[发明专利]基于神经网络的污水泵站水位预测方法

摘要

本发明公开了一种基于神经网络的污水泵站水位预测方法。本发明方法首先选择预测模型变量，包括出入变量：上游泵站提升量、前池液位变化量、本泵站排出量、开关泵液位控制设定量，输出变量：泵站前池水位；其次对上述的数据进行归一化处理；然后搭建BP神经网络框架，并训练BP神经网络；最后对经神经网络的数据反归一化处理。本发明方法比传统恒定流计算方法得到的预测精度更高。

主权项

1.基于神经网络的污水泵站水位预测方法，其特征在于该方法包括如下步骤：步骤(1)选择预测模型变量，确定训练样本；具体方法为：利用机理分析和先验信息，选择预测模型的输入变量和输出变量，输入变量包括上游泵站提升量、前池液位变化量、本泵站排出量、开关泵液位控制设定量；输出变量为泵站前池水位；对于采集与监控系统采样的时间序列数据，计算输入序列和输出序列的自相关系数和互相关系数，确定互相关系数大的输入序列和输出序列作为训练样本；所述的输入序列由输入变量组成，包括上游泵站提升量输入序列、前池液位变化量输入序列、本泵站排出量输入序列和开关泵液位控制设定量输入序列；所述的输出序列为泵站前池水位序列；步骤(2)数据归一化处理，对输入序列和输出序列中的数据进行归一化处理，转化为[0，1]范围的值x^=x-xminxmax-xmin]]>其中x_max为输入数据中的最大值，x_min为输入数据中的最小值；x为输入数据，为输入数据归一化处理后的值；步骤(3)搭建BP神经网络框架，具体方法是：调用Matlab7.1神经网络工具箱中的newff函数建立BP神经网络，Net＝newff(PR，[s₁，s₂，...，s_i]，{TF₁，TF₂，...，TF_i}，BTF，BLF，PF)；Net为BP神经网络框架，PR为输入矩阵中由最大元素和最小元素决定的一个取值范围，s_i为第i层神经元的个数，TF_i为第i层的传递函数，1≤i≤N₁，N₁为神经网络总层数，BTF为BP神经网络的训练函数，BLF为权值和偏置值，PF为网络性能函数；步骤(4)训练BP神经网络；具体方法是：a、初始化BP神经网络，利用随机函数产生的值赋值给权值和偏置值，然后调用init函数来初始化BP神经网络；b、设置网络训练次数和训练目标误差；c、设置训练数据为输入矩阵P，设置目标值为矩阵T，调用Matlab7.1神经网络工具箱中的train函数对BP神经网络Net进行数据训练直至收敛，Net＝train(Net，P，T)；步骤(5)测试BP神经网络；对训练完成的BP神经网络进行测试，将历史数据组成泵站前池水位预测网络测试矩阵P_test，直接调用Matlab7.1神经网络工具箱中的sim函数，D＝sim(Net，P_test)，对测试矩阵进行仿真，其中D为目标函数；步骤(6)数据反归一化处理；对测试所得的污水泵站前池水位数据按照公式进行反归一化处理，其中x′为最终所预测得到的泵站前池水位数据，为仿真测试得到的泵站前池水位数据，x′_max为泵站前池水位数据中的最大值，x′_min为泵站前池水位数据中的最小值。