基于时间可行性与可解释性的废水处理出水总氮一天前软感知方法：机制特征工程、统计基准对比与过程识别

《Results in Engineering》：Temporally Admissible and Explainability-Driven One-Day-Ahead Soft-Sensing of Effluent Total Nitrogen in Wastewater Treatment: Mechanistic Feature Engineering, Statistical Benchmarking, and Process Discovery

　　

摘要

准确预测出水总氮含量对于确保污水处理厂中生物营养物去除过程的稳定性以及为运营决策提供依据至关重要。本研究提出了一种基于时间可行性和可解释性的软感知框架，用于提前一天预测出水总氮含量。该框架中的所有预测因子均仅利用前一天运营结束时的数据或更早的数据来构建，无需进行当天的总氮测量。该框架通过墨尔本西部污水处理厂的1382条运营记录进行了验证。在严格的非预知性约束下，借鉴ASM2d方法进行特征工程，既保留了具有生物学意义的动态特性，又避免了信息泄露问题。通过贝叶斯超参数优化结合五折时间序列交叉验证以及346天的时间序列留出法，对六种机器学习模型进行了严格评估。随机森林模型的预测性能最佳（均方根误差为1.728毫克/升，决定系数为0.673），CatBoost模型的性能与之相当，若更注重校准一致性，则可选择CatBoost模型；相较于传统基准模型，这两种模型的均方根误差分别降低了39.1%至57.1%。通过八种集成策略的对比实验发现，表现最佳的集成策略（均匀平均法，均方根误差为1.720毫克/升）与最优的单一模型相比，其性能提升仅为0.008毫克/升，这一差异在实际运营中可以忽略不计，因此建议采用简单的随机森林模型。特征类别对比实验表明，过程变量而非自回归持续性是主要的预测因素。SHAP分析发现，当化学需氧量接近1000毫克/升时，会出现与反硝化作用相关的变化，这一现象可视为符合ASM2d化学计量关系的假设生成型条件关联。自适应滚动窗口一致预测方法的实证覆盖率为90.5%至91.3%，而季节性分析则表明，在南半球的各个季节中，该方法的性能都十分稳定。

Thulane Paepae

南非约翰内斯堡大学数学与应用数学系，多恩方丹，2028