基于证据推理向量化的污水处理厂多变量出水水质(Multivariate Effluent Quality, MEQ)预测方法及在线更新策略

《Sustainability》:Bio-Based Solutions to Mitigate the Environmental Impact of Solid Waste Management in Humanitarian Crises: Evidence from Sub-Saharan Africa

【字体: 大 中 小 】 时间:2026年06月27日 来源:Sustainability 4.1

编辑推荐:

  准确预测多变量出水水质(Multivariate Effluent Quality, MEQ)对于实现污水处理过程(WasteWater Treatment Process, WWTP)的可靠运行与可持续管理至关重要。然而,WWTP强烈的非线性、耦合关系及非优

  
准确预测多变量出水水质(Multivariate Effluent Quality, MEQ)对于实现污水处理过程(WasteWater Treatment Process, WWTP)的可靠运行与可持续管理至关重要。然而,WWTP强烈的非线性、耦合关系及非优先级多输入多输出(Multi-Input Multi-Output, MIMO)特性给传统预测方法带来了显著挑战。为解决上述问题,研究人员提出了一种基于向量化证据推理的多变量出水水质(Vectorized Evidential Reasoning based Multivariate Effluent Quality, VER-MEQ)预测方法。首先,研究人员构建了向量化证据推理(Vectorized Evidential Reasoning, VER)模型,通过向量证据矩阵(Vector Evidence Matrix, VEM)建立多个过程变量与多个出水水质指标之间的非线性映射关系,使其能在统一推理框架下同时在线预测多个输出。随后,研究人员引入结构化混合初始化(Structured Hybrid Initialization, SHI)策略以提高遗传算法(Genetic Algorithm, GA)的初始化质量,并将VER推理过程嵌入参数优化中,以实现模型参数的在线更新,从而提高预测性能。研究人员在晴天、雨天及暴雨工况下对所提方法进行了验证。实验结果表明,VER-MEQ取得了具有竞争力的预测精度,提供了透明的基于置信度(belief-based)的推理过程,并在测试条件下保持了初步的抗干扰能力。通过对出水氨氮(NH3-Ne)和总氮(TNe)提供透明可信的预测结果,该框架可支持前瞻性运行决策、改善出水达标率、降低营养盐排放风险,并有助于WWTP的可持续运行。
论文解读:基于向量化证据推理的污水处理厂多变量出水水质预测及在线更新研究
研究背景与意义
污水处理(WasteWater Treatment, WWT)是现代环境保护的关键环节,其稳定达标直接关系到联合国可持续发展目标(SDGs)中的清洁饮水与卫生(SDG 6)、可持续城市(SDG 11)及水下生物(SDG 14)。传统活性污泥模型(Activated Sludge Models, ASM系列)虽具理论基础但需大量校准且难以应对实时波动;现有数据驱动方法如支持向量回归(SVR)、反向传播神经网络(BPNN)、长短期记忆网络(LSTM)等多针对单输出预测或作为"黑箱"模型缺乏可解释性,且常忽略多出水指标间的耦合关系及非优先级(non-prioritized)特性。针对污水处理过程(WasteWater Treatment Plant, WWTP)中生化反应强非线性、时变及多变量耦合导致传统机理模型难精确刻画,而常规数据驱动模型无法兼顾MIMO非优先级预测与推理透明度的现状,研究人员开展了此项研究。该研究提出向量化证据推理(Vectorized Evidential Reasoning, VER)框架扩展传统证据推理(Evidential Reasoning, ER)至MIMO域,构建VER-MEQ预测模型,并在《Sustainability》发表。研究结论表明,该方法在晴天、雨天及暴雨工况下可实现竞争性预测精度,提供基于置信度分布的透明推理过程,且在±5%输入扰动下保持初步抗干扰性,能为水厂操作人员提供可信的决策支持从而促进可持续运行。
主要关键技术方法
研究人员基于BSM1(Benchmark Simulation Model No.1)平台模拟采用厌氧-缺氧-好氧(Anaerobic-Anoxic-Aerobic, AAO)工艺的WWTP,选取7个输入变量(进水氨氮NH3-Nin、进水总氮TNin、当前时刻出水氨氮NH3-Ne,c、当前时刻出水总氮TNe,c、硝酸盐氮NO3-N、溶解氧DO、进水化学需氧量CODin)和2个输出变量(未来时刻出水氨氮NH3-Ne和总氮TNe)。关键技术包括:(1)利用K-means聚类结合边界向量初始化输入/输出参考向量(Reference Vectors),通过归一化指数欧氏相似度计算匹配度;(2)基于联合匹配度统计构建向量证据矩阵(Vector Evidence Matrix, VEM),表征输入参考向量对各输出参考向量联合置信度(belief degree)的映射;(3)设计在线滚动预测—更新范式,按时间因果顺序用当前输入激活VEM中证据,经VER融合规则得预测值,待真实输出到达后用带结构化混合初始化(Structured Hybrid Initialization, SHI)的遗传算法(Genetic Algorithm, GA)以等权平方误差最小为目标在线优化非边界参考向量及VEM参数;(4)在晴天、雨天、暴雨三种天气场景下各取1566组样本预训练,671组样本进行在线测试,并与BPNN、SVM、GPR及传统ER单输出模型对照评估RMSE、MAPE、MAE及符号准确率。
研究结果
4.2.1 分析预测性能(Analysis of Predictive Performance)
案例1(无外部扰动不同天气条件预测性能及与主流方法对比):研究人员在晴天、雨天、暴雨工况下进行在线滚动预测。结果显示VER-MEQ预测曲线能较好跟踪NH3-Ne和TNe的真实变化趋势。定量评估表明,晴天工况VER-MEQ取得最小RMSE(0.0066)和MAPE(0.1003%),符号准确率分别为99.55%(NH3-Ne)和97.91%(TNe);雨天和暴雨工况VER-MEQ的RMSE略高于采用SHI-GA优化的传统证据推理TER(SHI-GA),但MAPE和MAE显著更低(雨天MAPE 0.2114% vs 0.5522%,MAE 0.0071 vs 0.0243;暴雨MAPE 0.1743% vs 0.6225%,MAE 0.0069 vs 0.0271),符号准确率相当或更高。误差分布图显示VER-MEQ主体误差更集中近零,稍大RMSE源于少数尾误差样本被平方惩罚。对比TER(GA)、TER(SHI-GA)与VER-MEQ(SHI-GA)可见SHI策略降低TER误差,而向量化框架进一步改善了典型样本精度与趋势识别能力。结论:VER-MEQ在不同天气下能有效捕捉非线性动态关系,综合预测性能均衡优于对比方法。
案例2(±5%输入扰动下的抗干扰性能):研究人员向输入变量加入±5%随机扰动后重新测试。VER-MEQ仍能跟踪两出水指标总体变化趋势。定量结果显示,晴天扰动下VER-MEQ的MAPE(0.1241%)和MAE(0.0064)较TER(SHI-GA)降低约75.3%和67.0%;雨天扰动下VER-MEQ取得全指标最低(RMSE 0.0682,MAPE 0.0504%,MAE 0.0089),较TER(SHI-GA)各指标降幅达78.8%、93.5%、91.5%;暴雨扰动下亦全面最优(RMSE 0.0735,MAPE 0.0804%,MAE 0.0110),符号准确率97.01%和98.81%。误差分布证实VER-MEQ绝对误差在扰动下仍更紧凑。结论:所提向量化证据表示及在线更新机制使模型在输入受扰时保持有效精度和稳定趋势辨识能力。
4.2.2 可解释性与相似度度量选择分析(Analysis of Interpretability and Similarity Metric Selection)
研究人员选取雨天场景在线样本,对比归一化指数欧氏相似度、马氏距离及余弦相似度对参考向量激活权重及预测结果的影响。在全量在线样本上,归一化指数欧氏相似度取得最高符号准确率(NH3-Ne98.66%,TNe96.12%)。单样本推理显示该度量对最匹配参考向量赋予主导相似度,产生最小绝对误差;马氏距离激活较分散,余弦相似度近似均匀激活区分力弱。此外VER-MEQ给出各输出参考向量的置信度分布可供操作人员关联AAO工艺硝化/反硝化状态。结论:所选相似度度量在VER框架下平衡了精度与可解释性,模型推理过程透明可追溯,优于黑箱模型。
讨论与结论翻译
本文针对WWTP的非优先级MIMO出水水质预测问题,提出了VER-MEQ预测方法,将非线性建模能力与透明的基于置信度的推理过程相结合。主要贡献包括:(1)提出VER框架将传统ER从单输出/单输入问题扩展至MIMO问题,能以在线滚动方式同时预测多个非优先级出水水质参数;(2)建立了WWTP的VER-MEQ预测模型,显式捕捉多出水水质指标间耦合关系并提供透明置信推理过程,同时保持竞争性预测精度;(3)开发了带SHI策略的GA,将VER推理过程纳入适应度计算以实现在线模型参数更新从而提高预测精度;(4)在晴天、雨天及暴雨工况下的仿真实验表明,所提方法取得有效预测性能,在测试扰动条件下保持稳定行为,并为运行决策支持提供透明可信推理过程。局限性包仅于BSM1平台验证、抗干扰测试限于±5%扰动未涵盖缺失值与大离群、仅预测NH3-Ne和TNe未扩展至COD/DO/TP/BOD、对比模型未含LSTM等先进深度学习模型。未来工作将聚焦于实际水厂数据验证、更复杂工程条件下的系统性鲁棒性评估、扩展至多水质变量及与前沿模型对比,并开展预测精度与曝气能耗、药剂投加、达标率的定量可持续性分析。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号