基于机器学习算法的炼化污水厂出水水质预测模型研究

doi:10.19965/j.cnki.iwt.2024-0515

工业水处理 ›› 2025, Vol. 45 ›› Issue (7): 81-93. doi: 10.19965/j.cnki.iwt.2024-0515

基于机器学习算法的炼化污水厂出水水质预测模型研究

陈霖¹(), 刘浩威¹, 王庆宏¹, 冯光明², 詹亚力¹, 王强³, 陈春茂¹()

^1. 中国石油大学（北京）化学工程与环境学院，石油石化污染物控制与处理国家重点实验室，北京 102249
^2. 中国石油天然气股份有限公司华北油田巴彦勘探开发分公司，内蒙古巴彦淖尔 015000
^3. 葫芦岛市生态环境保护综合行政执法队，辽宁葫芦岛 125080

收稿日期:2024-10-14 出版日期:2025-07-20 发布日期:2025-07-22
通讯作者: 陈春茂
作者简介:
陈霖（1997—　），在读博士，E-mail：13121196975@163.com。
基金资助:
中国石油天然气股份有限公司十四五前瞻性基础性战略性技术研究项目(2022DJ6904)

Research on the prediction model of effluent quality in petrochemical industries wastewater treatment plants based on optimized machine learning algorithms

Lin CHEN¹(), Haowei LIU¹, Qinghong WANG¹, Guangming FENG², Yali ZHAN¹, Qiang WANG³, Chunmao CHEN¹()

^1. State Key Laboratory of Heavy Oil Processing, College of Chemical Engineering and Environment, China University of Petroleum(Beijing), Beijing 102249, China
^2. Bayan Exploration and Development Branch of North China Oilfield, NCPC, Bayannur 015000, China
^3. Huludao City Comprehensive Administrative Law Enforcement Team for Environmental Protection, Huludao 125080, China

Received:2024-10-14 Online:2025-07-20 Published:2025-07-22
Contact: Chunmao CHEN

摘要/Abstract

摘要：

炼化企业生产工艺流程复杂且装置繁多，污水水质和水量波动大，下游响应调控滞后，水质超标问题难以避免，亟需构建高效水质预测模型。以广东省某炼化企业2023年全年监测池出水水质数据为基础，构建水质预测模型。结果表明：插值算法可以实现对炼化污水缺失数据的有效填充；出水硫化物（HS）、总氮（TN）、总有机碳（TOC）、五日生化需氧量（BOD₅）、pH与化学需氧量（COD）未表现出明显的相关性，多参数预测模型无法捕获数据特征；选用反向传播-神经网络（BP-NN）与支持向量回归机（SVR）为基础算法构建的时间序列预测模型可以大幅提高预测准确性，变异粒子群算法（MPSO）可以实现对BP-NN权值、阈值以及SVR惩罚因子c和核函数参数g的显著优化；MPSO-BP-NN模型在测试集中对COD的预测精度最高，决定系数（R ²）和相关系数（r）分别为0.81和0.89，MAE、RMSE、MBE和MAPE分别为1.10 mg/L、1.63 mg/L、-0.25 mg/L和2.58%；现场验证结果表明MPSO-BP-NN模型有较好的稳定性和泛化能力，可以显著提升预测水质数据的时效性，为炼化污水处理系统上游工艺参数的调控提供理论指导，保障系统长周期平稳运行。

关键词: 炼化污水, 水质预测, 相关性分析, 机器学习, 算法优化

Abstract:

The production processes in petrochemical enterprises are characterized by intricate workflows and numerous installations, leading to significant fluctuations in wastewater quality and volume. Downstream response regulation often suffers from delays, making it challenging to prevent the exceeding of water quality. There is an urgent need to establish an efficient water quality prediction model. This study developed a predictive model based on annual 2023 effluent water quality data from the monitoring tank of a petrochemical enterprise in Guangdong Province. The results demonstrated that interpolation algorithms effectively imputed missing data in petrochemical wastewater. Effluent parameters, including hydrogen sulfide (HS), total nitrogen (TN), total organic carbon (TOC), five-day biochemical oxygen demand (BOD₅), pH, and chemical oxygen demand (COD), exhibited no significant correlations, rendering multi-parameter prediction models ineffective in capturing data characteristics. Time-series models constructed using backpropagation neural networks (BP-NN) and support vector regression (SVR) as foundational algorithms significantly improved prediction accuracy. Modified particle swarm optimization (MPSO) effectively optimized the weights and thresholds of BP-NN, as well as the penalty factor (c) and kernel function parameter (g) of SVR. The MPSO-BP-NN model achieved the highest prediction accuracy for COD in the test set, with a coefficient of determination (R²) of 0.81 and a correlation coefficient (r) of 0.89. The mean absolute error (MAE), root mean square error (RMSE), mean bias error (MBE), and mean absolute percentage error (MAPE) were 1.10 mg/L, 1.63 mg/L, -0.25 mg/L, and 2.58%, respectively. Field validation confirmed the robustness and generalization capability of the model, with significantly enhanced the timeliness of water quality predictions. This model provides theoretical guidance for optimizing upstream process parameters and ensuring long-term stable operation in petrochemical wastewater treatment systems.

Key words: refining wastewater, water quality prediction, correlation analysis, machine learning, algorithm optimization

中图分类号:

X703
X52

陈霖, 刘浩威, 王庆宏, 冯光明, 詹亚力, 王强, 陈春茂. 基于机器学习算法的炼化污水厂出水水质预测模型研究[J]. 工业水处理, 2025, 45(7): 81-93.

Lin CHEN, Haowei LIU, Qinghong WANG, Guangming FENG, Yali ZHAN, Qiang WANG, Chunmao CHEN. Research on the prediction model of effluent quality in petrochemical industries wastewater treatment plants based on optimized machine learning algorithms[J]. Industrial Water Treatment, 2025, 45(7): 81-93.

https://www.iwt.cn/CN/Y2025/V45/I7/81

图/表 20

图1 2023年出水水质指标有效数据分布

Fig.1 Distribution of effective data of effluent water quality index in 2023

图2 BP-NN模型结构示意

Fig.2 Schematic diagram of BP-NN model structure

图3 SVR模型结构示意

Fig.3 Schematic diagram of SVR model structure

图4 不同模型中MPSO粒子结构示意

Fig.4 Schematic diagram of MPSO particle structure in different models

图5 K-CV算法示意

Fig.5 Schematic diagram of K-CV algorithm

图6 数据填充结果及分布

Fig.6 Data filling results and distribution

图7 离群数据剔除前后参数对比

Fig.7 Comparison of parameters before and after removing outlier data

图8 PCC和SCC相关性分析结果

Fig. 8 Correlation analysis results between PCC and SCC

表1 4月现场部分水质数据

Table 1 Partial water quality data on site in April

日期	HS/（mg·L^-1）	TN/（mg·L^-1）	TOC/（mg·L^-1）	BOD₅/ （mg·L^-1）	pH	COD/（mg·L^-1）
4月3日	17.5	0.005	7.8	16.2	4.4	38
4月4日	5.7	0.005	7.7	14.2	9.4	44
4月5日	11.7	0.007	8.2	14.4	3.7	19
4月6日	15	0.005	7.8	14.3	26	33
4月7日	8.5	0.003	7.7	9.8	3.6	33
4月8日	11.2	0.005	7.8	17.6	20	29

图9 多参数SVR模型预测结果

Fig.9 Multi parameter SVR model prediction results

图10 炼化企业污水处理系统部分工艺流程

Fig.10 Partial process flow of wastewater treatment system in petrochemical industries

图11 不同因素对模型训练结果的影响

Fig.11 Influence of different factors on model training results

图12 不同核函数对模型训练结果的影响

Fig.12 Influence of different kernel functions on model training results

图13 BP-NN和MPSO-BP-NN模型预测结果

Fig.13 Prediction results of BP-NN and MPSO-BP-NN models

图14 BP-NN和MPSO-BP-NN模型预测结果分布

Fig.14 Distribution of prediction results for BP-NN and MPSO-BP-NN models

图15 GS算法运行结果

Fig.15 GS algorithm running results

图16 GS-SVR和MPSO-SVR模型预测结果

Fig.16 Prediction results of GS-SVR and MPSO-SVR models

图17 GS-SVR和MPSO-SVR模型预测结果分布

Fig.17 Distribution of prediction results for GS-SVR and MPSO-SVR models

表2 4种模型在测试集上预测性能对比

Table 2 Comparison of predictive performance of four types of models on the test set

模型	R ²	r	RMSE/（mg·L^-1）	MAPE/%	MAE/（mg·L^-1）	MBE/（mg·L^-1）
BP-NN	0.65	0.81	2.40	3.73	1.59	-0.28
MPSO-BP-NN	0.81	0.89	1.63	2.58	1.10	-0.25
GS-SVR	0.67	0.82	2.07	3.19	1.29	0.49
MPSO-SVR	0.78	0.88	1.65	2.60	1.11	0.31

图18 模型泛化能力验证结果

Fig.18 Verification of on-site model prediction results

参考文献 25

[1]	叶黄凡. 重质油炼制污水污染特性及其处理工艺的综合评价研究［D］. 北京：中国石油大学（北京），2021.
	YE Huangfan. Study on pollution characteristics of heavy oil refining wastewater and comprehensive evaluation of its treatment process［D］. Beijing：China University of Petroleum（Beijing），2021.
[2]	张瑞哲. 基于生物膜法炼化高浓度难降解污水的生物强化技术研究［D］. 北京：中国石油大学（北京），2022.
	ZHANG Ruizhe. Research on bioaugmentation technology for refractory high-concentration petrochemical wastewater treatment based on biofilm process［D］. Beijing：China University of Petroleum（Beijing），2022.
[3]	ZHANG Bingliang， SHAN Chao， HAO Zhineng，et al. Transformation of dissolved organic matter during full-scale treatment of integrated chemical wastewater：Molecular composition correlated with spectral indexes and acute toxicity［J］. Water Research，2019，157：472-482. doi:10.1016/j.watres.2019.04.002
[4]	卢巧梅. 在线监测技术在环境监测中的有效应用探讨［J］. 皮革制作与环保科技，2023，4（21）：144-146.
[5]	张亚雷，李咏梅. 活性污泥数学模型［M］. 上海：同济大学出版社，2000.
[6]	INSEL G，SIN G， LEE D S，et al. A calibration methodology and model-based systems analysis for SBRs removing nutrients under limited aeration conditions［J］. Journal of Chemical Technology & Biotechnology，2006，81（4）：679-687. doi:10.1002/jctb.1464
[7]	ZARE A H. Evaluation of multivariate linear regression and artificial neural networks in prediction of water quality parameters［J］. Journal of Environmental Health Science & Engineering，2014，12（1）：40. doi:10.1186/2052-336x-12-40
[8]	LIU Hongbin， ZHANG Yuchen， ZHANG Hao. Prediction of effluent quality in papermaking wastewater treatment processes using dynamic kernel-based extreme learning machine［J］. Process Biochemistry，2020，97：72-79. doi:10.1016/j.procbio.2020.06.020
[9]	HAMEED M， SHARQI S S， YASEEN Z M，et al. Application of artificial intelligence（AI） techniques in water quality index prediction：A case study in tropical region，Malaysia［J］. Neural Computing and Applications，2017，28（1）：893-905. doi:10.1007/s00521-016-2404-7
[10]	张秀菊，王柳林，李秀平，等. 基于BP神经网络的潇河流域水质预测［J］. 水资源与水工程学报，2021，32（5）：19-26.
	ZHANG Xiuju， WANG Liulin， LI Xiuping，et al. Water quality prediction of the Xiaohe River Basin based on BP neural network model［J］. Journal of Water Resources and Water Engineering，2021，32（5）：19-26.
[11]	WU Jing， LI Zhenbo， ZHU Ling，et al. Optimized BP neural network for dissolved oxygen prediction［J］. IFAC-PapersOnLine，2018，51（17）：596-601. doi:10.1016/j.ifacol.2018.08.132
[12]	琚振闯，王晓，弓艳霞. 基于BP神经网络的黄河水质预测研究［J］. 青海大学学报，2017，35（3）：88-92.
	JU Zhenchuang， WANG Xiao， GONG Yanxia. Prediction of water quality in Yellow River based on BP neural network model［J］.Journal of Qinghai University，2017，35（3）：88-92.
[13]	宋贤民. 基于支持向量机的出水TP软测量［J］. 科技信息，2009（3）：454.
	SONG Xianmin. Soft sensing of effluent TP based on support vector machine［J］. Science & Technology Information，2009（3）：454.
[14]	许玥，刘惠康. 污水曝气污染物浓度预测及其成本最优控制［J］. 人民长江，2018，49（16）：24-29.
	XU Yue， LIU Huikang. Pollution concentration prediction of sewage aeration treatment and its optimal cost control［J］. Yangtze River，2018，49（16）：24-29.
[15]	ZHOU Zhihua. Support vector machine［M］//Machine Learning.Singapore：Springer Singapore，2021：129-153. doi:10.1007/978-981-15-1967-3_6
[16]	薛同来，赵冬晖，韩菲. 基于GA优化的SVR水质预测模型研究［J］. 环境工程，2020，38（3）：127.
	XUE Tonglai， ZHAO Donghui， HAN Fei. SVR water quality prediction model based on GA optimization［J］. Environmental Engineering，2020，38（3）：127.
[17]	BAGHERI M， MIRBAGHERI S A， EHTESHAMI M，et al.Modeling of a sequencing batch reactor treating municipal wastewater using multi-layer perceptron and radial basis function artificial neural networks［J］.Process Safety and Environmental Protection，2015，93：111-123. doi:10.1016/j.psep.2014.04.006
[18]	HUANG Mingzhi， MA Yongwen， WAN Jinquan，et al.A sensor-software based on a genetic algorithm-based neural fuzzy system for modeling and simulating a wastewater treatment process［J］.Applied Soft Computing，2015，27：1-10. doi:10.1016/j.asoc.2014.10.034
[19]	EDEN S K， LI Chun， SHEPHERD B E.Nonparametric estimation of Spearman’s rank correlation with bivariate survival data［J］.Biometrics，2022，78（2）：421-434. doi:10.1111/biom.13453
[20]	NISHIYAMA M， FILION Y. Forecasting water main failure using artificial neural network and generalized linear models［C］//World Environmental and Water Resources Congress 2013. Cincinnati，Ohio.Reston，VA：American Society of Civil Engineers，2013. doi:10.1061/9780784412947.068
[21]	马创，王尧，李林峰. 基于遗传算法与支持向量机的水质预测模型［J］. 重庆大学学报，2021，44（7）：108-114.
	MA Chuang， WANG Yao， LI Linfeng. A water quality prediction model based on genetic algorithm and SVM［J］. Journal of Chongqing University，2021，44（7）：108-114.
[22]	YE Huangfan， YANG Baiyu， WANG Qinghong，et al. Influences of integrated coagulation-ozonation pretreatment on the characteristics of dissolved organic pollutants（DOPs） of heavy oil electric desalting wastewaters［J］. Journal of Environmental Management，2021，300：113756. doi:10.1016/j.jenvman.2021.113756
[23]	KOU Yue， YANG Baiyu， JIANG Juntao，et al. Characteristics of dissolved organic matter in point-source wastewaters at a petrochemical plant：Molecular constituents and contributions to the influent of wastewater treatment plant［J］. Environmental Research，2023，238：117157. doi:10.1016/j.envres.2023.117157
[24]	ROOHI A M， NAZIF S， RAMAZI P. Tackling data challenges in forecasting effluent characteristics of wastewater treatment plants［J］.Journal of Environmental Management，2024，354：120324. doi:10.1016/j.jenvman.2024.120324
[25]	ZHOU Xinhui， WANG Jianping， LIU Yiran，et al. Deep learning with PID residual elimination network for time-series prediction of water quality in aquaculture industry［J］. Computers and Electronics in Agriculture，2023，212：108125. doi:10.1016/j.compag.2023.108125

选择文件类型/文献管理软件名称

选择包含的内容

基于机器学习算法的炼化污水厂出水水质预测模型研究

Research on the prediction model of effluent quality in petrochemical industries wastewater treatment plants based on optimized machine learning algorithms

RichHTML

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 20

参考文献 25

相关文章 15

编辑推荐

Metrics

本文评价

[1]	刘良才, 毛文煜, 郑逸洁, 戴泽军, 胡启星, 胡智泉, 陈鹏, 郑军, 刘李侃. 优化算法在污水处理中的应用进展[J]. 工业水处理, 2025, 45(7): 11-18.
[2]	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.
[3]	许慕舰, 计成汉, 袁岭, 孔德洋, 张孝林, 吕路, 张炜铭. 基于混合模型的重金属吸附树脂穿透曲线预测[J]. 工业水处理, 2025, 45(5): 54-61.
[4]	陈霖, 晏欣, 唐智和, 冉照宽, 李斌莲, 栾辉, 陈春茂. 基于优化支持向量回归机的气浮单元水质预测模型[J]. 工业水处理, 2025, 45(5): 157-165.
[5]	刘浩威, 陈霖, 李巨峰, 晏欣, 冉照宽, 栾辉, 陈春茂. 基于数据驱动的污水处理系统水质预测研究进展[J]. 工业水处理, 2025, 45(4): 1-9.
[6]	顾先涛, 樊培培, 陈晓春, 高宇祥, 周仲康, 张俊杰, 马晓薇, 计巧珍, 吴妍, 徐亚艳, 董浩声, 段忠辛, 杨林, 高忠辉. 特高压换流站调相机外冷水系统腐蚀结垢预测模型研究[J]. 工业水处理, 2025, 45(2): 132-137.
[7]	冯丁, 刘晶静, 马文丹, 刘玉学, 杨尘, 张萌萌. 基于机器学习的生物炭吸附重金属建模研究进展[J]. 工业水处理, 2024, 44(12): 1-11.
[8]	姚怡帆, 荆玉姝, 王丽艳, 刘长青. 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.
[9]	戴泽军, 毛文煜, 刘良才, 黄明, 王静, 胡智泉. 造纸法烟草薄片废水化学需氧量的快速预测[J]. 工业水处理, 2023, 43(7): 194-201.
[10]	张浩良, 刘聪, 洪乾坤, 王侃鸣, 王红宇. MBR中膜污染的人工神经网络预测研究进展[J]. 工业水处理, 2022, 42(7): 15-23.
[11]	林亚祥. MDEA消泡剂在炼化脱硫与污水处理系统中的应用[J]. 工业水处理, 2021, 41(8): 127-131.
[12]	侯晓峰,赵谨,寇悦,叶黄凡,陈春茂. 炼化污水生化工艺处理效果综合评价及数字化应用[J]. 工业水处理, 2021, 41(7): 70-76.
[13]	贾朋,陈家庆,蔡小垒,丁国栋,何庆生,王贵宾,陈长顺. 炼化污水化学混凝净化处理效果影响的实验研究[J]. 工业水处理, 2021, 41(1): 77-82.
[14]	聂凡,吴百春,何东明,李玉果,仝坤,张晓飞. 炼化污水处理厂降耗及资源能量回收模式探讨[J]. 工业水处理, 2020, 40(9): 23-29.
[15]	王超, 王昊, 陈军, 石硕年. MBR膜专用消泡剂在炼化废水MBR系统中的应用[J]. 工业水处理, 2015, 35(12): 74-76.

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

基于机器学习算法的炼化污水厂出水水质预测模型研究

Research on the prediction model of effluent quality in petrochemical industries wastewater treatment plants based on optimized machine learning algorithms

RichHTML

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 20

参考文献 25

相关文章 15

编辑推荐

Metrics

本文评价