史紅偉，陳 祺，王云龍，李鵬程

（1.長春理工大學(xué)電子信息工程學(xué)院，吉林 長春 130022；2.長春水務(wù)投資發(fā)展集團(tuán)有限公司，吉林 長春 130022）

0 引言

伴隨著城鎮(zhèn)化的快速發(fā)展和城鎮(zhèn)人口的急劇增加，城鎮(zhèn)的污水量急劇增加，污水處理壓力大增。多數(shù)污水處理廠存在水質(zhì)不確定性高，工藝優(yōu)化困難的問題。為實(shí)現(xiàn)工藝優(yōu)化，需要展開工藝參數(shù)對出水水質(zhì)影響的研究，實(shí)現(xiàn)以工藝和環(huán)境參數(shù)為依據(jù)的出廠水質(zhì)預(yù)測，再根據(jù)預(yù)測情況實(shí)時(shí)調(diào)整污水處理工藝，使得污水處理過程在保證污水處理效果的前提下兼顧水資源治理和節(jié)能減排的需求。目前我國縣一級已普及污水處理廠，且多采用CASS 工藝進(jìn)行污水處理［1］。CASS 工藝具有占地少、效率高等特點(diǎn)，與MBR、A2O 處理工藝相比，CASS 工藝采取間歇式處理，其工藝調(diào)整更加復(fù)雜［2］，目前并沒有針對CASS 工藝污水處理出水水質(zhì)預(yù)測方法的研究。

現(xiàn)有的預(yù)測模型主要分為3 種：基于確定生化反應(yīng)的機(jī)理模型、基于傳統(tǒng)統(tǒng)計(jì)學(xué)的預(yù)測方法、基于數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)模型。其中，基于確定生化反應(yīng)的機(jī)理模型需要對污水處理過程中的生化反應(yīng)進(jìn)行建模，但由于污水指標(biāo)眾多且污水處理過程中反應(yīng)復(fù)雜，導(dǎo)致這類模型預(yù)測準(zhǔn)確度不高［3］?；诮y(tǒng)計(jì)學(xué)的預(yù)測模型是對影響污水廠出水的各個(gè)因素與污水廠出水之間的影響因子建立的數(shù)學(xué)統(tǒng)計(jì)模型，由于影響污水廠出水水質(zhì)的因素眾多且污水?dāng)?shù)據(jù)非線性程度高，所以這類模型難以取得較好的預(yù)測效果［4］。基于數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)模型是指僅需確定模型輸入輸出類型、而無需機(jī)理過程就能建立非線性模型［5］，因此這類模型在面對復(fù)雜問題時(shí)具有較好的預(yù)測效果，特別是在過去數(shù)年中，算力快速提升使得機(jī)器學(xué)習(xí)發(fā)展更加快速，應(yīng)用更加廣泛，在水質(zhì)預(yù)測［6］、PM2.5［7］、風(fēng)電功率［8］方面取得了較好效果，ELSARAITI M［9］使用LSTM 來建立時(shí)間序列的預(yù)測模型，與統(tǒng)計(jì)學(xué)方面的模型（ARIMA）相比，預(yù)測的誤差更小，精度更高。近年來更多的學(xué)者將機(jī)器學(xué)習(xí)應(yīng)用與污水廠出水預(yù)測方面，陳威等［10］使用人工神經(jīng)網(wǎng)絡(luò)建立污水出水水質(zhì)預(yù)測模型，能對出水COD 和NH3-N 預(yù)測變化趨勢進(jìn)行較好的預(yù)測，但對局部指標(biāo)變化預(yù)測效果欠佳；林佳敏［11］等將BP 神經(jīng)網(wǎng)絡(luò)和ARIMA 結(jié)合，姚怡帆［12］利用Stacking 集成思想結(jié)合多種機(jī)器學(xué)習(xí)方法對出水總氮進(jìn)行預(yù)測，相比與單一算法預(yù)測效果更佳，但這種結(jié)合多種算法的預(yù)測模型相比于單一模型更容易過擬合，對樣本質(zhì)量要求更高，同時(shí)對計(jì)算資源和時(shí)間的要求較高。上述模型進(jìn)行預(yù)測時(shí)只采用污水處理廠監(jiān)測到的數(shù)據(jù)，而忽視了污水處理過程中環(huán)境因素的影響，因此本文將影響污水處理過程的因素序列引入一同計(jì)算，從而進(jìn)一步提高污水出水預(yù)測準(zhǔn)確率。

本文使用機(jī)器學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)來進(jìn)行水質(zhì)預(yù)測，在序列預(yù)測問題中，最常使用的是RNN 及其變種［13］。在黃河水質(zhì)［14］和光伏電壓［15］這一類復(fù)雜序列上先利用CNN 提取特征后再由RNN 進(jìn)行預(yù)測，可以得到比單RNN 網(wǎng)絡(luò)更精準(zhǔn)的預(yù)測結(jié)果。由于污水出廠水質(zhì)指標(biāo)復(fù)雜、時(shí)序非線性程度高、污水處理過程中反應(yīng)復(fù)雜無序等問題，簡單的順序結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)難以進(jìn)行準(zhǔn)確預(yù)測。因此，本文提出了一種基于encoder-decoder 結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，這一結(jié)構(gòu)可以很好解決復(fù)雜序列問題［16，17］。此結(jié)構(gòu)在復(fù)雜水質(zhì)預(yù)測應(yīng)用中，由廠入水處與廠出水處兩點(diǎn)的多個(gè)水質(zhì)指標(biāo)而建立。encoder 的輸入為廠入水處歷史結(jié)構(gòu)和影響污水處理過程的因素，decoder 的輸入的為廠出水處歷史數(shù)據(jù)，decoder 輸出為廠出水處未來水質(zhì)指標(biāo)預(yù)測數(shù)據(jù)。將實(shí)際采集到的數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)，經(jīng)過學(xué)習(xí)后的神經(jīng)網(wǎng)絡(luò)可以很好的再現(xiàn)水質(zhì)變化的動(dòng)態(tài)過程，獲得一種能高效準(zhǔn)確預(yù)測污水廠出水水質(zhì)的模型，可以為后續(xù)的工藝優(yōu)化和模型預(yù)測控制提供很好的前提支撐。

1 基于ED-GRU網(wǎng)絡(luò)的污水水質(zhì)預(yù)測方法

1.1 GRU網(wǎng)絡(luò)結(jié)構(gòu)及其工作原理

本文采用門控循環(huán)神經(jīng)網(wǎng)絡(luò)（Gated Recurrent Unit，GRU）組成encoder-decoder 結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，其中GRU 是Cho 等［18］在2003年提出的一種LSTM 神經(jīng)網(wǎng)絡(luò)的簡化網(wǎng)絡(luò)。相比于LSTM結(jié)構(gòu)的3 個(gè)“門”，GRU 將其簡化至兩個(gè)“門”：“更新門”和“重置門”。單個(gè)GRU 如圖1所示，其主要組成為重置門和更新門。因?yàn)槭褂玫拈T結(jié)構(gòu)更少，GRU 參數(shù)更少，計(jì)算過程簡化，比LSTM模型訓(xùn)練更快。

圖1 GRU神經(jīng)網(wǎng)絡(luò)Fig.1 GRU Neural Networks

1.2 encoder-decoder結(jié)構(gòu)

編碼器-解碼器是神經(jīng)網(wǎng)絡(luò)的一種框架結(jié)構(gòu)，廣泛應(yīng)用于機(jī)器翻譯、文本識別、語音識別［19］。通過encoder 提取豐富的特征并生成包含輸入的全局信息的矢量C，然后將矢量C 輸入到decoder 中，最后通過encoder 解碼得到預(yù)測數(shù)據(jù)。在多指標(biāo)預(yù)測時(shí)由于輸入輸出長度不同會導(dǎo)致某些預(yù)測指標(biāo)效果不佳，在encoder-decoder 結(jié)構(gòu)中將影響出水水質(zhì)的因素通過encoder 編碼成一個(gè)向量后再輸入到decoder 中，而decoder 第二路輸入和輸出長度一致從而避免預(yù)測效果失衡。在長期預(yù)測中由于常見包含RNN 及其變種的算法在預(yù)測多步時(shí)間序列時(shí)會將上一次預(yù)測值作為歷史數(shù)據(jù)而導(dǎo)致之后預(yù)測數(shù)據(jù)誤差越來越大，而解碼器編碼器將時(shí)間序列表達(dá)為向量進(jìn)而避免這種問題。

1.3 ED-GRU

文中ED-GRU 模型的結(jié)構(gòu)如圖2所示。首先，定義一個(gè)單層GRU 作為編碼器對影響廠出水水質(zhì)的其他因素（入廠水水質(zhì)、環(huán)境）的歷史數(shù)據(jù)進(jìn)行編碼。然后，定義一個(gè)單層GRU模型作為解碼器，該解碼器有兩個(gè)輸入，一個(gè)輸入為通過編碼器對影響廠出水水質(zhì)的其他因素歷史數(shù)據(jù)提取出的全局信息，另一輸入為廠出水歷史數(shù)據(jù)，最終通過解碼器輸出廠出水未來預(yù)測數(shù)據(jù)。其中n代表歷史數(shù)據(jù)步長，m代表預(yù)測未來數(shù)據(jù)步長。

圖2 ED-GRU神經(jīng)網(wǎng)絡(luò)Fig.2 ED-GRU neural network

2 水質(zhì)指標(biāo)及其影響因素分析

模型采取多指標(biāo)預(yù)測策略，需要對每個(gè)輸入輸出進(jìn)行指標(biāo)選擇。根據(jù)城鎮(zhèn)污水處理廠排放標(biāo)準(zhǔn)（GB18918-2002）［20］，城鎮(zhèn)污水處理廠出水處需要對COD、BOD5、SS、TN、TP、NH3-N、pH等指標(biāo)進(jìn)行實(shí)時(shí)監(jiān)測。為了研究廠出水指標(biāo)內(nèi)的時(shí)序關(guān)系，本文將以上指標(biāo)的歷史值作為decoder的另一輸入，以上指標(biāo)的預(yù)測值作為模型輸出。但實(shí)際生產(chǎn)過程中，由于設(shè)備或人為因素導(dǎo)致部分廠出水水質(zhì)指標(biāo)無法采集或數(shù)據(jù)大幅度異常。為了提高預(yù)測準(zhǔn)確度，本文從污水處理過程中的生化反應(yīng)方面選擇影響出水水質(zhì)的因素。污水處理生化反應(yīng)過程中，進(jìn)水水質(zhì)作為反應(yīng)物對生成物（出水水質(zhì)）有著決定性影響。此外，降水量、溫度等環(huán)境因素也會影響生化反應(yīng)物載體活性污泥處理效率和出水水質(zhì)［21］。因此，將廠入水處水質(zhì)和環(huán)境因素的歷史指標(biāo)作為encoder 輸入，通過encoder 編碼后提取出這些影響因素對廠出水影響因子的全局向量，進(jìn)一步提高模型在復(fù)雜環(huán)境下的預(yù)測性能。該模型具體數(shù)據(jù)劃分如圖3所示。

圖3 神經(jīng)網(wǎng)絡(luò)輸入輸出數(shù)據(jù)劃分Fig.3 Neural network input and output data division

3 實(shí)驗(yàn)方法與數(shù)據(jù)劃分

3.1 實(shí)驗(yàn)設(shè)計(jì)

以GRU 神經(jīng)網(wǎng)絡(luò)作為編碼器和解碼器按照encoder-decoder結(jié)構(gòu)構(gòu)建了一種污水廠出水水質(zhì)預(yù)測模型。實(shí)驗(yàn)?zāi)Ｐ蜑镋DGRU、ED-LSTM，通過與順序結(jié)構(gòu)的GRU、LSTM 模型對比來驗(yàn)證encoder-decoder結(jié)構(gòu)模型的性能。

為了更好的對比模型性能，本文從兩個(gè)不同的時(shí)間維度（短期預(yù)測和長期預(yù)測）對模型性能進(jìn)行分析。其中，短期預(yù)測更偏向模型對污水水質(zhì)局部變化的預(yù)測能力，而長期預(yù)測更傾向模型對未來水質(zhì)總體趨勢的預(yù)測能力。其中均采用步長為20 的歷史數(shù)據(jù)（n=20），短期預(yù)測采取步長為1 的未來數(shù)據(jù)（m=1），長期預(yù)測采取步長為20的未來數(shù)據(jù)（m=20）。將由上述4個(gè)模型分別進(jìn)行短期和長期預(yù)測，通過參數(shù)對比獲得最優(yōu)模型。

3.2 實(shí)驗(yàn)流程

為了得到最優(yōu)模型，需要在訓(xùn)練過程中對模型參數(shù)進(jìn)行一些調(diào)整，具體實(shí)驗(yàn)流程如圖4所示。

圖4 實(shí)驗(yàn)流程圖Fig.4 Experimental flow chart

其中模型參數(shù)調(diào)整包括dropout 系數(shù)、正則化系數(shù)、batch_size。迭代次數(shù)為2 000，同時(shí)在模型訓(xùn)練過程中調(diào)用tensorflow 中的ModelCheckpoint 函數(shù)對模型訓(xùn)練過程中測試集損失值最小時(shí)的模型參數(shù)進(jìn)行保存。最后利用驗(yàn)證集對各個(gè)最優(yōu)模型進(jìn)行預(yù)測性能比較。實(shí)驗(yàn)過程中不變參數(shù)如表1所示。

表1 不變參數(shù)表Tab.1 Table of invariant parameters

3.3 數(shù)據(jù)處理和數(shù)據(jù)集劃分

因?yàn)閿?shù)據(jù)是從現(xiàn)場直接采集的，受設(shè)備故障以及人為操作失誤等問題而導(dǎo)致數(shù)據(jù)可能存在缺失或者異常值，因此在使用窗口函數(shù)對數(shù)據(jù)劃分前需要對數(shù)據(jù)進(jìn)行以下處理：

（1）檢測數(shù)據(jù)中的異常值（超大值、負(fù)值、零值）并進(jìn)行刪除留下空缺。

（2）利用線性插值法補(bǔ)齊缺失值，線性插值法的計(jì)算公式入式（1）所示：

式中：xk為要補(bǔ)齊的值；xw為xk前面最近的已知數(shù)據(jù)；xr為xk后面最近的已知數(shù)據(jù)。

（3）將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，可以加快梯度下降速度。如式（2）所示

式中：x′為標(biāo)準(zhǔn)化后的值；xmean為本指標(biāo)序列平均值；xstd為本指標(biāo)序列的標(biāo)準(zhǔn)偏差。

在對數(shù)據(jù)進(jìn)行基本處理后需要對數(shù)據(jù)進(jìn)行劃分。由于順序模型和encoder-decoder 模型的輸入不同。順序模型的輸入為廠出水處歷史數(shù)據(jù)+廠入水處歷史數(shù)據(jù)，encoder 輸入為廠入水處歷史數(shù)據(jù)，decoder 輸入為廠出水處歷史數(shù)據(jù)，兩種框架的輸出均為廠出水處未來預(yù)測值。本文從兩個(gè)時(shí)間維度上對模型性能進(jìn)行分析，其中短期預(yù)測模型的輸出為未來單步數(shù)據(jù)，長期預(yù)測時(shí)模型輸出為未來20 步的數(shù)據(jù)。本文模型輸入均為歷史20步，數(shù)據(jù)流如圖5所示。

圖5 模型輸入輸出數(shù)據(jù)流圖Fig.5 Model input and output data flow diagram

將處理好的數(shù)據(jù)集按照6∶2∶2劃分為訓(xùn)練集、測試集、驗(yàn)證集。訓(xùn)練集用于訓(xùn)練模型，測試集對訓(xùn)練模型進(jìn)行篩選，找出最佳的參數(shù)，驗(yàn)證集僅用于對訓(xùn)練好的模型進(jìn)行性能評估。

3.4 實(shí)驗(yàn)數(shù)據(jù)和實(shí)驗(yàn)環(huán)境

研究所使用的數(shù)據(jù)來源于吉林省某污水廠，記錄了2020年1月1日至2020年3月30日的相關(guān)數(shù)據(jù)，包括廠出水處數(shù)據(jù)（出水COD、NH3-N、TP、TN）和影響因素（進(jìn)水COD、入水NH3-N、溫度、降水量）。采樣間隔為30 min，共計(jì)4 320 個(gè)時(shí)間點(diǎn)數(shù)據(jù)。本文采用以上數(shù)據(jù)對模型進(jìn)行訓(xùn)練及預(yù)測，以預(yù)測廠出水處數(shù)據(jù)為目標(biāo)，故將出水處水質(zhì)指標(biāo)的未來預(yù)測值作為標(biāo)簽向量。數(shù)據(jù)經(jīng)過劃分后短期預(yù)測中訓(xùn)練集數(shù)為2 580，測試集及驗(yàn)證集數(shù)量為860；在長期預(yù)測中訓(xùn)練集數(shù)為2 568，測試集及驗(yàn)證集數(shù)量為856。

實(shí)驗(yàn)硬件環(huán)境為Intel i7-11800H 處理器，16G 內(nèi)存，NVIDIA GTX3070 顯卡。軟件環(huán)境為jupyter notebook，使用Python 語言編寫程序，使用Google研發(fā)的tensorflow 機(jī)器學(xué)習(xí)接口搭建神經(jīng)網(wǎng)絡(luò)，使用sklearn庫計(jì)算各個(gè)指標(biāo)。

4 結(jié)果和分析

為了對比本文encoder-decoder 結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)和順序結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)的預(yù)測效果，選擇擬合優(yōu)度（R2）、均方根誤差（RMSE）對模型進(jìn)行性能評價(jià)，使用公式如下所示。

R2的值在0～1 之間，越接近1 表明模型的擬合程度越高。RMSE表示預(yù)測值與真實(shí)值偏差的平方和與觀察次數(shù)比值的平方根，其值越小表示預(yù)測模型的偏差程度越小。

4.1 短期預(yù)測結(jié)果分析

將驗(yàn)證集輸入到訓(xùn)練好的各個(gè)模型中得到預(yù)測值，將預(yù)測值和真實(shí)值進(jìn)行對比，圖6 為驗(yàn)證集中100 步的出水COD 通過各個(gè)模型單步預(yù)測效果圖。

圖6 模型預(yù)測效果對比圖Fig.6 Comparison of model prediction results

通過4 種模型預(yù)測對比圖（圖6）可看出，4 種模型的預(yù)測值與真實(shí)值的變化趨勢基本一致，其中ED-GRU、GRU 模型的預(yù)測曲線和真實(shí)值曲線擬合度較高，說明ED-GRU、GRU 模型對復(fù)雜序列有較強(qiáng)的特征提取能力，不僅能準(zhǔn)確預(yù)測水質(zhì)變化趨勢，還能對水質(zhì)局部變化進(jìn)行較好的預(yù)測。最終通過兩種指標(biāo)量化各個(gè)出水指標(biāo)預(yù)測效果，表2為短期預(yù)測指標(biāo)表。

表2 模型短期預(yù)測指標(biāo)對比表Tab.2 Comparison of model short-term forecast indicators

由表2可以得出如下結(jié)論：

（1）ED-GRU 污水出水預(yù)測模型中的出水COD、出水NH3-N、出水TP、出水TN 指標(biāo)的均方根誤差為0.755 1、0.219 7、0.073 4、0.314 6，擬合優(yōu)度系數(shù)為0.901 3、0.933 2、0.916 7、0.953 2。結(jié)果證明，ED-GRU 在短期預(yù)測時(shí)的預(yù)測結(jié)果與真實(shí)值的誤差小、擬合程度高、水質(zhì)預(yù)測精度更高。

（2）encoder-decoder 結(jié)構(gòu)的兩種污水出水預(yù)測模型與傳統(tǒng)順序結(jié)構(gòu)的LSTM、GRU 相比，預(yù)測進(jìn)度有所提升。特別是EDGRU 模型相比順序結(jié)構(gòu)的GRU 模型均方根誤差分別降低了13.95%、38.42%、25.25%、11.92%，擬合優(yōu)度增加了5.25%、2.66%、10.75%、2.25%。結(jié)構(gòu)證明encoder-decoder 結(jié)構(gòu)可以提升復(fù)雜水質(zhì)環(huán)境下的污水廠出水水質(zhì)預(yù)測模型的預(yù)測準(zhǔn)確度。

（3）ED-GRU 模型比同結(jié)構(gòu)下的ED-LSTM 模型預(yù)測準(zhǔn)確度高，這是由于GRU具有更少的門控單元，因此參數(shù)更少、計(jì)算量更小、訓(xùn)練速度更快，可以降低由訓(xùn)練過程中的過擬合現(xiàn)象造成的影響并提高迭代速度，因此ED-GRU 模型具有更高的泛用性。

綜上所述，研究提出的ED-GRU 模型在預(yù)測出水COD、出水NH3-N、出水TP、出水TN水質(zhì)指標(biāo)在短期預(yù)測有著較高的預(yù)測精度。對比LSTM、GRU 和ED-GRU 模型，污水出水預(yù)測模型ED-GRU在短期預(yù)測精度上有不同程度的提升。

4.2 長期出水水質(zhì)預(yù)測結(jié)構(gòu)分析

對于模型在長期預(yù)測有效性及穩(wěn)定性進(jìn)行評估，將模型輸出設(shè)置為預(yù)測未來20步，圖7為一次預(yù)測時(shí)各個(gè)模型對出水TP的預(yù)測效果。

圖7 模型預(yù)測值與真實(shí)值對比圖Fig.7 Plot of model predicted versus true values

圖7順序結(jié)構(gòu)與encoder-decoder 結(jié)構(gòu)對比中的真實(shí)值是相同的，為了更直觀對比模型性能對圖標(biāo)幅值進(jìn)行了修改，從0.170～0.270 到0.220～0.235。其中順序結(jié)構(gòu)在進(jìn)行長序列預(yù)測時(shí)，部分點(diǎn)偏離真實(shí)值，預(yù)測效果不佳。encoder-decoder 結(jié)構(gòu)模型進(jìn)行長序列預(yù)測時(shí)，能較好的預(yù)測出水質(zhì)趨勢，相比于順序結(jié)構(gòu)偏離較小，預(yù)測效果有一定提升。

通過表3可知：

表3 模型長期預(yù)測指標(biāo)對比表Tab.3 Comparison of model long-term forecast indicators

（1）時(shí)間步長對預(yù)測結(jié)果影響較大，在長期預(yù)測時(shí)模型準(zhǔn)確度相比短期預(yù)測準(zhǔn)確度都有著較大的差距。模型在以較長時(shí)間步長進(jìn)行預(yù)測時(shí)，會將上一個(gè)預(yù)測結(jié)果考慮在內(nèi)，所以在長步長預(yù)測時(shí)，模型預(yù)測準(zhǔn)確性有所下降。

（2）ED-GRU 污水出水預(yù)測模型中的出水COD、出水NH3-N、出水TP、出水TN 指標(biāo)的均方根誤差為1.720 4、1.768 9、0.447 8、0.831 6，擬合優(yōu)度系數(shù)為0.484 9、0.550 7、0.450 2、0.759 5。結(jié)果證明，ED-GRU 在短期預(yù)測時(shí)的預(yù)測結(jié)果與真實(shí)值的誤差小、擬合程度高、水質(zhì)預(yù)測精度高。

（3）ED-GRU 和ED-LSTM 模型相比順序結(jié)構(gòu)的GRU 和LSTM模型準(zhǔn)確度更優(yōu)。其中ED-GRU相比順序結(jié)構(gòu)GRU模型均方根誤差分別降低了40.21%、27.95%、34.16%、25.22%，擬合優(yōu)度增加了65.38%、53.69%、38.18%、17.44%。說明encoderdecoder 結(jié)構(gòu)能夠緩解長步長預(yù)測時(shí)的模型誤差迅速增加的趨勢，實(shí)現(xiàn)更為準(zhǔn)確的污水出水水質(zhì)長期預(yù)測。

綜上所述，研究提出的ED-GRU 模型不論時(shí)短期預(yù)測還是長期預(yù)測，在對復(fù)雜水質(zhì)環(huán)境下的污水出水預(yù)測有著較高的預(yù)測精度。對比常用的順序結(jié)構(gòu)的LSTM 和GRU 和ED-LSTM 水質(zhì)預(yù)測模型，ED-GRU 在預(yù)測精度上有不同程度的提升，說明ED-GRU 模型預(yù)測的方法在對于復(fù)雜程度高、高非線性的數(shù)據(jù)具有更好的擬合能力和魯棒性。特別是在長期預(yù)測時(shí)encoderdecoder結(jié)構(gòu)的模型對長步長預(yù)測有著更強(qiáng)的特征提取能力。

5 結(jié)論

（1）提出了一種基于encoder-decoder 結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，實(shí)驗(yàn)表明encoder-decoder 結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)比順序結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)有更好的預(yù)測效果，特別是ED-GRU 網(wǎng)絡(luò)在對本例CASS 工藝污水出水COD、出水NH3-N、出水TP、出水TN 指標(biāo)預(yù)測中取得了良好的效果，相比順序結(jié)構(gòu)GRU 模型在短期預(yù)測中RMSE降低11.92%～38.42%，R2增加2.25%～10.75%，能夠預(yù)測出水質(zhì)在短期內(nèi)的變化趨勢；在長期預(yù)測中RMSE降低25.22%～41.21%以上，R2增加17.44%～65.38%，可以預(yù)測出水質(zhì)在未來變化的總體趨勢。

（2）采取了多指標(biāo)輸入來預(yù)測多指標(biāo)輸出策略，將影響污水處理過程的環(huán)境因素引入，這可以讓模型在復(fù)雜環(huán)境中應(yīng)用。本文使用污水廠出水入水處兩點(diǎn)數(shù)據(jù)進(jìn)行預(yù)測，可以根據(jù)污水處理廠的實(shí)際情況進(jìn)行分析并采取不同的預(yù)測指標(biāo)進(jìn)行預(yù)測，具有一定實(shí)際意義。

（3）在未來的工作中，可以嘗試更多的算法對模型預(yù)測效果進(jìn)行提升特別是在長期預(yù)測中，并且可以為將來神經(jīng)網(wǎng)絡(luò)和預(yù)測控制模型進(jìn)行結(jié)合，根據(jù)污水出水預(yù)測數(shù)據(jù)對污水處理工藝進(jìn)行優(yōu)化。