《Journal of Water Process Engineering》：Research on an intelligent precise aeration control system for wastewater treatment based on LSTM models
编辑推荐：
智能曝气控制系统研究提出基于双LSTM模型的水质预测方法，通过前馈与反馈机制实现曝气阀动态调控，降低能耗20%-50%并提升处理稳定性。
李群丽|王凯|吉纳维芙·费思·霍勒斯|姜佩婷|熊艳艳|黄福建|王勇|徐文来|钟明
中国四川省成都市成都理工大学地质灾害防治与地质环境保护国家重点实验室，邮编610059
摘要
本研究提出了一种基于双LSTM水质预测模型的智能精准曝气控制系统。该系统集成了一种预测优化控制器，用于发出最优的实时调节指令，以控制曝气阀的位置和鼓风机的频率，这些指令随后会自动执行。该系统旨在解决传统废水处理曝气过程中存在的延迟时间、高能耗以及对冲击负荷抵抗能力不足等问题。系统在好氧池的前部和中部创新性地部署了双长短期记忆（LSTM）水质预测模型，从而能够实现进水负荷的先进检测和池内反应趋势的中期预测。结合优化控制器，它建立了一个闭环的“预测-决策-执行”控制架构。本研究旨在通过所提出的控制系统，用智能实时“按需曝气”替代传统的“过度曝气”策略，从而直接降低曝气能耗。同时，系统还通过基于水质预测的主动调节来增强对冲击负荷的抵抗力。所提出的基于LSTM的水质预测模型表现出色。对于预测NH??-N和NO??-N浓度的两个LSTM模型，MAE、MSE和RMSE值均接近零，R2值超过0.997。系统的实际应用表明，曝气量减少了20%至40%，每吨处理水的电力消耗减少了20%至50%，并且手动干预的强度也得到了显著降低——同时确保了出水排放标准的稳定符合。
引言
随着中国城市化水平的不断提高和环境保护政策的日益严格，废水处理行业迫切需要向更高效、低碳的运营模式转型。传统的废水处理是一个典型的高能耗行业，其运营严重依赖电力输入[1]。研究表明，包括市政和工业废水在内的整个处理过程的综合电力消耗占全国总电力消耗的相当大比例[2]。这种情况在全球范围内普遍存在；例如，在一些发达国家，水处理设施始终是市政能源消耗的主要组成部分[3]。作为废水处理的核心部分，曝气系统占总能耗的42.9%至55.0%[4]，其控制效果直接影响处理效率和运营成本。然而，传统的曝气控制方法存在显著局限性：一方面，固定参数控制策略难以适应进水质量和数量的动态变化[5]；另一方面，传统的比例-积分-微分（PID）控制在调节溶解氧（DO）等关键参数时存在滞后[6]，容易导致过度曝气或曝气不足。这不仅造成能源浪费，还可能影响出水质量的稳定性。在这种背景下，人工智能（AI）技术为废水处理过程的优化控制提供了新的途径。先进的曝气控制系统通过精细的计算和推理实现阀门的智能调节和空气供应的精确控制，主要包括基于模型计算的精准曝气控制和基于规则推理的智能曝气控制。这些系统以精准模型控制和先进过程控制技术为基础，对于提高废水处理厂（WWTP）的运营效率和节能水平具有重要意义，其核心在于模型构建和设备应用[7]。
预测控制算法是智能曝气控制系统的基础，通过预测水质参数的未来趋势来实现曝气策略的主动调节[8]。模型预测控制（MPC）是一种有效的预测控制方法，已广泛应用于建筑能源控制系统[9]。水质预测作为废水处理过程优化和管理的关键方面，对于确保出水质量的稳定性和降低处理成本至关重要。传统的水质预测方法主要包括物理机制模型和统计模型，但它们存在明显局限性。像SWAT和MIKE-SHE这样的物理机制模型虽然具有明确的物理意义，但涉及大量难以确定的参数，计算复杂度较高，难以满足实时预测的需求[10]。像ARIMA和回归分析这样的统计模型计算简单，但在捕捉水质参数之间的复杂非线性关系方面表现不佳，尤其是在高度动态、多因素耦合的系统中，如废水处理系统，导致预测精度有限[11]。
随着AI技术的进步，机器学习方法已广泛应用于水质预测。例如，周等人（2022年）使用随机森林（RF）模型预测市政废水处理厂的进水特性；虽然该模型能够很好地处理非线性问题，但在捕捉长期依赖性方面能力不足[12]。李等人（2022年）使用支持向量机（SVM）进行水质参数预测，在数据充足的情况下表现良好，但外推能力较弱[13]。李等人（2021年）构建了人工神经网络（ANN）模型用于海水质量预测；虽然计算效率高，但存在“黑箱”问题和可解释性差的问题[14]。长短期记忆（LSTM）网络是一种特殊的循环神经网络（RNN），通过门控机制有效解决了传统RNN的梯度消失问题，能够更好地捕捉时间序列数据中的长期依赖性。陈等人（2022年）将LSTM应用于流域水质预测，与传统模型相比，预测精度提高了15%至20%[15]。吴等人（2022年）开发了一种改进的Im-LSTM模型，通过传递门和分配门表达了不同变量对特定区域的影响，在复杂水质条件下显著提升了预测能力[16]。刘等人（2023年）将LSTM与深度学习结合用于湖泊预测，有效捕捉了湖泊表面温度的时空变化特征[17]。
目前，基于LSTM的水质预测模型在废水处理中的应用主要集中在根据出水质量预测优化工厂运营[18]，[19]，[20]，或通过预测实现全局统一控制[21]，[22]，[23]。前者往往存在控制延迟的问题，而后者则无法实现局部和精确的调节。为解决现有研究中的这些不足，本研究创新性地提出了一种由多点动态预测驱动的闭环前馈控制系统，并在废水处理厂中实施了该系统。利用LSTM技术在废水处理领域的潜力，本研究在好氧池的前部和中部部署了双LSTM水质预测模型。该模型实现了实时区域化预测，从而促进了更准确的曝气控制。水质预测模块与数据采集模块、决策控制模块和执行模块相结合，构成了智能曝气控制系统的四个核心组成部分。这些模块通过标准接口进行交互，形成了一个完整的闭环控制系统。目标是使智能曝气控制系统能够实时感知水质和数量的变化，利用算法模型进行准确预测和优化控制，并实现曝气过程的“按需分配”，从而节省能源、降低消耗，同时提高处理效率和出水质量稳定性。
数据来源
本研究选择了四川省资阳市的一个市政废水处理厂作为试点站点。该厂的处理能力为每天25,000吨，采用改良的A2/O氧化沟工艺。根据当地环保部门的要求，出水必须符合“四川省岷江和沱江流域水污染物排放标准”（DB51/2311–2016）中的“工业园区集中式废水处理厂”标准。本研究的主要研究对象是
特征选择
特征选择旨在从原始变量中筛选出最具信息量的特征子集[35]。在废水处理厂的复杂非线性系统中，水质预测受到多个变量相互作用的影响。当预测模型面临多个候选输入和输出变量时，输入集中所有非输出参数不仅会引入噪声干扰，还会降低建模效率[36]。因此，有必要系统地筛选和
讨论
本研究基于双LSTM模型构建的智能精准曝气控制系统在工程应用中实现了显著的节能和稳定运行性能。其核心优势在于通过前馈-中间点协作预测机制对曝气过程进行主动调节。LSTM1模型根据进水负荷提供快速响应，而LSTM2模型则对中间阶段的反应趋势进行中期预测
结论
本研究成功开发了一种基于双LSTM水质预测模型的智能精准曝气控制系统，实现了曝气过程的精确调节以及显著的节能和减排效果。该系统在好氧池的前部和中部部署了LSTM模型，分别实现进水负荷的早期检测和池内反应趋势的准确预测，实现了区域化的精准闭环控制
CRediT作者贡献声明
李群丽：撰写——原始草稿，数据整理，概念构思。王凯：正式分析，数据整理。吉纳维芙·费思·霍勒斯：撰写——审阅与编辑。姜佩婷：监督，资源调配。熊艳艳：可视化，软件开发。黄福建：监督，资源调配。王勇：资源调配。徐文来：撰写——审阅与编辑，资源调配。钟明：监督，资源调配，项目管理，资金筹集，数据整理，概念构思。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。
