该研究在上图标有“A”的位点处监测入流水质（TSS、COD等）和水量，时间间隔分别为2分钟和1分钟。监测数据用于入流水质生成模型的率定与验证。该生成模型将水厂入流划分为四个阶段：旱季（Dry Weather Flow, DWF）,雨季开始（onset），稀释（dilution）和恢复（recovery），各阶段入流水质分别建模（如图2所示）。

图2 水厂入流阶段示意

DWF阶段，入流水质按照由10天监测数据平均得到的旱季模式生成。雨季三个阶段分别由经验方程表示（形式为二次函数、指数函数等），这些经验方程的参数（如稀释系数、恢复系数等）根据监测数据进行率定。同时需要输入监测的流量数据。不同阶段切换的判据为水厂集水井的液位、流量等，判断阈值是模型参数，也需要率定。

文章采用DREAM算法，通过马尔可夫链对参数进行采样，确定了两种水质模型，即COD模型和氨氮模型的相关参数。研究发现，对于COD模型，模型参数在大雨和中雨下有明显差异，而氨氮模型则趋同。模型验证结果（以氨氮为例）如下图所示：

图3 入流水质验证结果

由图可知，模型结果和监测数据间整体具有良好的一致性，但旱季阶段模拟值偏高，反映出旱季水质存在波动，而雨季动态变化过程拟合较好。

本文构建的入流水质模型实质为多个经验模型的组合，其特点是将入流过程划分为不同阶段，并分别概化。在案例区域，该方法具有良好的表现，初步证实了其可行性。由于结构简单，该模型可以较为方便地应用到污水处理厂的建模。但在迁移到其他污水厂时，还需进一步验证水质变化过程是否符合研究所归纳的特点。

iUWLab