摘    要：針對污水流量受降雨徑流、管網(wǎng)匯流等自然因素和生活污水、工業(yè)壓水及泵閘開關(guān)等人為因素的影響，具有不確定性、非線性及滯后性，難以建立準(zhǔn)確的城市污水泵站系統(tǒng)模型，采用人工神經(jīng)網(wǎng)絡(luò)方法建立了城市污水泵站預(yù)測模型，通過對污水泵站運(yùn)行機(jī)理過程的理解以及對各變量進(jìn)行相關(guān)性分析從而確定模型的輸入，并對不同預(yù)見期污水泵站水位進(jìn)行預(yù)測，通過與實(shí)際比較及有效性驗(yàn)證，該模型具有較高的精度，可指導(dǎo)城市排水的安全運(yùn)行控制。

關(guān)鍵詞：污水泵站；神經(jīng)網(wǎng)絡(luò)；預(yù)測模型

中圖分類號：tp 27    文獻(xiàn)標(biāo)識碼：a

    受天氣、人群行為及管道損漏等復(fù)雜因素影響，城市污水具有不確定性。現(xiàn)行污水泵站主要采用液位控制，在降雨時，由于短時間大量雨水進(jìn)入污水管網(wǎng)，使污水量劇增，如控制不及時，極易引起污水外溢。因此探討建立污水泵站預(yù)測模型，為城市排水安全運(yùn)行控制提供依據(jù)具有重要的意義。

    現(xiàn)行的污水泵站系統(tǒng)建模的方法在實(shí)際應(yīng)用中受檢測條件的限制和基礎(chǔ)資料的缺乏等原因難以普遍應(yīng)用。如汪雄海等人提出的污水泵站管網(wǎng)時滯模型。在現(xiàn)有條件下難以獲得準(zhǔn)確的實(shí)時流量數(shù)據(jù)；謝瑩瑩、陸曉烽等應(yīng)用國外先進(jìn)的專業(yè)軟件建立排水管網(wǎng)計(jì)算機(jī)模型[3-5]。但建立模型所需的數(shù)據(jù)項(xiàng)非常詳細(xì)，加匯水子區(qū)域面積、埋深等數(shù)據(jù)，本文以杭州城市排水系統(tǒng)為背景，基于運(yùn)行數(shù)據(jù)，提出采用人工神經(jīng)網(wǎng)絡(luò)方法建立預(yù)測模型，為優(yōu)化運(yùn)行控制提供依據(jù)。

    1)人工神經(jīng)網(wǎng)絡(luò)簡介人工神經(jīng)網(wǎng)絡(luò)技術(shù)模仿人類大腦的結(jié)構(gòu)和功能，在處理復(fù)雜信息，隨機(jī)信息或推理不明確問題時顯示其獨(dú)特的優(yōu)越性。神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性特點(diǎn)和容錯能力，使得用其他方法難以獲得理想效果的污水泵站預(yù)測模型成為可能。人工神經(jīng)網(wǎng)絡(luò)是基于生物神經(jīng)網(wǎng)絡(luò)而發(fā)展起來的網(wǎng)絡(luò)模型，主要特點(diǎn)是具有自適應(yīng)性的功能，即通過信息的學(xué)習(xí)來獲得信息之間復(fù)雜的相關(guān)關(guān)系。針對污水泵站，排水管網(wǎng)的scada系統(tǒng)，積累了大量各泵站的歷史運(yùn)行數(shù)據(jù)，而這些數(shù)據(jù)反映了泵站鏈級之間變化關(guān)系及人群行為規(guī)律等，通過建立人工神經(jīng)網(wǎng)絡(luò)的污水泵站模擬預(yù)測模型，對歷史資料進(jìn)行學(xué)習(xí)訓(xùn)練來識別復(fù)雜的城市污水排放機(jī)制，從而實(shí)現(xiàn)污水泵站排水過程計(jì)算機(jī)仿真。基于神經(jīng)網(wǎng)絡(luò)的污水泵站預(yù)測模型不同于一般的計(jì)算公式，而是對水文水力過程及各種不確定因素影響的復(fù)雜運(yùn)行機(jī)制的綜合模擬與體現(xiàn)．

    神經(jīng)網(wǎng)絡(luò)中應(yīng)用****泛的是采用bp算法的神經(jīng)網(wǎng)絡(luò)，bp算法稱為誤差反向傳播(bp)算法。典型的bp網(wǎng)絡(luò)為3層網(wǎng)絡(luò)，即輸入層、隱層和輸出層。基本思想是，學(xué)習(xí)過程由信號的正向傳播和誤差的反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層傳人，經(jīng)各隱層處理后傳向輸出層。若輸出層的時間輸出與期望輸出不符，則轉(zhuǎn)入誤差反向傳播階段。誤差反向傳播是將輸出誤差以某種形式通過隱層向輸入層逐層反傳，使各層所有單元得到誤差信號，然后根據(jù)誤差情況修正各連接權(quán)值，使網(wǎng)絡(luò)朝著誤差減小的方向變化，直至網(wǎng)絡(luò)輸出誤差減少到指定值。權(quán)值不斷調(diào)整的過程即網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程。通過學(xué)習(xí)訓(xùn)練，在模擬預(yù)測時，當(dāng)網(wǎng)絡(luò)受到曾經(jīng)學(xué)習(xí)過或相似的刺激后，其輸出端就產(chǎn)生了相應(yīng)的輸出。

    2)基于bp神經(jīng)網(wǎng)絡(luò)的預(yù)測模型

    ①模型的分析建立  杭州城市排水scada系統(tǒng)以20 s間隔在線采集運(yùn)行數(shù)據(jù)，已存儲了遠(yuǎn)2年的數(shù)據(jù)資料。其中，泵站運(yùn)行數(shù)據(jù)包括前池水位高度，各泵的運(yùn)行狀態(tài)及開關(guān)時間等。另有各泵站工藝圖及管網(wǎng)連接同等靜態(tài)數(shù)據(jù)，這些為研究建立預(yù)測模型奠定基礎(chǔ)。現(xiàn)分析、建立基于bp神經(jīng)網(wǎng)絡(luò)的預(yù)測模型如下：

    a)模型的輸入輸出量的選擇神經(jīng)網(wǎng)絡(luò)是通過訓(xùn)練從提供的數(shù)據(jù)中直接推求輸入輸出的關(guān)系，由于系統(tǒng)的非線性，影響系統(tǒng)啊應(yīng)的主要參量無法預(yù)先確定：為避免純黑箱操作的盲目性，借助對機(jī)理過程的大致理解，分析建立合理的輸入輸出模型以****程度地反映系統(tǒng)的物理背景顯得很重要。

模型的輸出為前池水位，影響它的主要因素有上游泵站提升量和本地流人量（包含降雨時的人流，生活污水及