基于AAO工艺的污水处理厂碳排放量化、物质流分析与机器学习优化：实现碳中和与资源回收的可持续路径

《Water-Energy Nexus》：Quantitative analysis of carbon emissions and material flow of a full-scale wastewater treatment plant with AAO process

本文针对城市污水处理厂（WWTPs）在碳中和目标下面临的减排与资源回收挑战，开展了一项系统性研究。以上海某采用厌氧-缺氧-好氧（AAO）工艺的污水处理厂为研究对象，研究人员整合了碳排放核算、物质流分析（MFA）和基于机器学习的优化方法。研究发现，该厂年均碳排放强度为0.734±0.069 kgCO2·m-3，并识别出厌氧池是N2O和CH4等直接排放的主要来源，好氧池则是电力相关的间接排放热点。通过机器学习预测和差分进化算法优化，成功实现了吨水碳排放减少30.36%、运营成本降低33.19%以及污染物去除率提升25.21%的协同效益。物质流分析揭示了氮、磷具有较高的回收潜力，并据此提出了在综合池中构建由螺旋藻（Spirulina）和小球藻（freshwater Chlorella）组成的智能调控多藻系统，以强化资源回收并作为碳汇。本研究为城市污水处理厂的减污降碳协同增效与资源回收提供了重要的数据基础和决策参考。

　　

在全球积极迈向碳中和的背景下，作为城市重要的基础设施，污水处理厂（Wastewater Treatment Plants, WWTPs）在保障水环境安全的同时，自身也是一个不容忽视的“碳排放大户”。这些排放不仅来自于处理过程直接产生的强温室气体氧化亚氮（N₂O）和甲烷（CH₄），更大量地隐藏在为维持处理设施运行而消耗的电力和化学药剂背后。如何精准“把脉”污水处理全流程的碳足迹，识别关键的排放“热点”，并找到一条既能高效去除污染物，又能最大程度减少碳排放、甚至回收资源（如氮、磷）的可持续路径，已成为行业亟待破解的核心难题。尤其是在中国，应用最为广泛的厌氧-缺氧-好氧（Anaerobic-Anoxic-Oxic, AAO）工艺污水处理厂，其碳排放与物质转化的“黑箱”尚未被完全打开，缺乏针对具体处理单元的精细化排放分析和基于智能算法的优化策略。

为了回答这些问题，由华东师范大学张翔宇、于晨曦、何艳等研究人员组成的研究团队，在《Water-Energy Nexus》期刊上发表了一项创新性研究。他们以上海一座日处理能力20万吨、采用AAO工艺的污水处理厂为“解剖”对象，首次将碳排放核算、物质流分析（Material Flow Analysis, MFA）和机器学习优化三者深度融合，对这座全规模污水处理厂进行了一次全面的“碳体检”和“资源审计”，并为其量身定制了“低碳增效”的智能优化方案。

为了开展这项研究，研究人员主要采用了以下几种关键技术方法：首先，基于IPCC指南和相关技术规范，建立了涵盖直接排放（N₂O, CH₄）和间接排放（电力、化学品）的单元级碳排放核算方法。其次，对污水处理厂全年运行数据进行了统计分析，并利用曼特尔检验（Mantel test）和敏感性分析探究了影响碳排放的关键因素。再者，运用机器学习算法（包括随机森林、BP神经网络、支持向量回归和梯度提升回归）构建了全流程碳排放预测模型，并采用差分进化算法对运行参数进行多目标（碳排放、运行成本、污染物去除）优化。此外，通过跨季节的现场采样和监测，基于物料平衡原理对碳、氮、磷三种主要污染物在整个AAO工艺流程中的迁移转化路径进行了物质流分析。研究所用数据来源于该厂2022年的全年实际运行记录以及春、夏、秋、冬四个季节的实地水样采集。

3.1. 全年AAO工艺碳排放变化

研究结果显示，该污水处理厂2022年碳排放总量为52,326吨CO₂当量，年均碳排放强度为0.734±0.069 kgCO₂·m^-3。其中，间接排放（电力和化学品）贡献了63.2%，直接排放（N₂O和CH₄）占36.8%。电力消耗是最大的单一排放源（占39%），而在直接排放中，N₂O占主导地位（84%）。碳排放呈现季节性波动，7月强度最高（0.881 kgCO₂·m^-3），12月最低（0.656 kgCO₂·m^-3），其中CH₄排放的季节性变化尤为显著。

3.2. 全流程AAO工艺的碳排放特征

对各个处理单元的深入剖析发现，生物处理阶段（厌氧、缺氧、好氧池）是碳排放的“重灾区”，贡献了全厂50.6%的碳排放。其中，厌氧池被确定为直接排放的“热点”，其产生的N₂O和CH₄分别占各自总排放量的69.3%和68.6%。而好氧池则是间接排放的“大户”，其电力消耗相关的碳排放约占全厂总电耗的40%，主要来自曝气系统和回流泵。

3.3. 影响AAO工艺碳排放的因素

统计分析揭示了影响碳排放的关键操作参数。N₂O排放与进水总氮（TN）和氨氮（NH₄⁺-N）浓度显著正相关；CH₄排放则与进水化学需氧量（COD）浓度密切相关。在化学品中，聚合氯化铝（PAC）的投加量对化学品相关碳排放的影响最大（相关系数r=0.853）。敏感性分析表明，电力消耗和PAC投加量是减排最敏感的参数，其10%的波动会导致年碳排放分别变化约3.85%和±708吨。

3.4. 机器学习优化碳排放与污染物去除

基于随机森林模型（表现最优）的预测和差分进化算法的多目标优化，研究提出了一个优化运行方案：将进水COD/TN（C/N）从7.84提升至8.84，吨水电耗从0.365 kW·h降至0.297 kW·h，吨水药剂消耗从0.131 kg降至0.083 kg。实施此方案后，可在保证出水达标的前提下，实现吨水碳排放降低30.36%，运行成本减少33.19%，污染物去除量提升25.21% 的协同效益。

3.5. AAO工艺中主要污染物的物质流分析

物质流分析清晰地描绘了碳、氮、磷的“旅行地图”。81.34%的COD和62.00%的TN在生物处理阶段被去除。总磷（TP）的去除则主要依靠好氧池中的聚磷菌过量吸磷（80.94%）以及高效沉淀池中投加PAC的化学沉淀（18.76%）。分析指出，出水中仍有18.26%的TN未被去除，且碳的资源化回收潜力相对较低，而氮、磷元素则显示出较高的回收价值。基于此，研究创新性地提出，可在污水处理厂前端的综合池中，构建一个由螺旋藻和小球藻组成、并配备智能控制系统的嵌入式藻池。该系统能高效吸收水中的氮、磷，同时起到碳汇作用，有望减少后续处理段的能耗和药耗，实现资源回收与碳减排的双赢。

本研究通过精细化的单元碳排放核算，首次清晰描绘了AAO工艺污水处理厂的碳排放“图谱”，精准定位了厌氧池和好氧池两大减排关键单元。通过机器学习与优化算法的结合，不仅验证了智能优化实现“减污、降碳、增效”三重目标的可行性，更提供了一套可量化、可操作的运行策略。物质流分析则为资源回收指明了方向，特别是所提出的智能多藻系统，为将污水处理厂从单纯的“污染净化器”转变为“资源工厂”和“碳汇”提供了富有前景的技术思路。总之，这项研究为正在积极探索碳中和路径的中国乃至全球城市污水处理厂，提供了宝贵的科学数据、深刻的洞见和具有实践价值的解决方案，对推动污水处理行业的绿色低碳转型和可持续发展具有重要意义。