摘要
出水质量的实时预测对于污水处理厂(WWTP)的稳定运行至关重要,但对化学需氧量(CODe)、总氮(TNe)和总磷(TPe)的直接实验室测量往往存在延迟且不连续。本研究提出了一种目标自适应的潜时序集成软测量框架,命名为混合潜时序集成网络(HEM-Net),用于在全规模污水处理厂中进行多出水质量同步预测。该框架集成了基于皮尔逊相关性的变量筛选、堆叠自编码器潜表示学习、滑动窗口时序建模,以及四个互补的预测分支,包括时序嵌入堆叠自编码器转换器(TE_SAEFormer)、双向长短期记忆网络(BiLSTM)、卷积神经网络(CNN)和 TimesNet。进一步引入了一种基于目标特定元验证的加权融合策略,根据每种出水变量的预测可靠性自适应地组合分支输出。使用来自东莞某真实污水处理厂的 21,745 个有效样本,HEM-Net 取得了平均均方根误差(RMSE)0.6755 和平均 R2 0.9154 的成绩,其中 CODe、TNe 和 TPe 的目标特定 R2 值分别为 0.9116、0.9559 和 0.8816。消融分析和噪声鲁棒性分析进一步证实,所提出的集成方法通过利用互补的时序表示提高了预测稳定性。这些结果表明,HEM-Net 为全规模污水处理系统中的实时多出水监测提供了一个实用且可靠的软测量框架。
利益冲突声明
作者声明无利益冲突。
同行评审
为了透明度,与本文相关的同行评审文件可在 https://doi.org/10.1002/cjce.70563 获取。
数据可用性声明
支持本研究结果的数据可根据要求从通讯作者处获取。由于隐私或伦理限制,数据不公开提供。


