将可解释深度学习与现场验证相结合，用于污水处理厂总氮去除的早期预警和靶向控制

《Journal of Water Process Engineering》：Coupling interpretable deep learning with on-site validation for early warning and targeted control of total nitrogen removal in wastewater treatment plants

　　

• •
  DLSTMHA框架实现了对出水总氮12小时前的稳健预测。
• •
  张量解耦架构防止了深度学习中的特征纠缠。
• •
  注意力机制提取了特定的过程时间滞后。
• •
  通过全尺度氮形态分析交叉验证了解释性。

引言

作为废水排放到自然水系统中的关键屏障[1]，污水处理厂（WWTPs）依赖于高效去除总氮（TN）来防止严重环境污染事件[2]。然而，WWTPs的进水水质表现出高变异性[3]，现有的在线和离线TN传感器通常存在显著的时间滞后[4]。这些不确定性导致TN去除效率波动，并频繁违反排放标准[5]。数据驱动模型为系统捕捉废水处理系统中TN去除模式提供了一种有前景的替代方案[6]，[7]，[8]。然而，数据驱动模型固有的黑箱特性导致其决策过程缺乏透明度[9]，[10]，引发了对其输出可解释性和可信度的担忧。

可解释方法通常分为内在可解释性模型和事后解释算法[11]。尽管事后可解释性算法（如Shapley加性解释）可以部分揭示模型的决策原理[12]，[13]，[14]，但这些算法无法严格重构底层计算过程[15]。虽然近期的研究通过整合注意力机制努力赋予深度学习模型内在可解释性[3]，[16]，[17]，但当应用于复杂多变量系统时，其可靠性从根本上受到底层架构限制的制约[18]。然而，主流时间序列模型将多变量时间序列压缩到一个单一隐藏向量空间中，导致在评估变量重要性时注意力权重出现偏差，因为纠缠的隐藏状态阻止了机制隔离单个特征的贡献。

值得注意的是，数据驱动模型的性能和可解释性严重依赖于其学习所用训练数据的特征[19]。换句话说，无论采用事后可解释性分析技术还是先验可解释模型架构，所得特征重要性度量从根本上反映了数据集内在的潜在模式[20]。在废水处理背景下，数据驱动模型捕捉到的变量相关性通常与提供数据集的污水处理厂（目标污水处理厂）的系统属性（如工艺配置、运行参数和进水水质特征）紧密耦合，这些属性在不同设施间差异显著[21]。然而，主流研究主要采用领域通用知识框架作为评估模型可解释性的参考基准，这种做法未能严格验证识别出的特征重要性是否与目标污水处理厂的实际运行机制一致[14]，[22]。因此，现有可解释预测模型既不能在底层算法层面提供可靠的特征权重，也未纳入针对特定污水处理厂微生化动力学的工艺尺度验证。这种双重缺陷最终阻碍了这些预测工具转化为可操作的工程控制策略。

受预测可靠性和解释力需求的驱动，我们提出了解耦长短期记忆网络结合混合注意力（DLSTMHA）架构，该架构将注意力机制与改进的循环神经网络相结合。具体而言，该框架将传统LSTM隐藏向量重塑为张量空间，建立隐藏状态与输入变量之间的显式映射，以保留不同过程参数的独立动态演化信息。然后，它采用包含时间算子和空间算子的混合注意力模块：前者处理出水总氮的时间滞后，后者识别其与其他变量的耦合依赖关系。我们利用一个全尺度污水处理厂的数据集和现场工艺条件评估测试对所提出的框架进行了系统验证。该验证涵盖模型性能评估、混合注意力机制有效性评估、模型可解释性分析以及可解释性与运行状态之间的交叉评估。与以往侧重于事后解释的研究相比，我们的方法识别出了氮去除的关键控制因素，与目标污水处理厂的总氮转化机制一致。该方法为污水处理厂的智能预警和优化管理提供了坚实的理论基础和技术支持。

章节摘要

数据收集与预处理

本研究的水质和运行参数数据采集自中国南部太湖流域的一座全尺度污水处理厂。该污水处理厂的工艺流程图和传感器位置如图S1所示。进水首先经过曝气沉砂池，之后70%的水流依次进入缺氧池、厌氧池、好氧池和二沉池，而剩余30%直接绕过进入厌氧池。每阶段的

时间窗口对模型性能的影响

考虑到城市排水系统的昼夜周期性和污水处理厂中的水力停留时间（HRT）[3]，[27]，我们建立了多个时间窗口（6小时、12小时、24小时、96小时、168小时）来评估模型性能。实验证据表明，DLSTMHA的预测准确性和稳定性都显著依赖于窗口长度。当窗口长度增加到24小时时，与6小时窗口相比，平均绝对误差（MAE）降低了19.74%（表2），同时模型稳定性显著提高。

结论

本研究提出了DLSTMHA框架，旨在提高污水处理厂出水总氮建模的预测准确性和解释透明度。基于全尺度污水处理厂的实证评估，DLSTMHA框架表现出优于基线时间序列模型的预测性能。它实现了最佳的短期预测准确性，并在长达12小时的预测范围内保持了稳健的预警能力。与传统黑箱模型不同，内源性

CRediT作者贡献声明

Huaibo Li：写作–原稿、可视化、方法论、形式分析、数据管理、概念化。 Yu Liu：验证、调查、形式分析、数据管理。 Zhizhang Shen：写作–审阅与编辑、方法论、形式分析、概念化。 Yan Wang：可视化、形式分析。 Chunyan Chai：调查、数据管理。 Weili Xiong：方法论。 Ji Li：写作–审阅与编辑、监督、资源、概念化。

利益冲突声明

作者声明，他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。

致谢

作者衷心感谢以下机构提供的资金支持：国家重点研发计划（2023YFC3804703）、江苏省社会发展重大科技示范项目（编号 BE2023687）、南京市重大科技专项（碳达峰碳中和）（YF2024-020）、江苏省研究生科研与实践创新计划（KYCX23-2505）。

Huaibo Li|Yu Liu|Zhizhang Shen|Yan Wang|Chunyan Chai|Weili Xiong|Ji Li