一种基于物理信息约束与深度学习融合的污水处理水质预测方法及系统

本发明涉及污水处理过程建模与水质预测，具体而言，尤其涉及一种基于物理信息约束与深度学习融合的污水处理水质预测方法及系统。更具体地，本发明涉及一种将污水处理机理方程、活性污泥模型状态动力学方程以及经验弱监督信息嵌入深度学习网络训练过程的污水处理关键水质指标预测方法，适用于化学需氧量、总氮等出水水质指标的预测。

背景技术：

1、污水处理过程属于典型的多变量、强耦合、强非线性、时变动态系统。进水水质、水量、曝气强度、内外回流、污泥浓度、温度等因素共同影响有机物降解、硝化反硝化、生物量增长及溶解氧变化，进而决定出水水质水平。为了实现污水处理过程的精细化运行、稳定达标和节能降耗，对未来时刻关键水质指标进行准确预测具有重要意义。

2、现有技术中，基于长短期记忆网络、门控循环单元网络、时序卷积网络等深度学习模型的污水水质预测方法，能够从历史运行数据中学习输入与输出之间的非线性映射关系，在若干场景下具有较好的拟合能力。然而，此类模型通常仅以历史数据误差最小为目标，缺乏对污水处理物料守恒关系、生化反应机理及状态演化规律的显式约束，因此存在以下问题：

3、(1)预测过程可解释性不足，难以说明模型输出与污水处理机理之间的关联；

4、(2)预测结果可能违反质量守恒或状态演化规律，物理一致性较差；

5、(3)当训练样本有限、工况发生变化或存在跨工况外推任务时，泛化能力明显下降；

6、(4)隐含的活性污泥状态变量无法被有效表征，导致模型虽然能够给出水质输出，但难以进一步用于工艺分析与辅助决策。

7、另一方面，基于asm类活性污泥模型的机理模型能够较好刻画可溶性基质、颗粒性基质、异养菌、自养菌、氨氮、硝态氮、有机氮及溶解氧等状态变量之间的动态关系，具有较强机理可解释性。但传统机理模型参数众多，模型校准复杂，且在线预测效率不高，对传感器布设、参数辨识和工艺知识依赖较强。现有部分机理-数据融合专利多采用“机理模拟结果与实测数据融合”、“机理模型输出作为增强特征”或“机理模型残差修正”的路线。该类方法虽然改善了一部分预测性能，但大多仍然依赖独立机理模型先行建模与校准，再将结果外接到数据驱动模型中，尚未形成一种将机理约束直接嵌入深度学习训练过程、同时预测目标水质指标和机理状态轨迹的统一方法。

8、因此，亟需一种新的污水处理水质预测方法，在保留深度学习模型高效建模能力的同时，引入质量平衡约束、状态动力学约束以及可监测数据驱动的弱监督信息，使模型不仅能够输出目标水质预测结果，还能够给出活性污泥机理状态参数的演化轨迹，从而提高模型的预测精度、物理一致性、可解释性及复杂工况下的适用性。

技术实现思路

1、根据上述提出现有数据驱动模型过度依赖历史数据、缺乏机理约束、物理一致性差、可解释性不足以及在跨工况扰动和数据稀疏条件下泛化能力较弱的技术问题，提供一种基于物理信息约束与深度学习融合的污水处理水质预测方法及系统。本发明主要利用共享时序特征提取主干网络同时驱动目标水质预测输出头和活性污泥模型asm机理状态参数预测输出头，并将质量平衡约束、动力学残差约束及弱监督约束嵌入深度学习网络的联合损失函数中，使模型训练同时满足数据拟合与机理一致性要求，从而起到提高水质预测结果的物理一致性、可解释性及复杂工况下的适用性，并同时输出目标时刻水质预测结果和未来活性污泥机理状态参数演化轨迹的效果。

2、本发明采用的技术手段如下：

3、一种基于物理信息约束与深度学习融合的污水处理水质预测方法，包括：

4、s1、采集污水处理过程中的进出水水质数据、运行设定值及关键过程参数数据；

5、s2、对采集的数据进行预处理，并按照预设时间窗口长度和预测步长构造训练样本；

6、s3、构建包括共享时序特征提取主干网络、目标水质预测输出头和活性污泥模型asm机理状态参数预测输出头的深度学习网络模型；

7、s4、分别构建质量平衡约束、动力学残差约束、弱监督约束和目标水质预测误差项，并将质量平衡约束、动力学残差约束、弱监督约束以及目标水质预测误差进行加权求和，得到联合损失函数；

8、s5、将预处理后的训练样本输入深度学习网络模型，基于联合损失函数进行训练，得到目标时刻的水质预测结果以及未来若干时刻的活性污泥模型asm机理状态参数预测结果。

9、进一步地，步骤s1，包括：

10、s11、采集污水处理过程进水和出水的水质数据，包括化学需氧量、生化需氧量、氨氮、总氮和总磷中的一种或多种；

11、s12、采集运行设定值，包括曝气设定值、溶解氧设定值、氧转移系数设定值、回流污泥设定值、内回流设定值、排泥设定值和药剂投加设定值中的一种或多种；

12、s13、采集关键过程参数，包括进出水流量、反应池溶解氧、温度、污泥龄、水力停留时间、悬浮物浓度、混合液悬浮固体浓度和ph中的一种或多种；

13、s14、采集流程设计参数，包括缺氧池、厌氧池、好氧池和二沉池中的一个或多个构筑物的容积、面积和水深参数。

14、进一步地，步骤s2，包括：

15、s21、对采集得到的原始数据进行缺失值补全、异常值处理和归一化处理；

16、s22、完成预处理后，按照预设时间窗口长度和预测步长对时间序列数据进行滑动切分，构造模型的训练样本，每个训练样本包括：长度为的历史输入序列、对应目标时刻的目标水质标签和当前时刻及未来若干时刻的隐状态约束所需信息。

17、进一步地，步骤s3，包括：

18、s31、构建共享时序特征提取主干网络，用于对输入的污水处理过程多变量时间序列进行特征提取，其中，共享时序特征提取主干网络表示如下：

19、

20、其中，表示长度为的历史输入时间序列；表示共享时序特征；表示共享特征提取主干网络对应的参数化映射函数；

21、s32、在共享时序特征提取主干网络的输出端设置目标水质预测输出头，用于输出目标预测时刻的目标水质指标预测值，其中，目标水质预测输出头表示如下：

22、

23、其中，表示目标时刻水质预测值；表示目标水质预测头对应的参数化映射函数；

24、s33、在共享时序特征提取主干网络的输出端设置活性污泥模型asm机理状态参数预测输出头，用于输出目标时刻及未来若干预测时刻的活性污泥模型asm机理状态参数预测值，其中，活性污泥模型asm机理状态参数预测输出头表示如下：

25、

26、其中，表示从当前时刻到未来个时间步的活性污泥模型asm机理状态参数预测轨迹；表示状态参数预测头对应的参数化映射函数。

27、进一步地，所述目标水质预测输出头和所述活性污泥模型asm机理状态参数预测输出头共享所述共享时序特征提取主干网络的特征表示，并通过联合损失函数进行协同训练。

28、进一步地，所述活性污泥模型asm机理状态参数包括可溶性可降解基质、颗粒性可降解基质、可溶性惰性有机物、颗粒性惰性有机物、异养菌、自养菌、衰减产物、氨氮、硝态氮、可溶性有机氮、颗粒性有机氮和溶解氧中的一种或多种。

29、进一步地，步骤s4，包括：

30、s41、基于目标水质指标的守恒关系构建质量平衡约束，具体包括：

31、当目标水质指标为化学需氧量时，建立质量守恒关系如下：

32、

33、其中，和分别表示当前时刻和目标时刻的出水化学需氧量，表示进水化学需氧量，表示进水流量，表示反应池体积，表示有机物反应去除项，表示时间步长；

34、当目标水质指标为总氮时，建立质量守恒关系如下：

35、

36、其中，和分别表示当前时刻和目标时刻的出水总氮，表示进水总氮，表示总氮去除相关反应项；

37、根据质量守恒关系计算预测值与机理守恒关系之间的偏差，作为质量平衡约束项，其中，质量平衡约束项表示如下：

38、

39、其中，表示第个样本对应的质量平衡残差，表示样本数量；

40、s42、基于活性污泥模型状态动力学方程构建动力学残差约束，具体包括：

41、构建活性污泥模型asm的状态动力学方程，如下：

42、

43、其中，表示活性污泥模型asm机理状态参数向量，表示运行控制变量，表示机理参数，表示活性污泥模型状态动力学方程右端函数；

44、计算活性污泥模型asm机理状态参数在相邻预测时刻之间的变化量，并将所述变化量与状态动力学方程右端项进行比较，得到动力学残差如下：

45、

46、其中，表示第个时刻预测得到的活性污泥模型asm机理状态参数向量，表示第个时刻的运行控制变量；

47、以所述动力学残差作为动力学残差约束项，其中，动力学残差约束项表示如下：

48、

49、s43、基于可监测运行数据和经验估计公式构建弱监督约束，具体包括：

50、基于进出水水质数据、溶解氧、混合液悬浮固体浓度、流量、温度、氧转移系数和污泥龄中的一种或多种，通过污染物组分分配关系、生物量估计关系、氮素组分估计关系和溶解氧近似关系中的一种或多种，获得活性污泥模型asm机理状态参数的估计值；

51、将估计值与活性污泥模型asm机理状态参数预测输出头输出的对应状态参数进行比较，得到弱监督约束项，表示如下：

52、

53、其中，表示状态参数预测头在第个时刻输出的状态参数预测值；表示由经验公式估计得到的第个时刻的参考状态参数值；

54、s44、构建目标水质预测误差项，如下：

55、

56、其中，表示回归损失函数，表示目标时刻水质预测值，表示目标时刻水质真实值；

57、s45、将质量平衡约束、动力学残差约束、弱监督约束和目标水质预测误差进行加权求和，得到联合损失函数，表示如下：

58、

59、其中，表示目标水质预测误差项，表示质量平衡约束项，表示动力学残差约束项，表示弱监督约束项，、、、分别表示对应损失权重系数。

60、进一步地，步骤s5，包括：

61、s51、将构造的所述训练样本输入深度学习网络模型进行前向传播，分别获得目标水质预测输出头输出的目标时刻水质预测值以及活性污泥模型asm机理状态参数预测输出头输出的状态参数预测值；

62、s52、基于所述联合损失函数，采用梯度反向传播方式对深度学习网络模型的参数进行更新，重复迭代训练直至满足预设停止条件，得到训练完成的深度学习网络模型；

63、s53、将待预测样本输入训练完成的深度学习网络模型，输出目标时刻的水质预测结果。

64、本发明还提供了一种基于上述基于物理信息约束与深度学习融合的污水处理水质预测方法实现的基于物理信息约束与深度学习融合的污水处理水质预测系统，包括：数据采集模块、数据预处理模块、网络构建模块、约束构建模块和模型训练与预测输出模块，其中：

65、所述数据采集模块，用于采集污水处理过程中的进出水水质数据、运行设定值及关键过程参数数据；

66、所述数据预处理模块，用于对采集的数据进行预处理，并按照预设时间窗口长度和预测步长构造训练样本；

67、所述网络构建模块，用于构建包括共享时序特征提取主干网络、目标水质预测输出头和活性污泥模型asm机理状态参数预测输出头的深度学习网络模型；

68、所述约束构建模块，用于分别构建质量平衡约束、动力学残差约束、弱监督约束和目标水质预测误差项，并将质量平衡约束、动力学残差约束、弱监督约束以及目标水质预测误差进行加权求和，得到联合损失函数；

69、所述模型训练与预测输出模块，用于将预处理后的训练样本输入深度学习网络模型，基于联合损失函数进行训练，得到目标时刻的水质预测结果以及未来若干时刻的活性污泥模型asm机理状态参数预测结果。

70、较现有技术相比，本发明具有以下优点：

71、1、本发明提供的基于物理信息约束与深度学习融合的污水处理水质预测方法，通过将目标水质预测误差、质量平衡约束、动力学残差约束及弱监督约束统一到同一联合损失函数中，实现了深度学习网络训练同时满足数据拟合与机理一致性要求，显著提高了预测结果的物理一致性与可解释性。

72、2、本发明提供的基于物理信息约束与深度学习融合的污水处理水质预测方法，其采用双头深度学习网络模型，通过设置目标水质预测输出头和活性污泥模型asm机理状态参数预测输出头，实现了目标水质输出与机理状态轨迹输出的双任务协同学习，能够同时给出目标时刻水质预测结果和未来状态演化信息。

73、3、本发明提供的基于物理信息约束与深度学习融合的污水处理水质预测方法，其采用物理信息约束嵌入机制，通过在样本较少、工况变化或跨工况预测场景下引入机理约束，实现了相比仅依赖数据拟合的传统深度学习模型更好的泛化能力和稳健性。

74、4、本发明提供的基于物理信息约束与深度学习融合的污水处理水质预测方法，其采用弱监督约束构建方式，通过基于可监测运行数据和经验估计公式获得活性污泥模型asm机理状态参数的参考值，实现了对隐含活性污泥状态变量的有效表征，使模型输出能够进一步用于工艺分析与辅助决策。

75、5、本发明提供的基于物理信息约束与深度学习融合的污水处理水质预测方法，其采用质量平衡约束与动力学残差约束联合机制，通过基于污水处理机理方程和活性污泥模型状态动力学方程对预测结果施加显式约束，实现了预测结果不违反质量守恒或状态演化规律，避免了传统数据驱动模型物理一致性较差的问题。

76、综上，应用本发明的技术方案，现有技术中数据驱动模型过度依赖历史数据、缺乏机理约束、物理一致性差、可解释性不足以及在跨工况扰动和数据稀疏条件下泛化能力较弱等问题，通过将质量平衡约束、状态动力学约束以及可监测数据驱动的弱监督信息直接嵌入深度学习训练过程，同时预测目标水质指标和机理状态轨迹得以解决。因此，本发明的技术方案解决了现有技术中的预测过程可解释性不足、预测结果可能违反质量守恒或状态演化规律、训练样本有限或工况变化时泛化能力明显下降、隐含的活性污泥状态变量无法被有效表征的问题。

77、基于上述理由本发明可在污水处理过程建模、水质预测、精细化运行控制、稳定达标监测、节能降耗优化等领域广泛推广。