水务热点 | 如何给水厂加氯装上“智慧大脑”? 用Transformer让余氯不折腾

导 语

自来水出厂前要加氯消毒，可余氯多少才够——既不能低到杀不干净细菌，也不能高到浪费药钱、还憋出消毒副产物？传统做法靠老师傅盯着水表手调，反应慢、波动大，一不小心就多投了一桶药。这篇论文给水厂加氯请来一个“会思考、会动手”的Transformer模型：它把“看水质历史”和“定加药方案”装进同一个大脑，直接输出未来一段时间的加氯计划，再自动评估余氯够不够稳。在真实水厂数据上，它把余氯波动缩小约11倍、达标命中率拉到100%，还顺带省下7.25%的药，一年能省约11.6万元。

01

先认识三个关键词

• 余氯与出厂水消毒：水厂先把原水混凝沉淀、过滤，滤后水经前加氯消毒存进清水池，出厂前再后加氯补充氯量，确保输配管网里有余氯兜底，符合《生活饮用水卫生标准》(GB 5749—2022)。余氯浓度是衡量消毒效果和水质安全的重要指标，国标推荐的出厂水余氯区间是0.5~0.7毫克/升。

• 人工加药的“痛点”：原水质量波动、水压变化、管网残留反应、操作滞后，让出水余氯忽高忽低——控制精度不足、过度依赖老师傅经验，加药过量就费钱、还可能憋出消毒副产物，不足又可能消毒不到位。
  

• “预测”与“控制”两条路线：过去的研究大多是“预测导向”——用梯度提升决策树（XGBoost）、长短期记忆网络（LSTM）把加药量或余氯浓度“算准”，但算得准不等于控得住，模型从不直接约束控制目标，难以给出真能执行的操作策略。本文想做的，是“控制导向”：不只预测，还要把余氯压进目标区间、把药省下来。

02

研究者是怎么做的

先摸清水厂的家底。常规处理分混凝沉淀、过滤、消毒三阶段，关键监测点散布在进水、滤后和出水，实时数据每一分钟采一条。

图1 城市水厂典型处理流程及关键监测数据分布

• 数据从哪来：某水厂2024年5月29日—7月17日的真实运行数据，共71893条记录，涵盖时间、进水浑浊度、进水pH、进水流量、待滤水/出水浑浊度、出水余氯和加药泵流量。

• 数据怎么“洗”：非数值字段转数值、冗余列合并降维；用滑动窗口长200的指数加权移动平均平滑高频噪声；每3天分一组用IQR四分位法修正离群点；线性插值+均值填充补缺失；再算近3小时和近24小时的加药滑动平均，帮模型读懂“加药趋势”。
  

• 样本怎么造：用滑动窗口把连续时间序列切成“历史输入—未来目标”的Seq2Seq对，按时间顺序6:3:1切成训练/验证/测试集（避免数据泄露），MinMax归一化到[0,1]。

03

核心：一个“编码器-控制器-解码器”大脑

这是全文的胜负手。模型把180步历史水质序列交给Transformer编码器提炼出当前运行状态，再由新增的控制器直接“拍板”未来180步的前加氯、后加氯剂量，最后让解码器评估这套方案对应的余氯响应，做安全校核。

图2 控制器增强Transformer模型结构：编码器看懂状态，控制器定加药，解码器验余氯

它凭什么既准又省？靠“复合损失函数”同时管住三件事：余氯要达标——对超出0.5~0.7毫克/升的预测加区间惩罚、并统计命中率；加药要平滑、别忽高忽低——惩罚相邻时刻的剧烈变化；还要参考历史真实加药量当校准。三股力量一联合，模型在训练时就被“喂”成了一个既懂预测、又会控制的双料选手。

一个聪明的细节：模型只选6个关键输入——进水浑浊度、pH、流量，加上近3小时余氯、前加氯、后加氯的滑动平均，训练在普通RTX 4060显卡上就能跑，总参数量仅约6.1×10⁵、权重文件约2.43MB，是名副其实的“轻量大脑”，工控机也能实时响应。

04

与“只预测”的模型比一比

论文把本文模型和两个当红预测方法LSTM、XGBoost摆在一起，比“余氯稳不稳（命中率）”“药省不省（节药率）”。

图3 不同模型余氯预测与目标区间对比：本文模型把余氯稳稳压在0.5~0.7毫克/升

结果让人眼前一亮：真实余氯的标准差是0.0504毫克/升，本文模型预测的余氯标准差只有0.0046毫克/升——稳定性提升约11倍，且命中率100%；LSTM只有59.54%、XGBoost只有60.25%。算经济账：测试期共节省药剂约3907.23千克，折算日均省79.74千克、成本约318.96元/天，按全年365天算可省约29.1吨药、11.6万元/年。

MAPE高一点要紧吗：本文模型余氯MAPE是5.71%，看着比LSTM(0.96%)高——这是因为它重“控制”而非纯“点预测”：在边界附近保守调节会抬高相对误差，但对应绝对误差仅约0.03毫克/升（按0.50毫克/升估算），工程上可忽略；而100%命中率和0越界才是达标合规的关键。

05

为什么这套方法更“聪明”

LSTM和XGBoost能贴着人工操作曲线“学个大概”，但输入只有当前单时刻、没有历史序列也没有未来控制目标，水质突变时容易滞后、振荡、过拟合，只会照着老路走，谈不上“为了达标去省药”。本文模型把历史时序和未来控制目标一起学进来，输出的加药策略在多数日期都低于实际操作——尤其7月4日、7日、9日等高波动工况下节药更明显，真正做到“水质稳稳达标、药剂能省则省”。

06

结论

这篇论文用“编码器-控制器-解码器”架构证明：水厂加氯不必再靠“先预测药量、再间接影响余氯”的绕路办法，而可以让模型端直接给出又稳又省的加药方案。在真实水厂数据上，它余氯命中率100%、波动标准差降到0.0046毫克/升、平均节药约7.25%、年运行成本降约11.6万元，且模型轻量、推理快，完全满足加氯—余氯联动控制的实时性要求。这套思路为城市水厂的智能化消毒控制提供了直接可落地的技术支撑。

扫码阅读文章全文

引用信息

陈欧翔, 王洪翠, 李霖, 等. 控制器嵌入Transformer模型的水厂加氯与余氯控制方法[J]. 净水技术, 2026, 45(3): 156-164,173.

DOI: 10.15890/j.cnki.jsjs.2026.03.016

来源：本文内容为AI改编，原文出自《净水技术》论文《控制器嵌入Transformer模型的水厂加氯与余氯控制方法》，作者陈欧翔、王洪翠、李霖等（浙江理工大学、浙江水利水电学院、浙江正泰中自控制工程有限公司）

编辑：黄智恒

排版：李滨妤

审核：孙丽华

由于微信修改了推送规则，没有经常点“推荐”的，会慢慢收不到推送。如果你还想看到我们发布的权威信息，请将“净水技术”加为星标，每次看完后不忘点下“推荐”和“赞”。

欢迎广大水务企业加盟合作