基于BiLSTM深度學(xué)習(xí)模型的污水處理廠水質(zhì)預(yù)測

＊陳樹龍 黎志偉 黃祖安 李峻朗

（1.江門公用能源環(huán)保有限公司 廣東 529060 2.華南師范大學(xué) 廣東 510006）

國家“十四五”規(guī)劃中生態(tài)文明的要求更趨嚴(yán)格，意味著國家對污水處理廠的處理凈化標(biāo)準(zhǔn)逐步提高。然而，對于污水處理廠的部分難以實時測定的水質(zhì)指標(biāo)，如化學(xué)需氧量（COD）、總氮（TN）等，其監(jiān)測數(shù)據(jù)具有一定的滯后性，難以及時預(yù)知或發(fā)現(xiàn)系統(tǒng)異常；且水質(zhì)受諸多因素的影響，導(dǎo)致水質(zhì)呈現(xiàn)高度的非線性、波動性和不確定性特征，使水質(zhì)預(yù)測異常困難[1]。近年來，機器學(xué)習(xí)特別是深度學(xué)習(xí)正在飛速發(fā)展，利用神經(jīng)網(wǎng)絡(luò)預(yù)測污水處理廠進出水水質(zhì)的技術(shù)已經(jīng)受到廣大科研工作者的關(guān)注。循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）是一種具有循環(huán)結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，擅長解決時間序列的預(yù)測問題。Fang等人[2]利用RNN對污水處理廠的進出水?dāng)?shù)據(jù)進行建模，其準(zhǔn)確度R2可達(dá)0.76。但是，由于RNN容易出現(xiàn)梯度消失或梯度爆炸的現(xiàn)象[3]，在很大程度上影響預(yù)測的準(zhǔn)確度，因此RNN的應(yīng)用受到一定的限制。長短時記憶神經(jīng)網(wǎng)絡(luò)（Long Short Term Memory，LSTM）是RNN的變種之一，其通過向RNN添加輸入門、遺忘門與輸出門來控制信息的流動，有效解決RNN存在的問題。Li等人[4]利用RNN、LSTM預(yù)測造紙廢水處理廠的出水COD與SS，結(jié)果顯示LSTM的準(zhǔn)確度R2可達(dá)0.83。另外，通過向LSTM中添加雙向?qū)樱˙idirectional），組成雙向長短時記憶神經(jīng)網(wǎng)絡(luò)BiLSTM，可解決原始模型存在的遺忘問題，并進一步提升預(yù)測性能[5]。本研究開發(fā)基于BiLSTM模型的水質(zhì)預(yù)測算法，力求運用該算法的非線性映射特性建立軟測量模型，獲得軟測量數(shù)據(jù)，實現(xiàn)所有水質(zhì)指標(biāo)同步獲取，提高監(jiān)測數(shù)據(jù)的管理效率。更進一步地，本研究可以預(yù)測未來的水質(zhì)變化，避免可能發(fā)生的水質(zhì)異常甚至反應(yīng)系統(tǒng)崩潰等狀況，為污水處理廠運營管理提供科學(xué)的數(shù)據(jù)支撐。

1.數(shù)據(jù)獲取與處理

（1）數(shù)據(jù)來源。本研究的數(shù)據(jù)來源為廣東省江門市某生活污水處理廠，處理規(guī)模為4萬噸/天，主要處理工藝為A2/O法，污水處理工藝如圖1所示。數(shù)據(jù)取自該廠2019—2021年的進出水監(jiān)測數(shù)據(jù)，可用數(shù)據(jù)共1096組。該廠進出水主要監(jiān)測指標(biāo)為pH值、COD、NH4+-N、TN、TP、SS與污水流量，進出水水質(zhì)概況如表1所示。

表1 污水處理廠進出水水質(zhì)概況

圖1 污水處理廠污水處理工藝

圖2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

（2）數(shù)據(jù)集的建立。基于上述數(shù)據(jù)，本研究建立以COD與TN為目標(biāo)變量的軟測量模型。取進出水pH值、NH4+-N、TP、SS與污水流量共9個變量作為特征（輸入變量），出水COD、TN共兩個變量作為標(biāo)簽（輸出變量）；取前1000組數(shù)據(jù)，其中前800組（前80%）數(shù)據(jù)為訓(xùn)練集，后200組（后20%）為測試集。

（3）數(shù)據(jù)預(yù)處理。本研究中，不同變量之間數(shù)據(jù)的數(shù)量級差異較大，如進水COD濃度平均值為188mg/L，而出水NH4+-N濃度平均值僅為0.19mg/L。為了消除數(shù)據(jù)間數(shù)量級差異過大導(dǎo)致模型擬合能力降低的現(xiàn)象，需要將數(shù)據(jù)進行歸一化處理：

2.軟測量模型的建立

(1)BiLSTM的結(jié)構(gòu)

LSTM在RNN的基礎(chǔ)上，通過引入門控機制來控制信息的流動與抑制信息的無序傳播，從而更好地編碼序列中的長時間序列。LSTM單元包含輸入門、輸出門及遺忘門。其中，遺忘門使內(nèi)部單元中的某些信息消失（遺忘），輸入門從內(nèi)部單元中選中某些信息，最后輸出門將這些信息輸出。

免疫熒光原位雜交檢測結(jié)果判定：熒光顯微鏡的藍(lán)色通道下觀察DAPI染色，藍(lán)色熒光者表明為有核細(xì)胞；紅色通道下觀察CEP-8信號，紅色亮點數(shù)目即為8號染色體數(shù)目，CTC的 8號染色體呈多倍體，即CEP8信號點≥3個，血源性白細(xì)胞8號染色體呈二倍體，即CEP8信號點≤2個；另外，CD45染色為紅色，在紅色通道下觀察細(xì)胞是否表達(dá)CD45，CTC不表達(dá)CD45而細(xì)胞周圍無紅色熒光。結(jié)合三色通道下的疊加圖像，CTC陽性判讀標(biāo)準(zhǔn)：CEP-8信號點≥3個且DAPI＋CD45-，胃癌患者外周血中CTC的細(xì)胞核經(jīng)DAPI染色顯示為藍(lán)色熒光，細(xì)胞核內(nèi)可見有3個或3個以上紅色信號點時，認(rèn)為是循環(huán)胃癌細(xì)胞（圖1）。

LSTM的信息在t時刻前向傳播如公式（2）～（7）所示：

基于此，為了提升小學(xué)數(shù)學(xué)課堂教學(xué)中德育滲透之實效性，教師要在緊緊圍繞課堂教學(xué)內(nèi)容的前提下，緊密結(jié)合學(xué)生的實際認(rèn)知水平，以設(shè)計各種各樣的作業(yè)為契機，恰如其分地打通德育滲透的延伸點。

3.結(jié)果與討論

(1)實驗概況

①比較模型的選取：本研究以出水COD、出水TN兩個變量為預(yù)測目標(biāo)，利用BiLSTM深度學(xué)習(xí)模型進行預(yù)測。為了比較BiLSTM的預(yù)測性能，本研究引入了RNN、LSTM與BiRNN三種同類模型。其中，RNN、LSTM同屬循環(huán)神經(jīng)網(wǎng)絡(luò)類模型BiRNN是向RNN模型中增加了雙向循環(huán)層而得，與BiLSTM的改造方式類似。②效果指標(biāo)的計算：本研究分別決定系數(shù)R2、均方根誤差RMSE、平均絕對百分比誤差MAPE，及測試時間TT，共四項指標(biāo)衡量上述模型的預(yù)測準(zhǔn)確度。其中，R2、RMSE與MAPE均指示預(yù)測值與真實值之間的偏差程度，如公式（8）～（10）所示；R2值為0～1，且越接近1表示預(yù)測值與真實值越吻合，預(yù)測準(zhǔn)確度越高，RMSE與MAPE越小表示預(yù)測準(zhǔn)確度越高。TT是計算模型訓(xùn)練開始到測試結(jié)束的時間，TT越小表示模型速度越快。

(2)預(yù)測結(jié)果與分析

如圖3及表2所示，對于出水COD預(yù)測，四個模型的預(yù)測值與真實值均有接近趨勢，而BiLSTM的預(yù)測值更接近于真實值，其R2、RMSE、MAPE分別為0.955mg/L、0.61mg/L與6.5%，表明其在四個模型之中獲得最佳的預(yù)測效果。對于出水TN的預(yù)測，四個模型的預(yù)測值與真實值吻合度較高，而從指標(biāo)上看，BiLSTM的預(yù)測效果最佳，其R2、RMSE、MAPE分別為0.947mg/L、1.23mg/L與7.3%，準(zhǔn)確度較高。

表2 出水COD與出水TN的預(yù)測結(jié)果

圖3 模型預(yù)測結(jié)果

在上述兩個預(yù)測之中，BiLSTM模型在R2、RMSE、MAPE三個指標(biāo)的比較中均取得了最好的效果，其原因是LSTM往RNN之中加入了輸入門、遺忘門與輸出門，解決了RNN易梯度消失或梯度爆炸的問題，提高了模型可靠性。此外，BiLSTM通過往LSTM之中加入雙向循環(huán)層，使未來的信息與過去的信息產(chǎn)生聯(lián)系，解決了在長時序列預(yù)測問題中的遺忘問題，進一步提高了模型的穩(wěn)定性與預(yù)測性能。對于測試時間的比較，由于LSTM是RNN更加完善的迭代版本，其增加的輸入門、遺忘門與輸出門的運行需要消耗一定的時間。此外，本研究增加的雙向循環(huán)層也在一定程度上增加了模型運行的計算時間。所以在上述比較之中，運行時間從小到大的順序分別為RNN、BiRNN、LSTM、BiLSTM。但值得注意的是，BiLSTM的運行時間相比其他三個模型的差距并不大，但準(zhǔn)確度相比RNN與BiRNN有較大幅度的提升，相比LSTM也有小幅度提升，其通過提高準(zhǔn)確度獲得的效益要高于增加模型復(fù)雜度帶來的時間成本。因此，在上述四個模型之中，BiLSTM的預(yù)測性能最優(yōu)，最適合用于污水處理過程水質(zhì)數(shù)據(jù)的預(yù)測。

4.結(jié)論與展望

本研究采用BiLSTM神經(jīng)網(wǎng)絡(luò)模型，預(yù)測污水處理廠出水COD與出水TN。使用R2、RMSE、MAPE與TT共四種指標(biāo)衡量模型的預(yù)測性能，并引入RNN、LSTM、BiRNN共三種模型進行性能比較。結(jié)果顯示，在出水COD與出水TN的預(yù)測之中，BiLSTM的預(yù)測準(zhǔn)確度均獲得最優(yōu)值，說明BiLSTM對污水處理過程數(shù)據(jù)的預(yù)測準(zhǔn)確度較高；雖然其測試時間并非最短，但其預(yù)測效果提升帶來的效益要大于消耗時間帶來的成本。綜上所述，在本研究中，BiLSTM最適用于對污水處理廠水質(zhì)的預(yù)測。本研究中的BiLSTM模型可以對水質(zhì)指標(biāo)進行軟測量，實現(xiàn)水質(zhì)數(shù)據(jù)同步輸出，為污水處理廠運營者的維護與管理提供可靠的科學(xué)依據(jù)；可以預(yù)測未來某段時間的水質(zhì)，提前預(yù)知可能發(fā)生的水質(zhì)異常情況。BiLSTM模型不僅可以預(yù)測水質(zhì)數(shù)據(jù)，還能預(yù)測其他時間序列數(shù)據(jù)，如能源消耗、碳排放等。未來通過進一步深化對BiLSTM的研究與應(yīng)用，可以促進污水處理廠的節(jié)能減排，推動國家“碳達(dá)峰”“碳中和”目標(biāo)的實現(xiàn)。