基于Elman神经网络的排水管网液位预测.pdf

《基于Elman神经网络的排水管网液位预测.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、给水排水工程器WaterSupply&DrainageEngineering基于Elman神经网络的排水管网液位预测欧阳琛(中铁第四勘察设计院集团有限公司，湖北武汉430063)摘要：建立了排水管网液位的Elman神经网络预测模型．以液位和雨量的监测数据为输入．未米的液位值为输出提前5、15、45和60min的预测平均绝对误差分别为2．07％、3．75％、8．39％和9．49％，与BP神经网络对比，Elman神经网络的拟合和预测效果分别提升约23％和2l％。结果表明，基于Elman神经网络的管网预测

2、模型具有良好的预测效果，可以为建立排水管网的在线预测预警系统提供有效的方法支持关键词：排水管网；液位预测：Elman神经网络；BP神经网络中图分类号：TU992．03文献标志码：B文章编号：1009—7767(2016)01—0093—03LiquidLevelForecastofDrainagePipelinebyElmanNeuralNetworkOuyangChert我国排水管网普遍存在规划设计不足、雨污混接、养护管理不善等问题。近年来．许多城市在汛期发生“内涝”事件。造成了极大的经济损失。及

3、时发现和预防排水事故成为亟需解决的问题。基于排水系统的监测数据建立管网的实时预测模型．可以对管网的运行风险进行及时的预警。排水管网的建模通常采用水力和水文模型，通过SWMM等软件仿真管网在不同条件下的运行状况，需要经过反复的调试和历史数据验证．因此不能进行实时的预测。神经网络是一种替代性的方法，它具有强大的非线性映射能力。近年来．国外一些学者应用该法进行了排水管网的液位预测，取得了较好的结果【It】，而国内的相关报道较少。由于管网液位的预测是一个在线监测数据不断更新的动态过程，BP神经网络是一种静态

4、的前馈型网络。容易陷入局部最小点，因此笔者提出可适应时变特性的Elman神经网络模型，它是一种反馈神经网络。具有动态递归性和良好的联想记忆功能【3l。笔者将建立Elman神经网络模型，通过雨量和液位的在线监测值，预测排水管网的未来液位。同时，将Elman神经网络与BP神经网络相比，验证模型的正确性。1Elman神经网络基本理论1．1网络结构Elman神经网络一般具有4层结构：输入层、隐含层、承接层和输出层13I。输入层、隐含层、输出层的连接类似于前馈型网络，承接层用来记忆隐含层单元前一时刻的输出值并

5、返回给网络的输入．是一个一步延时算子。Elman神经网络的特点是通过隐含层的延迟与存储，使其对历史数据具有敏感性，达到动态建模的目的。1．2网络学习算法Elman神经网络的非线性状态空间表达式为：y(k)=g(删k(尼)+61)；x(k)=厂(叫1X。(七)+叫二u(k—1)+61)；戈。(矗)=x(k-1)。式中：七表示时刻；Ⅱ、X、，一为输人层、隐含层和输出层节点向量；戈，为凡维反馈状态向量；埘1、W二、W3分别为承接层到隐含层、输入层到隐含层、隐含层到输出层的连接权值；6。、b：分别为输入层和

6、隐含层的阈值；g(戈)，(z)为输出层和隐含层神经元的传递函数。2模型建立2．1研究数据以某污水管道连续17d(2014_08一18—2014-09-03)的液位监测数据及其附近的雨量监测数据作为研究对象，时间间隔均为5min，其监测数据图见图l。污水管道在旱季的整体运行状况较好．均处于管顶高度以下。期间，共发生4场降雨，污水管道的液位均发生显著增高，存在较高的溢流风险。Z016卑1期(1一)第34拳辛荭投木93器给水排水工程WaterSupply&DrainageEngineering时问，d一液

7、位一雨量⋯．管顶／地面高度图l管道液位与雨量的监测数据图2．2数据的预处理数据的归一化处理可以防止数值低的特征被淹没．同时加快程序的收敛速度。数据处理采用最大最小值法．计算公式如下：y=』兰吐。戈nH--Xnin式中：Y为监测数据的换算值；戈。叭戈～分别为数据的最小值和最大值。处理后的数据分成2组．前80％的l组数据作为训练样本，进行液位拟合，训练网络参数；后20％的另l组数据作为验证样本，进行液位预测，验证模型的预测效果。2．3网络结构及参数的确定模型的输出节点为k时刻的液位．而输入节点为k时刻前

8、的雨量和液位。建模关键在于确定雨量和液位的期数。通过反复的学习和训练，最终确定利用前4期(后一4至后一l时刻)的液位值和前8期(J

9、}一8至I

10、}一1时刻)的雨量值，预测k时刻液位，即提前预测5min。为了验证模型的预测性能，同时建立输出节点为k+2、k+8、后+11时刻的液位模型，即提前预测15、45、60rain的情况。隐含层选用2层结构，节点数均为8，最后的Elman神经网络结构为12—8—8一l。各参数值分别为：输出和隐含层神经元的传递函数分别采用“logsi