优化算法在污水处理中的应用进展

doi:10.19965/j.cnki.iwt.2024-0691

摘要/Abstract

摘要：

现有的污水处理系统存在自动化水平低、运行成本高和出水不稳定等问题，优化算法的应用可以提高水处理过程的处理效率和自动化控制水平。综述了污水处理系统几种主要的优化算法，包括遗传算法（GA）、粒子群优化算法（PSO）、随机森林（RF）、人工神经网络（ANN）、模糊逻辑控制（FLC）和混合优化算法，并介绍了各类优化算法的优缺点及适用范围，随后讨论了优化算法在水质异常数据监测与补偿、运行参数预测、控制参数优化和多目标优化控制等不同水处理环节中的应用。优化算法的应用提升了污水处理的自动化控制水平、出水质量，降低了运营成本，可有效预测和调节操作参数。最后，探讨了优化算法在实际工程应用中面临的挑战，指出优化算法和系统集成技术仍存在局限，并为优化算法在水处理领域的深入研究与应用指明了发展方向。

关键词: 污水处理, 优化算法, 机器学习, 模型预测, 神经网络

Abstract:

Existing wastewater treatment systems suffer from low automation levels, high operating costs and unstable effluent. The application of optimization algorithms improves the treatment efficiency and automation control level of water treatment process. Several major optimization algorithms for wastewater treatment systems were reviewed, including genetic algorithm (GA), particle swarm optimization algorithm (PSO), random forest (RF), artificial neural network (ANN), fuzzy logic control (FLC), and hybrid optimization algorithms. The advantages and disadvantages of each type of optimization algorithms as well as the scope of their application were introduced, followed by a discussion of the role of optimization algorithms in the monitoring and cleaning of water quality anomalies, operation parameters prediction, control parameters optimization, and multi-objective optimal control, prediction, control parameter optimization and multi-objective optimal control, etc. The application of optimization algorithms enhanced the level of automation and control of wastewater treatment, the quality of effluent, reduces the operating costs, and optimizes the prediction and adjustment of operating parameters. Finally, the challenges of applying optimization algorithms in practical engineering were explored, the limitations in algorithm optimization and system integration technologies were highlighted, and the development direction for optimization algorithms in water treatment was proposed.

Key words: wastewater treatment, optimization algorithm, machine learning, model prediction, neural network

中图分类号:

X703

刘良才, 毛文煜, 郑逸洁, 戴泽军, 胡启星, 胡智泉, 陈鹏, 郑军, 刘李侃. 优化算法在污水处理中的应用进展[J]. 工业水处理, 2025, 45(7): 11-18.

Liangcai LIU, Wenyu MAO, Yijie ZHENG, Zejun DAI, Qixing HU, Zhiquan HU, Peng CHEN, Jun ZHENG, Likan LIU. Advances in the application of optimization algorithms in wastewater treatment[J]. Industrial Water Treatment, 2025, 45(7): 11-18.

https://www.iwt.cn/CN/Y2025/V45/I7/11

图/表 3

参考文献 51

[1]	CROLL H C， IKUMA K， ONG S K，et al. Reinforcement learning applied to wastewater treatment process control optimization：Approaches，challenges，and path forward［J］. Critical Reviews in Environmental Science and Technology，2023，53（20）：1775-1794. doi:10.1080/10643389.2023.2183699
[2]	WU Jing， LI Zhenbo， ZHU Ling，et al. Optimized BP neural network for dissolved oxygen prediction［J］. IFAC-PapersOnLine，2018，51（17）：596-601. doi:10.1016/j.ifacol.2018.08.132
[3]	HAN Honggui， FU Shijia， SUN Haoyuan，et al. Hierarchical nonlinear model predictive control with multi-time-scale for wastewater treatment process［J］. Journal of Process Control，2021，108：125-135. doi:10.1016/j.jprocont.2021.11.002
[4]	BOLICK M M， POST C J， NASER M Z，et al. Comparison of machine learning algorithms to predict dissolved oxygen in an urban stream［J］. Environmental Science and Pollution Research，2023，30（32）：78075-78096. doi:10.1007/s11356-023-27481-5
[5]	刘载文，张春芝，王小艺，等. 基于遗传算法的污水处理过程优化控制方法［J］. 计算机与应用化学，2007，24（7）：959-962.
	LIU Zaiwen， ZHANG Chunzhi， WANG Xiaoyi，et al. Method of optimal control for wastewater treatment process based on genetic algorithms［J］. Computers and Applied Chemistry，2007，24（7）：959-962.
[6]	HOLENDA B， DOMOKOS E，RÉDEY，et al. Aeration optimization of a wastewater treatment plant using genetic algorithm［J］. Optimal Control Applications and Methods，2007，28（3）：191-208. doi:10.1002/oca.796
[7]	JAHANDIDEH-TEHRANI M， BOZORG-HADDAD O， LOÁICIGA H A. Application of particle swarm optimization to water management：An introduction and overview［J］. Environmental Monitoring and Assessment，2020，192（5）：281. doi:10.1007/s10661-020-8228-z
[8]	李艳，魏飞. 污水好氧处理溶解氧浓度控制策略研究［J］. 伊犁师范学院学报（自然科学版），2019，13（3）：44-51.
	LI Yan， WEI Fei. Study on control strategy of dissolved oxygen concentration in wastewater aerobic treatment［J］. Journal of Yili Normal University（Natural Science Edition），2019，13（3）：44-51.
[9]	LI Dashe， WANG Xueying， SUN Jiajun，et al. AI-HydSu：An advanced hybrid approach using support vector regression and particle swarm optimization for dissolved oxygen forecasting［J］. Mathematical Biosciences and Engineering，2021，18（4）：3646-3666. doi:10.3934/mbe.2021182
[10]	BREIMAN L. Random forests［J］. Machine Learning，2001，45：5-32. doi:10.1023/a:1010933404324
[11]	吕红燕，冯倩. 随机森林算法研究综述［J］. 河北省科学院学报，2019，36（3）：37-41.
	Hongyan LÜ， FENG Qian. A review of random forests algorithm［J］. Journal of the Hebei Academy of Sciences，2019，36（3）：37-41.
[12]	陈会娟，张丽娜，沈彦. 基于随机森林的污水处理曝气系统研究与应用［J］. 给水排水，2023，59（5）：165-169.
	CHEN Huijuan， ZHANG Li’na， SHEN Yan. Research and application of aeration system based on random forest for wastewater treatment［J］. Water & Wastewater Engineering，2023，59（5）：165-169.
[13]	董军，胡上序. 混沌神经网络研究进展与展望［J］. 信息与控制，1997，26（5）：360-368.
	DONG Jun， HU Shangxu. Research progress and prospect of chaotic neural network［J］. Information and Control，1997，26（5）：360-368.
[14]	梁高云. 基于神经网络的污水COD精准治理方法研究［D］. 桂林：桂林电子科技大学，2023. doi:10.1109/cei60616.2023.10528097
	LIANG Gaoyun. Research on accurate treatment method of sewage COD based on neural network［D］. Guilin：Guilin University of Electronic Technology，2023. doi:10.1109/cei60616.2023.10528097
[15]	MARTÍ P， SHIRI J， DURAN-ROS M，et al. Artificial neural networks vs. gene expression programming for estimating outlet dissolved oxygen in micro-irrigation sand filters fed with effluents［J］. Computers and Electronics in Agriculture，2013，99：176-185. doi:10.1016/j.compag.2013.08.016
[16]	崔玉理. 基于神经网络的污水处理过程建模及仿真的研究［D］. 青岛：山东科技大学，2006.
	CUI Yuli. Research on modeling and simulation of sewage treatment process based on neural network［D］. Qingdao：Shandong University of Science and Technology，2006.
[17]	张浩良，刘聪，洪乾坤，等. MBR中膜污染的人工神经网络预测研究进展［J］. 工业水处理，2022，42（7）：15-23.
	ZHANG Haoliang， LIU Cong， HONG Qiankun，et al. Research progress of artificial neural network for membrane fouling prediction in MBR［J］. Industrial Water Treatment，2022，42（7）：15-23.
[18]	陈铁军，彭皎龙，杨阳. 改进ACC算法优化的RBF神经网络研究及其应用［J］. 计算机测量与控制，2013，21（5）：1323-1326.
	CHEN Tiejun， PENG Jiaolong， YANG Yang. Improved ACC algorithm to optimize RBF neural network and its application［J］. Computer Measurement & Control，2013，21（5）：1323-1326.
[19]	HUANG Mingzhi， WAN Jinquan， HU Kang，et al. Enhancing dissolved oxygen control using an on-line hybrid fuzzy-neural soft-sensing model-based control system in an anaerobic/anoxic/oxic process［J］. Journal of Industrial Microbiology & Biotechnology，2013，40（12）：1393-1401. doi:10.1007/s10295-013-1334-y
[20]	HAN Honggui， LIU Hongxu， LI Jiaming，et al. Cooperative fuzzy-neural control for wastewater treatment process［J］. IEEE Transactions on Industrial Informatics，2021，17（9）：5971-5981. doi:10.1109/tii.2020.3034335
[21]	武情. 我国碳排放权交易价格的影响因素研究：基于GA-PSO-BP神经网络模型［D］. 蚌埠：安徽财经大学，2023.
	WU Qing. Study on the influencing factors of China’s carbon emission trading price：Based on GA-PSO-BP neural network model［D］. Bengbu：Anhui University of Finance & Economics，2023.
[22]	林开春，邵峰晶. 基于随机森林和神经网络的空气质量预测研究［J］. 青岛大学学报（工程技术版），2018，33（2）：32-36.
	LIN Kaichun， SHAO Fengjing. Research on air quality prediction based on random forest and neural network［J］. Journal of Qingdao University（Engineering & Technology Edition），2018，33（2）：32-36.
[23]	袁沐坤，于广平，刘坚，等. 基于感知-决策-评估的污水处理智能曝气方法［J］. 工业水处理，2022，42（4）：65-72.
	YUAN Mukun， YU Guangping， LIU Jian，et al. Intelligent aeration method for wastewater treatment based on perception-decision-evaluation［J］. Industrial Water Treatment，2022，42（4）：65-72.
[24]	韩红桂，赵子凡，伍小龙，等. 基于改进随机森林的城市污水处理过程运行数据清洗方法［J］. 北京工业大学学报，2021，47（5）：421-430.
	HAN Honggui， ZHAO Zifan， WU Xiaolong，et al. Data cleaning method for municipal wastewater treatment based on improved random forest［J］. Journal of Beijing University of Technology，2021，47（5）：421-430.
[25]	刘峻清，陶涛. 一种污水处理RO膜压差异常数据检测和处理方法［J］. 四川环境，2019，38（1）：13-17.
	LIU Junqing， TAO Tao. A method for detection and processing abnormal data of RO membrane pressure in waste water treatment［J］. Sichuan Environment，2019，38（1）：13-17.
[26]	HARROU F， DAIRI A， SUN Ying，et al. Statistical monitoring of a wastewater treatment plant：A case study［J］. Journal of Environmental Management，2018，223：807-814. doi:10.1016/j.jenvman.2018.06.087
[27]	韩红桂，鲁树武，伍小龙，等. 基于改进型SVM的城市污水处理过程异常数据清洗方法［J］. 北京工业大学学报，2021，47（9）：1011-1020.
	HAN Honggui， LU Shuwu， WU Xiaolong，et al. Abnormal data cleaning method for municipal wastewater treatment based on improved support vector machine［J］. Journal of Beijing University of Technology，2021，47（9）：1011-1020.
[28]	DU Xianjun， WANG Junlu， JEGATHEESAN V，et al. Dissolved oxygen control in activated sludge process using a neural network-based adaptive PID algorithm［J］. Applied Sciences，2018，8（2）：261.
[29]	WANG Dongsheng， CHEN Le， LI Taiyang，et al. Successful prediction for coagulant dosage and effluent turbidity of a coagulation process in a drinking water treatment plant based on the Elman neural network and random forest models［J］. Environmental Science：Water Research & Technology，2023，9（9）：2263-2274. doi:10.1039/d3ew00181d
[30]	王军栋，刘思远，齐维贵. 混凝剂投量的RBF网络预测控制系统［J］. 系统仿真学报，2009，21（17）：5540-5543.
	WANG Jundong， LIU Siyuan， QI Weigui. RBF network predictive control of coagulant dosage［J］. Journal of System Simulation，2009，21（17）：5540-5543.
[31]	李扬. 基于机器学习算法的水煤浆提浓废水絮凝处理加药预测［J］. 智能物联技术，2023，6（6）：21-27.
	LI Yang. Prediction of dosing for coal-water slurry concentrated wastewater flocculation treatment based on machine learning algorithms［J］. Technology of IoT & AI，2023，6（6）：21-27.
[32]	陈介聪. 水厂自动混凝投药模糊控制应用［J］. 江西建材，2014（1）：86. doi:10.4028/www.scientific.net/amm.687-691.3195
	CHEN Jiecong. Application of fuzzy control for automatic coagulation dosing in waterworks［J］. Jiangxi Building Materials，2014（1）：86. doi:10.4028/www.scientific.net/amm.687-691.3195
[33]	ZHOU Pengxiao， LI Zhong， SNOWLING S，et al. A random forest model for inflow prediction at wastewater treatment plants［J］. Stochastic Environmental Research and Risk Assessment，2019，33（10）：1781-1792. doi:10.1007/s00477-019-01732-9
[34]	ZHAO Lin， DAI Tianjiao， QIAO Zhi，et al. Application of artificial intelligence to wastewater treatment：A bibliometric analysis and systematic review of technology，economy，management，and wastewater reuse［J］. Process Safety and Environmental Protection，2020，133：169-182. doi:10.1016/j.psep.2019.11.014
[35]	FERRER J， RODRIGO M A， SECO A，et al. Energy saving in the aeration process by fuzzy logic control［J］. Water Science and Technology，1998，38（3）：209-217. doi:10.2166/wst.1998.0210
[36]	ZHU Guibing， PENG Yongzhen， MA Bin，et al. Optimization of anoxic/oxic step feeding activated sludge process with fuzzy control model for improving nitrogen removal［J］. Chemical Engineering Journal，2009，151（1/2/3）：195-201. doi:10.1016/j.cej.2009.02.019
[37]	章征贤. 基于模糊PID控制的水质在线监测系统设计与实现［D］. 杭州：杭州电子科技大学，2024. doi:10.1109/iccect57938.2023.10141000
	ZHANG Zhengxian. Design and implementation of water quality online monitoring system based on fuzzy PID control［D］. Hangzhou：Hangzhou Dianzi University，2024. doi:10.1109/iccect57938.2023.10141000
[38]	张虹，马振英，房玮. 污水处理自动化控制系统控制策略研究［J］. 仪表技术与传感器，2017，7：54-57.
	ZHANG Hong， MA Zhenying， FANG Wei. Research on control strategy of automatic control system for sewage treatment［J］. Instrument Technique and Sensor，2017，7：54-57.
[39]	CHEN Liping， ZHAO Ruichuan， WU Wenzheng. Based on improved artificial neural network sewage monitoring alarm system method［J］. Scientific Programming，2022，2022：6397478. doi:10.1155/2022/6397478
[40]	SARAVANA KUMAR S， LATHA K. A supervisory fuzzy logic control scheme to improve effluent quality of a wastewater treatment plant［J］. Water Science and Technology，2021，84（10/11）：3415-3424. doi:10.2166/wst.2021.225
[41]	陈长琦，朱武，方应翠，等. 超声微电解生物氧化污水处理过程控制系统设计［J］. 合肥工业大学学报（自然科学版），2003，26（6）：1188-1191.
	CHEN Changqi， ZHU Wu， FANG Yingcui，et al. Process control system of the wastewater disposal equipment based on ultrasonic micro-electrolysis and biological oxidation［J］. Journal of Hefei University of Technology（Natural Science），2003，26（6）：1188-1191.
[42]	RUAN Jujun， ZHANG Chao， LI Ya，et al. Improving the efficiency of dissolved oxygen control using an on-line control system based on a genetic algorithm evolving FWNN software sensor［J］. Journal of Environmental Management，2017，187：550-559. doi:10.1016/j.jenvman.2016.10.056
[43]	曹守启，葛照瑞，张铮. 基于改进粒子群优化算法的溶解氧调控系统设计［J］. 传感器与微系统，2020，39（6）：113-115.
	CAO Shouqi， GE Zhaorui， ZHANG Zheng. Design of dissolved oxygen control system based on improved particle swarm optimization algorithm［J］. Transducer and Microsystem Technologies，2020，39（6）：113-115.
[44]	杨元君. 基于遗传算法的污水处理控制系统研究［D］. 武汉：武汉工程大学，2016.
	YANG Yuanjun. Research on sewage treatment control system based on genetic algorithm［D］. Wuhan：Wuhan Institute of Technology，2016.
[45]	ZHOU Xinhui， LI Daoliang， ZHANG Lu，et al. Application of an adaptive PID controller enhanced by a differential evolution algorithm for precise control of dissolved oxygen in recirculating aquaculture systems［J］. Biosystems Engineering，2021，208：186-198. doi:10.1016/j.biosystemseng.2021.05.019
[46]	ZHOU Hongbiao， QIAO Junfei. Multiobjective optimal control for wastewater treatment process using adaptive MOEA/D［J］. Applied Intelligence，2019，49（3）：1098-1126.
[47]	李博仑. 污水处理关键水质参数预测与优化控制［D］. 天津：天津工业大学，2022.
	LI Bolun. Prediction and optimal control of key water quality parameters in wastewater treatment［D］. Tianjin：Tiangong University，2022.
[48]	王丽萍，任宇，邱启仓，等. 多目标进化算法性能评价指标研究综述［J］. 计算机学报，2021，44（8）：1590-1619.
	WANG Liping， REN Yu， QIU Qicang，et al. Survey on performance indicators for multi-objective evolutionary algorithms［J］. Chinese Journal of Computers，2021，44（8）：1590-1619.
[49]	花磊. 污水处理过程的鲁棒软测量与多目标优化控制研究［D］. 淮安：淮阴工学院，2023.
	HUA Lei. Research on robust soft sensing and multi-objective optimal control of sewage treatment process［D］. Huai’an：Huaiyin Institute of Technology，2023.
[50]	QIAO Junfei， HOU Ying， ZHANG Lu，et al. Adaptive fuzzy neural network control of wastewater treatment process with multiobjective operation［J］. Neurocomputing，2018，275：383-393. doi:10.1016/j.neucom.2017.08.059
[51]	林梅金. 污水生化处理系统的智能预测及优化控制策略研究［D］. 广州：华南理工大学，2015.
	LIN Meijin. Study on intelligent prediction and optimal control strategy of sewage biochemical treatment system［D］. Guangzhou：South China University of Technology，2015.

类型	优点	缺点	适用范围
遗传算法（GA）	鲁棒性强；易于并行处理；应用广泛以及良好的参数优化效果；全局搜索能力强	早熟；局部收敛；寻优性能差；计算复杂度高；参数调节复杂	1）参数优化：可用于优化污水处理过程中的参数，如反应时间、投药量等。 2）多目标优化：适用于同时优化多个目标，如降低污染物浓度和减少能耗。 3）优化系统配置：用于设计和优化污水处理系统的配置和布局。
粒子群优化算法（PSO）	高效；逻辑简单；程序易实现；收敛速度快	早熟；易陷入局部最优；收敛速度慢；参数敏感；依赖初始粒子群体的质量	1）参数调优：实时优化污水处理过程中的关键参数。 2）能耗优化：优化能耗，提升系统效率。 3）优化控制策略：优化控制策略以实现更好的水处理效果。
随机森林（RF）	分析复杂且相互作用的特征；不易发生过拟合；有效处理数据集中的缺失值；鲁棒性高	RF模型复杂，计算资源消耗大；解释性差；训练耗时	1）故障检测：用于检测和预测水处理系统中的故障。 2）分类和回归：预测水质参数、系统状态等。 3）数据分析：处理和分析大量水处理数据，识别重要特征。
人工神经网络（ANN）	强大的非线性映射；良好的容错性与联想记忆，自适应自学习；高度并行处理及综合信息	黑箱模型，模型不易解释；需要大量训练数据和计算资源，训练时间长；易出现过拟合问题	1）复杂非线性关系：建模水处理过程中的复杂非线性关系。 2）预测：预测出水水质和处理效果。 3）优化控制策略：基于预测结果优化控制策略。
模糊逻辑控制算法（FLC）	适用于复杂实际问题；鲁棒性强；易于理解	依赖领域专家知识设计模糊规则和隶属函数；优化困难；计算复杂	1）模糊控制：控制过程中涉及的模糊变量，如pH、溶解氧浓度等。 2）不确定性处理：处理水处理过程中的不确定性和模糊信息。 3）提高系统稳定性：基于专家知识设计控制规则，提高系统稳定性。

类型	优点	缺点	适用范围
遗传算法（GA）	鲁棒性强；易于并行处理；应用广泛以及良好的参数优化效果；全局搜索能力强	早熟；局部收敛；寻优性能差；计算复杂度高；参数调节复杂	1）参数优化：可用于优化污水处理过程中的参数，如反应时间、投药量等。 2）多目标优化：适用于同时优化多个目标，如降低污染物浓度和减少能耗。 3）优化系统配置：用于设计和优化污水处理系统的配置和布局。
粒子群优化算法（PSO）	高效；逻辑简单；程序易实现；收敛速度快	早熟；易陷入局部最优；收敛速度慢；参数敏感；依赖初始粒子群体的质量	1）参数调优：实时优化污水处理过程中的关键参数。 2）能耗优化：优化能耗，提升系统效率。 3）优化控制策略：优化控制策略以实现更好的水处理效果。
随机森林（RF）	分析复杂且相互作用的特征；不易发生过拟合；有效处理数据集中的缺失值；鲁棒性高	RF模型复杂，计算资源消耗大；解释性差；训练耗时	1）故障检测：用于检测和预测水处理系统中的故障。 2）分类和回归：预测水质参数、系统状态等。 3）数据分析：处理和分析大量水处理数据，识别重要特征。
人工神经网络（ANN）	强大的非线性映射；良好的容错性与联想记忆，自适应自学习；高度并行处理及综合信息	黑箱模型，模型不易解释；需要大量训练数据和计算资源，训练时间长；易出现过拟合问题	1）复杂非线性关系：建模水处理过程中的复杂非线性关系。 2）预测：预测出水水质和处理效果。 3）优化控制策略：基于预测结果优化控制策略。
模糊逻辑控制算法（FLC）	适用于复杂实际问题；鲁棒性强；易于理解	依赖领域专家知识设计模糊规则和隶属函数；优化困难；计算复杂	1）模糊控制：控制过程中涉及的模糊变量，如pH、溶解氧浓度等。 2）不确定性处理：处理水处理过程中的不确定性和模糊信息。 3）提高系统稳定性：基于专家知识设计控制规则，提高系统稳定性。

选择文件类型/文献管理软件名称

选择包含的内容