用于污水处理厂水质优化与碳源减少的可扩展在线机器学习技术

《Environmental Science & Technology Letters》：Scalable Online Machine Learning for Water Quality Optimization and Carbon Source Reduction in Wastewater Treatment Plants

　　

摘要

由于进水条件变化极大，对污水处理厂进行有效的实时控制仍然是一项挑战。同时，对外部碳源的调控对于维持氮去除效果以及满足日益严格的出水标准至关重要。本研究构建了一个系统框架，结合在线学习与强化学习技术，用于优化大型污水处理厂的出水质量及外部碳源投加量。通过分析一年来的高频传感器数据，发现在六种机器学习方法中，Transformer模型的表现最佳，其在多项出水指标上的平均R²值达到了0.91。研究还利用SHAP技术识别出关键特征，据此设计出了基于关键指标的随时间衰减的在线学习策略，使得Transformer模型在动态运行条件下仍能保持稳定的预测性能。在此基础上，强化学习技术实现了对外部碳源的实时调控。在为期10天的实际测试中，该策略相较于传统反馈控制方式，不仅提升了出水达标率，还将外部碳源的使用量降低了21.8%。蒙特卡洛模拟结果显示，该策略具有很强的抗传感器数据失真和故障的能力。总体而言，KTOL-TF-RL框架展现了智能控制技术在实现低成本、高稳定性的污水处理方面的巨大潜力。