基于PSO-LSTM-SATN模型的污水水质预测研究

doi:10.19965/j.cnki.iwt.2024-0428

摘要/Abstract

摘要：

为解决工业废水处理领域进水水质波动性大、随机性强、不具有周期性导致无法精准预测其水质的问题，提出粒子群优化算法（Particle Swarm Optimization，PSO）-长短期记忆网络模型（Long Short-Term Memory，LSTM）-自注意力机制（Self-Attention，SATN）污水水质预测模型。以山西省某煤炭水处理工厂7 357组历史污水水质数据为基础，首先采用LSTM捕获进水水质中COD数据的长期依赖关系，然后采用SATN解决水质信息分布不均匀的问题，最后结合PSO对LSTM-SATN模型进行优化，帮助网络自动获取最佳参数和模型配置。评价结果显示，模型均方误差（Mean Square Error，MSE）、平均绝对误差（Mean Absolute Error，MAE）和平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）分别为0.528 4 （mg/L）²、0.236 9 mg/L和4.127 7%，与LSTM、门控循环单元结构（Gated Recurrent Unit，GRU）、双向长短期记忆网络（Bidirectional Long Short-Term Memory，BiLSTM）相比，MSE、MAE、MAPE均有大幅降低，即该PSO-LSTM-SATN模型能够更准确地预测进水水质，为工厂日常运营管理方案提供合理的指导意见。

关键词: 污水水质预测, 长短期记忆网络模型, 粒子群优化算法, 自注意力机制

Abstract:

In order to solve the problem of large fluctuations, strong randomness, and lack of periodicity in the inflow water quality of industrial wastewater treatment, Particle Swarm Optimization(PSO)-Long Short-Term Memory (LSTM)-Self-Attention(SATN) sewage quality prediction model was proposed. Based on 7 357 sets of historical wastewater quality data from a coal water treatment plant in Shanxi Province, LSTM was firstly used to capture the long-term dependence relationship of COD datas in the influent water quality. Then SATN was used to solve the problem of uneven distribution of water quality information. Finally, PSO was combined to optimize the LSTM-SATN model, which helped the network automatically to obtain the best parameters and model configuration. The results showed that the Mean Square Error(MSE) of the model was 0.528 4 (mg/L)², the Mean Absolute Error(MAE) was 0.236 9 mg/L, and the Mean Absolute Percentage Error(MAPE) was 4.127 7%. Compared with the LSTM, Gated Recurrent Unit(GRU) and Bidirectional Long Short-Term Memory Network(BiLSTM), the MSE, MAE, and MAPE of the proposed model were significantly reduced. The PSO-LSTM-SATN model could more accurately predict the inflow water quality and provide reasonable guidance for the daily operation and management plan of the factory.

Key words: sewage water quality prediction, Long Short-Term Memory, Particle Swarm Optimizatio, Self-Attention

中图分类号:

TP183
X703

杨潞霞, 王智瑜, 沈帅杰, 马永杰, 付一政. 基于PSO-LSTM-SATN模型的污水水质预测研究[J]. 工业水处理, 2025, 45(6): 159-166.

Luxia YANG, Zhiyu WANG, Shuaijie SHEN, Yongjie MA, Yizheng FU. Research on sewage water quality prediction based on the PSO-LSTM-SATN model[J]. Industrial Water Treatment, 2025, 45(6): 159-166.

https://www.iwt.cn/CN/Y2025/V45/I6/159

图/表 9

图1 PSO-LSTM-SATN模型结构

Fig.1 Structure of PSO-LSTM-SATN model

图2 LSTM神经网络原理

Fig.2 Principle of LSTM neural network

图3 SATN原理

Fig.3 Principle of SATN

图4 COD时间序列简况

Fig.4 Brief of COD time series

表1 数据集划分方式

Table 1 Data set division method

数据集		训练集	测试集
污水进水水质数据	起始时间	2022-01-01 0：00：00	2022-09-03 7：00：00
污水进水水质数据	终止时间	2022-09-03 6：00：00	2022-11-03 13：00：00

表2 消融实验结果

Table 2 Ablation experiment results

模型	评价指标
模型	MSE/（mg²·L^-2）	MAE/（mg·L^-1）	MAPE/%
LSTM	0.640 1	0.294 2	5.609 5
PSO+LSTM	0.558 1	0.239 4	4.069 9
LSTM+SATN	0.561 5	0.275 8	5.040 4
PSO+LSTM+SATN	0.528 4	0.236 9	4.127 7

图5 不同模型组合预测结果

Fig.5 Prediction results of different module combinations

表3 不同方法对比结果

Table 3 Comparison results of different methods

模型	评价指标
模型	MSE/ （mg²·L^-2）	MAE/ （mg·L^-1）	MAPE/%
LSTM	0.640 1	0.294 2	5.609 5
GRU	0.663 2	0.286 7	4.909 6
BiLSTM	0.657 1	0.325 9	5.985 7
PSO-LSTM-SATN	0.528 4	0.236 9	4.127 7

图6 不同方法预测结果

Fig.6 Prediction results of different methods

参考文献 20

1	张兰，叶琪瑶，李立，等. 钱塘江南源流域异常水质预测及影响因素分析［J］. 中国环境监测，2023，39（）：27-35.
	ZHANG Lan， YE Qiyao， LI Li，et al. Prediction of abnormal water quality and analysis of influencing factors in the southern source of Qiantang River Basin［J］. Environmental Monitoring in China，2023，39（S1）：27-35.
2	王海涛，宋文，王辉. 一种基于LSTM和CNN混合模型的文本分类方法［J］. 小型微型计算机系统，2020，41（6）：1163-1168.
	WANG Haitao， SONG Wen， WANG Hui. Text classification method based on hybrid model of LSTM and CNN［J］. Journal of Chinese Computer Systems，2020，41（6）：1163-1168.
3	郭利进，许瑞伟. 基于改进果蝇算法的LSTM在水质预测中的应用［J］. 长江科学院院报，2023，40（8）：57-63.
	GUO Lijin， XU Ruiwei. Application of LSTM model combining improved fruit-fly algorithm after seasonal-trend decomposition using LOESS to water quality prediction［J］. Journal of Changjiang River Scientific Research Institute，2023，40（8）：57-63.
4	姚怡帆，荆玉姝，王丽艳，等. 基于集成模型的污水处理厂出水总氮预测方法［J］. 工业水处理，2023，43（9）：187-194.
	YAO Yifan， JING Yushu， WANG Liyan，et al. Prediction method of total nitrogen in wastewater treatment plant based on integrated model［J］. Industrial Water Treatment，2023，43（9）：187-194.
5	陈湛峰，李晓芳. 基于注意力机制优化的BiLSTM珠江口水质预测模型［J］. 环境科学，2024，45（6）：3205-3213.
	CHEN Zhanfeng， LI Xiaofang. Water quality prediction model for the Pearl River Estuary based on BiLSTM improved with attention mechanism［J］. Environmental Science，2024，45（6）：3205-3213.
6	QIAO Junfei， LIN Yongze， BI Jing，et al. Attention-based spatiotemporal graph fusion convolution networks for water quality prediction［J］. IEEE Transactions on Automation Science and Engineering，2024，22：1-10. doi:10.1109/tase.2023.3285253
7	余婷梃. 基于智能优化极限学习机的城市污水处理厂水质预测与分析［D］. 重庆：重庆工商大学，2019. doi:10.3390/w10070873
	YU Tingting. Prediction and analysis of water quality of urban sewage treatment plant based on intelligent optimization extreme learning machine［D］. Chongqing：Chongqing Technology and Business University，2019. doi:10.3390/w10070873
8	XU He， Bin LÜ， CHEN Jie，et al. Research on a prediction model of water quality parameters in a marine ranch based on LSTM-BP［J］. Water，2023，15（15）：2760. doi:10.3390/w15152760
9	兰小机，贺永兰，武帅文. 基于RF-BiLSTM模型的河流水质预测［J］. 长江科学院院报，2024，41（7）：57-63.
	LAN Xiaoji， HE Yonglan， WU Shuaiwen. River water quality prediction based on RF-BiLSTM model［J］. Journal of Changjiang River Scientific Research Institute，2024，41（7）：57-63.
10	胡衍坤，王宁，刘枢，等. 时间序列模型和LSTM模型在水质预测中的应用研究［J］. 小型微型计算机系统，2021，42（8）：1569-1573.
	HU Yankun， WANG Ning， LIU Shu，et al. Research on application of time series model and LSTM model in water quality prediction［J］. Journal of Chinese Computer Systems，2021，42（8）：1569-1573.
11	秦音，郭杜杜，周飞，等. 零担物流时序预测的SARIMA-GRU-BPNN组合模型及应用［J］. 计算机工程与应用，2024，60（19）：297-308.
	QIN Yin， GUO Dudu， ZHOU Fei，et al. Combined SARIMA-GRU-BPNN model for LTL logistics time series prediction and application［J］. Computer Engineering and Applications，2024，60（19）：297-308.
12	KIM T Y， CHO S B. Predicting residential energy consumption using CNN-LSTM neural networks［J］. Energy，2019，182：72-81. doi:10.1016/j.energy.2019.05.230
13	XU Rui， WANG Deke， LI Jian，et al. A hybrid deep learning model for air quality prediction based on the time-frequency domain relationship［J］. Atmosphere，2023，14（2）：405. doi:10.3390/atmos14020405
14	朱张莉，饶元，吴渊，等. 注意力机制在深度学习中的研究进展［J］. 中文信息学报，2019，33（6）：1-11. doi:10.3969/j.issn.1003-0077.2019.06.001
	ZHU Zhangli， RAO Yuan， WU Yuan，et al. Research progress of attention mechanism in deep learning［J］. Journal of Chinese Information Processing，2019，33（6）：1-11. doi:10.3969/j.issn.1003-0077.2019.06.001
15	LIU Xin， SHI Qiming， LIU Zhen，et al. Using LSTM neural network based on improved PSO and attention mechanism for predicting the effluent COD in a wastewater treatment plant［J］. IEEE Access，2021，9：146082-146096. doi:10.1109/access.2021.3123225
16	唐晓灵，刘嘉敏. 基于PSO-LSTM网络模型的建筑碳排放峰值预测［J］. 科技管理研究，2023，43（1）：191-198.
	TANG Xiaoling， LIU Jiamin. Forecast of peak carbon emissions of buildings based on PSO-LSTM model［J］. Science and Technology Management Research，2023，43（1）：191-198.
17	YAN Jianzhuo， CHEN Xinyue， YU Yongchuan，et al. Application of a parallel particle swarm optimization-long short term memory model to improve water quality data［J］. Water，2019，11（7）：1317. doi:10.3390/w11071317
18	ZHANG Qiang， WANG Ruiqi， QI Ying，et al. A watershed water quality prediction model based on attention mechanism and BiLSTM［J］. Environmental Science and Pollution Research International，2022，29（50）：75664-75680. doi:10.1007/s11356-022-21115-y
19	郭晓静，徐晓慧，郭佳豪. 基于改进GRU的航空发动机寿命预测自注意力优化算法［J/OL］. 航空动力学报，2024：1-13.［2024-01-05］. DOI：10.13224/j.cnki.jasp.20220984 .
	GUO Xiaojing， XU Xiaohui， GUO Jiahao. Self-attention optimization algorithm for aeroengine life prediction based on improved GRU［J/OL］. Acta Aerodynamics，2024：1-13.［2024-01-05］. DOI：10.13224/j.cnki.jasp.20220984 .
20	陈铁，陈一夫，李咸善，等. 基于CEEMDAN-SG-BiLSTM的变压器油中溶解气体体积分数预测［J］. 高压电器，2023，59（12）：168-175.
	CHEN Tie， CHEN Yifu， LI Xianshan，et al. Prediction for dissolved gas concentration in power transformer oil based on CEEMDAN-SG-BiLSTM［J］. High Voltage Apparatus，2023，59（12）：168-175.

[1]	袁沐坤, 于广平, 刘坚, 李健. 基于感知-决策-评估的污水处理智能曝气方法[J]. 工业水处理, 2022, 42(4): 65-72.
[2]	高强, 赵阳. 工业循环冷却水腐蚀速率模型的研究[J]. 工业水处理, 2015, 35(6): 65-67.
[3]	徐波, 贾铭椿, 门金凤. 神经网络预测改性海绵铁除氧效果的研究[J]. 工业水处理, 2012, 32(9): 29-31.
[4]	高强, 李荣, 张凌峰, 董超. 循环冷却水系统的黏附速率预测模型的研究[J]. 工业水处理, 2012, 32(2): 44-46.

选择文件类型/文献管理软件名称

选择包含的内容