水厂混凝剂（PAC）投加量长期依赖班组经验试投：原水浊度平稳时尚可维持，一旦遭遇汛期、藻类暴发或季节性水质突变，人工调整响应滞后，往往出现两种后果——投加不足导致沉后浊度逼近甚至突破管控上限，或为保水质过量投加推高药耗。同时水厂 SCADA 系统已积累多年分钟级运行数据，但仅用于监视与报表，从未参与投加决策。本项目旨在基于历史运行数据建立投加量预测模型，为现场提供可量化、可解释的投加参考。
行业场景与业务背景：面向市政供水与污水处理行业。PAC 药耗是水厂日常运行中最主要的可控成本项之一，沉后浊度则是直接关系出水水质的关键管控指标，二者存在强耦合关系：投加不足风险水质，投加过量则推高成本并增加污泥处理负担。行业普遍已建成 SCADA 系统，具备原水浊度、进水流量、pH 等参数的分钟级采集能力，为数据驱动建模提供了数据基础。项目面向生产现场实际使用，部署于水厂内网，无需 GPU。
1. SCADA 数据接入与清洗模块
对接水厂 SCADA 系统，采集原水浊度、进水流量、pH、温度等分钟级运行数据，处理缺失值、异常跳变与停机工况剔除，按时间对齐不同采集频率的数据源，形成建模可用的标准数据集。
2. 加药量预测模块
核心功能。采用"机理模型 + 数据驱动模型"双轨方案：机理模型依据原水浊度、进水流量、目标沉后浊度等工艺参数，按混凝机理推算理论投加量作为可解释基线；数据驱动模型基于历史数据训练轻量回归模型，学习理论值与实测最优投加之间的残差，做动态修正。二者融合输出推荐投加量。
3. 模型版本管理与对比验证模块
记录 V1 至 V6 共 6 个版本的特征调整与结构改动，每个版本均保留验证结果；支持新旧模型在 1000 条样本上逐条比对预测值与实际投加量，量化改进幅度，避免模型迭代变成黑箱。
4. 时序数据存储模块
预测结果与实际投加数据写入时序数据库，支持历史回溯、预测偏差统计与效果评估，为模型持续优化提供反馈闭环。
5. 可视化与接口模块
Vue 管理端展示推荐投加量曲线、与实际投加量的偏差对比、历史查询与导出；FastAPI 提供标准化预测接口，支持与自控系统对接。
技术栈：Python、Pandas、NumPy、scikit-learn（线性回归等轻量算法）、FastAPI、InfluxDB / ClickHouse、Vue 3、Docker。
架构：数据层对接 SCADA 与时序数据库，负责采集、清洗与特征工程；模型层为双轨预测服务，机理计算与数据驱动模型分离部署、独立可维护；服务层通过 FastAPI 对外提供预测接口；应用层由 Vue 管理端承载可视化与查询。整体容器化部署，普通服务器即可运行，无需 GPU。
实现难点：
滞后效应建模。加药后到沉后浊度响应存在时间滞后，直接用同一时刻的原水参数预测投加量会失真，需在特征工程中引入滞后窗口与 Δt 对齐。
工况差异处理。不同季节、不同原水条件下投加规律差异明显，单一模型泛化能力不足，通过工况分桶与派生特征解决。
可解释性约束。现场班组不会采用无法解释的黑箱结果，纯数据驱动模型即便精度更高也难落地，因此必须保留机理模型作为可解释基线。
迭代验证机制。模型改动必须可量化评估，建立了 1000 条固定样本的对比验证流程，每一版改动都有留痕。
亮点：采用双轨建模而非端到端黑箱——机理部分保证结果可解释、班组敢用，数据驱动部分保证能跟上水质变化，在"现场可信"和"自适应"之间取得平衡；模型轻量、易维护、无需 GPU，普通服务器即可稳定运行；6 个版本的迭代过程与验证结果完整留档，具备持续演进能力。
评论