Model reduction and predictive control of a wastewater treatment station - Archive ouverte HAL Access content directly
Theses Year : 2012

Model reduction and predictive control of a wastewater treatment station

Réduction de modèle, observation et commande prédictive d'une station d'épuration d'eaux usées

(1)
1
Ali Assaf
  • Function : Author
  • PersonId : 774459
  • IdRef : 16997975X

Abstract

Wastewater treatment processes are large scale, non linear systems, submitted to important disturbances of influent flow rate and load. Model predictive control (MPC) widely used industrial technique for advanced multivariable control, has been applied to the Benchmark Simulation Model 1 (BSM1) simulation benchmark of wastewater treatment process. An open loop identification method has been developed to determine a linear model for a set of input-output measurements of the process. All the step responses have been obtained in open loop from step variations of the manipulated inputs and measured disturbances around their steady state values. The non-linearities of the model are taken into account by variable parameters. The step responses coefficient obtained make it possible to determine by optimization the corresponding transfer functions. That functions are classified by five mathematical models, such as : first order, first order with integrator, inverse response, second order and second order with zero. The numerical values of coefficients of each model selected were calculated using a least squares criterion. Model predictive control (MPC) uses the resulting model as an internal model to control the process. Dynamic matrix control DMC and quadratic dynamic matrix control QDMC predictive control strategies, in the absence and presence of feedforward compensation, have been tested. Two measured disturbances have been used for feedforward control, the influent flow rate and ammonium concentration
Les installations d'épuration des eaux usées sont des systèmes de grande dimension, non linéaires, sujets à des perturbations importantes en flux et en charge. Une commande prédictive (MPC) a été appliquée au Benchmark BSM1 qui est un environnement de simulation qui définit une installation d'épuration. Une identification en boucle ouverte d'une station d'épuration d'eaux usées a été réalisée pour déterminer un modèle linéaire en se basant sur un ensemble de mesures entrée sortie du Benchmark BSM1. Les réponses indicielles en boucle ouverte ont été obtenues à partir de variation échelon des entrées autour de leurs valeurs stationnaires. Le modèle tient compte des non-linéarités à travers des paramètres variables. Les réponses indicielles obtenues permettent de déterminer par optimisation les fonctions de transfert continues correspondantes. Ces fonctions de transfert peuvent être regroupées en cinq modèles mathématiques. Des fonctions de transfert continues de premier ordre, de premier ordre avec un intégrateur, des réponses inverses, de second ordre et de second ordre avec zéro représentant les réponses indicielles ont été identifiées. Les valeurs numériques des coefficients de chaque modèle choisi ont été calculées par un critère des moindres carrés. La commande prédictive (MPC) utilise le modèle obtenu comme un modèle interne pour commander le procédé. Deux stratégies de la commande prédictive DMC et QDMC d'une station d'épuration avec ou sans compensation par anticipation ont été testées. La commande par anticipation est utilisée pour réduire l'effet de deux perturbations mesurées, le débit entrant et la concentration entrante en ammonium, sur le système
Fichier principal
Vignette du fichier
DDOC_T_2012_0282_ASSAF.pdf (2.55 Mo) Télécharger le fichier
Origin : Files produced by the author(s)
Loading...

Dates and versions

tel-01749454 , version 1 (29-03-2018)

Identifiers

  • HAL Id : tel-01749454 , version 1

Cite

Ali Assaf. Réduction de modèle, observation et commande prédictive d'une station d'épuration d'eaux usées. Autre. Université de Lorraine, 2012. Français. ⟨NNT : 2012LORR0282⟩. ⟨tel-01749454⟩
94 View
153 Download

Share

Gmail Facebook Twitter LinkedIn More