污水(shui)(shui)(shui)處理廠進(jin)水(shui)(shui)(shui)量(liang)預(yu)(yu)(yu)測(ce)(ce)(ce)分(fen)(fen)為中長(chang)期(qi)預(yu)(yu)(yu)測(ce)(ce)(ce)和短(duan)期(qi)預(yu)(yu)(yu)測(ce)(ce)(ce)，短(duan)期(qi)預(yu)(yu)(yu)測(ce)(ce)(ce)包括日周期(qi)水(shui)(shui)(shui)量(liang)預(yu)(yu)(yu)測(ce)(ce)(ce)和星期(qi)水(shui)(shui)(shui)量(liang)預(yu)(yu)(yu)測(ce)(ce)(ce)。水(shui)(shui)(shui)量(liang)預(yu)(yu)(yu)測(ce)(ce)(ce)的(de)精(jing)度對污水(shui)(shui)(shui)處理廠設計、運行(xing)具有非常(chang)重要的(de)作(zuo)用(yong)。水(shui)(shui)(shui)量(liang)預(yu)(yu)(yu)測(ce)(ce)(ce)常(chang)規(gui)方(fang)法有時間(jian)序(xu)列(lie)法、回歸分(fen)(fen)析法等。時間(jian)序(xu)列(lie)法根據水(shui)(shui)(shui)量(liang)的(de)歷(li)史數據建模，并(bing)利(li)用(yong)模型預(yu)(yu)(yu)測(ce)(ce)(ce)未來(lai)的(de)水(shui)(shui)(shui)量(liang)；回歸分(fen)(fen)析方(fang)法利(li)用(yong)歷(li)史數據可以建立起水(shui)(shui)(shui)量(liang)與其他(ta)影響(xiang)水(shui)(shui)(shui)量(liang)因(yin)素的(de)關系，由這些因(yin)素未來(lai)數據預(yu)(yu)(yu)測(ce)(ce)(ce)出未來(lai)的(de)水(shui)(shui)(shui)量(liang)值。

現有的(de)水(shui)量(liang)(liang)(liang)預測(ce)(ce)方(fang)(fang)法(fa)存在的(de)主要(yao)問題(ti)是(shi)：由于影響水(shui)量(liang)(liang)(liang)的(de)因(yin)素(su)很多(duo)，而(er)且各因(yin)素(su)與水(shui)量(liang)(liang)(liang)之間(jian)的(de)關系是(shi)復雜多(duo)樣的(de)，因(yin)而(er)要(yao)將(jiang)各種因(yin)素(su)歸于同一回歸方(fang)(fang)程相當困難；時序(xu)模(mo)型能較好地反映水(shui)量(liang)(liang)(liang)本身的(de)變化趨勢，但它(ta)不(bu)能考(kao)慮(lv)其(qi)他因(yin)素(su)對水(shui)量(liang)(liang)(liang)的(de)影響，因(yin)而(er)使預測(ce)(ce)效(xiao)果(guo)不(bu)理(li)(li)想。比較理(li)(li)想的(de)預測(ce)(ce)方(fang)(fang)法(fa)是(shi)將(jiang)回歸分析法(fa)和時間(jian)序(xu)列法(fa)相結合(he)，兩者互為(wei)補充，但需(xu)要(yao)探尋(xun)一種理(li)(li)想的(de)數(shu)學結合(he)方(fang)(fang)法(fa)。同時，水(shui)量(liang)(liang)(liang)預測(ce)(ce)中存在很多(duo)不(bu)確定因(yin)素(su)，在這些(xie)影響因(yin)素(su)下日(ri)水(shui)量(liang)(liang)(liang)數(shu)據(ju)構成了一個非平穩隨機(ji)時間(jian)序(xu)列。

針對上(shang)述(shu)問題，以及污水(shui)(shui)廠進水(shui)(shui)量(liang)依不(bu)同天(tian)(tian)(tian)氣的(de)敏感程度(du)和影響(xiang)程度(du)不(bu)同的(de)特點，重(zhong)點研究了天(tian)(tian)(tian)氣因(yin)素(su)對進水(shui)(shui)量(liang)預(yu)(yu)測(ce)(ce)精(jing)(jing)度(du)的(de)影響(xiang)，將影響(xiang)因(yin)素(su)劃分(fen)為三類，并利用(yong)(yong)人工神經網絡技(ji)術確(que)定(ding)(ding)天(tian)(tian)(tian)氣因(yin)素(su)敏感模型，采用(yong)(yong)水(shui)(shui)量(liang)預(yu)(yu)測(ce)(ce)的(de)分(fen)解建(jian)模方法以克服水(shui)(shui)量(liang)預(yu)(yu)測(ce)(ce)因(yin)天(tian)(tian)(tian)氣因(yin)素(su)的(de)影響(xiang)而呈現的(de)預(yu)(yu)測(ce)(ce)精(jing)(jing)度(du)不(bu)穩(wen)定(ding)(ding)，提(ti)高預(yu)(yu)測(ce)(ce)精(jing)(jing)度(du)對天(tian)(tian)(tian)氣因(yin)素(su)影響(xiang)的(de)魯棒性。

1　基本思路

1.1影響(xiang)因(yin)素(su)的類別劃(hua)分

污水(shui)處理廠水(shui)量(liang)的(de)短期預(yu)(yu)測是(shi)預(yu)(yu)測未來l日(ri)—7日(ri)的(de)水(shui)量(liang)。研究表明(ming)，水(shui)量(liang)預(yu)(yu)測一(yi)般(ban)會受下列三類(lei)因素的(de)影響(xiang)：第(di)一(yi)類(lei)為(wei)日(ri)類(lei)型，第(di)二類(lei)為(wei)天氣狀(zhuang)況，第(di)三類(lei)為(wei)特別事件。

①日類型
日(ri)類型包括工作(zuo)日(ri)(星期(qi)一至星期(qi)五)、雙(shuang)休(xiu)日(ri)和節假(jia)日(ri)(公共節假(jia)日(ri))。預測日(ri)的日(ri)類型不同，水量變化(hua)是(shi)有(you)一定區別的。

②天氣狀況
在相(xiang)同的日類型前提下，天(tian)氣(qi)(qi)狀況如日最(zui)(zui)高溫(wen)(wen)度、最(zui)(zui)低溫(wen)(wen)度、天(tian)氣(qi)(qi)情(qing)況、降雨量(liang)、降雨歷(li)程等對進(jin)水量(liang)變(bian)化曲線的影響。

③特別事件
特別事(shi)件是指一些非經(jing)常(chang)性出現的事(shi)件，其構成對進水量(liang)的影響是和日類型及天(tian)氣狀況不相(xiang)關的影響。如重要政治、經(jing)濟(ji)活動(dong)等以及設(she)備檢修(xiu)、事(shi)故發生與處(chu)理等。

1.2水量預測(ce)信息的構(gou)成及來源

考慮因(yin)素影(ying)響(xiang)的短期水(shui)量(liang)預測需(xu)要三類信(xin)息：污水(shui)處理廠(chang)運(yun)行記錄的進水(shui)量(liang)歷(li)史(shi)(shi)數據；氣象部門提供天(tian)氣狀況的歷(li)史(shi)(shi)數據和預報數據；可以獲知的特別(bie)事件是(shi)否發生的有關信(xin)息。

2　預測模型的建立

污水(shui)(shui)(shui)廠日(ri)(ri)進水(shui)(shui)(shui)量(liang)特征(zheng)及(ji)日(ri)(ri)周期水(shui)(shui)(shui)量(liang)預(yu)測(ce)(ce)均可用(yong)日(ri)(ri)水(shui)(shui)(shui)量(liang)曲(qu)(qu)線(xian)(xian)表征(zheng)，日(ri)(ri)水(shui)(shui)(shui)量(liang)曲(qu)(qu)線(xian)(xian)一(yi)(yi)般為按(an)小(xiao)時間隔的(de)(de)(de)(de)某(mou)時刻的(de)(de)(de)(de)水(shui)(shui)(shui)量(liang)組成(cheng)。從(cong)大量(liang)的(de)(de)(de)(de)日(ri)(ri)水(shui)(shui)(shui)量(liang)曲(qu)(qu)線(xian)(xian)中可以看出(chu)，盡管受1.1所(suo)述三個因素(su)的(de)(de)(de)(de)影響(xiang)而每日(ri)(ri)有(you)所(suo)變化，但對(dui)于特定(ding)的(de)(de)(de)(de)污水(shui)(shui)(shui)處理廠，水(shui)(shui)(shui)量(liang)曲(qu)(qu)線(xian)(xian)仍有(you)兩個較固(gu)定(ding)的(de)(de)(de)(de)特點：一(yi)(yi)是(shi)最大水(shui)(shui)(shui)量(liang)和最小(xiao)水(shui)(shui)(shui)量(liang)出(chu)現的(de)(de)(de)(de)時刻基本固(gu)定(ding)，雖然有(you)一(yi)(yi)個小(xiao)區(qu)間的(de)(de)(de)(de)變化范圍；二是(shi)水(shui)(shui)(shui)量(liang)曲(qu)(qu)線(xian)(xian)的(de)(de)(de)(de)形狀(zhuang)基本相近。但是(shi)在實際預(yu)測(ce)(ce)中，任意某(mou)固(gu)定(ding)時刻影響(xiang)水(shui)(shui)(shui)量(liang)預(yu)測(ce)(ce)因素(su)的(de)(de)(de)(de)數(shu)據一(yi)(yi)般難(nan)于得(de)到(dao)，如(ru)天氣(qi)因素(su)在每個固(gu)定(ding)的(de)(de)(de)(de)時刻都將對(dui)水(shui)(shui)(shui)量(liang)產生影響(xiang)，然而就天氣(qi)狀(zhuang)況(kuang)預(yu)測(ce)(ce)數(shu)據而言，氣(qi)象臺預(yu)測(ce)(ce)數(shu)據一(yi)(yi)般是(shi)按(an)天來(lai)提供的(de)(de)(de)(de)，只(zhi)有(you)預(yu)測(ce)(ce)日(ri)(ri)的(de)(de)(de)(de)最高(gao)溫度(du)、最低(di)溫度(du)、天氣(qi)狀(zhuang)況(kuang)、平(ping)均濕(shi)度(du)等(deng)數(shu)據。特別(bie)(bie)事件(jian)一(yi)(yi)般則很難(nan)得(de)到(dao)確定(ding)性信息，對(dui)其準確的(de)(de)(de)(de)發生時間、持續時間及(ji)影響(xiang)等(deng)都是(shi)十分模糊的(de)(de)(de)(de)。因此(ci)，采用(yong)不對(dui)每一(yi)(yi)個預(yu)測(ce)(ce)點進行分別(bie)(bie)建(jian)模和預(yu)測(ce)(ce)，而是(shi)采用(yong)水(shui)(shui)(shui)量(liang)預(yu)測(ce)(ce)分解(jie)建(jian)模的(de)(de)(de)(de)方法。

2.1水量預(yu)測分解建模方(fang)法

2.1.1樣本非常數據影響的削弱

因偶然因素引起實際水量較大波動的數據(預測時＞1.25或＜0.85倍的平均值)定義為水量預測的非常數據，對這類非常數據作如下處理。
取第i日同一時刻j的水量數據WQ(i,j)構成數組：
　　　　　{WQ(i,j)i=1,2,……,n;j=1,2,……,24}
    其平(ping)均值為(wei)：

2.1.2水量(liang)變化系(xi)數模型

假設日最大和最小水量分別為WQMAX和WQMIN，WQ(j)為第j時刻的進水量，日水量曲線變化的形狀由各時刻水量變化系數WQcoe(j)來表達：
　　　　WQcoe(j)=f［WQMAX,WQ(j),WQMIN］=［WQMAX-WQ(j)］/［WQMAX-WQMIN］　　　　　　　(3)
　　式中　　j——日(ri)水量時刻(ke)的序號，取j＝1，2，…，24

采用將日最大和日最小水量分別建模的方法，分別預測出WQMAX和WQMIN 以及時刻水量變化系數WQcoe(j)，便可得到預測日時刻的水量：
　　　　WQ(j)＝WQMAX-WQcoe(j)×(WQMAX-WQMIN)
　　　　　　j＝1，2，…，24　　　　　　　　　(4)
　　上式是完全基(ji)于對(dui)水(shui)量(liang)(liang)變化的物(wu)理意義(yi)得(de)出的，和常規的僅從水(shui)量(liang)(liang)樣本序列(lie)本身為(wei)研究對(dui)象得(de)出的預測方法(fa)有著本質的區別。

2.1.3各時刻WQcoe(j)的預測模型

日時刻進水量的變化系數，除受日類型、天氣狀況和特別事件的影響外，還和預測日臨近的前n日的水量變化系數有關，用函數表示為如下數學關系：
　　　　WQcoe(j)＝f［Dcoe，Wcon，Spe，WQcoe(i，j)］　　　　　　　(5)
　　式中　　Dcoe——日類型系數
　　　　　　Wcon——天氣狀況因素系數
　　　　　　Spe——特別事件因素系數
　　　　　　WQcoe(i，j)——預測日前i日第j時刻的水量變化系數
　　式中的(de)Dcoe、Wcon、Spe因素(su)(su)，從物理上(shang)分(fen)析(xi)都(dou)是日類(lei)型的(de)不(bu)同(tong)。如(ru)果Dcoe、Wcon、Spe三個因素(su)(su)的(de)日類(lei)型相近(jin)，就認(ren)為其水量(liang)變化系數相近(jin)。

設預測日可能的基本日類型為Dbase，在預測日臨近的n日里，選取k日，使之滿足：
　　　　　Dcoe(ni)＝Dbase(i＝1，…，k)　　　　(6)
 　　式中　Dcoe(ni)——臨近預測日(ri)(ri)ni日(ri)(ri)的基本日(ri)(ri)類(lei)型(xing)

按(an)Fuzzy聚類(lei)(lei)分析(xi)方(fang)法［1］，利用(yong)日(ri)類(lei)(lei)型(xing)其他兩(liang)個特征因(yin)素(su)Wcon、Spe，由Dcoe(ni)(i=1，…，k)組成k維(wei)樣本(ben)(ben)空間(jian)，選取(qu)與預測日(ri)的日(ri)類(lei)(lei)型(xing)真正相近的g維(wei)最終樣本(ben)(ben)空間(jian)Dcoe(ni)(i=1，…，g)，按(an)這種思路(lu)，提(ti)取(qu)樣本(ben)(ben)特征后在進行(xing)Fuzzy聚類(lei)(lei)分析(xi)之前，需要對天氣狀況Wcon和特別事件(jian)Spe進行(xing)預處理(li)：首先，根(gen)據預測經驗按(an)表(biao)1對天氣狀況和特別事件(jian)選取(qu)區別系數。

表1　　天(tian)氣(qi)狀況和特別事(shi)件系數

然后由選定的Wcon和Spe計算日類型系數Dcoe
　　　　　　　　　　　Dcoe(kj)＝COEWcon(kj)ALPHAWcon+COESpe(kj)ALPHASpe　　　　　(7)
　　式中　　Dcoe(kj)——預測日臨近第kj日的日類型系數
　　　　　　COEWcon(kj)——預測日臨近第kj日的天氣狀況區別系數
　　　　　　COESpe(kj)——預測日臨近第kj日的特別事件區別系數
　　　　　　ALPHA——預測者考慮因素的權重，實際預測時：
　　　　ALPHAWcon+ALPHASpe=1　　　　　　　　　　　　　　　　　　　　　　　(8)

這樣，在Dcoe(ni)(i=l，…，k)組(zu)成(cheng)的k維樣本(ben)空(kong)間(jian)(jian)里(li)，選取(qu)最小的g日，組(zu)成(cheng)最終的g維樣本(ben)空(kong)間(jian)(jian)Dcoe(ki)(i=l，…，g)。并(bing)認為：Dcoe(ki)(i＝l，…，g)樣本(ben)空(kong)間(jian)(jian)里(li)的g日的日水量(liang)變(bian)(bian)化系數(shu)(shu)和預(yu)測日相近，取(qu)其平均值就得到預(yu)測日水量(liang)變(bian)(bian)化系數(shu)(shu)：

　　式中　　j——水量曲線中的時刻序號，一般j=1,2,…,24
　　　　　　WQcoe(ki,j)——預測日(ri)臨近第(di)ki日(ri)第(di)j時刻的水量變化系(xi)數(shu)

2.2　WQMAX和(he)WQMIN水量的預(yu)測模型

如前所述，日最大WQMAX和最小WQMIN水量受日類型、天氣和特別事件的影響，同時還和最近的前n日的最大水量有關，用函數關系表示為：
　　　　　WQMAX=f［Dcoe，Wcon，Spe，WQMAX(i)］　　　　(10)
　　　　　WQMIN=f［Dcoe，Wcon，Spe，WQMIN(i)］　　　　(11)
　　式中　WQMAX(i)——預測日前i日的最大水量
　　　　　WQMIN(i)——預測日前(qian)i日的最小水(shui)量

3　水量預測(ce)的BP方法

污(wu)水(shui)處理(li)(li)廠進(jin)(jin)水(shui)量(liang)(liang)預測屬(shu)非線(xian)性(xing)系(xi)統的(de)求解問(wen)(wen)題(ti)，人工神經(jing)網絡(luo)應用于(yu)處理(li)(li)非線(xian)性(xing)問(wen)(wen)題(ti)是(shi)一個(ge)有效的(de)方法(fa)，在大量(liang)(liang)的(de)神經(jing)網絡(luo)模(mo)(mo)型中，BP網絡(luo)結構簡單且能(neng)較好地表達非線(xian)性(xing)系(xi)統的(de)穩態特(te)性(xing)。在污(wu)水(shui)處理(li)(li)系(xi)統中，不管是(shi)污(wu)水(shui)處理(li)(li)廠前期設計還是(shi)運行控制，水(shui)量(liang)(liang)都(dou)是(shi)人們關心的(de)問(wen)(wen)題(ti)，特(te)別是(shi)最大進(jin)(jin)水(shui)量(liang)(liang)。最大水(shui)量(liang)(liang)預測的(de)BP模(mo)(mo)型如圖1所(suo)示。

BP網絡用于(yu)預(yu)測的(de)關鍵(jian)，一是(shi)學(xue)習樣(yang)(yang)本(ben)(ben)的(de)選取及(ji)樣(yang)(yang)本(ben)(ben)特征的(de)提取，用一定(ding)數量(liang)(liang)的(de)輸入和(he)輸出節(jie)點(dian)訓練(lian)量(liang)(liang)來映(ying)射預(yu)測水量(liang)(liang)的(de)非線(xian)性(xing)關系(xi)，訓練(lian)樣(yang)(yang)本(ben)(ben)的(de)選取直接關系(xi)到預(yu)測模型建立(li)的(de)正確性(xing)；二是(shi)在于(yu)神經元連(lian)接權重等參(can)數的(de)確定(ding)。這些參(can)數是(shi)通過誤差(cha)反傳學(xue)習算法，利用選定(ding)的(de)學(xue)習樣(yang)(yang)本(ben)(ben)進行訓練(lian)而(er)得到的(de)。

在學習(xi)訓練過程中考核學習(xi)“效果”的主要手段是樣本集(ji)誤差達到給(gei)定值(zhi)，即代價函數：

　　式中　　p——表示樣本
　　　　　　q——表示輸出節點
　　　　　　Tpq——節點q第p個樣本的期望值
　　　　　　Opq——對應的實際計算(suan)輸出(chu)值

用訓練成功的網絡進行最(zui)大最(zui)小水量預測。

預測最大水量BP網絡基本參數：輸入層節點數為12個，每一個節點對應于考慮因素集合中的一個信息輸入量。
　　{WQMAX(i-1),TMAX(i-1),TMIN(i-1),H(i-1),Wcon(i-1);
　　WQMAX(i-2),TMAX(i-2),TMIN(i-2),H(i-2),Wcon(i-2);Dbase,Spe}
　　式中　　(i-1)、(i-2)——預測日前一日、前兩日
　　　　　　T————————溫度
　　　　　　H————————濕度

對最小水(shui)量預測只需將輸入因(yin)素集(ji)合中WQMAX換成WQMIN即可。

輸出節(jie)點(dian)(dian)數為1，隱層節(jie)點(dian)(dian)數為24，動(dong)量(liang)因(yin)子和學(xue)(xue)習(xi)(xi)速(su)率采(cai)(cai)用自(zi)適(shi)應(ying)動(dong)態(tai)(tai)調整的方法［2］，動(dong)態(tai)(tai)調整系數取0～0.5，收斂誤差(cha)取0～0.01。學(xue)(xue)習(xi)(xi)訓練樣(yang)(yang)本由某污水(shui)廠最近一年(nian)的水(shui)量(liang)數據和天(tian)氣(qi)狀況數據組成。為了(le)(le)減少訓練樣(yang)(yang)本量(liang)，提(ti)高學(xue)(xue)習(xi)(xi)效率，減少計算時間(jian)，采(cai)(cai)用了(le)(le)隨機(ji)抽(chou)樣(yang)(yang)樣(yang)(yang)本學(xue)(xue)習(xi)(xi)方法，具體做法是將一年(nian)的數據每月隨機(ji)抽(chou)取7日(ri)168點(dian)(dian)和每日(ri)的天(tian)氣(qi)狀況組成樣(yang)(yang)本空間(jian)。

4　實例分析

以某污水處理廠1999年全年水量數據和天氣狀況為訓練樣本，進行ANN學習訓練，樣本學習在K6—2—266CPU兼容機上完成，共耗機時為185 min32 s。預測2000年1月8日—14日和4月22日—28日的各日水量，并進行誤差分析。記Xforei為預測值，Xreali為實際記錄值。百分誤差EERRORi、方差ESQ、平均誤差EAVE
R的計算式分(fen)別為(wei)：

　　　　
預測結果見表2(預測耗用機時為29 s)。
 

表2　預測結果數據

5 結論

從實用出(chu)發，以全新(xin)的(de)角度進(jin)行(xing)(xing)了(le)短期水(shui)量預測(ce)的(de)研究，采用BP神經網絡技術提(ti)(ti)出(chu)了(le)考慮不確定(ding)因(yin)素(su)(su)影響的(de)分解建模方法，從物理本(ben)質上說(shuo)明了(le)水(shui)量與其相(xiang)關(guan)因(yin)素(su)(su)的(de)關(guan)系，并以實例進(jin)行(xing)(xing)了(le)預測(ce)模型和(he)相(xiang)應算法的(de)描述(shu)，同時提(ti)(ti)出(chu)了(le)解決提(ti)(ti)高(gao)預測(ce)精度及(ji)預測(ce)精度穩定(ding)性問題的(de)新(xin)思路。隨(sui)著影響因(yin)素(su)(su)數據(ju)提(ti)(ti)供得更(geng)詳(xiang)細和(he)樣本(ben)更(geng)豐富，整個(ge)預測(ce)可(ke)以更(geng)完美，預測(ce)的(de)魯(lu)棒性更(geng)強。應當說(shuo)明在采用ANN建模時，存在收(shou)斂性、收(shou)斂速(su)率及(ji)建模優化等(deng)問題，有待進(jin)一(yi)步(bu)研究。

參考文獻：

［1］Zadeh L A.Fuzzy Sets［J］.Journal of Information and Control,1965，(8)：338-353.
［2］劉增良,劉增才.因素神經網絡及實現策略研究［M］.北京：北京師范大學出版社,1992.
［3］鄧聚龍.灰色預測與決策［M］.武漢：華中理工大學出版社，1986.
［4］Shafer G.A Mathematical Theory of Evidence［M］.Princeton University Press,1996.
［5］朱冰靜.預測原理與方法［M］.上海：上海交通大學出版社，1991.
 

  使用微信“掃一掃”功能添加“谷騰環保網”

相關文章