一种基于时序解耦与可解释机器学习的污水管网外水入侵量化溯源方法与流程

本发明涉及污水管网监控，尤其涉及一种基于时序解耦与可解释机器学习的污水管网外水入侵量化溯源方法。

背景技术：

1、城市污水管网是城镇污水处理系统的核心载体，外水入侵（含雨水入流、地下水渗透、河水/海水倒灌）是制约污水收集效能、影响污水处理厂提质增效的关键问题。随着智慧水务技术的发展，基于在线监测数据的外水入侵量化溯源，已成为城市排水管网运维、破损修复与雨污混接整治的核心技术手段。

2、当前污水管网外水入侵监测主要采用三类技术路径：一是传统静态基线法，以夜间最小流量、固定阈值为基准估算外水总量；二是单一水量平衡法，仅通过流量数据核算外水入侵比例；三是常规机器学习模型，基于监测数据拟合管网运行状态实现外水识别。上述技术在常规工况下可实现基础的外水量化，为管网运维提供初步数据支撑。

3、但是，上述的现有技术在实际使用场景中仍存在如下问题：

4、（1）旱天基线采用静态阈值设定，无法适配居民用水的时序波动，易将节假日、早晚高峰的正常流量变化误判为外水入侵，导致量化结果偏差极大；

5、（2）仅依赖单一水量指标监测，缺乏水质示踪与物理解耦手段，无法区分雨水入流、地下水渗透、河水倒灌的组分构成，难以指导精准修复；

6、（3）机器学习模型为黑箱模式，无物理可解释性，无法验证外水驱动机制，在沿海潮汐、高地下水位等复杂工况下易出现误报、漏报，诊断结果无法被工程运维采信；

7、同时，现有技术普遍缺乏多源异构数据的标准化预处理，传感器噪声、数据缺失会进一步降低诊断精度。

8、因此，亟需一种能够融合时序分解算法与可解释性机器学习技术的方法，既能通过动态机制重构精准的旱天排放基线，又能利用多源数据融合挖掘非线性规律，并实现对外水来源的定量归因与透明化溯源。

技术实现思路

1、本发明的目的是解决现有技术中的难以适配居民用水时序波动、难以区分外水组分类型,以及在复杂工况下易出现误报漏报的问题，而提出的一种基于时序解耦与可解释机器学习的污水管网外水入侵量化溯源方法。

2、为了实现上述目的，本发明采用了如下技术方案：一种基于时序解耦与可解释机器学习的污水管网外水入侵量化溯源方法，包括如下步骤：

3、s1：采集污水管网关键节点的多源水力、水质数据，以及对应区域的气象、水位类环境数据，对全部多源时序数据统一进行预处理，构建包含水力因子、水质因子及环境因子的多维特征空间；

4、s2：基于所述多维特征空间，采用时序分解算法对旱天水质数据进行动态解耦重构，剔除异常样本后得到动态旱天排放基线，通过实测数据与所述动态旱天排放基线的差值计算外水入侵总量序列；

5、s3：基于所述外水入侵总量序列，结合质量平衡原理量化总外水入侵比例，构建双源示踪物理混合模型，将总外水实时解耦为快速响应入流与慢速响应渗透两类组分；

6、s4：基于所述多维特征空间中的环境因子构建集成学习回归模型以拟合管网运行状态，结合可解释归因框架计算各因子贡献度，完成两类外水组分的驱动机制溯源与验证。

7、本发明提供的技术方案带来的有益效果至少包括：

8、本发明通过采用时序分解算法重构动态旱天基线，结合水质水量响应校验规则筛选有效数据，贴合居民生活用水的日度、周度与节假日变化规律，能够改善传统静态基线的僵化适配问题，提升外水入侵总量量化的精准度，有效解耦居民生活污水排放规律与多源环境因子驱动的外水叠加效应。

9、本发明通过构建电导率与温度双示踪的物理混合模型，联立质量平衡与能量平衡关系分离外水组分，区分不同类型外水的响应特征，能够改善现有技术仅能量化外水总量无法区分来源的问题，提升外水组分解耦的细致度，为管网精准修复提供数据支撑。

10、本发明通过采用集成学习模型拟合管网运行状态，结合可解释归因框架计算环境因子的贡献值，搭配物理规则判定外水驱动机制，能够改善传统机器学习模型黑箱不可解释的问题，提升外水溯源结果的可信度，提升高地下水位及受潮汐顶托地区排水管网的故障诊断精度。

11、本发明通过对多源异构时序数据开展统一预处理，采用滤波方式剔除噪声数据并填补缺失数据，统一数据时间粒度与质量标准，能够降低传感器异常与数据偏差带来的诊断误差，提升管网运维决策的智能化水平。

12、本发明通过融合物理机理与数据驱动方法构建全流程诊断体系，适配沿海潮汐、高地下水位等复杂工况特征，能够提升极端工况下外水诊断的稳定性，增强技术方案的实际工程适配能力。

1.一种基于时序解耦与可解释机器学习的污水管网外水入侵量化溯源方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于时序解耦与可解释机器学习的污水管网外水入侵量化溯源方法，其特征在于：s1中所述预处理包括：采用线性插值法将全部多源时序数据重采样至统一时间粒度，构建滑动四分位距滤波器并计算异常噪声剔除阈值，计算公式为：

3.根据权利要求1所述的基于时序解耦与可解释机器学习的污水管网外水入侵量化溯源方法，其特征在于：s2中所述时序分解算法为加性时序分解模型，对应的时间序列分解方程为：

4.根据权利要求1所述的基于时序解耦与可解释机器学习的污水管网外水入侵量化溯源方法，其特征在于：s2中剔除异常样本采用水质水量响应校验机制：构建旱天电导率日变化基准曲线，剔除不符合高流量对应高电导率、低流量对应低电导率水质指纹特征的非稳态数据，仅在经水质指纹验证的旱天数据集上采用最大后验估计方式完成参数拟合。

5.根据权利要求1所述的基于时序解耦与可解释机器学习的污水管网外水入侵量化溯源方法，其特征在于：s3中所述总外水入侵比例，通过所述实测数据中电导率与所述动态旱天排放基线的差值，结合污染物质量平衡原理量化得到。

6.根据权利要求1所述的基于时序解耦与可解释机器学习的污水管网外水入侵量化溯源方法，其特征在于：s3中所述双源示踪物理混合模型，以所述实测数据中的电导率作为质量平衡示踪剂、温度作为能量平衡示踪剂，联立质量平衡方程组与能量平衡方程组，实现外水组分的实时解耦。

7.根据权利要求1所述的基于时序解耦与可解释机器学习的污水管网外水入侵量化溯源方法，其特征在于：s4 中所述集成学习回归模型为梯度提升决策树回归模型，构建的物理感知输入向量为：

8.根据权利要求1所述的基于时序解耦与可解释机器学习的污水管网外水入侵量化溯源方法，其特征在于：s4中所述可解释归因框架为加性特征归因解释框架，基于所述框架并结合博弈论原理，计算得到各环境因子的边际贡献值。

9.根据权利要求1所述的基于时序解耦与可解释机器学习的污水管网外水入侵量化溯源方法，其特征在于：s3中所述快速响应入流为雨源性入流，所述慢速响应渗透为地下水或河水渗透；