任南琪院士团队丁杰、杨珊珊课题组WR：污水处理厂的集成实时智能控制——基于数据驱动建模的预测能力提升与调控策略优化

近日，实验室任南琪院士团队丁杰教授、杨珊珊副教授课题组在《Water Research》期刊上发表了题为“Integrated real-time intelligent control for wastewater treatment plants: data-driven modeling for enhanced prediction and regulatory strategies（污水处理厂的集成实时智能控制：基于数据驱动建模的预测能力提升与调控策略优化）”的研究论文（DOI：10.1016/j.watres.2025.123099）。

实施实时在线动态控制是确保废水处理过程稳定性与成本效益的关键。传统的污水处理厂（WWTPs）通常依赖人工经验进行流量分配和操作参数的调整。这种方法不仅过度依赖操作人员的主观判断，调整周期较长，且容易产生较大误差，从而导致高昂的运营成本。为解决这一问题，近年来研究者提出通过模型构建实现对WWTP的动态调控。然而，现有的机理模型因无法准确捕捉废水处理过程中复杂的实时生物化学动态而在动态调控中表现有限，同时其在实时校准方面也面临显著困难。相比之下，基于机器学习的模型能够通过数据驱动实现更精确的动态控制。然而，这类模型对大量实时在线监测数据的需求较高，而数据采集的高成本在一定程度上限制了其应用的经济性。基于机器学习算法的软测量技术作为一种潜在的解决方案，能够在一定程度上降低监测成本。然而，将软测量技术应用于动态控制仍面临诸多挑战，包括软传感器模型对系统实时响应性的影响，可能进而降低整体控制效果。因此，如何在成本效益与控制性能之间取得平衡，成为废水处理厂智能化调控的核心科学问题。

作者提出了一种创新的特征提取方法，通过高阶导数从实时在线数据中提取关键特征，以反应底物浓度的二阶导数为核心，近似其高斯分布，进而获得稳态特征参数函数，用于构建数据驱动模型。该模型能够实时更新，实现对硝化回流速率和氧气供应的精准动态调控，从而显著优化生物氮去除过程。此方法不仅提升了动态控制的精确性，还显著减少了对大规模监测设备的依赖，在设备配置较少的情况下实现了高效的动态调控。

　　本研究创新性地提出了一种针对污水处理生物脱氮过程的动态控制特征提取方法。基于该技术构建的数据驱动模型在实际运行数据的验证中展现了卓越的性能。研究结果表明，该模型能够实现污水处理过程的实时优化，在确保出水水质稳定达到法律排放标准的同时，有效降低能耗，节能率高达24.3%。此外，该方法通过快速更新数据驱动模型，实现了高精度的水质预测和动态优化控制。其显著优势在于大幅减少了监测变量，从而显著降低了数据采集和计算成本，为水务管理提供了更加经济高效的解决方案。整体而言，本研究的成果为智能化污水处理技术的发展提供了新思路，具有重要的实践价值和广阔的应用前景助。

　　杨珊珊副教授为通讯作者，实验室为通讯单位，第一作者是哈工大环境学员在读博士生代伟。