基于矢量化证据推理(Vectorized Evidential Reasoning, VER)的可持续污水处理过程多元出水水质(Effluent Quality, EQ)预测方法
《Sustainability》:Vectorized Evidential Reasoning-Based Multivariate Effluent Quality Prediction for Sustainable Wastewater Treatment Process
编辑推荐:
准确预测多元出水水质对于污水处理厂(WasteWater Treatment Plant, 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、耦合关系及非优先多输入多输出(Multi-Input Multi-Output, MIMO)特性给
准确预测多元出水水质对于污水处理厂(WasteWater Treatment Plant, 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、耦合关系及非优先多输入多输出(Multi-Input Multi-Output, MIMO)特性给传统预测方法带来显著挑战。针对上述问题,研究人员提出了一种基于矢量化证据推理(Vectorized Evidential Reasoning, VER)的多元出水水质(Multivariate Effluent Quality, MEQ)预测方法——VER-MEQ。首先,构建VER模型,通过矢量证据矩阵(Vector Evidence Matrix, VEM)建立多过程变量与多出水水质指标间的非线性映射,在统一推理框架下实现多输出的同步在线预测。随后,引入结构化混合初始化(Structured Hybrid Initialization, SHI)策略提升遗传算法(Genetic Algorithm, GA)的初始化质量,并将VER推理过程嵌入参数优化中以完成在线模型参数更新,从而提高预测性能。所提方法在晴天、雨天及暴雨工况下进行了验证。实验结果表明,VER-MEQ取得了具有竞争力的预测精度,提供了透明的置信度(Belief)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,该框架可支持主动运行决策、提高出水达标率、降低营养盐排放风险,并促进WWTP的可持续运行。
论文解读:基于矢量化证据推理的可持续污水处理过程多元出水水质预测研究
该研究发表于《Sustainability》期刊。污水处理(WasteWater Treatment, WWT)作为现代环保关键环节,其出水水质直接关系到受纳水体生态安全,并支撑联合国可持续发展目标(SDG 6, 11, 14)。目前活性污泥模型(Activated Sludge Model, ASM)等机理模型需大量参数校准且难适应实时波动;传统数据驱动方法如支持向量回归(Support Vector Regression, SVR)、随机森林(Random Forest, RF)、反向传播神经网络(Back-Propagation Neural Network, BPNN)、高斯过程回归(Gaussian Process Regression, GPR)及长短期记忆(Long Short-Term Memory, LSTM)网络等多针对单输出设计,处理多输出时常忽略变量间耦合关系或呈"黑箱"缺乏可解释性,难以满足水厂运营人员对推理过程透明性的需求。此外,实际污水处理过程具有非优先(non-prioritized)多输入多输出特性,即各输出(如NH3-Ne和TNe)同等重要且相互耦合。为此,研究人员提出基于矢量化证据推理(Vectorized Evidential Reasoning, VER)的多元出水水质(Multivariate Effluent Quality, MEQ)预测方法(VER-MEQ),以BSM1(Benchmark Simulation Model No.1)平台数据为验证对象,旨在同时实现高精度、可解释的非优先MIMO预测及在线自适应更新,为WWTP可持续运行提供决策支持。
主要关键技术方法:
研究人员以BSM1平台模拟厌氧-缺氧-好氧(Anaerobic-Anoxic-Aoxic, AAO)工艺获取晴天、雨天、暴雨三种气象场景时序数据。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(Dissolved Oxygen, DO)、进水化学需氧量(CODin),预测未来时刻出水氨氮(NH3-Ne)和出水总氮(TNe)。采用K-means聚类(K=5加两边界得L=7个参考矢量)初始化输入/输出参考矢量空间;基于联合相似度统计构建矢量证据矩阵(Vector Evidence Matrix, VEM)表征输入输出非线性关系;在线阶段计算实时输入与各输入参考矢量的指数欧氏相似度作为激活权重,按证据推理(Evidential Reasoning, ER)融合规则进行多证据融合得到置信度(Belief)分布并解算预测值;引入结构化混合初始化(Structured Hybrid Initialization, SHI)策略生成遗传算法(Genetic Algorithm, GA)初始种群,以等权重的双输出平方误差最小化为目标函数,在获得真实输出后滚动更新VEM非边界参考矢量及矩阵参数;采用离线预训练+在线滚动预测—更新范式严格防止信息泄露。
研究结果
4.1. Experiment Preparation
研究人员通过肘部法则(Elbow Method)确定K-means聚类数N=5,构建晴天/雨天/暴雨场景下输入与输出参考矢量及初始VEM。将每场景前1566个样本作预训练集构造初始模型,后续671个连续样本用于在线滚动预测评估。对照方法包括BPNN、ε-SVR、GPR、传统证据推理TER(标准GA优化)及TER(SHI-GA优化)。
4.2.1. Analysis of Predictive Performance
无扰动条件下,VER-MEQ在晴天场景取得最小RMSE(0.0066)和MAPE(0.1003%),NH3-Ne与TNe符号准确率分别为99.55%和97.91%。雨天与暴雨场景下TER(SHI-GA)的RMSE略低于VER-MEQ,但VER-MEQ的MAPE与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),且符号准确率最高(雨天98.66%/96.12%,暴雨与之相当或更高),误差分布图显示VER-MEQ主体误差更集中近零,略高RMSE系少数大误差样本被平方惩罚所致。对比TER(GA)与TER(SHI-GA)证实SHI策略提升传统TER优化质量;VER-MEQ在相同SHI-GA优化下较TER(SHI-GA)获得更低MAPE/MAE与更高符号准确率,证明矢量化证据表示与融合机制有效捕捉了输出间耦合关系。抗±5%输入扰动实验中,雨天与暴雨下VER-MEQ全面最优(RMSE/MAPE/MAE均最低,暴雨RMSE 0.0735、MAPE 0.0804%、MAE 0.0110),晴天虽RMSE略高于TER(SHI-GA)但MAPE降约75.3%、MAE降约67.0%且符号准确率更高,误差分布仍最紧凑,表明在线更新机制可部分补偿扰动影响,具备初步鲁棒性。
4.2.2. Analysis of Interpretability and Similarity Metric Selection
研究人员以雨天场景在线样本为例展示推理过程:计算归一化指数欧氏相似度获得各输入参考矢量激活权重,通过VEM转换为置信度分布并经VER融合规则输出联合预测值,推理链透明可追溯。对比马氏距离与余弦相似度,归一化指数欧氏相似度在雨天整体测试中获最高符号准确率(NH3-Ne98.66%,TNe96.12%),单样本激活具区分度且预测误差最小,余弦相似度因对幅值不敏感趋于均匀激活区分力弱。VEM中高置信度关联低NH3-Ne或低TNe参考等级可辅助操作人员理解硝化/反硝化效能。
讨论与结论翻译:
研究人员指出,本文提出VER-MEQ方法将传统证据推理由单输入/单输出拓展至MIMO域,通过矢量证据矩阵(VEM)显式建模多出水指标耦合关系并提供基于置信度(Belief)的透明推理过程与竞争性预测精度;结合结构化混合初始化(SHI)的遗传算法实现VEM参数在线滚动更新。BSM1平台晴天、雨天及暴雨工况仿真实验表明该方法在测试条件下取得有效预测性能与初步抗±5%输入扰动能力,且推理过程透明可信,可支持污水处理厂主动运行决策。当前局限包局限于仅在BSM1基准平台验证尚未用实际水厂数据、抗干扰实验未覆盖缺失值及更大异常、仅预测NH3-Ne与TNe两指标、对照未含LSTM等深度模型。未来工作将开展实际水厂验证、更复雜工程扰动下的系统性鲁棒性评估、扩展至多水质指标(COD、DO、TP、BOD等)及与先进模型对比,并量化预测精度与曝气能耗、药剂投加、达标率间关联,以进一步提升VER-MEQ框架的实用价值与可持续性贡献。