融合渐进式注意力机制、自适应多尺度分解与概率输出的废水处理溶解氧预测方法

《Process Safety and Environmental Protection》：Progressive Attention with Adaptive Multi-Scale Decomposition and Probabilistic Output for Dissolved Oxygen Prediction in Wastewater Treatment

　　

摘要 精确的溶解氧（DO）预测对于污水处理厂（WWTPs）的曝气优化至关重要，然而现有模型难以应对非平稳进水条件、注意力机制协同次优以及无法量化预测不确定性等问题。本研究提出了AMSTD-BiLSTM-PRBF模型，该模型集成了具有机制自适应门控的自适应多尺度时间分解网络（AMSTDN）、采用多头时间注意力之前进行组稀疏特征滤波的两阶段渐进式注意力（TSPA）机制，以及用于联合点预测和不确定性量化的概率径向基函数（PRBF）输出层。该模型在中国南方一座全尺寸沿海AAO-MBR污水处理厂（处理能力50,000 m3/d）的运行数据上进行了验证，数据涵盖了晴稳态、合流制溢流（CSO）影响及恢复条件。模型取得了R2 = 0.985 ± 0.002、RMSE = 0.026 ± 0.002 mg/L、MAE = 0.020 ± 0.002 mg/L的性能，相比最先进的DA-BiLSTM-RBF基线模型，RMSE降低了45.8%。消融实验通过独立优化的变体确认了各架构创新的独立贡献。概率输出的90%预测区间覆盖概率为0.909，区间宽度从稳态时的0.109 mg/L自适应扩展至CSO事件时的0.261 mg/L。SHAP分析识别出跨膜压力作为重要的MBR特异性预测因子。该框架为污水处理厂的不确定性感知运行控制奠定了基础，但仍需闭环验证。

引言 溶解氧（DO）浓度是活性污泥工艺中最为关键的操作参数，直接决定负责有机物降解和生物营养物去除的好氧微生物的代谢活性（Metcalf, 2014, Salgot and Folch, 2018）。将DO维持在最佳范围内（市政污水处理通常为2.0–3.0 mg/L）对于平衡出水水质达标与曝气能耗至关重要，曝气能耗约占污水处理厂总运行能耗的50–60%（Gu et al., 2023, Sun et al., 2016）。DO浓度低于1.5 mg/L会显著抑制硝化作用，据报道硝化速率降低超过50%；而过量曝气不仅浪费能源，还可能降低污泥沉降性，并通过向缺氧区回流过量氧气损害下游反硝化效果（Liu, 2012, Yue et al., 2018）。因此，精确的DO控制已被公认为实现污水行业出水水质保证与碳中和运行双重目标的前提条件（Li et al., 2022, Liu et al., 2024）。

现有的DO预测方法可大致分为三种范式：机理模型、传统机器学习模型和深度学习模型。机理模型主要基于国际水协开发的活性污泥模型（ASM）框架（Henze et al., 2000），通过显式表征微生物生长、底物利用和氧传质动力学，提供了清晰的物化可解释性（Alvi et al., 2023, Dürrenmatt and Gujer, 2012）。然而，其实用部署受到大量生化动力学参数标定的限制，通常需要专业的呼吸测定，且在工业排放、暴雨事件或季节性变化引起的动态波动进水条件下鲁棒性有限（Newhart et al., 2019, Gao et al., 2025, Gujer, 2006）。传统机器学习方法，包括多元线性回归、偏最小二乘回归、支持向量回归（SVR）和梯度提升机（如XGBoost），提供了计算效率高且模型结构更简单的替代方案（Haimi et al., 2013, Li et al., 2017）。但这些方法从根本上依赖手工特征和浅层架构，难以捕捉全尺寸WWTPs DO时间序列数据中固有的强非线性、长程时间依赖性和多变量耦合特征。

深度学习的出现推动了DO预测的显著进展。循环神经网络（RNNs），特别是长短期记忆（LSTM）和双向LSTM（BiLSTM）网络，凭借其门控机制有效缓解了梯度消失问题并捕捉序列数据中的长期时间依赖性，已成为主导范式（Hochreiter and Schmidhuber, 1997, Sun and Ge, 2021）。研究人员开发了日益复杂的混合架构以进一步提升预测性能。Davoudi和Roushangar（2025）构建了一个改进的CNN-LSTM模型，利用卷积层进行局部特征提取后再进行基于LSTM的时间建模。Zhao和Chen（2025）引入小波卷积以分离高频DO波动，并集成频率增强注意力机制以选择性放大信息性频谱分量。Zhang等人（2025）提出了时间注意力BiLSTM（TAB）模型，将时间卷积、注意力机制和BiLSTM与专为提升突变区域预测精度而设计的DILATE损失函数相结合。Liu等（2026）开发了一个集成并行双阶段注意力与径向基函数（RBF）输出层的DA-BiLSTM-RBF混合架构，证明了特征注意力与时间注意力的同时使用可以显著优于单维度注意力方法。尽管取得了这些进展，当前最先进水平中仍存在三个关键局限。

第一，现有模型主要依赖固定窗口统计特征（如预定时间尺度的移动平均）来表示多尺度DO动态（Liu et al., 2026, Liu et al., 2019）。这种方法与真实世界WWTPs运行的非平稳本质根本不相容。在晴稳态条件下，DO变化主要由12–24小时尺度的日变化和潮汐节律主导；在暴雨引起的合流制溢流（CSO）事件期间，由于有机负荷突然增加，DO可能在2–4小时内骤降，系统可能需要10–20小时才能恢复（Hvitved-Jacobsen et al., 2001）。固定尺度表征无法同时服务于这些不同的运行状态，不可避免地牺牲了扰动期间的响应性或正常运行期间的稳定性。虽然自适应分解技术（如小波变换和经验模态分解）已应用于水文时间序列预测（Wu et al., 2007, Gao et al., 2026），但其在污水DO预测中的应用仅限于无机制自适应重加权的静态分解，限制了其在运行条件变化时的实用性。

第二，特征注意力与时间注意力这两种当前深度学习DO预测中广泛采用的机制之间的交互作用，在理论上仍未被充分探索。现有模型（包括DA-BiLSTM-RBF架构，Liu et al., 2026）将特征注意力与时间注意力配置为作用于同一输入表示的并行分支。在这种并行配置中，被传感器噪声污染或与当前运行机制无关的特征维度会参与时间注意力计算，稀释了分配给真正信息性时间步的注意力权重。这种"平等参与"问题之所以产生，是因为基于标准softmax的注意力机制在设计上为所有输入分配非零权重，使其在结构上无法完全排除噪声（Fu et al., 2026）。一种更符合认知规律的架构会强制顺序依赖关系——首先滤除特征空间以抑制噪声，然后对精炼后的表示集中时间注意力，但这种渐进式注意力设计尚未在污水DO预测中研究过。

第三，除极少数例外，现有DO预测模型仅产生确定性点预测，无法量化预测不确定性（Zhao and Chen, 2025, Liu et al., 2026）。对于运行决策而言，了解预测的置信度可能与其本身同等重要。当预测不确定性较低时，曝气控制可以采用更激进的节能策略；当不确定性升高时（如在进水特征快速演变的CSO事件期间），可能需要更保守的控制动作以保障出水达标（Yang et al., 2022）。这些潜在的运行影响需要通过闭环模拟或现场测试进行验证。包括混合密度网络（Yang et al., 2026）和蒙特卡洛dropout（Wu et al., 2026）在内的概率预测框架已开发用于解决其他领域的这一需求，但将其与注意力增强循环架构结合用于DO预测仍基本未被探索。

为应对这三个相互关联的局限，本研究提出了AMSTD-BiLSTM-PRBF模型，这是一个集成以下要素的混合深度学习架构：(1) 自适应多尺度时间分解网络（AMSTDN），采用可学习膨胀卷积与机制自适应门控，根据运行条件动态重新分配时间焦点；(2) 两阶段渐进式注意力（TSPA）机制，强制实施"先特征滤波后时间聚焦"的顺序流程，使用Gumbel-softmax组稀疏门控在多头时间注意力计算之前排除噪声特征维度；(3) 概率径向基函数（PRBF）输出层，参数化高斯混合模型以同时产生精确的点预测和校准良好的预测区间。该模型在中国南方一座沿海AAO-MBR污水处理厂的全尺寸运行数据上进行了验证，涵盖了晴稳态、CSO影响及扰动后恢复条件。设计了系统消融实验以隔离各架构创新的边际贡献，并进行了SHAP分析以解释学到的特征表示。本研究旨在提供一个精确、可解释且具备不确定性感知的DO预测框架，弥合数据驱动建模与污水处理厂风险感知运行控制之间的差距。

部分片段

污水处理厂描述 本研究在中国南方珠江三角洲地区一座沿海城市的全尺寸市政污水处理厂（WWTP）进行。该厂采用厌氧-缺氧-好氧膜生物反应器（AAO-MBR）工艺，设计处理量为50,000 m3/d。进水主要由城市生活污水（约85%）组成，并补充来自周边服务区的服务型废水。处理后的出水必须达到一级A标准。

多尺度分解分析 AMSTDN模块自适应地将DO时间序列分解为四个时间尺度，并根据当前运行机制动态加权。为可视化这种自适应行为，图2对比了三种代表性运行条件下的门控权重分布：晴稳态、CSO事件初始阶段和CSO后恢复期。

在晴稳态运行期间，门控网络将最高权重分配给中长时间尺度。

优越预测性能背后的机制 AMSTD-BiLSTM-PRBF模型取得了R2为0.985 ± 0.002、RMSE为0.026 ± 0.002 mg/L的性能，相比DA-BiLSTM-RBF基线模型（0.048 ± 0.003 mg/L），RMSE降低了45.8%。消融结果（第3.4节）表明，这一性能优势并非由单一组件主导，而是源于三个互补创新的协同整合。移除TSPA机制导致最大的单组件性能下降（ΔR2 = ?0.041），其次是……

结论 本研究提出了AMSTD-BiLSTM-PRBF模型，集成自适应多尺度时间分解、两阶段渐进式注意力和概率RBF输出，用于污水处理中的溶解氧预测。在沿海AAO-MBR污水处理厂运行数据上的验证表明，R2为0.985 ± 0.002，RMSE为0.026 ± 0.002 mg/L，在RMSE上以统计显著性（p < 0.001）超越参考DA-BiLSTM-RBF模型45.8%。核心方法学发现如下：

利益冲突 作者声明不存在利益冲突。

未引用参考文献（American Public Health Association, 1926, Poggio and Girosi, 1990）

资金 本研究未获得任何外部资助。

作者贡献声明 Lang Hu：方法论、形式分析、数据管理、概念构思。Shuxian Zheng：写作—审校与编辑、可视化、验证、监督、资源、项目管理、概念构思。Chanjuan Zhang：写作—初稿、软件、方法论、形式分析、概念构思。Xin Xiong：资源、项目管理、形式分析、概念构思。

竞争利益声明 作者声明没有已知可能影响本论文报告工作的竞争财务利益或个人关系。

Chanjuan Zhang|Xin Xiong|Lang Hu|Shuxian Zheng