張君君

(北票市自來水有限公司，遼寧 朝陽 122100)

1 預測方法

1.1 數(shù)據(jù)信息采集

本文以北票市城市自來水廠為例，供水量預測所需的氣候條件、水源信息、水質參數(shù)等數(shù)據(jù)來源于水廠生產報表和設備在線監(jiān)測資料等，水文信息由相關水文網下載提供。

1.2 數(shù)據(jù)預處理

BP網絡輸入?yún)?shù)包括雨水情、氣溫等氣候條件，細菌總數(shù)、總硬度、CODMn、濁度、氯化物等水質參數(shù)，水源水文信息，網絡輸出為水廠供水量預測值，采用BP網絡模型預測2020年12月—2021年7月的水廠供水量。為增強模型預測結果的一致性、收斂性和準確性，降低模型訓練和預測受各參數(shù)單位量綱差異的影響，采用歸一化公式統(tǒng)一處理所有訓練樣本數(shù)據(jù)，處理后的樣本數(shù)據(jù)處于0～1范圍，具體如式(1)：

(1)

1.3 BP網絡模型

BP網絡模型是一種具有運算效率高、自學習能力強、適用范圍廣等特點的反向前饋性多層次評價方法，從上到下網絡系統(tǒng)分別為輸入層、隱含層和輸出層如圖1，對于預測城市自來水廠供水量具有較強適用性[1-2]。

圖1 BP網絡結構

相鄰層級之間利用全連接的方式連接，通過調整權值可以控制相互之間的連接程度，而權值主要利用學習過程來控制，同一層級內的神經元之間不存在相互連接關系。網絡模型的計算模塊有誤差計算、函數(shù)傳遞、輸入輸出、自適應學習等，通過輸入層可以實現(xiàn)系統(tǒng)信息的輸入，經一系列運算最終輸出符合預期誤差要求的預測結果[3]。其中，訊號從隱含層傳遞到輸出節(jié)點的運算公式選用非線性Sigmoid激活函數(shù)，其表達式(2)為：

f(x)=1/(1+e-x)

(2)

式中：x為標準化處理后的值。

一般采用非線性、強容錯性的訓練樣本，通過多次學習反映預測對象的復雜關系，其中訓練樣本有輸入向量X、實際輸出Y、期望輸出Y*等內容，并利用下降梯度法確定輸入向量的權重值。為了使Y與Y*之間的誤差達到最小必須進行多次學習，直至誤差達到預期精度則停止訓練[4-6]。依據(jù)誤差計算模塊可以確定Y與Y*之間的誤差關系，利用下式(3)表達兩者的均方誤差：

(3)

因此，采用訓練好的網絡結構自動計算相似樣本，可以保證輸出結果達到預期精度，并以此作為最終的預測結果。具體而言，就是以雨水情、氣溫、細菌總數(shù)、總硬度、CODMn、濁度、氯化物、水源水文信息等初始數(shù)據(jù)作為輸入向量，以水廠供水量預測結果作為網絡輸出值，設定網絡結構并訓練學習樣本，經多次反復學習達到預期精度后停止運算，然后利用該訓練好的網絡結構進行水廠供水量預測。

2 結果分析

2.1 預測模型

本文利用Matlab軟件創(chuàng)建BP網絡結構(如確定隱含層數(shù)、神經元數(shù)和網絡訓練函數(shù)等)，網絡層數(shù)越多則計算次數(shù)越多，運算時間越長，相應的網絡結構也就越復雜。考慮到供水量預測輸入的參數(shù)較少，為保證實際值與輸出結果的一致性，對水廠日供水量利用3層級網絡進行預測。樣本數(shù)據(jù)來源于2020年12月—2021年7月水廠生產報表和設備在線監(jiān)測資料，總樣本數(shù)共210組，從中隨機選取20%用于檢驗樣本，其他80%為訓練樣本，設定最小均方差0.0001，最大訓練次數(shù)1000次，學習速率0.1。采用tansig、Purelin函數(shù)作為隱含層和輸出層神經元運算法則，利用L-M算法作為訓練函數(shù)，從而組成18-7-1網絡結構。經400次 仿真訓練，該網絡結構的計算精度就達到0.0001，絕對百分比平均誤差(MEAP)<5%滿足水廠供水量預測精度要求。

通過線性擬合建立回歸方程，即Output=0.98Target+0.0035，相關系數(shù)R2=0.9876。對于2020年12月—2021年7月水廠供水量，BP網絡模型預測結果未出現(xiàn)異常情況，變化波動較小，表明預測結果受氣候條件、水質參數(shù)和水源水文信息的影響較低，而部分時段內水廠實際供水量出現(xiàn)一定波動，這可能與當?shù)卣咦兓?、儀表數(shù)據(jù)采集等因素有關。該時段內，水廠的實際供水量218×103t/d，BP網絡模型預測值212×103t/d。因此，水廠供水量實際值與預測值基本相同，即使個別數(shù)據(jù)的離散度較高，但平均誤差總體符合<5%的要求，對水廠供水量調度和產水預測等該BP網絡模型具有較好的實用性和可靠性[7-9]。

2.2 數(shù)據(jù)分析

采用已訓練好的網絡模型自動計算2021年8—9月水廠日供水量，并對比分析實際值與預測值如表1。結果表明，2021年8月水廠供水量實際值和預測值為(245±15)×103t/d、(240±24)×103t/d，相對誤差2.1%；2021年9月水廠供水量實際值和預測值為(230±5)×103t/d、(215±20)×103t/d，相對誤差6.5%。因此，BP網絡模型能夠保證供水量預測精度，隨時間推移該預測模型能夠保持較好的準確性，但實際值與預測結果的標準差有所增大，由此表明仍需進一步提高模型的穩(wěn)定性，一般通過輸入更多的訓練樣本，經多次仿真學習可提高模型的精確性和穩(wěn)定性。

表1 水廠供水量預測值與實測值

3 結 論

(1)本文充分考慮日供水量受氣象條件、水質參數(shù)、水源水文信息等因素的影響，通過BP網絡結構創(chuàng)建供水量預測模型，通過樣本數(shù)據(jù)預處理調整可能引起供水量突變的數(shù)據(jù)，從而保證模型的預測精度。總體而言，水廠供水量實際值與預測值的平均相對誤差<5%，對水廠供水量調度和產水預測等該BP網絡模型具有較好的實用性和可靠性。

(2)較水廠實際供水量數(shù)據(jù)模型預測結果存在一定的偏差，與當?shù)卣咦兓?、儀表數(shù)據(jù)采集等因素有關，為進一步提高模型預測精度，還需采集更多的數(shù)據(jù)不斷優(yōu)化調整網絡結構。另外，隨著經濟社會的發(fā)展和城市化的不斷推進，城市需水量也將明顯增加，為了實現(xiàn)水廠的智能化調度還需考慮各種社會因素，通過供水量精準預測，為水廠調度運行方案設計提供數(shù)據(jù)支持。