CN110287652A - 基于径向神经网络和灰色关联度分析建模预测供水系统中三卤甲烷浓度的方法 - Google Patents

基于径向神经网络和灰色关联度分析建模预测供水系统中三卤甲烷浓度的方法 Download PDF

Info

Publication number
CN110287652A
CN110287652A CN201910673483.4A CN201910673483A CN110287652A CN 110287652 A CN110287652 A CN 110287652A CN 201910673483 A CN201910673483 A CN 201910673483A CN 110287652 A CN110287652 A CN 110287652A
Authority
CN
China
Prior art keywords
neural network
water quality
thms
quality parameter
model
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
Application number
CN201910673483.4A
Other languages
English (en)
Inventor
洪华嫦
林红军
王一博
吴抽叶
张媛媛
代宝靓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Normal University CJNU
Original Assignee
Zhejiang Normal University CJNU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Normal University CJNU filed Critical Zhejiang Normal University CJNU
Priority to CN201910673483.4A priority Critical patent/CN110287652A/zh
Publication of CN110287652A publication Critical patent/CN110287652A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/02—Devices for withdrawing samples
    • G01N1/10—Devices for withdrawing samples in the liquid or fluent state
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/42—Low-temperature sample treatment, e.g. cryofixation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G01N33/1826—Organic contamination in water
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G01N33/1826—Organic contamination in water
    • G01N33/1846—Total carbon analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N2030/022—Column chromatography characterised by the kind of separation mechanism
    • G01N2030/025—Gas chromatography
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Business, Economics & Management (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Hydrology & Water Resources (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)

Abstract

本发明公开了一种基于径向神经网络和灰色关联度分析建模预测供水系统中三卤甲烷浓度的方法，步骤S1，将THMs和水质参数数据库分为训练集和预测集，但均能够代表整个数据库；步骤S2，利用灰色关联度分析确定THMs形成的主要关联水质因子；步骤S3，以MATLAB中的神经网络newrb函数建立神经网络模型；步骤S4，对建好的神经网络模型进行训练，并通过模型验证检验其预测性能，正确率高时直接进入步骤S6，正确率低时进行步骤S5操作；步骤S5，当测试的正确率较低时，调整SPREAD、神经元个数或/和水质参数个数，再重复步骤S3直至获得满意的结果；步骤S6，停止。本发明的RBF神经网络模型运行过程，所花时间甚少，每个模型的运行时间大概是10‑13秒。

Description

基于径向神经网络和灰色关联度分析建模预测供水系统中三 卤甲烷浓度的方法
技术领域
本发明属于供水系统中三卤甲烷浓度检测技术领域，具体涉及一种基于径向神经网络和灰色关联度分析建模预测供水系统中三卤甲烷浓度的方法。
背景技术
饮用水消毒是确保公众健康的有效手段，然而消毒过程中消毒剂(比如氯)会与水体中的有机物(腐殖质、蛋白质等)、无机物(溴、碘、亚硝氮等离子)发生反应而形成消毒副产物(DBPs)。其中三卤甲烷(THMs)是目前发现最早、存在量最大、检出率最高的一类DBPs。常见的THMs有以下4种：三氯甲烷(TCM)、一溴二氯甲烷(BDCM)、二溴一氯甲烷(DBCM)和三溴甲烷(TBM)。流行病学研究显示长期饮用含有三卤甲烷的水，可以使居民罹患消化系统癌症、泌尿系统癌症等的危险性明显增高，同时还与自发流产、出生缺陷的发生有关。目前THMs已经被多个国家和地区写入饮用水标准。美国环保局规定，饮用水中4种THMs的总浓度不能超过80μg/L，我国则规定TCM、BDCM、DBCM、 TBM的浓度分别不能超过60μg/L、60μg/L、100μg/L、100μg/L，而且规定该类化合物中各种化合物的实浓度与其各自限值的比值之和不能超过1。因此对饮用水THMs的发生情况进行及时监管，确保居民的饮用水安全，是一项亟需解决的民生问题。
供水系统中THMs的监测分析除了要用相对昂贵的仪器(GC、GC/MS等)外，还要经过一系列复杂的前处理，测起来费时费力，因此很多水厂对THMs的监测是心有余而力不足。但是，很多水厂会定期得对自来水进行常规水质监测，而THMs的形成又与水质参数有关，假如能够用常规水质参数(如溶解有机碳(DOC)、UV254、溴离子、pH、Temp、余氯、氨氮、亚硝氮等)准确预测自来水中THMs的水平，则是一个利国利民的好事。
目前所建的THMs经验模型绝大部分是基于THMs形成与水质、操作参数之间的线性关系或以log10为底的线性关系，采用逐步回归方法而建，这些模型虽然有助于鉴别所研究水体THMs形成的关键因素，但由于THMs形成是一个非常复杂的过程，众多研究表明 DOC、UV254、溴离子、pH、Temp、氯投加量等水质操作参数对THMs形成的影响并非是简单的线性或log线性关系可以表示的，更多是弱线性或非线性关系，因此，很多THMs 的线性模型并不一定都会有比较好的预测效果。如果有一种方法能将THMs形成与水质操作参数的复杂的非线性关系考虑在内，则必将会大幅提高预测模型的准确度和精密度。
人工神经网络通常被视为标准的非线性估计器。考虑到THMs与各种因素的复杂非线性关系，以及饮用水水体有机前体物的的异质性，人工神经网络可视为一种非常有前景的可以预测THMs形成和分布的方法。与线性回归模型相比，人工神经网络的显著优势包括能够将任何函数近似为任何精度、强大的学习能力、并行处理能力和抗噪声能力等。尽管如此，目前利用人工神经网络建立THMs预测模型的研究并不多。而且目前应用于THMs 预测神经网络都是针对前馈、后传播神经网络(即BP网络)，虽然表现出了较好的预测性能，但BP神经网络易限于局部极小值，学习过程收敛速度慢，需要较长的训练时间，对于一些复杂问题，BP算法需要的训练时间可能非常长。急需开发另外更为快捷方便的人工神经网络模型用于供水系统中THMs浓度的预测。
用神经网络构建THMs分布的预测模型时，水质参数必不可少。然而究竟哪些水质参数是模型构建必须的，哪些参数是可有可无的甚至会产生干扰作用的，仅凭目前消毒副产物形成的相关知识，是无法准确判断的。如何采用数学手段，确定水质参数对THMs形成的重要性，这对于建立简单快速的神经网络预测模型也非常重要。
另外，现有THMs模型绝大部分是基于水源水进行模拟消毒后所得的THMs数据建立的，少部分是用水厂水(未经管网运输的出厂水)建立的，但从水源水到真正的用户端饮用水，期间经历诸多水处理工艺步骤，消毒后还经历管网运输，其THMs的构成、分布与水源水模拟消毒后所得已经相差甚远。而且基于实验室模拟消毒所建的模型中，绝大部分含有“消毒时间”这个指标，但实际的管网系统是很难度量消毒时间(即从水厂开始消毒到出厂到用户端共计花了多少时间)的，因此这些模型很难真正应用到实际供水系统中，饮用水管网需要建立自己的THMs模型方可实现真正的预测和应用。
发明内容
本发明解决的技术问题是提供了一种方便快捷且准确率较高的基于径向神经网络和灰色关联度分析建模预测供水系统中三卤甲烷浓度的方法。
本发明为解决上述技术问题采用如下技术方案，基于径向神经网络和灰色关联度分析建模预测供水系统中三卤甲烷浓度的方法，其特征在于具体步骤为：
步骤S1，数据分组：将THMs和水质参数数据库分为训练集和预测集，但均能够代表整个数据库；
步骤S2，利用灰色关联度分析确定THMs形成的主要关联水质因子：以关联度最大的 3个水质参数开始建模-验证，若不理想，则按照关联系数大小依次增加水质参数，以便以最少的水质参数建立理想的预测模型；
步骤S3，以MATLAB中的神经网络newrb函数建立神经网络模型：格式为net＝newrb(P，T，GOAL，SPREAD，MN，DF)，其中P为输入向量即水质参数；T为目标向量即TCM、BDCM或THMs；GOAL为圴方误差，默认为0或根据需要自行设置为0.0001；SPREAD为径向基函数的分布密度，默认为1或根据需要自行设置；MN为神经元的最大数目或根据需要自行设置；DF为两次显示之间所添加的神经元数目；
步骤S4，训练、测试及判断正确率：对建好的神经网络模型进行训练，并通过模型验证检验其预测性能，正确率高时直接进入步骤S6，正确率低时进行步骤S5操作；
步骤S5，调整参数：当测试的正确率较低时，调整SPREAD、神经元个数或/和水质参数个数，再重复步骤S3直至获得满意的结果；
步骤S6，停止。
优选的，步骤S2中所述灰色关联度分析的具体过程为：
a：将THM X0序列即母序列与水质参数Xi序列即子序列构成矩阵
b：对矩阵中的数据进行无量纲化处理，由于X0-Xi序列的单位不同，所表示的数据含义也不同，而无量纲化则解决了这一问题，增强序列之间的可比性，形成新的母序列yo(k) 和新的若干子序列yi(k)，计算公式为：
c：计算母序列和子序列之间的绝对差值序列，计算公式为：
Δoi(k)＝|yo(k)-yi(k)|,i＝1,2,…,n；k＝1,2,…,m；
d：计算母序列和各子序列的关联系数，计算公式为：
e：计算关联系数：
优选的，步骤S3中所述模型验证的具体过程为：
a：内部验证，将训练集的水质参数输入RBF神经网络模型得到预测THMs值，然后计算预测误差Error％，见公式(1)，统计误差在25％以内的个数即N25，并计算N25％，同时将实测值与预测值做回归得到回归系数R2值，N25％越高、R2值越大，RBF神经网络模型质量越好；
b：外部验证，将预测集的水质参数输入RBF神经网络模型得到预测THMs值，然后与预测集的实测THMs值比较，计算预测误差Error％，并统计N25％、R2值，N25个数越多，R2值越大，RBF神经网络模型质量越好。
本发明与现有技术相比具有以下有益效果：(1)无论是TCM、BDCM还是THMs， RBF神经网络模型的预测效果比线性模型或lg线性模型好很多；(2)取关联度前5位的水质进行RBF建模的效果与用全部水质(8个)进行RBF建模的效果不相上下(TCM、THMs)，甚至更好(BDCM)；(3)RBF神经网络模型运行过程，所花时间甚少，每个模型的运行时间大概是10-13秒。因此，采用灰色关联度分析和RBF人工神经网络联合建模可以很好的预测供水系统中三卤甲烷的浓度。
附图说明
图1是典型RBF网络模型的体系结构图；
图2是TCM预测模型效果对比(a-c为线性模型；d-f为lg线性模型；g-i为8个水质参数建立的RBF神经网络模型；j-l为5个水质参数建立的RBF神经网络模型)；
图3是BDCM预测模型效果对比(a-c为线性模型；d-f为lg线性模型；g-i为8个水质参数建立的RBF神经网络模型；j-l为5个水质参数建立的RBF神经网络模型)；
图4是THMs预测模型效果对比(a-c为线性模型；d-f为lg线性模型；g-i为8个水质参数建立的RBF神经网络模型；j-l为5个水质参数建立的RBF神经网络模型)。
具体实时方式
以下通过实施例对本发明的上述内容做进一步详细说明，但不应该将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明上述内容实现的技术均属于本发明的范围。
实施例
本发明的总体思路：1)根据THMs在特定区域供水系统中的时空分布情况，结合具体水质指标，构建THMs与水质因子数据库。2)用灰色关联度方法确定水质参数与THMs 的关系。根据灰色关联度系数，将水质参数与THMs的关联程度进行排序。以关联度最大的3个水质参数开始RBF神经网络建模-验证，若预测效果不理想，则按照关联系数大小依次增加水质参数，以便以最少的水质参数建立理想的预测模型，达到事半功倍的效果。
步骤如下：
1、建立THMs和水质参数数据库
(1)水样采集：选择特定区域内的供水系统，分地区、季节进行采样，采样时先把自来水龙头打开3-5分钟待温度稳定、水流清澈后方可进行，采样的水用于①THMs分析；②各种水质指标测定；采集的水样马上放在冷藏箱(4℃)中运回实验室。
(2)水质指标测定：pH(pH计，现场测)，Temp(温度计，现场测)，溶解有机碳(TOC 测定仪)，UV254(紫外分光光度计法)，氨氮用纳氏试剂比色法测定、亚硝氮用N-(1-萘基)- 乙二胺二盐酸盐显色法、Br-用离子色谱法测定，余氯(采用N,N-二乙基对苯二胺(DPD) 分光光度法测定，现场测)，具体参考标准方法《水和废水监测分析方法》(第四版)。
(3)THMs分析：参照USEPA551.1，简述如下：量取水样，加入无水硫酸钠，2mL 甲基叔丁基醚(含1,2-二溴丙烷内标)，剧烈震荡萃取后取2μL用于气相色谱分析。
2、利用灰色关联度分析确定THMs形成的主要关联水质因子
按照控制论惯例，颜色一般代表的是对于一个系统我们已知的信息的多少，白色代表信息充足；而黑色系统代表我们对于其中的结构并不清楚的系统，通常叫做黑箱；灰色介于两者之间，表示我们只对该系统有部分了解。THMs与水质参数的关系目前只有部分是清楚的，属于灰色系统。因此很适合用灰色关联度方法确定THMs与水质参数的关系。
a：将THM X0序列即母序列与水质参数Xi序列即子序列构成矩阵
b：对矩阵中的数据进行无量纲化处理，由于X0-Xi序列的单位不同，所表示的数据含义也不同，而无量纲化则解决了这一问题，增强序列之间的可比性，形成新的母序列yo(k) 和新的若干子序列yi(k)，计算公式为：
c：计算母序列和子序列之间的绝对差值序列，计算公式为：
Δoi(k)＝|yo(k)-yi(k)|,i＝1,2,…,n；k＝1,2,…,m；
d：计算母序列和各子序列的关联系数，计算公式为：
e：计算关联系数：
3、构建THMs的RBF神经网络模型
RBF神经网络可以根据具体问题确定相应的网络拓扑结构，具有自学习、自组织、自适应功能，它对非线性连续函数具有一致逼近性，学习速度快，可以进行大范围的数据融合，可以并行高速地处理数据。RBF网络可以任意精度逼近任意的非线性函数，且具有全局逼近能力，从根本上解决了BP网络的局部最小问题。RBF神经网络的优良特性使得其显示出比BP神经网络更强的生命力，正在越来越多的领域内替代BP神经网络。
如图1所示，RBF神经网络一般具有三层结构：输入层、输出层和隐藏层。顾名思义，采用径向对称基函数(如高斯函数)作为隐节点的激活函数：
其中ci为中心，σi为第i个RBF节点的扩展。从输入节点到隐藏节点的转换是非线性的。但是，网络输出(y)近似为激活函数输出()与输出层权重(ωi)的线性组合：
本方法以构建的数据库为输入端，对RBF网络进行样本训练，求解函数参数值及连接权值，以求解得到的网络模型预测和评价各种THMs在不同水质因子下的形成。
具体步骤如下：
(1)数据分组：按80％、20％的比例(比例可根据数据库大小进行调整)将三卤甲烷和水质参数数据库分为训练集和预测集，但均可以代表整个数据库(见表1)；
(2)利用灰色关联度分析确定THMs形成的主要关联水质因子：以关联度最大的3个水质参数开始建模-验证，若不理想，则按照关联系数大小依次增加水质参数，以便以最少的水质参数建立理想的预测模型；
(3)以MATLAB中的神经网络newrb函数建立神经网络模型：格式为net＝newrb(P，T，GOAL，SPREAD，MN，DF)，其中P为输入向量(即水质参数)，T为目标向量(TCM、 BDCM或THMs)，GOAL为圴方误差，默认为0(也可设为0.0001等)，SPREAD为径向基函数的分布密度，默认为1(可根据需要自行设置)，MN为神经元的最大数目(可根据需要自行设置)，DF为两次显示之间所添加的神经元数目；
(4)训练、测试及判断正确率：对建好的神经网络模型进行训练，并检验其预测性能 (见模型验证)，正确率高时直接进入第(6)步，正确率低时进行第(5)步操作；
(5)调整参数：当测试的正确率较低时，调整SPREAD、神经元个数以及水质参数个数等，再重复第(3)步直至获得满意的结果；
(6)停止。
模型验证过程为：
a：内部验证，将训练集的水质参数输入RBF神经网络模型得到预测THMs值，然后计算预测误差Error％，见公式(1)，统计误差在25％以内的个数即N25，并计算N25％，同时将实测值与预测值做回归，得回归系数R2值，N25％越高、R2值越大，RBF神经网络模型质量越好；
b：外部验证，将预测集的水质参数输入RBF神经网络模型得到预测THMs值，然后与预测集的实测THMs值比较，计算预测误差Error％，并统计N25％、R2值，N25个数越多，R2值越大，RBF神经网络模型质量越好。
三氯甲烷(TCM)、一溴二氯甲烷(BDCM)为自来水中检出率最高、存在量最大的两种THMs，而DBCM、TBM不仅存在量小，检出率也相对低，因此本发明主要针对TCM、 BDCM和总THMs进行建模。
表1为TCM、BDCM、THMs以及水质参数的数据库。根据80％、20％分为训练集和预测集，得到训练集51个，预测集13个。根据这些数据进行建模，结果如下：
1、线性模型：
TCM＝21.056+338.898×UVA-0.478×Temp(r＝0.660,p＝0.000)；
BDCM＝2.804+0.901×DOC(r＝0.355,p＝0.011)；
THMs＝24.549+373.951*UVA-0.474*Temp(r＝0.612,p＝0.000)；
预测效果如图2-4中的a-c。
2、Lg线性模型：
TCM＝102.004×UVA0.201*Temp(-0.298)；
BDCM＝100.572×DOC0.169；
THMs＝101.973*UVA0.170*temp(-0.262)；
预测效果如图2-4中的d-f。
3、神经网络模型：
(1)用所测的全部水质参数(8个)进行建模，采用Matlab软件中net＝newrb(P，T，GOAL，SPREAD，MN，DF)运行程序，预测效果如图2-4的g-i部分；
根据灰色关联度结果*，取与TCM、BDCM、THMs关联度最大的几个水质参数进行建模，采用Matlab软件中net＝newrb(P，T，GOAL，SPREAD，MN，DF)运行程序；经过反复尝试，最后得取关联度前5位的水质参数进行建模可以取得较好的结果。预测效果如图2-4中的j-l。
*采用灰色关联度分析得TCM、BDCM、THMs与水质参数的关联度如下：
TCM：pH(0.947)>Temp(0.925)>UVA254(0.918)>DOC(0.913)>Br-(0.911)>NO2 --N(0.895)> NH4 +-N(0.830)>余氯(0.772)；
BDCM：pH(0.958)>Temp(0.935)>UVA254(0.927)>DOC(0.922)>Br-(0.921)>NO2 --N(0.903)> NH4 +-N(0.830)>余氯(0.764)；
THMs：pH(0.949)>Temp(0.927)>UVA254(0.919)>DOC(0.914)>Br-(0.913)>NO2 --N(0.896)> NH4 +-N(0.830)>余氯(0.770)。
结论：(1)无论是TCM、BDCM还是THMs，RBF神经网络模型的预测效果比线性或lg线性模型好很多；(2)取关联度前5位的水质进行RBF建模的效果与用全部水质(8 个)进行RBF建模的效果不相上下(TCM、THMs)，甚至更好(BDCM)；(3)RBF神经网络模型运行过程，所花时间甚少，每个模型的运行时间大概是10-13s。因此，采用关联度分析和RBF人工神经网络联合建模可以很好的预测供水系统中三卤甲烷的浓度。
表1消毒副产物三氯甲烷(TCM)、一溴二氯甲烷(BDCM)、总三卤甲烷(THMs)和水质参数数据库
表2线性模型和RBF神经网络模型的预测效果比较(以N25％表示)
以上实施例描述了本发明的基本原理、主要特征及优点，本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明原理的范围下，本发明还会有各种变化和改进，这些变化和改进均落入本发明保护的范围内。

Claims (3)

1.基于径向神经网络和灰色关联度分析建模预测供水系统中三卤甲烷浓度的方法，其特征在于具体步骤为：
步骤S1，数据分组：将THMs和水质参数数据库分为训练集和预测集，但均能够代表整个数据库；
步骤S2，利用灰色关联度分析确定THMs形成的主要关联水质因子：以关联度最大的3个水质参数开始建模-验证，若不理想，则按照关联系数大小依次增加水质参数，以便以最少的水质参数建立理想的预测模型；
步骤S3，以MATLAB中的神经网络newrb函数建立神经网络模型：格式为net＝newrb(P，T，GOAL，SPREAD，MN，DF)，其中P为输入向量即水质参数；T为目标向量即TCM、BDCM或THMs；GOAL为圴方误差，默认为0或根据需要自行设置为0.0001；SPREAD为径向基函数的分布密度，默认为1或根据需要自行设置；MN为神经元的最大数目或根据需要自行设置；DF为两次显示之间所添加的神经元数目；
步骤S4，训练、测试及判断正确率：对建好的神经网络模型进行训练，并通过模型验证检验其预测性能，正确率高时直接进入步骤S6，正确率低时进行步骤S5操作；
步骤S5，调整参数：当测试的正确率较低时，调整SPREAD、神经元个数或和水质参数个数，再重复步骤S3直至获得满意的结果；
步骤S6，停止。
2.根据权利要求1所述的基于径向神经网络和灰色关联度分析建模预测供水系统中三卤甲烷浓度的方法，其特征在于步骤S2中所述灰色关联度分析的具体过程为：
a：将THM X0序列即母序列与水质参数Xi序列即子序列构成矩阵
b：对矩阵中的数据进行无量纲化处理，由于X0-Xi序列的单位不同，所表示的数据含义也不同，而无量纲化则解决了这一问题，增强序列之间的可比性，形成新的母序列yo(k)和新的若干子序列yi(k)，计算公式为：
c：计算母序列和子序列之间的绝对差值序列，计算公式为：
Δoi(k)＝|yo(k)-yi(k)|,i＝1,2,…,n；k＝1,2,…,m；
d：计算母序列和各子序列的关联系数，计算公式为：
e：计算关联系数：
3.根据权利要求1所述的基于径向神经网络和灰色关联度分析建模预测供水系统中三卤甲烷浓度的方法，其特征在于步骤S3中所述模型验证的具体过程为：
a：内部验证，将训练集的水质参数输入RBF神经网络模型得到预测THMs值，然后计算预测误差Error％，见公式(1)，统计误差在25％以内的个数即N25，并计算N25％，同时将实测值与预测值做回归得到回归系数R2值，N25％越高、R2值越大，RBF神经网络模型质量越好；
b：外部验证，将预测集的水质参数输入RBF神经网络模型得到预测THMs值，然后与预测集的实测THMs值比较，计算预测误差Error％，并统计N25％、R2值，N25个数越多，R2值越大，RBF神经网络模型质量越好。
CN201910673483.4A 2019-07-24 2019-07-24 基于径向神经网络和灰色关联度分析建模预测供水系统中三卤甲烷浓度的方法 Pending CN110287652A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910673483.4A CN110287652A (zh) 2019-07-24 2019-07-24 基于径向神经网络和灰色关联度分析建模预测供水系统中三卤甲烷浓度的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910673483.4A CN110287652A (zh) 2019-07-24 2019-07-24 基于径向神经网络和灰色关联度分析建模预测供水系统中三卤甲烷浓度的方法

Publications (1)

Publication Number Publication Date
CN110287652A true CN110287652A (zh) 2019-09-27

Family

ID=68022334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910673483.4A Pending CN110287652A (zh) 2019-07-24 2019-07-24 基于径向神经网络和灰色关联度分析建模预测供水系统中三卤甲烷浓度的方法

Country Status (1)

Country Link
CN (1) CN110287652A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149822A (zh) * 2020-07-21 2020-12-29 吉林建筑大学 一种饮用水消毒副产物预测方法及系统
CN112949943A (zh) * 2021-04-12 2021-06-11 重庆工商大学 一种基于外围数据关联分析的污水处理进水水质预测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108710752A (zh) * 2018-05-17 2018-10-26 西南科技大学 一种基于灰色关联分析和bp神经网络的电机数据分析方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108710752A (zh) * 2018-05-17 2018-10-26 西南科技大学 一种基于灰色关联分析和bp神经网络的电机数据分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
陈荣: "灰色径向基网络建模方法及其在水体富营养化预测中的应用" *
陈鹏飞;王丽学;李爱迪;赵育;: "基于灰色关联度与BP神经网络的清河水库总氮浓度预测模型" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149822A (zh) * 2020-07-21 2020-12-29 吉林建筑大学 一种饮用水消毒副产物预测方法及系统
CN112949943A (zh) * 2021-04-12 2021-06-11 重庆工商大学 一种基于外围数据关联分析的污水处理进水水质预测方法

Similar Documents

Publication Publication Date Title
Bowden et al. Forecasting chlorine residuals in a water distribution system using a general regression neural network
Cordoba et al. Using artificial neural network models to assess water quality in water distribution networks
Burchard-Levine et al. A hybrid evolutionary data driven model for river water quality early warning
Sikorska et al. Considering rating curve uncertainty in water level predictions
CN115577018B (zh) 一种水质监测数据的智能处理方法及系统
Vicente et al. Prediction of the quality of public water supply using artificial neural networks
CN106841075B (zh) 基于神经网络的cod紫外光谱在线检测优化方法
CN102737288A (zh) 一种基于rbf神经网络参数自优化的水质多步预测方法
Karamouz et al. Design of on-line river water quality monitoring systems using the entropy theory: a case study
Wang et al. Supply-demand risk assessment and multi-scenario simulation of regional water-energy-food nexus: A case study of the Beijing-Tianjin-Hebei region
US20220026409A1 (en) Method and system for predicting disinfection by-products in drinking water
CN109001136A (zh) 一种基于紫外—可见光吸收光谱的cod在线监测方法
CN109975366B (zh) 农村生活污水a2o处理终端出水cod浓度软测量方法及装置
CN110287652A (zh) 基于径向神经网络和灰色关联度分析建模预测供水系统中三卤甲烷浓度的方法
Seyoum et al. Pressure-dependent network water quality modelling
CN110287651A (zh) 一种预测供水系统中消毒副产物卤乙酸浓度的方法
CN107622162A (zh) 一种基于Copula函数的水位流量关系曲线推求方法
CN108872508A (zh) 一种ga-bp优化tsfnn的富营养水质评价方法
CN107664682A (zh) 一种氨氮的水质软测量预测方法
Alves et al. Use of ultraviolet–visible spectrophotometry associated with artificial neural networks as an alternative for determining the water quality index
Soyupak et al. On the usage of artificial neural networks in chlorine control applications for water distribution networks with high quality water
CN112149849A (zh) 基于多元线性回归法预测饮用水消毒副产物的方法
Gibbs et al. Use of artificial neural networks for modelling chlorine residuals in water distribution systems
Lin et al. Predicting near-shore coliform bacteria concentrations using ANNS
Delisle et al. Minimizing water residence time in Quebec City's main distribution network using hybrid discrete dynamically dimensioned search (HD-DDS): Part II

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190927

WD01 Invention patent application deemed withdrawn after publication