小样本数据下基于K-Means聚类和集成学习的混凝投药预测

作     者：王世杰 李一鸣 植殷 武仁超 王涛 程紫微 郑磊 肖峰 WANG Shijie;LI Yiming;ZHI Yin;WU Renchao;WANG Tao;CHENG Ziwei;ZHENG Lei;XIAO Feng

作者机构：华北电力大学水利与水电工程学院北京102206 北京环球中科水务科技股份有限公司北京100085 宁夏长城水务有限责任公司银川750004 

出 版 物：《环境工程学报》 (Chinese Journal of Environmental Engineering)

年 卷 期：2024年第18卷第1期

页      面：181-188页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0815[工学-水利工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(52030003) 

主　　题：混凝投药量预测 小样本数据 Bagging集成学习 K-Means聚类 

摘      要：为了解决混凝投药预测过程中的小样本问题,提出基于K-Means聚类和集成学习的PAC投加量预测方法。首先,根据原水浊度和水温2个特征采用K-Means聚类将水质分为3类,利用分层抽样从3类水质数据中抽取训练集和测试集;其次,基于Bagging集成学习算法,构建由支持向量机、随机森林、Adaboost、GBDT、Catboost、XGBoost和LightGBM共7种学习器组成的PAC投加量集成预测模型(KM-Bagging);最后,以银川市某给水厂2021—2022年的运行数据为例进行验证。结果表明,KM-Bagging模型对小样本的PAC投加量具有较高预测精度,R^(2)超过0.8,MAPE小于5%。采用6个月和9个月的日监测数据预测PAC投加量,适合数据监测时间短、精度要求不高的情况,预测结果可为原水水质发生突变时的PAC投加量调整提供参考。采用1年的日监测数据预测PAC投加量,预测精度能够满足工程应用的要求,可为水厂实际PAC投加提供辅助指导。研究结果对小样本数据下的混凝药剂投加建模与预测具有参考价值。