CN120406600A - 基于双闭环预测控制的渗沥液浓水软化控制方法 - Google Patents

Abstract

本发明实施例公开了一种基于双闭环预测控制的渗沥液浓水软化控制方法，涉及环境工程自动控制技术领域。所述方法包括：获取实时采集的多维度数据；构建除镁/除钙反应的动态质量平衡方程，基于模型预测控制算法，滚动优化NaOH/Na₂CO₃投加量，实现pH值与硬度去除率的精准控制；构建膜污染状态空间方程，结合动态规划算法优化膜类型切换与清洗策略，实现通量维持与成本最小化的帕累托最优控制。本发明解决了高硬度废水软化处理中“控制精度低‑运行成本高‑系统鲁棒性差”的行业难题，具有显著的技术先进性与工程应用价值。

Description

基于双闭环预测控制的渗沥液浓水软化控制方法

技术领域

本发明涉及环境工程自动控制技术领域，特别是指一种基于双闭环预测控制的渗沥液浓水软化控制方法。

背景技术

在渗沥液浓水软化处理中，传统控制方法存在以下技术瓶颈：

1.化学软化环节：依赖固定pH值设定与经验投药，未建立Mg²⁺/Ca²⁺浓度动态变化与药剂投加量的实时耦合关系，导致药剂浪费率达20%-30%，且pH波动超过±0.5时硬度去除率下降15%以上。

2.超滤膜控制环节：基于压差阈值的清洗策略滞后于膜污染进程，膜通量衰减速率达5%/天，且多膜类型切换依赖人工经验，未形成以运行成本为目标的智能决策机制。

3.系统协同性：缺乏化学反应段与膜分离段的联动控制，常出现反应后固形物粒径分布与膜孔径不匹配导致的堵膜问题，影响系统连续运行时间。

现有技术中，发明专利申请CN119087802A公开了基于模糊神经网络的废水处理控制策略，核心技术为采用PSO算法优化BP神经网络，构建废水处理预测模型，通过数据归一化、模型训练与性能评价，实现对出水COD和悬浮物（SS）的高精度预测，通过智能算法提升预测精度。

该发明专利申请存在以下缺点：未针对渗沥液浓水软化过程的特定化学反应（如Mg²⁺/Ca²⁺沉淀动力学）建模，普适性强但行业针对性弱。

发明专利申请CN118963154A公开了基于监测数据的废水处理控制优化方法及系统，核心技术为通过实时监测废水处理流程节点数据，建立流程基准并进行异常节点补偿，实现动态反馈控制，提出“异常节点检测-下游补偿”机制。

该发明专利申请存在以下缺点：模型深度不足，依赖经验基准值，未建立化学反应动力学或膜污染数学模型，难以应对水质剧烈波动。且未关联化学软化段与膜分离段的耦合关系（如反应产物粒径对膜孔堵塞的影响），无法实现跨段协同优化。

发明内容

有鉴于此，本发明实施例提供一种基于双闭环预测控制的渗沥液浓水软化控制方法，以解决高硬度废水软化处理中“控制精度低-运行成本高-系统鲁棒性差”的行业难题。

一种基于双闭环预测控制的渗沥液浓水软化控制方法，包括：

步骤S101：获取实时采集的多维度数据；

步骤S102：构建除镁/除钙反应的动态质量平衡方程，基于模型预测控制算法，滚动优化NaOH/Na₂CO₃投加量，实现pH值与硬度去除率的精准控制；

步骤S103：构建膜污染状态空间方程，结合动态规划算法优化膜类型切换与清洗策略，实现通量维持与成本最小化的帕累托最优控制。

进一步的，所述步骤S102中，构建的除镁/除钙反应的动态质量平衡方程为：

除镁反应：

；

其中，：反应池中镁离子浓度随时间的变化率，k₁：反应速率常数，[OH^-]：反应池中氢氧根离子浓度，V：反应池容积，Q：进水流量，：进水带入的镁离子质量流量，：出水带出的镁离子质量流量；

除钙反应：

；

其中，k₂：反应速率常数，：反应池中碳酸根离子浓度，其他项的含义同除镁反应。

进一步的，所述步骤S102包括：

步骤S1021：根据实时水质数据，通过除镁/除钙反应的动态质量平衡方程，实时优化NaOH/Na₂CO₃投加量，控制pH值和钙镁硬度去除率，动态修正反应动力学参数，以修正水质波动；

步骤S1022：在每个控制周期内，进行二次规划求解，生成未来预设时段内的最优药剂投加序列。

进一步的，所述步骤S1021中，动态修正反应动力学参数的公式为：

；

其中，：t时刻的反应速率常数，：前一时刻的反应速率常数，：自适应学习率，：前一时刻实测产水硬度，：前一时刻模型预测产水硬度，y_target：目标产水硬度；

和/或，所述步骤S1022中，二次规划求解的公式为：

；

其中，：t时刻预测的t+k时刻产水硬度，：t+k时刻目标产水硬度，Q：硬度误差权重矩阵，：t时刻计算的t+k时刻药剂投加量，R：控制输入权重矩阵，N：控制时域。

进一步的，所述步骤S103中，构建的膜污染状态空间方程为：

；

其中，：膜孔堵塞率，：膜孔堵塞率随时间的变化率，：堵塞速率常数，：清洗恢复常数，u_clean：清洗控制变量，h：膜表面滤饼层厚度，：膜表面滤饼层厚度h随时间的变化率，：滤饼增长系数，：反洗剥离系数，J：膜通量，C_solid：混合液固形物浓度。

进一步的，所述步骤S103包括：

步骤S1031：通过实时数据估计膜孔堵塞率与膜表面滤饼层厚度，更新膜污染等级；

步骤S1032：建立成本-效率矩阵，采用Q-learning算法选择最优膜类型；

步骤S1033：当膜孔堵塞率大于等于第一预设阈值或膜表面滤饼层厚度大于等于第二预设阈值时，触发化学清洗，清洗液配方根据膜类型自动切换。

进一步的，所述步骤S1032中，膜类型切换条件为：

；

其中，m ：膜类型变量，A：BUFF膜，B：陶瓷膜，C：中空纤维膜，：膜组件成本，：能耗成本，：清洗成本。

进一步的，所述方法还包括：

步骤S104：采用动态规划算法求解包含硬度去除率、膜通量、运行成本的多目标优化问题，实现化学段与膜段的协同控制。

进一步的，所述步骤S104中，构建的包含硬度去除率、膜通量维持、药剂成本的目标函数为：

，；

其中， F：目标函数，：硬度去除率权重系数，：实时产水总硬度，y_target：目标产水总硬度，：膜通量权重系数，：周期T内膜通量累积值，：药剂成本权重系数，c_i：第i种药剂单价，m_i：第i种药剂投加量，n：药剂种类数；

和/或，所述步骤S104中，当膜池浊度大于第三预设阈值时，自动延长反应池沉淀时间；

和/或，所述步骤S104中，当膜通量连续一定时间低于设计值80%时，反向修正除镁/除钙反应的动态质量平衡方程，增大Na₂CO₃投加量。

进一步的，所述方法还包括：

步骤S105：基于粒子群优化算法动态调整控制参数，适应水质波动与设备老化。

本发明具有以下有益效果：

本发明通过理论建模、智能算法与工程实践的深度融合，解决了高硬度废水软化处理中“控制精度低-运行成本高-系统鲁棒性差”的行业难题，具有显著的技术先进性与工程应用价值。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明的基于双闭环预测控制的渗沥液浓水软化控制方法的流程示意图；

图2为本发明的双闭环预测控制架构图，该图展示内环化学反应控制与外环膜系统决策的耦合关系；

图3为本发明的多目标优化算法流程图，该图呈现从数据采集到控制输出的完整逻辑。

具体实施方式

下面结合附图对本发明实施例进行详细描述。

应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明实施例提供一种基于双闭环预测控制的渗沥液浓水软化控制方法，如图1-3所示，包括：

步骤S101（多维度数据实时采集）：获取实时采集的多维度数据；

本步骤对应图2中的“数据采集层”和图3中的“数据层”，具体实施时，多维度数据至少部分通过核心传感器采集，核心传感器可以包括设置在除镁反应池的pH计和镁离子在线检测仪、设置在除钙反应池的钙离子在线检测仪和电导率仪、以及设置在膜系统的膜压差传感器和产水浊度仪，采集频率可以根据需要灵活设置，例如100ms/次。

步骤S102（内环模型预测控制）：构建除镁/除钙反应的动态质量平衡方程，基于模型预测控制算法，滚动优化NaOH/Na₂CO₃投加量，实现pH值与硬度去除率的精准控制；

本步骤对应图2中的内环（化学反应控制）：通过Mg²⁺/Ca²⁺浓度动态平衡方程，结合MPC（Model Predictive Control，模型预测控制）算法滚动优化药剂投加量，控制pH值在11.0-11.5，确保钙镁去除率≥90%；

输入参数：实时离子浓度、pH值、进水流量；

输出控制：NaOH/Na₂CO₃计量泵频率、搅拌器转速。

作为一种可选的实施例，所述步骤S102中，构建的除镁/除钙反应的动态质量平衡方程为：

除镁反应（Mg²⁺去除主反应）：

；

其中，为反应池中镁离子（Mg²⁺）浓度随时间的变化率（单位：）；

为反应速率常数，描述Mg²⁺与OH^-反应生成Mg(OH)₂沉淀的速率；

为反应池中氢氧根离子浓度（单位：mol/L），由NaOH投加量控制；

V=0.54m³为反应池容积，Q=0.5m³/h为进水流量；

为进水带入的镁离子质量流量（单位：mol/s）；

为出水带出的镁离子质量流量（单位：mol/s）。

除钙反应（Ca²⁺去除主反应）：

；

其中，为反应速率常数；

为反应池中碳酸根离子浓度，由NaOH投加后HCO₃ ^-水解与Na₂CO₃直接投加共同决定；

其他项的含义同除镁反应。

本步骤对应图2中的“化学反应动力学模型”。

作为另一种可选的实施例，所述步骤S102包括：

步骤S1021（预测模型更新）：根据实时水质数据（Mg²⁺/Ca²⁺浓度），通过化学反应动力学模型即除镁/除钙反应的动态质量平衡方程，实时优化NaOH/Na₂CO₃投加量，控制pH值和钙镁硬度去除率，解决传统控制方式的滞后问题，动态修正反应动力学参数（即前面的反应速率常数k₁/k₂），以修正水质波动（如原水总硬度±10%变化）；

本步骤对应图3中的“化学反应模型更新”。

优选的，所述步骤S1021中，动态修正反应动力学参数的公式为：

；

其中，为t时刻的反应速率常数（i=1为除镁反应，i=2为除钙反应）；

为前一时刻的反应速率常数；

为自适应学习率，控制参数修正幅度；

为前一时刻实测产水硬度（如钙/镁硬度）；

为前一时刻模型预测产水硬度；

y_target为目标产水硬度（如钙硬度≤300mg/L）。

步骤S1022（滚动优化）：在每个控制周期（如1min）内，进行二次规划求解，生成未来预设时段（可以根据需求灵活设置，本实施例中为30min）内的最优药剂投加序列。

本步骤对应图3中的“滚动优化：二次规划求解”。

优选的，所述步骤S1022中，二次规划求解的公式为：

；

其中，为t时刻预测的t+k时刻产水硬度；

为t+k时刻目标产水硬度（如总硬度≤1800mg/L）；

Q为硬度误差权重矩阵，优先保证水质达标；

为t时刻计算的t+k时刻药剂投加量（NaOH/Na₂CO₃）；

R为控制输入权重矩阵，避免药剂投加量剧烈波动。

N为控制时域，指当前时刻需要确定的未来控制动作的时间步数，如N=60，即每次优化生成未来60个控制周期（每个周期1min，共60min）。

约束条件可以根据实际生产条件（如反应釜大小、成本多少）和生产需求灵活设置，本发明实施例中，约束条件为NaOH投加量≤15L/h，Na₂CO₃投加量≤12L/h，pH值维持在11.0-11.5。

上述步骤S1021-步骤S1022对应图3中的内环（MPC）优化：基于实时水质数据更新化学反应动力学参数（如k₁/k₂），通过二次规划求解未来30min内硬度去除率≥90%的最优药剂投加序列，输出控制信号至加药泵。具体实施时，可以通过模型预测控制算法，以未来30min内硬度去除率≥90%为目标，滚动优化NaOH/Na₂CO₃投加量，控制时域N=60，预测时域P=120，解决传统控制的滞后问题。

步骤S103（外环膜系统智能决策）：构建膜污染状态空间方程，结合动态规划算法优化膜类型切换与清洗策略，实现通量维持与成本最小化的帕累托最优控制。

本步骤对应图2中的外环（膜系统控制）。

作为一种可选的实施例，所述步骤S103中，构建的膜污染状态空间方程如下：

首先，定义膜污染状态变量：

膜孔堵塞率（，为清洁膜，为完全堵塞）；

膜表面滤饼层厚度h(单位：)。

然后，建立状态转移方程：

；

其中，为膜孔堵塞率随时间的变化率，表示清洁膜，表示完全堵塞；

为堵塞速率常数，描述膜通量对堵塞的影响；

为清洗恢复常数，描述清洗对堵塞的缓解作用；

u_clean：清洗控制变量（0-1），0表示未清洗，1表示最大清洗强度；

为膜表面滤饼层厚度h随时间的变化率（单位：）；

为滤饼增长系数，表示单位通量和固形物浓度下的滤饼增长速率；

为反洗剥离系数，表示清洗对滤饼层的剥离效率；

J为膜通量（单位：L/(m²·h)），表示单位时间单位膜面积的产水量；

C_solid为混合液固形物浓度，即反应生成的Mg(OH)₂、CaCO₃等固态颗粒物浓度；

u_clean为清洗控制变量，取值范围0-1。

作为另一种可选的实施例，所述步骤S103包括：

步骤S1031（膜污染状态估计）：通过实时数据估计膜孔堵塞率与膜表面滤饼层厚度，更新膜污染等级（轻度/中度/重度）；

本步骤对应图3中的“膜污染状态估计”。

步骤S1032（膜类型切换策略）：建立成本-效率矩阵，采用Q-learning算法选择最优膜类型；

本步骤对应图3中的“Q-learning膜类型决策”。建立的成本-效率矩阵可以如表1所示：

表1：膜类型成本-效率矩阵

表1中：

设计通量：BUFF膜通量显著高于其他两种膜；

膜寿命：根据膜材质耐腐蚀性推断，ePTFE材质的BUFF膜寿命最长；

清洗周期：实施例中“膜清洗周期提升50%”对应BUFF膜清洗周期4.5h（传统为3h）；

综合成本效率比：综合药剂成本、能耗及通量的无量纲指标，数值越低表示性价比越高，计算公式为：综合成本效率比=（清洗成本+能耗成本）/（设计通量×膜寿命）。

优选的，所述步骤S1032中，膜类型切换条件为：

；

其中，m ：膜类型变量，A：BUFF膜，B：陶瓷膜，C：中空纤维膜，：膜组件成本，：能耗成本，：清洗成本。

公式中各项含义具体如表2所示：

表2：公式中各项含义

步骤S1033（清洗周期优化）：当膜孔堵塞率大于等于第一预设阈值或膜表面滤饼层厚度h大于等于第二预设阈值时，触发化学清洗，清洗液配方根据膜类型自动切换。

本步骤对应图3中的“清洗周期优化”。具体实施时，例如，当θ≥0.6或h≥50μm时，触发化学清洗，清洗液配方根据膜类型自动切换（如陶瓷膜用0.1%NaOH，BUFF膜用0.05%柠檬酸）。

上述步骤S1031-S1033对应图3中的外环优化/动态规划：利用实时数据估计膜污染状态（），通过Q-learning算法从表1中选择当前污染状态下成本最低的膜类型（如高硬度工况优先选择BUFF膜），同时根据阈值（如）触发清洗程序。具体实施时，可以通过膜孔堵塞率和滤饼层厚度h的状态方程，实时估计膜污染状态；采用Q-learning算法从成本-效率矩阵中选择最优膜类型，结合动态规划确定清洗周期（如时触发化学清洗）；输入参数为膜压差、产水浊度、膜通量；输出控制为膜组件切换指令、反洗泵启停、清洗液配方选择。

通过上述步骤S1031-S1033，系统能够在复杂工况下自动平衡处理效果与运行成本，显著提升渗沥液浓水软化处理的智能化水平，相比于现有技术具有以下优势：

膜类型切换策略：首次将膜材质特性（通量、寿命、清洗成本）量化为可计算的成本矩阵，结合Q-learning实现智能化决策，解决传统人工切换的低效问题（效率提升40%，膜寿命延长25%）。

实施例数据支撑：

相比传统控制，本发明方法药剂消耗降低20%（1.2kg/吨 vs 1.5kg/吨），膜清洗周期延长50%（4.5h vs 3h），吨水综合成本下降15%-20%。

作为一种可选的实施例，所述方法还包括：

步骤S104（双闭环协同控制）：采用动态规划算法求解包含硬度去除率、膜通量、运行成本的多目标优化问题，实现化学段与膜段的协同控制。

本步骤中，建立反应段与膜段的联动机制，内环为外环提供基础条件，外环反馈影响内环。本步骤对应图2中的协同控制模块。

优选的，所述步骤S104中，构建的包含硬度去除率、膜通量维持、药剂成本的目标函数为：

，；

其中，目标函数F：综合优化目标，需最小化；

：硬度去除率权重系数（无量纲），优先保证产水水质；

：实时产水总硬度（单位：mg/L）；

y_target：目标产水总硬度（设计值≤1800mg/L）；

范数平方项表示实际硬度与目标值的偏差，确保产水水质达标；

：膜通量权重系数（无量纲），平衡通量稳定性；

：周期T内膜通量累积值（单位：L/m²），反映膜系统运行效率；

：药剂成本权重系数（无量纲），控制运行成本；

c_i：第i种药剂单价（单位：元/L），如NaOH、Na₂CO₃；

m_i：第i种药剂投加量（单位：L）；

n：药剂种类数，即需要优化的药剂类型数量（如NaOH和Na₂CO₃，此时n=2）。

约束条件可以根据实际生产条件（如反应釜大小、成本多少）和生产需求灵活设置，本发明实施例中，约束条件：

产水总硬度≤1800mg/L，浊度≤2NTU；

膜通量J≥0.7J_max（J_max为各膜类型设计通量）；

清洗周期T_clean≥2h（避免过度清洗）。

这样，采用动态规划算法求解最优控制序列，实现化学段与膜段的协同优化。

优选的，所述步骤S104中，当膜池浊度大于第三预设阈值时，自动延长反应池沉淀时间；当膜通量连续一定时间低于设计值80%时，反向修正除镁/除钙反应的动态质量平衡方程，增大Na₂CO₃投加量。

具体实施时，当膜池浊度＞1.5NTU时，自动延长反应池沉淀时间10min，增加结晶捕捉器静电吸附强度（通过调节反应器内壁PTFE涂层电压）；当膜通量连续30min低于设计值80%时，反向修正化学反应模型，增大Na₂CO₃投加量5%-10%，促进大粒径晶体生成，减少膜孔堵塞。

上述步骤S104对应图3中的协同控制与自校正：联动反应池与膜系统，如膜通量下降时调整药剂投加促进大颗粒结晶；每72h通过PSO算法优化MPC的Q/R权重矩阵和膜污染模型的系数，适应水质波动（如总硬度±10%变化时自动修正参数）。

作为另一种可选的实施例，所述方法还包括：

步骤S105（自适应参数优化）：基于粒子群优化算法动态调整控制参数，适应水质波动与设备老化。

本步骤对应图3中的“自校正层”。自适应参数优化：以吨水成本为核心目标，通过PSO算法动态调整控制参数，适应水质波动（如总硬度±10%变化时，参数调整时间＜15min），实现“水质达标”与“经济运行”的统一。

优化机制采用PSO算法的作用是：

优化变量：内环MPC的权重矩阵Q/R（调整硬度去除率与药剂投加量的优先级）；外环膜污染模型参数（堵塞速率与清洗恢复常数）；

迭代目标：通过调整上述参数，使f最小化，同时满足产水水质约束（总硬度≤1800mg/L，浊度≤2NTU）。

具体实施时，可以基于历史运行数据（≥72h），采用粒子群优化（PSO）算法动态调整控制参数（如MPC的Q/R权重、膜污染模型的系数），目标函数为吨水综合成本最低，优化公式：

，；

其中，f为吨水处理综合成本，单位：元/吨；

C_chemical为化学药剂总成本，包括NaOH和Na₂CO₃消耗费用，单位：元；

C_membrane为膜组件损耗成本，包括膜更换与维护费用，单位：元；

C_energy为系统能耗总成本，包括水泵、搅拌器等设备电耗，单位：元；

Q_treated为总处理水量，单位：吨。

实施案例：浙江某垃圾焚烧发电厂渗沥液浓水软化中试系统

1. 控制参数初始化

反应池控制目标：pH=11.5±0.05，钙硬度去除率≥91%，镁硬度去除率≥75%；

膜系统参数：BUFF膜设计通量50L/h·m²，陶瓷膜25L/h·m²，中空纤维膜20L/h·m²；

优化算法参数：MPC预测时域120min，控制时域60min，PSO粒子数30，迭代次数50。

2. 运行效果对比

本发明的方法与传统控制对比情况如表3所示：

表3：运行效果对比

综上，本发明涉及一种针对渗沥液纳滤/反渗透浓水软化过程的双闭环预测控制方法，通过构建化学反应动力学模型与膜污染状态空间方程，实现钙镁硬度去除率与膜系统运行效率的协同优化控制，适用于高盐高硬度废水的中试及工业级处理场景。

内环：基于化学反应动力学模型，实现NaOH/Na₂CO₃投加量的模型预测控制（MPC），解决pH值动态滞后与硬度去除率波动问题；

外环：构建膜污染状态空间方程，结合动态规划算法优化膜类型切换与清洗策略，实现通量维持与成本最小化的帕累托最优控制；

双闭环协同控制机制：内环与外环通过实时数据共享（如反应后固形物粒径分布、膜通量衰减速率）实现联动，动态调整药剂投加与膜清洗策略。

本发明还具有以下创新点：

1、建模维度创新：首次建立渗沥液浓水软化过程的双尺度模型，微观层面解析Mg(OH)₂/CaCO₃结晶动力学，宏观层面构建膜污染状态空间方程，突破传统控制依赖经验公式的局限。

2、控制结构创新：提出化学反应段与膜分离段的双闭环预测控制架构，通过MPC与动态规划的跨尺度协同，实现硬度去除率与膜运行效率的帕累托最优控制，解决了多目标冲突问题。

3、决策机制创新：引入Q-learning算法构建多膜类型智能决策系统，基于实时污染状态与成本模型动态选择最优膜类型，相比人工切换效率提升40%，膜寿命延长25%。

4、自适应能力创新：设计基于粒子群优化的参数自校正机制，自动适应水质波动（如总硬度±10%变化时，控制参数调整时间＜15min），显著提升系统鲁棒性。

5、双闭环协同控制机制：内环与外环通过实时数据共享（如反应后固形物粒径分布、膜通量衰减速率）实现联动，动态调整药剂投加与膜清洗策略。

本发明通过理论建模、智能算法与工程实践的深度融合，解决了高硬度废水软化处理中“控制精度低-运行成本高-系统鲁棒性差”的行业难题，具有显著的技术先进性与工程应用价值。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种基于双闭环预测控制的渗沥液浓水软化控制方法，其特征在于，包括：

步骤S101：获取实时采集的多维度数据；

步骤S102：构建除镁/除钙反应的动态质量平衡方程，基于模型预测控制算法，滚动优化NaOH/Na₂CO₃投加量，实现pH值与硬度去除率的精准控制；

步骤S103：构建膜污染状态空间方程，结合动态规划算法优化膜类型切换与清洗策略，实现通量维持与成本最小化的帕累托最优控制；

其中，所述步骤S102中，构建的除镁/除钙反应的动态质量平衡方程为：

除镁反应：

；

其中，：反应池中镁离子浓度随时间的变化率，k₁：反应速率常数，[OH^-]：反应池中氢氧根离子浓度，V：反应池容积，Q：进水流量，：进水带入的镁离子质量流量，：出水带出的镁离子质量流量；

除钙反应：

；

其中，k₂：反应速率常数，：反应池中碳酸根离子浓度，其他项的含义同除镁反应。

2.根据权利要求1所述的基于双闭环预测控制的渗沥液浓水软化控制方法，其特征在于，所述步骤S102包括：

步骤S1021：根据实时水质数据，通过除镁/除钙反应的动态质量平衡方程，实时优化NaOH/Na₂CO₃投加量，控制pH值和钙镁硬度去除率，动态修正反应动力学参数，以修正水质波动；

步骤S1022：在每个控制周期内，进行二次规划求解，生成未来预设时段内的最优药剂投加序列。

3.根据权利要求2所述的基于双闭环预测控制的渗沥液浓水软化控制方法，其特征在于，所述步骤S1021中，动态修正反应动力学参数的公式为：

；

其中，：t时刻的反应速率常数，：前一时刻的反应速率常数，：自适应学习率，：前一时刻实测产水硬度，：前一时刻模型预测产水硬度，：目标产水硬度；

和/或，所述步骤S1022中，二次规划求解的公式为：

；

其中，：t时刻预测的t+k时刻产水硬度，：t+k时刻目标产水硬度，Q：硬度误差权重矩阵，：t时刻计算的t+k时刻药剂投加量，R：控制输入权重矩阵，N：控制时域。

4.根据权利要求1所述的基于双闭环预测控制的渗沥液浓水软化控制方法，其特征在于，所述步骤S103中，构建的膜污染状态空间方程为：

；

其中，：膜孔堵塞率，：膜孔堵塞率随时间的变化率，：堵塞速率常数，：清洗恢复常数，u_clean：清洗控制变量，h：膜表面滤饼层厚度，：膜表面滤饼层厚度h随时间的变化率，：滤饼增长系数，：反洗剥离系数，J：膜通量，C_solid：混合液固形物浓度。

5.根据权利要求1所述的基于双闭环预测控制的渗沥液浓水软化控制方法，其特征在于，所述步骤S103包括：

步骤S1031：通过实时数据估计膜孔堵塞率与膜表面滤饼层厚度，更新膜污染等级；

步骤S1032：建立成本-效率矩阵，采用Q-learning算法选择最优膜类型；

步骤S1033：当膜孔堵塞率大于等于第一预设阈值或膜表面滤饼层厚度大于等于第二预设阈值时，触发化学清洗，清洗液配方根据膜类型自动切换。

6.根据权利要求5所述的基于双闭环预测控制的渗沥液浓水软化控制方法，其特征在于，所述步骤S1032中，膜类型切换条件为：

；

其中，m ：膜类型变量，A：BUFF膜，B：陶瓷膜，C：中空纤维膜，：膜组件成本，：能耗成本，：清洗成本。

7.根据权利要求1-6中任一所述的基于双闭环预测控制的渗沥液浓水软化控制方法，其特征在于，所述方法还包括：

步骤S104：采用动态规划算法求解包含硬度去除率、膜通量、运行成本的多目标优化问题，实现化学段与膜段的协同控制。

8.根据权利要求7所述的基于双闭环预测控制的渗沥液浓水软化控制方法，其特征在于，所述步骤S104中，构建的包含硬度去除率、膜通量维持、药剂成本的目标函数为：

，；

其中， F：目标函数，：硬度去除率权重系数，：实时产水总硬度，y_target：目标产水总硬度，：膜通量权重系数，：周期T内膜通量累积值，：药剂成本权重系数，c_i：第i种药剂单价，m_i：第i种药剂投加量，n：药剂种类数；

和/或，所述步骤S104中，当膜池浊度大于第三预设阈值时，自动延长反应池沉淀时间；

和/或，所述步骤S104中，当膜通量连续一定时间低于设计值80%时，反向修正除镁/除钙反应的动态质量平衡方程，增大Na₂CO₃投加量。

9.根据权利要求7所述的基于双闭环预测控制的渗沥液浓水软化控制方法，其特征在于，所述方法还包括：

步骤S105：基于粒子群优化算法动态调整控制参数，适应水质波动与设备老化。