基于深度学习的污水处理厂进水氨氮预测模型研究.pdfVIP

摘要

摘要

准确评估污水处理厂进水水质有助于优化污水收集及处理系统的运行管理

策略。近年来，基于深度学习模型评估关键水质指标在污水处理的智慧化领域

受到广泛关注。通过分解算法分解原始序列，建立分解-集成模型是提升深度

学习模型预测性能的常见途径。然而，对时间序列进行一次分解的传统方法在

计算子序列时会用到当前时刻无法获取的未来时刻的数据，因此存在信息泄露

问题，进而可能导致构建的分解-集成模型具有虚假的高精度。为解决该问题，

本研究基于滚动分解建立了无信息泄漏的分解-集成模型，并对污水处理厂进

水的关键指标氨氮（AmmoniaNitrogen，NH-N）进行预测。

3

分别基于门控循环单元（GatedRecurrentUnit，GRU）、随机森林

（RandomForest，RF）、轻量级梯度提升机（LightGradientBoosting

Machine，LGB）、循环神经网络（RecurrentNeuralNetwork，RNN）及长短

时记忆网络（LongShort-TermMemory，LSTM）等5种预测算法建立污水处

理厂进水NH-N的预测模型。结果表明：GRU模型在平均绝对误差（Mean

3

AbsoluteError，MAE）、均方根误差（RootMeanSquareError，RMSE）以

及平均绝对百分比误差（MeanAbsolutePercentageError，MAPE）方面比其

他四种模型分别低了6.0%-41.4%、3.6%-39.2%及4.6%-40.0%。可见，GRU

在本研究场景下具有最优的预测性能，因此选定GRU作为构建分解-集成模型

的基础模型。

在GRU模型的基础上，以变分模态分解（VariationalMode

Decomposition，VMD）为分解算法，分别基于四种数据分解策略构建并测试

了分解-集成模型，探讨了在训练、验证、测试阶段一次分解带来的信息泄露

对分解-集成模型预测性能的影响。结果发现：基于存在信息泄露的一次分解

构建的分解-集成模型在无信息泄露的真实情境下预测性能不如单一GRU，揭

示出在构建分解-集成模型时有效防止信息泄露的重要性；而基于无信息泄露

的滚动分解构建的分解-集成模型RRR-GRU相对于单一GRU模型，预测结果

的RMSE、MAE和MAPE分别降低了16.7%、13.0%和11.9%，表明该模型

是有效的分解-集成模型。

从模型对不同监测时间NH-N的预测准确性及模型的不确定性两个方面

3

分析了RRR-GRU模型相对单一GRU模型的优势。结果显示：与GRU相比，

RRR-GRU在不同监测时间的预测结果的MAPE、MAE和RMSE分别平均低

了15.6%、13.0%和14.2%。同时，RRR-GRU预测结果的不确定性相对于

-I-

摘要

GRU也平均低了14.2%，表明RRR-GRU与GRU相比不但具有更高的准确性，

也具有更高的稳定性和可靠性。

综上所述，本研究通过滚动分解的方法解决了传统一次分解带来的信息泄

露问题，并基于对建模数据的全程滚动分解构建了没有信息泄露的准确、可靠

的分解-集成模型。本研究为污水处理厂进水NH-N的预测提供了一种廉价、

3

快速、清洁的方案，研究成果有助于污水收集及处理的智慧化以及城市的可持

续发展。

关键词：滚动分解；分