夏文泽，冯 骁，王 喆,*，钱志明，刘 杰，许雪乔

(1. 北京华展汇元信息技术有限公司，北京 100044；2.北京首创股份有限公司技术中心，北京 100044)

随着工业与经济的迅速发展，水资源短缺与经济发展之间产生了突出的矛盾，而水环境污染使得这一矛盾更加突出，因此，提高污水处理质量日益重要[1-4]。此外，日益严格的环境管理标准和政策以及污染物总量削减等约束性指标实施，大量现有污水处理厂出水水质指标难以达到要求，其中，出水总氮(TN)是污水厂排放标准中的核心指标之一[5-7]。如果能够提前预知污水厂出水TN的浓度，污水厂便可以提前做出响应，降低出水TN的浓度，达到最新国家标准的要求。因此，如何准确地预测出水TN吸引了大量学者开展研究[8-10]。

在智能模型法中，循环神经网络RNN因具有记忆功能(可以从历史输入数据中提取信息)在污水厂出水水质预测中得到广泛应用[25-26]。污水处理过程是一个复杂的强耦合系统，最终出水水质不仅与入水水质的历史变化相关，还与中间各个处理过程的历史变化相关。普通RNN网络没有充分考虑这些耦合性，无法充分地从历史数据中提取关键信息，造成出水水质预测精度偏低。本文提出了一种联合RNN神经网络，该联合RNN神经网络是基于传统RNN网络的改进型网络，其由一系列并排的单RNN网络构成，每个RNN网络的输出不仅与本网络的当前和历史输入相关，还与相邻RNN网络的历史输入相关，解决了普通RNN神经网络无法充分地从历史数据中提取关键信息的问题，并通过与常规RNN神经网络的对比试验，证明所提出的算法提高了出水TN的预测精度。……