Le changement climatique a pour conséquence l’apparition de forts événements pluvieux de plus en plus fréquents, occasionnant de fortes variations de débit et de concentrations à l’influent des stations d’épuration. La connaissance des risques d’orage et des débits potentiels plusieurs heures ou plusieurs jours en avance permettrait d’anticiper les adaptations opérationnelles pour préparer la station et protéger les différents ouvrages des risques de défaillance. Dans cette étude, les données météorologiques (pluies, température, vents, humidités, précipitations…) et l’historique des données d’influent de la station sont utilisés pour entraîner un algorithme d’intelligence artificielle, d’apprentissage automatique et d’apprentissage profond pour prédire les débits entrants sur la station jusqu’à une semaine en avance. Trois jeux de données journalières et horaires, de 1 à 3 ans, sont utilisés pour entraîner un modèle de Forêt aléatoire à 30 arbres, un modèle LSTM (long short-term memory) et un modèle GRU (gate recurrent unit) à trois couches de 100 neurones suivis chacun d’un dropout de 20 % et une couche de sortie entièrement connectée. Les données sont préalablement nettoyées pour supprimer les valeurs aberrantes et sont réparties à 80 % pour les données pour l’apprentissage et 20 % pour les données de test afin d’obtenir des modèles avec les meilleures prédictions. Les algorithmes utilisés dans cette étude sont simples et détectent bien les pics. La durée de l’entraînement sur les données de trois ans se fait en moins de deux minutes pour la Forêt aléatoire et en moins d’une demi-heure pour les réseaux de neurones LSTM et GRU. Les résultats montrent que les données horaires et la prise en compte de l’effet de l’historique par l’utilisation des réseaux de neurones récurrents LSTM et GRU permettent d’obtenir une meilleure prédiction des débits d’influent. Les séries de données plus longues permettent également un meilleur apprentissage des algorithmes et une meilleure prédiction du modèle.

Climate change is resulting in the appearance of increasingly frequent heavy rainfall events, causing strong variations in flow and concentrations at treatment plants. The knowledge of storm risks and potential flows several hours or days in advance would allow to anticipate necessary operational changes to prepare the plant and protect the various works from the risks of failure. In this study, meteorological data (rainfall, temperature, wind, humidity, precipitation…) and historical influent data from the plant are used to train an artificial intelligence, machine learning, and deep learning algorithm to predict inflows to the station up to a week in advance. Three sets of daily and hourly data, from 1 to 3 years, are used to train a 30-tree random forest model, a Long Short-Term Memory (LSTM) model, and a Gate Recurrent Unit (GRU) model with three layers of one hundred neurons each followed by a 20% dropout and a fully connected output layer. The data is previously cleaned to remove outliers and is split 80% for training and 20% for testing to obtain models with the best predictions. The algorithms used in this study are simple and detect spikes well. The training time on the 3-year data is less than 2 minutes for random forest and less than half an hour for the LSTM and
GRU neural networks. The results show that hourly data and considering the effect of history by using the LSTM and GRU recurrent neural networks provide better prediction of influent flows. The longer data sets also allow for better algorithm learning and model prediction.