活性污泥法是利用活性污泥中微生物的降解作用来清除污水中污染物质的一种有效方法,是目前工程上使用最为广泛的污水处理工艺之一。溶解氧浓度是污水处理过程中一个极其重要的参数,然而其具有时变、非线性以及存在设定值难以跟踪控制的问题,传统的控制方法(如常规PID控制等)在干扰性强、模型参数不确定等情况下,难以达到理想的控制效果。预测控制具有跟踪性能强、控制效果好、抗干扰能力强等优点,神经网络预测控制(NNPC)充分利用神经网络非线性映射能力在模型预测上的优势,结合预测控制反馈校正、滚动优化的机理,更适合于此类非线性系统的控制。基于上述分析,本课题提出污水处理溶解氧浓度NNPC方法,对控制器的结构及其性能做了全面的设计、分析和仿真,主要工作如下:首先,分析了活性污泥法污水处理工艺,在国际水质协会提出的活性污泥1号模型(ASM1)的基础上,经过合理的假设和约束,结合实际的污水处理厂情况,建立了反映溶解氧浓度、活性污泥浓度以及底物浓度之间内在关系的简化的活性污泥变参数数学模型。其次,针对常规BP神经网络容易陷入局部极小值、收敛速度慢等缺陷,提出采用Levenberg-Marquardt算法(LM算法)对BP神经网络进行优化,并通过对比仿真实验对LM-BP神经网络的模型辨识性能进行了验证。然后,针对目前溶解氧控制存在的问题,提出了NNPC方法,并从模型预测、反馈校正、滚动优化三个方面系统设计了该控制系统。最后,通过仿真实验,验证了LM-BP神经网络构建溶解氧预测模型的有效性,通过和常规控制方法的比较,验证了NNPC对溶解氧设定值的跟踪性能和抗干扰性能。本课题的创新点及贡献在于:(1)运用LM算法优化BP神经网络,克服了常规神经网络的缺陷,在溶解氧NNPC中提高了模型预测精度。(2)针对溶解氧浓度跟踪控制难的问题,提出了溶解氧NNPC方法,对溶解氧神经网络预测控制器模型预测、反馈校正、滚动优化等环节进行了系统全面地设计,并将NNPC方法与常规的控制方法进行了比较。仿真结果表明,NNPC具有很好的自适应性和鲁棒性,提高了溶解氧跟踪控制性能。