污水處理廠進(jìn)水量預(yù)測分為中長期預(yù)測和短期預(yù)測，短期預(yù)測包括日周期水量預(yù)測和星期水量預(yù)測。水量預(yù)測的精度對污水處理廠設(shè)計、運行具有非常重要的作用。水量預(yù)測常規(guī)方法有時間序列法、回歸分析法等。時間序列法根據(jù)水量的歷史數(shù)據(jù)建模，并利用模型預(yù)測未來的水量；回歸分析方法利用歷史數(shù)據(jù)可以建立起水量與其他影響水量因素的關(guān)系，由這些因素未來數(shù)據(jù)預(yù)測出未來的水量值。

現(xiàn)有的水量預(yù)測方法存在的主要問題是：由于影響水量的因素很多，而且各因素與水量之間的關(guān)系是復(fù)雜多樣的，因而要將各種因素歸于同一回歸方程相當(dāng)困難；時序模型能較好地反映水量本身的變化趨勢，但它不能考慮其他因素對水量的影響，因而使預(yù)測效果不理想。比較理想的預(yù)測方法是將回歸分析法和時間序列法相結(jié)合，兩者互為補充，但需要探尋一種理想的數(shù)學(xué)結(jié)合方法。同時，水量預(yù)測中存在很多不確定因素，在這些影響因素下日水量數(shù)據(jù)構(gòu)成了一個非平穩(wěn)隨機時間序列。

針對上述問題，以及污水廠進(jìn)水量依不同天氣的敏感程度和影響程度不同的特點，重點研究了天氣因素對進(jìn)水量預(yù)測精度的影響，將影響因素劃分為三類，并利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)確定天氣因素敏感模型，采用水量預(yù)測的分解建模方法以克服水量預(yù)測因天氣因素的影響而呈現(xiàn)的預(yù)測精度不穩(wěn)定，提高預(yù)測精度對天氣因素影響的魯棒性。

1　基本思路

1.1影響因素的類別劃分

污水處理廠水量的短期預(yù)測是預(yù)測未來l日—7日的水量。研究表明，水量預(yù)測一般會受下列三類因素的影響：第一類為日類型，第二類為天氣狀況，第三類為特別事件。

①日類型
日類型包括工作日(星期一至星期五)、雙休日和節(jié)假日(公共節(jié)假日)。預(yù)測日的日類型不同，水量變化是有一定區(qū)別的。

②天氣狀況
在相同的日類型前提下，天氣狀況如日最高溫度、最低溫度、天氣情況、降雨量、降雨歷程等對進(jìn)水量變化曲線的影響。

③特別事件
特別事件是指一些非經(jīng)常性出現(xiàn)的事件，其構(gòu)成對進(jìn)水量的影響是和日類型及天氣狀況不相關(guān)的影響。如重要政治、經(jīng)濟(jì)活動等以及設(shè)備檢修、事故發(fā)生與處理等。

1.2水量預(yù)測信息的構(gòu)成及來源

考慮因素影響的短期水量預(yù)測需要三類信息：污水處理廠運行記錄的進(jìn)水量歷史數(shù)據(jù)；氣象部門提供天氣狀況的歷史數(shù)據(jù)和預(yù)報數(shù)據(jù)；可以獲知的特別事件是否發(fā)生的有關(guān)信息。

2　預(yù)測模型的建立

污水廠日進(jìn)水量特征及日周期水量預(yù)測均可用日水量曲線表征，日水量曲線一般為按小時間隔的某時刻的水量組成。從大量的日水量曲線中可以看出，盡管受1.1所述三個因素的影響而每日有所變化，但對于特定的污水處理廠，水量曲線仍有兩個較固定的特點：一是最大水量和最小水量出現(xiàn)的時刻基本固定，雖然有一個小區(qū)間的變化范圍；二是水量曲線的形狀基本相近。但是在實際預(yù)測中，任意某固定時刻影響水量預(yù)測因素的數(shù)據(jù)一般難于得到，如天氣因素在每個固定的時刻都將對水量產(chǎn)生影響，然而就天氣狀況預(yù)測數(shù)據(jù)而言，氣象臺預(yù)測數(shù)據(jù)一般是按天來提供的，只有預(yù)測日的最高溫度、最低溫度、天氣狀況、平均濕度等數(shù)據(jù)。特別事件一般則很難得到確定性信息，對其準(zhǔn)確的發(fā)生時間、持續(xù)時間及影響等都是十分模糊的。因此，采用不對每一個預(yù)測點進(jìn)行分別建模和預(yù)測，而是采用水量預(yù)測分解建模的方法。

2.1水量預(yù)測分解建模方法

2.1.1樣本非常數(shù)據(jù)影響的削弱

因偶然因素引起實際水量較大波動的數(shù)據(jù)(預(yù)測時＞1.25或＜0.85倍的平均值)定義為水量預(yù)測的非常數(shù)據(jù)，對這類非常數(shù)據(jù)作如下處理。
取第i日同一時刻j的水量數(shù)據(jù)WQ(i,j)構(gòu)成數(shù)組：
　　　　　{WQ(i,j)i=1,2,……,n;j=1,2,……,24}
    其平均值為：

2.1.2水量變化系數(shù)模型

假設(shè)日最大和最小水量分別為WQMAX和WQMIN，WQ(j)為第j時刻的進(jìn)水量，日水量曲線變化的形狀由各時刻水量變化系數(shù)WQcoe(j)來表達(dá)：
　　　　WQcoe(j)=f［WQMAX,WQ(j),WQMIN］=［WQMAX-WQ(j)］/［WQMAX-WQMIN］　　　　　　　(3)
　　式中　　j——日水量時刻的序號，取j＝1，2，…，24

采用將日最大和日最小水量分別建模的方法，分別預(yù)測出WQMAX和WQMIN 以及時刻水量變化系數(shù)WQcoe(j)，便可得到預(yù)測日時刻的水量：
　　　　WQ(j)＝WQMAX-WQcoe(j)×(WQMAX-WQMIN)
　　　　　　j＝1，2，…，24　　　　　　　　　(4)
　　上式是完全基于對水量變化的物理意義得出的，和常規(guī)的僅從水量樣本序列本身為研究對象得出的預(yù)測方法有著本質(zhì)的區(qū)別。

2.1.3各時刻WQcoe(j)的預(yù)測模型

日時刻進(jìn)水量的變化系數(shù)，除受日類型、天氣狀況和特別事件的影響外，還和預(yù)測日臨近的前n日的水量變化系數(shù)有關(guān)，用函數(shù)表示為如下數(shù)學(xué)關(guān)系：
　　　　WQcoe(j)＝f［Dcoe，Wcon，Spe，WQcoe(i，j)］　　　　　　　(5)
　　式中　　Dcoe——日類型系數(shù)
　　　　　　Wcon——天氣狀況因素系數(shù)
　　　　　　Spe——特別事件因素系數(shù)
　　　　　　WQcoe(i，j)——預(yù)測日前i日第j時刻的水量變化系數(shù)
　　式中的Dcoe、Wcon、Spe因素，從物理上分析都是日類型的不同。如果Dcoe、Wcon、Spe三個因素的日類型相近，就認(rèn)為其水量變化系數(shù)相近。

設(shè)預(yù)測日可能的基本日類型為Dbase，在預(yù)測日臨近的n日里，選取k日，使之滿足：
　　　　　Dcoe(ni)＝Dbase(i＝1，…，k)　　　　(6)
　　式中　Dcoe(ni)——臨近預(yù)測日ni日的基本日類型

按Fuzzy聚類分析方法［1］，利用日類型其他兩個特征因素Wcon、Spe，由Dcoe(ni)(i=1，…，k)組成k維樣本空間，選取與預(yù)測日的日類型真正相近的g維最終樣本空間Dcoe(ni)(i=1，…，g)，按這種思路，提取樣本特征后在進(jìn)行Fuzzy聚類分析之前，需要對天氣狀況Wcon和特別事件Spe進(jìn)行預(yù)處理：首先，根據(jù)預(yù)測經(jīng)驗按表1對天氣狀況和特別事件選取區(qū)別系數(shù)。

表1　　天氣狀況和特別事件系數(shù)

然后由選定的Wcon和Spe計算日類型系數(shù)Dcoe
　　　　　　　　　　　Dcoe(kj)＝COEWcon(kj)ALPHAWcon+COESpe(kj)ALPHASpe　　　　　(7)
　　式中　　Dcoe(kj)——預(yù)測日臨近第kj日的日類型系數(shù)
　　　　　　COEWcon(kj)——預(yù)測日臨近第kj日的天氣狀況區(qū)別系數(shù)
　　　　　　COESpe(kj)——預(yù)測日臨近第kj日的特別事件區(qū)別系數(shù)
　　　　　　ALPHA——預(yù)測者考慮因素的權(quán)重，實際預(yù)測時：
　　　　ALPHAWcon+ALPHASpe=1　　　　　　　　　　　　　　　　　　　　　　　(8)

這樣，在Dcoe(ni)(i=l，…，k)組成的k維樣本空間里，選取最小的g日，組成最終的g維樣本空間Dcoe(ki)(i=l，…，g)。并認(rèn)為：Dcoe(ki)(i＝l，…，g)樣本空間里的g日的日水量變化系數(shù)和預(yù)測日相近，取其平均值就得到預(yù)測日水量變化系數(shù)：

　　式中　　j——水量曲線中的時刻序號，一般j=1,2,…,24
　　　　　　WQcoe(ki,j)——預(yù)測日臨近第ki日第j時刻的水量變化系數(shù)

2.2　WQMAX和WQMIN水量的預(yù)測模型

如前所述，日最大WQMAX和最小WQMIN水量受日類型、天氣和特別事件的影響，同時還和最近的前n日的最大水量有關(guān)，用函數(shù)關(guān)系表示為：
　　　　　WQMAX=f［Dcoe，Wcon，Spe，WQMAX(i)］　　　　(10)
　　　　　WQMIN=f［Dcoe，Wcon，Spe，WQMIN(i)］　　　　(11)
　　式中　WQMAX(i)——預(yù)測日前i日的最大水量
　　　　　WQMIN(i)——預(yù)測日前i日的最小水量

3　水量預(yù)測的BP方法

污水處理廠進(jìn)水量預(yù)測屬非線性系統(tǒng)的求解問題，人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于處理非線性問題是一個有效的方法，在大量的神經(jīng)網(wǎng)絡(luò)模型中，BP網(wǎng)絡(luò)結(jié)構(gòu)簡單且能較好地表達(dá)非線性系統(tǒng)的穩(wěn)態(tài)特性。在污水處理系統(tǒng)中，不管是污水處理廠前期設(shè)計還是運行控制，水量都是人們關(guān)心的問題，特別是最大進(jìn)水量。最大水量預(yù)測的BP模型如圖1所示。

BP網(wǎng)絡(luò)用于預(yù)測的關(guān)鍵，一是學(xué)習(xí)樣本的選取及樣本特征的提取，用一定數(shù)量的輸入和輸出節(jié)點訓(xùn)練量來映射預(yù)測水量的非線性關(guān)系，訓(xùn)練樣本的選取直接關(guān)系到預(yù)測模型建立的正確性；二是在于神經(jīng)元連接權(quán)重等參數(shù)的確定。這些參數(shù)是通過誤差反傳學(xué)習(xí)算法，利用選定的學(xué)習(xí)樣本進(jìn)行訓(xùn)練而得到的。

在學(xué)習(xí)訓(xùn)練過程中考核學(xué)習(xí)“效果”的主要手段是樣本集誤差達(dá)到給定值，即代價函數(shù)：

　　式中　　p——表示樣本
　　　　　　q——表示輸出節(jié)點
　　　　　　Tpq——節(jié)點q第p個樣本的期望值
　　　　　　Opq——對應(yīng)的實際計算輸出值

用訓(xùn)練成功的網(wǎng)絡(luò)進(jìn)行最大最小水量預(yù)測。

預(yù)測最大水量BP網(wǎng)絡(luò)基本參數(shù)：輸入層節(jié)點數(shù)為12個，每一個節(jié)點對應(yīng)于考慮因素集合中的一個信息輸入量。
　　{WQMAX(i-1),TMAX(i-1),TMIN(i-1),H(i-1),Wcon(i-1);
　　WQMAX(i-2),TMAX(i-2),TMIN(i-2),H(i-2),Wcon(i-2);Dbase,Spe}
　　式中　　(i-1)、(i-2)——預(yù)測日前一日、前兩日
　　　　　　T————————溫度
　　　　　　H————————濕度

對最小水量預(yù)測只需將輸入因素集合中WQMAX換成WQMIN即可。

輸出節(jié)點數(shù)為1，隱層節(jié)點數(shù)為24，動量因子和學(xué)習(xí)速率采用自適應(yīng)動態(tài)調(diào)整的方法［2］，動態(tài)調(diào)整系數(shù)取0～0.5，收斂誤差取0～0.01。學(xué)習(xí)訓(xùn)練樣本由某污水廠最近一年的水量數(shù)據(jù)和天氣狀況數(shù)據(jù)組成。為了減少訓(xùn)練樣本量，提高學(xué)習(xí)效率，減少計算時間，采用了隨機抽樣樣本學(xué)習(xí)方法，具體做法是將一年的數(shù)據(jù)每月隨機抽取7日168點和每日的天氣狀況組成樣本空間。

4　實例分析

以某污水處理廠1999年全年水量數(shù)據(jù)和天氣狀況為訓(xùn)練樣本，進(jìn)行ANN學(xué)習(xí)訓(xùn)練，樣本學(xué)習(xí)在K6—2—266CPU兼容機上完成，共耗機時為185 min32 s。預(yù)測2000年1月8日—14日和4月22日—28日的各日水量，并進(jìn)行誤差分析。記Xforei為預(yù)測值，Xreali為實際記錄值。百分誤差EERRORi、方差ESQ、平均誤差EAVE
R的計算式分別為：

　　　　
預(yù)測結(jié)果見表2(預(yù)測耗用機時為29 s)。
 

表2　預(yù)測結(jié)果數(shù)據(jù)

5 結(jié)論

從實用出發(fā)，以全新的角度進(jìn)行了短期水量預(yù)測的研究，采用BP神經(jīng)網(wǎng)絡(luò)技術(shù)提出了考慮不確定因素影響的分解建模方法，從物理本質(zhì)上說明了水量與其相關(guān)因素的關(guān)系，并以實例進(jìn)行了預(yù)測模型和相應(yīng)算法的描述，同時提出了解決提高預(yù)測精度及預(yù)測精度穩(wěn)定性問題的新思路。隨著影響因素數(shù)據(jù)提供得更詳細(xì)和樣本更豐富，整個預(yù)測可以更完美，預(yù)測的魯棒性更強。應(yīng)當(dāng)說明在采用ANN建模時，存在收斂性、收斂速率及建模優(yōu)化等問題，有待進(jìn)一步研究。

參考文獻(xiàn)：

［1］Zadeh L A.Fuzzy Sets［J］.Journal of Information and Control,1965，(8)：338-353.
［2］劉增良,劉增才.因素神經(jīng)網(wǎng)絡(luò)及實現(xiàn)策略研究［M］.北京：北京師范大學(xué)出版社,1992.
［3］鄧聚龍.灰色預(yù)測與決策［M］.武漢：華中理工大學(xué)出版社，1986.
［4］Shafer G.A Mathematical Theory of Evidence［M］.Princeton University Press,1996.
［5］朱冰靜.預(yù)測原理與方法［M］.上海：上海交通大學(xué)出版社，1991.
 

  使用微信“掃一掃”功能添加“谷騰環(huán)保網(wǎng)”