中文摘要：

活性污泥法污水处理工艺中，曝气是能耗最大的一个环节。如果能够根据曝气池生化反应和水动力学情况，计算实际需氧量，实现按需要曝气，会大幅度降低污水厂曝气能耗和运行成本。本项目主要研究内容包括（1）针对污水厂运行数据库，应用数据挖掘技术发现关联规则、进行聚类分析，挖掘数据中所蕴涵的知识；（2）研究以溶解氧（DO）为性能指标的曝气系统智能控制方法，解决系统由于大时滞、非线性、参数维数高而难以控制的问题，减小DO波动，维持好氧环境的稳定；（3）研究将基于数据驱动的智能模型与ASM活性污泥模型相结合的结构形式及建模方法，建立曝气系统智能混合模型，实现根据生化反应池内的生物化学反应和水动力学情况，由模型计算实际需氧量，给出生化反应池最优溶解氧设定值，实现按需要曝气，从而最大限度地实现曝气过程节能降耗的目标。

结论摘要：

基于活性污泥法的污水处理工艺中，曝气过程是能耗最大的环节。本项目以曝气过程的节能为目标，研究了曝气池的建模、优化及控制。项目完成情况如下１、深入研究了活性污泥机理模型ASM1，并针对一个较复杂的基准污水处理厂BSM1（Benchmark Simulation Model NO.1), 分别使用Matlab语言、S函数＋Simulink、及Ampl语言几种不同的方法实现了该污水处理仿真平台，为后续的控制、优化研究奠定了仿真平台基础。 2、深入研究了曝气过程溶解氧浓度的智能控制策略。提出了基于粒子群算法（PSO）的模糊神经网络控制及基于差分进化算法（DE）的模糊神经网络控制方案。利用粒子群算法及差分算法全局搜索能力强和BP算法局部搜索能力强的特点，设计了PSO+BP及DE+BP优化算法对模糊神经网络的参数进行优化，使得模糊神经网络具有更好的训练性能。 3、进行了复杂的活性污泥模型简化、降阶的研究。提出了一种简化活性污泥曝气过程机理模型，基于此模型，设计了降维状态观测器对不可测量的状态变量进行估计，进而对曝气过程做优化控制。另外，采用平衡截断方法对ASM模型进行降阶，应用降阶后的模型实现溶解氧浓度的模型预测控制。 4、进行了曝气过程动态优化控制的研究。研究包括（1）以ASM1机理模型作为曝气过程模型，以过程模型及出水指标为约束，求取最优曝气操作，使曝气能量最小；（２）研究了基于动态优化的非线性模型预测控制（NMPC），研究表明，针对污水处理这样复杂的生化过程，应用合适的算法可以求解动态优化问题。 5、进行了复杂过程的智能建模研究。提出了一种基于混合PSO算法的最小二乘支持向量机（LS-SVR），使用混合PSO算法同步进行特征属性选择和参数优化以改进LS-SVR模型预测精度和速度。 6、提出了污水处理厂曝气过程智能混合模型。提出了机理模型结合数据驱动模型的混合模型架构，研究了采用改进的最小二乘支持向量机对活性污泥过程机理模型进行参数辨识。研究结果表明，应用智能混合模型可以实现根据当前的进水情况，根据曝气池工艺情况，实时计算所需曝气量，实现按需曝气，减少曝气能量。基于上述研究，在本基金资助下，发表论文17篇， 其中SCI 3篇，　EI 7篇；培养工学硕士６名。