[发明专利]一种城市雨水系统排水口排水流量的动态预测方法

说明书

本发明公开了一种城市雨水系统排水口排水流量的动态预测方法，步骤(1)、利用暴雨洪水管理模型对进行降雨‑径流模拟，多组排水管网出口的排水流量过程线，作为训练样本；步骤(2)、建立RBF神经网络进行训练，在训练过程中进行网络隐层节点及中心宽度Spread的优化；步骤(3)、建立NARX神经网络进行训练；步骤(4)、将完成训练的NARX神经网络与RBF神经网络进行耦合得到耦合网络，进行预测，计算耦合网络与样本的均方误差，返回均方误差最小的流量值作为优化后的耦合位点，随机选取降雨数据输入耦合网络，得到预测的排水流量过程线。本发明有机结合了不同神经网络的优势与特点，预测结果与SWMM模拟符合很好，曲线的均方误差为0.000458，具有良好的预测精度。

技术领域

本发明涉及城市雨水资源管理与排水技术领域，特别是涉及一种基于耦合径向基神经网络、非线性自回归模型与数值模拟的排水流量动态预测方法。

背景技术

暴雨洪水管理模型(SWMM)是一个动态的降水-径流模拟模型，主要包含径流模块、汇流模块与水质模块等，多用于模拟城市某一单一降水事件或长期的水量和水质模拟。该模型可以跟踪模拟不同时间步长任意时刻每个子流域所产生径流的水质和水量，以及每个管道和河道中水的流量、水深及水质等情况。SWMM模型在城市排水模拟中运用广泛。

径向基函数(RBF)神经网络属于前向神经网络类型，网络的结构与多层前向网络类似，是一种三层的前向网络。其预测的基本思想是：利用径向基函数对输入矢量进行变换，将低维的模式输入数据变换到高维空间内，使得在低维空间内的线性不可分的问题在高维空间内线性可分。RBF网络结构简单、训练简洁且能够逼近任意非线性函数，因此被广泛运用于时间序列分析等领域。

非线性自回归模型(NARX)是非线性动态系统中应用最广泛的一种神经网络，主要由输入层、隐层和输出层及输入和输出延时构成。NARX神经网络具有反馈与记忆的功能，能够将前几个时刻的数据保留，使其加入到下一时刻数据的计算，实现网络的动态性与系统信息的完整性。目前，NARX神经网络在时间序列的分析、仿真和系统监测与控制领域具有重要的应用。

在工程应用中经常会遇到一些复杂的非线性系统，难以用数学方法准确建模。尤其在“海绵城市”的建设过程中，往往需要对流域的整个排水过程进行预测，而单一地使用神经网络的方法很难实现高精度的动态排水过程的预测要求。

发明内容

为了解决上述现有技术“单一地使用神经网络的方法”而存在“很难实现高精度的动态排水过程的预测要求”的这一难题，本发明提出了一种城市雨水系统排水口排水流量的动态预测方法，实现了基于NARX-RBF耦合神经网络实现非线性动态排水系统的排水口流量预测。

本发明提出了一种城市雨水系统排水口排水流量的动态预测方法，该方法包括以下步骤：

步骤1、利用暴雨洪水管理模型对排水系统进行降雨-径流模拟，改变降雨条件得到多组排水管网出口的排水流量过程线，再将降雨过程线与排水流量过程线进行离散化处理，作为训练样本；

步骤2、建立RBF神经网络，将步骤1中的离散化的降雨与流量数据作为RBF网络的输入与期望输出进行训练，同时在训练过程中进行网络隐层节点及中心宽度Spread的优化：设计一个循环结构，将隐层节点数从4个取到400个，分别计算在不同隐层节点数下训练过程的均方误差，返回均方误差最小的节点数作为网络的节点数，并参与后续的训练与预测；在确定节点数的情况下，利用同样的循环结构，让中心宽度从0.2取到2，再分别计算不同宽度下训练过程的均方误差，返回均方误差最小的宽度值作为网络的中心宽度；

步骤3、建立NARX神经网络，将步骤(1)中的离散化的降雨与流量数据作为NARX神经网络的输入与期望输出进行训练；