吴宇行，王晓东，朴 恒

(青岛理工大学环境与市政工程学院，山东青岛 266000)

污水处理厂进水水质、水量波动大，为保证处理效果，污水处理厂对工艺控制具有严格的要求。前馈控制、反馈控制、复合控制、模型预测控制等一系列过程控制技术在污水处理中受到重视。部分污水处理厂通过人工控制或简单的自动控制系统对曝气系统、药剂投加系统进行控制。采用传统控制方法，污水处理厂为保障出水水质达标存在较为严重的过度曝气、过量投加药剂的问题。

本文综述了前馈控制、反馈控制、复合控制和模型预测控制的结构，以及其在药剂投加控制和曝气控制上的研究与应用，此外，对前馈控制、反馈控制和模型预测控制的优势和弊端分别进行了讨论。

1 控制系统

发达国家对控制系统的研究与应用起步较早，美国于20世纪70年代中期开始实现污水处理厂自动控制，90年代以后，我国才引入自动控制系统[1]。污水处理过程控制系统即通过应用在线监测设备对污水处理过程中的关键指标，如COD、氨氮、总氮、硝酸盐、亚硝酸盐、碱度、温度、进水流量等进行监测，对污水处理过程加药量、曝气量进行自动控制，以达到减少能耗和药剂投加、提升出水水质和减少人员干预的目的。

在实际污水处理工程中，过程控制系统主要包括前馈控制、反馈控制以及复合控制。由于污水生化处理过程具有非线性、不确定性和大滞后等特点[2]，近年来，模糊控制、神经网络控制等智能控制技术越来越多地应用在污水处理过程中[1]，与传统技术相结合发展出一系列新的控制系统[3-6]。模型预测控制得到长足的发展[7]，应用智能控制技术优化模型预测控制成为研究热点。

2 控制系统的结构

2.1 前馈控制的结构

前馈控制方框图如图1所示，由控制元件、执行器、终端控制元件、测量设备、控制系统模型等组成。前馈控制的控制思路是通过对重要参数进行测量，通过预先建立的控制系统模型对系统扰动可能造成的影响进行补偿，在扰动变量影响控制过程之前，控制元件根据监测的扰动变化通过执行器对干扰进行补偿，理论上具有避免误差产生的能力。

2.2 反馈控制的结构

反馈控制结构如图2所示。反馈控制系统是一个闭环系统，核心部分包括控制元件、执行器和终端控制元件。在工艺运行过程中，测量设备(传感器等)对被控量进行监测，被控量随后通过比较元件与预设值进行对比，控制元件根据测量的被控量和预先设定的设定值或参考值之差(即误差)对控制系统进行调整，通过执行器对下一次行为进行控制，达到将溶解氧浓度维持在设定值的目的。与前馈控制不同，被控量误差产生之前，反馈控制不对控制行为进行调整。两种典型应用于污水处理过程中的反馈控制器是开关控制器和比例-积分-微分(PID)器，在污水处理工业控制中占支配地位。

2.3 复合控制的结构

复合控制系统结构如图3所示。复合控制的常见形式是前馈控制与反馈控制嵌套联用。通过前馈控制对干扰变量可能造成的误差进行预测控制，对控制系统进行调整；通过反馈控制对系统进行勘正，提高控制精度。因此，应用复合控制可以发挥两者的优势，有效缓解单独使用前馈控制或反馈控制造成的弊端，得到较好的控制结果。

图3 复合控制系统方框图Fig.3 Block Diagram of Compound Control System

2.4 模型预测控制的结构

模型预测控制结构如图4所示。

图4 模型预测控制结构图Fig.4 Block Diagram of Model Predictive Control System

模型预测控制(MPC)是一种基于模型的闭环优化控制策略，包括内部模型、滚动优化和反馈控制。模型预测控制计算分3步进行：首先，利用模型预测被控过程的输出变量；然后，在约束条件下，最小化给定的目标函数，尽量使预测的过程输出变量与预期参考信号接近，计算未来控制序列；最后，控制器执行控制序列的第1个输出值，在下一次控制时应用本次优化的数据进行重复优化[8]。

3 控制系统在药剂投加方面的研究与应用

污水处理过程中，化学药剂的投加对保障出水水质具有关键作用，进水的水质水量指标是药剂投加量的关键影响因素。应用控制系统对水质水量波动进行在线监测，根据监测结果进行自动控制是当前研究的重点。国内污水处理厂普遍采用人工手动控制的方式进行操作。人工手动控制造成2个弊端：(1)外源药剂投加过量，造成药剂浪费和成本增加；(2)进水水质水量波动严重时，出水超过排放标准，无法保证出水水质达标[9]。过程控制可以很好地应用在外加药剂控制方面，达到灵活控制、节约药剂成本、提升出水水质的目的。

早在2001年，Lee等[10]对焦化厂废水外加碳源控制进行研究，研究的控制策略包括前馈控制和开关控制。前馈控制可根据进水硝酸盐浓度对外加碳源的投加进行控制，与开关控制相比，应用前馈控制时出水中COD与硝酸盐的浓度更加稳定，并达到避免亚硝酸盐积累的目的。安泳等[9]对青岛市娄山河污水处理厂实际运行的自动加药系统进行研究。该系统根据污水流量和出水水质，应用反馈控制建立，运行以来系统波动次数显著减少，表现出良好的稳定性，出水水质保持在设定值附近，药剂单耗降幅达12%～34%，每年节约污水处理厂药剂费约171万元，证明应用过程控制系统控制药剂投加具有节约运行成本的潜力。邱勇等[11]对比多种动态加药控制系统，发现出水反馈控制可以在改善出水磷酸盐浓度的同时，减少药剂浪费的需求(试验证明可以节约16%的药剂)。

在应用复合控制方面，方荣业等[4]建立BP神经网络前馈预测和反馈PID的复合控制系统，在污水处理厂运行1个月后，出水COD达标率与人工控制相比提高了8.88%，活性炭日均消耗量减少了16.61%。

4 控制系统在曝气控制方面的研究与应用

曝气是污水生化处理的重要组成部分。曝气系统的能耗占到污水处理厂总能耗的30%～70%，也是污水处理厂最具节能潜力的处理单元。曝气控制的主要任务是在保证出水水质的前提下尽可能地节省能耗。曝气量过小会造成溶解氧浓度过低，从而影响生物降解和硝化反应的进行；曝气量过大既会造成能源的浪费，也可能会使消化液携带过多溶解氧，从而破坏反硝化缺氧环境，影响反硝化脱氮效果[12]。

曝气控制系统中供气系统、传感器以及控制策略的选择都会影响最终的控制效果[13]。传感器对污水处理过程中的重要指标进行在线测量，通过不同控制策略对供气系统进行调控，从而进行曝气控制。当前，曝气控制主要对DO在线监测和营养盐在线监测方法进行研究。由于进水水质的波动性和生化反应环境的不确定性，对曝气控制的精度有较高的要求，如何兼顾节能与污水脱氮效果成为研究重点，改进过程控制技术实现精确曝气是曝气控制未来的发展目标。精确曝气是根据曝气池当前运行需要的曝气量对曝气系统进行精确控制，将曝气量维持在设定值附近，既保证了硝化需求，也降低了曝气能耗，实现兼顾节能和保障、提升出水效果的目的。实现精确曝气需要根据污水处理厂的实际运行情况建立有效的模型，根据模型计算出当前运行需要的曝气量并进行精确控制[14-15]。随着在线监测设备的发展与智能控制技术的应用，传统控制技术得到新的发展。未来通过精确曝气保障出水水质和能耗控制的研究方向将由溶解氧、出水氨氮的反馈控制扩展到基于生化反应动力学模型的以计算实际需氧量和传质效率为基础的精确供氧控制[12]。

4.1 前馈控制和反馈控制

在AAO中试试验设备中进行前馈控制试验，根据进水指标的变化前馈调整溶解氧设定值，并采用前馈控制方式基于进水流量、COD浓度和第一好氧池氨氮浓度控制内回流比的脱氮效果[16]。试验中，出水氨氮浓度始终没有超过限值，出水总氮和总磷浓度分别下降29.9%和65.5%，并减少约38%的能耗。Revollar等[17]提出了基于PID的分级控制结构，应用效率指数对活性污泥过程中去除的氮与去除氮所消耗的能量进行量化，并将效率指数作为重要的控制指标，提高了污水处理厂的脱氮性能。

在线监测设备的故障、可靠性差以及某些指标在线监测困难等问题会影响前馈和反馈对曝气系统的控制能力。项雷军等[18]针对污水处理厂溶氧仪损坏、测量精度差或可靠性差等原因造成的系统抗干扰能力弱、难以追踪溶解氧等控制问题，采用状态观测器与模型预测控制相结合的方法，构成了具有良好动态稳定性能的输出反馈预测控制系统。针对COD难以实时准确测量的难点，许玥[19]应用软测量技术对COD进行预测，并根据预测结果建立模型。利用模糊PID控制器进行调控，对COD浓度设定值和鼓风机功率进行优化，优化后吨水电耗降低40%～45%。

智能控制技术与前馈控制和反馈控制相结合是另外一个研究方向。叶凤英等[20]在常规PID控制基础上设计出模糊神经网络PID控制器并对DO浓度进行控制。根据仿真模拟结果，该控制系统具有很强的鲁棒性和稳定性。王子昊[5]基于序批式活性污泥工艺，研究以缺氧/好氧停留时间比、表面气速为控制变量对系统脱氮效果的影响，并构建了前馈神经网络模型。根据浙江某城镇污水处理厂1年的实际运行数据，运用该模型对风机风量进行优化选择，可降低约9.3%的电力成本。

4.2 复合控制

复合控制同时具有前馈和反馈控制的优势，有更好的处理效果。2014年，薛美盛等[3]提出基于氨氮前馈的溶解氧模糊自适应PID控制，与常规的PID控制相比，复合控制在保证出水氨氮低于5 mg/L的同时，节约28.3% 的能耗，表现出良好的节能效果。胡雨沙等[26]以清远某污水处理厂为例对进水COD进行预测，根据预测结果建立了前馈-反馈复合控制系统。试验证明，进水COD预测模型具有很高的精度，根据准确的进水量和进水COD的预测结果调整鼓风机的开度，可减少该污水处理厂7.1%的运行成本。

智能控制在复合控制的应用方面，张爱娟等[6]提出基于专家前馈控制器和模糊PID反馈控制器的前馈-反馈控制，建立的复合控制系统在参数变化时鲁棒性好，自适应能力强，证明智能控制与前馈-反馈控制的复合控制可以得到很好的控制效果。

4.3 模型预测控制

在2008年，Shen等[27]将模型预测控制应用于基准模拟模型中，并与基于进水流量测量的前馈控制相比较，证明模型预测控制可以有效应用于污水处理过程控制中。Vrecko等[28]提出了一种氨氮模型预测控制器，并将其应用在中试规模活性污泥工艺中进行评价。结果表明，氨氮模型预测控制器对氨氮的处理效果优于氨氮PI控制器，但与氨氮前馈PI控制器相比，效果略差，能耗较高。随着氨氮非线性简化模型精度的提高，在控制器内部使用更复杂的控制标准，模型预测控制具有进一步优化的潜力。

O’Brien等[29]论述了将模型预测控制应用于低COD负荷的污水处理厂的实例，并将模型预测控制与水厂原本的开关控制的运行效果进行了比较。试验证明，模型预测控制可有效将每个运行阶段的溶解氧控制在设定值。在模型预测控制实际运行期间，整体用电量平均减少20%，工艺效率提升至少25%。由此可知，污水处理厂实时监控成功的关键是仪表设备和信息基础设施的稳定性。

近年来，综合现有控制方法的优点，开发新控制器成为一种趋势。张学阳等[30]综合神经网络控制和预测控制两种方法的优点，构建神经网络预测控制器，在白噪音干扰和进水流量阶跃变化的情况下对溶解氧时变设定值进行跟踪控制。根据仿真试验，新开发的神经网络预测控制器应对干扰时，能够较快恢复到稳定状态，表现出比传统PID控制器更强的抗干扰能力。

另一个研究方向是应用新的算法对模型预测控制进行改进。李明河等[31]采用Levenberg-Marquardt算法(LM算法)对BP神经网络进行改进，开发出基于LM算法的神经网络预测控制。与PID控制和模型预测控制相比，神经网络预测控制对溶解氧的跟踪控制能力有所增强，抗干扰能力提升。宋翼颉[32]对传统的预测控制进行了改进，设计出基于最小二乘支持向量机的非线性模型预测控制算法，解决了活性污泥工艺硝态氮控制问题。

模型预测控制需要模型精度可靠，因此，对模型的研究是模型预测控制研究的重要方向。钱湖海[33]基于自组织模糊神经网络建立预测模型，并运用到非线性模型预测控制中，提出了基于自组织模糊神经网络的多目标模型预测控制策略。该方法可以有效跟踪溶解氧和硝态氮，具有非常好的自适应能力和鲁棒性。

5 控制系统的比较与评价

研究显示，前馈控制策略的一大优势是反应速度快，可以在潜在干扰因素干扰出水水质之前对其进行处理。前馈控制的缺点主要为：(1)需要更多的传感器；(2)控制机理更复杂；(3)增加了运行管理人员额外的运行管理负担[16-17]。

理论上讲，一个完美的前馈控制系统可以使被控制变量始终保持在设定值上。但是，前馈控制在污水处理厂实际工程项目中应用较少，主要的技术限制在于工艺过程和控制器的复杂性[34]，增加控制结构和算法的复杂性会增加操作者的负担[35]，同时，前馈控制需要额外的在线监控器[14]，存在建模难度较大等技术问题。由于以上种种限制，前馈控制目前达不到理想的效果，实际应用中普遍将前馈控制与反馈控制结合使用。

与前馈控制相比，反馈控制的优势为：(1)需要更少的传感器；(2)不需要开发过程模型；(3)反馈控制更稳定。反馈控制存在的缺点非常明显，在控制行动开始之前干扰一定存在，由于传感器反应时间长，控制行为反应慢，在停留时间短的系统中可能无法及时应对突然的干扰[16-17]。近年的研究也将模糊控制方法应用于PID中，调整PID参数使其在每一种工况下达到最优，提高控制精度，增加稳态性能。

模型预测控制是在实践中发展出的控制方法，主要优点是允许对具有许多强交叉交互的操纵和控制变量的进程进行控制，可以解决各种系统的过程限制。近年来，污水处理工业中模型预测控制的应用有以下难点。

(1)预测控制算法涉及到极大的计算量，污水处理工业是实时快速变化的复杂动态系统，需要性能优异的计算设备。

(2)线性预测控制技术研究较为成熟，但由于非线性模型的建模耗费代价较大，且难以获得较为精确的模型，非线性预测控制技术的研究尚不成熟，这使得预测控制在污水处理工业中的应用受到限制。

(3)模型预测控制虽然取得丰硕的成果，但理论与实际应用之间存在脱节，预测控制理论未能给实际应用起到指导作用，这也影响了预测控制在污水处理工业的进一步发展。

目前，模型预测控制的研究大多停留在实验室阶段和中试阶段。近5年，国内针对模型预测控制的研究主要集中在建立更准确的模型、应用新的算法和将智能控制特别是神经网络应用在模型预测控制中。对算法的改进和优化、降低计算量是模型预测控制未来的研究重点。应用软测量对难以实时、精确测量的指标进行预测也出现在近年的研究中[36-38]。

6 总结与展望

近10年，过程控制技术在污水处理中的研究与应用有了一定的进展。多种形式的前馈控制、反馈控制与复合控制已经成功应用于曝气控制和药剂投加控制，一定程度上达到了降低运行成本、提高处理效率的目的。人工神经网络和模糊控制等智能控制技术已广泛应用于过程控制中。尽管模型预测控制展现出了很好的效果，但是大部分相关工作还停留在计算机模拟和小试、中试试验阶段。