專利名稱：城市排水匯流管網(wǎng)污水泵站流量的軟測量方法
城市排水匯流管網(wǎng)污水泵站流量的軟測量方法技術領域
本發(fā)明屬于軟測量領域，具體涉及一種排水管網(wǎng)污水流量的軟測量方法。
技術背景
隨著城市的飛速發(fā)展，城市排水已成為制約城市快速發(fā)展的瓶頸之一。然而目前 已有的城市排水管網(wǎng)系統(tǒng)中，流經(jīng)各個管網(wǎng)和泵站的污水流量和水位只能靠人工經(jīng)驗估 計，由于管網(wǎng)系統(tǒng)缺乏詳細的實測流量數(shù)據(jù)，系統(tǒng)由此無法預測洪水的產(chǎn)生、管道溢出，更 無法通過調度泵站機組的開啟來達到泵站節(jié)能的目的。
采用硬件檢測裝置(包括機械式、渦輪式、超聲波式，電磁式)測量流量需要改造 排水管道，這一過程投入成本高、收效有限。專利00134362. 9“測量地表薄層徑流流速的方 法”利用電解質作為示蹤劑，測得投放點和檢測點時間間隔后計算流速的方法。然而該方法 無法應用在污水流中，且無法實時在線測量。專利201010140199. X “基于神經(jīng)網(wǎng)絡的污水 泵站水位預測方法”雖提供了一種污水泵站水量和水位的軟測量方法，但該方法只適用于 簡單的上下游串聯(lián)泵站情況，無法預測匯流情況下泵站流量與水位。管網(wǎng)匯流節(jié)點受多個 上游泵站的影響，污水流量具有不確定、非線性和滯后性，同時排水管網(wǎng)系統(tǒng)存在的大量不 確定因素，如降雨分布、生活污水排放、管道淤堵、滲漏等，都將增加預測復雜性。發(fā)明內(nèi)容
本發(fā)明目的是提供一種能夠節(jié)約硬件資源的軟測量方法，實現(xiàn)對復雜匯流管網(wǎng)污 水流量的在線監(jiān)測。
本發(fā)明首先利用機理分析和先驗信息，分析匯流節(jié)點泵站流量的主要影響因素， 初步確定BP神經(jīng)網(wǎng)絡的影響因素，即確定輸入輸出變量。然后利用灰色關聯(lián)分析方法確定 不同上游泵站排水流量滯后時間。在泵站歷史運行數(shù)據(jù)基礎上建立灰色神經(jīng)網(wǎng)絡模型，預 測匯流節(jié)點泵站流量。具體步驟如下
步驟(1)選擇匯流管網(wǎng)模型輸入輸出變量。
基于機理分析可知匯流泵站進水量主要來源于各上游泵站排出量和本地入流量 (旁側流、降雨等)，上游泵站提升的污水量須經(jīng)過管網(wǎng)流入到下游泵站，具有一定的滯后 性，而本地入流具有不確定性。根據(jù)污水入流量等于前池液位變化乘以前池截面積，雖然本 地入流無法由計算得到，但是前池液位值變化可間接反映本地流值。因此選擇匯流泵站前 池水位為神經(jīng)網(wǎng)絡模型的輸出變量，選擇影響匯流泵站前池水位主要因素為神經(jīng)網(wǎng)絡模型 輸入變量①上游各泵站排水量；②匯流泵站前池液位變化量；③匯流泵站排水量。
為簡化模型，可分析上游泵站排水量與匯流泵站進水量的比值，舍去比值小于 10%的輸入量。
步驟⑵數(shù)據(jù)預處理。
數(shù)據(jù)采集與監(jiān)控系統(tǒng)(SCADA)采集的原始數(shù)據(jù)可能存在噪聲、數(shù)據(jù)不完整甚至是 不一致，在利用這些數(shù)據(jù)進行分析建模前，需要對數(shù)據(jù)進行預處理。主要包括
(a)遺漏數(shù)據(jù)處理SCADA采集的是時間序列數(shù)據(jù)，每隔20秒采樣1次。針對可能 存在的遺漏項，首先粗選，每分鐘選1個數(shù)據(jù)；再利用忽略元組或歷史數(shù)據(jù)補全方法處理遺 漏數(shù)據(jù)。
(b)噪聲數(shù)據(jù)處理對于開關泵時水面波動造成的液位測量誤差，通過取三個測 量值得到的平均值以減小誤差；對于個別奇異點采用前后數(shù)據(jù)平滑校正；對于明顯的偏大 偏小的數(shù)據(jù)，采用直接去除毛刺的方法進行校正。
步驟( 確定各上游泵站排水遲延時間
各個上游泵站排放污水由各支管先后匯入干管再流至匯流節(jié)點泵站，由于支管長 度、截面、坡度和水量不同，每個支流到達匯流泵站的時間也不一定相同。根據(jù)污水傳播規(guī) 律，同一位相的流量在下一斷面出現(xiàn)的時間總是遲于在上斷面出現(xiàn)的時間，這個時間差就 是流量的遲延時間。對于匯流節(jié)點泵站，需計算其偏相關性。
采用灰色速率關聯(lián)來計算泵站排水遲延時間，由灰色理論中灰色關聯(lián)度的概念， 同一流量過程在上游和下游的關聯(lián)程度應該比較大。選擇下游流量時間序列(逐日平均流 量序列)為參考時間序列，上游對應時間、對應時間的向前1個時段、對應時間的向前2個 時段、對應時間的向前3個時段…流量時間序列為比較時間序列。對應比較時間序列和參 考時間序關聯(lián)度最大的值對應的向前時段數(shù)就是泵站排水遲延時間。
假設參考時間序列為Ytl= [Y0(I), Y0(2), Y0(η)]；比較時間序列為=Xi = [Xi(I), Xi (2),…，Xi(II)] i = 1，2，…，N，N表示比較時間序列的個數(shù)。
第i個比較時間序列與參考時間序列之間關聯(lián)函數(shù)的表達式為
權利要求
1.城市排水匯流管網(wǎng)污水泵站流量的軟測量方法，其特征在于該方法包括如下步驟步驟(1)確定匯流管網(wǎng)模型輸入變量和輸出變量；輸入變量包括上游各泵站排水量、匯流泵站前池液位變化量和匯流泵站排水量；輸出變量為匯流泵站前池水位；步驟( 對數(shù)據(jù)采集與監(jiān)控系統(tǒng)采集的原始數(shù)據(jù)進行預處理；所述的原始數(shù)據(jù)包括遺 漏數(shù)據(jù)和噪聲數(shù)據(jù)；遺漏數(shù)據(jù)的預處理方法是首先粗選，每分鐘選1個數(shù)據(jù)；再利用忽略元組或歷史數(shù)據(jù) 補全方法處理遺漏數(shù)據(jù)；噪聲數(shù)據(jù)的預處理方法是對于開關泵時水面波動造成的液位測量誤差，通過取三個 測量值得到的平均值以減小誤差；對于個別奇異點采用前后數(shù)據(jù)平滑校正；對于明顯的偏 大或偏小的數(shù)據(jù)，采用直接去除毛刺的方法進行校正；步驟( 運用灰色關聯(lián)計算各上游泵站排水遲延時間，具體方法是a、收集匯流節(jié)點泵站污水進水量以及各個上游泵站的污水提升量數(shù)據(jù)；b、建立參考時間序列和比較時間序列，選擇匯流節(jié)點泵站進水量時間序列為參考時間 序列Y0，Y0= [Y0(I), Y0(2), -,Y0(η)]；各個上游泵站對應時間、對應時間的前一時段、對 應時間的前兩個時段…對應時間的前η個時段的污水提升量時間序列為比較時間序列\(zhòng)， Xi = [Xi (I)5Xi (2), ...Ji(Ii)],其中i = 1，2，…，N，N表示比較時間序列的個數(shù)；C、分別計算參考時間序列和各比較時間序列之間的灰色關聯(lián)系數(shù)；d、分別計算參考時間序列和各比較時間序列之間的灰色速率關聯(lián)度；e、確定各上游泵站排水遲延時間，具體是比較步驟d中得到的各個灰色速率關聯(lián)度的 值，確定灰色速率關聯(lián)度最大的值對應的向前時段數(shù)為上游泵站排水遲延時間；步驟(4)對輸入變量進行歸一化處理，轉化為W，l]區(qū)間范圍的值無，i=，其中Xmax為輸入數(shù)據(jù)中的最大值，Xfflin為輸入數(shù)據(jù)中的最小值，X為輸入工max 1^min數(shù)據(jù)，i為輸入數(shù)據(jù)歸一化處理后的值；步驟(5)搭建BP神經(jīng)網(wǎng)絡框架；調用Matlab7. 1神經(jīng)網(wǎng)絡工具箱中的newff函數(shù)建立BP神經(jīng)網(wǎng)絡，Net = newff (PR, [Sl，s2,…，Si]，(TF1, TF2,…，TFJ，BTF，BLF，PF) ；Net 為 BP 神經(jīng)網(wǎng)絡框架，PR 為輸入矩 陣中由最大元素和最小元素決定的取值范圍，Si為第i層神經(jīng)元的個數(shù)，TFi為第i層的傳 遞函數(shù)，1彡i彡NpN1為神經(jīng)網(wǎng)絡總層數(shù)，BTF為BP神經(jīng)網(wǎng)絡的訓練函數(shù)，BLF為控制權值 和閾值的參數(shù)，PF為網(wǎng)絡性能函數(shù)；步驟(6)訓練BP神經(jīng)網(wǎng)絡，具體方法是i、初始化BP神經(jīng)網(wǎng)絡，利用隨機函數(shù)產(chǎn)生的值賦值給權值和偏置值，然后調用init函 數(shù)來初始化整個神經(jīng)網(wǎng)絡；ii、設置網(wǎng)絡訓練次數(shù)和訓練目標誤差，顯示訓練步數(shù)；iii、設置訓練數(shù)據(jù)為輸入矩陣P，設置目標值為矩陣T，調用Matlab7.1神經(jīng)網(wǎng)絡工具 箱中的train函數(shù)對BP神經(jīng)網(wǎng)絡Net進行數(shù)據(jù)訓練直至收斂，Net = train (Net, P，Τ)，其 中P為訓練值，T為目標值；步驟(7)測試BP神經(jīng)網(wǎng)絡；對訓練好的BP神經(jīng)網(wǎng)絡進行測試，將歷史數(shù)據(jù)組成泵站前池水位預測網(wǎng)絡測試矩陣 P_test，直接調用Matlab7. 1神經(jīng)網(wǎng)絡工具箱中的sim函數(shù)，D = sim(Net，P_test)，對測試 輸入進行仿真，其中D為目標函數(shù)，Net為訓練好的BP神經(jīng)網(wǎng)絡，D為目標值，P_test為測 試樣本；步驟(8)數(shù)據(jù)反歸一化處理；對測試所得的污水泵站前池水位數(shù)據(jù)按照公式
全文摘要
本發(fā)明公開了一種城市排水匯流管網(wǎng)污水泵站流量的軟測量方法?，F(xiàn)有的排水管網(wǎng)系統(tǒng)存在的大量不確定因素，測量硬件成本高。本發(fā)明首先利用機理分析和先驗信息，分析匯流節(jié)點泵站流量的主要影響因素，初步確定BP神經(jīng)網(wǎng)絡的影響因素，即確定輸入輸出變量。然后利用灰色關聯(lián)分析方法確定不同上游泵站排水流量滯后時間。在泵站歷史運行數(shù)據(jù)基礎上建立灰色神經(jīng)網(wǎng)絡模型，預測匯流節(jié)點泵站流量。本發(fā)明方法通過灰色關聯(lián)分析和神經(jīng)網(wǎng)絡兩種方法結合，既解決不同上游泵站排水時延差異問題，又較好模擬管網(wǎng)排水非線性過程，實現(xiàn)匯流節(jié)點污水泵站流量軟測量，節(jié)約硬件資源，成本低、精度高。
文檔編號G01F1/74GK102032935SQ201010590749
公開日2011年4月27日 申請日期2010年12月7日 優(yōu)先權日2010年12月7日
發(fā)明者何必仕, 左燕, 徐哲, 薛安克 申請人:杭州電子科技大學