池、好氧池的五座生化反应池和一个二沉池组成，可以通过改变氧传递系数来控制最后一个生化反应池中的溶解氧浓度，并通过操纵氧传递系数来控制第二个缺氧反应池中的硝酸盐水平与内部循环流量。

进一步的，所述步骤S6的模型运行参数是simlink模拟仿真时需要设置的采样时间、数据输入输出格式、运行时间、解码器种类以及基准模型自带模块传递的变量名称，要将参数修改至使得模型运行无报错且符合计算逻辑。

进一步的，所述步骤S6调整数学模型的初始状态变量，不同的污水处理厂的处理量不一样，基准数学模型的流量和容器体积的相关工艺参数的默认值需要根据真实污水厂的规格一一调整，并且调整好了初始值后还要通过运行默认状态下的模型得到出水数据来验证，不断校正初始值直到出水数据和真实数据基本接近甚至是重合才停止。

进一步的，所述步骤S7设置进水数据的相似性校验，当数学模型运行一段时间后，数据库会存储已经计算好的控制参数与相对应的进水数据，而进水数据不一定每次会变化，于是当新的进水数据与之前的进水数据的各组分浓度一样时，就可以跳过模型运行阶段，直接使用之前算好的最优控制参数即可，因此在模型运行前先设置数据库的查询步骤，如果可以查询到匹配的进水数据，就可以大大提高程序的效率；另外，完全一样的数据如何判断取决于如何选择精确度，当精确度很高时很难匹配一样的数据，于是为了模型的效率，需要适当的降低精确度，本算法的判断规则是使用差值类方法，当结果等于0时定义两份数据完全一样，当结果小于设定精确度时定义两份数据近似。

进一步的，所述步骤S8的运行整体工艺模型，输出运行结果，将数据再转换为常规水质检测项目形式后存入数据库中，是在仿真平台将输入输出的接口通过程序固定好之后再开始仿真，再将模型运行得到的结果中的13种组分浓度转换为常规水质监测项目，这里使用之前常规水质监测项目的细分项目重新相加即可，较拆分常规水质监测项目而言更加简单，再将转换后的数据通过接口程序存入数据库做保留。

进一步的，所述步骤S9的初始化种群是在已经求出的初始解周围随机生成多个扰动解，编码是把种群中的各个解变成方便进行交叉和重组以及变异运算的二进制数字串，即遗传学中的染色体；适应度函数选择活性污泥数学模型，当输入动力学参数使得数学模型代入真实进水数据运行后的模拟出水数据和真实出水数据的方差越小，说明适应度越强，适应度越强的动力学参数用来进行下一次的遗传，即保留其的基因及表现型。

进一步的，所述步骤S10的最优的动力学参数值，是在设定的迭代次数前提下运行模型产生的，即迭代的次数与种群适应度的设定值决定了这个最优动力学参数的优化程度，在时间和空间无限的情况理论上迭代次数可以无限增加并且种群适应度的设定值也可以无限接近零，但是这样的动力学参数求解是无意义的，于是设定迭代次数和种群适应度的设定值就需要考虑实际生产的需要，适当的设定值可以确保最优动力学参数与真正最优值间的差距趋近于极小。

另一方面，本发明提出上述方法在污水处理领域的应用。

本发明的有益效果：

提高污水处理厂的科学化管理和控制：传统的活性污泥法在工艺设计和运行方面主要采用经验或半经验的方法，缺乏科学合理的管理和控制。而本技术方案通过引入进化遗传算法，可以自动计算出最优动力学参数，从而实现真正意义上的在线实时控制。进化遗传算法作为一种启发式优化算法，能够根据污水处理厂的实际情况和目标要求，通过对动力学参数的不断优化和调整，使得模型更加准确地反映实际情况，并通过自适应调整模型参数，提高模型的准确性和适应性。

提高数学模型的准确性：本技术方案在活性污泥数学模型的基础上，通过引入进化遗传算法进行自适应调整模型，从而提高模型的准确性。活性污泥数学模型是对污水处理过程中的物理、化学和生物反应过程进行描述和模拟的数学表达式。然而，由于处理条件的复杂性和时变性，传统的静态数学模型难以准确地反映实际情况。通过引入进化遗传算法，可以动态地调整模型参数，使模型更贴近实际工况，提高模拟结果的准确性。

优化污水处理厂的能耗和成本：通过智能控制方法和优化计算出的最优动力学参数，可以帮助污水处理厂降低能耗和成本。优化后的控制策略可以更加精确地调整处理过程，减少能耗和化学剂的使用，降低运行成本。具体而言，进化遗传算法可以通过迭代优化过程，搜索全局最优的解，找到最佳控制策略，使得处理过程中能耗最小化，并且通过在线实时控制，可以根据当前的工况和进水水质，动态调整操作参数，实现能耗和成本的最小化。

综上所述，本技术方案通过引入进化遗传算法，实现污水处理厂的智能化控制和优化，在提高污水处理厂的科学化管理和控制、提高数学模型的准确性以及优化处理厂的能耗和成本等方面发挥着重要的专业作用。进化遗传算法作为一种强大的优化算法，能够在实际操作过程中不断优化动力学参数，提高模型的准确性和适应性，从而为污水处理厂的智能化控制和优化提供了技术支持和指导。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实例中基于进化遗传算法的污水处理智能控制过程中最优动力学参数的计算方法流程示意图；

图2为本发明实例使用的进化遗传算法在模型运行过程中不断循环求解的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例1

如图1-2所示

本实施例所述的一种活性污泥数学模型最优动力学参数的计算方法，包括以下步骤：

S1：配置mysql数据库的运行环境，使得能够与仿真平台(MATLAB)以及办公软件Excel进行数据交换；

S2：根据模型应用目的设计数据输入输出时将使用到数据库表；

S3：导入污水厂的Excel格式的进水数据至mysql数据库中，按照通用的转换规则将描述进水数据的常规水质检测项目转换为活性污泥数学模型(ASM1)应用的数据输入格式，即13种水质的组分浓度；

S4：统计进水数据的总数，以便设置在求解最优动力学参数时使用到的求解过程循环次数；

S5：在仿真平台(MATLAB)中编写包含活性污泥数学模型的程序，并根据真实污水厂的污水处理工艺流程建立整体工艺数学模型；

S6：按照时序逻辑增加相应延迟程序，并调整数学模型的初始状态变量，包括工艺参数、运行参数、化学计量学参数、动力学参数；

S7：设置进水数据的相似性校验，运用公式计算历史数据库中的进水数据与新的进水数据的差值，小于设定数值定义为两份数据是几乎一样的，则不再开始数学模型的运算，直接使用历史数据中的最优动力学参数；

S8：运行整体工艺模型，输出运行结果，将数据再转换为常规水质检测项目形式后存入数据库中，比较数学模型模拟出水数据和真实污水厂的出水数据，在此基础上作动力学参数的灵敏度分析，按灵敏度分析结果排序，从影响最大的参数开始调整，将首次运行的动力学参数作为初始解，以此初始解和整体工艺数学模型代入进化遗传算法进入最优解的求解过程；

S9：进化遗传算法需要初始化种群，则先通过初始解自我变异产生一个种群，然后对该种群进行编码，再以整体工艺数学模型作为适应度函数，当出水数据越接近真实数据代表该个体适应度越高，接着选择适应度高的个体进行交叉和遗传，产生新种群，不断迭代这个过程直到满足种群适应度值的方差小于设定值，代表种群表现型趋于一致；

S10：当进化遗传算法执行完毕会得到一个最优的动力学参数值，将此动力学参数值和对应的进出水数据存入数据库以供新数据作相似性校验。

在本实施例中，所述步骤S1的配置mysql数据库的运行环境，使得能够与仿真平台(MATLAB)以及办公软件Excel进行数据交换。是由于一般的污水处理厂在数据采集时会使用数据库以及Excel这两种工具，数据输入时就需要考虑到仿真平台与这两种工具对接时需要修改的配置，这里使用navicat软件将Excel表导入到数据库中，并且需要mysql数据库建立相应的进水和出水数据表。

在本实施例中，所述步骤S1中使得mysql数据库能够与仿真平台(MATLAB)以及办公软件Excel进行数据交换，需要在系统内配置ODBC数据源，即在系统设置中的管理工具里找到ODBC数据源32位，添加mysql数据源并填写配置信息，数据库名称是在mysql数据库里真实创建的数据库；在仿真平台上要写连接数据库的接口程序，再使用MATLAB的数据库读写函数操作数据库内的表与数据。

在本实施例中，所述步骤S3按照通用的转换规则将描述进水数据的常规水质检测项目转换为活性污泥数学模型(ASM1)应用的数据输入格式。污水厂提供的进水数据是按照国家标准进行测定的常规水质监测项目(BOD5、COD、TN、NH3-N、TP、PH、SS)，而模型需要输入的是ASM1中的13种组分。故需设计出合理的数据转换方案，将二者进行转化，得到符合模型的数据。ASM1中的COD分为可生物降解性和不可生物降解性，再进一步又可以划分为溶解态和颗粒态。另外含氮组分由总凯式氮、亚硝酸盐氮和硝酸氮组成，总凯式氮则由有机氮和氨氮组成。13种组分所占比例可以用国际水协推荐的特征值，但每个地方的有差异，所以最好用实验的方法确定当地的各组分所占的比例。

在本实施例中，所述步骤S3的活性污泥机理(ASM1)根据其物理、化学和生物特性对活性污泥中的微生物、反应底物和生化反应进行分类。ASM1有13种组分、8个反应过程、19个参数，其中5个是化学计量系数，14个是动力学参数。

在本实施例中，所述步骤S4统计进水数据的总数，以便设置在求解最优动力学参数时使用到的求解过程循环次数，是为了让每一条进水数据都可以参与到模型的运行计算中，一般污水厂按固定时间获得一定数量的进水数据，而最优动力学参数的寻找需要不断的迭代新解、不断的运行模型，所以一条进水数据需要至多数个小时的时间才能运算出最优的动力学参数，就无法按照固定的产出模式进行运算任务，则选择先采集定量的数据再开始运行模型，即序批式工作，由此需要知道每次批量计算最优动力学参数的进水数据的总量，然后取到最新的数据至上次运行尚未计算到的数据后开始工作，以免出现缺漏，这部分内容通过编程实现。

在本实施例中，所述步骤S5整体工艺数学模型可以看作是一个虚拟的污水处理厂，它由包含缺氧池、厌氧池、好氧池的五座生化反应池和一个二沉池组成，可以通过改变氧传递系数来控制最后一个生化反应池中的溶解氧浓度，并通过操纵氧传递系数来控制第二个缺氧反应池中的硝酸盐水平与内部循环流量。

在本实施例中，所述步骤S6的模型运行参数是simlink模拟仿真时需要设置的采样时间、数据输入输出格式、运行时间、解码器种类以及基准模型自带模块传递的变量名称，要将参数修改至使得模型运行无报错且符合计算逻辑。

在本实施例中，所述步骤S6调整数学模型的初始状态变量，不同的污水处理厂的处理量不一样，基准数学模型的流量和容器体积的相关工艺参数的默认值需要根据真实污水厂的规格一一调整，并且调整好了初始值后还要通过运行默认状态下的模型得到出水数据来验证，不断校正初始值直到出水数据和真实数据基本接近甚至是重合才停止。

在本实施例中，所述步骤S7设置进水数据的相似性校验，当数学模型运行一段时间后，数据库会存储已经计算好的控制参数与相对应的进水数据，而进水数据不一定每次会变化，于是当新的进水数据与之前的进水数据的各组分浓度一样时，就可以跳过模型运行阶段，直接使用之前算好的最优控制参数即可，因此在模型运行前先设置数据库的查询步骤，如果可以查询到匹配的进水数据，就可以大大提高程序的效率；另外，完全一样的数据如何判断取决于如何选择精确度，当精确度很高时很难匹配一样的数据，于是为了模型的效率，需要适当的降低精确度，本算法的判断规则是使用差值类方法，当结果等于0时定义两份数据完全一样，当结果小于设定精确度时定义两份数据近似。

在本实施例中，所述步骤S8的运行整体工艺模型，输出运行结果，将数据再转换为常规水质检测项目形式后存入数据库中，是在仿真平台将输入输出的接口通过程序固定好之后再开始仿真，再将模型运行得到的结果中的13种组分浓度转换为常规水质监测项目，这里使用之前常规水质监测项目的细分项目重新相加即可，较拆分常规水质监测项目而言更加简单，再将转换后的数据通过接口程序存入数据库做保留。

在本实施例中，所述步骤S9的初始化种群是在已经求出的初始解周围随机生成多个扰动解，编码是把种群中的各个解变成方便进行交叉和重组以及变异运算的二进制数字串，即遗传学中的染色体；适应度函数选择活性污泥数学模型，当输入动力学参数使得数学模型代入真实进水数据运行后的模拟出水数据和真实出水数据的方差越小，说明适应度越强，适应度越强的动力学参数用来进行下一次的遗传，即保留其的基因及表现型。

在本实施例中，所述步骤S10的最优的动力学参数值，是在设定的迭代次数前提下运行模型产生的，即迭代的次数与种群适应度的设定值决定了这个最优动力学参数的优化程度，在时间和空间无限的情况理论上迭代次数可以无限增加并且种群适应度的设定值也可以无限接近零，但是这样的动力学参数求解是无意义的，于是设定迭代次数和种群适应度的设定值就需要考虑实际生产的需要，适当的设定值可以确保最优动力学参数与真正最优值间的差距趋近于极小。

实施例2

如图1-2所示

本实施例所述的一种活性污泥数学模型最优动力学参数的计算方法，包括以下步骤：

步骤1：配置mysql数据库的运行环境，使得能够与仿真平台(MATLAB)以及办公软件Excel进行数据交换；

步骤2：根据模型应用目的设计数据输入输出时将使用到数据库表；

具体地，本步骤设计的数据库表有进水表、出水表、最优动力学参数表，仿真平台接入数据库之后，从进水表读取数据，输出数据至出水表和最优动力学参数表，其中进水表关联最优动力学表作相似性校验。这三张表都需要建立一个数据更新时间字段用来核对数据，即读取进水数据时刻、得到出水数据时刻、最优动力学参数变化时刻。

步骤3：导入污水厂的Excel格式的进水数据至mysql数据库中，按照通用的转换规则将描述进水数据的常规水质检测项目转换为活性污泥数学模型(ASM1)应用的数据输入格式，即13种水质的组分浓度；

具体地，本步骤所述的ASM1模型的13种组分组分为：惰性溶解有机物SI、易降解的溶解底物SS、惰性非溶解底物XI、缓慢降解的非溶解底物XS、异养微生物XBH、自养微生物XBA、微生物代谢残余物XP、溶解氧SO、硝态氮SNO、氨氮SNH、溶解性有机氮SND、非溶解性有机氮XND、碱度SALK。

所述的8个反应过程为：

(1)异养菌的好氧生长。

这一过程的基本特征是利用易降解底物，生成异养微生物体，同时伴随着溶解氧的利用和氨被结合到新增长的生物体中。

(2)异养菌的缺氧生长。

这一过程的基本特征是易降解底物的利用和微生物量的增长。但在此过程中，硝酸盐氮作为最终的电子受体，其去除量与被去除的底物量和生成的细胞量的差值成正比，氨氮在这一过程中也被转化为细胞物质。

(3)自养菌的好氧生长。

这一过程的基本特征是溶解性的氨氮作为硝化细菌生长的能源被氧化，生成最终产物硝酸盐。与此同时，少量氨被结合到自养菌的细胞中。溶解氧用作电子受体，与被氧化的氨氮量成正比。

(4)异养菌的衰减。

ρ

这一过程所采用的速率表达式十分简单，仅为异养微生物浓度XB,H的一级反应。反应速率常数bH与通常的衰减常数在概念和数值上都存在很大差别。采用“死亡-再生”概念，微生物的衰减过程只是将活性微生物转变为缓慢降解的非溶解底物和不可降解的代谢产物，既没有COD损失，也不涉及电子受体的利用。

(5)自养菌的衰减。

ρ

其处理方法与异养菌完全相同。

(6)氨化过程。

ρ

即溶解性有机氮转化为氨氮的过程。其反应速率方程为简单的一级反应经验式。

(7)缓慢降解非溶解性有机物的水解。

当被捕集的底物与生物量的比值相对较大时，水解速率将达到饱和；由于需要合成酶，水解速率与可利用的电子受体有关。

(8)可生物降解的有机氮的水解。

假定有机氮均匀分布于缓慢降解的有机物中，非溶解的有机氮的水解速率与缓慢降解有机物的水解速率成正比。

所述的19个参数为：异养菌产率系数YH、自养菌产率系数YA、微生物细胞中氮含量比例iXB、微生物中惰性颗粒比例fP、微生物产物中氮含量比例iXP、异养菌的氧气半饱和系数KO,H、自养菌的氧气半饱和系数KO,A、异养菌的硝酸盐氮半饱和系数KNO、自养菌的氨半饱和系数KNH、异养菌半饱和系数KS、缓慢生物降解底物水解的半饱和系数KX、自养菌最大比增长速率μ

所述的转换方法在国际上有默认的公式，如下所示：

COD＝S

上式表示为COD的拆分公式，即COD由哪几种组分组成，BOD也能按组分相加的方式进行计算。

TN＝TKN+S

上式表示为氮组分的拆分公式，污水中的含氮组分由总凯式氮、亚硝酸盐氮和硝酸氮组成。总凯式氮则由有机氮和氨氮组成。

步骤4：统计进水数据的总数，以便设置在求解最优动力学参数时使用到的求解过程循环次数；

具体地，本步骤所述的统计进水数据的条数，实际上式使用下面的sql语句来实现。

select count(*)from sadatabase.influent

步骤5：数据在仿真平台(MATLAB)中编写包含活性污泥数学模型的程序，并根据真实污水厂的污水处理工艺流程建立整体工艺数学模型；

具体地，本步骤所述的整体工艺数学模型包含以下微分方程：

式中，fx是颗粒COD的平均分数，th(t)是液压保持时间，fcorr是COD去除效率的无量纲校正因子，该方程描述了初级沉降池的分离过程。

所述的整体工艺数学模型包含反应池模型，其中反应池模型应用ASM1的原理实现，对13种组分的总速率反应方程积分后联立得到完整反应池数学模型，而组分Ss总速率反应方程如下所示，另外的组分的总速率反应方程式同理可得。

所述的整体工艺数学模型包含二沉池模型，二沉池的固液分离模块假设为一个10层无生化反应的单元，从底部到顶部第三层设为进水层。由重力引起的固相流为其中vs为沉降速度，Xsc是总污泥密度，沉降速度公式如下所示，其中，Xmin为从生化反应池来的总固体浓度。

对于近水层建立方程如下所示：

对于底层与进水层之间建立方程如下所示：

对于底层建立方程如下所示：

对于进水层和顶层之间的中间层建立方程如下所示：

J

J

对于顶层之间建立方程如下所示：

J

J

具体地，上述方程可采用simlink模拟仿真实现，或者采用C语言编写，再转化为MATLAB软件内部使用的S函数。

步骤6：按照时序逻辑增加相应延迟程序，并调整数学模型的初始状态变量，包括工艺参数、运行参数、化学计量学参数、动力学参数；

具体地。本步骤所述的延迟程序是指实际水处理过程，进入处理系统的污水不会瞬间进入充满所有的反应器和处理单元，因此需要编写水力延迟模块，使得原本瞬时变化的数学模型更贴近实际情况。这里指增加一个时间参数，每份进水数据都有各自的时间参数，对时间参数进行运算后就可以对进水数据进行标识，再利用逻辑判断语句使得每份数据间不会相互干扰。调整参数指的是按照真实污水厂衡量测算的数据来修改模拟污水厂的参数。

步骤7：设置进水数据的相似性校验，运用公式计算历史数据库中的进水数据与新的进水数据的差值，小于设定数值定义为两份数据是几乎一样的，则不再开始数学模型的运算，直接使用历史数据中的最优动力学参数；

具体地。本步骤所述的相似性校验的设定差值比例为1％，即两份进水数据的各个组分间只有不到百分之一的差距的话视为相似，当差距为0时视为两份进水数据是一样的。

步骤8：运行整体工艺模型，输出运行结果，将数据再转换为常规水质检测项目形式后存入数据库中，比较数学模型模拟出水数据和真实污水厂的出水数据，在此基础上作动力学参数的灵敏度分析，按灵敏度分析结果排序，从影响最大的参数开始调整，将首次运行的动力学参数作为初始解，以此初始解和整体工艺数学模型代入进化遗传算法进入最优解的求解过程；

具体地，本步骤所述的转换方法同拆分时一样，也在国际上有默认的公式，包含下列公式：

TSS

COD

BOD

TN

TKN

上述公式将13种组分组合成了水质监测项目中的各项。

步骤9：进化遗传算法需要初始化种群，则先通过初始解自我变异产生一个种群，然后对该种群进行编码，再以整体工艺数学模型作为适应度函数，当出水数据越接近真实数据代表该个体适应度越高，接着选择适应度高的个体进行交叉和遗传，产生新种群，不断迭代这个过程直到满足种群适应度值的方差小于设定值，代表种群表现型趋于一致；

具体地，本步骤所述的算法进行遗传的前提是配对，每两条染色体组合成一对，将两者的部分染色体进行交换，交叉运算是选择染色体上的一个基因点，从这个基因点开始的两条染色体片段互换；变异运算是选择一条染色体上的一个基因点，将其取反；此外，为增强适应度，选择将在初始化种群阶段增加大量的个体数量以及采取多样化的变异方法，以此获得更宽广的解的范围，用来跳出局部极值，达到求解出最优值的目的。

步骤10：当进化遗传算法执行完毕会得到一个最优的动力学参数值，将此动力学参数值和对应的进出水数据存入数据库以供新数据作相似性校验。

具体地，本步骤所述的执行算法得到最优动力学参数的过程如图2所示，该过程所包含步骤如下：

1)种群初始化；

2)计算所有个体的适应度；

3)基于适应度选择个体；

4)不同个体进行交叉重组；

5)同一个体发生变异；

6)产生新一代种群；

7)判断是否种群适应度值的方差小于设定值，未完成返回步骤2，完成了输出当前适应度最高个体作为结果。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。