数据驱动的污水处理高密池混凝加药预测研究

作     者：马帅印 王晨 卢津 孔宪光 殷磊 陈改革 张茜 MA Shuaiyin;WANG Chen;LU Jin;KONG Xianguang;YIN Lei;CHEN Gaige;ZHANG Qian

作者机构：西安邮电大学计算机学院西安710121 西安邮电大学陕西省网络数据分析与智能处理重点实验室西安710121 西安邮电大学西安市大数据与智能计算重点实验室西安710121 西安邮电大学陕西省“四主体一联合”5G+工业互联网通讯终端技术校企联合研究中心西安710121 西安电子科技大学机电工程学院西安710071 中国电子科技集团公司第十研究所成都610036 

出 版 物：《给水排水》 (Water & Wastewater Engineering)

年 卷 期：2024年第50卷第2期

页      面：158-166页

核心收录：

学科分类：08[工学] 0815[工学-水利工程] 

基　　金：陕西省科学技术厅项目(2022JQ-376) 陕西省教育厅项目(22JK0567) 陕西省普通高等学校重点学科专项资金建设项目 西安邮电大学2022年研究生创新基金项目(CXJJYL2022058) 

主　　题：高密池 混凝加药 组合预测 极限学习机 机器学习 

摘      要：高密池是污水处理工艺流程中关键且复杂的一个环节,而混凝加药过程在高密池中扮演重要的角色,针对混凝加药非线性、大迟滞性、不确定因素较多的特性,为实现加药量的预测控制,达到降低成本的目的。提出主成分分析(Principal Component Analysis,PCA)和极限学习机(Extreme Learning Machine,ELM)以及长短记忆神经网络(Long Short-Term Memory,LSTM)残差组合预测方法,PCA降维和LSTM残差优化能够有效提高ELM的预测精度,同时对模型参数进行优化可以得到最优方法。利用污水处理数据进行验证,所提预测方法的平均绝对误差为0.14%,均方误差根为0.63%。试验结果表明,该方法在预测精度上明显优于随机森林等机器学习预测方法,为混凝加药量的预测和控制提供了可靠的依据,并具有实际应用价值。