一种饮用水处理厂水质碳排协同预测与优化方法

本发明属于饮用水处理，具体涉及一种饮用水处理厂水质碳排协同预测与优化方法。

背景技术：

1、饮用水处理厂通常通过混合、絮凝、沉淀、过滤和消毒等工艺去除原水中的浊度、天然有机物、氨氮及病原微生物。上述处理过程需要持续消耗电力、混凝剂、氧化剂、消毒剂等资源，运行参数的设定不仅影响产水水质，还会影响药剂消耗、能源消耗及相应碳排放。因此，在保障产水水质的同时合理调整运行参数，是饮用水处理厂运行管理中的重要内容。

2、现有饮用水处理厂多依据人工经验、历史运行规律或常规反馈控制方式调整药剂投加量、滤池滤速、反冲洗强度和水泵运行频率。随着运行数据的积累，也出现了利用机器学习模型预测产水浊度、药剂投加量或运行能耗的技术方案，部分方案还通过特征贡献分析识别主要影响因素，或者根据水力停留时间对原水数据、运行参数与产水水质数据进行时序匹配，以改善预测结果。

3、但是，原水特征、运行参数与多项产水水质指标之间存在复杂的非线性关系，且原水及运行参数的变化需要经过多个工艺单元后才反映到产水水质。现有方法多集中于单项水质指标、单类药剂投加量或运行能耗的独立预测，难以同时获得多个关键产水水质指标和吨水碳排放强度的预测结果，也缺少根据不同预测模型中运行参数的贡献情况筛选待优化变量，并在当前原水条件下对多项运行参数进行协同优化的技术手段。

4、因此，需要建立原水特征和运行参数与关键产水水质指标及吨水碳排放强度之间的预测关系，结合运行参数对不同预测目标的贡献情况确定待优化变量，并利用预测结果对候选运行参数组合进行评价和迭代优化，从而为饮用水处理厂运行参数调整提供依据。

技术实现思路

1、为了解决现有技术中难以同时预测饮用水处理厂关键产水水质指标与吨水碳排放强度，并据此协同优化运行参数的问题，本发明提出了以下方案：

2、一种饮用水处理厂水质碳排协同预测方法，包括：

3、s1、以单个有效运行日为核算周期，采用排放因子法，根据外购电力、药剂、燃料以及脱水污泥运输和终端处置产生的碳排放量与实际处理水量，计算吨水碳排放强度；

4、s2、获取饮用水处理厂长周期运行下的原水特征、运行参数、关键产水水质指标及所述吨水碳排放强度，进行数据预处理，构建训练数据集；

5、s3、针对各关键产水水质指标确定对应的时间滞后，根据所述时间滞后对原水特征和运行参数与关键产水水质指标进行时序匹配，构建时滞校正后的水质预测训练数据；

6、s4、以所述原水特征和运行参数为输入，以所述关键产水水质指标和吨水碳排放强度分别为输出，利用所述时滞校正后的水质预测训练数据训练关键产水水质指标对应的多个候选预测模型，并利用未经时滞校正的训练数据训练吨水碳排放强度对应的多个候选预测模型，根据预测性能确定关键产水水质指标预测模型和吨水碳排放强度预测模型；

7、s5、将待预测日的原水特征和运行参数分别输入所述关键产水水质指标预测模型和吨水碳排放强度预测模型，得到关键产水水质指标预测值和吨水碳排放强度预测值。

8、进一步地，s1中，外购电力、药剂、燃料以及脱水污泥运输和终端处置的碳排放量分别根据对应活动数据和排放因子确定，各项碳排放量之和除以当日实际处理水量得到所述吨水碳排放强度；厂内污泥浓缩和脱水设备用电计入外购电力碳排放量。

9、进一步地，s2中，所述原水特征包括日处理水量、水温、原水浊度、ph、耗氧量、氨氮浓度和uv254；所述运行参数包括混凝剂投加量、氧化剂投加量、消毒剂投加量、滤池滤速、反冲洗强度和水泵运行频率；所述关键产水水质指标包括产水浊度、总硬度、氨氮和耗氧量。

10、进一步地，s3中，所述候选预测模型包括lasso、dt、rf、svm、lgbm和xgboost模型；采用五折交叉验证和贝叶斯超参数优化进行训练，并根据决定系数、平均绝对误差和均方根误差确定所述预测模型。

11、进一步地，s3所述针对各关键产水水质指标确定对应的时间滞后，包括：根据各工艺单元的有效容积和日均进水流量计算并累积水力停留时间，得到理论响应时间；针对每项关键产水水质指标，以所述理论响应时间为候选时间滞后的初始值，在24h窗口内按照监测数据的最小时间间隔调整候选时间滞后，对各候选时间滞后对应的数据进行时序匹配、模型训练和预测误差计算，将预测误差最小时的候选时间滞后确定为最佳时间滞后。

12、进一步地，s3所述构建时滞校正后的水质预测训练数据，包括：根据各关键产水水质指标的最佳时间滞后，将对应时刻的原水特征和运行参数与当前时刻的关键产水水质指标进行匹配，构建时滞校正后的水质预测训练数据；吨水碳排放强度预测模型的训练数据不进行所述时滞校正。

13、一种饮用水处理厂水质碳排协同优化方法，包括：

14、s1、获取当前原水特征、当日实际运行参数、历史运行数据、关键产水水质指标预测模型和吨水碳排放强度预测模型，其中，两类预测模型均以原水特征和运行参数为输入，并分别以关键产水水质指标和吨水碳排放强度为输出；

15、s2、对作为两类预测模型输入的可调控运行参数进行沙普利加性解释（shap）分析，根据各运行参数对各预测模型输出的贡献度确定待优化变量，将当前原水特征作为固定变量，并根据历史运行数据确定各待优化变量的搜索范围；

16、s3、根据关键产水水质指标和吨水碳排放强度构建贝叶斯优化目标函数；

17、s4、以所述当日实际运行参数为初始值，在所述搜索范围内生成候选运行参数组合；

18、s5、将当前原水特征和候选运行参数组合输入两类预测模型，获得对应的关键产水水质指标预测值和吨水碳排放强度预测值，并计算目标函数值；

19、s6、根据目标函数值更新贝叶斯优化模型，重复生成和评价候选运行参数组合，直至满足终止条件，输出目标函数值最小时对应的每日最优运行参数。

20、进一步地，s3中，采用各关键产水水质指标的水质控制限值和剔除异常值后的历史吨水碳排放强度最大值进行归一化，对归一化结果加权求和得到所述目标函数；各权重系数非负且总和为1，并通过敏感性分析确定。

21、进一步地，s2中，分别按照平均绝对shap值对各预测模型对应的全部可调控运行参数进行排序，从每个预测模型对应的排序结果中选取排名前六的可调控运行参数，统计各运行参数的入选次数，并选取入选次数最多的六项作为待优化变量；六项待优化变量全部参与每次贝叶斯优化，所述六项待优化变量为混凝剂投加量、氧化剂投加量、消毒剂投加量、滤池滤速、反冲洗强度和水泵运行频率，其搜索范围为历史运行数据中的极值区间。

22、进一步地，根据运行周期内各运行参数每日最优值的第一四分位数和第三四分位数，确定相应运行参数的最优运行参数区间。

23、与现有技术相比，本发明具有以下有益效果：

24、通过以单个有效运行日为核算周期，采用排放因子法核算外购电力、药剂、燃料以及脱水污泥运输和终端处置产生的碳排放量，并结合实际处理水量计算吨水碳排放强度，使碳排放数据能够与饮用水处理厂的日常运行数据对应，从而为吨水碳排放强度预测及水质碳排协同优化提供数据基础。

25、通过以原水特征和运行参数为输入，以关键产水水质指标和吨水碳排放强度分别为输出，训练并筛选相应预测模型，使原水特征、运行参数与产水水质及碳排放之间的非线性关系能够被表征，从而获得待预测日的关键产水水质指标预测值和吨水碳排放强度预测值。通过根据水力停留时间和模型预测误差确定不同关键产水水质指标的最佳时间滞后，并对水质预测训练数据进行时序匹配，能够降低工艺传输延迟造成的输入输出数据错位对水质预测的影响。

26、通过对关键产水水质指标预测模型和吨水碳排放强度预测模型中的可调控运行参数进行shap分析，根据各运行参数在不同预测模型中的贡献度筛选待优化变量，并将当前原水特征作为固定变量，使运行参数优化能够结合当前原水条件及不同预测目标的综合影响。通过贝叶斯优化算法生成候选运行参数组合，利用两类预测模型计算相应的关键产水水质指标、吨水碳排放强度及目标函数值，并根据目标函数值迭代更新，能够获得每日最优运行参数，并进一步形成最优运行参数区间，从而为饮用水处理厂运行参数调整提供依据。

27、本发明具有水质和吨水碳排放强度协同预测、运行参数贡献分析及候选运行参数迭代优化的特点，能够在当前原水条件下确定每日最优运行参数及最优运行参数区间，适用于市政饮用水处理厂的水质预测、碳排放强度预测和运行参数优化等领域。