北票市城市自来水厂供水量预测分析

张君君

(北票市自来水有限公司，辽宁 朝阳 122100)

1 预测方法

1.1 数据信息采集

本文以北票市城市自来水厂为例，供水量预测所需的气候条件、水源信息、水质参数等数据来源于水厂生产报表和设备在线监测资料等，水文信息由相关水文网下载提供。

1.2 数据预处理

BP网络输入参数包括雨水情、气温等气候条件，细菌总数、总硬度、CODMn、浊度、氯化物等水质参数，水源水文信息，网络输出为水厂供水量预测值，采用BP网络模型预测2020年12月—2021年7月的水厂供水量。为增强模型预测结果的一致性、收敛性和准确性，降低模型训练和预测受各参数单位量纲差异的影响，采用归一化公式统一处理所有训练样本数据，处理后的样本数据处于0～1范围，具体如式(1)：

(1)

1.3 BP网络模型

BP网络模型是一种具有运算效率高、自学习能力强、适用范围广等特点的反向前馈性多层次评价方法，从上到下网络系统分别为输入层、隐含层和输出层如图1，对于预测城市自来水厂供水量具有较强适用性[1-2]。

图1 BP网络结构

相邻层级之间利用全连接的方式连接，通过调整权值可以控制相互之间的连接程度，而权值主要利用学习过程来控制，同一层级内的神经元之间不存在相互连接关系。网络模型的计算模块有误差计算、函数传递、输入输出、自适应学习等，通过输入层可以实现系统信息的输入，经一系列运算最终输出符合预期误差要求的预测结果[3]。其中，讯号从隐含层传递到输出节点的运算公式选用非线性Sigmoid激活函数，其表达式(2)为：

f(x)=1/(1+e-x)

(2)

式中：x为标准化处理后的值。

一般采用非线性、强容错性的训练样本，通过多次学习反映预测对象的复杂关系，其中训练样本有输入向量X、实际输出Y、期望输出Y*等内容，并利用下降梯度法确定输入向量的权重值。为了使Y与Y*之间的误差达到最小必须进行多次学习，直至误差达到预期精度则停止训练[4-6]。依据误差计算模块可以确定Y与Y*之间的误差关系，利用下式(3)表达两者的均方误差：

(3)

因此，采用训练好的网络结构自动计算相似样本，可以保证输出结果达到预期精度，并以此作为最终的预测结果。具体而言，就是以雨水情、气温、细菌总数、总硬度、CODMn、浊度、氯化物、水源水文信息等初始数据作为输入向量，以水厂供水量预测结果作为网络输出值，设定网络结构并训练学习样本，经多次反复学习达到预期精度后停止运算，然后利用该训练好的网络结构进行水厂供水量预测。

2 结果分析

2.1 预测模型

本文利用Matlab软件创建BP网络结构(如确定隐含层数、神经元数和网络训练函数等)，网络层数越多则计算次数越多，运算时间越长，相应的网络结构也就越复杂。考虑到供水量预测输入的参数较少，为保证实际值与输出结果的一致性，对水厂日供水量利用3层级网络进行预测。样本数据来源于2020年12月—2021年7月水厂生产报表和设备在线监测资料，总样本数共210组，从中随机选取20%用于检验样本，其他80%为训练样本，设定最小均方差0.0001，最大训练次数1000次，学习速率0.1。采用tansig、Purelin函数作为隐含层和输出层神经元运算法则，利用L-M算法作为训练函数，从而组成18-7-1网络结构。经400次 仿真训练，该网络结构的计算精度就达到0.0001，绝对百分比平均误差(MEAP)<5%满足水厂供水量预测精度要求。

通过线性拟合建立回归方程，即Output=0.98Target+0.0035，相关系数R2=0.9876。对于2020年12月—2021年7月水厂供水量，BP网络模型预测结果未出现异常情况，变化波动较小，表明预测结果受气候条件、水质参数和水源水文信息的影响较低，而部分时段内水厂实际供水量出现一定波动，这可能与当地政策变化、仪表数据采集等因素有关。该时段内，水厂的实际供水量218×103t/d，BP网络模型预测值212×103t/d。因此，水厂供水量实际值与预测值基本相同，即使个别数据的离散度较高，但平均误差总体符合<5%的要求，对水厂供水量调度和产水预测等该BP网络模型具有较好的实用性和可靠性[7-9]。

2.2 数据分析

采用已训练好的网络模型自动计算2021年8—9月水厂日供水量，并对比分析实际值与预测值如表1。结果表明，2021年8月水厂供水量实际值和预测值为(245±15)×103t/d、(240±24)×103t/d，相对误差2.1%；2021年9月水厂供水量实际值和预测值为(230±5)×103t/d、(215±20)×103t/d，相对误差6.5%。因此，BP网络模型能够保证供水量预测精度，随时间推移该预测模型能够保持较好的准确性，但实际值与预测结果的标准差有所增大，由此表明仍需进一步提高模型的稳定性，一般通过输入更多的训练样本，经多次仿真学习可提高模型的精确性和稳定性。

表1 水厂供水量预测值与实测值

3 结 论

(1)本文充分考虑日供水量受气象条件、水质参数、水源水文信息等因素的影响，通过BP网络结构创建供水量预测模型，通过样本数据预处理调整可能引起供水量突变的数据，从而保证模型的预测精度。总体而言，水厂供水量实际值与预测值的平均相对误差<5%，对水厂供水量调度和产水预测等该BP网络模型具有较好的实用性和可靠性。

(2)较水厂实际供水量数据模型预测结果存在一定的偏差，与当地政策变化、仪表数据采集等因素有关，为进一步提高模型预测精度，还需采集更多的数据不断优化调整网络结构。另外，随着经济社会的发展和城市化的不断推进，城市需水量也将明显增加，为了实现水厂的智能化调度还需考虑各种社会因素，通过供水量精准预测，为水厂调度运行方案设计提供数据支持。