| 【摘要】 |
为解决先验数据有限情况下北方Q水库的水质预测问题,提出一种以马尔可夫方法进行修正误差的BP神经网络预测模型。针对Q水库的水质特点,使用总氮作为参考序列,对常规指标进行灰色关联分析,以确定神经网络的输入向量。选择同总氮关联度较大的氨氮、总磷以及总氮本身作为输入向量,以总氮为输出向量,应用BP人工神经网络,对总氮浓度进行预测。将神经网络测试样本的相对误差序列作为马尔可夫方法的状态集,对检验样本的相对误差状态进行预测。根据相对误差结果对BP神经网络预测值进行修正。结果表明,该方法能有效改进预测结果,提高精度。 |
| 【部分正文预览】 |
Q 水库是北方 Q 市饮用水水源地, 也是该市的主要二级饮用水水源地, 承担着该市的主要供水任务。水库总库容量为 1. 03 亿 m3, 年引水量约 6 000万m3。水库的调节类型属于年调节, 在每年的丰水期( 7~ 9 月) 开闸进水。由于引水时间比较集中, 所以单位时间内的水量变化大, 对于水质的影响也比较大。因此考虑对其丰水期的水质状况进行预测, 为水库的维护管理和水厂的生产运行提供指导依据。影响水质的因素很多, 如气候( 它会引起水体内的物质转化或分解快慢不同以及周边环境中的物质进入水体的速度不同) 、周边环境( 土质、岩石、水源等) 、生活污水、工业废水废渣( 主要是一些有毒有害物质) , 在时间和空间上存在相当多的影响变量, 水体是一个涉及多种影响因子的复杂体系[ 1] 。传统的基于数学表达式的水质模型在建模过程中很难将这些因素都考虑进去, 因此在应用上有很大局限。而对于某一水质参数来说, 无论外界条件如何变化, 最终造成的影响必然反映在其数值变化上面。由此,灰色预测、马尔可夫链( Markov) 预测以及神经网络预测等基于数据的模型方法得到了广泛应用。
近年来, 随着计算机技术的发展, 神经网络方法由于实用性强等特点, 作为一种新的预测方法, 被广泛应用于各个领域。其中, 最具代表意义和广泛用途的是 BP 神经网络模型。在水质预测研究中, 有很多研究人员采用 BP 预测方法[ 2~ 5], 获得了较好的结果。神经网络模型的应用往往需要获取较大量的训练样本数据, 如果训练样本数据不够充分, 训练后的网络结构有时不完全稳定, 由其完成的后续数据组的预测通常会在一定范围内随机波动, 降低了预测的精度。基于此, 为了能够获得更加准确的预测结果, 针对小批量数据样本的情况, 有研究人员[ 6, 7]引入了马尔可夫残差修正的方法, 对神经网络的预测结果进行修正, 通过建立神经网络与马尔可夫链的组合预测模型, 将二者进行优势互补, 从而得到更为准确的预测结论。
|
