專利名稱：一種潮汐河流地區(qū)取水口咸潮短期預測方法
技術(shù)領(lǐng)域：
本發(fā)明屬于市政工程的給排水領(lǐng)域，涉及針對潮汐河流取水口受咸潮入侵影響來預測潮汐河流地區(qū)取水口咸潮短期變化的方法。
背景技術(shù)：
潮汐河流是沿海城市的主要水源，潮汐河流徑流量隨季節(jié)而變化，在每年10月至 次年4、5月的枯水期期間，由于徑流量較豐水期小很多，潮汐河流受咸潮影響嚴重，如長江 和珠江的河口地區(qū)在每年枯水期常遭受咸潮侵襲。根據(jù)國家水源水質(zhì)標準《地表水環(huán)境質(zhì) 量標準》(GB 3838-2002)，當咸度氯離子濃度(以下簡稱“咸度”)超過250mg/L時，水源水 質(zhì)超標，對沿岸城市居民生活用水會造成重要影響，很多沿海城市通過修建水庫、長距離調(diào) 水等工程措施建立了多水源原水輸配系統(tǒng)來保障城市供水安全，這對城市原水系統(tǒng)調(diào)度運 行提出了更高的要求，而潮汐河流每日取水的時間和空間分布是確定原水系統(tǒng)調(diào)度方案的 主要影響因素，因此科學預測潮汐河流取水口受咸潮影響程度尤為重要，是原水系統(tǒng)安全 運行的重要保障。咸潮發(fā)生的機理十分復雜，受上游來水量、洋流、海平面變化、風向風力等自然因 素和河道疏浚、非法挖沙、上游水庫建設(shè)等人工因素的影響，咸潮預測建模問題中影響系統(tǒng) 輸出變量的因子眾多，影響因子與輸出變量之間的關(guān)系也十分復雜。目前國內(nèi)外潮汐河流 地區(qū)咸潮預測模型可分為宏觀模型和微觀模型。微觀模型研究是通過建立水流連續(xù)方程、 水流運動方程和氯化物輸移擴散方程等來建立河道咸度變化數(shù)學模型，使用模型模擬河口 咸度變化。宏觀模型研究主要運行統(tǒng)計學方法和進化算法等建立咸潮預測模型。早期的統(tǒng) 計模型缺乏自適應性，模型更新困難，模型的不確定性問題往往導致模型擬合歷史資料的 精度較高，而模型的預測檢驗精度不穩(wěn)定。微觀模型建模和校核過程復雜，模型需要經(jīng)常維 護，對數(shù)據(jù)類型、數(shù)量和精度都有較高的要求。為了科學地發(fā)揮沿海城市原水系統(tǒng)“避咸蓄淡”和保障水質(zhì)安全的功能，合理調(diào)度 原水系統(tǒng)運行，通過系統(tǒng)調(diào)查研究潮汐河流理論和數(shù)據(jù)分析，識別原水系統(tǒng)取水口處的咸 度變化規(guī)律，探尋了海平面變化、上游來水量、風向、河流斷面形狀等因素影響，對取水口咸 度、水位、上游流量變化規(guī)律和影響因素之間的關(guān)系進行分析。將具有強大非線性計算功能 的BP神經(jīng)網(wǎng)絡和全局優(yōu)化能力的RAGA算法結(jié)合，建立了基于BP-RAGA耦合神經(jīng)網(wǎng)絡的日 咸潮預測模型，預測潮汐河流取水口受咸潮影響狀況，輔助制定咸期原水系統(tǒng)調(diào)度方案。國內(nèi)外對于潮汐河流咸潮預測的研究較少，以下是兩個有代表性的咸潮預測研 究(1)研究 1 G. J. Bowden, H. R. Maier, G. C. Dandy, 2005. Input determination for neural networkmodels in water resources applications. Part 2.Case study !forecasting salinity ina river.Journal of Hydrology. Vol. 301,93-107.研究目的=Murray河是澳大利亞南澳地區(qū)最重要的地表水源，為了保障枯水期這一地區(qū)的城市供水、農(nóng)業(yè)用水和水力發(fā)電，需要研究枯水期潮汐河流地區(qū)受咸潮影響情況， 最大限度地降低咸潮對該地區(qū)的影響。技術(shù)措施建立基于人工神經(jīng)網(wǎng)絡(ANN)的14天咸度預測模型，應用偏互信息方 法(Partial mutual information, PMI)和自組織遺傳廣義自回歸方法(S0M-GAGRNN)來選 擇預測模型的輸入變量。實際效果通過采用以上技術(shù)可以預測未來14天咸度變化趨勢，但是對于原水泵 站來說，日平均咸度不能反映當日可取水情況，欠缺指導意義。(2)研究 2:Hongbing Sun, Manfred Koch,2001. CASE STUDY Analysis and forecasting of salinityin apalachicola bay, florida, using box—jenkins ARIMA models. Journal of HydraulicEngineering. 127(9),718-727.研究目的Apalachicola河口位于美國佛羅里達州西北部，Btt鄰墨西哥灣，是美 國最重要的牡蠣生產(chǎn)基地之一，河口咸度直接影響牡蠣的生長，需要研究枯水期河口地區(qū) 咸潮影響情況，為通過水利構(gòu)筑物調(diào)節(jié)出庫淡水量來維持河口生態(tài)提供科學依據(jù)。技術(shù)措施建立基于自回歸求和滑動平均模型(ARIMA)的咸度預測模型。實際效果通過應用以上技術(shù)可以預測未來1小時咸度變化趨勢，但是對于原水 泵站來說，該預測模型的時間尺度太短，也不能反映當日可取水情況，欠缺指導意義。

發(fā)明內(nèi)容
本發(fā)明通過系統(tǒng)調(diào)查研究潮汐河口理論和數(shù)據(jù)分析，識別原水系統(tǒng)取水口處的咸 度變化規(guī)律，建立了一種取水口原水咸度短期預測方法。通過分析上游水文監(jiān)測站流量、取 水口當日潮位差、歷史不能取水小時及日平均咸度等影響因素，建立了 BP-RAGA耦合神經(jīng) 網(wǎng)絡咸潮預測模型，可以分別預測第二日取水口不能取水小時及日平均咸度，其預測結(jié)果 為制定原水調(diào)度預案提供科學依據(jù)。本發(fā)明提出的咸潮預測應用了 RAGA算法和BP神經(jīng)網(wǎng)絡，使用了創(chuàng)新的技術(shù)方案 和技術(shù)手段，來達到和實現(xiàn)河口地區(qū)咸潮預測的目的和效果。為達到上述目的，本發(fā)明的解決方案是一種基于BP-RAGA耦合神經(jīng)網(wǎng)絡的潮汐河流地區(qū)取水口咸潮短期預測方法，通過 分析上游水文監(jiān)測站流量、取水口當日潮位差、日不能取水小時及日平均咸度等影響因素， 建立BP-RAGA耦合神經(jīng)網(wǎng)絡咸潮預測模型，可預測各取水口日不能取水小時及日平均咸 度。在預測基礎(chǔ)上確定各取水口的可取水時間和可取水量、內(nèi)河涌水閘開啟和關(guān)閉時間等， 從而確定第二天潮汐河流原水取水量的時間和空間分布，結(jié)合原水系統(tǒng)優(yōu)化調(diào)度模型，最 終制定原水系統(tǒng)調(diào)度預案，保障原水系統(tǒng)安全運行，確保城市供水安全。進一步，包括以下步驟(1)獲取咸潮預測影響因素及歷史數(shù)據(jù)，確定神經(jīng)網(wǎng)絡預測模型結(jié)構(gòu)和參數(shù)，對數(shù) 據(jù)進行前處理；(2)使用實碼加速遺傳算法(RAGA算法)對神經(jīng)網(wǎng)絡的初始權(quán)值進行優(yōu)化；(3)利用誤差反向傳播算法(BP算法)對神經(jīng)網(wǎng)絡進行訓練；(4)利用RAGA算法對神經(jīng)網(wǎng)絡進行訓練；
(5)判斷神經(jīng)網(wǎng)絡訓練是否結(jié)束，如未結(jié)束，轉(zhuǎn)入步驟(3)，否則轉(zhuǎn)入步驟(6)；(6)利用訓練結(jié)束后的神經(jīng)網(wǎng)絡模型進行咸潮預測。該方法可以實現(xiàn)預測各取水口日不能取水小時和日平均咸度的功能，其中日不 能取水小時是指預測日取水口時平均咸度超過國家水源水質(zhì)標準《地表水環(huán)境質(zhì)量標準》 (GB3838-2002)規(guī)定250mg/L的小時數(shù)之和，其中日平均咸度是指預測日一天的平均咸度， 單位是mg/L。所述的取水口日不能取水小時預測模型的影響因素是指前一日取水口不能取水 小時、前一日上游水文監(jiān)測站流量和前一日取水口潮位差；所述的取水口日平均咸度預測 模型的影響因素是指前一日取水口平均咸度、前一日上游水文監(jiān)測站流量和前一日取水 口潮位差。所述的步驟(1)包括對所有影響因素的數(shù)據(jù)歸一化到0. 1到0. 9之間的過程。所 述的神經(jīng)網(wǎng)絡包括1個輸入層、1個隱含層和1個輸出層。所述的神經(jīng)網(wǎng)絡輸入層有3個神經(jīng)元、隱含層有5個神經(jīng)元、輸出層有1個神經(jīng) 元。所述的神經(jīng)網(wǎng)絡隱含層和輸出層神經(jīng)元傳遞函數(shù)均采用sigmoid函數(shù)。所述的神經(jīng)網(wǎng) 絡首先啟用RAGA算法來優(yōu)化神經(jīng)網(wǎng)絡初始權(quán)值，再對完成初始權(quán)值優(yōu)化的神經(jīng)網(wǎng)絡進行 訓練。所述的對神經(jīng)網(wǎng)絡所采用的訓練方法是BP算法和RAGA算法，在BP算法訓練神經(jīng)網(wǎng) 絡一定次數(shù)時時啟用RAGA算法來加速訓練神經(jīng)網(wǎng)絡，之后再用BP算法訓練神經(jīng)網(wǎng)絡，如 此反復多次，加快神經(jīng)網(wǎng)絡收斂速度，提高神經(jīng)網(wǎng)絡的預測精度。，BP算法訓練神經(jīng)網(wǎng)絡和 RAGA算法訓練神經(jīng)網(wǎng)絡子流程分別見圖2。在步驟(5)中，如果神經(jīng)網(wǎng)絡預測模型訓練次數(shù)達到最大次數(shù)時結(jié)束訓練，使用 完成訓練的神經(jīng)網(wǎng)絡進行咸潮預測。在步驟(6)中，利用訓練后的神經(jīng)網(wǎng)絡進行預測時，先將樣本數(shù)據(jù)歸一化到0. 1和 0. 9之間，再進行輸入，將網(wǎng)絡運算后的輸出值進行反歸一化，即得到咸潮預測值。本發(fā)明提出的基于BP-RAGA耦合神經(jīng)網(wǎng)絡的咸潮短期預測方法，所需歷史數(shù)據(jù)較 少，可以準確快速地預測潮汐河流地區(qū)咸潮變化。利用本發(fā)明，只需收集必需的歷史數(shù)據(jù)， 就可以建立咸潮預測模型，通過計算機仿真試驗和科學預測，從而減少人工預測的工作量 和風險，提高預測質(zhì)量，為原水系統(tǒng)調(diào)度提供科學依據(jù)，保障原水安全供應。


圖1是BP-RAGA耦合神經(jīng)網(wǎng)絡咸潮預測模型總流程圖。圖2是BP-RAGA耦合神經(jīng)網(wǎng)絡咸潮預測模型計算流程圖。圖3是BP-RAGA耦合神經(jīng)網(wǎng)絡日平均咸度預測結(jié)果圖。圖4是BP-RAGA耦合神經(jīng)網(wǎng)絡日不能取水小時預測結(jié)果圖。
具體實施例方式本發(fā)明的技術(shù)方案設(shè)計結(jié)構(gòu)請參見圖1。整個系統(tǒng)包括如下工作步驟1、系統(tǒng)初始化(1)網(wǎng)絡結(jié)構(gòu)確定。對于BP神經(jīng)網(wǎng)絡，任何在閉區(qū)間的一個連續(xù)函數(shù)都可以用單 隱層的BP網(wǎng)絡逼近，因此一個三層BP網(wǎng)絡可以完成任意n維到m維的映射，所以選擇3層BP神經(jīng)網(wǎng)絡進行咸潮預測。選擇最佳隱含層神經(jīng)元數(shù)可參考如下公式<formula>formula see original document page 6</formula>(1)其中k——為樣本數(shù)；nffl——為隱含層神經(jīng)元數(shù)；nj——為輸入層神經(jīng)元數(shù)。nm = h + n, + a(2)其中ni——為輸出層神經(jīng)元數(shù)。a——為[1，10]之間的常數(shù)。= log2(3)因此確定使用具有3層結(jié)構(gòu)的神經(jīng)網(wǎng)絡，其中輸入層有3個神經(jīng)元，隱含層有5個 神經(jīng)元，輸出層有1個神經(jīng)元。(2)數(shù)據(jù)預處理。輸入輸出樣本數(shù)據(jù)矩陣為Ixki，tkl ；i = l-n.,1 = l-ni,k = l*"nk}，則矩陣中任一元素經(jīng)如下公式歸一化到
內(nèi)xfa=0.1+r0.8.卜、--(A(4)。=0.1+m(5)式中ni，ni，nk——分別為輸入層神經(jīng)元數(shù)量、輸出層神經(jīng)元數(shù)量和樣本的數(shù)量。xki——第k個樣本第i個輸入樣本；tkl——第k個樣本第1個輸出樣本；max(xki)，min(xki)——輸入層訓練樣本中的最大值和最小值；max(tkl)，min(tkl)——輸出層訓練樣本中的最大值和最小值。(3)其他參數(shù)設(shè)置。輸入層和隱含層的閾值e都設(shè)為-1 ；輸入層和隱含層之間的權(quán)值 ，j = 1，2…5，i = 1,2,3 ；隱含層和輸出層的權(quán)值!\」，1 = 1，j = 1，2…5。2、利用RAGA算法優(yōu)化神經(jīng)網(wǎng)絡初始權(quán)值(1)設(shè)置初始參數(shù)和目標函數(shù)群體大小為300，進化代數(shù)為30，移民個體取15， 優(yōu)秀個體取20。設(shè)定目標函數(shù)<formula>formula see original document page 6</formula>(6)式中——第1個輸出層神經(jīng)元計算值；(2)優(yōu)化變量初始變化區(qū)間的構(gòu)造。RAGA算法優(yōu)化的是神經(jīng)網(wǎng)絡的初始權(quán)值，給 每個網(wǎng)絡權(quán)值Wji，賦予一個W，l]內(nèi)的隨機數(shù)。(3)父代群體編碼，采用實數(shù)編碼方式，即利用如下公式進行編碼9U) = a{j) + y{j){b{j)-a{j)) ( j=l，2，…，p )(7)式中p——優(yōu)化變量數(shù)目；[a(j),b(j)]——第j個變量的變化區(qū)間；y(j)——針對第j個變量的隨機產(chǎn)生的介于
之間的隨機數(shù)。(4)計算父代群體的目標函數(shù)值。設(shè)群體規(guī)模為n，對父代群體進行編碼，再經(jīng)式 (6)得到相應的目標函數(shù)值f(i)，把{f(i)}按從小到大排序，對應的個體{y(j，i)}也跟著 排序，將最前面的15個個體稱為移民個體。(5)父代個體的適應能力評價。定義排序后第i個父代個體的適應度函數(shù)值F(i) 為 f(0=7(O^T⑻(6)選擇操作。產(chǎn)生第1個子代群體{yl(j，i) | j = 1，2，…，p;i = l，2，…， n}，采取輪盤賭選擇方法，則父代個體y(j，i)的選擇概率ps(i)為ps(i) = F(i)/^F(i)(9)令沖‘)=1><幻，則序列{p(i) |i = 1,2, -,n}把W，l]區(qū)間分成n個子區(qū)間，
k=l
這些子區(qū)間與n個父代個體一一對應。生成n-15個介于W，l]之間的隨機數(shù)lu(k) |k = 1,2,…，n-15}，若 u(k)在(p(i-l)，p(i)]中，則第 i 個個體 y(j，i)被選中，即 yl(j，k) = y(j，i)。這樣從父代群體{y(j，i)}中以概率ps(i)選擇第i個個體，共選擇n-15個個 體。并把步驟(4)產(chǎn)生的15個移民個體直接加進子代群體中，即yl(j，n-15+i) =y(j，i)， i = 1-15。(7)雜交操作，采用中間重組方法。產(chǎn)生第2個子代群體{y2(j，i) | j = 1,2,-", P ；i = 1,2,…，n}。雜交操作根據(jù)式(9)的選擇概率隨機選擇一對父代個體y(j，il)和 y(j，i2)作為雙親，并進行如下隨機線性組合，產(chǎn)生一個子代個體y2(j，i)=+ (1 - U\)y(j,i2),u3 < 0.5 1(⑶) y2(j, i) = u2y{j, H) + (1 _ u2)y(j, il), w3^0.5j式中ul，u2和u3都是介于W，l]的隨機數(shù)。通過這樣的雜交操作，共產(chǎn)生n個子 代個體。(8)變異操作。產(chǎn)生第3個子代群體{y3(j，i) | j = 1,2,…，p ；i = 1,2,…，n}。 采用P個隨機數(shù)以pm⑴=l-ps(i)的概率來代替?zhèn)€體y(j，i)，從而得到子代個體y3(j， i), j = 1,2,…，p。艮<formula>formula see original document page 7</formula>式中，u(j) (j = 1,2,…，p)和um均為介于
的隨機數(shù)。(9)演化迭代。由前面的步驟(6) 步驟⑶得到的3n個子代個體，按其適應度 函數(shù)值從大到小進行排序，取排在最前面的n個子代個體作為下一次演化的父代群體。(10)加速循環(huán)。每一次迭代產(chǎn)生的20個優(yōu)秀個體所對應的變化區(qū)間作為變量新 的初始變化區(qū)間，同時保留最優(yōu)秀的個體，轉(zhuǎn)入步驟(3)。如此循環(huán)，直至算法運行達到預定循環(huán)次數(shù)，把當前群體中最佳個體指定為最終結(jié)果。3、利用BP算法訓練神經(jīng)網(wǎng)絡(1)從第一個樣本k = 1開始訓練，計算隱含層和輸出層計算值。隱含層計算公式<formula>formula see original document page 8</formula>(12)輸出層計算公式<formula>formula see original document page 8</formula>(13)式中f—傳遞函數(shù)，采用sigmoid函數(shù)<formula>formula see original document page 8</formula>Wji——隱含層神經(jīng)元j和輸入層神經(jīng)元i之間的權(quán)值；ffi0——輸入層閾值，設(shè)為-1 ；、——輸出層神經(jīng)元1和隱含層神經(jīng)元j之間的權(quán)值；T10——隱含層閾值，設(shè)為-1 ；Yj——隱含層j神經(jīng)元計算值；0X——輸出層1神經(jīng)元計算值。(2)誤差計算。其中輸出層誤差公式<formula>formula see original document page 8</formula>)(14)隱含層誤差公式<formula>formula see original document page 8</formula>(15)(3)輸入層_隱含層權(quán)值修正，其中隱含層權(quán)值修正<formula>formula see original document page 8</formula>　　　(16)其中a——動量項，a G (0,1)；n——學習系數(shù)，n G (0，1)。隱含層閾值權(quán)值修正<formula>formula see original document page 8</formula>　　　(17)(4)隱含層-輸出層權(quán)值修正，其中輸出層權(quán)值修正<formula>formula see original document page 8</formula>　　　(18)輸出層閾值權(quán)值修正<formula>formula see original document page 8</formula>　　　(19)(5)設(shè)h = h+l，直到該樣本所有訓練次數(shù)巧訓練完畢。設(shè)k = k+l，直到所有訓 練樣本nk訓練完畢。4、利用RAGA算法訓練神經(jīng)網(wǎng)絡除了子步驟(2)、(3)，其余步驟均同步驟2。(2)優(yōu)化變量初始變化區(qū)間的構(gòu)造。RAGA算法優(yōu)化的是BP算法訓練后的網(wǎng)絡權(quán) 值…(包括隱含層和輸出層權(quán)值)，則它們的變化區(qū)間構(gòu)造為[ ，b』，其中<formula>formula see original document page 8</formula>　　　　(20)
式中d——為一正常數(shù)，d G [2，10]；p——優(yōu)化變量的數(shù)量，即所有的隱含層和輸出層權(quán)數(shù)量，p = (rij+l) Xnm+ (nm+l) Xn10(3)父代群體的編碼。采用實數(shù)編碼形式，對于初始群體，將BP算法訓練后的所 有神經(jīng)網(wǎng)絡權(quán)值作為一個個體，其余個體按照公式(7)隨機產(chǎn)生。5、判斷訓練是否結(jié)束當訓練次數(shù)達到規(guī)定次數(shù)時，訓練結(jié)束。6、利用完成訓練的神經(jīng)網(wǎng)絡進行咸潮預測所有樣本訓練結(jié)束后得到包含最終修正權(quán)值的神經(jīng)網(wǎng)絡，使用該神經(jīng)網(wǎng)絡進行預 測，輸出結(jié)果經(jīng)過反歸一化處理可以得到預測值0X = 1. 25X (OfO. 1) X [max (tx) -min (tx) ] +min (tx) (21)圖1的總流程圖中，系統(tǒng)通過神經(jīng)網(wǎng)絡初始化、網(wǎng)絡權(quán)值優(yōu)化、BP算法訓練網(wǎng)絡、 RAGA算法訓練網(wǎng)絡、訓練結(jié)束判斷和咸潮預測六個階段步驟實現(xiàn)。圖2的計算流程圖給出 了每個步驟的詳細說明。下面結(jié)合兩個實施案例對本發(fā)明的基于BP-RAGA耦合神經(jīng)網(wǎng)絡咸 潮預測方法做出詳細說明。案例一、日咸度預測案例本發(fā)明的基于BP-RAGA耦合神經(jīng)網(wǎng)絡咸潮預測方法，結(jié)合日平均咸度預測案例， 包括如下步驟(1)確定預測對象的影響因素。在本案例中，平崗取水口咸度的主要影響因素為前一日的平均咸度、潮位差和上 游水文監(jiān)測站流量。在訓練和預測前，將所有輸入和輸出數(shù)據(jù)值歸一化到0. 1到0. 9之間。(2)建立BP-RAGA耦合神經(jīng)網(wǎng)絡預測模型所述的神經(jīng)網(wǎng)絡為輸入層、隱含層和輸出層構(gòu)成的3層神經(jīng)網(wǎng)絡。其中輸入層有 3個神經(jīng)元、隱含層有5個神經(jīng)元、輸出層有1個神經(jīng)元。隱含層和輸出層傳遞函數(shù)采用 sigmoid函數(shù)，函數(shù)輸出對應0到1的一個連續(xù)區(qū)域。(3)對神經(jīng)網(wǎng)絡進行訓練所述的對神經(jīng)網(wǎng)絡進行訓練是指，將每日的平崗取水口日平均咸度、潮位差和上 游水文監(jiān)測站流量作為一組數(shù)據(jù)，取2004年-2009年10月咸期數(shù)據(jù)作為訓練樣本。BP算 法訓練100000次，RAGA算法訓練25次后結(jié)束訓練，訓練均方根誤差為201mg/L。(4)利用神經(jīng)網(wǎng)絡進行預測利用完成訓練的神經(jīng)網(wǎng)絡預測2009年11-12月的每日平均咸度，首先將樣本數(shù)據(jù) 歸一化到0. 1和0. 9之間，再輸入到神經(jīng)網(wǎng)絡中，將網(wǎng)絡運算后的輸出進行反歸一化，就得 到咸潮預測值，預測結(jié)果見圖3，預測均方根誤差為363mg/L。案例二、咸度超標時預測本發(fā)明的基于BP-RAGA耦合神經(jīng)網(wǎng)絡咸潮預測方法，結(jié)合取水口不能取水小時預 測案例，包括如下步驟(1)確定預測對象的影響因素。在本案例中，平崗取水口咸度日超標時的主要影響因素為前一日的不能取水小 時、潮位差和上游水文監(jiān)測站流量。在訓練和預測前，將輸入輸出數(shù)據(jù)值歸一化到0. 1到
90.9之間。(2)建立BP-RAGA耦合神經(jīng)網(wǎng)絡預測模型所述的神經(jīng)網(wǎng)絡為輸入層、隱含層和輸出層構(gòu)成的3層神經(jīng)網(wǎng)絡。其中輸入層有3個神經(jīng)元、隱含層有5個神經(jīng)元、輸出層有1個神經(jīng)元。隱含層和輸出層傳遞函數(shù)采用 sigmoid函數(shù)，函數(shù)輸出對應0到1的一個連續(xù)區(qū)域。(3)對神經(jīng)網(wǎng)絡進行訓練所述的對神經(jīng)網(wǎng)絡進行訓練是指，將每日的平崗取水口不能取水小時、潮位差和 上游水文監(jiān)測站流量作為一組數(shù)據(jù)，取2004年-2009年10月咸期數(shù)據(jù)作為訓練樣本。BP 算法訓練100000次，RAGA算法訓練25次后結(jié)束訓練，訓練均方根誤差為3. 5小時。(4)利用神經(jīng)網(wǎng)絡進行預測利用完成訓練的神經(jīng)網(wǎng)絡預測2009年11-12月每日咸度超標時數(shù)，首先將樣本數(shù) 據(jù)歸一化到0. 1和0. 9之間，再輸入到神經(jīng)網(wǎng)絡中，并將神經(jīng)網(wǎng)絡運算后的輸出進行反歸一 化，就得到咸潮預測值，預測結(jié)果見圖4，預測均方根誤差為3. 7小時。預測結(jié)果說明，BP-RAGA耦合神經(jīng)網(wǎng)絡咸潮預測模型對訓練和預測都有較好的預 測效果，因而具有較強的推廣能力。本實施例表明，本發(fā)明能夠準確、快速地預測第二天取 水口咸潮影響程度，為制定原水系統(tǒng)調(diào)度預案提供科學依據(jù)，保障原水供應安全，預測方法 有較強的推廣能力，具有廣闊的應用前景。上述的對實施例的描述是為便于該技術(shù)領(lǐng)域的普通技術(shù)人員能理解和應用本發(fā) 明。熟悉本領(lǐng)域技術(shù)的人員顯然可以容易地對這些實施例做出各種修改，并把在此說明的 一般原理應用到其他實施例中而不必經(jīng)過創(chuàng)造性的勞動。因此，本發(fā)明不限于這里的實施 例，本領(lǐng)域技術(shù)人員根據(jù)本發(fā)明的揭示，不脫離本發(fā)明范疇所做出的改進和修改都應該在 本發(fā)明的保護范圍之內(nèi)。
權(quán)利要求
一種潮汐河流地區(qū)取水口咸潮短期預測方法，其特征在于通過分析以下影響因素上游水文監(jiān)測站流量、取水口當日潮位差、取水口日不能取水小時及取水口日平均氯離子濃度，建立BP-RAGA耦合神經(jīng)網(wǎng)絡咸潮預測模型，預測第二日各取水口不能取水小時及日平均氯離子濃度；在預測基礎(chǔ)上確定取水口可取水時間和取水量、內(nèi)河涌水閘開啟和關(guān)閉時間，從而確定第二天潮汐河流原水取水量的時間和空間分布，結(jié)合原水系統(tǒng)優(yōu)化調(diào)度模型，最終確定原水系統(tǒng)調(diào)度預案，保障原水系統(tǒng)安全運行，確保城市供水安全。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于包括以下步驟(1)獲取咸潮預測影響因素及歷史數(shù)據(jù)，確定神經(jīng)網(wǎng)絡預測模型結(jié)構(gòu)和參數(shù)，對數(shù)據(jù)進 行前處理；(2)使用實碼加速遺傳算法(RAGA算法)對網(wǎng)絡初始權(quán)值進行優(yōu)化；(3)利用誤差反向傳播算法(BP算法)對神經(jīng)網(wǎng)絡進行訓練；(4)利用RAGA算法對神經(jīng)網(wǎng)絡進行訓練；(5)判斷神經(jīng)網(wǎng)絡訓練是否結(jié)束，如未結(jié)束，轉(zhuǎn)入步驟(3)，否則轉(zhuǎn)入步驟(6)；(6)利用訓練結(jié)束后的神經(jīng)網(wǎng)絡模型進行咸潮預測。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于所述的取水口氯離子濃度超標時預測模 型的影響因素是指氯離子濃度取水口前一日不能取水小時氯離子濃度、前一日上游水文 監(jiān)測站流量和取水口前一日潮位差；所述的取水口日平均氯離子濃度預測模型的影響因素 是指取水口前一日平均氯離子濃度、前一日上游水文監(jiān)測站流量和取水口前一日潮位差。
4.根據(jù)權(quán)利要求2所述的方法，其特征在于所述的步驟(1)包括對所有樣本數(shù)據(jù)歸 一化到0. 1到0.9之間的過程。
5.根據(jù)權(quán)利要求1或2所述的方法，其特征在于所述的神經(jīng)網(wǎng)絡包括1個輸入層、1 個隱含層和1個輸出層。
6.根據(jù)權(quán)利要求1、2或5所述的方法，其特征在于所述的神經(jīng)網(wǎng)絡的輸入層有3個 神經(jīng)元、隱含層有5個神經(jīng)元、輸出層有1個神經(jīng)元。
7.根據(jù)權(quán)利要求1、2、5或6所述的方法，其特征在于所述的神經(jīng)網(wǎng)絡的隱含層和輸 出層神經(jīng)元傳遞函數(shù)均采用sigmoid函數(shù)。
8.根據(jù)權(quán)利要求1或2所述的方法，其特征在于所述的神經(jīng)網(wǎng)絡首先啟用RAGA算法 來優(yōu)化神經(jīng)網(wǎng)絡初始權(quán)值，再對優(yōu)化了初始權(quán)值的神經(jīng)網(wǎng)絡進行訓練。
9.根據(jù)權(quán)利要求2所述的方法，其特征在于所述的對神經(jīng)網(wǎng)絡所采用的訓練方法是 BP算法和RAGA算法，在BP算法訓練神經(jīng)網(wǎng)絡一定次數(shù)后啟用RAGA來加速訓練此時的網(wǎng)絡 參數(shù)，之后再用BP算法訓練神經(jīng)網(wǎng)絡，如此反復多次，加快神經(jīng)網(wǎng)絡收斂，提高神經(jīng)網(wǎng)絡預 測精度。
10.根據(jù)權(quán)利要求2所述的方法，其特征在于在步驟(5)中，如果神經(jīng)網(wǎng)絡訓練次數(shù) 達到最大次數(shù)時結(jié)束訓練，使用完成訓練的神經(jīng)網(wǎng)絡進行咸潮預測。
11.根據(jù)權(quán)利要求2所述的方法，其特征在于在步驟(6)中，利用訓練后的神經(jīng)網(wǎng)絡 進行預測之前，先將輸入數(shù)據(jù)歸一化到0. 1和0. 9之間，再進行輸入，將網(wǎng)絡運算后的輸出 值進行反歸一化，即得到咸潮預測值。
全文摘要
一種潮汐河流地區(qū)取水口咸潮短期預測方法，通過分析以下影響因素上游水文監(jiān)測站流量、取水口當日潮位差、取水口日不能取水小時數(shù)及取水口日平均氯離子濃度，建立BP-RAGA耦合神經(jīng)網(wǎng)絡咸潮預測模型，預測第二天各取水口不能取水小時及日平均氯離子濃度；在預測基礎(chǔ)上確定各取水口的可取水時間和可取水量，從而確定第二天潮汐河流原水取水量的時間和空間分布，結(jié)合原水系統(tǒng)優(yōu)化調(diào)度模型，最終制定原水系統(tǒng)調(diào)度預案，保障原水系統(tǒng)安全運行，確保城市供水安全。本發(fā)明相對以往預測系統(tǒng)，能充分利用已有信息，動態(tài)確定各影響因素在預測模型中的權(quán)重，提高了預測的靈敏度和準確性，具有更低的漏報率和誤報率。
文檔編號E02B1/00GK101824807SQ20101014848
公開日2010年9月8日 申請日期2010年4月16日 優(yōu)先權(quán)日2010年4月16日
發(fā)明者信昆侖, 劉遂慶, 李樹平, 董曉磊, 陶濤 申請人:同濟大學