[论文解读] Enhancing Operation of a Sewage Pumping Station for Inter Catchment Wastewater Transfer by Using Deep Learning and Hydraulic Model

Duo Zhang, Erlend Skullestad Hølland+2 more|arXiv (Cornell University)|Nov 9, 2018

Flood Risk Assessment and Management参考文献 31被引用 5

一句话总结

本文提出了一种混合深度学习与水力建模的方法，以提升挪威德拉门市污水泵站的运行效率，实现跨流域污水转输（ICWT）。通过使用基于LSTM的多步水位预测模型，该系统在溢流缓解和系统韧性方面显著优于GRU、RNN、FFNN和SVR，性能表现更优。

ABSTRACT

This paper presents a novel Inter Catchment Wastewater Transfer (ICWT) method for mitigating sewer overflow. The ICWT aims at balancing the spatial mismatch of sewer flow and treatment capacity of Wastewater Treatment Plant (WWTP), through collaborative operation of sewer system facilities. Using a hydraulic model, the effectiveness of ICWT is investigated in a sewer system in Drammen, Norway. Concerning the whole system performance, we found that the Søren Lemmich pump station plays a vital role in the ICWT framework. To enhance the operation of this pump station, it is imperative to construct a multi-step ahead water level prediction model. Hence, one of the most promising artificial intelligence techniques, Long Short Term Memory (LSTM), is employed to undertake this task. Experiments demonstrated that LSTM is superior to Gated Recurrent Unit (GRU), Recurrent Neural Network (RNN), Feed-forward Neural Network (FFNN) and Support Vector Regression (SVR).

研究动机与目标

• 解决城市排水系统中污水流量与污水处理能力之间的空间错配问题。
• 缓解由于污水处理厂（WWTP）处理能力不足导致的污水溢流。
• 通过基于预测的水位建模，提升Søren Lemmich污水泵站的运行效率。
• 开发并验证一种数据驱动的、基于深度学习的预测模型，用于实时泵送控制。
• 将长短期记忆（LSTM）网络与水力模型集成，以优化ICWT性能。

提出的方法

• 开发了一种混合框架，结合了德拉门污水系统的校准水力模型与深度学习模型。
• 应用长短期记忆（LSTM）网络，预测Søren Lemmich泵站的多步水位。
• 利用历史进水流量和水位数据对LSTM模型进行训练，以实现高时间分辨率的未来水位预测。
• 使用相同的数据集和评估指标，将LSTM性能与GRU、RNN、FFNN和SVR进行对比。
• 将预测结果整合至水力模型中，模拟并优化不同流量条件下ICWT的运行。
• 使用均方根误差（RMSE）和决定系数（R²）评估预测精度与模型性能。

实验结果

研究问题

• RQ1 基于LSTM的水位预测能否提升跨流域污水转输系统中污水泵站的运行效率？
• RQ2 在真实污水系统中，LSTM在预测多步水位方面相较于其他机器学习模型（GRU、RNN、FFNN、SVR）表现如何？
• RQ3 将深度学习与水力建模相结合，在德拉门案例研究中能在多大程度上减少污水溢流？
• RQ4 Søren Lemmich泵站在实现有效跨流域污水转输中发挥什么作用？
• RQ5 基于深度学习的预测控制能否在空间与时间流量失衡条件下增强城市排水系统的韧性？

主要发现

• LSTM在Søren Lemmich泵站的多步水位预测中优于GRU、RNN、FFNN和SVR。
• LSTM模型在所有测试模型中实现了最低的均方根误差（RMSE）和最高的决定系数（R²）。
• 水力模型模拟结果证实，ICWT通过跨流域重新分配流量，显著降低了污水溢流风险。
• Søren Lemmich泵站因其在流量重新分配中的核心作用，被识别为ICWT框架中的关键节点。
• 将LSTM预测与水力模型集成，实现了主动泵送控制，提升了系统稳定性并减少了溢流事件。
• 所提出的方法在复杂城市污水管网中的实时运行中表现出鲁棒性与可扩展性。