首页> 资源> 论文>正文

给水管网的状态模拟

论文类型 技术与工程 发表日期 1999-03-01
来源 《中国给水排水》1999年第3期
作者 张宏伟,赵新华,黎荣
摘要 张宏伟 赵新华(天津大学环境工程系)黎荣 (天津市市政工程设计研究院)   给水系统时用水量在不同城市,因其居民的多少、主要工矿企业的性质、经济发展规模、地理位置、自然条件等不同而相差较大。但这并不意味着没有规律可循,通过分析可以看出用水量大致呈三个周期性变化:一是以24h为一周期;二是以7d为一 ...

张宏伟 赵新华(天津大学环境工程系)
黎荣 (天津市市政工程设计研究院)

  给水系统时用水量在不同城市,因其居民的多少、主要工矿企业的性质、经济发展规模、地理位置、自然条件等不同而相差较大。但这并不意味着没有规律可循,通过分析可以看出用水量大致呈三个周期性变化:一是以24h为一周期;二是以7d为一周期;三是以一年为一周期。
  一般多采用时间序列分析方法进行用水量预测,但实用中又难以解决问题,如个别日期的时用水量预测非常特殊。通常的预测方法多是建立一数学模型,寻求参数解法再进行分析及预测,难点多在参数的求解上。由于不同地区的管网变化规律不一样,所以很难建立统一的数学模型。神经网络理论的应用,使这一在工程上很难解决的问题迎刃而解。
  人工神经网络是一种可以进行并行计算、分布式信息存储,具有很强接受训练与自适应能力的大规模非线性动态系统。神经网络是通过不断地训练,从未知模式的大量复杂数据中发现其规律,进行模拟、预测。给水管网状态模拟是给水系统优化调度的依据,其准确性直接影响优化调度的成败,在调度过程中所需要的宏观数据有“管网总用水量”、“各水厂供水量”、“监测点压力”(其中包括送水泵站、管网加压泵站和高位水池)等数据,这使人们自然想到用传统统计学的多元回归方法进行计算和预测,但是误差起伏较大。

1 时用水量预测方法

1.1 方法介绍
  给水管网微观模型的非线性启示,可以应用非线性模型来模拟管网,神经网络的非线性映射能力使之成为模拟管网的有力工具。
  在用水量预测中,使用前向多层网络的反传(Back-Propagation)理论即BP算法。网络设计时,首先考虑其输入层及输出层的设计,如有数年的统计资料,可设6个输入单元(月份、日期、农历月份、农历日期、星期、时间)和1个输出单元(流量)。再考虑隐单元个数及隐层数目,隐单元个数可参考式:n1=(n+m)0.5+a(n为输入单元数,m为输出单元数,n1为隐单元数,a为1~10之间的常数)。即使设6个输入单元,1个输出单元,隐单元个数也不超过12个,所以只需设1层隐单元,见图1。该网络的节点作用函数使用正弦函数,即f(z)=sin(z)。

1.2 实际应用及成果分析
  用上述预测方法,对某大城市给水管网用水量进行24 h时的预测。该城市共有4个水厂,日供水量在150×104m3左右,通过收集各水厂1996年4月连续数日24h用水量,预测出每小时该城市总用水量。表1为用神经网络方法预测的用水量与实际值的比较。不难看出,神经网络预测技术误差的大小令人满意。该方法适用范围较大,对于有、无7d周期城市都适用,遇到节假日时,也能较灵活地处理;其最大特点是容错性很强,即局部或部分的神经元损坏后,不影响全局的活动;网络方法具有十分强的接受训练功能,虽然训练过程与线性回归方法比较起来较为耗时,但在平稳期间可不用训练,直接预测,起到事半功倍的效果。

2 管网状态模拟

表1 预测值与实际值比较 时间(h) 实际值(m3) 预测值(m3) 相对误差(%) 时间(h) 实际值(m3) 预测值(m3) 相对误差(%) 1 44253.00 44497.54 0.522 13 60137.00 59688.25 -0.751 2 42772.00 42935.92 0.381 14 60686.00 58797.97 -3.111 3 43029.00 42388.43 -1.488 15 58032.00 58127.35 0.164 4 44178.00 43109.06 -2.479 16 59416.00 57914.65 2.526 5 43149.00 45093.34 4.506 17 59559.00 58177.88 2.373 6 46687.00 48069.49 2.876 18 58345.00 58712 0.629 7 50580.60 51558.51 1.933 19 61363.00 59152 -3.603 8 56751.00 54987.67 -3.206 20 57426.00 59084.25 2.806 9 62814.00 57827.23 -7.938 21 58392.00 58175.13 -0.371 10 61196.00 59713.85 -2.421 22 58208.00 56280.72 -3.424 11 60199.00 60528.42 0.544 23 54245.00 53506.89 -1.36 12 60831.00 60407.75 -0.695 24 48469.00 50201.89 3.451

2.1 方法介绍
  用神经网络方法模拟管网状态亦使用BP算法。在网络设计时,设数个输入单元(数个水源点流量、数个监测点的前一时段压力值、数个监测点的前24h该时段压力值)和数个输出单元(数个监测点的当前时段压力值),由于输入及输出较多,可设2个隐层,每层各10个左右单元,如图2所示。该网络的节点作用函数使用sigmoid函数,即f(x)=1/(1+e-x)。

2.2 实际应用及成果分析
  将以上研究成果用于某华北大城市管网,其日供水量在130×104m3左右,共有3个水源点、9个监测点,管网中没有加压泵和高位水池。分别用回归方法和图2的网络进行预测,用100组统计数据回归或训练,预测30组压力值。两种方法预测的相对误差统计值见表2。

表2 两种方法预测的相对误差统计值 相对误差 >10% >8% >5% ≤5% 回归方法 0 4 29 237 神经网络方法 0 0 24 246

  又如某市开发区给水管网服务面积6.2km2,服务人口为5万人,有101个管段、66个节点、4个水源点(第7、14、44、55节点)、5个监测点(依次为8、27、34、37、49节点),用60组统计数据训练,预测20组压力值,相对误差>5%的仅有4个,表3列出5个监测点10组预测值及其相对误差。

表3 预测值与实际值比较 序号 第1监测点 第2监测点 第3监测点 第4监测点 第5监测点 实际值(m) 预测值(m) 相对误差(%) 实际值(m) 预测值(m) 相对误差(%) 实际值(m) 预测值(m) 相对误差(%) 实际值(m) 预测值(m) 相对误差(%) 实际值(m) 预测值(m) 相对误差(%) 1 42.36 40.81 -3.67 35.1 34.84 -0.75 35.38 34.79 -1.65 37.45 36.52 -2.49 32.97 33.48 1.54 2 37.99 37.97 -0.06 33.31 33.51 0.61 33.44 33.41 -0.10 34.74 34.62 -0.35 33.05 33.9 2.58 3 37.66 36.7 -2.54 33.47 32.92 -1.64 33.42 32.78 -1.90 34.34 33.76 -1.68 33.87 34.09 0.64 4 43.43 42.51 -2.11 36.07 35.63 -1.22 36.17 35.63 -1.49 38.03 37.67 -0.96 33.94 33.21 -2.15 5 39.58 40.38 2.01 34.59 34.63 0.13 34.45 34.58 0.38 35.42 36.23 2.29 34.46 33.54 -2.68 6 40.77 42.25 3.62 34.75 35.51 2.18 34.77 35.5 2.1 36.2 37.49 3.56 33.85 33.25 -1.76 7 37.84 38.91 2.84 33.6 33.95 1.05 33.52 33.87 1.03 34.4 35.25 2.47 34.01 33.76 -0.74 8 36.52 37.75 3.37 32.91 33.41 1.52 32.88 33.3 1.27 33.76 34.47 2.12 33.72 33.93 0.61 9 35.05 36.03 2.77 31.99 32.61 1.92 32.06 32.45 1.22 32.96 33.31 1.08 33.09 34.19 3.31 10 47.07 47.52 0.95 36.97 37.95 2.66 37.49 38.08 1.57 40.41 41.02 1.51 32.01 32.44 1.35

  上例说明神经网络方法模拟较准确,可以用非线性函数代替线性回归模拟管网状态,可避免确定是何种非线性函数,从而避免计算各种参数,为实际工作提供了便利条件。

3 结论

  实际应用证明,神经网络方法是一种稳健的、非参数的方法,具有很强的非线性映射能力,其接受训练的能力很强。神经网络采用分布式存储结构,容错能力强,具有在新环境下的泛化能力,即在经过一定数量带噪声样本训练之后,网络通过训练来抽取规则或记忆知识,抽取样本隐含的关系并记住,且对新情况下数据进行内插或外推。神经网络能不断接受新样本、新经验,并不断调整模型,自适应能力强,具有动态特性。正是由于这些特点,在给水管网状态模拟的过程中,神经网络方法优于多元线性回归方法,并可以代替线性回归方法。

参考文献

  1 焦李成.神经网络的应用与实现?西安:西安电子科技大学出版社,1996
  2 Patrick F Perry?Demand forcasting in water supply networks?JASCE,1981:1077~1087
  3 RAO H S,Seitle R A.Computer Application in urban water distribution system control.Journal of Dynamic Systems Measurement and Control,1975:117~125


  作者通讯处:300072 天津大学建工学院
  (收稿日期 1998-09-02)

论文搜索

发表时间

论文投稿

很多时候您的文章总是无缘变成铅字。研究做到关键时,试验有了起色时,是不是想和同行探讨一下,工作中有了心得,您是不是很想与人分享,那么不要只是默默工作了,写下来吧!投稿时,请以附件形式发至 [email protected] ,请注明论文投稿。一旦采用,我们会为您增加100枚金币。