城市排水汇流管网污水泵站流量的软测量方法

摘要

本发明公开了一种城市排水汇流管网污水泵站流量的软测量方法。现有的排水管网系统存在的大量不确定因素，测量硬件成本高。本发明首先利用机理分析和先验信息，分析汇流节点泵站流量的主要影响因素，初步确定BP神经网络的影响因素，即确定输入输出变量。然后利用灰色关联分析方法确定不同上游泵站排水流量滞后时间。在泵站历史运行数据基础上建立灰色神经网络模型，预测汇流节点泵站流量。本发明方法通过灰色关联分析和神经网络两种方法结合，既解决不同上游泵站排水时延差异问题，又较好模拟管网排水非线性过程，实现汇流节点污水泵站流量软测量，节约硬件资源，成本低、精度高。

主权项

1.城市排水汇流管网污水泵站流量的软测量方法，其特征在于该方法包括如下步骤：步骤(1)确定汇流管网模型输入变量和输出变量；输入变量包括上游各泵站排水量、汇流泵站前池液位变化量和汇流泵站排水量；输出变量为汇流泵站前池水位；步骤(2)对数据采集与监控系统采集的原始数据进行预处理；所述的原始数据包括遗漏数据和噪声数据；遗漏数据的预处理方法是：首先粗选，每分钟选1个数据；再利用忽略元组或历史数据补全方法处理遗漏数据；噪声数据的预处理方法是：对于开关泵时水面波动造成的液位测量误差，通过取三个测量值得到的平均值以减小误差；对于个别奇异点采用前后数据平滑校正；对于明显的偏大或偏小的数据，采用直接去除毛刺的方法进行校正；步骤(3)运用灰色关联计算各上游泵站排水迟延时间，具体方法是：a、收集汇流节点泵站污水进水量以及各个上游泵站的污水提升量数据；b、建立参考时间序列和比较时间序列，选择汇流节点泵站进水量时间序列为参考时间序列Y₀，Y₀＝[Y₀(1)，Y₀(2)，…，Y₀(n)]；各个上游泵站对应时间、对应时间的前一时段、对应时间的前两个时段…对应时间的前n个时段的污水提升量时间序列为比较时间序列X_i，X_i＝[X_i(1)，X_i(2)，…，X_i(n)]，其中i＝1，2，…，N，N表示比较时间序列的个数；c、分别计算参考时间序列和各比较时间序列之间的灰色关联系数；d、分别计算参考时间序列和各比较时间序列之间的灰色速率关联度；e、确定各上游泵站排水迟延时间，具体是比较步骤d中得到的各个灰色速率关联度的值，确定灰色速率关联度最大的值对应的向前时段数为上游泵站排水迟延时间；步骤(4)对输入变量进行归一化处理，转化为[0，1]区间范围的值其中x_max为输入数据中的最大值，x_min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(5)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，…，s_i]，{TF₁，TF₂，…，TF_i}，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取值范围，s_i为第i层神经元的个数，TF_i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为控制权值和阈值的参数，PF为网络性能函数；步骤(6)训练BP神经网络，具体方法是：i、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函数来初始化整个神经网络；ii、设置网络训练次数和训练目标误差，显示训练步数；iii、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)，其中P为训练值，T为目标值；步骤(7)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，再按照步骤(4)进行归一化处理，归一化后的测试矩阵为P′_test，调用Matlab7.1神经网络工具箱中的sim函数，D＝sim(Net，P′_test)，对训练好的网络进行仿真，其中D为目标函数，对应为污水泵站前池水位预测值，Net为训练好的BP神经网络，P_test为测试样本；步骤(8)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′为反归一化处理后最终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。