CN110909922A - 一种水资源效率检测及预测方法 - Google Patents
一种水资源效率检测及预测方法 Download PDFInfo
- Publication number
- CN110909922A CN110909922A CN201911089377.8A CN201911089377A CN110909922A CN 110909922 A CN110909922 A CN 110909922A CN 201911089377 A CN201911089377 A CN 201911089377A CN 110909922 A CN110909922 A CN 110909922A
- Authority
- CN
- China
- Prior art keywords
- water
- sewage treatment
- input
- output
- data
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 275
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title abstract description 5
- 239000010865 sewage Substances 0.000 claims abstract description 100
- 238000004519 manufacturing process Methods 0.000 claims abstract description 85
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 19
- 239000013505 freshwater Substances 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 13
- 239000002352 surface water Substances 0.000 claims description 10
- 238000004065 wastewater treatment Methods 0.000 claims description 7
- 238000012886 linear function Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 239000003673 groundwater Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002351 wastewater Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000011231 Crohn disease Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009863 impact test Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种水资源效率检测及预测方法，其包括以下步骤：S1、获取水产生系统、水使用系统和污水处理系统的投入数据和污水处理系统的数据；S2、构建三阶段数据包络分析模型；S3、将水生产系统、水使用系统和污水处理系统中同一年份的数据输入三阶段数据包络分析模型，分别得到水生产系统、水使用系统和污水处理系统的水资源效率；S4、根据水生产系统、水使用系统和污水处理系统的数据及对应的水资源效率训练神经网络模型；S5、采用训练后的神经网络模型对水资源效率进行预测。本发明可以检测目标区域的水资源效率，并给出水资源效率低的环节，便于相关部门针对性改进。
Description
技术领域
本发明涉及水资源监控领域，具体涉及一种水资源效率检测及预测方法。
背景技术
水资源是与经济、社会和生态发展息息相关的一种有限而特殊的自然资源，在人类文明和技术进步中发挥着重要作用。中国水资源总量居世界第五，但人均水资源仅为世界平均水平的四分之一；且南北地区间水资源分布明显不均衡，随着经济的快速发展及城市化的加速，用水量持续增加，节水问题也越来越受到人们的关注。
但是现有的水资源监控与使用规划基本通过控制水资源在全年的使用量来避免水资源的浪费，该方式并未关注水资源的使用效率，也无法给相关使用者提出对应的改进意见。
发明内容
针对现有技术中的上述不足，本发明提供的一种水资源效率检测及预测方法可以检测目标区域的水资源效率，并给出水资源效率低的环节，便于相关部门针对性改进。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种水资源效率检测及预测方法，其包括以下步骤：
S1、获取水产生系统的投入数据、水产生系统的产出数据、水使用系统的投入数据、水使用系统的产出数据、污水处理系统的投入数据和污水处理系统的产出数据；
S2、构建三阶段数据包络分析模型，其中第一阶段为水的生产阶段，第二阶段为水的使用阶段，第三阶段为污水处理阶段；
S3、将水生产系统、水使用系统和污水处理系统中同一年份的数据输入三阶段数据包络分析模型，分别得到水生产系统、水使用系统和污水处理系统的水资源效率；
S4、根据水生产系统、水使用系统和污水处理系统的数据及对应的水资源效率训练神经网络模型；
S5、采用训练后的神经网络模型对水资源效率进行预测。
进一步地，步骤S1中水产生系统的投入数据包括使用的雨水、地表水和地下水；水产生系统的产出数据包括产出的淡水；水使用系统的投入数据包括使用的淡水、可再使用的水和与水供给相关的劳动力投入；水使用系统的产出数据包括经济收益和排放污水；污水处理系统的投入数据包括所处理的污水数量和与污水处理相关的劳动力投入；污水处理系统的产出数据包括可再使用的水；其中水产生系统、水使用系统和污水处理系统均包括至少一个下属子单元。
进一步地，步骤S2中三阶段数据包络分析模型的第一阶段模型表达式为：
maxθ1
其中max为取最大值函数；θ1为水生产系统的效率值；
为水生产系统中第j个生产单元的第i个直接投入，即雨水、地表水和地下水的投入；
为水生产系统中第o个待评价生产单元的第i个直接投入，即雨水、地表水和地下水的投入；
为水生产系统中第j个生产单元的第f个中间产出，即产出的淡水，其既是水生产系统的中间产出，又是水使用系统的中间投入；
为水生产系统中第o个待评价生产单元的第f个中间产出，即产出的淡水；λj为水生产系统中第j个生产单元的权重；I为直接投入的指标总量；J为水生产系统中生产单元的总数；F为水生产系统中生产单元中间产出的指标总量，也为水使用系统中使用单元中间投入的指标总量；
第二阶段模型表达式为：
maxθ2
其中θ2为水使用系统的效率值；
为水使用系统中第j个使用单元的第z个直接投入，即水供给相关投入的劳动力；
为水使用系统中第o个待评价使用单元的第z个直接投入，即水供给相关投入的劳动力；
为水使用系统中第j个使用单元的第k个反馈投入变量，即可再使用的水，
既是污水处理系统的直接产出，也是水使用系统的反馈投入变量；
为水使用系统中第o个待评价使用单元的第k个反馈投入，即可再使用的水；
为水使用系统中第j个使用单元的第h个中间产出，即污水；
为水使用系统中第o个待评价使用单元的第h个中间产出，即污水；ωj为水使用系统中第j个使用单元的权重；Z为水使用系统中使用单元的直接投入指标总量；K为水使用系统中使用单元的反馈投入指标总量；H为水使用系统中使用单元的中间产出指标总量，也为污水处理系统中中间投入的指标总量；
第三阶段的模型表达式为：
maxθ3
其中θ3为污水处理系统的效率值；ηj为污水处理系统中第j个污水处理单元的权重；
为污水处理系统中第j个污水处理单元的第g个直接投入，即与污水处理相关投入的劳动力；
为污水处理系统中第o个待评价污水处理单元的第g个直接投入，即与污水处理相关投入的劳动力；G为污水处理系统中直接投入的指标总量。
进一步地，步骤S3的具体方法为：
将水生产系统、水使用系统和污水处理系统中各单元在同一年份的数据输入三阶段数据包络分析模型，采用Lingo和MATLAB软件对三阶段数据包络分析模型进行求解，分别得到水生产系统、水使用系统和污水处理系统的实际水资源效率；
根据公式
θ＝α1θ′1+α2θ′2+α3θ′3
α1+α2+α3＝1
获取目标地区总的水资源效率θ；其中θ′1为水生产系统的实际水资源效率，α1为水生产系统的权重；θ′2为水使用系统的实际水资源效率，α2为水使用系统的权重；θ′3为污水处理系统的实际水资源效率，α3为污水处理系统的权重。
进一步地，步骤S4的具体方法为：
分别针对水生产系统、水使用系统和污水处理系统建立一个神经网络模型，将神经网络模型输入节点与隐含层节点之间的初始连接权重设置为Wij，将隐含层节点与输出节点之间的权重设置为Tjk，根据公式
Oj＝f(∑Wij-θj)
Yk＝f(∑TjkOj-θk)
获取神经网络模型的输出向量Yk；其中Oj为隐藏输出向量；θj和θk均为阈值；f(·)为非线性函数；隐含层的激活函数为ReLU，输出层的激活函数为sigmoid；
将并根据公式
进行神经网络模型的自我学习并更新神经网络模型输入节点与隐含层节点之间的初始连接权重Wij；其中ρ(t)为学习率；Wij(t+1)为下一时刻输入节点与隐含层节点之间的权重；Wij(t)为当前时刻输入节点与隐含层节点之间的权重；ρ(t)为当前时刻的学习率；Tjk(t+1)为下一时刻隐含层节点与输出节点之间的权重；Tjk(t)为当前时刻隐含层节点与输出节点之间的权重；Ti为节点的期望输出值；Yi为节点的实际输出值；
将水生产系统、水使用系统和污水处理系统的数据及对应的水资源效率分别用于训练其对应的神经网络模型，对应得到三个训练后的神经网络模型。
本发明的有益效果为：本发明利用三阶段数据包络分析模型更具体更全面的深入内部进行水资源效率研究，将水资源系统分为水产生系统、水使用系统、污水处理系统，获取各个系统的水资源效率值并根据各自的特性确定三个阶段的衡量指标，同时模型将不理想产出污水转化为可以再使用的水，其作为反馈变量再次进入子系统中，可监控并预测水资源的使用效率值，有利于提升整体水资源的利用率，并有利于可持续发展。
附图说明
图1为本发明的流程示意图；
图2为实施例中模型的拓扑结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，该水资源效率检测及预测方法包括以下步骤：
S1、获取水产生系统的投入数据、水产生系统的产出数据、水使用系统的投入数据、水使用系统的产出数据、污水处理系统的投入数据和污水处理系统的产出数据；
S2、构建三阶段数据包络分析模型，其中第一阶段为水的生产阶段，第二阶段为水的使用阶段，第三阶段为污水处理阶段；
S3、将水生产系统、水使用系统和污水处理系统中同一年份的数据输入三阶段数据包络分析模型，分别得到水生产系统、水使用系统和污水处理系统的水资源效率；
S4、根据水生产系统、水使用系统和污水处理系统的数据及对应的水资源效率训练神经网络模型；
S5、采用训练后的神经网络模型对水资源效率进行预测。
步骤S1中水产生系统的投入数据包括使用的雨水、地表水和地下水；水产生系统的产出数据包括产出的淡水；水使用系统的投入数据包括使用的淡水、可再使用的水和与水供给相关的劳动力投入；水使用系统的产出数据包括经济收益和排放污水；污水处理系统的投入数据包括所处理的污水数量和与污水处理相关的劳动力投入；污水处理系统的产出数据包括可再使用的水；其中水产生系统、水使用系统和污水处理系统均包括至少一个下属子单元。
步骤S2中三阶段数据包络分析模型的第一阶段模型表达式为：
maxθ1
其中max为取最大值函数；θ1为水生产系统的效率值；
为水生产系统中第j个生产单元的第i个直接投入，即雨水、地表水和地下水的投入；
为水生产系统中第o个待评价生产单元的第i个直接投入，即雨水、地表水和地下水的投入；
为水生产系统中第j个生产单元的第f个中间产出，即产出的淡水，其既是水生产系统的中间产出，又是水使用系统的中间投入；
为水生产系统中第o个待评价生产单元的第f个中间产出，即产出的淡水；λj为水生产系统中第j个生产单元的权重；I为直接投入的指标总量；J为水生产系统中生产单元的总数；F为水生产系统中生产单元中间产出的指标总量，也为水使用系统中使用单元中间投入的指标总量；
第二阶段模型表达式为：
maxθ2
其中θ2为水使用系统的效率值；
为水使用系统中第j个使用单元的第z个直接投入，即水供给相关投入的劳动力；
为水使用系统中第o个待评价使用单元的第z个直接投入，即水供给相关投入的劳动力；
为水使用系统中第j个使用单元的第k个反馈投入变量，即可再使用的水，
既是污水处理系统的直接产出，也是水使用系统的反馈投入变量；
为水使用系统中第o个待评价使用单元的第k个反馈投入，即可再使用的水；
为水使用系统中第j个使用单元的第h个中间产出，即污水；
为水使用系统中第o个待评价使用单元的第h个中间产出，即污水；ωj为水使用系统中第j个使用单元的权重；Z为水使用系统中使用单元的直接投入指标总量；K为水使用系统中使用单元的反馈投入指标总量；H为水使用系统中使用单元的中间产出指标总量，也为污水处理系统中中间投入的指标总量；
第三阶段的模型表达式为：
maxθ3
其中θ3为污水处理系统的效率值；ηj为污水处理系统中第j个污水处理单元的权重；
为污水处理系统中第j个污水处理单元的第g个直接投入，即与污水处理相关投入的劳动力；
为污水处理系统中第o个待评价污水处理单元的第g个直接投入，即与污水处理相关投入的劳动力；G为污水处理系统中直接投入的指标总量。
步骤S3的具体方法为：将水生产系统、水使用系统和污水处理系统中各单元在同一年份的数据输入三阶段数据包络分析模型，采用Lingo和MATLAB软件对三阶段数据包络分析模型进行求解，分别得到水生产系统、水使用系统和污水处理系统的实际水资源效率；
根据公式
θ＝α1θ′1+α2θ′2+α3θ′3
α1+α2+α3＝1
获取目标地区总的水资源效率θ；其中θ′1为水生产系统的实际水资源效率，α1为水生产系统的权重；θ′2为水使用系统的实际水资源效率，α2为水使用系统的权重；θ′3为污水处理系统的实际水资源效率，α3为污水处理系统的权重。α1,α2,α3分别表示各个阶段的性能对决策单元整体性能的相对重要性或贡献。
表示待评价单元o的三个阶段资源消耗总量，
和
分别表示各阶段分别的资源消耗量。
步骤S4的具体方法为：分别针对水生产系统、水使用系统和污水处理系统建立一个神经网络模型，将神经网络模型输入节点与隐含层节点之间的初始连接权重设置为Wij，将隐含层节点与输出节点之间的权重设置为Tjk，根据公式
Oj＝f(∑Wij-θj)
Yk＝f(∑TjkOj-θk)
获取神经网络模型的输出向量Yk；其中Oj为隐藏输出向量；θj和θk均为阈值；f(·)为非线性函数；隐含层的激活函数为ReLU，输出层的激活函数为sigmoid；
将并根据公式
进行神经网络模型的自我学习并更新神经网络模型输入节点与隐含层节点之间的初始连接权重Wij；其中ρ(t)为学习率；Wij(t+1)为下一时刻输入节点与隐含层节点之间的权重；Wij(t)为当前时刻输入节点与隐含层节点之间的权重；ρ(t)为当前时刻的学习率；Tjk(t+1)为下一时刻隐含层节点与输出节点之间的权重；Tjk(t)为当前时刻隐含层节点与输出节点之间的权重；Ti为节点的期望输出值；Yi为节点的实际输出值；
将水生产系统、水使用系统和污水处理系统的数据及对应的水资源效率分别用于训练其对应的神经网络模型，对应得到三个训练后的神经网络模型。
在具体实施过程中，由于BPNN存在训练时间长、局部复杂度高、过拟合等问题。本方法使用了几种优化方法来解决这些问题:
(1)使用Glorot常规初始化器(也称为Xavier常规初始化器)初始化权重，它从以0为中心的截断的正态分布中抽取样本。
(2)利用模型的学习速率表。本方法系统地降低了训练中特定时间的学习率。然后将初始学习率设置为0.0006，每3666个epoch降低0.8。前3666个训练周期的值为0.00060；在接下来的3666个时代中，使用了0.00047的学习率，以此类推。通过冲击试验法对参数进行了微调。
(3)使用Dropout技术，这是一种简单有效的方法来防止神经网络过拟合，主要是在训练期间从神经网络中随机地删除单元(连同它们的连接)。
(4)使用一种新的机制——批处理标准化，显著加快深度网络的训练。
(5)使用Adam优化器，该优化器具有较强的鲁棒性，适用于机器学习中的各种非凸优化问题。
(6)激活函数的选择:使用最常用的激活函数ReLU(整流线性单元)函数作为隐层的激活函数，输出层的激活函数使用Sigmoid函数。基于ReLU的神经网络训练比其他的激活函数训练要快得多。使用Sigmoid函数作为输出层的激活函数，主要是因为输出在0到1之间。
在本发明的一个实施例中，选取了阿尔巴尼亚、亚美尼亚、阿塞拜疆、巴林、中国、克罗地亚、塞浦路斯、伊拉克、哈萨克斯坦、波兰、罗马尼亚、沙特阿拉伯、塞尔维亚、斯洛文尼亚和土耳其15个国家2006-2015年的数据(数据来自UNdata和AQUASTAT)，以说明所提出模型的实际适用性和有效性，具体如下：
根据表1建立投入产出指标，
表1：投入产出指标
通过步骤S2构建的模型获取上述15个国家2006年-2015年水的生产、使用及污水处理效率值，具体如表2所示。
表2：各个国家相应的效率值
通过S4得到神经网络模型：
BPNN模型主要需要确定隐层数、隐神经元数、激活函数、学习速率和权值。BPNN模型中通过使用DEA的输入和输出指标作为神经网络模型输入层，并将CCR效率值作为BPNN输出层，探索非线性映射能力，该网络的拓扑结构如图2所示。随机选取120个数据进行训练，其余15个数据作为验证集，15个数据作为测试集。
在第一阶段的神经网络模型中，雨水、地表水、地下水和淡水为输入层，第一阶段的效率值为输出层。通过对不同隐层的比较分析，发现3个隐层的效果最好，因此构造了4(输入)-5-7-3-1(输出)的结构。在第二阶段的神经网络模型中，淡水、可再利用的水、水供给相关的劳动人口投入量、GDP、废水为输入层，第二阶段的效率值为输出层。建立不同数量的隐层进行分析。最终5(输入)-5-7-3-1(输出)结构最优，该结构有3个隐藏层。在第三阶段的神经网络模型中，废水、污水处理劳动人口投入量和可再利用的水为输入层，第三阶段的效率值为输出层。通过对不同隐层模型的比较分析，建立了3(输入)-5-7-1(输出)结构。
为了验证本方法的可行性，将数据((DEA效率结果)分为三个集:训练集、验证集和测试集。选择MAE(平均绝对误差)、MAPE(平均绝对误差百分比)、AAE(平均绝对误差)和R作为评价模型好坏的指标，具体数据如表3所示。
表3：本方法与其他常规方法的数据对比
从表3可知，本方法的准确性更高。尽管随机森林和梯度提升决策树比本方法在训练集的效果要好，但是在验证集和测试集当中，本方法表现更加稳定。也就是说，本方法可以更好的概括从最初的输入到推断出看不见的关系。本方法适合于在不同的输入-输出假设情景下建立柔性模型且需要的样本量不用特别大。此外，本方法采用的神经网络模型具有容错性，一个或多个神经网络单元的损坏不影响其处理。
综上所述，利用三阶段数据包络分析模型更具体更全面的深入内部进行水资源效率研究，将水资源系统分为水产生系统、水使用系统、污水处理系统，获取各个系统的水资源效率值并根据各自的特性确定三个阶段的衡量指标，同时模型将不理想产出污水转化为可以再使用的水，其作为反馈变量再次进入子系统中，可监控并预测水资源的使用效率值，有利于提升整体水资源的利用率，并有利于可持续发展。
Claims (5)
1.一种水资源效率检测及预测方法，其特征在于，包括以下步骤：
S1、获取水产生系统的投入数据、水产生系统的产出数据、水使用系统的投入数据、水使用系统的产出数据、污水处理系统的投入数据和污水处理系统的产出数据；
S2、构建三阶段数据包络分析模型，其中第一阶段为水的生产阶段，第二阶段为水的使用阶段，第三阶段为污水处理阶段；
S3、将水生产系统、水使用系统和污水处理系统中同一年份的数据输入三阶段数据包络分析模型，分别得到水生产系统、水使用系统和污水处理系统的水资源效率；
S4、根据水生产系统、水使用系统和污水处理系统的数据及对应的水资源效率训练神经网络模型；
S5、采用训练后的神经网络模型对水资源效率进行预测。
2.根据权利要求1所述的水资源效率检测及预测方法，其特征在于，所述步骤S1中水产生系统的投入数据包括使用的雨水、地表水和地下水；水产生系统的产出数据包括产出的淡水；水使用系统的投入数据包括使用的淡水、可再使用的水和与水供给相关的劳动力投入；水使用系统的产出数据包括经济收益和排放污水；污水处理系统的投入数据包括所处理的污水数量和与污水处理相关的劳动力投入；污水处理系统的产出数据包括可再使用的水；其中水产生系统、水使用系统和污水处理系统均包括至少一个下属子单元。
3.根据权利要求1所述的水资源效率检测及预测方法，其特征在于，所述步骤S2中三阶段数据包络分析模型的第一阶段模型表达式为：
maxθ1
其中max为取最大值函数；θ1为水生产系统的效率值；
为水生产系统中第j个生产单元的第i个直接投入，即雨水、地表水和地下水的投入；
为水生产系统中第o个待评价生产单元的第i个直接投入，即雨水、地表水和地下水的投入；
为水生产系统中第j个生产单元的第f个中间产出，即产出的淡水，其既是水生产系统的中间产出，又是水使用系统的中间投入；
为水生产系统中第o个待评价生产单元的第f个中间产出，即产出的淡水；λj为水生产系统中第j个生产单元的权重；I为直接投入的指标总量；J为水生产系统中生产单元的总数；F为水生产系统中生产单元中间产出的指标总量，也为水使用系统中使用单元中间投入的指标总量；
第二阶段模型表达式为：
maxθ2
其中θ2为水使用系统的效率值；
为水使用系统中第j个使用单元的第z个直接投入，即水供给相关投入的劳动力；
为水使用系统中第o个待评价使用单元的第z个直接投入，即水供给相关投入的劳动力；
为水使用系统中第j个使用单元的第k个反馈投入变量，即可再使用的水，
既是污水处理系统的直接产出，也是水使用系统的反馈投入变量；
为水使用系统中第o个待评价使用单元的第k个反馈投入，即可再使用的水；
为水使用系统中第j个使用单元的第h个中间产出，即污水；
为水使用系统中第o个待评价使用单元的第h个中间产出，即污水；ωj为水使用系统中第j个使用单元的权重；Z为水使用系统中使用单元的直接投入指标总量；K为水使用系统中使用单元的反馈投入指标总量；H为水使用系统中使用单元的中间产出指标总量，也为污水处理系统中中间投入的指标总量；
第三阶段的模型表达式为：
maxθ3
其中θ3为污水处理系统的效率值；ηj为污水处理系统中第j个污水处理单元的权重；
为污水处理系统中第j个污水处理单元的第g个直接投入，即与污水处理相关投入的劳动力；
为污水处理系统中第o个待评价污水处理单元的第g个直接投入，即与污水处理相关投入的劳动力；G为污水处理系统中直接投入的指标总量。
4.根据权利要求3所述的水资源效率检测及预测方法，其特征在于，所述步骤S3的具体方法为：
将水生产系统、水使用系统和污水处理系统中各单元在同一年份的数据输入三阶段数据包络分析模型，采用Lingo和MATLAB软件对三阶段数据包络分析模型进行求解，分别得到水生产系统、水使用系统和污水处理系统的实际水资源效率；
根据公式
θ＝α1θ′1+α2θ′2+α3θ′3
α1+α2+α3＝1
获取目标地区总的水资源效率θ；其中θ′1为水生产系统的实际水资源效率，α1为水生产系统的权重；θ′2为水使用系统的实际水资源效率，α2为水使用系统的权重；θ′3为污水处理系统的实际水资源效率，α3为污水处理系统的权重。
5.根据权利要求1所述的水资源效率检测及预测方法，其特征在于，所述步骤S4的具体方法为：
分别针对水生产系统、水使用系统和污水处理系统建立一个神经网络模型，将神经网络模型输入节点与隐含层节点之间的初始连接权重设置为Wij，将隐含层节点与输出节点之间的权重设置为Tjk，根据公式
Oj＝f(∑Wij-θj)
Yk＝f(∑TjkOj-θk)
获取神经网络模型的输出向量Yk；其中Oj为隐藏输出向量；θj和θk均为阈值；f(·)为非线性函数；隐含层的激活函数为ReLU，输出层的激活函数为sigmoid；
将并根据公式
进行神经网络模型的自我学习并更新神经网络模型输入节点与隐含层节点之间的初始连接权重Wij；其中ρ(t)为学习率；Wij(t+1)为下一时刻输入节点与隐含层节点之间的权重；Wij(t)为当前时刻输入节点与隐含层节点之间的权重；ρ(t)为当前时刻的学习率；Tjk(t+1)为下一时刻隐含层节点与输出节点之间的权重；Tjk(t)为当前时刻隐含层节点与输出节点之间的权重；Ti为节点的期望输出值；Yi为节点的实际输出值；
将水生产系统、水使用系统和污水处理系统的数据及对应的水资源效率分别用于训练其对应的神经网络模型，对应得到三个训练后的神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911089377.8A CN110909922B (zh) | 2019-11-08 | 2019-11-08 | 一种水资源效率检测及预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911089377.8A CN110909922B (zh) | 2019-11-08 | 2019-11-08 | 一种水资源效率检测及预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110909922A true CN110909922A (zh) | 2020-03-24 |
| CN110909922B CN110909922B (zh) | 2022-07-01 |
Family
ID=69817055
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911089377.8A Active CN110909922B (zh) | 2019-11-08 | 2019-11-08 | 一种水资源效率检测及预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110909922B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111523791A (zh) * | 2020-04-21 | 2020-08-11 | 四川大学 | 一种基于多个跟随者的二层水资源系统脆弱性评估方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012112679A2 (en) * | 2011-02-15 | 2012-08-23 | University Of South Florida | Method and system for treating wastewater and sludges by optimizing sc02 for anaerobic autotrophic microbes |
| KR20160114550A (ko) * | 2016-06-30 | 2016-10-05 | 대양엔바이오(주) | 수 처리 시스템 및 방법 |
| CN107358021A (zh) * | 2017-06-01 | 2017-11-17 | 华南理工大学 | 一种基于优化bp神经网络的do预测模型建立方法 |
| CN109523094A (zh) * | 2018-12-21 | 2019-03-26 | 哈尔滨工程大学 | 一种基于小波神经网络的船舶含盐污水处理控制预测系统及预测方法 |
| CN109534486A (zh) * | 2018-12-21 | 2019-03-29 | 哈尔滨工程大学 | 一种基于随机递归小波神经网络的船舶污水处理控制预测系统及预测方法 |
-
2019
- 2019-11-08 CN CN201911089377.8A patent/CN110909922B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012112679A2 (en) * | 2011-02-15 | 2012-08-23 | University Of South Florida | Method and system for treating wastewater and sludges by optimizing sc02 for anaerobic autotrophic microbes |
| KR20160114550A (ko) * | 2016-06-30 | 2016-10-05 | 대양엔바이오(주) | 수 처리 시스템 및 방법 |
| CN107358021A (zh) * | 2017-06-01 | 2017-11-17 | 华南理工大学 | 一种基于优化bp神经网络的do预测模型建立方法 |
| CN109523094A (zh) * | 2018-12-21 | 2019-03-26 | 哈尔滨工程大学 | 一种基于小波神经网络的船舶含盐污水处理控制预测系统及预测方法 |
| CN109534486A (zh) * | 2018-12-21 | 2019-03-29 | 哈尔滨工程大学 | 一种基于随机递归小波神经网络的船舶污水处理控制预测系统及预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| HONG-GUI HAN等: "An efficient self-organizing RBF neural network for water quality prediction", 《NEURAL NETWORKS》 * |
| ZHINENG HUA等: "Efficiency evaluation with feedback for regional water use and wastewater treatment", 《JOURNAL OF HYDROLOGY》 * |
| 李玉仙等: "常规给水处理工艺处理效率的神经网络预测与控制", 《西安建筑科技大学学报(自然科学版)》 * |
| 裴志涛等: "基于BP神经网络的水资源利用效率评价方法研究", 《中国农村水利水电》 * |
| 高媛媛等: "中国水资源利用效率评估模型构建及应用", 《系统工程理论与实践》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111523791A (zh) * | 2020-04-21 | 2020-08-11 | 四川大学 | 一种基于多个跟随者的二层水资源系统脆弱性评估方法 |
| CN111523791B (zh) * | 2020-04-21 | 2022-04-19 | 四川大学 | 一种基于多个跟随者的二层水资源系统脆弱性评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110909922B (zh) | 2022-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109308522B (zh) | 一种基于循环神经网络的gis故障预测方法 | |
| CN105510546B (zh) | 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法 | |
| CN103226741B (zh) | 城市供水管网爆管预测方法 | |
| CN109523021B (zh) | 一种基于长短时记忆网络的动态网络结构预测方法 | |
| CN111160520A (zh) | 一种基于遗传算法优化的bp神经网络风速预测方法 | |
| CN107590565A (zh) | 一种构建建筑能耗预测模型的方法及装置 | |
| CN103606006B (zh) | 基于自组织t‑s模糊神经网络的污泥沉降指数软测量方法 | |
| CN108596260A (zh) | 一种水管网漏损定位方法及装置 | |
| CN107909206A (zh) | 一种基于深层结构循环神经网络的pm2.5预测方法 | |
| CN105574326A (zh) | 一种基于自组织模糊神经网络的出水氨氮浓度软测量方法 | |
| CN109858755B (zh) | 一种评价水体质量的方法 | |
| Ning et al. | GA-BP air quality evaluation method based on fuzzy theory. | |
| CN110909922B (zh) | 一种水资源效率检测及预测方法 | |
| CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
| CN115713448A (zh) | 基于汇水单元的流域水污染常规因子快速溯源方法 | |
| CN105372995A (zh) | 污水处理系统测控方法 | |
| CN110929809B (zh) | 一种特征自增强的循环神经网络的污水关键水质指标软测量方法 | |
| CN107423811B (zh) | 基于bp人工神经网络和情景模拟组合的径流变化归因识别方法 | |
| Zhang et al. | Effluent Quality Prediction of Wastewater Treatment System Based on Small-world ANN. | |
| Jiang et al. | Deep-reinforcement-learning-based water diversion strategy | |
| CN111177975A (zh) | 一种基于人工智能的航空装备可用度预计方法 | |
| CN109447498B (zh) | 一种轨道交通系统成本关联多域影响要素大数据驱动分析方法 | |
| Bogdan et al. | On the Empirical Bayes approach to the problem of multiple testing | |
| Parsa | Optimal reservoir operation of Karun 4 Reservoir by linear programming | |
| CN114781166B (zh) | 基于加权概率慢特征模型的污水处理过程软测量方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |