CN101824807A - 一种潮汐河流地区取水口咸潮短期预测方法 - Google Patents

Abstract

一种潮汐河流地区取水口咸潮短期预测方法，通过分析以下影响因素：上游水文监测站流量、取水口当日潮位差、取水口日不能取水小时数及取水口日平均氯离子浓度，建立BP-RAGA耦合神经网络咸潮预测模型，预测第二天各取水口不能取水小时及日平均氯离子浓度；在预测基础上确定各取水口的可取水时间和可取水量，从而确定第二天潮汐河流原水取水量的时间和空间分布，结合原水系统优化调度模型，最终制定原水系统调度预案，保障原水系统安全运行，确保城市供水安全。本发明相对以往预测系统，能充分利用已有信息，动态确定各影响因素在预测模型中的权重，提高了预测的灵敏度和准确性，具有更低的漏报率和误报率。

Description

一种潮汐河流地区取水口咸潮短期预测方法

技术领域

本发明属于市政工程的给排水领域，涉及针对潮汐河流取水口受咸潮入侵影响来预测潮汐河流地区取水口咸潮短期变化的方法。

背景技术

潮汐河流是沿海城市的主要水源，潮汐河流径流量随季节而变化，在每年10月至次年4、5月的枯水期期间，由于径流量较丰水期小很多，潮汐河流受咸潮影响严重，如长江和珠江的河口地区在每年枯水期常遭受咸潮侵袭。根据国家水源水质标准《地表水环境质量标准》(GB 3838-2002)，当咸度氯离子浓度(以下简称“咸度”)超过250mg/L时，水源水质超标，对沿岸城市居民生活用水会造成重要影响，很多沿海城市通过修建水库、长距离调水等工程措施建立了多水源原水输配系统来保障城市供水安全，这对城市原水系统调度运行提出了更高的要求，而潮汐河流每日取水的时间和空间分布是确定原水系统调度方案的主要影响因素，因此科学预测潮汐河流取水口受咸潮影响程度尤为重要，是原水系统安全运行的重要保障。

咸潮发生的机理十分复杂，受上游来水量、洋流、海平面变化、风向风力等自然因素和河道疏浚、非法挖沙、上游水库建设等人工因素的影响，咸潮预测建模问题中影响系统输出变量的因子众多，影响因子与输出变量之间的关系也十分复杂。目前国内外潮汐河流地区咸潮预测模型可分为宏观模型和微观模型。微观模型研究是通过建立水流连续方程、水流运动方程和氯化物输移扩散方程等来建立河道咸度变化数学模型，使用模型模拟河口咸度变化。宏观模型研究主要运行统计学方法和进化算法等建立咸潮预测模型。早期的统计模型缺乏自适应性，模型更新困难，模型的不确定性问题往往导致模型拟合历史资料的精度较高，而模型的预测检验精度不稳定。微观模型建模和校核过程复杂，模型需要经常维护，对数据类型、数量和精度都有较高的要求。

为了科学地发挥沿海城市原水系统“避咸蓄淡”和保障水质安全的功能，合理调度原水系统运行，通过系统调查研究潮汐河流理论和数据分析，识别原水系统取水口处的咸度变化规律，探寻了海平面变化、上游来水量、风向、河流断面形状等因素影响，对取水口咸度、水位、上游流量变化规律和影响因素之间的关系进行分析。将具有强大非线性计算功能的BP神经网络和全局优化能力的RAGA算法结合，建立了基于BP-RAGA耦合神经网络的日咸潮预测模型，预测潮汐河流取水口受咸潮影响状况，辅助制定咸期原水系统调度方案。

国内外对于潮汐河流咸潮预测的研究较少，以下是两个有代表性的咸潮预测研究：

(1)研究1：

G.J.Bowden，H.R.Maier，G.C.Dandy，2005.Input determination for neural networkmodels in water resources applications.Part 2.Case study：forecasting salinity ina river.Journal of Hydrology.Vol.301，93-107.

研究目的：Murray河是澳大利亚南澳地区最重要的地表水源，为了保障枯水期这一地区的城市供水、农业用水和水力发电，需要研究枯水期潮汐河流地区受咸潮影响情况，最大限度地降低咸潮对该地区的影响。

技术措施：建立基于人工神经网络(ANN)的14天咸度预测模型，应用偏互信息方法(Partial mutual information，PMI)和自组织遗传广义自回归方法(SOM-GAGRNN)来选择预测模型的输入变量。

实际效果：通过采用以上技术可以预测未来14天咸度变化趋势，但是对于原水泵站来说，日平均咸度不能反映当日可取水情况，欠缺指导意义。

(2)研究2：

Hongbing Sun，Manfred Koch，2001.CASE STUDY：Analysis and forecasting of salinityin apalachicola bay，florida，using box-jenkins ARIMA models.Journal of HydraulicEngineering.127(9)，718-727.

研究目的：Apalachicola河口位于美国佛罗里达州西北部，毗邻墨西哥湾，是美国最重要的牡蛎生产基地之一，河口咸度直接影响牡蛎的生长，需要研究枯水期河口地区咸潮影响情况，为通过水利构筑物调节出库淡水量来维持河口生态提供科学依据。

技术措施：建立基于自回归求和滑动平均模型(ARIMA)的咸度预测模型。

实际效果：通过应用以上技术可以预测未来1小时咸度变化趋势，但是对于原水泵站来说，该预测模型的时间尺度太短，也不能反映当日可取水情况，欠缺指导意义。

发明内容

本发明通过系统调查研究潮汐河口理论和数据分析，识别原水系统取水口处的咸度变化规律，建立了一种取水口原水咸度短期预测方法。通过分析上游水文监测站流量、取水口当日潮位差、历史不能取水小时及日平均咸度等影响因素，建立了BP-RAGA耦合神经网络咸潮预测模型，可以分别预测第二日取水口不能取水小时及日平均咸度，其预测结果为制定原水调度预案提供科学依据。

本发明提出的咸潮预测应用了RAGA算法和BP神经网络，使用了创新的技术方案和技术手段，来达到和实现河口地区咸潮预测的目的和效果。

为达到上述目的，本发明的解决方案是：

一种基于BP-RAGA耦合神经网络的潮汐河流地区取水口咸潮短期预测方法，通过分析上游水文监测站流量、取水口当日潮位差、日不能取水小时及日平均咸度等影响因素，建立BP-RAGA耦合神经网络咸潮预测模型，可预测各取水口日不能取水小时及日平均咸度。在预测基础上确定各取水口的可取水时间和可取水量、内河涌水闸开启和关闭时间等，从而确定第二天潮汐河流原水取水量的时间和空间分布，结合原水系统优化调度模型，最终制定原水系统调度预案，保障原水系统安全运行，确保城市供水安全。

进一步，包括以下步骤：

(1)获取咸潮预测影响因素及历史数据，确定神经网络预测模型结构和参数，对数据进行前处理；

(2)使用实码加速遗传算法(RAGA算法)对神经网络的初始权值进行优化；

(3)利用误差反向传播算法(BP算法)对神经网络进行训练；

(4)利用RAGA算法对神经网络进行训练；

(5)判断神经网络训练是否结束，如未结束，转入步骤(3)，否则转入步骤(6)；

(6)利用训练结束后的神经网络模型进行咸潮预测。

该方法可以实现预测各取水口日不能取水小时和日平均咸度的功能，其中日不能取水小时是指预测日取水口时平均咸度超过国家水源水质标准《地表水环境质量标准》(GB3838-2002)规定250mg/L的小时数之和，其中日平均咸度是指预测日一天的平均咸度，单位是mg/L。

所述的取水口日不能取水小时预测模型的影响因素是指：前一日取水口不能取水小时、前一日上游水文监测站流量和前一日取水口潮位差；所述的取水口日平均咸度预测模型的影响因素是指：前一日取水口平均咸度、前一日上游水文监测站流量和前一日取水口潮位差。

所述的步骤(1)包括对所有影响因素的数据归一化到0.1到0.9之间的过程。所述的神经网络包括1个输入层、1个隐含层和1个输出层。

所述的神经网络输入层有3个神经元、隐含层有5个神经元、输出层有1个神经元。所述的神经网络隐含层和输出层神经元传递函数均采用sigmoid函数。所述的神经网络首先启用RAGA算法来优化神经网络初始权值，再对完成初始权值优化的神经网络进行训练。所述的对神经网络所采用的训练方法是BP算法和RAGA算法，在BP算法训练神经网络一定次数时时启用RAGA算法来加速训练神经网络，之后再用BP算法训练神经网络，如此反复多次，加快神经网络收敛速度，提高神经网络的预测精度。，BP算法训练神经网络和RAGA算法训练神经网络子流程分别见图2。

在步骤(5)中，如果神经网络预测模型训练次数达到最大次数时结束训练，使用完成训练的神经网络进行咸潮预测。

在步骤(6)中，利用训练后的神经网络进行预测时，先将样本数据归一化到0.1和0.9之间，再进行输入，将网络运算后的输出值进行反归一化，即得到咸潮预测值。

本发明提出的基于BP-RAGA耦合神经网络的咸潮短期预测方法，所需历史数据较少，可以准确快速地预测潮汐河流地区咸潮变化。利用本发明，只需收集必需的历史数据，就可以建立咸潮预测模型，通过计算机仿真试验和科学预测，从而减少人工预测的工作量和风险，提高预测质量，为原水系统调度提供科学依据，保障原水安全供应。

附图说明

图1是BP-RAGA耦合神经网络咸潮预测模型总流程图。

图2是BP-RAGA耦合神经网络咸潮预测模型计算流程图。

图3是BP-RAGA耦合神经网络日平均咸度预测结果图。

图4是BP-RAGA耦合神经网络日不能取水小时预测结果图。

具体实施方式

本发明的技术方案设计结构请参见图1。整个系统包括如下工作步骤：

1、系统初始化：

(1)：网络结构确定。对于BP神经网络，任何在闭区间的一个连续函数都可以用单隐层的BP网络逼近，因此一个三层BP网络可以完成任意n维到m维的映射，所以选择3层BP神经网络进行咸潮预测。

选择最佳隐含层神经元数可参考如下公式：

$\underset{i=0}{\overset{n_j}{\mathrm{\Σ}}}{C}_{n_m}^i>k---\left(1\right)$

其中k——为样本数；

n_m——为隐含层神经元数；

n_j——为输入层神经元数。

$n_m=\sqrt{n_j+n_l}+a---\left(2\right)$

其中n_l——为输出层神经元数。

a——为[1，10]之间的常数。

$n_1={\log }_2^n---\left(3\right)$

因此确定使用具有3层结构的神经网络，其中输入层有3个神经元，隐含层有5个神经元，输出层有1个神经元。

(2)：数据预处理。输入输出样本数据矩阵为{x_ki，t_kl；i＝1…n_i，l＝1…n_l，k＝1…n_k}，则矩阵中任一元素经如下公式归一化到[0.1，0.9]内：

$x_{\mathrm{ki}}=0.1+\frac{0.8\·[x_{\mathrm{ki}}-\min \left(x_{\mathrm{ki}}\right)]}{[\max \left(x_{\mathrm{ki}}\right)-\min \left(x_{\mathrm{ki}}\right)]}---\left(4\right)$

$t_{\mathrm{kl}}=0.1+\frac{0.8\·[t_{\mathrm{kl}}-\min \left(t_{\mathrm{kl}}\right)]}{[\max \left(t_{\mathrm{kl}}\right)-\min \left(t_{\mathrm{kl}}\right)]}---\left(5\right)$

式中n_i，n_l，n_k——分别为输入层神经元数量、输出层神经元数量和样本的数量。

x_ki——第k个样本第i个输入样本；

t_kl——第k个样本第l个输出样本；

max(x_ki)，min(x_ki)——输入层训练样本中的最大值和最小值；

max(t_kl)，min(t_kl)——输出层训练样本中的最大值和最小值。

(3)：其他参数设置。

输入层和隐含层的阈值θ都设为-1；

输入层和隐含层之间的权值：w_ji，j＝1，2…5，i＝1，2，3；

隐含层和输出层的权值：T_lj，l＝1，j＝1，2…5。

2、利用RAGA算法优化神经网络初始权值

(1)：设置初始参数和目标函数：群体大小为300，进化代数为30，移民个体取15，优秀个体取20。设定目标函数：

$\min E=\min \underset{k=1}{\overset{\mathrm{nk}}{\mathrm{\Σ}}}{E}_k=\min \underset{k=1}{\overset{\mathrm{nk}}{\mathrm{\Σ}}}\underset{l=1}{\overset{\mathrm{nl}}{\mathrm{\Σ}}}{(O_j-t_{k,l})}^2/2---\left(6\right)$

式中O_l——第1个输出层神经元计算值；

(2)：优化变量初始变化区间的构造。RAGA算法优化的是神经网络的初始权值，给每个网络权值w_ji，T_lj赋予一个[0，1]内的随机数。

(3)：父代群体编码，采用实数编码方式，即利用如下公式进行编码

式中p——优化变量数目；

[a(j)，b(j)]——第j个变量的变化区间；

y(j)——针对第j个变量的随机产生的介于[0，1]之间的随机数。

(4)：计算父代群体的目标函数值。设群体规模为n，对父代群体进行编码，再经式(6)得到相应的目标函数值f(i)，把{f(i)}按从小到大排序，对应的个体{y(j，i)}也跟着排序，将最前面的15个个体称为移民个体。

(5)：父代个体的适应能力评价。定义排序后第i个父代个体的适应度函数值F(i)为

$F\left(i\right)=\frac{1}{f{\left(i\right)}^2+0.001}---\left(8\right)$

(6)：选择操作。产生第1个子代群体{y1(j，i)|j＝1，2，…，p；i＝1，2，…，n}，采取轮盘赌选择方法，则父代个体y(j，i)的选择概率ps(i)为

$\mathrm{ps}\left(i\right)=F\left(i\right)/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}F\left(i\right)---\left(9\right)$

令则序列{p(i)|i＝1，2，…，n}把[0，1]区间分成n个子区间，这些子区间与n个父代个体一一对应。生成n-15个介于[0，1]之间的随机数{u(k)|k＝1，2，…，n-15}，若u(k)在(p(i-1)，p(i)]中，则第i个个体y(j，i)被选中，即y1(j，k)＝y(j，i)。这样从父代群体{y(j，i)}中以概率ps(i)选择第i个个体，共选择n-15个个体。并把步骤(4)产生的15个移民个体直接加进子代群体中，即y1(j，n-15+i)＝y(j，i)，i＝1-15。

(7)：杂交操作，采用中间重组方法。产生第2个子代群体{y2(j，i)|j＝1，2，…，p；i＝1，2，…，n}。杂交操作根据式(9)的选择概率随机选择一对父代个体y(j，i1)和y(j，i2)作为双亲，并进行如下随机线性组合，产生一个子代个体y2(j，i)：

$\left.\begin{array}{c}y2(j,i)=u1y(j,i1)+(1-u1)y(j,i2),u3<0.5\\ y2(j,i)=u2y(j,i1)+(1-u2)y(j,i2),u3\&GreaterEqual;0.5\end{array}\right\}---\left(10\right)$

式中u1，u2和u3都是介于[0，1]的随机数。通过这样的杂交操作，共产生n个子代个体。

(8)：变异操作。产生第3个子代群体{y3(j，i)|j＝1，2，…，p；i＝1，2，…，n}。采用p个随机数以pm(i)＝1-ps(i)的概率来代替个体y(j，i)，从而得到子代个体y3(j，i)，j＝1，2，…，p。即：

$\left.\begin{array}{c}y3(j,i)=u\left(j\right),\mathrm{um}<\mathrm{pm}\left(i\right)\\ y3(j,i)=y(j,i),\mathrm{um}\&GreaterEqual;\mathrm{pm}\left(i\right)\end{array}\right\}---\left(11\right)$

式中，u(j)(j＝1，2，…，p)和um均为介于[0，1]的随机数。

(9)：演化迭代。由前面的步骤(6)～步骤(8)得到的3n个子代个体，按其适应度函数值从大到小进行排序，取排在最前面的n个子代个体作为下一次演化的父代群体。

(10)：加速循环。每一次迭代产生的20个优秀个体所对应的变化区间作为变量新的初始变化区间，同时保留最优秀的个体，转入步骤(3)。如此循环，直至算法运行达到预定循环次数，把当前群体中最佳个体指定为最终结果。

3、利用BP算法训练神经网络

(1)：从第一个样本k＝1开始训练，计算隐含层和输出层计算值。

隐含层计算公式：

$y_i=f(\underset{i}{\mathrm{\&Sigma;}}{w}_{\mathrm{ji}}{x}_i-w_{i0})---\left(12\right)$

输出层计算公式：

$O_l=f(\underset{j}{\mathrm{\&Sigma;}}{T}_{\mathrm{lj}}{y}_j-T_{l0})---\left(13\right)$

式中f——传递函数，采用sigmoid函数

W_ji——隐含层神经元j和输入层神经元i之间的权值；

W_i0——输入层阈值，设为-1；

T_lj——输出层神经元1和隐含层神经元j之间的权值；

T_l0——隐含层阈值，设为-1；

y_j——隐含层j神经元计算值；

O_l——输出层1神经元计算值。

(2)：误差计算。其中输出层误差公式：

        δ_l＝(t_l-O_l)·O_l·(1-O_l)            (14)

隐含层误差公式：

${\mathrm{\&delta;}}_j^{\&prime;}=y_j\&CenterDot;(1-y_j)\&CenterDot;\underset{l}{\mathrm{\&Sigma;}}{\mathrm{\&delta;}}_l{T}_{\mathrm{lj}}---\left(15\right)$

(3)：输入层-隐含层权值修正，其中隐含层权值修正：

w_ji(h+1)＝w_ji(h)+η·(1-α)·δ_j′(h)·x_i(h)+α·δ_j′(h-1)·x_i(h-1)   (16)

其中α——动量项，α∈(0，1)；

η——学习系数，η∈(0，1)。

隐含层阈值权值修正：

w_j0(h+1)＝w_j0(h)-η·(1-α)·δ_j′(h)-α·δ_j′(h-1)    (17)

(4)：隐含层-输出层权值修正，其中输出层权值修正：

T_lj(h+1)＝T_lj(h)+η·(1-α)·δ_l(h)·y_j(h)+η·δ_l(h-1)·y_j(h-1)  (18)

输出层阈值权值修正：

T_l0(h+1)＝T_l0(h)-η·(1-α)·δ_l(h)-α·δ_l(h-1)(19)

(5)：设h＝h+1，直到该样本所有训练次数n_l训练完毕。设k＝k+1，直到所有训练样本n_k训练完毕。

4、利用RAGA算法训练神经网络

除了子步骤(2)、(3)，其余步骤均同步骤2。

(2)：优化变量初始变化区间的构造。RAGA算法优化的是BP算法训练后的网络权值c_j(包括隐含层和输出层权值)，则它们的变化区间构造为[a_j，b_j]，其中：

a_j＝c_j-d|c_j|，b_j＝c_j+d|c_j|(j＝1，2，…，p)(20)

式中d——为一正常数，d∈[2，10]；

p——优化变量的数量，即所有的隐含层和输出层权数量，p＝(n_j+1)×n_m+(n_m+1)×n₁。

(3)：父代群体的编码。采用实数编码形式，对于初始群体，将BP算法训练后的所有神经网络权值作为一个个体，其余个体按照公式(7)随机产生。

5、判断训练是否结束

当训练次数达到规定次数时，训练结束。

6、利用完成训练的神经网络进行咸潮预测

所有样本训练结束后得到包含最终修正权值的神经网络，使用该神经网络进行预测，输出结果经过反归一化处理可以得到预测值：

O_l＝1.25×(O_l-0.1)×[max(t_l)-min(t_l)]+min(t_l)(21)

图1的总流程图中，系统通过神经网络初始化、网络权值优化、BP算法训练网络、RAGA算法训练网络、训练结束判断和咸潮预测六个阶段步骤实现。图2的计算流程图给出了每个步骤的详细说明。下面结合两个实施案例对本发明的基于BP-RAGA耦合神经网络咸潮预测方法做出详细说明。

案例一、日咸度预测案例

本发明的基于BP-RAGA耦合神经网络咸潮预测方法，结合日平均咸度预测案例，包括如下步骤：

(1)确定预测对象的影响因素。

在本案例中，平岗取水口咸度的主要影响因素为前一日的平均咸度、潮位差和上游水文监测站流量。在训练和预测前，将所有输入和输出数据值归一化到0.1到0.9之间。

(2)建立BP-RAGA耦合神经网络预测模型

所述的神经网络为输入层、隐含层和输出层构成的3层神经网络。其中输入层有3个神经元、隐含层有5个神经元、输出层有1个神经元。隐含层和输出层传递函数采用sigmoid函数，函数输出对应0到1的一个连续区域。

(3)对神经网络进行训练

所述的对神经网络进行训练是指，将每日的平岗取水口日平均咸度、潮位差和上游水文监测站流量作为一组数据，取2004年-2009年10月咸期数据作为训练样本。BP算法训练100000次，RAGA算法训练25次后结束训练，训练均方根误差为201mg/L。

(4)利用神经网络进行预测

利用完成训练的神经网络预测2009年11-12月的每日平均咸度，首先将样本数据归一化到0.1和0.9之间，再输入到神经网络中，将网络运算后的输出进行反归一化，就得到咸潮预测值，预测结果见图3，预测均方根误差为363mg/L。

案例二、咸度超标时预测

本发明的基于BP-RAGA耦合神经网络咸潮预测方法，结合取水口不能取水小时预测案例，包括如下步骤：

(1)确定预测对象的影响因素。

在本案例中，平岗取水口咸度日超标时的主要影响因素为前一日的不能取水小时、潮位差和上游水文监测站流量。在训练和预测前，将输入输出数据值归一化到0.1到0.9之间。

(2)建立BP-RAGA耦合神经网络预测模型

所述的神经网络为输入层、隐含层和输出层构成的3层神经网络。其中输入层有3个神经元、隐含层有5个神经元、输出层有1个神经元。隐含层和输出层传递函数采用sigmoid函数，函数输出对应0到1的一个连续区域。

(3)对神经网络进行训练

所述的对神经网络进行训练是指，将每日的平岗取水口不能取水小时、潮位差和上游水文监测站流量作为一组数据，取2004年-2009年10月咸期数据作为训练样本。BP算法训练100000次，RAGA算法训练25次后结束训练，训练均方根误差为3.5小时。

(4)利用神经网络进行预测

利用完成训练的神经网络预测2009年11-12月每日咸度超标时数，首先将样本数据归一化到0.1和0.9之间，再输入到神经网络中，并将神经网络运算后的输出进行反归一化，就得到咸潮预测值，预测结果见图4，预测均方根误差为3.7小时。

预测结果说明，BP-RAGA耦合神经网络咸潮预测模型对训练和预测都有较好的预测效果，因而具有较强的推广能力。本实施例表明，本发明能够准确、快速地预测第二天取水口咸潮影响程度，为制定原水系统调度预案提供科学依据，保障原水供应安全，预测方法有较强的推广能力，具有广阔的应用前景。

上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实施例，本领域技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。

Claims (11)

1.一种潮汐河流地区取水口咸潮短期预测方法，其特征在于：通过分析以下影响因素：上游水文监测站流量、取水口当日潮位差、取水口日不能取水小时及取水口日平均氯离子浓度，建立BP-RAGA耦合神经网络咸潮预测模型，预测第二日各取水口不能取水小时及日平均氯离子浓度；在预测基础上确定取水口可取水时间和取水量、内河涌水闸开启和关闭时间，从而确定第二天潮汐河流原水取水量的时间和空间分布，结合原水系统优化调度模型，最终确定原水系统调度预案，保障原水系统安全运行，确保城市供水安全。

2.根据权利要求1所述的方法，其特征在于：包括以下步骤：

(1)获取咸潮预测影响因素及历史数据，确定神经网络预测模型结构和参数，对数据进行前处理；

(2)使用实码加速遗传算法(RAGA算法)对网络初始权值进行优化；

(3)利用误差反向传播算法(BP算法)对神经网络进行训练；

(4)利用RAGA算法对神经网络进行训练；

(5)判断神经网络训练是否结束，如未结束，转入步骤(3)，否则转入步骤(6)；

(6)利用训练结束后的神经网络模型进行咸潮预测。

3.根据权利要求1所述的方法，其特征在于：所述的取水口氯离子浓度超标时预测模型的影响因素是指氯离子浓度：取水口前一日不能取水小时氯离子浓度、前一日上游水文监测站流量和取水口前一日潮位差；所述的取水口日平均氯离子浓度预测模型的影响因素是指：取水口前一日平均氯离子浓度、前一日上游水文监测站流量和取水口前一日潮位差。

4.根据权利要求2所述的方法，其特征在于：所述的步骤(1)包括对所有样本数据归一化到0.1到0.9之间的过程。

5.根据权利要求1或2所述的方法，其特征在于：所述的神经网络包括1个输入层、1个隐含层和1个输出层。

6.根据权利要求1、2或5所述的方法，其特征在于：所述的神经网络的输入层有3个神经元、隐含层有5个神经元、输出层有1个神经元。

7.根据权利要求1、2、5或6所述的方法，其特征在于：所述的神经网络的隐含层和输出层神经元传递函数均采用sigmoid函数。

8.根据权利要求1或2所述的方法，其特征在于：所述的神经网络首先启用RAGA算法来优化神经网络初始权值，再对优化了初始权值的神经网络进行训练。

9.根据权利要求2所述的方法，其特征在于：所述的对神经网络所采用的训练方法是BP算法和RAGA算法，在BP算法训练神经网络一定次数后启用RAGA来加速训练此时的网络参数，之后再用BP算法训练神经网络，如此反复多次，加快神经网络收敛，提高神经网络预测精度。

10.根据权利要求2所述的方法，其特征在于：在步骤(5)中，如果神经网络训练次数达到最大次数时结束训练，使用完成训练的神经网络进行咸潮预测。

11.根据权利要求2所述的方法，其特征在于：在步骤(6)中，利用训练后的神经网络进行预测之前，先将输入数据归一化到0.1和0.9之间，再进行输入，将网络运算后的输出值进行反归一化，即得到咸潮预测值。

Images