CN113221439A - 一种基于bp神经网络的排水系统实时率定与动态预测方法 - Google Patents

一种基于bp神经网络的排水系统实时率定与动态预测方法 Download PDF

Info

Publication number
CN113221439A
CN113221439A CN202110371034.1A CN202110371034A CN113221439A CN 113221439 A CN113221439 A CN 113221439A CN 202110371034 A CN202110371034 A CN 202110371034A CN 113221439 A CN113221439 A CN 113221439A
Authority
CN
China
Prior art keywords
liquid level
data
rainfall
drainage system
data set
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
Application number
CN202110371034.1A
Other languages
English (en)
Other versions
CN113221439B (zh
Inventor
周永潮
沈大利
张仪萍
张土乔
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 University ZJU
Original Assignee
Zhejiang University ZJU
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 University ZJU filed Critical Zhejiang University ZJU
Priority to CN202110371034.1A priority Critical patent/CN113221439B/zh
Publication of CN113221439A publication Critical patent/CN113221439A/zh
Application granted granted Critical
Publication of CN113221439B publication Critical patent/CN113221439B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/14—Pipes
    • 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
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于BP神经网络的排水系统实时率定与动态预测方法，包括以下步骤：收集排水系统的历史液位和降雨数据，或是利用计算机水力模型计算不同降雨下的液位数据，构建排水系统的降雨‑液位数据集；将降雨‑液位数据集中提取目标雨水井未来时间的液位和影响未来液位的因素构建运算数据集，依此建立预测排水系统液位的映射模型；将目标雨水井的影响未来液位的因素作为映射模型的输入，即可输出目标雨水井的预测液位。若根据映射模型预测的液位和后续实测液位出现较大偏差，则每出现一次较大偏差都要更新运算数据集，并依此建立更新的预测排水系统液位的映射模型。该方法有助于雨水排水系统在极端灾害降雨下的实时应急调控。

Description

一种基于BP神经网络的排水系统实时率定与动态预测方法
技术领域
本发明涉及雨水排水系统及设计方案的性能评估技术领域，特别涉及一种基于BP神经网络的排水系统实时率定与动态预测方法。
背景技术
城市雨水排水系统与城市河道系统共同承担着排放雨水和防止城市内涝的作用。城市内涝和排水系统失效的一个重要表现形式就是雨水井发生溢流，进而导致地面积水，因此对雨水井内液位的预测对评估内涝风险有很大意义。
实际降雨的复杂性、城市管道-河道排水系统边界条件的复杂性导致雨水井内液位的计算比较复杂，对其的预测和评估往往需要借助计算机水力模型的计算才能有较为可靠的结论，这不仅需要耗费很大的时间精力进行前期调研构建模型，同时在模型的运算过程中也要耗费大量时间，难以做到对雨水井内液位的快速预报。另外，城市排水系统并非一成不变的系统，泥沙淤积、管线改造等会使雨水井液位的预测预警模型随着时间推移，误差逐渐增大直至模型失效。
因此，快速且准确地得到城市雨水排水系统中雨水井液位的预测数据，并且保证该预测模型的持续、可靠运行，对指导城市防洪调度、加快相关部门的防洪应对速度、便利城市居民生活出行具有重大意义。
发明内容
本发明目的在于解决现有技术中存在的问题，并提供一种基于BP神经网络的排水系统实时率定与动态预测方法，使用该方法可根据短历时高精度天气预报实时高效计算预测未来时段的排水系统水力情况，计算步长可根据短历时高精度天气预报步长进行调整。在此基础上，根据感知层实时传回的水力特征(液位流量等)感知数据，实时更新每一计算步长的初始条件，预报结束后，根据计算精度，实时优化映射模型。
为了实现上述发明目的，本发明具体采用的技术方案如下：
一种基于BP神经网络的排水系统实时率定与动态预测方法，其包括以下步骤：
S1：针对待预测的目标区域，获取该区域在不同降雨事件下的雨水排水系统水力特征和降雨特征的时序变化数据，构建成排水系统的降雨-液位数据集；
S2：从所述降雨-液位数据集中提取目标雨水井液位数据和雨水井未来液位影响因素对应的数据构建为训练样本，且每个训练样本中目标雨水井液位数据比雨水井未来液位影响因素对应的数据超前一个预测步长；将所有训练样本作为运算数据集，并基于所述运算数据集训练BP神经网络模型，建立能根据当前时刻的雨水井未来液位影响因素预测未来排水系统中目标雨水井液位的映射模型；
S3：针对目标雨水井，实时测定每个雨水井未来液位影响因素的实测值，并将其作为所述映射模型的输入，根据设定的预测步长输出目标雨水井的未来液位预测值；
而且在S3预测过程中需对所述映射模型进行实时率定，如果映射模型预测的液位和后续实测液位出现偏差超过设定偏差范围时，则需要从新的实测数据中采样训练样本更新所述运算数据集，并重新训练BP神经网络模型以在下一次预测之前更新所述映射模型。
作为优选，步骤S1中，所述降雨-液位数据集通过收集排水系统的历史液位和降雨数据，或是利用计算机水力模型计算不同降雨下的液位数据进行获取。
作为优选，步骤S1中，所述降雨-液位数据集所包含的降雨事件应至少包括小雨、中雨、大雨在内的不同降雨强度。
作为优选，步骤S2中，所述雨水井未来液位影响因素包括目标雨水井当前液位、目标雨水井当前流量以及气象预报数据中目标雨水井所在位置下一预测步长对应时刻的总降雨量、降雨间隔时间、峰前雨量和峰值雨强。
作为优选，步骤S2中，所述的BP神经网络模型包含输入层、隐藏层和输出层，输入层的节点数量与雨水井未来液位影响因素个数相等，输出层的节点数量为1个。
作为优选，所述实时率定中，更新运算数据集的具体步骤是：
如果所述偏差超过设定偏差范围的实测数据满足抽样对于数据量的要求，则从出现偏差的实测数据中用蒙特卡洛采样法抽取n组数据，再从原始的运算数据集中用蒙特卡洛采样法抽取等量的n组数据，将两部分数据合并作为新的运算数据集；
如果所述偏差超过设定偏差范围的实测数据不满足抽样对于数据量的要求，则对出现偏差的实测数据进行复制直至达到n组数据，再从原始的运算数据集中用蒙特卡洛采样法抽取等量的n组数据，将两部分数据合并作为新的运算数据集。
作为优选，所述的n>104。
作为优选，所述的设定偏差范围为绝对偏差5cm或相对偏差5％。
本发明相对于现有技术的有益效果是：
本发明的基于BP神经网络的排水系统实时率定与动态预测方法，有助于雨水排水系统在极端灾害降雨下的实时应急调控，可根据气象部门的短历时高精度降雨预报及感知层数据初始条件，计算下一时刻排水系统运行状态，从而可根据计算状态，进行调度方案的优化与决策。
附图说明
图1为某城市区域的管道-河道排水系统示意图。
图2为本发明所述方法的流程图。
图3为本发明实施例中雨水井1内液位的实测值与预测值对比。
图4为本发明实施例中雨水井2内液位的实测值与预测值对比。
图5为本发明实施例中雨水井3内液位的实测值与预测值对比。
具体实施方式
下面结合附图和实施例对本发明的具体实现方式进行展开描述，以便于本领域技术人员更好的理解本发明。
在本发明的一个较佳实施例中，需要对如图1所示的某城市区域进行雨水排水系统液位动态预测，以便于提早预知各雨水井后续可能发生的液位波动情况，提早进行处置。如图1所示，该城市的中心区域三面被河道包围，面积约1.1平方公里，是该市繁华的商业和居住区域。其排水体制为雨污分流制，由于管道设计标准偏低，区域内在极端降雨下易发生积水与内涝。
在该实施例中所采用的基于BP神经网络的排水系统实时率定与动态预测方法，其包括以下步骤：
S1：针对待预测的目标区域，获取该区域在不同降雨事件下的雨水排水系统水力特征和降雨特征的时序变化数据，构建成排水系统的降雨-液位数据集。
需要注意的是，雨水排水系统水力特征应当尽量包含该目标区域的雨水排水系统中的多种水力学指标，本发明后续所用的关键指标是各雨水井的液位、流量。而降雨特征应当尽量包含该目标区域内降雨事件的特征指标，本发明后续所用的关键指标是总降雨量、降雨间隔时间、峰前雨量和峰值雨强。
其中，降雨-液位数据集中的时序变化数据可以是实测数据也可以是模拟数据。其中实测数据通过从历史的气象和水文数据中收集排水系统的历史液位和降雨数据实现，模拟数据可以利用计算机水力模型计算不同降雨下的液位数据进行获取。需要注意的是，为了满足后续的预测需要，这些数据均需要带有数据记录时间戳，以便于两类数据可以对应关联。
另外，为了尽可能保证模拟情况的多样性，用于构建降雨-液位数据集的降雨事件中应当包含小雨、中雨、大雨等等不同强度的降雨事件，具体的降雨强度划分可以气象部门一般采用的降雨强度标准为准。而且，每种降雨强度的降雨事件数量应当满足一定的数量标准，使得模拟得到的数据具有代表性。
本实施例中，从该市10年降雨资料的167场独立的降雨事件中，筛选出各 20场小雨、中雨、大雨降雨事件的气象数据，以及区域内雨水井液位、流量等水文数据，组成降雨-液位数据集。
对于本发明所针对的排水系统动态预测而言，其核心目的是预测某一个目标雨水井未来的液位情况，因此需要从所有的雨水排水系统水力特征和降雨特征中筛选出能够影响雨水井未来液位的影响因素，进而构建相应的数据集用于训练预测模型，其具体做法如下：
S2：从前述的降雨-液位数据集中提取目标雨水井液位数据和雨水井未来液位影响因素对应的数据构建为训练样本，本实施例中选择的雨水井未来液位影响因素包括目标雨水井当前液位、目标雨水井当前流量以及气象预报数据中目标雨水井所在位置下一预测步长对应时刻的总降雨量、降雨间隔时间、峰前雨量和峰值雨强。需要注意的是，由于液位预测是基于当前的数据去预测未来的液位编号，因此每个训练样本中目标雨水井液位数据比雨水井未来液位影响因素对应的数据超前一个预测步长，即在构建训练样本时应当组合一个时刻t的雨水井未来液位影响因素与下一时刻t+1的目标雨水井液位。
从降雨-液位数据集中成对成对提取训练样本，将所有训练样本汇总后即可作为运算数据集，并基于该运算数据集训练一个预设的BP神经网络模型，建立能根据当前时刻的雨水井未来液位影响因素预测未来排水系统中目标雨水井液位的映射模型。该BP神经网络模型包含输入层、隐藏层和输出层，输入层的节点数量与雨水井未来液位影响因素个数相等，输出层的节点数量为1个，隐藏层的具体层数和每层所含的节点数量可根据实际情况进行优化。在本实施例中，输入层的节点数量为7个，输出层的节点数为1个，隐藏层层数为8层，每层隐藏层所含的节点数量为25个，设定的学习率为0.1。
BP神经网络的具体结构和原理属于现有技术，其本质上相当于将输入层的数据与输出层的数据通过建立了非线性的映射关系。对于本发明而言，从原理上看，利用BP神经网络实际上建立了如下映射关系：
Figure BDA0003009324590000051
式中，yt表示目标雨水井液位在未来t时间后的预测值，xj表示第j个雨水井未来液位影响因素，n表示影响因素的个数，wt,j表示连接权值，wt,o代表连接阈值，f代表激活函数。
该BP神经网络模型在用于实际预测之前，需要进行模型训练。本发明中，在前述的S2中已经获得了运算数据集集，因此可利用该运算数据集对BP神经网络模型进行训练，得到雨水井液位预测的映射模型。BP神经网络模型的训练过程属于现有技术，可将数据集分为训练集和验证集，通过梯度下降算法进行模型参数优化，直至模型收敛，完成训练，具体过程不再赘述。
S3：当获得训练完毕的映射模型后，即可针对目标雨水井，实时测定每个雨水井未来液位影响因素的实测值，并将其作为该映射模型的输入，根据设定的预测步长输出目标雨水井的未来液位预测值。
目标雨水井的雨水井未来液位影响因素的实测值需要通过相应的感知设备进行获取，例如目标雨水井当前液位和目标雨水井当前流量可以在目标雨水井中安装液位计和流量计进行测定，目标雨水井所在位置下一预测步长对应时刻的总降雨量、降雨间隔时间、峰前雨量和峰值雨强则可以通过短历时高精度天气预报预测进行获取。这些实测数据均实时传输至映射模型所在的上位机中，进而输出目标雨水井的未来液位预测值，具体的预测步长可以根据实际需要进行设定。
而且在S3预测过程中，由于映射模型中的模型参数是固定的，可能会出现预测准确率下降的情况。因此需对该映射模型进行实时率定，其做法为：实现设定一个偏差范围，映射模型在预测过程中，如果映射模型预测的液位和后续实测液位出现偏差超过设定偏差范围时，则需要从新的实测数据中采样训练样本更新前述用于训练BP神经网络的运算数据集，并重新训练BP神经网络模型以在下一次预测之前更新所用的映射模型。
在本实施例中，实时率定过程中更新运算数据集的具体步骤是：
1)如果偏差超过设定偏差范围的实测数据满足抽样对于数据量的要求，则从出现偏差的实测数据中用蒙特卡洛采样法抽取n组数据，再从原始的运算数据集中用蒙特卡洛采样法抽取等量的n组数据，将两部分数据合并作为新的运算数据集。
2)如果偏差超过设定偏差范围的实测数据不满足抽样对于数据量的要求，则对出现偏差的实测数据进行复制直至达到n组数据，再从原始的运算数据集中用蒙特卡洛采样法抽取等量的n组数据，将两部分数据合并作为新的运算数据集。
组成新的运算数据集的具体数据量可根据实际需要进行设定，一般需要满足 n>104。在本实施例中n＝105。另外，用于判断是否需要更新运算数据集所采用的设定偏差范围也可以根据实际进行调整，本实施例设置为绝对偏差5cm或相对偏差5％，即映射模型预测的液位和后续实测液位出现绝对偏差超过5cm或相对偏差超过5％，则需要将这些出现偏差的实测数据更新至新的运算数据集中。
需要注意的是，在上述更新运算数据集时，新的实测数据也需要按照前述的方式构造成数据间具有时间差的训练样本。
举例而言，在本实施例的实际运行过程中，在预测第18场降雨的某目标雨水井的液位时，平均相对误差达到6.8％，大于预期的5％的阈值，因此将该场降雨该目标雨水井的实测数据不断复制到105组数据，利用马尔科夫链蒙特卡罗抽样法方法从上一次建立映射模型的数据库中抽取105组数据，将两者合并为新的运算数据集，并且依此建立更新的预测排水系统液位的映射模型。
上述S1～S3的方法流程图如图2所示，通过该方法仅通过少量的监测点即可快速、准确地得到雨水排水系统中任一雨水井的未来液位高度预测值，对城市雨水排水系统液位进行实时全局模拟，以便于提早实施应对措施。
在本实施例中，为了验证上述方法的预测效果，在目标区域的部分雨水井中加装了液位计，以便于获取其实测值。同时为了反映本发明中实时率定过程所起的作用，设置了有无实时率定过程的对照试验。以其中三个雨水井为例，其结果如图3～图5和表1所示，图中“实测值”是雨水井的液位实测结果，“预测值”是采用本发明S1～S3但不设置实时率定过程的雨水井液位预测结果，“实时率定的预测值”是采用本发明S1～S3且设置实时率定过程的雨水井液位预测结果。该结果表明该城市区域雨水井内液位的“实测值”与实时率定的预测值”基本相符，其中R2基本接近1，表明该方法的反演准确性极高，完全可以达到实际应用的水平。但假如不设置实时率定过程，从图3～图5中可以明显发现在一段时间后其预测值会逐渐偏离实测值，因此本发明中需要设置实时率定过程对模型进行实时更新。
表1映射模型的准确度指标
Figure BDA0003009324590000071
注：
MSE:均方误差(Mean Squared Error)
MAE:平均绝对误差(Mean Absolute Error)
ME:平均误差(Mean Error)
R2:可决系数(亦称确定系数)
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (8)

1.一种基于BP神经网络的排水系统实时率定与动态预测方法，其特征在于，包括以下步骤：
S1：针对待预测的目标区域，获取该区域在不同降雨事件下的雨水排水系统水力特征和降雨特征的时序变化数据，构建成排水系统的降雨-液位数据集；
S2：从所述降雨-液位数据集中提取目标雨水井液位数据和雨水井未来液位影响因素对应的数据构建为训练样本，且每个训练样本中目标雨水井液位数据比雨水井未来液位影响因素对应的数据超前一个预测步长；将所有训练样本作为运算数据集，并基于所述运算数据集训练BP神经网络模型，建立能根据当前时刻的雨水井未来液位影响因素预测未来排水系统中目标雨水井液位的映射模型；
S3：针对目标雨水井，实时测定每个雨水井未来液位影响因素的实测值，并将其作为所述映射模型的输入，根据设定的预测步长输出目标雨水井的未来液位预测值；
而且在S3预测过程中需对所述映射模型进行实时率定，如果映射模型预测的液位和后续实测液位出现偏差超过设定偏差范围时，则需要从新的实测数据中采样训练样本更新所述运算数据集，并重新训练BP神经网络模型以在下一次预测之前更新所述映射模型。
2.如权利要求1所述的基于BP神经网络的排水系统实时率定与动态预测方法，其特征在于，步骤S1中，所述降雨-液位数据集通过收集排水系统的历史液位和降雨数据，或是利用计算机水力模型计算不同降雨下的液位数据进行获取。
3.如权利要求1所述的基于BP神经网络的排水系统实时率定与动态预测方法，其特征在于，步骤S1中，所述降雨-液位数据集所包含的降雨事件应至少包括小雨、中雨、大雨在内的不同降雨强度。
4.如权利要求1所述的基于BP神经网络的排水系统实时率定与动态预测方法，其特征在于，步骤S2中，所述雨水井未来液位影响因素包括目标雨水井当前液位、目标雨水井当前流量以及气象预报数据中目标雨水井所在位置下一预测步长对应时刻的总降雨量、降雨间隔时间、峰前雨量和峰值雨强。
5.如权利要求1所述的基于BP神经网络的排水系统实时率定与动态预测方法，其特征在于，步骤S2中，所述的BP神经网络模型包含输入层、隐藏层和输出层，输入层的节点数量与雨水井未来液位影响因素个数相等，输出层的节点数量为1个。
6.如权利要求1所述的基于BP神经网络的排水系统实时率定与动态预测方法，其特征在于，所述实时率定中，更新运算数据集的具体步骤是：
如果所述偏差超过设定偏差范围的实测数据满足抽样对于数据量的要求，则从出现偏差的实测数据中用蒙特卡洛采样法抽取n组数据，再从原始的运算数据集中用蒙特卡洛采样法抽取等量的n组数据，将两部分数据合并作为新的运算数据集；
如果所述偏差超过设定偏差范围的实测数据不满足抽样对于数据量的要求，则对出现偏差的实测数据进行复制直至达到n组数据，再从原始的运算数据集中用蒙特卡洛采样法抽取等量的n组数据，将两部分数据合并作为新的运算数据集。
7.如权利要求6所述的基于BP神经网络的排水系统实时率定与动态预测方法，其特征在于，所述的n>104。
8.如权利要求1所述的基于BP神经网络的排水系统实时率定与动态预测方法，其特征在于，所述的设定偏差范围为绝对偏差5cm或相对偏差5％。
CN202110371034.1A 2021-04-07 2021-04-07 一种基于bp神经网络的排水系统实时率定与动态预测方法 Active CN113221439B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110371034.1A CN113221439B (zh) 2021-04-07 2021-04-07 一种基于bp神经网络的排水系统实时率定与动态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110371034.1A CN113221439B (zh) 2021-04-07 2021-04-07 一种基于bp神经网络的排水系统实时率定与动态预测方法

Publications (2)

Publication Number Publication Date
CN113221439A true CN113221439A (zh) 2021-08-06
CN113221439B CN113221439B (zh) 2022-11-25

Family

ID=77086585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110371034.1A Active CN113221439B (zh) 2021-04-07 2021-04-07 一种基于bp神经网络的排水系统实时率定与动态预测方法

Country Status (1)

Country Link
CN (1) CN113221439B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114548601A (zh) * 2022-03-16 2022-05-27 国网河南省电力公司电力科学研究院 基于bp神经网络的配电网极端灾害下停电预测方法及系统
CN114841476A (zh) * 2022-07-04 2022-08-02 水利部交通运输部国家能源局南京水利科学研究院 城市雨水资源利用时空动态调配与交易方法及系统
CN114897272A (zh) * 2022-06-14 2022-08-12 阿里云计算有限公司 污水检查井的液位预测方法、装置、电子设备及存储介质
CN116700039A (zh) * 2023-08-04 2023-09-05 山东科能电气设备有限公司 一种城市应急排水系统的控制方法、系统、设备及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5402521A (en) * 1990-02-28 1995-03-28 Chiyoda Corporation Method for recognition of abnormal conditions using neural networks
US20070213956A1 (en) * 2006-03-10 2007-09-13 Edsa Micro Corporation Systems and methods for real-time protective device evaluation in an electrical power distribution system
CN109086978A (zh) * 2018-07-13 2018-12-25 浙江大学 一种雨水排水系统内涝风险评估方法
CN109508818A (zh) * 2018-10-23 2019-03-22 保定正德电力技术有限公司 一种基于LSSVM的在线NOx预测方法
CN109978235A (zh) * 2019-03-04 2019-07-05 宁波市气象服务中心 一种基于样本学习的积涝水位预测方法
CN110991046A (zh) * 2019-12-04 2020-04-10 浙江大学 一种基于响应面函数的排水系统内涝风险快速预警方法
CN111833202A (zh) * 2020-07-14 2020-10-27 中国水利水电科学研究院 考虑作物系数动态变化与降雨的农田蒸散量短期预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5402521A (en) * 1990-02-28 1995-03-28 Chiyoda Corporation Method for recognition of abnormal conditions using neural networks
US20070213956A1 (en) * 2006-03-10 2007-09-13 Edsa Micro Corporation Systems and methods for real-time protective device evaluation in an electrical power distribution system
CN109086978A (zh) * 2018-07-13 2018-12-25 浙江大学 一种雨水排水系统内涝风险评估方法
CN109508818A (zh) * 2018-10-23 2019-03-22 保定正德电力技术有限公司 一种基于LSSVM的在线NOx预测方法
CN109978235A (zh) * 2019-03-04 2019-07-05 宁波市气象服务中心 一种基于样本学习的积涝水位预测方法
CN110991046A (zh) * 2019-12-04 2020-04-10 浙江大学 一种基于响应面函数的排水系统内涝风险快速预警方法
CN111833202A (zh) * 2020-07-14 2020-10-27 中国水利水电科学研究院 考虑作物系数动态变化与降雨的农田蒸散量短期预测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114548601A (zh) * 2022-03-16 2022-05-27 国网河南省电力公司电力科学研究院 基于bp神经网络的配电网极端灾害下停电预测方法及系统
CN114897272A (zh) * 2022-06-14 2022-08-12 阿里云计算有限公司 污水检查井的液位预测方法、装置、电子设备及存储介质
WO2023241461A1 (zh) * 2022-06-14 2023-12-21 阿里云计算有限公司 污水检查井的液位预测方法、装置、电子设备及存储介质
CN114841476A (zh) * 2022-07-04 2022-08-02 水利部交通运输部国家能源局南京水利科学研究院 城市雨水资源利用时空动态调配与交易方法及系统
CN116700039A (zh) * 2023-08-04 2023-09-05 山东科能电气设备有限公司 一种城市应急排水系统的控制方法、系统、设备及介质

Also Published As

Publication number Publication date
CN113221439B (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN113221439B (zh) 一种基于bp神经网络的排水系统实时率定与动态预测方法
CN111222698B (zh) 面向物联网的基于长短时记忆网络的积水水位预测方法
JP4807565B2 (ja) 流量予測装置
JP6207889B2 (ja) 浸水予測システム、浸水予測方法およびプログラム
KR102073768B1 (ko) 포털 기반 가뭄정보 제공 시스템
CN110633865A (zh) 一种基于排涝模型的城市积水预测与安全预警系统
CN110929359B (zh) 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法
CN110646867A (zh) 一种城市排水监测预警方法和系统
CN113222296A (zh) 一种基于数字孪生的防洪调度方法
CN112528563B (zh) 一种基于svm算法的城市内涝预警方法
CN114741987B (zh) 考虑洪水预报模型绝对误差拟合残差分布的洪水概率预报模型
Wu et al. Real-time correction of water stage forecast during rainstorm events using combination of forecast errors
CN114548680B (zh) 城市暴雨洪水管理模型参数自动率定方法及系统
CN113221440B (zh) 一种排水系统监测点优化布置与实时全局反演方法
CN115188163A (zh) 一种基于暴雨与洪水相似性的洪水预警方法及系统
CN112287299A (zh) 河流健康变化定量归因方法、装置及系统
CN113792367B (zh) 基于PySWMM的排水系统多来源入流入渗和出渗量动态估算方法
JP4399122B2 (ja) 雨水流入予測装置
CN116776779A (zh) 排水管网的淤积检测方法及计算机可读存储介质
CN208654841U (zh) 一种水质预警预报系统
JPH11194803A (ja) ダム出水量予測モデル構築方法及びダム出水量予測方法
CN114925629A (zh) 一种用于城市管道年淤积量估算的模型方法
KR20040054906A (ko) 하수관거 관리 시스템 및 그 방법
JP4326408B2 (ja) 下水流入量予測装置
CN118674281B (zh) 径流变化条件下水库群防洪风险时空演化识别方法及系统

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