申请日2010.04.02
公开(公告)日2010.09.01
IPC分类号G05B13/02
摘要
本发明公开了一种基于神经网络的污水泵站水位预测方法。本发明方法首先选择预测模型变量，包括出入变量：上游泵站提升量、前池液位变化量、本泵站排出量、开关泵液位控制设定量，输出变量：泵站前池水位;其次对上述的数据进行归一化处理;然后搭建BP神经网络框架，并训练BP神经网络;最后对经神经网络的数据反归一化处理。本发明方法比传统恒定流计算方法得到的预测精度更高。
权利要求书
1.基于神经网络的污水泵站水位预测方法，其特征在于该方法包括如下步骤：
步骤(1)选择预测模型变量，确定训练样本;具体方法为：利用机理分析和先验信息，选择预测模型的输入变量和输出变量，
输入变量包括上游泵站提升量、前池液位变化量、本泵站排出量、开关泵液位控制设定量;输出变量为泵站前池水位;
对于采集与监控系统采样的时间序列数据，计算输入序列和输出序列的自相关系数和互相关系数，确定互相关系数大的输入序列和输出序列作为训练样本;
所述的输入序列由输入变量组成，包括上游泵站提升量输入序列、前池液位变化量输入序列、本泵站排出量输入序列和开关泵液位控制设定量输入序列;所述的输出序列为泵站前池水位序列;
步骤(2)数据归一化处理，对输入序列和输出序列中的数据进行归一化处理，转化为[0，1]范围的值
其中xmax为输入数据中的最大值，xmin为输入数据中的最小值;x为输入数据，为输入数据归一化处理后的值;
步骤(3)搭建BP神经网络框架，具体方法是：
调用Matlab7.1神经网络工具箱中的newff函数建立BP神经网络，Net=newff(PR，[s1，s2，...，si]，{TF1，TF2，...，TFi}，BTF，BLF，PF);Net为BP神经网络框架，PR为输入矩阵中由最大元素和最小元素决定的一个取值范围，si为第i层神经元的个数，TFi为第i层的传递函数，1≤i≤N1，N1为神经网络总层数，BTF为BP神经网络的训练函数，BLF为权值和偏置值，PF为网络性能函数;
步骤(4)训练BP神经网络;具体方法是：
a、初始化BP神经网络，利用随机函数产生的值赋值给权值和偏置值，然后调用init函数来初始化BP神经网络;
b、设置网络训练次数和训练目标误差;
c、设置训练数据为输入矩阵P，设置目标值为矩阵T，调用Matlab7.1神经网络工具箱中的train函数对BP神经网络Net进行数据训练直至收敛，Net=train(Net，P，T);
步骤(5)测试BP神经网络;
对训练完成的BP神经网络进行测试，将历史数据组成泵站前池水位预测网络测试矩阵P_test，直接调用Matlab7.1神经网络工具箱中的sim函数，D=sim(Net，P_test)，对测试矩阵进行仿真，其中D为目标函数;
步骤(6)数据反归一化处理;
对测试所得的污水泵站前池水位数据按照公式进行反归一化处理，其中x′为最终所预测得到的泵站前池水位数据，为仿真测试得到的泵站前池水位数据，x′max为泵站前池水位数据中的最大值，x′min为泵站前池水位数据中的最小值。
说明书
基于神经网络的污水泵站水位预测方法
技术领域
本发明属于自动化技术领域，具体涉及一种基于神经网络的城市排水系统雨污混流管网泵站水位预测方法。
背景技术
随着城市的飞速发展，城市排水已成为制约城市快速发展的瓶颈之一。然而目前已有的城市排水管网系统中，流经各个管网和泵站的污水流量和水位只能靠人经验估计，系统由此无法预测洪水的产生、管道溢出，更无法通过调度泵站机组的开启来达到泵站节能的目的。
现有城市排水系统数据采集与监控系统(SCADA系统)已积累大量泵站运行数据，而神经网络具有强大的非线性映射能力和良好的容错性，可以很好的逼近系统的真实状态数据，它逼近精度高、训练学习速度快。因此采用神经网络方法建立污水泵站预测模型，对污水泵站的污水量和水位进行预测，可为城市排水安全运行控制提供依据。
发明内容
本发明针对现有技术的不足，提供一种基于神经网络的城市污水泵站水位的预测方法。该方法的具体步骤是：
步骤(1)选择预测模型变量。
采用神经网络技术建立污水泵站水位预测模型，为保证基于数据的神经网络建模有效性，避免纯黑箱建模的盲目性，首先利用机理分析和先验信息，合理选择预测模型的输入输出变量。
基于机理分析选择泵站前池水位为神经网络模型的输出变量，选择影响泵站前池水位主要因素为神经网络模型输入变量：①上游泵站提升量;②前池液位变化量;③本泵站排出量;④开关泵液位控制设定量。
对于SCADA系统采样的时间序列数据，计算输入序列和输出序列的自相关系数和互相关系数，确定互相关系数大的输入序列和输出序列作为训练样本。
步骤(2)数据归一化处理。
训练样本中的输入数据包含四项，数量级相差较大，为保证各因素同等地位，加快收敛速度，对数据进行归一化处理，转化为[0，1]区间范围的值
其中xmax为输入数据中的最大值，xmin为输入数据中的最小值。x为输入数据，为输入数据归一化处理后的值。
步骤(3)搭建BP神经网络框架。
调用Matlab7.1神经网络工具箱中的newff函数建立BP神经网络，Net=newff(PR，[s1，s2，…，si]，{TF1，TF2，…，TFi}，BTF，BLF，PF);Net为BP神经网络框架，PR为输入矩阵中由最大元素和最小元素决定的一个取值范围，si为第i层神经元的个数，TFi为第i层的传递函数，1≤i≤N1，N1为神经网络总层数，BTF为BP神经网络的训练函数，BLF为权值和偏置值，PF为网络性能函数。
步骤(4)训练BP神经网络。具体方法是：
a、初始化BP神经网络，利用随机函数产生的值赋值给权值和偏置值，然后调用init函数来初始化BP神经网络。
b、设置网络训练次数和训练目标误差。
c、设置训练数据为输入矩阵P，设置目标值为矩阵T，调用Matlab7.1神经网络工具箱中的train函数对BP神经网络Net进行数据训练直至收敛，Net=train(Net，P，T)。
步骤(5)测试BP神经网络。
对训练好的BP神经网络进行测试，将历史数据组成泵站前池水位预测网络测试矩阵P_test，直接调用Matlab7.1神经网络工具箱中的sim函数，D=sim(Net，P_test)，对测试矩阵进行仿真，其中D为目标函数。
步骤(6)数据反归一化处理。
对测试所得的污水泵站前池水位数据按照公式进行反归一化处理，其中x′为反归一化处理后的泵站前池水位数据，为仿真测试得到的泵站前池水位数据，x′max为泵站前池水位数据中的最大值，x′min为泵站前池水位数据中的最小值。
本发明将利用计算机的仿真计算能力，搭建一个误差反向传播(BP)神经网络，从泵站运行历史数据中自动获取知识，逐步地把新知识结合到其映射函数中，从而实现非线性函数的逼近，能够对污水泵站流量和水位进行准确的预报。
本发明方法的有益效果：
1.BP神经网络具有逼近非线性映射函数的能力，因此利用泵站运行历史数据来预测泵站前池水位，比传统恒定流计算方法得到的预测精度高。
2.基于BP神经网络的污水泵站前池水位预测避免了求解传统基于圣维南方程组的水力学模型，同时也避免计算机求解对模型边界条件等基础数据精度的要求，只需利用大量的泵站历史运行数据，实用更强。
3.增加BP神经网络训练数据的长度、输入矩阵的维数，提高计算机的计算速度，能提高预测精度。
