David ElixmannEconomic model-predictive control of membrane bioreactors for wastewater treatment | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
ISBN: | 978-3-8440-4139-2 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Reihe: | Verfahrenstechnik | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Schlagwörter: | MBR; NMPC; economic optimization; aeration; activated sludge model; dynamic optimization | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Publikationsart: | Dissertation | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Sprache: | Englisch | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Seiten: | 190 Seiten | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Abbildungen: | 40 Abbildungen | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Gewicht: | 281 g | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Format: | 21 x 14,8 cm | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Bindung: | Paperback | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Preis: | 48,80 € | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Erscheinungsdatum: | Januar 2016 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Kaufen: | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
DOI: | 10.2370/9783844041392 (Online-Gesamtdokument) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Download: | Verfügbare Online-Dokumente zu diesem Titel: Sie benötigen den Adobe Reader, um diese Dateien ansehen zu können. Hier erhalten Sie eine kleine Hilfe und Informationen, zum Download der PDF-Dateien. Bitte beachten Sie, dass die Online-Dokumente nicht ausdruckbar und nicht editierbar sind.
Benutzereinstellungen für registrierte Online-Kunden Sie können hier Ihre Adressdaten ändern sowie bereits georderte Dokumente erneut aufrufen.
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Weiterempfehlung: | Sie möchten diesen Titel weiterempfehlen? | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Rezensionsexemplar: | Hier können Sie ein Rezensionsexemplar bestellen. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Verlinken: | Sie möchten diese Seite verlinken? Hier klicken. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Export Zitat: |
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Zusammenfassung: | In dieser Arbeit wird die Optimierung des Betriebs von Membran-Kläranlagen mittels nichtlinearer Modell-prädiktiver Regelung (engl. nonlinear model-predictive control, NMPC) basierend auf Aktivschlamm-Modellen untersucht. Zu diesem Zweck werden verschiedene NMPC-Methoden auf Simulationsmodelle von einstraßigen MBR-Anlagen angewandt, um die technische Machbarkeit des Ansatzes zu zeigen, und das wirtschaftliche Potential in der Anwendung zu untersuchen.
Es wird gezeigt, dass die Anwendung von NMPC auf einstraßige MBR-Anlagen in der Simulation eine Reduzierung der Elektrizitätskosten um 7-10% und der Kosten für Kohlenstoffdosierung um bis zu 15% gegenüber gut eingestellten konventionellen (proportional-integralen) Reglern reduzieren kann. Es wird gezeigt, dass das NMPC bei der Regelung von Membran-Kläranlagen mit strengen Ablaufspezifikationen und vielen verschiedenen Steuergrößen das vergleichsweise größte Potential aufweist. Die Machbarkeit von ökologisch-ökonomischem NMPC für Membran-Kläranlagen wird in Simulation durch die Anwendung auf ein Regelungsproblems mit Ausgangsrückführung und realistisch simuliertem Sensorverhalten untersucht. Die ökonomische und ökologische Optimierung des Anlagenbetriebs wird durch einen hybriden diskret-kontinuierlichen NMPC-Algorithmus realisiert, dessen Zielfunktion Energieverbrauch, Anlagenflexibilität und Nährstoffausstoß berücksichtigt, und für jedes Regelziel eine angepasste Strategie verfolgt. Der Algorithmus berechnet optimale Zeitpunkte zum Wechseln von einer Strategie zur anderen sowie dazu passende, optimale Steuerschritte, so dass die aus der Priorisierung der einzelnen Regelziele abgeleitete Gesamt-Zielfunktion des hybriden Optimalsteuerungsproblems minimiert wird. Der gewählte NMPC-Ansatz erweist sich in Kombination mit einem passend eingestellten erweiterten Kalman-Filter (EKF) und einem schnellen Trajektorien-Folgeregler in Simulation als robust gegenüber Schätzfehlern in der Zustandsbeobachtung und ungenauen Störgrößenvorhersagen. Die Arbeit schließt mit einer Diskussion des verbleibenden Forschungsbedarfs für die Anwendung von NMPC-Technologie in der Membran-Klärtechnik. The optimization of membrane bioreactor (MBR) operation by nonlinear model-predictive control (NMPC) with activated sludge models is investigated in this work. To this end, different variants of NMPC are applied to simulation models of single-train MBR systems in order to demonstrate the technical feasibility of this concept and assess the economic impact of NMPC to full-scale systems. The application of economic NMPC to the model of a single-train MBR system under nominal conditions shows that the electricity cost of single-train MBR systems can be reduced by up to 7-10% and carbon dosage costs by up to 15%, compared to well-tuned conventional control. The economic potential of NMPC is shown to be greatest for control applications with tight effluent limits and a large number of control actuators. The feasibility of economic and ecological NMPC for full-scale MBR is tested by simulation with realistic measurement feedback from on-line measurement. Simultaneous optimization of economic and ecological plant performance is realized by a hybrid discrete-continuous NMPC algorithm which considers economic and ecological control objectives. The algorithm calculates optimal switching times between the objectives together with the optimal control inputs, satisfying optimality conditions defined for the overall control problem. It is shown that the chosen NMPC approach performs robustly when combined with a well-tuned Extended Kalman Filter and a fast trajectory-tracking NMPC despite imperfect state estimator performance and inaccurate disturbance predictions. Directions for future research are pointed out in a discussion of the process control challenges for large-scale MBR and the challenges which need to be addressed to implement this technology in industrial practice. |