《Journal of Environmental Sciences》:Constrained Bayesian search reduces modeled aeration energy and annual electricity-related CO?e in the electroplating bioprocess train
编辑推荐:
•提出了一种考虑约束条件的替代模型辅助贝叶斯优化方法。•通过单调级联机制确保耦合过程中各阶段的可行性。•可行的解决方案能够降低曝气能耗以及由此产生的二氧化碳当量排放。引言全球工业化进程的加速以及人类活动的加剧使得水资源短缺和污染问题日益严重,各国对城市和工业废水的监管力度也在不断
- •
提出了一种考虑约束条件的替代模型辅助贝叶斯优化方法。
- •
通过单调级联机制确保耦合过程中各阶段的可行性。
- •
可行的解决方案能够降低曝气能耗以及由此产生的二氧化碳当量排放。
引言
全球工业化进程的加速以及人类活动的加剧使得水资源短缺和污染问题日益严重,各国对城市和工业废水的监管力度也在不断加强(Wang等人,2024;Wilkinson等人,2022;Al-Amshawee等人,2020)。电镀行业也是造成环境污染的重要工业源之一(Kamar等人,2024)。该行业会带来大量复杂的污染物负荷。在中国,每年电镀表面的面积约为13亿平方米,产生的废水量约为4亿立方米,约占全国工业废水总量的10%(Liu和Ma,2010;Wang和Chen,2015)。这些工厂在处理含有有毒金属且化学成分不断变化的进水时,还必须确保氮和磷的排放符合严格的标准,这增加了运营的不确定性,仅靠人工调节难以实现持续合规(Rajoria等人,2022)。曝气是工厂层面最大的电力消耗环节,因此空气供应量的微小变化都会显著影响能源消耗以及与之相关的二氧化碳当量排放(Rosso和Stenstrom,2006)。在水质、能源和碳排放目标的多重压力下,运营方自然会将注意力集中在气流和氧气传输上,这就需要从工厂层面优化曝气过程,在保证出水达标的同时降低电力需求及相关的二氧化碳当量排放。
能源优化是现代废水处理运营的核心,因为它将日常操作与工厂的电力相关碳足迹紧密关联。国家统计数据显示,美国的水务和废水处理机构每年消耗的电力约占全国用电量的3%到5%,而且这些机构的用电高峰往往与电网负荷最高、边际排放量最大的时段重合,因此在源头降低电力消耗具有重要的气候意义(Chapin等人,2024)。在单个处理单元层面,曝气通常是生物处理过程中耗电最多的环节,由于氧气传输效率及气泡流动特性的影响,曝气往往占据着工厂能源费用的大头(Rosso和Stenstrom,2006)。能源审计和基准研究显示,通过技术改进和有针对性的改造,有些系统甚至可以避免超过一半的现有电力消耗(Sala-Garrido等人,2024)。实地调查表明,扩散器堵塞以及α系数的变化会增加曝气功率,而通过改进控制措施和加强维护则可以提高氧气传输效率,从而降低能耗(Garrido-Baserba等人,2017)。大型处理设施的碳核算结果显示,用于曝气和泵送的电力消耗是导致其碳足迹增加的主要因素,只要明确核算边界,运营上的节能措施就能转化为避免的电力相关碳排放(Boiocchi等人,2023)。当前,该行业正在朝着结合效率提升、预测控制与优化的净零目标发展,最近的工厂规模研究还运用机器学习技术来确定可行的运行区域,并帮助实现多目标之间的权衡(Rani等人,2022;Hu等人,2024)。在这种背景下,专注于曝气量和气流优化,为降低电镀处理过程中的能源消耗和电力相关二氧化碳当量排放、同时保证出水达标提供了一条切实可行的路径。
目前关于工厂运营的研究正逐渐向基于数据的预测和优化方向发展,但大多数研究仍局限于单个单元或以模型为中心。在预测方面,树集成方法和深度学习技术现已能够在全尺度工厂中实现高精度预测(Duarte等人,2024)。近期的一些研究还表明,可解释性学习技术可以通过样本级的归因信息来预测废水参数,从而使模型输出结果更易于操作人员理解和使用(Li等人,2024)。有研究将Shapley加性解释方法与全尺度工厂的基于树的模型相结合,通过在某污水处理厂进行的案例研究,证明了该方法在预测出水参数方面具有稳定的泛化能力(Wang等人,2022a)。还有研究利用长短期记忆网络来捕捉全尺度处理设施中出水质量的时间动态变化规律(Farhi等人,2021)。这些进展表明,机器学习不仅能够帮助在进水条件变化的情况下预测出水质量,还能在特征层面提供可解释的信号(Saleem等人,2024)。除了预测功能外,还有一些研究将学习技术与搜索或控制策略相结合。贝叶斯优化已被用于调整模型参数,以及平衡氮去除与能源消耗之间的关系,这说明高效的搜索方法能够帮助在工厂规模的处理系统中找到最优解(Ye等人,2024)。与此同时,能源审计和基准分析也显示出各处理设施具备巨大的节能潜力,进一步凸显了优化技术在提升水务处理效率方面的价值(Sala-Garrido等人,2024)。此外,针对特定工艺过程的研究也不断证实,曝气功率与扩散器状态以及氧气传输效率之间存在密切关联,这也解释了为何通过控制气流和加强设备维护能够显著降低能耗(Samuelsson等人,2021)。尽管已经取得了这些进展,但可解释的预测结果与全工厂范围内的受限运行之间的关联仍不够完善。在厌氧、缺氧、好氧和膜处理环节之间,很少有机制来确保各阶段的可行性,而且模型的可解释性也往往无法转化为实际可操作的调控参数。此外,很少有研究将电力消耗变化转化为二氧化碳当量排放来进行工厂层面的评估,而且不同的研究也缺乏统一的基准标准。目前所欠缺的,是一种能够覆盖整个工厂范围、具备可解释性的决策支持流程,这种流程能够在工艺约束条件下确定可行的运行区域,并将预测信号与能够同时兼顾合规性、能源消耗和电力相关二氧化碳当量排放的决策方案相衔接。
现有的案例研究进一步表明,基于工厂规模的学习方法能够在实际运行条件下为操作人员提供实用的指导。例如,在全尺度系统中运用SHAP方法进行分析后,研究人员能够将模型预测结果与操作参数联系起来,从而在工艺条件发生变化时更好地控制出水质量(Wang等人,2022a)。采用集成学习和深度学习方法的预测研究也显示出在预测关键污染物指标方面的良好性能,这进一步证明了数据驱动的替代模型能够准确反映工厂的非线性运行特性(Cechinel等人,2024)。在优化方面,贝叶斯搜索技术已被用于同时控制氮去除和能源消耗,而能源基准分析和基于工艺过程的分析则持续强调了曝气控制在决定工厂能源消耗水平中的核心作用(Ye等人,2024;Sala-Garrido等人,2024;Samuelsson等人,2021)。尽管取得了这些进展,但在工厂规模的应用中仍然存在一些局限性。目前的这类应用大多仍局限于单个处理单元,没有明确考虑各阶段之间的可行性,而且模型的可解释性也往往无法转化为实际的调控变量。此外,很少有研究能够将运营调整与能源消耗以及电力相关二氧化碳当量排放联系起来进行评估。这些局限性都表明,亟需一种覆盖整个工厂范围、具备可解释性的决策支持框架,该框架应能够整合预测功能、受限优化方法以及工厂层面的评估内容。
为解决上述问题,本研究开发了一种覆盖整个工厂范围、具备可解释性的决策支持流程,该流程整合了随机森林筛选、分阶段极端梯度提升模型替代模型、基于SHAP的可解释性分析,以及在单调级联机制下的受限贝叶斯优化功能。该框架能够在工厂层面评估不同方案的效果,并在明确的核算边界条件下,将模型预测的电力变化转化为二氧化碳当量排放数值。具体而言,本研究旨在解决三个研究空白:第一,数据驱动的废水处理优化方法中缺乏跨阶段的可行性约束;第二,模型的可解释性很难转化为实际的运营调控参数;第三,目前对能源消耗以及电力相关碳排放的工厂层面评估不够充分。因此,本研究的目标是在厌氧、缺氧、好氧和膜生物反应器各个处理阶段都确保出水质量符合标准,确定控制化学需氧量、氨氮、总氮和总磷浓度的关键操作参数,同时评估在工艺约束条件下,通过优化这些操作参数是否能够降低工厂的电力消耗。由于这项分析是基于某一个全尺度工厂进行的,所以所提出的决策支持方法属于针对该特定工厂定制的,无法直接移植到其他工厂的闭环控制系统中,若要将其应用于其他工业废水处理工厂,还需要进行本地重新训练、根据实际水力延迟情况调整参数,以及重新定义执行器和膜曝气相关的约束条件。
章节要点
用于可解释曝气决策支持的集成流程
在此,我们介绍一种可解释的、适用于工厂规模的决策支持流程,旨在帮助操作人员在厌氧-缺氧-好氧-膜生物反应器整个处理流程中做出合理的曝气决策。该流程共包含五个步骤。首先,收集全尺度生物处理系统的高频运行数据和水质数据,并对它们进行预处理。其次,使用随机森林算法筛选出与各处理阶段相关的关键驱动因素,从而得到一组简洁且可直接用于操作的参数。第三,针对化学需氧量这一具体指标,训练分阶段的XGBoost替代模型,
对分阶段预测因子的随机森林筛选
通过随机森林筛选,我们发现了厌氧、缺氧、好氧和膜生物反应器各个处理阶段中不同的预测因子特征(见图2)。包括总磷浓度、化学需氧量、氨氮浓度和总氮浓度在内的进水参数,在多个不同处理阶段与目标指标的关联中都起着重要作用,这说明上游水质的波动会显著影响下游处理模型的预测结果。各处理阶段特有的工艺参数也对预测结果的排序产生影响,例如在厌氧阶段,氧化还原电位是一个重要因素,而在缺氧阶段,pH值和溶解氧浓度则较为关键
特征重要性的背景与主要研究发现
在某全尺度电镀废水处理工厂中,进水的成分不断变化,氮和磷的转化途径也相互关联,而曝气依然是该工厂最大的电力消耗环节(Li等人,2022)。在环境建模领域,随机森林通常被用作前置筛选工具,用于挑选有用的预测因子,并为后续的建模工作提供稳定的特征重要性排序(Musa等人,2025)。按照这一方法,我们在每个工艺处理阶段都对候选预测因子进行了重要性排序,
结论
本研究针对电镀废水处理领域,开发了一种覆盖整个工厂范围、具备可解释性的决策支持流程,该流程整合了特征筛选、分阶段替代模型构建、基于SHAP的可解释性分析以及受限搜索功能,旨在为操作人员提供决策支持。通过将跨阶段的可行性约束与可行的操作参数选择相结合,该流程为协调出水质量达标要求、工厂的电力消耗水平以及电力相关二氧化碳当量排放问题提供了实用的解决方案。
CRediT作者贡献说明
王龙:论文撰写——审阅与编辑,论文撰写——初稿撰写,方法论研究,实验分析。黄瑞雄:实验分析,正式数据分析。彭健:方法论研究。杨勇:方法论研究。赖瑞坤:模型验证。高云龙:正式数据分析。刘伟:论文撰写——审阅与编辑,模型验证。胡少刚:论文撰写——审阅与编辑,研究指导,软件开发。张振宇:方法论研究。
利益冲突声明
作者声明,他们不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。
致谢
本研究得到了中国国家自然科学基金的支持(项目编号:52200140)。
王龙|黄瑞雄|彭健|杨勇|赖瑞坤|高云龙|刘伟|胡少刚|张振宇