CN108898512A - 基于bp神经网络的城市供水管网模型校核方法 - Google Patents
基于bp神经网络的城市供水管网模型校核方法 Download PDFInfo
- Publication number
- CN108898512A CN108898512A CN201810840136.1A CN201810840136A CN108898512A CN 108898512 A CN108898512 A CN 108898512A CN 201810840136 A CN201810840136 A CN 201810840136A CN 108898512 A CN108898512 A CN 108898512A
- Authority
- CN
- China
- Prior art keywords
- function
- neural network
- pressure
- value
- pipe
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012544 monitoring process Methods 0.000 claims abstract description 53
- 230000002068 genetic effect Effects 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 96
- 238000012549 training Methods 0.000 claims description 43
- 230000035945 sensitivity Effects 0.000 claims description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000011160 research Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 210000000349 chromosome Anatomy 0.000 claims description 3
- 230000009021 linear effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims 1
- 230000004044 response Effects 0.000 claims 1
- 230000003044 adaptive effect Effects 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 3
- 238000003556 assay Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008521 reorganization Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 208000001613 Gambling Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明提供一种基于BP神经网络的城市供水管网模型校核方法。本发明通过在对管网中管道摩阻系数灵敏度分析的基础上确定模型校核的决策变量，引入BP神经网络与遗传公式相结合的模型校核手段，通过评价管网模型模拟值与实际监测值偏差的方法分析管网模型的可靠性，进而完成模型的自适应校核。
Description
技术领域
本发明涉及一种城市供水管网模型校核方法，尤其涉及一种基于BP神经网络的城市供水管网模型校核方法。
背景技术
城市供水管网是城市重要的基础设施，是赖以生存和发展的物质基础，被称为城市的“生命线”。目前，我国人均水资源约2200m3，为世界平均水平的1/4。伴随着我国人口增长和经济的飞速发展，水资源供需矛盾持续加剧。城市输配水管网工程成本投入占城市给水系统总投资额的2/3以上，给水管网的运行费用占制水成本的30％～50％左右，通过科学规划、合理布局以从根本上降低成本、节约能源以保证供水质量迫在眉睫。据相关研究和统计资料显示，我国城市供水管网系统普遍存在以下问题：供水管网布局缺乏合理性、科学性；供水管网老化，漏损严重；供水安全性和供水效益亟待提高。因此，针对上述问题，有必要提出进一步地解决方案。
发明内容
本发明的目的在于提供一种基于BP神经网络的城市供水管网模型校核方法，以克服现有技术中存在的不足。
为实现上述发明目的，本发明提供一种基于BP神经网络的城市供水管网模型校核方法，其包括如下步骤：
S1、对管网中管道摩阻系数对监测点压力的灵敏度进行分析，筛选出高灵敏度的管道；
S2、基于BP神经网络对高灵敏度管道数据进行训练；
S3、将训练好的BP神经网络作为内嵌模型进行寻优；
S4、将模拟值与实际监测压力值进行对比，进而对模型校核的适用性、准确性进行分析评价。
作为本发明的基于BP神经网络的城市供水管网模型校核方法的改进，所述步骤S1中，进行灵敏度分析的公式为：
其中：i为管段编号；j为测压点所在节点编号；k为工况编号；
Xijk为工况k时，管段i的摩阻系数对测压节点j的灵敏度系数；
H0为常量，m为人为设定的压力基准值以使得灵敏度系数为无量纲值；
|H′ijk-Hijk|为工况k条件下，管段摩阻由初始状态下Ci变成C′i后压力监测节点j水压由Hijk变为H′ijk的压力变化绝对值；
|C′i-Ci|为管道摩阻变化的绝对值；
为管道i的平均灵敏度系数；
M为工况总数；N为测压点总数。
作为本发明的基于BP神经网络的城市供水管网模型校核方法的改进，所述步骤S2包括如下步骤：
S21、建立高灵敏度管道摩阻系数变化值ΔC与管网压力监测点压力变化值ΔH的BP神经网络模型，ΔC、ΔH为基于管网基准模型管道摩阻系数发生变化时，对应压力监测点压力变化值；
S22、根据建立的BP神经网络模型，通过MATLAB实现对高灵敏度管道数据进行训练。
作为本发明的基于BP神经网络的城市供水管网模型校核方法的改进，所述步骤S22包括：
S221、样本数据集归一化：通过函数mapminmax对数据进行归一化、反归一化及归一化其它数据；函数mapminmax中：
[XX，ps]＝mapminmax(XX)：归一化样本中对应的输入数据；
[YY，ts]＝mapminmax(YY)：归一化样本中对应的输出数据；
Y＝mapminmax('apply'，X，ps)：以相同规则归一化其它数据；
X＝mapminmax('reverse'，Y，ps)：反归一化函数，实现数据的还原；
其中，XX为样本训练数据集中输入数据向量矩阵ΔC，YY为样本训练数据集中输出数据向量矩阵ΔH，ps、ts为存储规范化映射记录的结构体；
S222、建立神经网络：通过调用函数newff进行两层BP神经网络设计：
net＝newff(XX，YY，[S]，{TF1，TF2})；
其中：XX为样本训练数据集中输入数据向量矩阵ΔCR×N；YY为样本训练数据集中输出数据向量矩阵ΔHQ×N；S为隐层神经元个数；TF1、TF2为网络各层传递函数类型，TF1采用sigmoid函数进行中间结果的传递，输出层TF2采用线性传递函数purelin对输出进行值域扩展；R为高灵敏度管道数量；Q为压力监测点数量；N为训练样本容量；
S23、选定训练参数进行BP神经网络训练：
设定网络训练的参数及训练函数通过函数train完成网络训练：
net＝train(net，XX，YY)；
其中，net，XX，YY如上所述；
S24、BP神经网络仿真应用：
达到训练精度的BP神经网络即用于进行预测，利用网络进行进一步校核研究，利用sim函数实现网络对一定输入的仿真，进而得到其仿真输出：
newTn＝sim(net，newPn)；
其中，newPn为利用训练好的BP神经网络进行预测的输入管道摩阻变化值向量，newTn为网络预测压力变化输出值。
作为本发明的基于BP神经网络的城市供水管网模型校核方法的改进，所述步骤S23中，
调用train函数前为下列变量赋初始值:
net.trainParam.show＝10：两次显示之间的训练次数；
net.trainParam.lr＝0.05：学习速率，控制能量函数步幅，若设为自动调整可在误差经快速下降后，减缓学习速率，增加BP神经网络的稳定性；
net.trainParam.epochs＝1000：最大训练次数；
net.trainParam.goal＝0.001：目标函数误差；
net.trainParam.max_fail＝1：最大验证失败次数。
作为本发明的基于BP神经网络的城市供水管网模型校核方法的改进，所述步骤S3包括：
S31、利用达到设计精度的BP神经网络模型，通过控制管网压力监测点实际监测值Hk与管网基准模型模拟值Hk0之差ΔHk最小作为目标控制函数，通过全局寻优的过程，确定各高灵敏度管道的摩阻系数值Ci；
其中，Hk为压力监测点压力向量H中第k个监测点实测压力，Hk0为压力监测点压力向量H中第k个监测点模拟压力，Ci为高灵敏度管道摩阻系数向量第i条管道摩阻系数值；
S32、通过MATLAB进行寻优。
作为本发明的基于BP神经网络的城市供水管网模型校核方法的改进，所述步骤S32包括：
S321、初始化函数initializega；
initPop＝initializega(num，bounds，evalFN，evalops，options)；
其中，initPop为生成的初始种群；num为群体数目；bounds为变量上限和下限组成的矩阵，bounds＝ones(datanum，1)*[下限，上限]，其中datanum为高灵敏度管道数量，根据管道材质及敷设年代等因素考虑，高灵敏度管道摩阻变量[下限，上限]取[80，120]；evalFN为适应度评价函数文件名；evalops为传递给适应度函数的参数；options为向量[epsilonfloat\binaryprec]，其中，epsilon表示两代之间的差距，第二个参数表示数据编码方式选择，prec表示变量的精度；
S322、通过函数gaEval进行适应度评价；
[sol，eval]＝gaEval(sol，options)；
其中：
sol为群体中各个个体的值；
eval为个体的适应度值，Q为压力监测点数量，ΔHk为第k个压力监测点实测值与预测值的偏差；
S323、通过主程序函数ga完成遗传算法优化寻优；[x，endPop，bPop，trace]＝ga(bounds，evalFN，evalOps，initPop，opts，termFN，termOps，selectFN，selectOps，xOverFNs，xOverOps，mutFNs，mutOps)；
其中：x为求得的最优解；endPop为最终的到的种群，为一矩阵，行向量数为个体数，列向量为变量个数加1，最后一列为适应度值；bPop为最优种群的一个搜索轨迹；trace为记录每一代的最好适应度和平均适应度；opts[epsilon prob_ops display]为opts(1:2)等同于initializega的options参数，第三个参数控制运行中是否显示当前染色体和最好结果；termFN为终止函数的名称，工具箱提供两个终止函数分别为：maxGenTerm、optMaxGenterm；termOps为传递给终止函数的参数；selectFN为选择函数的名称；selectOps为传递给选择函数的参数；xOverFNs为交叉函数名称表；xOverOps为传递给交叉函数的参数列表；mutFNs为变异函数列表，实数编码默认为；mutOps为传递给变异函数的参数列表。
借助Matlab完成BP神经网络模型与遗传算法优化模型的建立，进而完成管网模型校核的研究。
作为本发明的基于BP神经网络的城市供水管网模型校核方法的改进，所述步骤S4包括：
校核后管网模型分别进行各个工况的模拟分析，另外选取测试工况对校核后的应用模型进行模拟精度评价，将模拟值与实际监测压力值进行对比，进而可对本发明提出的模型校核理论及方法的适用性、准确性进行分析评价。
与现有技术相比，本发明的有益效果是：本发明通过在对管网中管道摩阻系数灵敏度分析的基础上确定模型校核的决策变量，引入BP神经网络与遗传公式相结合的模型校核手段，通过评价管网模型模拟值与实际监测值偏差的方法分析管网模型的可靠性，进而完成模型的自适应校核研究，使得经过评价、校核后模型能够保持较高的模拟精度，为城市供水管网优化调度、改扩建、动态分析等提供实际的决策支持，使得管网模型的应用范围及可靠性得到提升，更高效、便捷地指导工程实践。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的总流程图；
图2为本实施例进行的管道摩阻系数灵敏度分析；
图3为本实施例BP神经网络均方误差曲线；
图4-8为本实施例5个工况模型模拟值与测试值对比图；
图9-10为本实施例测试工况模型模拟值与测试值对比图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。
如图1所示，本发明的基于BP神经网络的城市供水管网模型校核方法包括如下步骤：
S1、对管网中管道摩阻系数对监测点压力的灵敏度进行分析，筛选出高灵敏度的管道；
S2、基于BP神经网络对高灵敏度管道数据进行训练；
S3、将训练好的BP神经网络作为内嵌模型进行寻优；
S4、将模拟值与实际监测压力值进行对比，进而对模型校核的适用性、准确性进行分析评价。
步骤S 1中，考虑到城市供水管网规模较大，针对每一条管道摩阻进行校核研究，计算工作量较大，实现可能性不高，因此通过针对管网管道进行灵敏度分析，确定高灵敏度管道，进行有针对性的校核，可有效降低工作量，提高效率。
具体地，进行灵敏度分析的公式为：
其中：i为管段编号；j为测压点所在节点编号；k为工况编号；
Xijk为工况k时，管段i的摩阻系数对测压节点j的灵敏度系数；
H0为常量，m为人为设定的压力基准值以使得灵敏度系数为无量纲值；
|H′ijk-Hijk|为工况k条件下，管段摩阻由初始状态下Ci变成C′i后压力监测节点j水压由Hijk变为H′ijk的压力变化绝对值；
|Ci-Ci|为管道摩阻变化的绝对值；
为管道i的平均灵敏度系数；
M为工况总数；N为测压点总数。
从而，通过对管网模型管道进行灵敏度分析，在管网节点流量分配已定的前提下，通过针对高灵敏度决策变量进行校核研究，低灵敏度决策变量按经验取值，以减小校核工作量，提高效率。
所述步骤S2中，当管道摩阻系数发生变化时会对管网压力有非线性影响关系，在既定的水量分配模式下通过研究管网管道摩阻系数的变化对管网压力监测点压力的影响，借助BP神经网络可解决复杂非线性映射问题的强大优势，建立管网管道摩阻系数变化值ΔC与管网压力监测点压力变化值ΔH的非线性映射关系—BP神经网络模型，进而通过管网压力监测点的压力进行模型管道摩阻系数的校准。
具体地，所述步骤S2包括如下步骤：
S21、建立高灵敏度管道摩阻系数变化值ΔC与管网压力监测点压力变化值ΔH的BP神经网络模型，ΔC、ΔH为基于管网基准模型管道摩阻系数发生变化时，对应压力监测点压力变化值；
S22、根据建立的BP神经网络模型，通过MATLAB实现对高灵敏度管道数据进行训练。
其中，所述步骤S22包括：
S221、样本数据集归一化：通过函数mapminmax对数据进行归一化、反归一化及归一化其它数据；函数mapminmax中：
[XX，ps]＝mapminmax(XX)：归一化样本中对应的输入数据；
[YY，ts]＝mapminmax(YY)：归一化样本中对应的输出数据；
Y＝mapminmax('apply'，X，ps)：以相同规则归一化其它数据；
X＝mapminmax('reverse'，Y，ps)：反归一化函数，实现数据的还原；
其中，XX为样本训练数据集中输入数据向量矩阵ΔC，YY为样本训练数据集中输出数据向量矩阵ΔH，ps、ts为存储规范化映射记录的结构体；
S222、建立神经网络：包括神经网络结构设计、神经网络传递函数及训练样本容量的选择，两层BP神经网络已足以满足本发明非线性映射关系的建立，故通过调用Matlab神经网络工具箱函数newff进行两层BP神经网络设计：
net＝newff(XX，YY，[S]，{TF1，TF2})；
其中：XX为样本训练数据集中输入数据向量矩阵ΔCR×N；YY为样本训练数据集中输出数据向量矩阵ΔHQ×N；S为隐层神经元个数；TF1、TF2为网络各层传递函数类型，TF1采用sigmoid函数进行中间结果的传递，输出层TF2采用线性传递函数purelin对输出进行值域扩展；R为高灵敏度管道数量；Q为压力监测点数量；N为训练样本容量；
S23、选定训练参数进行BP神经网络训练：
设定网络训练的参数及训练函数通过函数train完成网络训练：
net＝train(net，XX，YY)；
其中，net，XX，YY如上所述。此外，调用train函数前为下列变量赋初始值:
net.trainParam.show＝10：两次显示之间的训练次数；
net.trainParam.lr＝0.05：学习速率，控制能量函数步幅，若设为自动调整可在误差经快速下降后，减缓学习速率，增加BP神经网络的稳定性；
net.trainParam.epochs＝1000：最大训练次数；
net.trainParam.goal＝0.001：目标函数误差；
net.trainParam.max_fail＝1：最大验证失败次数。
S24、BP神经网络仿真应用：
达到训练精度的BP神经网络即用于进行预测，利用网络进行进一步校核研究，利用sim函数实现网络对一定输入的仿真，进而得到其仿真输出：
newTn＝sim(net，newPn)；
其中，newPn为利用训练好的BP神经网络进行预测的输入管道摩阻变化值向量，newTn为网络预测压力变化输出值。
所述步骤S3包括：
S31、利用达到设计精度的BP神经网络模型，通过控制管网压力监测点实际监测值Hk与管网基准模型模拟值Hk0之差ΔHk最小作为目标控制函数，通过全局寻优的过程，确定各高灵敏度管道的摩阻系数值Ci；
其中，Hk为压力监测点压力向量H中第k个监测点实测压力，Hk0为压力监测点压力向量H中第k个监测点模拟压力，Ci为高灵敏度管道摩阻系数向量第i条管道摩阻系数值；
S32、通过MATLAB进行寻优。
其中，所述步骤S32包括：
S321、初始化函数initializega；
initPop＝initializega(num，bounds，evalFN，evalops，options)；
其中，initPop为生成的初始种群；num为群体数目；bounds为变量上限和下限组成的矩阵，bounds＝ones(datanum，1)*[下限，上限]，其中datanum为高灵敏度管道数量，根据管道材质及敷设年代等因素考虑，高灵敏度管道摩阻变量[下限，上限]取[80，120]；evalFN为适应度评价函数文件名；evalops为传递给适应度函数的参数；options为向量[epsilonfloat\binaryprec]，其中，epsilon表示两代之间的差距，第二个参数表示数据编码方式选择，prec表示变量的精度；
S322、通过函数gaEval进行适应度评价；
[sol，eval]＝gaEval(sol，options)；
其中：
sol为群体中各个个体的值；
eval为个体的适应度值，Q为压力监测点数量，ΔHk为第k个压力监测点实测值与预测值的偏差；
S323、通过主程序函数ga完成遗传算法优化寻优；[x，endPop，bPop，trace]＝ga(bounds，evalFN，evalOps，initPop，opts，termFN，termOps，selectFN，selectOps，xOverFNs，xOverOps，mutFNs，mutOps)；
其中：x—求得的最优解；endPop—最终的到的种群，为一矩阵，行向量数为个体数，列向量为变量个数加1，最后一列为适应度值；bPop—最优种群的一个搜索轨迹；trace—记录每一代的最好适应度和平均适应度；opts[epsilonprob_ops display]—opts(1:2)等同于initializega的options参数，第三个参数控制运行中是否显示当前染色体和最好结果(1代表显示，0代表不显示)，本发明取默认值[1e-610]；termFN—终止函数的名称，工具箱提供两个终止函数分别为：maxGenTerm(判断遗传代数)、optMaxGenterm(判断精度)，本发明选['maxGenTerm']；termOps—传递给终止函数的参数，本发明取[200]；selectFN—选择函数的名称，工具箱提供了三个选择函数分别为：roulette(最常用的轮盘赌法)、normGeomSelect(基于归一化的优先选择法)、tournSelect(竞争选择法)，本发明选['normGeomSelect']；selectOps—传递给选择函数的参数，如[0.08]；xOverFNs—交叉函数名称表，实数编码默认为['arithXoverheuristicXoversimpleXover']；xOverOps—传递给交叉函数的参数列表，如[20；23；20]；mutFNs—变异函数列表，实数编码默认为['boundaryMutationmultiNonUnifMutationnonUnifMutationunifMutation']；mutOps—传递给变异函数的参数列表，如[400；62003；42003；400]。借助Matlab完成BP神经网络模型与遗传算法优化模型的建立，进而完成管网模型校核的研究。借助Matlab完成BP神经网络模型与遗传算法优化模型的建立，进而完成管网模型校核的研究。
所述步骤S4包括：
校核后管网模型分别进行各个工况的模拟分析，另外选取测试工况对校核后的应用模型进行模拟精度评价，将模拟值与实际监测压力值进行对比，进而可对本发明提出的模型校核理论及方法的适用性、准确性进行分析评价。
下面结合一实施例对本发明的技术方案进行举例说明：
本实施例主要通过5个步骤实现对ZJ管网校核，具体如下：
1、灵敏度分析
(1)管道灵敏度分析
选取ZJ管网2013年最高日五个不同时段(4:00，9:00，13:00，16:00，23:00)管网运行工况进行模拟，分别计算各管段对全部压力监测点的平均灵敏度。在1399条管道中选取灵敏度较高、对测压点压力影响较大的200条管道用于后续的模型校核研究。如图2所示。
2、BP神经网络计算
选择两层(只有一个隐层)BP神经网络结构；输入节点200个(高灵敏度管道数量)，输出节点16个(压力监测点数量)；隐层神经元个数150个；考虑样本的多样性及代表性样本空间容量设为15000；输入层到隐层传递函数选择tansig型函数，隐层到输出层传递函数选择purelin型函数；训练函数选择trainrp函数；网络训练精度目标设为1e-3。以预设的参数对BP神经网络进行训练。
以预设的参数对BP神经网络进行训练，网络经819次训练后达到了预设的目标误差(0.001)，如图3所示：
训练好的BP神经网络精度达到后续寻优计算的要求，可以作为遗传算法内嵌计算模型，进而完成模型校核工作。
3、遗传算法寻优
种群数目设置为140；遗传代数设为200；终止函数选择'maxGenTerm'；选择函数选择'normGeomSelect'；交叉函数选择'arithXover'；变异函数选择'nonUnifMutation'；主函数：[x，endPop，bPop，trace]＝ga(aa，'gaEval'，[]，initPop，[1e-610]，'maxGenTerm'，gen，'normGeomSelect'，[0.18]，['arithXover']，[20]，'nonUnifMutation'，[4gen 3])；校核工况：2013年最高日五个时间点[4:009:0013:0016:0023:00]。以预设参数进行遗传算法模型寻优求解，分别进行五个校核工况模型管道摩阻系数的计算，取五种校核工况管道摩阻系数计算值的平均值作为管网管道摩阻系数的最终值。
经200代遗传操作五个校核工况条件下，遗传算法寻优模型均达到设定的终止条件，网络寻优性能良好。
4、模型校核评价
校核后管网模型分别进行五个工况的模拟分析，将模拟值与实际监测压力值进行对比，进而可对本发明提出的模型校核理论及方法的适用性、准确性进行分析评价。五个工况条件下管网模型模拟值与实际监测值如图4-8。
选取两个测试工况1、2对校核后的应用模型进行模拟精度评价，测试工况选取2013.6.4(7:00、19:00)。测试工况条件下管网模型模拟值与实际监测值如10-11。
综上所述，本发明通过在对管网中管道摩阻系数灵敏度分析的基础上确定模型校核的决策变量，引入BP神经网络与遗传公式相结合的模型校核手段，通过评价管网模型模拟值与实际监测值偏差的方法分析管网模型的可靠性，进而完成模型的自适应校核研究，使得经过评价、校核后模型能够保持较高的模拟精度，为城市供水管网优化调度、改扩建、动态分析等提供实际的决策支持，使得管网模型的应用范围及可靠性得到提升，更高效、便捷地指导工程实践。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.一种基于BP神经网络的城市供水管网模型校核方法，其特征在于，所述城市供水管网模型校核方法包括如下步骤：
S1、对管网中管道摩阻系数对监测点压力的灵敏度进行分析，筛选出高灵敏度的管道；
S2、基于BP神经网络对高灵敏度管道数据进行训练；
S3、将训练好的BP神经网络作为内嵌模型进行寻优；
S4、将模拟值与实际监测压力值进行对比，进而对模型校核的适用性、准确性进行分析评价。
2.根据权利要求1所述的基于BP神经网络的城市供水管网模型校核方法，其特征在于，所述步骤S1中，进行灵敏度分析的公式为：
；
；
其中：i为管段编号；j为测压点所在节点编号；k为工况编号；
为工况k时，管段i的摩阻系数对测压节点j的灵敏度系数；
为常量，m为人为设定的压力基准值以使得灵敏度系数为无量纲值；
为工况k条件下，管段摩阻由初始状态下变成后压力监测节点j水压由变为的压力变化绝对值；
为管道摩阻变化的绝对值；
为管道i的平均灵敏度系数；
M为工况总数；N为测压点总数。
3.根据权利要求1所述的基于BP神经网络的城市供水管网模型校核方法，其特征在于，所述步骤S2包括如下步骤：
S21、建立高灵敏度管道摩阻系数变化值与管网压力监测点压力变化值的BP神经
网络模型，、为基于管网基准模型管道摩阻系数发生变化时，对应压力监测点压力变
化值；
S22、根据建立的BP神经网络模型，通过MATLAB实现对高灵敏度管道数据进行训练。
4.根据权利要求3所述的基于BP神经网络的城市供水管网模型校核方法，其特征在于，所述步骤S22包括：
S221、样本数据集归一化：通过函数mapminmax对数据进行归一化、反归一化及归一化其它数据；函数mapminmax中：
[XX，ps]=mapminmax(XX)：归一化样本中对应的输入数据；
[YY，ts]=mapminmax(YY)：归一化样本中对应的输出数据；
Y=mapminmax('apply'，X，ps)：以相同规则归一化其它数据；
X=mapminmax('reverse'，Y，ps)：反归一化函数，实现数据的还原；
其中，XX为样本训练数据集中输入数据向量矩阵，YY为样本训练数据集中输出数据
向量矩阵，ps、ts为存储规范化映射记录的结构体；
S222、建立神经网络：通过调用函数newff进行两层BP神经网络设计：
net=newff（XX，YY，[S]，{TF1，TF2}）；
其中：XX为样本训练数据集中输入数据向量矩阵；YY为样本训练数据集中输出
数据向量矩阵；S为隐层神经元个数；TF1、TF2为网络各层传递函数类型，TF1采用
sigmoid函数进行中间结果的传递，输出层TF2采用线性传递函数purelin对输出进行值域
扩展；R为高灵敏度管道数量；Q为压力监测点数量；N为训练样本容量；
S23、选定训练参数进行BP神经网络训练：
设定网络训练的参数及训练函数通过函数train完成网络训练：
net=train（net，XX，YY）；
其中，net，XX，YY如上所述；
S24、BP神经网络仿真应用：
达到训练精度的BP神经网络即用于进行预测，利用网络进行进一步校核研究，利用sim函数实现网络对一定输入的仿真，进而得到其仿真输出：
newTn=sim（net，newPn）；
其中，newPn为利用训练好的BP神经网络进行预测的输入管道摩阻变化值向量，newTn为网络预测压力变化输出值。
5.根据权利要求4所述的基于BP神经网络的城市供水管网模型校核方法，其特征在于，所述步骤S23中，
调用train函数前为下列变量赋初始值:
net.trainParam.show=10：两次显示之间的训练次数；
net.trainParam.lr=0.05：学习速率，控制能量函数步幅，若设为自动调整可在误差经快速下降后，减缓学习速率，增加BP神经网络的稳定性；
net.trainParam.epochs=1000：最大训练次数；
net.trainParam.goal=0.001：目标函数误差；
net.trainParam.max_fail=1：最大验证失败次数。
6.根据权利要求1所述的基于BP神经网络的城市供水管网模型校核方法，其特征在于，所述步骤S3包括：
S31、利用达到设计精度的BP神经网络模型，通过控制管网压力监测点实际监测值与
管网基准模型模拟值之差最小作为目标控制函数，通过全局寻优的过程，确定各
高灵敏度管道的摩阻系数值；
其中，为压力监测点压力向量H中第k个监测点实测压力，为压力监测点压力向
量H中第k个监测点模拟压力，为高灵敏度管道摩阻系数向量第i条管道摩阻系数值；
S32、通过MATLAB进行寻优。
7.根据权利要求6所述的基于BP神经网络的城市供水管网模型校核方法，其特征在于，所述步骤S32包括：
S321、初始化函数initializega；
initPop = initializega(num，bounds，evalFN，evalops，options)；
其中，initPop为生成的初始种群；num为群体数目；bounds为变量上限和下限组成的矩阵，bounds=ones（datanum，1）*[下限，上限]，其中datanum为高灵敏度管道数量，根据管道材质及敷设年代等因素考虑，高灵敏度管道摩阻变量[下限，上限]取[80，120]；evalFN为适应度评价函数文件名；evalops为传递给适应度函数的参数；options为向量[epsilonfloat\binary prec]，其中，epsilon表示两代之间的差距，第二个参数表示数据编码方式选择，prec表示变量的精度；
S322、通过函数gaEval进行适应度评价；
[sol，eval]=gaEval(sol，options)；
其中：
sol为群体中各个个体的值；
eval为个体的适应度值，，Q为压力监测点数量，为第k个压力监
测点实测值与预测值的偏差；
S323、通过主程序函数ga完成遗传算法优化寻优；[x，endPop，bPop，trace] = ga(bounds，evalFN，evalOps，initPop，opts，termFN，termOps，selectFN，selectOps，xOverFNs，xOverOps，mutFNs，mutOps)；
其中：x为求得的最优解；endPop为最终的到的种群，为一矩阵，行向量数为个体数，列向量为变量个数加1，最后一列为适应度值；bPop为最优种群的一个搜索轨迹；trace为记录每一代的最好适应度和平均适应度；opts[epsilon prob_ops display]为opts(1:2)等同于initializega的options参数，第三个参数控制运行中是否显示当前染色体和最好结果；termFN为终止函数的名称，工具箱提供两个终止函数分别为：maxGenTerm、optMaxGenterm；termOps为传递给终止函数的参数；selectFN为选择函数的名称；selectOps为传递给选择函数的参数；xOverFNs为交叉函数名称表；xOverOps为传递给交叉函数的参数列表；mutFNs为变异函数列表，实数编码默认为；mutOps为传递给变异函数的参数列表。
借助Matlab完成BP神经网络模型与遗传算法优化模型的建立，进而完成管网模型校核的研究。
8.根据权利要求1所述的基于BP神经网络的城市供水管网模型校核方法，其特征在于，所述步骤S4包括：
校核后管网模型分别进行各个工况的模拟分析，另外选取测试工况对校核后的应用模型进行模拟精度评价，将模拟值与实际监测压力值进行对比，进而可对本发明提出的模型校核理论及方法的适用性、准确性进行分析评价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810840136.1A CN108898512A (zh) | 2018-07-27 | 2018-07-27 | 基于bp神经网络的城市供水管网模型校核方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810840136.1A CN108898512A (zh) | 2018-07-27 | 2018-07-27 | 基于bp神经网络的城市供水管网模型校核方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108898512A true CN108898512A (zh) | 2018-11-27 |
Family
ID=64352102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810840136.1A Pending CN108898512A (zh) | 2018-07-27 | 2018-07-27 | 基于bp神经网络的城市供水管网模型校核方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108898512A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110569571A (zh) * | 2019-08-21 | 2019-12-13 | 天津大学 | 基于极限学习机的城市供水管网爆管预警方法 |
| CN110909990A (zh) * | 2019-11-08 | 2020-03-24 | 四川大学 | 一种基于节点弧方法的流域二层水资源优化配置方法 |
| CN111177873A (zh) * | 2019-10-11 | 2020-05-19 | 东南大学 | 供水管网可靠性模型的建模方法 |
| CN112097126A (zh) * | 2020-09-18 | 2020-12-18 | 同济大学 | 一种基于深度神经网络的供水管网爆管管道精确识别方法 |
| CN112163301A (zh) * | 2020-07-24 | 2021-01-01 | 北京工业大学 | 一种供水管网水力模型的分散式校核方法 |
| CN112594553A (zh) * | 2020-12-07 | 2021-04-02 | 熊猫智慧水务有限公司 | 一种基于压力目标曲线的管网压力调控方法 |
| CN112733443A (zh) * | 2020-12-31 | 2021-04-30 | 北京工业大学 | 一种基于虚拟监测点的供水管网模型参数优化校核方法 |
| CN113312849A (zh) * | 2021-06-15 | 2021-08-27 | 上海耀斑信息科技有限公司 | 供水管网水力模型自动更新及校准算法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000305606A (ja) * | 1999-04-26 | 2000-11-02 | Toyo Electric Mfg Co Ltd | 配水需要量予測方法 |
| CN102508988A (zh) * | 2011-09-26 | 2012-06-20 | 冶金自动化研究设计院 | 一种基于遗传算法的蒸汽管网摩阻系数辨识系统 |
| CN102629106A (zh) * | 2012-04-11 | 2012-08-08 | 广州东芝白云自动化系统有限公司 | 供水控制方法及系统 |
| CN103226741A (zh) * | 2013-05-10 | 2013-07-31 | 天津大学 | 城市供水管网爆管预测方法 |
| CN105894130A (zh) * | 2016-04-25 | 2016-08-24 | 杭州电子科技大学 | 一种用于城市供水管网监测点的优化布置方法 |
| CN106090626A (zh) * | 2016-06-03 | 2016-11-09 | 杭州电子科技大学 | 一种供水管网异常侦测方法 |
| CN106503802A (zh) * | 2016-10-20 | 2017-03-15 | 上海电机学院 | 一种利用遗传算法优化bp神经网络系统的方法 |
| CN107563007A (zh) * | 2017-08-07 | 2018-01-09 | 浙江大学 | 一种节点流量和管道阻力系数同时调整的供水管网模型快速校正方法 |
| CN107869653A (zh) * | 2017-12-14 | 2018-04-03 | 北京化工大学 | 一种管道流量敏感性矩阵漏损检测方法 |
-
2018
- 2018-07-27 CN CN201810840136.1A patent/CN108898512A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000305606A (ja) * | 1999-04-26 | 2000-11-02 | Toyo Electric Mfg Co Ltd | 配水需要量予測方法 |
| CN102508988A (zh) * | 2011-09-26 | 2012-06-20 | 冶金自动化研究设计院 | 一种基于遗传算法的蒸汽管网摩阻系数辨识系统 |
| CN102629106A (zh) * | 2012-04-11 | 2012-08-08 | 广州东芝白云自动化系统有限公司 | 供水控制方法及系统 |
| CN103226741A (zh) * | 2013-05-10 | 2013-07-31 | 天津大学 | 城市供水管网爆管预测方法 |
| CN105894130A (zh) * | 2016-04-25 | 2016-08-24 | 杭州电子科技大学 | 一种用于城市供水管网监测点的优化布置方法 |
| CN106090626A (zh) * | 2016-06-03 | 2016-11-09 | 杭州电子科技大学 | 一种供水管网异常侦测方法 |
| CN106503802A (zh) * | 2016-10-20 | 2017-03-15 | 上海电机学院 | 一种利用遗传算法优化bp神经网络系统的方法 |
| CN107563007A (zh) * | 2017-08-07 | 2018-01-09 | 浙江大学 | 一种节点流量和管道阻力系数同时调整的供水管网模型快速校正方法 |
| CN107869653A (zh) * | 2017-12-14 | 2018-04-03 | 北京化工大学 | 一种管道流量敏感性矩阵漏损检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 谢军: "基于BP 神经网络的供水管网压力预测", 《城镇供水》 * |
| 黄良沛等: "基于ＢＰ神经网络的城市供水系统管网预测", 《湖南科技大学学报(自然科学版)》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110569571A (zh) * | 2019-08-21 | 2019-12-13 | 天津大学 | 基于极限学习机的城市供水管网爆管预警方法 |
| CN111177873A (zh) * | 2019-10-11 | 2020-05-19 | 东南大学 | 供水管网可靠性模型的建模方法 |
| CN111177873B (zh) * | 2019-10-11 | 2024-03-08 | 东南大学 | 一种供水管网可靠性模型的建模方法 |
| CN110909990A (zh) * | 2019-11-08 | 2020-03-24 | 四川大学 | 一种基于节点弧方法的流域二层水资源优化配置方法 |
| CN110909990B (zh) * | 2019-11-08 | 2023-04-07 | 四川大学 | 一种基于节点弧方法的流域二层水资源优化配置方法 |
| CN112163301A (zh) * | 2020-07-24 | 2021-01-01 | 北京工业大学 | 一种供水管网水力模型的分散式校核方法 |
| CN112163301B (zh) * | 2020-07-24 | 2024-04-19 | 北京工业大学 | 一种供水管网水力模型的分散式校核方法 |
| CN112097126A (zh) * | 2020-09-18 | 2020-12-18 | 同济大学 | 一种基于深度神经网络的供水管网爆管管道精确识别方法 |
| CN112594553A (zh) * | 2020-12-07 | 2021-04-02 | 熊猫智慧水务有限公司 | 一种基于压力目标曲线的管网压力调控方法 |
| CN112733443A (zh) * | 2020-12-31 | 2021-04-30 | 北京工业大学 | 一种基于虚拟监测点的供水管网模型参数优化校核方法 |
| CN112733443B (zh) * | 2020-12-31 | 2024-01-05 | 北京工业大学 | 一种基于虚拟监测点的供水管网模型参数优化校核方法 |
| CN113312849A (zh) * | 2021-06-15 | 2021-08-27 | 上海耀斑信息科技有限公司 | 供水管网水力模型自动更新及校准算法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108898512A (zh) | 基于bp神经网络的城市供水管网模型校核方法 | |
| Ye et al. | Modeling energy-related CO2 emissions from office buildings using general regression neural network | |
| Nazif et al. | Pressure management model for urban water distribution networks | |
| Ostfeld et al. | Reliability simulation of water distribution systems–single and multiquality | |
| CN102930354B (zh) | 一种小区用电预测方法及装置 | |
| CN102842066B (zh) | 一种生物质炉燃烧优化的建模方法 | |
| CN102402726A (zh) | 一种基于区域负荷分析的大规模配电网电力电量预测方法 | |
| CN110443418A (zh) | 基于ga-bp神经网络的城市用水量预测方法 | |
| CN107909253A (zh) | 基于区间层次分析法的智能配电网调度控制效果评估方法 | |
| CN108573302A (zh) | 一种流域面源污染负荷模拟及最佳管理措施优化方法 | |
| CN110264112A (zh) | 基于双向加权灰色关联的配电网可靠性影响因素分析方法 | |
| Li et al. | A comparative study on prediction methods for China's medium-and long-term coal demand | |
| CN104702666A (zh) | 用户体验质量确定方法及系统 | |
| CN106599417A (zh) | 一种基于人工神经网络的城市电网馈线负荷构成辨识方法 | |
| CN104573857A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
| Sunela et al. | Real time water supply system hydraulic and quality modeling–a case study | |
| CN102880905A (zh) | 一种常顶油干点在线软测量方法 | |
| CN105389743A (zh) | 一种流域水量-水质联合调控优化方法 | |
| CN112101811A (zh) | 一种供水管网爆管风险预测方法及系统 | |
| CN106952000A (zh) | 一种喀斯特区域滑坡灾害风险动态评估方法 | |
| CN108335228A (zh) | 一种基于改进bp神经网络的配电网中工作量均衡派单方法 | |
| CN104834975A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
| Zhang et al. | Effect mechanisms of peasant relocation decision-making behaviours in the process of rural spatial restructuring: the case of Hotan Region, China | |
| CN115936422A (zh) | 一种基于尺度优化的生态风险评价方法及系统 | |
| CN102184450A (zh) | 一种多孔介质燃烧器燃烧优化的建模方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhang Xue Inventor after: Wang Yihong Inventor after: Xinkunlun Inventor after: Jiang Fuchun Inventor after: Sun Linzhong Inventor after: Hu Xiang Inventor before: Wang Yihong Inventor before: Xinkunlun Inventor before: Jiang Fuchun Inventor before: Zhang Xue Inventor before: Sun Linzhong Inventor before: Hu Xiang |
|
| CB03 | Change of inventor or designer information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181127 |
|
| RJ01 | Rejection of invention patent application after publication |