深水港口廢水污染物排放量預測與治理措施研究

關鍵詞：深水港口；廢水污染物排放量預測；廢水污染物治理；小波包去噪；BP神經網絡

中圖分類號：X391 文獻標志碼：A

前言

經濟發展依賴于工業的逐漸壯大，但工業企業規模的擴大導致污染物排放量增加。港口為工業密集型地區，水污染情況尤為嚴重。為了保障用水安全，廢水治理不容忽視。廢水污染物排放量預測在廢水治理中至關重要，準確預測廢水污染物排放量有利于動態調節治理措施，在可持續發展戰略中具有無可替代的意義。為此，方國斌等人應用馬爾可夫鏈對廢水排放量展開了動態預測。彭逸喆等人根據水環境功能區劃中流域水控制單元的劃分情況，分析了工業用水功能區各控制單元內的典型污染源，并統計各控制單元工業廢水的入河量，從而預測廢水的排放量。然而，以上方法在預測前沒有降維數據，導致平均絕對誤差和相對誤差絕對值較高、訓練時長較長的問題。為了解決上述方法中存在的問題，提出深水港口廢水污染物排放量預測與治理措施。

1深水港口廢水污染物排放量數據預處理

1.1數據去噪

采集到的深水港口廢水污染物排放量歷史時序數據可視為隨時間變化的信號，因此所提方法采用小波包分解和重構方法去除數據中包含的噪聲。用s（t）表示時刻t采集到的含噪信號，w_n表示小波包分解樹節點，h（k）和g（k）表示第k個小波包分解低通和高通濾波系數，則分解w_n得到低頻和高頻信號W_2n（t）如式（1）所示：

（7）經過以上選擇、交叉、變異操作生成新群體，用于下次迭代。

（8）重復執行步驟5到步驟7，解碼最終代最高適應度個體，即可得到初始網絡連接權值和偏置。

采用得到的網絡連接權值和偏置優化BP神經網絡，將降維后深水港口廢水污染物排放量數據特征值輸入BP神經網絡，輸出深水港口廢水污染物排放量預測結果。

2.2深水港口廢水污染物治理措施

以天津港為例，采用以上方法構建BP神經網絡預測模型，預測天津港2022年8月至12月的廢水污染物排放情況。經分析得知，天津港未來五個月水污染情況仍較為嚴峻，若不采取措施及時治理，水環境將會持續惡化，最終造成難以挽回的惡劣后果。因此，就天津港廢水污染物排放情況提出治理措施如下所示：

（1）制定科學合理的廢水治理規劃。在處理港口廢水污染物時，依據預測結果動態調節治理措施。工作人員需要根據港口環境特征、廢水排放標準、城市結構等信息科學合理的設置輸送管網相關參數，保障廢水處理能夠與所在區域的環境治理達成一致的目標。此外，還需當地政府與相關部門等加強監管力度，嚴格控制廢水實際排放量并做好相應規劃與調控，要落實管理機制，并指定專人負責。

（2）完善廢水處理基礎設施。在制定廢水治理規劃措施的同時還需完善廢水處理基礎設施，對廢水污染物處理涉及的基礎性設施加以補充，滿足天津港廢水污染物治理的硬件需求。在實際的廢水治理工作中，工作人員需要結合廢水治理現狀和當地治理技術類型對相應設施設備統計采購，并在完成廢水處理后加強監督與檢測，嚴格控制廢水污染物排放量在當地排放要求之內。具體來講，要完成對專用污水管道的鋪設，實現域內工業企業全覆蓋，并及時將一體化提升泵站投入運行。此外，還可以通過開展污水分流和污水排放口規范化建設專項整治，實現園區內生產廢水應納盡納。

（3）優化廢水處理科學技術。在科學技術飛速發展之下，新興的廢水處理技術層數不窮，超聲波技術、膜生物反應處理技術、超濾膜技術、PACT工藝處理技術、物理吸附處理技術等均為當下被廣泛使用的廢水處理技術，但每種廢水處理技術的應用流程和工藝原理等不盡相同，每種技術也各有所長。因此，需要工作人員依據區域實際情況、廢水污染物排放量、當地排放要求，具體選取合適的廢水處理技術，或整合多種處理技術，盡可能地實現污水廢水零排放。同時，為堅持可持續發展戰略，在選擇處理技術同時要考慮設備的環保性和節能性等特性，秉持綠色理念，實現廢水污染物的有效治理。

3實驗與結果

為了驗證深水港口廢水污染物排放量預測與治理措施整體有效性，設計如下實驗與分析過程。

化學需氧量（chemical oxygen demand，COD）是評價水質的重要指標之一，其本質是水體中能夠被氧化的還原物質量，COD濃度可以用來描述水體中有機物的含量，數值越高則水體污染越嚴重。氨氮是水中的一種營養物質，會導致水體富營養化、藍藻、綠藻、赤潮等現象，也是評價水質的重要指標之一。因此，實驗以COD濃度、氨氮濃度為指標，將文獻[2]方法和文獻[3]方法作為對比，檢測所提方法的廢水污染物排放量檢測效果，選取天津港2021年部分數據并劃分為200組，其中160組作為訓練集，用于三種方法模型訓練，其余作為測試集。

由于訓練樣本中指標濃度預測結果與實際數值偏差較小且指標濃度值變化范圍較大，因此，為了清晰表現所提方法、文獻[2]方法和文獻[3]方法的訓練效果，僅展示其中第51～100組訓練效果，見圖1。

由圖2可以看出，在第51～100組訓練結果之中，所提算法絕大部分預測濃度更接近于實際數值，說明所提方法在第51～100組訓練實際誤差更小，效果更佳。

為了進一步驗證所提方法、文獻[2]方法和文獻[3]方法的廢水污染物排放量預測能力，采用測試集中的40組數據檢測三種方法分別訓練后的模型預測效果，結果見圖2。

由圖2可以看出，所提方法平均絕對誤差在0.175 mg/L左右，相對誤差絕對值在1.3%左右；文獻[2]方法平均絕對誤差在0.55mg/L左右，相對誤差絕對值在3.4%左右，文獻[3]方法平均絕對誤差在0.5mg/L左右，相對誤差絕對值在2.9%左右，由此可知，所提方法在測試中的平均絕對誤差和相對誤差絕對值更低，預測精度更高，更適合用于實際的廢水污染物排放量預測之中。

4結語

未處理或處理不合規的工業和生活廢水被直接排放于水域之中，會造成水環境的大面積污染。合理規劃并利用科學技術治理廢水污染物是促進水資源循環使用、維護水資源安全的主要途徑之一。廢水污染物預測是水環境管理和水資源污染防治的前提，為了解決目前存在的平均絕對誤差和相對誤差絕對值較高、訓練時長較長問題，研究提出深水港口廢水污染物排放量預測方法，通過小波包分解和重構方法去噪原始數據并采用主成分分析法降維數據，結合改進的遺傳算法優化BP神經網絡，構建廢水污染物排放量預測模型，用于廢水污染物排放量預測。結合預測結果，合理規劃深水港口廢水污染物治理措施。該方法能夠有效地降低平均絕對誤差和相對誤差絕對值、縮短訓練時長，為廢水污染物治理技術的實施奠定基礎。