[发明专利]一种供水系统调度代理决策方法

权利要求书

1.一种供水系统调度代理决策方法，其特征在于，包括以下步骤：

步骤一：样本数据获取及处理

收集输水工程的实测监测数据，包括水位、流量、闸门启闭情况；假定阀门开度在时段内保持不变，样本数据处理为日平均输水流量；根据构建BP神经网络模型需求，将样本数据分为训练集数据组、测试集数据组，且各组数据集由样本数据中随机组合获取；

步骤二：构建BP神经网络模型

采用三层BP神经网络，由输入层、隐含层、输出层组成，其特点是上下层之间各种神经元实行全连接，即下层的每一单元与上层的每一单元都实现权连接，而每层内的各个单元之间无连接；传递函数采用S型函数；由于阀门开度与其初始状态、水位及目标需水量有关，所以可以将当前状态下各个用户输水流量、时段内输水工程入口处水位值、时段内各个阀后水头值、各用户日需水流量作为输入层的输入因子；隐含层为闸门开度、流量、水位之间的非线性关系；采用的隐含层节点选择方法是经验公式法(1-2)；输出层的输出内容为闸门开度；

式中：m为隐含层接节点数；n为输入层节点数；p为输出层节点数；α为1-10的常数；

步骤三：训练BP神经网络模型

将步骤一归一化后的训练集样本数据输入BP神经网络模型开始训练，BP神经网络训练过程包含信息传播过程和误差传播过程；信息传播过程是输入层信息经隐含层向输出层传递，误差传播过程是输出层的期望输出与网络输出值的误差经隐含层向输入层反向传递；

在信息传递过程中，每层神经元都存在误差，为保证网络输出值与期望输出值误差减小，需不断调整各层神经元间的连接权重值，直至误差小于目标值；将经过BP神经网络训练的训练集数据与原始样本数据进行拟合，选用BP神经网络预测结果与输出层实际结果间均方误差，来衡量与评价调度函数计算结果的好坏，样本均方误差MSE需控制在0.02以内；在拟合过程中，若MSE大于0.02，则认为结果不合理，开始新一轮训练，调整各神经元之间的权重值，直至结果合理；若MSE小于0.02，则认为拟合结果较好，建模结果较为理想，表明BP神经网络模型能够比较准确地获取阀门开度值与水位、目标流量之间的非线性关系；

将归一化后的测试集数据输入已经训练好的BP神经网络模型中进行测试，以验证模型的准确性；将经过BP神经网络预测的测试集数据与实际测试集结果数据进行拟合，若MSE小于0.02，则认为模型较为理想；若MSE大于0.02，则认为模型不理想，需增加训练集数据重新训练；

步骤四：输出调控决策步骤三中已得到较为理想的BP神经网络模型，输出层的输出结果在区间[0,1]中，将输出结果进行反归一化处理，将其还原为原量纲，得到闸门的开度值，即可输出闸门的调控决策。

2.根据权利要求1所述的一种供水系统调度代理决策方法，其特征在于，所述步骤一中，由于不同数据的范围及量纲不同，在进行神经网络模型训练前需对所有样本数据进行归一化处理，归一化公式为式(1-1)，归一化区间为[0，1]；

式中：x为样本数据原始值；x′为x所对应的归一化数值；x_min为样本数据中最小值；x_max为样本数据中最大值。

3.根据权利要求1所述的一种供水系统调度代理决策方法，其特征在于，所述步骤四中，反归一化公式为(1-3)；

x＝x'×(x_max-x_min)+x_min (1-3)

式中：x为样本数据原始值；x′为x所对应的归一化数值；x_min为样本数据中最小值；x_max为样本数据中最大值。