[发明专利]基于灰色神经网络的爆管预测方法

说明书

技术领域

本发明属于城市供水领域，具体是一种基于灰色神经网络的供水管网爆管预测方法。

背景技术

供水管网是城市的重要基础设施之一，也是城市生命线工程的重要组成部分。管网爆管会造成大量水资源的浪费，威胁供水安全，影响正常生产和生活。对历史漏损数据进行分析，建立有效的爆管预测模型，可从源头上对管网漏损进行控制，做到早预防、早发现，科学合理地进行维护，实现漏损的主动控制。

目前，爆管预测模型主要包括物理模型和统计模型。物理模型一般通过分析作用在管道上的荷载，管道抗荷载的能力，管道内外所受腐蚀的程度、范围等来预测管道事故。统计模型则以管网历史爆管数据为依据，用统计的方法建立爆管事故量化规律。近年来，基于人工智能的数据驱动建模技术受到重视，并在爆管预测研究方面已有应用，如Tabesh M.等在文章Assessing pipe failure rate and mechanical reliability of water distribution networks using data driven modeling中提出并建立了基于人工神经网络和适应性神经-模糊推断系统的爆管模型。

然而，传统爆管模型需要大量的数据，如管道特性数据, 准确而足够长时间的管道运行维护历史数据等，但给水管网系统庞大复杂，漏点发生的详细记录难以准确、全面采集，急需研究利用现有少量数据进行爆管分析以及预测方法。同时，考虑到供水管网的漏损受管道年限、管道材料、气温、外部工程等各种因素的影响，不确定因素较多，若将影响管网爆管的各种复杂因素联合起来看成一个大系统，这一系统兼有确定性与不确定性，可以看成一个典型的灰色系统。

灰色系统建模方法可不考虑分布规律、变化趋势，能从少量样本中找出系统的变化关系,且建模方法简单。但灰色系统不具备并行计算能力,模型精度欠高。而神经网络可以实现非线性映射,具有并行计算、分布式信息存储、容错能力强、自适应学习功能等优点。若将两者结合构成灰色神经网络模型,则优点兼具，能较好的解决小样本预测问题，提高预测精度。

发明内容

本发明的目的在于克服现有方法中的不足，提出一种基于灰色神经网络的供水管网爆管预测方法，能有效地提高预测精度，且对管网爆管历史记录要求不高可同时适用于小样本预测和大样本预测。

本方法通过以下技术方案实现：首先，对于给定的爆管因素和爆管率数据序列,通过静态灰色建模，对爆管率序列进行预测。预测结果和原爆管率序列进行比较,得到残差。然后，利用神经网络在这些残差和爆管因素间建立神经网络逼近模型。经过反复训练的神经网络就是残差和所选的灰色模型数据间的映射关系。最后预测时，再将灰色模型的预测值用神经网络的补偿值进行补偿。

具体建模过程如下：

(1)收集、整理统计爆管数据

一般影响爆管的因素有：管材质量，接口形式，管径，管道埋深，气温变化，地势沉降和载荷，管网运行压力，管道腐蚀等等。其中某些因素可以量化，某些因素无法量化。从爆管数据库中，统计分析可量化的因素如管径、埋深、管网运行压力、管长等，并计算爆管率（一般计算年爆管率）。

(2)建立模型

基于步骤(1)收集统计的 个爆管因素和爆管率，建立以个爆管因素为因子变量，以爆管率为行为变量的模型。具体步骤如下：

1）设为系统特征数据序列（此序列表示行为变量的个观测值）

这个序列称为相关因素序列（表示个因子变量各自的个观测值）。

上述各数据序列的一次累加生成（）序列记为（），所谓一次累加生成即：

设（）为原始序列，为序列算子，其中，称为的一次累加生成算子，而生成的新的序列为一次累加生成序列。

2）基于（）建立模型

其中参数列，可用最小二乘估计而得到为。

其中：

 

3）应用步骤2）中的模型进行预测，得到预测的行为变量序列为

通过以上步骤，就建立了以个爆管因素为因子变量，以爆管率为行为变量的模型。

(3)建立神经网络模型

将一次累加的相关因素序列（）作为BP神经网络（可以使用其他神经网络模型）的输入，由模型预测得到的特征序列与一次累加的特征数据序列的残差序列作为网络的输出，其中，建立BP神经网络模型。