Vorhersage des Energieverbrauchs von Kläranlagen mit einem Transfer-Lernansatz für nachhaltige Städte

Eine der größten Herausforderungen der heutigen Gesellschaft besteht darin, große städtische Zentren nachhaltiger zu gestalten. Die Verbesserung der Energieeffizienz der verschiedenen Infrastrukturen, die Städte ausmachen, ist ein Aspekt, der bei der Verbesserung ihrer Nachhaltigkeit berücksichtigt wird, wobei Kläranlagen (WWTPs) eine davon sind. Folglich zielt diese Studie darauf ab, eine Reihe von Kandidatenmodellen für tiefes Lernen zu konzipieren, anzupassen und zu evaluieren, mit dem Ziel, den Energieverbrauch einer Kläranlage vorherzusagen, und zwar durch einen rekursiven Mehrschrittansatz. Drei verschiedene Modelltypen wurden getestet, insbesondere Long Short-Term Memory-Netzwerke (LSTMs), Gated Recurrent Units (GRUs) und eindimensionale Convolutional Neural Networks (CNNs). Uni- und multivariate Einstellungen wurden bewertet, sowie verschiedene Methoden zur Bearbeitung von Ausreißern. Vielversprechende Vorhersageergebnisse wurden von CNN-basierten Modellen erzielt, wobei dieser Unterschied statistisch signifikant im Vergleich zu LSTMs und GRUs war, das beste Modell wies einen ungefähren Gesamfehler von 630 kWh in einer multivariaten Einstellung auf. Schließlich wurden, um das Problem der Datenknappheit in Kläranlagen zu überwinden, Transfer-Lernprozesse implementiert, wobei vielversprechende Ergebnisse erzielt wurden, als ein vortrainiertes univariates CNN-Modell verwendet wurde, wobei der Gesamfehler auf 325 kWh gesenkt wurde.