本發(fā)明涉及應(yīng)急通信技術(shù)領(lǐng)域，特別是涉及一種基于?；肥鹿蕯U(kuò)散模型的短期風(fēng)速計(jì)算方法。

背景技術(shù)：

隨著工業(yè)技術(shù)的迅速發(fā)展，?；?危險(xiǎn)化學(xué)品)的使用不斷增多，而?；返纳a(chǎn)、運(yùn)輸、存儲和使用中的各個(gè)環(huán)節(jié)中，極易發(fā)生危害氣體的泄漏事故。有些危化品氣體極具毒性和擴(kuò)散性，一旦此類事故發(fā)生，將對周圍區(qū)域的生態(tài)環(huán)境、人身安全等造成嚴(yán)重的影響，產(chǎn)生重大的經(jīng)濟(jì)損失，不利于生態(tài)環(huán)境和生命安全的保護(hù)，以及工業(yè)順利生產(chǎn)的連續(xù)性。在有毒?；窔怏w的泄露現(xiàn)場，基于高精度估計(jì)的短期風(fēng)速來控制氣體擴(kuò)散可以對現(xiàn)場事故進(jìn)行有效處理、應(yīng)急救援和高效的人群疏散，降低事故中人員傷亡以及經(jīng)濟(jì)損失具有重要的意義。風(fēng)速是決定氣體泄漏趨勢的主要因素之一，也會影響傳感器對氣體泄漏的有效性監(jiān)測。短期風(fēng)速預(yù)測對化工園區(qū)的危化品泄漏事故的影響程度、影響范圍的精確估計(jì)起到了關(guān)鍵作用。短期風(fēng)速具有很大的波動性和間歇性，風(fēng)速的變化將直接影響危險(xiǎn)氣體的擴(kuò)散速度和擴(kuò)散范圍，同時(shí)對氣體泄漏事故的有效監(jiān)測具有重要影響，是主要的現(xiàn)場敏感參數(shù)。因此，對短期風(fēng)速預(yù)測對直接影響氣體擴(kuò)散控制的精度，具有重要的研究和應(yīng)用價(jià)值。短期風(fēng)速預(yù)測控制方法按照模型的類別分為：物理式模型、線性統(tǒng)計(jì)式的線性模型。

物理式模型：該模型中的典型代表是數(shù)值天氣預(yù)報(bào)(Numerical Weather Prediction,NWP)，其結(jié)合熱力學(xué)、流體力學(xué)的知識，根據(jù)實(shí)際的大氣狀況，用揭示物理學(xué)規(guī)律公式—流體力學(xué)和熱力學(xué)方程組的數(shù)值計(jì)算方式獲得風(fēng)速等氣象參數(shù)數(shù)據(jù)，求解的流體力學(xué)和熱力學(xué)的方程式較為復(fù)雜，同時(shí)需要用到多種復(fù)雜的觀測手段來獲取需要的氣象資料參與計(jì)算，如雷達(dá)觀測、常規(guī)觀測以及衛(wèi)星觀測等。

線性統(tǒng)計(jì)式線性模型：統(tǒng)計(jì)式模型以傳統(tǒng)的數(shù)理統(tǒng)計(jì)為理論背景，應(yīng)用預(yù)測對象的歷史真實(shí)數(shù)據(jù)資料，結(jié)合預(yù)測對象自身的規(guī)律性原理、連續(xù)性原理，如周期性、持續(xù)性等特征，通過研究分析做出對未來發(fā)展趨勢的預(yù)測。該類對象的發(fā)展往往符合線性規(guī)律或是分段線性的規(guī)律，這種模型對于規(guī)律性、周期性等特性比較明顯的對象具有較好的預(yù)測效果，而對于規(guī)律性呈現(xiàn)的不是很明顯、或是波動性較大的時(shí)候預(yù)測效果則不是很理想，預(yù)測方式稍微偏簡單、在早期較為實(shí)用。隨著數(shù)理統(tǒng)計(jì)知識、技術(shù)的發(fā)展，統(tǒng)計(jì)式模型中技術(shù)較多，主要常用的線性預(yù)測技術(shù)大致有以下幾種：持續(xù)時(shí)間法、回歸法、時(shí)間序列法、模糊邏輯法、卡爾曼濾波法、灰色預(yù)測法等。但是由于短時(shí)的風(fēng)速具有波動性，變化規(guī)律難以把握，一般的線性預(yù)測手段難以做到精確的逼近。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明針對短期風(fēng)速具有波動性、變化規(guī)律難以把握，一般的線性預(yù)測手段難以做到精確的逼近的缺陷問題，利用人工蜂群算法結(jié)合BP神經(jīng)網(wǎng)絡(luò)，采用人工蜂群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)中的權(quán)值和閾值，提出基于?；肥鹿蕯U(kuò)散模型的短期風(fēng)速計(jì)算方法，通過提高短期風(fēng)速序列的預(yù)測精度，使得在化工園區(qū)中發(fā)生氣體泄漏時(shí)能夠迅速高效地對化工園區(qū)的危化品泄漏事故的影響程度、影響范圍進(jìn)行精確估計(jì)。

本發(fā)明所要求解決的技術(shù)問題可以通過以下技術(shù)方案來實(shí)現(xiàn)：

一種基于危化品事故擴(kuò)散模型的短期風(fēng)速計(jì)算方法，包括以下步驟，

S1、利用人工蜂群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值；

S1.1、初始化人工蜂群(ABC)算法中的食物源，設(shè)共有F個(gè)食物源，每個(gè)食物源代表一個(gè)可行解，食物源的參數(shù)就是需要優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，每個(gè)食物源的形式為：

W₁₁₁W₁₁₂…W_11n…W_1m1W_1m2…W_1mn、b₁₁₁b₁₁₂…b_11s…b_1n1b_1n2…b_1ns、W₂₁…W_2n、b₂₁b₂₂…b_2s，隨機(jī)初始化每個(gè)食物源，

其中，W₁₁₁W₁₁₂…W_11n…W_1m1W_1m2…W_1mn是輸入層與隱含層之間的連接權(quán)值，W₂₁…W_2n是隱含層與輸出層之間的連接權(quán)值，b₂₁b₂₂…b_2s是輸出層閾值，b₁₁₁b₁₁₂…b_11s…b_1n1b_1n2…b_1ns是隱含層閾值；

S1.2、將每個(gè)食物源代入公式(1)中進(jìn)行計(jì)算，

其中，o_k是輸出節(jié)點(diǎn)在訓(xùn)練樣本作用下的輸出，y_k是在訓(xùn)練樣本作用下的目標(biāo)值，n是輸出變量的維數(shù)，N為訓(xùn)練樣本數(shù)量；

將計(jì)算結(jié)果代入公式(2)中，計(jì)算適應(yīng)度值，

S1.3、根據(jù)公式(3)進(jìn)行交叉變異，

V_ij＝x_ij+φ_ij(x_ij-x_kj) 公式(3)

其中，V_ij是交叉變異后的解，x_ij是第i個(gè)食物源的第j個(gè)參數(shù)，x_kj是與i不同鄰居食物源的第j個(gè)參數(shù)，φ_ij是范圍為[-1,1]之間的隨機(jī)數(shù)，得到V_ij后根據(jù)公式(2)計(jì)算適應(yīng)度值，如果適應(yīng)度值優(yōu)于之前的適應(yīng)度值，則參數(shù)變?yōu)榻徊孀儺惡蟮膮?shù)；

S1.4、根據(jù)公式(4)進(jìn)行概率計(jì)算，

計(jì)算概率并且與[0,1]范圍內(nèi)的隨機(jī)數(shù)比較，如果概率小于隨機(jī)數(shù)，則根據(jù)公式(3)繼續(xù)進(jìn)行交叉變異；

S1.5、在一定的交叉變異次數(shù)內(nèi)可行解仍然無法收斂，則丟棄該可行解，重新產(chǎn)生一個(gè)解，繼續(xù)進(jìn)行迭代；

S2、采集風(fēng)速數(shù)據(jù)，

風(fēng)速樣本數(shù)據(jù)通過移動安全應(yīng)急平臺采集，數(shù)據(jù)采集時(shí)，把移動應(yīng)急平臺?？坎杉瘏^(qū)域中風(fēng)向合適的位置，啟動平臺，通過控制室內(nèi)的控制按鈕升起平臺車輛頂部的氣象站，保持平穩(wěn)直立，通過把氣象站專用數(shù)據(jù)傳輸線的數(shù)據(jù)針通過串口器，再通過網(wǎng)線鏈接到PC機(jī)上，在PC機(jī)上安裝串口調(diào)試工具，設(shè)置好server和client端的ip地址，實(shí)現(xiàn)把氣象站采集到的風(fēng)速數(shù)據(jù)傳輸、存儲到PC上,其中需要的風(fēng)速數(shù)據(jù)位于文件當(dāng)中$WIMDA傳輸語句當(dāng)中；

S3、利用ABC-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行短期風(fēng)速預(yù)測，

BP神經(jīng)網(wǎng)絡(luò)獲得ABC算法優(yōu)化后的權(quán)值和閾值之后，進(jìn)行二次優(yōu)化訓(xùn)練，網(wǎng)絡(luò)隱含層和輸出層神經(jīng)元節(jié)點(diǎn)的轉(zhuǎn)換函數(shù)f和g分別使用matlab神經(jīng)網(wǎng)絡(luò)工具箱中的函數(shù)，為非線性的s型函數(shù)tansig函數(shù)和線性的purelin函數(shù)。

進(jìn)一步地，所述步驟S1中人工蜂群(ABC)算法中食物源為100個(gè)，迭代次數(shù)為10000次，實(shí)驗(yàn)重復(fù)30次，優(yōu)化結(jié)果取30次實(shí)驗(yàn)的平均值。

進(jìn)一步地，所述步驟S2中移動安全應(yīng)急平臺集成氣象數(shù)據(jù)的檢測、采集、存儲和分析功能，平臺中的氣象參數(shù)的監(jiān)測、采集模塊是Airmar LB150氣象站。

進(jìn)一步地，所述Airmar LB150氣象站在風(fēng)速的監(jiān)測采集上的風(fēng)速范圍是0-40m/s，風(fēng)速的分辨率為0.1m/s，供電電壓為9-16VDC，供電電流小于150mA。

進(jìn)一步地，所述Airmar LB150氣象站把提取到的12803個(gè)時(shí)刻點(diǎn)的數(shù)據(jù)按分鐘為間隔單位進(jìn)行合并處理，處理后得到214個(gè)綜合數(shù)據(jù)，以此作為短時(shí)風(fēng)速預(yù)測的實(shí)驗(yàn)樣本數(shù)據(jù)。

進(jìn)一步地，所述步驟S3中誤差性能目標(biāo)goal值為0.005，間隔顯示次數(shù)為10，初始學(xué)習(xí)率為0.5，最大訓(xùn)練步數(shù)為5000步，訓(xùn)練函數(shù)采取基于LM算法的訓(xùn)練函數(shù)trainlm，其余參數(shù)采用默認(rèn)值。

本發(fā)明的有益效果：利用人工蜂群算法結(jié)合BP神經(jīng)網(wǎng)絡(luò)，提出人工蜂群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)中的權(quán)值和閾值，可以準(zhǔn)確地進(jìn)行風(fēng)速預(yù)測，能夠迅速高效地對化工園區(qū)的危化品泄漏事故的影響程度、影響范圍進(jìn)行精確估計(jì)；該方法與PSO-BP神經(jīng)網(wǎng)絡(luò)以及GA-BP神經(jīng)網(wǎng)絡(luò)相比，可以顯著地提高預(yù)測精度，實(shí)現(xiàn)高效預(yù)測，降低經(jīng)濟(jì)成本；提高了對短期風(fēng)速的預(yù)測精度，誤差率僅為1.82％；可以對現(xiàn)場事故的進(jìn)行有效處理，迅速展開應(yīng)急救援和高效的人群疏散，降低事故中人員傷亡以及經(jīng)濟(jì)損失。

附圖說明

下面結(jié)合附圖和具體實(shí)施方式對本發(fā)明做進(jìn)一步說明：

圖1為風(fēng)速樣本波形圖；

圖2為不同算法的預(yù)測值與實(shí)際值對比曲線圖；

圖3為不同算法的平均預(yù)測誤差率；

圖4為本發(fā)明流程圖。

具體實(shí)施方式

為了使本發(fā)明技術(shù)方案的內(nèi)容和優(yōu)勢更加清楚明了，下面結(jié)合附圖對本發(fā)明的一種基于?；肥鹿蕯U(kuò)散模型的短期風(fēng)速計(jì)算方法進(jìn)行進(jìn)一步描述。

具體實(shí)施時(shí)，結(jié)合流程圖4，一種基于?；肥鹿蕯U(kuò)散模型的短期風(fēng)速計(jì)算方法，包括以下步驟，

S1、利用人工蜂群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值；

具體優(yōu)化過程如下，

S1.1、初始化人工蜂群(ABC)算法中的食物源。設(shè)共有F個(gè)食物源，每個(gè)食物源代表一個(gè)可行解，食物源的參數(shù)就是需要優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，每個(gè)食物源的形式為：

W₁₁₁W₁₁₂…W_11n…W_1m1W_1m2…W_1mn、b₁₁₁b₁₁₂…b_11s…b_1n1b_1n2…b_1ns、W₂₁…W_2n、b₂₁b₂₂…b_2s，隨機(jī)初始化每個(gè)食物源，

其中，W₁₁₁W₁₁₂…W_11n…W_1m1W_1m2…W_1mn是輸入層與隱含層之間的連接權(quán)值，W₂₁…W_2n是隱含層與輸出層之間的連接權(quán)值，b₂₁b₂₂…b_2s是輸出層閾值，b₁₁₁b₁₁₂…b_11s…b_1n1b_1n2…b_1ns是隱含層閾值；

S1.2、將每個(gè)食物源代入公式(1)中進(jìn)行計(jì)算，

其中，o_k是輸出節(jié)點(diǎn)在訓(xùn)練樣本作用下的輸出，y_k是在訓(xùn)練樣本作用下的目標(biāo)值，n是輸出變量的維數(shù)，N為訓(xùn)練樣本數(shù)量；

將計(jì)算結(jié)果代入公式(2)中，計(jì)算適應(yīng)度值，

S1.3、根據(jù)公式(3)進(jìn)行交叉變異。

V_ij＝x_ij+φ_ij(x_ij-x_kj) 公式(3)

其中，V_ij是交叉變異后的解，x_ij是第i個(gè)食物源的第j個(gè)參數(shù)，x_kj是與i不同鄰居食物源的第j個(gè)參數(shù)，φ_ij是范圍為[-1,1]之間的隨機(jī)數(shù)，得到V_ij后根據(jù)公式(2)計(jì)算適應(yīng)度值，如果適應(yīng)度值優(yōu)于之前的適應(yīng)度值，則參數(shù)變?yōu)榻徊孀儺惡蟮膮?shù)。

S1.4、根據(jù)公式(4)進(jìn)行概率計(jì)算，

計(jì)算概率并且與[0,1]范圍內(nèi)的隨機(jī)數(shù)比較，如果概率小于隨機(jī)數(shù)，則根據(jù)公式(3)繼續(xù)進(jìn)行交叉變異。

S1.5、在一定的交叉變異次數(shù)內(nèi)可行解仍然無法收斂，則丟棄該可行解，重新產(chǎn)生一個(gè)解，繼續(xù)進(jìn)行迭代。其中，人工蜂群(ABC)算法中食物源為100個(gè)，迭代次數(shù)為10000次，實(shí)驗(yàn)重復(fù)30次，優(yōu)化結(jié)果取30次實(shí)驗(yàn)的平均值。

S2、采集風(fēng)速數(shù)據(jù)。風(fēng)速的采集過程為：

風(fēng)速樣本數(shù)據(jù)通過移動安全應(yīng)急平臺采集，該平臺集成的有氣象數(shù)據(jù)的檢測、采集、存儲和分析等功能，平臺中的氣象參數(shù)的監(jiān)測、采集模塊是Airmar LB150氣象站。該氣象站集成有多種功能，可以計(jì)算采集到虛擬的風(fēng)速、風(fēng)向，大氣壓，氣溫，相對濕度，露點(diǎn)和風(fēng)寒溫度。該氣象站在風(fēng)速的監(jiān)測采集上的風(fēng)速范圍是0-40m/s，風(fēng)速的分辨率為0.1m/s。氣象站的供電電壓為9-16VDC，供電電流小于150mA，可以根據(jù)需要自行調(diào)整比特率的大小以滿足自己的要求。

數(shù)據(jù)采集時(shí)，把移動應(yīng)急平臺?？坎杉瘏^(qū)域中風(fēng)向合適的位置，啟動平臺，通過控制室內(nèi)的控制按鈕升起平臺車輛頂部的氣象站，保持平穩(wěn)直立，通過把氣象站專用數(shù)據(jù)傳輸線的數(shù)據(jù)針通過串口器，再通過網(wǎng)線鏈接到PC機(jī)上，在PC機(jī)上安裝串口調(diào)試工具，設(shè)置好server和client端的ip地址，實(shí)現(xiàn)把氣象站采集到的風(fēng)速數(shù)據(jù)傳輸、存儲到PC上,其中需要的風(fēng)速數(shù)據(jù)位于文件當(dāng)中$WIMDA傳輸語句當(dāng)中。

由于本發(fā)明針對短時(shí)風(fēng)速數(shù)值進(jìn)行預(yù)測，加之移動應(yīng)急平臺設(shè)備的數(shù)據(jù)采集的最低頻率較高，采集到的風(fēng)速數(shù)據(jù)相鄰時(shí)刻點(diǎn)區(qū)分度很小，數(shù)據(jù)值出現(xiàn)連續(xù)多個(gè)沒有變化或是變化太小的情況比較常見，結(jié)合風(fēng)速預(yù)測問題中短時(shí)風(fēng)速預(yù)測和超短時(shí)風(fēng)速預(yù)測中指導(dǎo)性準(zhǔn)則，把提取到的12803個(gè)時(shí)刻點(diǎn)的數(shù)據(jù)按分鐘為間隔單位進(jìn)行合并處理，處理后得到214個(gè)綜合數(shù)據(jù)，以此作為短時(shí)風(fēng)速預(yù)測的實(shí)驗(yàn)樣本數(shù)據(jù)。最終獲得的風(fēng)速樣本數(shù)據(jù)的波形如圖1所示。

S3、利用ABC-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行短期風(fēng)速預(yù)測。短期風(fēng)速預(yù)測的具體過程為：

BP神經(jīng)網(wǎng)絡(luò)獲得ABC算法優(yōu)化后的權(quán)值和閾值之后，進(jìn)行二次優(yōu)化訓(xùn)練，網(wǎng)絡(luò)隱含層和輸出層神經(jīng)元節(jié)點(diǎn)的轉(zhuǎn)換函數(shù)f和g分別使用matlab神經(jīng)網(wǎng)絡(luò)工具箱中的函數(shù)，為非線性的s型函數(shù)tansig函數(shù)和線性的purelin函數(shù)，誤差性能目標(biāo)goal值為0.005，間隔顯示次數(shù)為10，初始學(xué)習(xí)率為0.5，最大訓(xùn)練步數(shù)為5000步，訓(xùn)練函數(shù)采取基于LM算法的訓(xùn)練函數(shù)trainlm，其余參數(shù)采用默認(rèn)值。

為了比較不同算法的預(yù)測精度，本發(fā)明提出的算法與PSO-BP神經(jīng)網(wǎng)絡(luò)和GA-PSO算法的預(yù)測結(jié)果進(jìn)行了比較，如圖2所示，曲線①表示實(shí)際測量的風(fēng)速值，曲線②表示PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果，曲線③表示GA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果，曲線④表示ABC算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果，可以看出，本發(fā)明的預(yù)測結(jié)果更接近實(shí)際測量值，所以該方法可以有效地應(yīng)用于短期風(fēng)速預(yù)測中。圖3給出了不同算法中的平均預(yù)測誤差，ABC-BP算法對風(fēng)速預(yù)測的平均誤差率是最小的，為1.82％，顯著地提高了預(yù)測精確度。

本發(fā)明利用人工蜂群算法優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，提高了對短期風(fēng)速的預(yù)測精度，誤差率僅為1.82％；可以對現(xiàn)場事故的進(jìn)行有效處理，迅速展開應(yīng)急救援和高效的人群疏散，降低事故中人員傷亡以及經(jīng)濟(jì)損失。

以上顯示和描述了本發(fā)明的基本原理、主要特征和本發(fā)明的優(yōu)點(diǎn)。本行業(yè)的技術(shù)人員應(yīng)該了解，本發(fā)明不受上述實(shí)施例的限制，上述實(shí)施例和說明書中描述的只是說明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下本發(fā)明還會有各種變化和改進(jìn)，這些變化和改進(jìn)都落入要求保護(hù)的本發(fā)明范圍內(nèi)。本發(fā)明要求保護(hù)范圍由所附的權(quán)利要求書及其等同物界定。