趙鐘聲，許景輝,*，王 雷，王一琛

（1.西北農(nóng)林科技大學(xué) 旱區(qū)農(nóng)業(yè)水土工程教育部重點(diǎn)實(shí)驗(yàn)室，陜西 楊凌 712100； 2.西北農(nóng)林科技大學(xué) 水利與建筑工程學(xué)院，陜西 楊凌 712100； 3.西北農(nóng)林科技大學(xué) 機(jī)械與電子工程學(xué)院，陜西 楊凌 712100）

0 引 言

灌區(qū)渠道工程主要包括總干、干、支、斗、農(nóng)渠及其相關(guān)輸擋水建筑物[1]，各渠道運(yùn)行健康狀況跟灌區(qū)水資源利用效率密切相關(guān)[2]。傳統(tǒng)渠系滲漏等健康狀態(tài)判別主要通過人工巡視的方法進(jìn)行[3]，此方法不但費(fèi)時(shí)費(fèi)力，無法判明水下建筑物狀況，還因巡檢人員經(jīng)驗(yàn)不同而造成誤判或漏判，導(dǎo)致灌區(qū)水資源嚴(yán)重浪費(fèi)。當(dāng)前現(xiàn)代化灌區(qū)已基本實(shí)現(xiàn)渠道流量、流速、水位變化等數(shù)據(jù)自動(dòng)采集記錄[4-6]?！狙芯恳饬x】但灌區(qū)僅對(duì)周期性水量進(jìn)行統(tǒng)計(jì)[7]，如果能通過數(shù)據(jù)挖掘等先進(jìn)技術(shù)，揭示渠系用水規(guī)律，發(fā)現(xiàn)并提取渠系運(yùn)行健康評(píng)測(cè)指標(biāo)，這將對(duì)提高水資源利用效率以及灌區(qū)生產(chǎn)、管理起到積極作用并產(chǎn)生重要意義。

數(shù)據(jù)挖掘是指根據(jù)特定業(yè)務(wù)目標(biāo)從海量數(shù)據(jù)中提取潛在有效且可以理解的、模式的高級(jí)過程[8-10]?！狙芯窟M(jìn)展】常占峰[11]采用Geodatabase 地理數(shù)據(jù)庫技術(shù)對(duì)特定灌區(qū)水文數(shù)據(jù)進(jìn)行組織研究，提出昌馬灌區(qū)水文數(shù)據(jù)組織建模思路框架。宋海瑞等[12]基于都江堰灌區(qū)數(shù)據(jù)中心建立了相應(yīng)數(shù)據(jù)挖掘模型。趙麗華[13]對(duì)灌區(qū)渠系數(shù)據(jù)中水情監(jiān)測(cè)判別方法進(jìn)行了相關(guān)探討研究。Moavenshahidi 等[14]利用灌區(qū)自動(dòng)通道控制的水位數(shù)據(jù)研發(fā)了一種計(jì)算機(jī)模型，用于估算灌區(qū)不同通道河段的滲流率。李釗等[15]通過數(shù)據(jù)挖掘并引進(jìn)機(jī)器學(xué)習(xí)思想，提出一種渠道糙率直接反演方法?！厩腥朦c(diǎn)】以上研究都是通過數(shù)據(jù)挖掘?qū)鄥^(qū)水文水情、規(guī)劃設(shè)計(jì)、渠道糙率等的探討，而對(duì)數(shù)據(jù)挖掘技術(shù)在檢測(cè)灌區(qū)渠系建筑物運(yùn)行健康方面研究較少。

本文基于陜西關(guān)中地區(qū)某灌區(qū)總干、干、支、斗渠道2014 年10 月—2018 年10 月流量數(shù)據(jù)以及灌區(qū)渠道輸水灌溉發(fā)生運(yùn)行不良狀況的各項(xiàng)異常終端報(bào)警信息，提取渠道運(yùn)行不良關(guān)鍵特征指標(biāo)?！緮M解決的關(guān)鍵問題】通過LM（Levenberg Marquard）神經(jīng)網(wǎng)絡(luò)構(gòu)建灌區(qū)渠道運(yùn)行健康檢測(cè)模型，并與傳統(tǒng)BP（Back-ProPagation Network）神經(jīng)網(wǎng)絡(luò)、CART（Classification and Regression Tree）決策樹識(shí)別模型進(jìn)行對(duì)比，探究LM 網(wǎng)絡(luò)模型在渠系運(yùn)行健康識(shí)別方面效果，為灌區(qū)合理判別渠道運(yùn)行健康狀態(tài)提供理論研究與技術(shù)支持。

1 材料與方法

1.1 研究區(qū)概況

選取灌區(qū)位于陜西關(guān)中地區(qū)，類型為大型（Ⅱ）灌區(qū)，主要種植作物為玉米、棉花、冬小麥等。2010年灌區(qū)進(jìn)行了現(xiàn)代化建設(shè)改造，在灌區(qū)總干、干、支、斗各級(jí)渠道渠首設(shè)水量測(cè)控裝置，其數(shù)據(jù)以1 h 為間期回傳管理中心。在總干、干、支渠道區(qū)段內(nèi)設(shè)水位、流速、淤積度監(jiān)測(cè)報(bào)警裝置。

灌區(qū)渠系分布主要為：3 個(gè)總干渠（總南干渠（S）、總中干渠（M）、總北干渠（N））；7 個(gè)干渠（南干渠Ⅰ（S-A）、南干渠Ⅱ（S-B）），中干渠Ⅰ（M-A）、中干渠Ⅱ（M-B）、中干渠Ⅲ（M-C），北干渠Ⅰ（N-A）、北干渠Ⅱ（N-B））；40 個(gè)支渠（例：S-A1、S-B1等）以及若干斗渠等。

1.2 數(shù)據(jù)抽取與探索分析

與灌區(qū)渠道運(yùn)行健康狀態(tài)相關(guān)的原始數(shù)據(jù)主要為實(shí)時(shí)流量，水位、流速超警戒或低警戒報(bào)警數(shù)據(jù)、淤積度報(bào)警數(shù)據(jù)以及渠道發(fā)生運(yùn)行不良記錄數(shù)據(jù)等。本模型所用數(shù)據(jù)為2014 年10 月—2018 年10 月灌區(qū)內(nèi)總干、干、支渠道運(yùn)行不良相關(guān)數(shù)據(jù)以及主要灌溉時(shí)期內(nèi)部分運(yùn)行良好的總干、干、支、斗渠道數(shù)據(jù)，并應(yīng)用周期性分析方法對(duì)流量數(shù)據(jù)進(jìn)行數(shù)據(jù)探索分析。

如圖1 所示，當(dāng)渠道運(yùn)行健康時(shí)，上級(jí)渠道渠首引水平均流量減去運(yùn)行正常下級(jí)各渠道渠首引水平均流量總和在一定范圍內(nèi)比較平穩(wěn)，波動(dòng)不大；而當(dāng)渠道運(yùn)行不健康時(shí)，非正常運(yùn)行渠道上，其上級(jí)渠道渠首引水平均流量減去運(yùn)行不正常下級(jí)各渠道渠首引水平均流量總和的差值隨時(shí)間變大，而后在一定波動(dòng)范圍趨于穩(wěn)定。

圖1 渠道運(yùn)行正常與非正常時(shí)流量趨勢(shì)變化對(duì)比圖 Fig.1 Comparison of traffic trends during normal and abnormal channel operation

1.3 特征指標(biāo)提取

從數(shù)據(jù)庫得到的渠道流量數(shù)據(jù)雖在一定程度上能反應(yīng)出渠道運(yùn)行不健康規(guī)律特征，但要作為構(gòu)建模型專家樣本輸入項(xiàng)，在特征表現(xiàn)上不夠明顯。本文基于數(shù)據(jù)變換，得到新的特征評(píng)價(jià)指標(biāo)來反映渠道運(yùn)行健康狀況特征規(guī)律。

渠道運(yùn)行狀況特征指標(biāo)評(píng)價(jià)體系主要為：

1）單位時(shí)間流量損失率增長趨勢(shì)指標(biāo)

假設(shè)在灌水周期幾天或幾周內(nèi)灌區(qū)渠道沿程水量損失（水分蒸發(fā)、渠道滲漏等）隨外界變化波動(dòng)不大，q損定值。對(duì)運(yùn)行狀況良好渠道有q進(jìn)=q出+q沿?fù)p；當(dāng)渠道運(yùn)行不良，發(fā)生事故造成水量損失q損時(shí)，有q進(jìn)= q出+q沿?fù)p+q損。

同一個(gè)渠道同一時(shí)間段內(nèi)單位時(shí)間流量損失率為wi=（q損/q進(jìn)）×100%。若wi增大，說明單位時(shí)間流量損失占q進(jìn)比重越來越大。對(duì)同一個(gè)渠道來說，在q損不變情況下，表明渠道有其他水量損失，說明渠道運(yùn)行出現(xiàn)漏水等不健康狀況。

當(dāng)渠道運(yùn)行不良時(shí)，在短時(shí)間內(nèi)其單位流量損失率急劇增加，而后趨于平緩。但由于渠道單位時(shí)間流量損失率存在波動(dòng)，單純以前一個(gè)單位時(shí)間流量損失率與后一流量損失率相比誤差過大。通過對(duì)該灌區(qū)渠道流量損失率誤差數(shù)據(jù)分析發(fā)現(xiàn)，當(dāng)2 個(gè)流量損失率誤差大于0.9%以上時(shí)，渠道流量損失會(huì)產(chǎn)生較大變化。本研究考慮后一個(gè)單位時(shí)間流量損失率比前一個(gè)損失率的增長率是否大于1%。若增長率大于1%，則渠道運(yùn)行狀況可判為不健康。

設(shè)在一個(gè)統(tǒng)計(jì)周期內(nèi)單位時(shí)間流量損失率統(tǒng)計(jì)為：

2）輸水量損失增長趨勢(shì)指標(biāo)

同單位時(shí)間流量損失率增長趨勢(shì)指標(biāo)假設(shè)一樣，w沿?fù)p為定值。則在統(tǒng)計(jì)周期單位時(shí)間步長內(nèi)渠道進(jìn)水量w進(jìn)、出水量w出和輸水損失ki關(guān)系式為ki=w進(jìn)-w出-w損，其中i 為第幾單位時(shí)間步長序號(hào)，i=1、2、3、4、…m。

3）測(cè)控告警類指標(biāo)

與灌區(qū)渠道輸水運(yùn)行非健康相關(guān)報(bào)警主要有渠道水位超警戒線、低警戒線，流速過大、過小報(bào)警以及渠道淤泥度監(jiān)測(cè)報(bào)警等，本研究以計(jì)算發(fā)生與灌區(qū)渠道輸水灌溉期間運(yùn)行非健康相關(guān)報(bào)警次數(shù)總和為測(cè)控告警類指標(biāo)。

1.4 構(gòu)建專家樣本

對(duì)2014 年10 月—2018 年10 月該灌區(qū)內(nèi)運(yùn)行非健康渠道以及灌水期內(nèi)部分運(yùn)行良好渠道的流量、告警數(shù)據(jù)和該渠道在統(tǒng)計(jì)步長周期內(nèi)運(yùn)行是否健康標(biāo)志，按渠道運(yùn)行狀況特征評(píng)價(jià)指標(biāo)進(jìn)行處理并選取其中915 個(gè)樣本數(shù)據(jù)，得到專家樣本數(shù)據(jù)庫。

表1 專家樣本數(shù)據(jù)示例 Table 1 The expert sample data example

在構(gòu)建專家樣本數(shù)據(jù)中，對(duì)總干渠、干渠以1 h為1 個(gè)統(tǒng)計(jì)周期，其中單位時(shí)間流量步長以5 min 為1 個(gè)時(shí)間段計(jì)，單位時(shí)間輸水量步長以10 min 為1 個(gè)時(shí)間段計(jì)；對(duì)支渠以2 h 為1 個(gè)統(tǒng)計(jì)周期，單位時(shí)間流量步長以10 min 為1 個(gè)時(shí)間段計(jì)，單位時(shí)間輸水量步長以20 min 為1 個(gè)時(shí)間段計(jì)。

1.5 模型構(gòu)建

灌區(qū)渠道運(yùn)行是否健康的識(shí)別可通過構(gòu)建分類預(yù)測(cè)模型來實(shí)現(xiàn)。本文選用LM 神經(jīng)網(wǎng)絡(luò)模型構(gòu)建灌區(qū)渠道運(yùn)行健康狀況識(shí)別，并與傳統(tǒng)BP網(wǎng)絡(luò)和CART決策樹模型進(jìn)行對(duì)比，以評(píng)價(jià)LM 神經(jīng)網(wǎng)絡(luò)模型對(duì)渠道運(yùn)行是否健康識(shí)別的適應(yīng)性。3 種模型中輸入項(xiàng)分別為“單位流量損失率增長趨勢(shì)指標(biāo)”、“輸水量損失率增長趨勢(shì)指標(biāo)”、“測(cè)控告警類指標(biāo)”，輸出項(xiàng)為是否健康標(biāo)志“1”或“2”（“1”代表渠道在統(tǒng)計(jì)周期內(nèi)運(yùn)行狀況正常，“2”表示不正常）。

采用信賴域算法模擬目標(biāo)函數(shù)f（x）的二次模型，計(jì)算式為：

式中：s 為自變量；gTk為梯度；Gk為H 矩陣；hk為第k 次迭代的信賴域上界，其范數(shù)沒有指定。

高斯-牛頓公式、牛頓數(shù)學(xué)公式、LM 算法分別為：

式中：g=JTf，u≥0。當(dāng)u=0 時(shí)，LM 算法退化為高斯牛頓法；當(dāng)u 很大時(shí)，LM 算法變?yōu)椋?/p>

LM 算法重點(diǎn)是確定u 值，引入一評(píng)價(jià)量δ，計(jì)算式為：

δ 描述使用L 的下降量對(duì)F 下降量的近似程度。若δ 較大，說明近似效果較好，u 可以繼續(xù)減小使LM更接近于高斯-牛頓法；若δ較小，則近似效果較差，因此可以增大u 使得LM 更接近梯度法[17]。在LM 算法中迭代結(jié)束條件只要滿足以下3 條之一即可：①下降梯度g 小于某一設(shè)定閥值；②前后2 次x 的差小于某一閥值；③達(dá)到最大迭代次數(shù)kmax。

本模型迭代結(jié)束條件為設(shè)定達(dá)到最大迭代次數(shù)kmax=1 000，同時(shí)依據(jù)樣本數(shù)據(jù)輸入項(xiàng)建立LM 神經(jīng)網(wǎng)絡(luò)模型設(shè)定輸入節(jié)點(diǎn)為3 個(gè)、隱層節(jié)點(diǎn)數(shù)12、輸出節(jié)點(diǎn)2 個(gè)，顯示間隔次數(shù)為25、目標(biāo)誤差為0、最大校驗(yàn)失敗次數(shù)為7、最大誤差梯度1e-7，初始u 為0.001，增長比率為10、減少比率為0.1、最大值為1010。

2 結(jié)果與分析

2.1 模型分析與評(píng)價(jià)

構(gòu)建模型時(shí)將915個(gè)專家樣本隨機(jī)抽取83%作為訓(xùn)練樣本，17%為測(cè)試樣本。對(duì)3 個(gè)模型均重復(fù)訓(xùn)練，取最優(yōu)分類結(jié)果。

研究發(fā)現(xiàn)，759 個(gè)訓(xùn)練樣本分類中3 個(gè)模型綜合最優(yōu)分類準(zhǔn)確率幾乎相差不大，都達(dá)到98%以上。其中，對(duì)運(yùn)行正常渠道分類，3 個(gè)模型準(zhǔn)確率均高于99%，LM 神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確率最高，BP 神經(jīng)網(wǎng)絡(luò)模型與CART 決策樹模型準(zhǔn)確率相等；誤判比例均小于0.5%。對(duì)運(yùn)行不正常渠道分類，3 個(gè)模型準(zhǔn)確率都在90%以上，BP 神經(jīng)網(wǎng)絡(luò)模型與LM 神經(jīng)網(wǎng)絡(luò)模型相等并高于CART 決策樹模型；誤判比例均小于1.0%。3 種模型混淆矩陣結(jié)果如圖2 所示（圖中運(yùn)行正常渠道標(biāo)志為類“1”，運(yùn)行不正常渠道標(biāo)志為類“2”）。

圖2 3 種模型混淆矩陣 Fig.2 Confusion matrix of three models training data classification results

對(duì)比156 個(gè)測(cè)試樣本輸出類與實(shí)際類發(fā)現(xiàn)，3 個(gè)模型綜合預(yù)測(cè)分類準(zhǔn)確率都在94%以上。其中，BP神經(jīng)網(wǎng)絡(luò)模型與LM 神經(jīng)網(wǎng)絡(luò)模型的分類綜合準(zhǔn)確率均為96.2%，高于CART 決策樹模型。對(duì)運(yùn)行正常渠道分類，3 個(gè)模型準(zhǔn)確率均為100%；對(duì)運(yùn)行不正常渠道分類，BP 神經(jīng)網(wǎng)絡(luò)模型與LM 神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確率同為76%，高于CART 決策樹模型。3 個(gè)模型測(cè)試輸出類與實(shí)際類對(duì)比分析結(jié)果如表2 所示。

表2 3 個(gè)模型測(cè)試輸出類與實(shí)際類對(duì)比 Table 2 The output and actual class proportion results of three models

圖3 3 種模型測(cè)試樣本分類ROC 曲線對(duì)比 Fig.3 The comparison of ROC curves of three model test samples

為進(jìn)一步評(píng)估模型分類性能，本文同時(shí)用156 個(gè)測(cè)試樣本對(duì)3 個(gè)模型進(jìn)行ROC（Receiver operating characteristic curve）曲線評(píng)估。3 個(gè)模型測(cè)試ROC 曲線如圖3 所示。一個(gè)優(yōu)秀分類模型所對(duì)應(yīng)ROC 曲線應(yīng)是盡可能靠近左上角完美曲線。通過圖3 比較發(fā)現(xiàn)，LM 神經(jīng)網(wǎng)絡(luò)模型比傳統(tǒng)BP 網(wǎng)絡(luò)、CART 決策樹模型表現(xiàn)更優(yōu)。LM 神經(jīng)網(wǎng)絡(luò)模型中運(yùn)行正常渠道分類準(zhǔn)確度折線與運(yùn)行不正常渠道預(yù)測(cè)分類準(zhǔn)確度折線下的面積更大，說明LM 神經(jīng)網(wǎng)絡(luò)模型分類性能更優(yōu)，可實(shí)際應(yīng)用于渠道運(yùn)行健康狀況識(shí)別檢測(cè)。

2.2 實(shí)際應(yīng)用

灌區(qū)渠道運(yùn)行狀況識(shí)別，在實(shí)際生產(chǎn)中主要是對(duì)運(yùn)行狀況不健康渠道進(jìn)行判別。為探究LM 神經(jīng)網(wǎng)絡(luò)模型在實(shí)際應(yīng)用中的適應(yīng)性，選取該灌區(qū)2018 年12月—2019 年7 月灌水周期內(nèi)總北干渠（N）、中干渠Ⅱ （M-B）、北干渠Ⅰ（N-A）、南干渠Ⅱ（S-B）以及支渠（N-A1、N-A3、N-A5、N-A6、M-B1、M-B2、M-B4、M-B6、S-B1、S-B4、S-B6、S-A1、S-A3、M-C3、M-C5、N-B5、N-B3、S-A4、M-C1）流量數(shù)據(jù)和終端報(bào)警數(shù)據(jù)。通過Matlab 編程對(duì)原始數(shù)據(jù)預(yù)處理并提取相應(yīng)特征指標(biāo)，得到模型輸入項(xiàng)數(shù)據(jù)實(shí)現(xiàn)對(duì)灌區(qū)渠道運(yùn)行不健康狀況識(shí)別檢測(cè)，結(jié)果見表3。

分析表3 可知，LM 神經(jīng)網(wǎng)絡(luò)模型正確識(shí)別出在統(tǒng)計(jì)灌水周期內(nèi)該灌區(qū)運(yùn)行不健康渠道共21次中的17次，錯(cuò)誤判斷2 次，漏判2 次，準(zhǔn)確率為80.95%；其中對(duì)3 條干渠判斷中1 個(gè)漏判，1 個(gè)錯(cuò)判。進(jìn)一步分析發(fā)現(xiàn)，由于干渠中流量數(shù)據(jù)較大并且對(duì)干渠本研究以1 h 為統(tǒng)計(jì)周期，其統(tǒng)計(jì)時(shí)間周期較長，造成了模型對(duì)干渠運(yùn)行健康狀況識(shí)別不夠敏感。本次統(tǒng)計(jì)灌水周期內(nèi)總北干渠（N）無發(fā)生渠道運(yùn)行不正常狀況。對(duì)表3 總體分析來看，LM 神經(jīng)網(wǎng)絡(luò)模型對(duì)該灌區(qū)渠道運(yùn)行不正常識(shí)別準(zhǔn)確率在80%以上，達(dá)到實(shí)際應(yīng)用要求。

表3 模型識(shí)別結(jié)果與實(shí)際稽查結(jié)果比較 Table 3 The comparison of model recognition results with actual audit results

3 討 論

灌區(qū)渠道運(yùn)行檢測(cè)一直是灌區(qū)生產(chǎn)管理中的重點(diǎn)與難點(diǎn)[18]，對(duì)其運(yùn)行健康狀況的檢測(cè)當(dāng)前基本上采用傳統(tǒng)的人工檢測(cè)方法[19]，而基于數(shù)據(jù)挖掘技術(shù)以及神經(jīng)網(wǎng)絡(luò)分析方法對(duì)灌區(qū)渠道輸水健康狀況檢測(cè)目前鮮有研究。本文通過對(duì)特定灌區(qū)流量數(shù)據(jù)以及各項(xiàng)異常終端報(bào)警信息數(shù)據(jù)分析與處理，提取出渠道運(yùn)行狀況特征指標(biāo)并構(gòu)建專家樣本數(shù)據(jù)，通過模型分類可以良好地反映出渠系運(yùn)行健康狀況。研究結(jié)果與劉恒[20]基于神經(jīng)網(wǎng)絡(luò)模型對(duì)洪水分類預(yù)測(cè)準(zhǔn)確度相似。應(yīng)用ROC 曲線評(píng)估三模型分類準(zhǔn)確度，發(fā)現(xiàn)LM網(wǎng)絡(luò)模型的分類準(zhǔn)確度折線均比傳統(tǒng)BP 網(wǎng)絡(luò)[21]、CART 決策樹模型更靠近左上角，研究結(jié)果與趙文倉等[22]基于LM 算法對(duì)用戶竊漏電行為預(yù)測(cè)結(jié)論基本一致。說明LM 神經(jīng)網(wǎng)絡(luò)模型最優(yōu)，可以應(yīng)用于實(shí)際灌區(qū)渠道運(yùn)行健康狀況檢測(cè)識(shí)別。

4 結(jié) 論

本文構(gòu)建的LM 神經(jīng)網(wǎng)絡(luò)模型與傳統(tǒng)CART 決策樹模型、BP 網(wǎng)絡(luò)模型相比，對(duì)灌區(qū)灌溉渠道運(yùn)行狀況健康識(shí)別準(zhǔn)確率表現(xiàn)更優(yōu)，對(duì)759 個(gè)訓(xùn)練樣本與156個(gè)測(cè)試樣本的綜合識(shí)別準(zhǔn)確率分別為98.6%、96.2%，并且測(cè)試樣本中ROC 曲線更靠左上角。在實(shí)際應(yīng)用中，LM 神經(jīng)網(wǎng)絡(luò)模型對(duì)該灌區(qū)統(tǒng)計(jì)周期內(nèi)運(yùn)行不正常渠道正確識(shí)別率達(dá)到80%以上，滿足實(shí)際應(yīng)用要求。