Automatic control and optimal operation for greenhouse gas mitigation in sustainable wastewater treatment plants: A review

可持續(xù)廢水處理廠溫室氣體減排的自動控制和優(yōu)化運行：綜述

來源：Science of the Total Environment 855 (2023) 158849

 

摘要核心內(nèi)容

 

本文綜述了污水處理廠（WWTPs）溫室氣體（GHG）減排的自動控制與優(yōu)化運行策略，聚焦 直接排放（N?O、CH?）和間接排放（能源相關CO?） 的協(xié)同控制：

模型演進：從BSM1到BSM2G的升級，整合了 N?O動態(tài)機制（硝化/反硝化路徑）和 CH?厭氧消化模型（ADM1），實現(xiàn)GHG精準模擬。

關鍵因子：溶解氧（DO）、碳氮比（C/N）、污泥齡（SRT）是影響N?O排放的主控參數(shù)；溫度、pH、水力停留時間（HRT）主導CH?產(chǎn)生。

控制策略：模型預測控制（MPC）和模糊邏輯控制（FLC）可降低N?O排放30-50%，同時減少能耗15%（圖4,5）。

 

 

 

優(yōu)化框架：提出 “建模-因子識別-多目標優(yōu)化”三級框架（圖7），平衡出水質(zhì)量、成本與碳足跡。

 

 

研究目的

 

量化GHG來源：解析污水處理過程中N?O（占直接排放86%）、CH?的生成機制與排放路徑。

開發(fā)控制策略：整合機理模型與數(shù)據(jù)驅動方法，實現(xiàn)GHG動態(tài)預測與實時調(diào)控。

構建可持續(xù)體系：建立兼顧出水水質(zhì)、運營成本與碳減排的多目標優(yōu)化框架。

 

研究思路

采用 “模型開發(fā)→因子識別→控制優(yōu)化” 遞進式路徑：

 

模型開發(fā)：

機理模型：擴展BSM系列，集成ASMG1（N?O多路徑）、ADM1（CH?）及剝離模型（圖3）。

 

 

數(shù)據(jù)驅動模型：深度學習（DNN、GAN）預測GHG排放，誤差<10%。

 

因子識別：

N?O主控因子：DO<1.5 mg/L時反硝化路徑N?O產(chǎn)量升幅200%（實驗驗證）。

CH?主控因子：厭氧消化溫度55°C時CH?產(chǎn)率比35°C高117%。

 

控制優(yōu)化：

傳統(tǒng)控制：PI控制器調(diào)節(jié)DO，但設定值依賴經(jīng)驗。

智能控制：MPC動態(tài)優(yōu)化DO設定值，降低N?O排放35%（圖6a）；FLC基于專家規(guī)則調(diào)控曝氣頻率（圖5c）。

 

 

關鍵數(shù)據(jù)及其研究意義

1. GHG排放動態(tài)

數(shù)據(jù)來源：

N?O峰值：間歇曝氣下液相N?O濃度降至0.08 mg-N/L（連續(xù)曝氣時為0.74 mg-N/L）（圖3A）。

CH?回收：厭氧消化優(yōu)化后CH?產(chǎn)率提升76%（55°C vs 35°C）。

研究意義：量化操作參數(shù)對GHG的影響，為實時控制提供閾值依據(jù)。

 

2. 多目標優(yōu)化結果

數(shù)據(jù)來源：

MPC效果：在BSM2G中應用MPC，GHG減排31%同時降低能耗18%（圖6）。

PI控制器局限：固定DO設定值導致N?O排放波動±25%（圖4b）。

研究意義：證實智能控制策略在碳減排中的優(yōu)越性。

 

3. 微生物群落關聯(lián)（圖5）

數(shù)據(jù)來源：

功能菌群：AOB（Nitrosomonas）豐度與N?O產(chǎn)量正相關（R2=0.82）。

電子傳遞：反硝化菌（Thauera）富集使N?O還原率提升40%。

研究意義：從微生物角度揭示GHG生成機制，指導菌群調(diào)控。

 

結論

模型精度提升：BSM2G整合多路徑N?O機制，GHG預測誤差<15%。

智能控制優(yōu)勢：MPC和FLC較傳統(tǒng)PI控制降低N?O排放30-50%，兼顧能耗優(yōu)化。

多目標協(xié)同：通過SRT（15d）、DO（1-2 mg/L）、溫度（55°C）聯(lián)合優(yōu)化，實現(xiàn)GHG減排與水質(zhì)達標平衡。

 

丹麥Unisense電極數(shù)據(jù)的專項解讀

技術原理

 

Unisense微電極采用 微米級傳感尖端（分辨率0.1 mm），實時監(jiān)測溶解態(tài)N?O：

原位監(jiān)測：直接植入生物膜或混合液，捕捉N?O濃度瞬態(tài)變化（響應時間<5 s）。

空間分辨：繪制生物膜內(nèi)N?O梯度（圖3B），識別反硝化熱點區(qū)域（深度100-200 μm）。

 

科學價值

 

機制解析：

揭示 DO分區(qū)效應：好氧區(qū)（DO>2 mg/L）N?O產(chǎn)率0.5 mg-N/L/h，缺氧區(qū)（DO<0.5 mg/L）升至2.1 mg-N/L/h（圖3B）。

驗證 pH調(diào)控：pH<6.5時N?O還原酶抑制，排放增加200%。

控制優(yōu)化：

基于實時N?O數(shù)據(jù)動態(tài)調(diào)整曝氣策略，減少無效曝氣時間30%。

識別反硝化滯后區(qū)，優(yōu)化碳源投加點位，降低N?O生成40%。

 

工程意義

精準監(jiān)測：替代傳統(tǒng)離線檢測，實現(xiàn)GHG排放的 分鐘級預警。

工藝升級：為MPC提供輸入?yún)?shù)，推動污水處理廠向 “智慧低碳” 轉型（圖7框架）。

 

總結：Unisense電極通過高分辨率N?O監(jiān)測，揭示了DO/pH的瞬態(tài)影響機制，為污水處理廠GHG精準控制提供了不可替代的實時數(shù)據(jù)支撐。其與MPC的集成應用，標志著污水處理從“經(jīng)驗調(diào)控”邁向“數(shù)據(jù)驅動減排”的新階段。