基于逆向过滤控制和集成学习的全规模饮用水厂可持续混凝剂优化

《Water Research》：Sustainable coagulant optimization via inverse filtration control and ensemble learning in a full-scale drinking water plant

　　

• •
  反滤控制（IFC）实现浊度的精准调控。
• •
  级联增强型广义回归神经网络（Boosting-GRNN）将季节性趋势与随机冲击负荷解耦。
• •
  SHAP方法刻画了IFC框架中各模块的特征依赖关系。
• •
  回顾性模拟估算年节约聚磷约10.1%、二氧化碳当量排放约298吨。

引言

全球常规水处理厂普遍采用混凝、沉淀和过滤的序列多屏障工艺，系统性地 destabilize、聚合并去除悬浮颗粒及水体污染物（Liu等，2024）。浊度不仅是主要感官指标，更是评估过滤工艺在截留致病微生物方面效果的关键替代参数（Boivin等，2025；Proctor等，2022）。中国《生活饮用水卫生标准》（GB 5749-2022）规定全国限值为1.00 NTU，而上海执行更为严格的0.50 NTU地方上限（Gao等，2023），全球基准也在逐步收紧。值得注意的是，修订后的《欧盟饮用水指令》（European Union, 2020）规定了0.30 NTU的参考值，与世界卫生组织（WHO，2022）对常规过滤的工艺目标一致。在这些严格的国际和地方标准驱动下，现代饮用水处理厂通常将内部目标设定在0.10至0.20 NTU之间，以提供保守的运行安全裕度。这种监管阈值的逐步收紧给水务行业带来了双重挑战：既要优化水质，又要最小化能耗和混凝剂消耗。为在多变条件下严格满足标准，运营人员通常采取保守策略，投加过量的混凝剂以维持较大的安全裕度。这种传统的过量投加方式显著增加了运营成本，产生过量化学污泥，并固有地抬高了全生命周期碳足迹，使得混凝剂投量的精细化优化成为水务可持续发展的核心议题（Gao和Ye，2023；Pang等，2025）。因此，通过先进优化方法解决严格安全合规与混凝剂冗余之间的权衡问题，是现代水务低碳转型的技术前提。

混凝是处理工艺的关键前端阶段，其精准调控面临巨大挑战，原因在于原水水质的非线性和时变性特征，这不仅包括温度和pH的基本波动，还包括有机物组成变化、生物活性变化和水库热力学翻搅等隐性季节性扰动（Chen等，2020；Henderson等，2008；Sillanp??等，2018）。传统的经验控制范式在动态条件下对这些多变量非线性耦合关系的建模能力有限，常常在欠量投加导致的水质风险与过量投加导致的混凝剂冗余之间摆动（Lu和Ma，2020；Huang等，2021）。此外，当代运营主要依赖沉淀控制（SC），将沉淀池作为主要运行终点。虽然SC通过驱动宏观扫集絮凝来实现沉降以确保基本水质，但会产生固有的混凝剂冗余。降低混凝剂投量会使混凝机制转向电荷中和，形成致密的微絮体，抗水力剪切能力强，可被砂滤池的深层孔隙结构拦截（Jiao等，2017）。将控制边界向下游转移正是利用了这种功能专业化分工。因此，向反滤控制（IFC）演进，可将运行焦点安全地下移至砂滤环节，放宽中间沉淀目标以释放混凝剂效率，同时严格锚定最终出水合规性。

为了在复杂的原水特征与最优投量之间建立精准映射，研究人员引入了多种数据驱动方法，从多元线性回归发展至深度学习（Fu等，2022；Lin等，2023；Wang等，2025）。其中，广义回归神经网络（GRNN）因其单次学习能力与快速收敛特性，在处理中小规模运行数据集方面展现出潜力（Kim等，2024a）。近年来的进展进一步验证了集成学习与信号处理技术（如Savitzky-Golay滤波）的集成应用，以抑制噪声并增强对真实过程动态的捕捉能力（Barzegar等，2020）。尽管存在这些结构性优势，传统单阶段GRNN模型在面对同时具有稳定季节性热力学趋势和高频随机冲击负荷的水处理数据时，遇到了参数化挑战（Im等，2022；Kim等，2023）。此外，复杂的深度学习模型经常作为黑箱运行，缺乏促进运营人员实际采纳所需的机理透明性（Kim等，2022）。为克服这些计算和实践壁垒，本研究开发了基于增强学习的级联广义回归神经网络（Boosting-GRNN），采用分治架构，策略性地将全局趋势拟合与局部瞬态捕捉解耦（Zhi等，2021）。同时，嵌入了SHapley加性解释（SHAP）框架，以提供模型预测的特征级解释（Zhang等，2026）。通过将特征级可解释性与级联网络的高维拟合能力相结合，该集成数据引擎为执行下游约束控制优化提供了所需的预测基础。

本研究提出了一种将浊度控制目标下移至砂滤器的策略，即反滤控制（IFC），从根本上突破传统混凝剂投量的局限。通过将运行目标下移，IFC在SC可靠性基础上，利用优化的中间沉淀目标最小化混凝剂成本函数，同时确保最终砂滤出水符合严格的安全阈值。所构建的数字孪生架构涵盖全规模水厂的数据清洗、逆向优化和正向验证全流程。它以Boosting-GRNN作为逆向控制模型，根据下移后的目标计算理论最优投量，随后立即通过正向安全模型在数字化模拟最终过滤出水后再执行。最终，本研究为可持续混凝剂管理提供了可验证的运行路线图。

章节摘要

运行数据获取

所研究的水厂位于长江三角洲的一个都会区（31.097° N，121.094° E）。该设施从区域性水库和河流水系取水。作为常规处理设施，该水厂整合了标准工艺流程，包括混凝、絮凝、沉淀、砂滤和氯化消毒。

该全规模饮用水厂总处理能力为150,000 m³/d。为确保运行稳定性和

工艺动态与相关性

从2021年1月1日至2025年8月31日，水温呈现明显的季节性特征，而pH值和NH?-N的变化相对较小（图4b–e）。原水浊度峰值超过40 NTU（图4f），表现出需要适应性混凝剂投量的动态条件。

混凝剂投量在监测期内呈现时间变异性，同时伴随水质和运行条件的变化。原始测量值与平滑趋势之间的视觉对比提供了一种描述性视角。

结论

本研究提出了IFC策略，将主要控制目标从沉淀环节转移至砂滤环节。级联Boosting-GRNN框架利用全规模水厂数据进行回顾性评估；所得节约和安全值为场景估算值，而非在线水厂干预期间观测到的实际结果。

• (1)
  IFC将运行目标从沉淀环节转移至砂滤环节。在沉淀出水目标为1.03 NTU的条件下，回顾性模拟

CRediT作者贡献声明

杨帅：构思、方法论、软件、验证、形式化分析、数据管理、原始撰写、审阅与编辑、可视化。何欣：调查、验证、可视化。尹超：调查、数据管理、验证。蔡剑锋：数据管理、调查。徐斌：监督、审阅与编辑。高乃云：监督。唐玉林：构思、资源、方法论、资金获取、监督、审阅与

未引用参考文献

Wang等，2025，Wang等，2025

CRediT作者贡献声明

杨帅：原始撰写、可视化、软件、方法论、调查、构思。何欣：审阅与编辑、验证。尹超：可视化、验证、构思。蔡剑锋：方法论、调查、数据管理。徐斌：审阅与编辑、验证、形式化分析。高乃云：审阅与编辑、方法论、形式化分析、构思。唐玉林：审阅与编辑、项目管理、资金

利益冲突声明

作者声明不存在已知的、可能影响本文所报告工作的财务利益或个人关系冲突。

致谢

本研究由国家重点研发计划（编号：2023YFC3804704）资助。

杨帅|何欣|尹超|蔡剑锋|徐斌|高乃云|唐玉林