1.一种基于动态变值的多目标优化控制方法，其特征在于，所述方法包括：

1.1：确定约束条件；

在对污水处理过程进行控制时，需要同时满足能耗和出水水质两个指标要求，实际过程中，减少能耗意味着活性污泥生化反应完成度降低，导致出水水质变差，从而罚款会相应的增加；改善出水水质可减少罚款，但同时会增加能耗；对能耗和罚款的多目标优化，将这两个指标均控制在较低的水平，同时出水水质平均浓度也需满足以下约束：其中，SNH<4表明出水氨氮平均浓度需小于4mg/L，Ntot<18表明出水总氮平均浓度需小于

18mg/L，BOD5<10表明出水5日生化需氧量需小于10mg/L，COD<100代表出水化学平均化学需氧量需小于100mg/L，TSS<30代表出水固体悬浮物平均浓度需小于30mg/L；

1.2：设定动态变值跟踪策略；

设计2个动态变值PID(比例-积分-微分(proportion-integral-derivative))跟踪控制器(简称为PID1、PID2)协同控制厌氧区SO，其中，PID1通过鼓风机调节第3、4单元的曝气量，进而控制SO4；PID2通过鼓风机调节第5单元的曝气量，进而控制SO5；

设计第3个动态变值PID跟踪控制器(PID3)，通过回流泵调节内回流量Qa，进而控制SNO2；

1.3：划分优化周期；

国际水质协会和欧盟科学技术与合作组织联合开发的仿真基准模型1号(Benchmark Simulation Model1,BSM1)自带3种不同工况下的入水流量和水质参数数据，分别是晴天、雨天和暴雨天气下的数据；在不同的时间段，各种入水参数均不断的变化，为应对不同的入水工况，更好的降低能耗和罚款，动态变值跟踪控制器的设定值根据入水工况进行动态优化；选取晴朗天气下前7天的数据进行仿真，将整个过程分为56个优化周期，每个优化周期时长3h，即0.125day；在对控制器设定值进行优化之前，通过经验调试确定各控制器的PID参数，并在每个优化周期内，PID参数均不变；

1.4：确立动态变值跟踪控制器设定值；

Step1、建立精确软测量模型；

第1优化周期内，以3个跟踪控制器的设定值SO4set、SO5set、SNO2set为辅助变量，该优化周期内产生的能耗OCI和出水水质EQI为主导变量，采用最小二乘支持向量机LSSVM，建立精确软测量模型，表达关系如式4所示：具体LSSVM的算法描述如下：训练样本集表示为 其中xi为第i个样本的辅助变量，yi为第i个样本的主导变量，l为样本个数；在特征空间中LSSVM模型如下：式中， 为非线性变换映射函数，将辅助变量映射到高维空间，ω为权向量，b为偏置量；

LSSVM的目标函数如下：

式中，ξ为误差变量，γ>0为惩罚系数；使用拉格朗日函数进行求解：

式中，αi为拉格朗日乘子；依次计算 得到以下线性

方程组：

T T

式中， 1＝[1,1,…1] ；q＝[y1,y2,…,yl,] ；α＝[α1,α2,…,αl,]T，I为单位矩阵；根据Mercer定理，核函数表示为：

将式(7)和式(8)联立，求出α和b，得到LSSVM的非线性函数表达式：

Step2以建立的软测量模型作为优化目标函数，确定第1优化周期内3个跟踪控制器的设定值；

以建立的软测量模型作为优化目标函数，采用智能决策多目标粒子群算法对SO4set、SO5set和SNO2set进行寻优，获取一组等同优秀的pareto解集，选取其中的一个解，作为第1优化周期内3个跟踪控制器的设定值，粒子群算法和pareto解集的具体描述如下：粒子群算法PSO是一种基于种群的随机搜索算法，其通过模拟鸟群飞行过程中的协作行为，从随机初始解出发，通过适应度评价解的优劣性，不断迭代寻找最优解；

多目标粒子群算法的步骤如下：(a)随机初始化粒子群和最优解存档；(b)计算每个粒子的适应度值；(c)根据适应度值，更新全局最优解gbest和每个粒子的个体最优解pbest，并更新最优解存档；(d)如果迭代次数达到设定值，则结束迭代，否则根据公式更新粒子速度和位置，然后跳回步骤(b)；

粒子速度和位置更新公式如下：

式中，Vik+1为粒子i在第k+1次迭代时的速度， 为粒子i在第k+1次迭代时的位置，ω为惯性权重，c1、c2为学习因子，r1、r2为两个随机函数，取值范围为[0,1]， 为粒子i在第k次迭代结束时的个体最优解，gbestk为第k次迭代结束时的全局最优解；

设有两个n维的粒子A和B，如果A的每一个适应度都比B小，那么称A支配B，或B被A支配；

在一个集合中，如果某个粒子没有被其他任何粒子支配，则该粒子称为一个非支配解或非劣解；对于标准粒子群算法，只有一个适应度函数，因此直接比较适应度大小就可以选出gbestk和 而多目标粒子群算法由于有多个适应度函数，迭代过程中可能存在多个粒子都没有相互支配的情况，无法直接选出gbestk和 选取gbestk和 的方法如下：选取gbestk：根据粒子的拥挤度程度，选择密度值最低的一个粒子作为gbestk，这是为了更好的探索未知区域；选取 从粒子i的历史位置集合中选出所有的非支配解，在从所有的非支配解中随机选择一个，作为更新最优解存档的步骤：将第k+1次迭代产生的所有非支配解加入第k次迭代之后的最优解存档，然后再进行一轮筛选，将非支配解作为第k+1次迭代之后的最优解存档；如果存档数量超过了设定的数量上限，则根据自适应网格进行筛选，直到数量满足限额为止；

所有迭代完成之后，最后产生的最优解存档称为该多目标粒子群算法的pareto解集；

Step3确定第2优化周期的初始数据；

确定控制器设定值之后，仿真运行0.125day，得到第1优化周期结束时各流量和水质参数的数据，以此数据作为第2优化周期的初始数据；

Step4确定各个周期对应的SO4set、SO5set和SNO2set；

在第2优化周期内，以第1～3步的方法得到第2优化周期内3个跟踪控制器的优化设定值，以及第2优化周期结束时各流量和水质参数的数据，以此数据作为第3优化周期的初始数据；以此方法，可确立0-7天内56个优化周期各自对应的SO4set、SO5set和SNO2set；

1.5：软测量建模的具体过程；

根据机理模型和调试经验，3个辅助变量SO4set、SO5set和SNO2set的取值范围分别为0.5-

3mg/L，0.5-3mg/L，0.5-2mg/L；对于每个优化周期，均在SO4set、SO5set和SNO2set的取值范围内对各控制器设定值进行均匀进位式取值，取到1638组无标签样本；将控制器设定值分别设定成这1638组组合，在BSM1平台上仿真运行后显示出各自对应的OCI和EQI，得到有标签的样本；然后每隔4个样本取1个样本作为测试样本，其余作为训练样本，进行软测量建模；

1.6：单个优化周期内搜索最优解的整体步骤；

采用一种智能决策多目标粒子群算法搜索每个优化周期内的控制器最优设定值组合，先用多目标粒子群算法得到一组pareto解集，再从pareto解集中通过智能决策选出最优的一个解，作为该优化周期内的控制器设定值；对软测量模型进行寻优的具体步骤如下：步骤1将所有非支配解一一作为3个跟踪控制器的设定值，用BSM1仿真得到出水水质参数数据，将出水平均指标达标的解加入解集P1，不达标的加入解集P2；

步骤2若P1不为空集，则对P1内所有元素进行K-means聚类，选取pareto解集中分别离p个聚类中心最近的p个粒子为候选最优解；再选取与上一优化周期最优解的欧氏距离最小的候选最优解为该优化周期的最优解；

K-Means算法步骤如下：(1)确定最终聚类的类别个数K；(2)随机选定K个初始点为质心，并通过计算每一个样本与质心之间的欧式距离，将样本点归到最相似的类中；(3)重新计算每个类的质心，计算方法为对每一类中所有的样本求平均值；(4)重复(1)～(3)步，直到质心不再改变；最终确定每个样本所属的类别以及每个类的质心；

欧氏距离：设样本点A(a1,a2,…an)，B(b1,b2,…bn)，则A和B之间的欧式距离为步骤3若P1为空集，则对P2内所有粒子进行K-means聚类，方法同步骤2。

2.根据权利要求1所述的方法，其特征在于，使用3个动态变值跟踪控制器协同控制SO4、SO5和SNO2，在每个优化周期内，建立对能耗和罚款的软测量模型，并通过智能决策多目标粒子群算法对软测量模型进行寻优，得到每个优化周期的3个控制器的设定值，实现对污水处理过程中能耗和罚款的多目标优化。