利用无偏模型预测控制提升厌氧消化性能

《Journal of Water Process Engineering》：Enhancing anaerobic digestion performance with offset-free model predictive control

该研究开发了一种基于简化两阶段厌氧消化模型的非线性模型预测控制器（NMPC），通过扩展卡尔曼滤波（EKF）估计系统状态和扰动状态，结合积分作用消除模型偏差，实现甲烷流量稳定控制。仿真验证表明该方法有效。

　　本研究提出了一种用于厌氧消化过程的非线性模型预测控制器（NMPC），通过调整稀释率来追踪目标甲烷流量。该NMPC框架采用了一个简化的两阶段厌氧消化模型作为预测器，并结合扩展卡尔曼滤波器（EKF）来估计系统状态和一个额外的扰动状态，以弥补模型预测与实际系统数据之间的偏差。扰动状态的估计引入了积分作用，使控制策略能够在简化模型无法准确反映实际系统动态的情况下，依然实现无偏移的性能。所提出的算法已在模拟环境中成功测试，使用了易生物降解的可溶性废物作为实验对象，其中厌氧消化模型编号1（ADM1）被用作植物模拟器。积分作用和扰动状态估计对于控制器的性能至关重要。

厌氧消化（AD）在新兴能源经济中扮演着重要角色，是将有机废弃物转化为可再生能源（甲烷）的关键技术。其应用已经超越了传统的能源回收，涵盖了营养物质回收（氮和磷）以及通过混合培养生物技术生产附加值化学品（如有机酸、酒精等） [1]。技术的进步和对基础生物机制的更深入理解，正在推动将厌氧消化整合到更广泛的资源回收系统中的新机会。厌氧消化过程涉及复杂的反应路径，由四个顺序的生物反应组成——水解、酸化、乙酸化和甲烷化——每个反应由特定的微生物群落催化，促进有机化合物分解为沼气，主要由甲烷和二氧化碳组成 [2]。在各种用于厌氧消化的反应器配置中，上流式厌氧污泥床（UASB）反应器因其处理高浓度废水的成本效益和能源效率而脱颖而出。它提高了底物的转化效率，同时减少了生物量的流失，因此在工业应用中被广泛采用。UASB反应器的效率受到有机负荷率（OLR）的显著影响，这会影响沼气产量和微生物活性。这些微生物群落需要精确的条件才能生存，使得厌氧消化成为一个对输入变化敏感的过程，容易因进料组成、温度和其他操作因素（如负荷率和停留时间）的波动而出现不稳定现象 [3]、[4]。尽管其潜力巨大，但厌氧消化系统仍可能遇到不稳定现象，导致甲烷产量下降甚至系统故障 [5]、[6]、[7]。为了解决这些挑战，已经开发了多种建模方法，以更好地理解和控制厌氧消化系统。这些方法包括回归模型，用于预测底物的生化甲烷潜力 [8]，机理模型，用于模拟厌氧消化动态 [9]、[10]，以及基于神经网络、模糊逻辑和其他机器学习算法的数据驱动模型 [11]、[12]。

其中最全面的模型是厌氧消化模型编号1（ADM1） [10]，它为基于质量平衡和生化动力学预测过程行为提供了坚实的基础。基于ADM1的模型已被广泛用于厌氧消化过程的模拟，提供了微生物相互作用和过程动态的详细描述 [3]、[14]、[15]、[16]。然而，由于其复杂性，ADM1在实时控制应用中计算量较大，可能不适用。其他简化模型如AM2 [9]、AM2HN [17] 和其他混合方法 [18] 也已被开发，同时保持对厌氧消化的充分描述。最后，经验模型和数据模型通常被用作过程控制设计的基础 [11]。

在过去的几十年中，各种控制策略被开发用于厌氧消化过程，以增强过程稳定性并最大化沼气产量。关于厌氧消化控制和仪器的广泛综述可以在文献中找到 [5]、[19]、[20]。这些策略从传统的比例-积分-微分（PID）控制器到更先进的方法，如基于模型的控制、模糊逻辑和自适应控制技术。尽管取得了显著进展，但将自动控制系统应用于全规模的沼气发电厂仍然有限。这主要是由于厌氧消化过程的复杂性、实时监测设备的高昂成本以及缺乏可靠的在线传感器 [5]、[19]、[21]、[22]、[23]。近年来，仪器技术的进步提高了对关键参数（如挥发性脂肪酸（VFA）、氨、pH值以及VFA与碱度比）的实时监测能力，这些参数对于维持厌氧消化过程的稳定性至关重要 [19]、[20]、[24]、[25]。这些技术进步使得更复杂的控制策略（如模型预测控制、模糊逻辑和神经网络）得以应用于应对过程扰动和优化沼气产量 [5]。此外，滑模控制（SMC）也被提出用于管理厌氧消化系统的非线性行为和不确定性 [26]。

模型预测控制（MPC）已成为优化厌氧消化过程的重要方法。MPC能够实现对关键过程变量的精确调节，如甲烷产量、挥发性脂肪酸浓度和沼气成分，使其特别适合于管理厌氧消化系统的非线性和动态特性。例如，[27] 展示了在大型沼气发电厂中应用MPC策略能够实现需求驱动的沼气产量，成功地调整了沼气生成速率以满足不同的能源需求，通过调整共底物的投加。同样，[28] 开发了一种非线性MPC，通过控制稀释率在不同的操作条件下实现稳定的沼气产量，从而提高消化器效率。在 [4] 中，MPC 能够有效缩短厌氧消化器的启动阶段，实现更快的稳定化和更高的甲烷产量，相较于传统方法通过改变体积流入速率和碱的添加。其他方法包括 [29]，他们提出了一个MPC算法，通过根据能源需求波动调整原料输入（包括底物和细菌），进一步优化厌氧消化过程以实现能源回收。[30] 引入了一个自适应MPC系统，通过调节VFA水平来维持过程稳定性并最大化沼气产量。在 [31] 中，开发了一个鲁棒的非线性MPC，用于解决两阶段厌氧消化过程中的不确定性，提高在扰动下的控制性能。最后，[32] 将预测控制器整合到扩展卡尔曼滤波器（EKF）框架中，基于第一性原理模型和完整状态信息。所有这些预测控制器已被应用于各种废物管理系统和消化器配置。尽管大多数在模拟环境中进行了测试，但如果能够获得适当的在线仪器来测量沼气流量和成分、入口条件以及在线或离线VFA监测，它们可以轻松地转移到现实应用中。然而，这些方法主要被应用于非难降解底物。在处理难降解材料时，建议结合MPC控制器，先实施一个预处理阶段以提高底物的生物降解性 [33]。

本研究开发了一种新的非线性模型预测控制（NMPC）框架，用于厌氧消化过程。该框架结合了基于AM2的预测模型和一个EKF观测器，用于估计系统状态和一个额外的扰动状态，该扰动状态弥补了模型预测与植物数据之间的偏差。调节反馈控制，包括积分作用，是根据模型预测和扰动状态进行迭代优化的。控制器的性能在模拟中通过基于ADM1的沼气发电厂模型进行评估。