基于机器学习与计算智能的污水处理厂水线-泥线协同控制策略研究及其性能优化

本综述系统探讨了机器学习（ML）与计算智能技术在污水处理厂（WWTP）水线（溶解氧、硝酸盐控制）和污泥线（TSS5优化）协同控制中的前沿应用。研究通过BSM2平台验证了自适应神经模糊推理系统（ANFIS）与强化学习（RL）融合策略的优越性，显著提升脱氮效率、降低运行成本（OCI）及能耗，为智慧水务提供了创新性闭环控制范式。

　　

Section snippets

General structure of BSM2

BSM2被用作实现水线和污泥线多种控制策略的工作站。其布局如图1所示（注：图示已省略）。BSM2的基础底层过程是ASM1模型，专注于生物脱氮。它包含用于生物废水处理的BSM1单元及污泥处理单元。生物反应池前设有初沉池进行初步固液分离，形成初沉污泥并使TSS降低约3%。

Control strategies implemented in the water line of BSM2

为提升BSM2水线中活性污泥工艺的运行效率和出水质量，本研究开发并评估了一系列简洁而高效的控制策略。包括用于精确调控4号与5号曝气池溶解氧（DO）的双回路PI控制、基于硝酸盐浓度动态调节外部碳源投加量（Q_carb）与内回流比（Q_a）的模糊逻辑控制器，以及融合模糊与PI策略的混合配置。此外，还设计了基于ANFIS的K_La₃控制器，通过数据驱动特征选择框架（梯度提升机GBM + LASSO回归 + 相关性分析）筛选关键输入变量，并特别探讨了SNO?（识别为负相关变量）对模型预测精度的敏感性影响。

Control strategies implemented in the sludge line of BSM2

BSM2污泥线包含浓缩池、厌氧消化池、脱水装置和储存单元。污泥线控制策略主要影响短期污染物波动而非长期性能指标。与水线控制聚焦出水质量和运行成本不同，污泥线控制致力于应对污泥特性与进水水量的突发变化。关键控制变量包括生物池中的总悬浮固体（TSS）、污泥龄（SRT）和废弃污泥流量（Q_w）。本研究创新性地采用模糊逻辑与强化学习（RL）方法，实现了基于TSS₅实时数据的动态排泥优化。

Hybrid control strategies

除独立的水线与污泥线控制策略外，本研究还开发了两种混合策略以探索全厂协同控制的潜力。首推混合ANFIS-RL策略：将ANFIS驱动的K_La₃曝气控制器与RL驱动的动态排泥控制器相结合，充分发挥RL在污泥线中的数据驱动自适应能力与ANFIS在水线中的精确调控优势。

Results And Discussions

本节系统讨论了水线、污泥线控制策略及其组合策略的效果。两子系统的高效协同显著提升了污染物去除率并维持了成本效益。遵循BSM2评估协议，所有时间序列性能指标均采用24小时移动平均滤波处理，以匹配实际污水处理厂的采样与报告惯例。

Conclusion And Future Scope

本研究验证了基于BSM2模型的全厂集成控制框架在污水处理中的有效性，通过智能策略协同调控水线与污泥线，针对曝气、脱氮与污泥稳定化间的动态相互作用，实现了处理性能与运行效率的显著提升。

结果凸显了智能控制技术（如ANFIS与RL）在两线应用中的巨大潜力：混合ANFIS-RL策略使出水质量指数（EQI）降低7.2%、总氮（TN）超标率减少78%、运行成本指数（OCI）下降0.28%，污泥生产成本削减2%，曝气能耗降低9.8?kWh/天。

未来研究将探索多智能体强化学习、数字孪生技术及跨厂尺度协同优化，以进一步推动污水处理厂的智能化升级。