排水管网、污水处理厂是城市排水系统的重要组成部分，其调控水平直接决定了系统的运行性能，也关系到流域特别是城市流域的水环境质量。但是，现有的调控方法没有充分考虑保障水环境质量和各部分间的关联关系，并且受限于计算效率，对复杂系统的适用性也亟待提升。以强化学习和深度学习为代表的人工智能技术为复杂城市排水系统的控制提供了新的解决路径。但是，基于人工智能技术的控制策略仍存在缺乏系统的方法框架等局限。有鉴于此，本研究以提升水环境质量为目标，开展面向河道水质目标的排水系统厂网一体化实时控制研究；采用数据和机理混合驱动的控制模型构建方法平衡计算效率与模拟准确性；在厂网分层多时域控制框架下研究基于多智能体协作的控制策略优化方法；开展面向多智能体的可解释性研究，并且基于数学实验进行策略验证，解决控制策略合理性与有效性验证困难的问题。
       本研究选取安徽省六安市城北污水处理厂与凤凰桥污水处理厂服务片区进行案例研究。结果表明：数据和机理混合驱动的建模方法可有效平衡计算效率与模拟准确性，河道与管网上游边界模块的水量和水质平均相对误差为3.6%至5.0%，管网、污水处理厂和河道模块则为0.5%至24.4%，模型模拟用时与模拟时长的比例平均为1.3%；利用多智能体强化学习算法训练控制器以优化转输泵站、闸门、药剂投加设备等的联合动作，使用的奖励函数兼顾环境效益、经济效益和运行稳定性，经过5万步训练后控制器能够收敛且其在典型降雨事件集上的奖励函数表现较现状控制策略提升4.4%至10.3%。在135场降雨事件组成的测试集上，所提出的优化策略较现状控制策略削减外溢量（包括地表漫溢和溢流）25.3%、降低河道污染物浓度15.0%，但需以能耗增加和运行稳定性降低为代价；该策略单步长决策时间6.35 秒，且在适应性和鲁棒性上具有优势；策略效果与降雨特征具有显著相关性，中雨条件且雨型复杂时，能够更好地削减外溢、保护水质。案例研究验证了所提出方法的有效性和实用性。
 

水质；一体化控制；深度强化学习；策略解释；策略验证