随着经济的高速发展与居民生活水平的提升,我国水环境污染问题逐渐恶化。为了构建绿色可持续的发展型社会环境,相关部门对污水厂排放指标提出了更高的要求。然而,现阶段污水厂为了达标排放,常采用粗放、保守的方式进行管理,缺乏智能化管理方案。此外,污水处理过程是多变量、非线性、强耦合系统,具有高度复杂性。因此,污水处理管理方案面临着诸多挑战。近年来,主流的污水处理系统管理方案可分为两类:ASMs模型和数据驱动模型。前者通过污水处理众多反应过程进行建模,具有较好的表达效果,但该方案高度依赖大量模型参数,且测量方法复杂,难以及时应对复杂的污水处理过程。而数据驱动模型从统计理论的角度挖掘数据中潜藏的样本特征和规律,以提高污水处理智能化管理水平,但该方案对污水处理过程进行高度抽象化建模,忽视了生化机理对污水处理的影响。因此,本文基于中试系统提出了结合ASM 2D模型与数据驱动模型的智能化管理方案,以提升污水处理管理水平。本文主要展开了3方面研究:第一,基于A~2O工艺的ASM模型构建及数据增强方案。首先,通过充分调研中试系统运行状况及基本参数设计,利用ASM 2D机理模型进行污水处理过程建模。从中试系统云平台获取2021年6月运行数据,经预处理后输入到ASM 2D模型中进行模拟计算,并对各参数的敏感性进行实验分析以校核模型。其次,对污水厂近年来的进水水质变化范围进行调研,借鉴工程运行经验和其他学者以相同工艺为研究对控制条件的研究成果,将进水指标浓度与控制条件分割为系列梯度范围,通过全排列形式对各指标进行组合。其中,进水量与各单元温度设置为恒定值。实验结果显示:Y＿H、Y＿PAO、μ＿AUT、K＿NH对出水指标影响较大,通过实验调整参数后出水COD的模拟准确率为93.94%,出水NH4+-N的模拟准确率为87.79%,出水TP的模拟准确率为86.68%,出水TN的模拟准确率为91.43%;数据增强实验共获得2000余条增补数据。第二,基于数据驱动的污水处理过程建模。考虑到污水处理过程的复杂性与ASM 2D模型参数繁多的难题,为了克服这一挑战,引入数据驱动模型表征中试系统进水到出水之间的映射关系以抽象污水处理过程。首先,对采集的数据进行预处理,将进水指标浓度与控制条件作为模型输入值传输至模型输入模块,并划分训练集与测试集。其次,通过Bootstrap抽样模块对训练集数据进行重复抽样,生成多颗回归树。随后读取测试集数据,根据各棵树训练过程中学习到的数据特征作出多个预测值,并以所有回归树预测值的平均值作为随机森林回归模型输出值,从而实现对污水出水指标的预测。本研究采用了随机森林回归模型、MLP模型、SVM模型、KNN模型和Adaboost模型5种常用数据驱动模型进行对比,实验结果表明随机森林回归模型在本研究场景中性能最佳。此外,训练的随机森林回归模型在增补数据集上的性能表现优于工程数据集上的性能表现。第三,ASM模型与随机森林回归模型协作驱动方法。将增补数据集与工程数据集结合形成强化数据集,作为随机森林回归模型的输入,将工程数据作为模型的测试集,从而验证强化数据集对中试系统实际工程数据的指导作用。试验结果表明模型对出水COD、NH4+-N、TP和TN的预测平均准确率分别为97.066%、87.908%、92.442%和92.036%,表明强化数据对模型具有一定指导效应。但随着时间推移,强化数据对中试系统的指导效果减弱,各项指标预测准确率均有不同程度的下降:出水COD从97.066%下降到83.252%,出水NH4+-N从87.908%下降到66.837%,出水TP从92.442%下降到83.322%,出水TN从92.036%下降到91.792%。本研究通过增大工程反馈的新数据在训练集中的权重,重新训练模型以提升模型对中试系统的适应性能。适应性调整后的模型与前期模型相比,出水COD、NH4+-N、TP和TN的平均预测准确率分别提升了11.022%、25.315%、13.103%和6.480%,预测准确度均回升到了92%以上,可继续有效指导中试系统运行。本文通过对中试系统地调研分析,搭建了基于ASM 2D机理模型支持的数据驱动方案,以探究在污水处理达标排放的前提下,城市污水处理过程智能化运行方案。本研究具有对污水处理厂将来出水水质变化的灵活应对能力,为实现污水系统智能化管理开拓了一种新思路。