基于上下文的深度学习预测技术在污水处理厂的应用

《ACM Transactions on Cyber-Physical Systems》：Context-driven Deep Learning Forecasting for Wastewater Treatment Plants

污水处理设施面临泵调度优化、极端天气下的能源与化学品管理、传感器数据解析等挑战，需依赖精准的短期多步预测工具。本文提出cP?O模型，融合动态上下文提取与分层稀释LSTM架构，整合内部流量、水位数据及外部天气、河流流量、人口等变量，实现短期波动与长期依赖的双重捕捉，并通过注意力机制动态调整外部信息权重。在蓝平原隧道水位预测和AlexRenew硝酸盐浓度预测中，相较基准模型MAPE降低22%和19%，预测区间覆盖率达90.5%±3.2%。

　　

摘要

污水处理设施面临着多种运营挑战，这些挑战可以通过运用嵌入式人工智能和其他先进的网络物理技术得到改善。这些挑战包括优化泵的运行计划、在极端天气事件期间管理能源和化学品的消耗，以及解读传感器数据以进行水质处理。解决这些问题需要准确的短期、多步骤预测工具，以提供可靠的实时决策支持，尤其是在暴雨等可能使运营陷入困境的情况下。美国领先的水务系统运营商和供应商表示，能够提前4-6小时进行预测的工具可以显著提升资源管理效率，包括能源、化学品和人力资源。然而，由于工厂数据中存在的非线性和季节性变化，准确的短期预测尤为困难，这些因素限制了有效的决策制定。为应对这些挑战，我们提出了< />₂O，这是一种基于上下文的预测解决方案，它采用了一种新颖的混合深度学习架构，将动态上下文提取与分层的、扩展的长短期记忆（LSTM）单元相结合。该模型利用内部水系统数据（如流量和隧道水位）以及外部变量（包括天气、河流流量和人口统计信息）来生成相关上下文。它能够捕捉水位数据中的短期波动和长期依赖关系，并通过内部注意力机制动态评估外部信息的重要性。我们在两个全规模的水务设施上验证了该模型的有效性：在DC Water的Blue Plains设施中进行隧道水位预测，在AlexRenew进行硝酸盐浓度预测。与强大的基线模型相比，cP₂O分别将平均绝对百分比误差降低了22%和19%，其90%的预测区间覆盖了90.5%±3.2%的观测数据（低于预测值的5.9%，高于预测值的3.6%）。通过动态整合上下文信息，尤其是在关键条件下，该模型能够提供可靠的实时预测，从而优化资源分配并增强污水处理运营的整体韧性。