目前，针对智慧水厂的全运维周期能耗管理还停留在信息集成阶段，仍未形成健全的智能化管理体系，尤其是在厂区节能潜力挖掘与异常用能诊断方面。数据驱动算法以历史数据为依据，描述运行能耗与污水特征之间的关系，将能耗预测问题转化为非线性回归问题，提供准确高效的预测结果作为厂区需求侧的响应基础。通过促进数智化技术与运维系统融合发展，健全污水处理厂全产业链能耗综合监测预警体系，为厂区削峰填谷、调整负载等技改措施提供决策支撑，为企业绿色低碳转型发展提供源动力。

本文建立的能耗监测管理平台依托污水处理厂三维可视化BIM模型底座，天然集成了污水处理厂建筑属性与设计细节，通过机器学习算法实现水厂各水处理单元、各设备运行参数实时监测，并将设备位置信息以坐标数据形式，实时反馈到平台BIM底图中，为管理人员提供异常预警提示与能耗监测管理服务。基于BIM和EMS的能耗管理平台设计架构如图1所示。

图1 污水处理厂能耗管理平台框架

2.1 数据采集与预处理

污水处理厂运行能耗相关数据集可分为3类：①重点耗能设备属性；②废水特征数据；③运行参数数据。研究采用的数据预处理主要包括异常值识别、特征转换和数据标准化等，预处理可以为后续算法研究提供标准可靠的数据，保障算法实施的可行性。

2.2 预测算法研究

污水处理厂能耗数据集具有非线性、不稳定的特点，并且特征因子众多、关联度复杂。高维数据会为机器学习模型引入更多扰动因素，降低预测准确度。因此，在对比多种算法性能后，选用轻量级梯度提升树（LightGBM）算法进行特征因子筛选。算法特有的单侧梯度采样（Gradient-based One-Side Sampling，GOSS）和互斥特征压缩（Exclusive Feature Bundling，EFB）等技术，实现数据降维的同时又能筛选出与污水处理厂能耗具有高度相关性的特征子集。

ANN在构建非线性复杂关系模型时具有强大的稳定性，但也存在着概括能力差、运算过程不透明、回归效率低等困境。LightGBM算法运用GOSS技术，可以仅关注高梯度数据来计算回归贡献增益，无需遍历所有特征。保证准确性的同时大大提升了运行效率，可以满足“实时”的监测需求。将上述两种算法进行堆叠集成，以期通过博采众长来弥补单一学习器可能存在的局限性。研究构建的算法模型如图2所示。

图2 污水厂能耗预测模块开发路径

2.3 异常用能诊断模块

异常用能识别的关键在于设定合理的运行能耗阈值。现阶段，异常能耗判定仍以管理人员经验为主，人为界定异常阈值常常忽略污水处理厂各项水处理设备的运行规律及电网负载等实际情况，缺乏决策可信度。平台异常用能诊断框架以能耗预测模型为基础，通过采集预测值与监测值的残差，生成新的异常能耗数据集，再利用Grubbs检测针对数据集中的异常值进行识别。依据实际情况，对污水处理厂异常能耗阈值进行划分，并构建异常分级预警体系，完善异常状况下协同管控应对机制。

模块采用分位数回归（Quantile regression）方法划分污水处理厂运行过程中的异常表现。结合样本实际情况，本文将显著性水平设置为0.05，置信区间为95%，并依据预测模型与真实值的拟合程度为污水处理厂能耗状况赋予评价指数。QR模型中，每条分位数曲线表示有对应比例的数据落在此范围内。模型选取95%～99%的分位数曲线划分为5个区间，并与异常严重程度建立映射关系。指数评价与等级划分情况见表1所示。等级越高，监测值与预测值的偏差越大，异常程度越严重。具体运行状态下采取的维护措施如表2所示。

表1 污水处理厂运行状态指数评价与异常等级划分

表2 污水处理厂能耗运行状态与维护措施

天津市某污水处理项目建设面积约19 hm2，污水处理规模达10万m3/d。厂区包含提升泵房、AO生化反应池、污泥泵房等多种高耗能水处理设备，日均运行能耗2×104 kW·h以上，约占厂区总运营总成本的60%。研究将以污水处理厂能耗监测管理平台为例，验证所开发的能耗监测预警平台的各项功能模块。污水处理厂能耗监测平台驾驶舱界面如图3。

图3 污水处理厂能耗监测平台驾驶舱界面

3.1 能耗监测功能模块

能耗智能监测模块可将电流和水质传感器采集的实时数据，传输并储存于在线数据库，依托BIM底座，以数表、折线图等更加直观的形式在平台呈现，实现各水处理单元历史能耗趋势可视化监测。此外，针对历史运行能耗趋势图、设备维保记录等，每周将生成污水处理厂运维分析报告，便于管理人员全面直观的了解污水处理厂运行情况及设备健康状况。

3.2 状况评价功能模块

以污水处理厂实测数据为例进行能耗状态评价。选取污水处理厂2020年4月至2022年4月的能耗时间序列数据对算法模型进行训练。部分样本数据如表2所示。利用特征选择算法分析各项特征在模型回归过程中的贡献度，并按照重要性对因子进行打分排序。最终筛选出总氮、氨氮、化学需氧量、干球温度、日进水量5项因子作为特征变量，能耗预测值作为模型输出，状况指数作为标签。

通过ANN-LightGBM集成学习算法对污水处理厂部分样本数据进行能耗状态评价。将采集的数据以7∶3的比例划分为训练集与测试集，用于训练预测模型，输出设备状态指数与异常级别。并以均方根误差（RMSE）、平均绝对百分比误差（MAPE）和拟合优度（R2）作为模型的评价指标。经检验，模型预测结果RMSE为4.4、MAPE为5.43%、R2达96%，各方面性能均优于单一算法，且训练时间缩短至集成前的60%。样本训练结果显示，样本a、b、c状态指数均大于60分，说明此时运行状态良好，数据信息将直接上传至平台EMS模型，用于作为系统节能优化范本；样本d、e、f均存在不同程度的异常，平台将回传预警信息，辅助运维管理人员进行异常处置决策。

表3 污水处理厂能耗预测的部分样本数据集

3.3 异常诊断功能模块

能耗异常诊断模块以状态评价指数为决策依据进行异常识别，并分析异常成因。依据故障诊断流程，针对样本中的异常数据，并结合后验性知识进行异常能耗分析，如表4所示。

表4 多个异常设备的异常成因和维护措施

针对分数较低的设备点进行历史能耗分析与状况排查。研究最终选取200组能耗实时采集样本进行模型精度验证，模型表现出的拟合优度为95.87%。结果表明，异常诊断模块以ANN-LightGBM能耗预测模型为基础，能够预测识别出96%的异常数据，具有较为可靠的预测精度。维护人员能够根据异常识别结果采取应对措施，保障了识别诊断机制的及时性与准确性。

针对污水处理厂能耗管理智能化程度低下，异常诊断体系不完备等问题，设计了基于物联网技术与机器学习算法的能耗监测评价与异常诊断管理平台，平台解决了如下问题：

（1）高维信息集成，数据通过信息扩展的方式集成于平台中，实现多源信息可视化交互，提高了管理部门内部的沟通效率。

（2）能耗监测评价模块，通过算法实现污水厂能耗状况评价，误差率在4%左右。

（3）能耗异常诊断，平台自动标记故障点位置信息、报送异常能耗预警，管理人员可结合能耗评分，生成运营维护预案，及时采取异常处置措施。通过天津市某智慧水厂案例，验证了平台各功能的可行性与实用性，为污水处理厂主管部门提供了一个智能化管理平台，有效地提高了污水处理厂运维管理过程中的信息流动效率，降低跨部门之间的信息调取与沟通成本；基于机器学习算法的能耗监测评价与统计分析方法的应用，有效保障了污水处理厂异常用能认定的合理性与可靠性，实现了由“经验驱动”到“数据驱动”模式的改变。