基于机器学习与模糊决策的污水处理过程关键指标预测方法研究.pdf

目录

摘要I

ABSTRACTIII

第1章绪论1

1.1研究背景1

1.2国内外研究综述2

1.3研究内容5

1.4研究框架7

1.5创新点8

第2章污水处理特性与数据分析10

2.1污水处理过程与曝气调控简介10

2.2数据准备11

2.3数据描述与数据预处理13

2.5本章小结19

第3章基于因果推断的特征筛选方法20

3.1引言20

3.2中介效应基础理论知识20

3.3模型建立21

3.4结果分析32

3.5本章小结33

第4章基于机器学习的关键指标预测方法研究34

4.1引言34

4.2基于前馈神经网络短期依赖性的关键指标预测方法研究35

4.3基于循环神经网络长期依赖性关键指标预测方法研究42

4.4实验结果及分析49

4.5本章小结57

第5章基于模糊逻辑的预测模型权重分配方法研究58

5.1引言58

5.2基于模糊逻辑的预测模型权重分配方法研究58

5.3结果与分析67

5.4本章小结73

第6章结论与展望74

6.1研究结论74

6.2研究展望75

参考文献：76

致谢82

在学期间发表论文及参加课题情况83

基于机器学习与模糊决策的污水处理过程关键指标预测

方法研究

摘要

曝气量作为污水处理过程管理的核心操作指标，它为污水治理和保护提供必

要的数据支持和理论指导。而在当前大多数污水处理厂为了达到出水水质要求，

通常采用高曝气量的操作方式。然而，这种方式导致能耗高且运行效率低下。随

着数字化管理技术的兴起，越来越多的污水处理厂开始部署过程数据采集装置，

为污水处理厂的节能降耗提供了硬件条件。在实际的污水处理过程中，溶解氧

（DissolvedOxygen，DO）作为一个关键指标，它与曝气量高度相关。但是针对

精细化预测污水处理过程关键指标方面，目前尚缺乏成熟的解决方案。因此，本

研究从数据驱动的角度出发，提出了基于机器学习和模糊决策的污水处理过程关

键指标预测方法。该方法旨在改善污水处理厂的运行效率，通过提供准确的曝气

量预测，实现节能减排。本文的工作可以概括为以下三个方面。

首先，本文提出通过中介效应模型对数据集进行分析和特征筛选，以识别关

键指标。对所收集到的数据建立中介效应模型，以此来分析进水流量1、进水流

量2与出水流量对进水化学需氧量（COD）、进水氨氮（NH3）和出水化学需氧量

（COD）、出水氨氮（NH3）的作用机制，来分别探讨这三个中介变量与四个特

征变量之间的因果逻辑。

其次，针对污水处理过程关键指标预测问题，本文建立了深度神经网络模型

分别对六个好氧池中的DO值进行预测。本文通过建立两个主流模型进行预测：

基于前馈神经网络的短期依赖性预测模型和基于循环神经网络的长期依赖性预测

模型。其中基于前馈神经网络短期依赖性的预测模型为多层感知器模型

（MultilayerPerceptron，MLP），基于循环神经网络长期依赖性的预测模型为长短

期记忆模型（LongShort-TermMemory，LSTM）。两个模型旨在实现污水处理过

程中关键指标进行预测，以期降低能耗，提高运行效率。通过预测结果发现，两

种模型的性能相比较其他两种基线模型来说是比较好的。

最后，本文针对MLP、LSTM两种预测模型三个评价指标性能不稳定的问题，

提出基于模糊逻辑选择预测模型的权重分配方法，结合多属性模糊决策中的熵值-

逼近理想解排序法（TechniqueforOrderPreferencebySimilaritytoIdealSolution，

TOPSIS）对建立的两种深度神经网络预测模型进一步综合评价。