基于集成深度學習的造紙廢水出水指標預測模型研究

摘 要：為克服單一模型的局限性、提高模型魯棒性，針對小型造紙廠單一工段的廢水處理數據集，首先利用核主成分分析（KPCA）降維技術，有效提取數據關鍵特征，再采用裝袋集成 （Bagging） 算法集成多個可有效建模廢水時間序列特征的長短期記憶網絡（LSTM） 學習器，建立 KPCA-Bagging-LSTM 造紙廢水出水指標預測模型。結果表明，KPCA-Bagging-LSTM 模型的決定系數 （R2） 達0.76，顯著優于其他方法；均方根誤差（RMSE）和平均絕對百分比誤差（MAPE）分別為3.55 mg/L和4.01%，表明該模型具有更低的預測誤差和更高的精度。本研究通過特征降維和集成學習提升了KPCA-Bagging-LSTM模型的性能，為造紙廢水COD等出水指標預測提供了有效的解決方案。

關鍵詞：造紙廢水過程處理；數據降維；長短期記憶網絡；集成學習；軟測量模型

中圖分類號：TS736+. 4 文獻標識碼：A DOI：10. 11981/j. issn. 1000?6842. 2025. 02. 173

隨著我國經濟快速增長和社會生活水平提高，人們對紙制品的需求不斷增加［1-2］。根據中國造紙協會的調查數據顯示，截至2024年，全國約有2 600家紙和紙板生產企業，2024 年全國紙及紙板的生產量達13 625 萬 t，較 2023 年增長了 5.09%。制漿造紙過程需消耗大量能源和水資源，并產生一定廢水和固體廢物。隨著紙制品生產規模的擴大，造紙過程所帶來的環境污染問題也日益凸顯。

制漿造紙企業通常采用一系列設備和方法監測造紙廢水化學需氧量 （chemical oxygen demand，COD）和生物需氧量（biological oxygen demand，BOD）等出水指標。在線監測［3］、定期取樣分析等傳統的監測方法存在數據延遲、人為誤差等缺點，缺乏準確性和實時性［4］。相較而言，軟測量模型作為一種新興的監測技術，具有實時性強、成本低、準確性高、智能化程度高等優勢［5］，已逐步被應用于造紙廢水出水指標的監測分析。……