基于ANFIS的水環(huán)境質(zhì)量參數(shù)COD預(yù)測(cè)模型研究

潘 淼

(遼寧潤(rùn)中供水有限責(zé)任公司，遼寧 沈陽(yáng) 110000)

經(jīng)濟(jì)社會(huì)的快速發(fā)展在大幅提升人們的生活水平的同時(shí)，也不可避免地造成了日趨嚴(yán)重的環(huán)境污染。為有效利用水資源，減少水質(zhì)污染造成的負(fù)面影響，對(duì)水質(zhì)進(jìn)行科學(xué)、準(zhǔn)確、可靠的評(píng)價(jià)以及對(duì)其變化趨勢(shì)進(jìn)行有效預(yù)測(cè)極為重要[1]。網(wǎng)絡(luò)自適應(yīng)模糊推理系統(tǒng)(ANFIS)實(shí)現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)技術(shù)和模糊控制技術(shù)的完美融合，可以在水質(zhì)評(píng)價(jià)和預(yù)測(cè)領(lǐng)域發(fā)揮更要重要的作用[2]。

1 指標(biāo)選取和數(shù)據(jù)預(yù)處理

1.1 水質(zhì)指標(biāo)選取

水環(huán)境質(zhì)量通常是由多個(gè)水質(zhì)指標(biāo)數(shù)據(jù)體現(xiàn)出來(lái)的，而水環(huán)境質(zhì)量預(yù)測(cè)也需要依據(jù)權(quán)威的水質(zhì)監(jiān)測(cè)數(shù)據(jù)創(chuàng)建預(yù)測(cè)模型。2003年，國(guó)家環(huán)保部出臺(tái)的HJ-T100- 2003《水質(zhì)指標(biāo)的自動(dòng)分析儀技術(shù)》中提出了9項(xiàng)環(huán)境保護(hù)行業(yè)標(biāo)準(zhǔn)，不僅包含了總氮、總磷、氨氮、pH等傳統(tǒng)慣例監(jiān)測(cè)項(xiàng)目，同時(shí)也包含了化學(xué)需氧量(COD)、生化需氧量(BOD)以及部分重金屬離子等水質(zhì)監(jiān)測(cè)參數(shù)。結(jié)合上述標(biāo)準(zhǔn)以及水質(zhì)監(jiān)測(cè)的實(shí)際需求，本次研究選取了水質(zhì)監(jiān)測(cè)站的COD、pH、溶解氧、氨氮和總磷等5個(gè)水質(zhì)質(zhì)量監(jiān)測(cè)指標(biāo)。其中，化學(xué)需氧量(COD)作為研究水域中還原性物質(zhì)污染程度的主要指標(biāo)，是進(jìn)行水質(zhì)預(yù)測(cè)的重要參數(shù)，因此將COD作為預(yù)測(cè)模型輸出計(jì)算的基本參數(shù)。

1.2 數(shù)據(jù)預(yù)處理

不同的水質(zhì)參數(shù)擁有不同的量綱和單位，會(huì)對(duì)模型的數(shù)據(jù)分析造成影響，因此必須要對(duì)數(shù)據(jù)進(jìn)行歸一化處理[3]。本次研究中擬采用如下的線性函數(shù)進(jìn)行歸一化處理。

(1)

式中，xmin—某組數(shù)據(jù)的最小值；xmax—某組數(shù)據(jù)中的最大值。

在數(shù)據(jù)進(jìn)行歸一化處理之后，試驗(yàn)數(shù)據(jù)將映射在區(qū)間[0，1]之間。

在模型試驗(yàn)過(guò)程中，對(duì)整體數(shù)據(jù)進(jìn)行聚類分析，將其中的離群數(shù)據(jù)刪除，可以有效提升模型本身的預(yù)測(cè)精度。因此，結(jié)合數(shù)據(jù)的實(shí)際特征，采取歐式距離法對(duì)水質(zhì)數(shù)據(jù)進(jìn)行聚類分析[4]。

2 ANFIS預(yù)測(cè)模型的構(gòu)建

2.1 模型預(yù)測(cè)方法

基于ANFIS水質(zhì)預(yù)測(cè)模型的預(yù)測(cè)基本流程如圖1所示。

第一步，首先確定預(yù)測(cè)水域的主要參數(shù)，本次研究選取了水質(zhì)監(jiān)測(cè)站的COD、pH、溶解氧、氨氮和總磷等5個(gè)參數(shù)。第二步，對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理：在剔除部分無(wú)效和離群數(shù)據(jù)后，將余下的數(shù)據(jù)進(jìn)行歸一化處理，在歸一化處理之后進(jìn)行測(cè)試和訓(xùn)練樣本分組。第三步，利用訓(xùn)練樣本對(duì)模型進(jìn)行訓(xùn)練，尋求并確定最合適的參數(shù)以及隸屬度函數(shù)。第四步，將測(cè)試數(shù)據(jù)輸入模型完成對(duì)COD水質(zhì)參數(shù)的預(yù)測(cè)。

圖1 ANFIS水質(zhì)預(yù)測(cè)模型的預(yù)測(cè)基本流程

2.2 隸屬度函數(shù)選取

在基于ANFIS的水質(zhì)預(yù)測(cè)模型中，隸屬度函數(shù)類型的選取以及數(shù)目的確定對(duì)模型預(yù)測(cè)精度具有較大影響[5]。常見(jiàn)的隸屬度函數(shù)通常包括高速函數(shù)、鐘型函數(shù)、梯形函數(shù)等幾種常見(jiàn)的函數(shù)。對(duì)上述3種函數(shù)的比較顯示，雖然都能擬合出原曲線，但是相對(duì)而言，高斯函數(shù)的擬合精度更高，因此在本次研究中擬采用高斯函數(shù)構(gòu)建基于ANFIS的水質(zhì)預(yù)測(cè)模型。

在隸屬度函數(shù)確定之后，確定隸屬度函數(shù)的數(shù)目。根據(jù)相關(guān)研究成果和實(shí)踐經(jīng)驗(yàn)[6]，隸屬度函數(shù)的數(shù)目通常選取在[1，30]之間，研究中將不同數(shù)目的隸屬度函數(shù)依次帶入模型，實(shí)踐結(jié)果顯示，隸屬度函數(shù)的數(shù)目選定為5～20條之間時(shí)，ANFIS的水質(zhì)預(yù)測(cè)模型均能對(duì)原曲線進(jìn)行準(zhǔn)確擬合，而隸屬度函數(shù)的數(shù)目少于3條的情況下，模型就不能對(duì)原曲線進(jìn)行準(zhǔn)確擬合。另一方面，函數(shù)數(shù)目的增加，雖然能夠提高擬合度的精準(zhǔn)度，但是提高較為有限，模糊子集之間的相互影響會(huì)顯著降低模型的靈敏度。本次研究最終確定隸屬度函數(shù)的數(shù)目為5條。

2.3 模型訓(xùn)練次數(shù)選取

針對(duì)訓(xùn)練次數(shù)，根據(jù)相關(guān)研究成果，引入一個(gè)性能指標(biāo)σ，設(shè)模擬精度為ε訓(xùn)練次數(shù)為n，trRMSE(n)為訓(xùn)練n次之后得到了RMSE值，根據(jù)公式(2)，當(dāng)σ≤ε時(shí)的n的值極為最優(yōu)訓(xùn)練次數(shù)[7]。

σ=|trRMSE(n)-trRMSE(1)|

(2)

在本次研究中，初步設(shè)定模型的訓(xùn)練次數(shù)為500次，結(jié)合上述設(shè)定的高斯函數(shù)以及函數(shù)數(shù)目為5條等相關(guān)參數(shù)，對(duì)模型展開(kāi)訓(xùn)練，獲得的RMSE隨訓(xùn)練次數(shù)變化的曲線如圖2所示。由圖2可知，當(dāng)訓(xùn)練次數(shù)達(dá)到35次時(shí)，RMSE值的變化逐漸趨向平穩(wěn)，根據(jù)公式(2)的要求，設(shè)定本次訓(xùn)練精度為0.02，最終得到最優(yōu)訓(xùn)練次數(shù)為378次。

圖2 RMSE值訓(xùn)練變化曲線

3 模型應(yīng)用和檢驗(yàn)

3.1 數(shù)據(jù)選擇

為了檢驗(yàn)基于ANFIS水質(zhì)預(yù)測(cè)模型的泛化性和實(shí)用性，研究中以遼寧省大伙房水庫(kù)出庫(kù)口的監(jiān)測(cè)數(shù)據(jù)為研究對(duì)象，由于該站每隔6小時(shí)采集記錄一次水質(zhì)監(jiān)測(cè)數(shù)據(jù)，采集間隔時(shí)間合理，可以全面反映渾河該區(qū)段的水質(zhì)情況。實(shí)驗(yàn)選取的是大伙房水庫(kù)出庫(kù)口2017年4—10月的數(shù)據(jù)，其中4—9月的數(shù)據(jù)進(jìn)行模型訓(xùn)練，10月份的數(shù)據(jù)輸入模型進(jìn)行測(cè)試，并將期望值和實(shí)際值進(jìn)行對(duì)比分析。其中，2017年4月1日6時(shí)至2017年4月5日0時(shí)的各項(xiàng)水質(zhì)指標(biāo)數(shù)值見(jiàn)表1。

表1 大伙房水庫(kù)庫(kù)口水質(zhì)監(jiān)測(cè)部分原始數(shù)據(jù)單位：mg/L

3.2 預(yù)測(cè)結(jié)果分析

將原始數(shù)據(jù)進(jìn)行預(yù)處理后，進(jìn)行訓(xùn)練樣本和測(cè)試樣本劃分，然后將訓(xùn)練樣本輸入ANFIS模型進(jìn)行訓(xùn)練，在訓(xùn)練完畢后將測(cè)試樣本輸入模型，計(jì)算得出COD值的預(yù)測(cè)結(jié)果，然后與實(shí)際值進(jìn)行比較，結(jié)果如圖3所示。在軟件窗口顯示的模型預(yù)測(cè)值和實(shí)際值之間的相對(duì)誤差為0.0966，均方根誤差值為0.0610，均方根誤差為0.2363。由此可見(jiàn)，ANFIS模型的預(yù)測(cè)值與真實(shí)值之間具有良好的擬合性，說(shuō)明模型本身具有較好的預(yù)測(cè)能力和準(zhǔn)確性。

圖3 模型計(jì)算得出預(yù)測(cè)值與實(shí)際值

3.3 預(yù)測(cè)能力對(duì)比分析

為進(jìn)一步驗(yàn)證ANFIS模型的實(shí)用性和泛化性，橫向?qū)Ρ饶Ｐ皖A(yù)測(cè)能力的優(yōu)劣，研究中基于同組數(shù)據(jù)，分別利用BP神經(jīng)網(wǎng)絡(luò)模型和RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)計(jì)算[8]，其預(yù)測(cè)性能參數(shù)的對(duì)比結(jié)果見(jiàn)表2。由表2中的數(shù)據(jù)可以看出，ANFIS模型能夠?qū)喓哟蠡锓克畮?kù)段水體中的COD含量進(jìn)行較好的預(yù)測(cè)，從相對(duì)誤差來(lái)看，該模型的誤差為0.0966，顯著小于BP神經(jīng)網(wǎng)絡(luò)模型的0.1315和RBF神經(jīng)網(wǎng)絡(luò)模型的0.1485的相對(duì)誤差值。因此，ANFIS模型相較于BP神經(jīng)網(wǎng)絡(luò)模型和RBF神經(jīng)網(wǎng)絡(luò)模型具有更好的泛化性和實(shí)用性。

表2 不同預(yù)測(cè)模型的性能參數(shù)對(duì)比結(jié)果

4 結(jié)語(yǔ)

本文以渾河大伙房水庫(kù)庫(kù)口地表水為檢測(cè)對(duì)象，建立ANFIS預(yù)測(cè)模型對(duì)該河段水體COD含量進(jìn)行了預(yù)測(cè)研究，并獲得如下結(jié)論。

(1)結(jié)合國(guó)家環(huán)保部的相關(guān)標(biāo)準(zhǔn)以及水質(zhì)監(jiān)測(cè)的實(shí)際需求，研究中選取COD、pH、溶解氧、氨氮和總磷等五個(gè)水質(zhì)質(zhì)量監(jiān)測(cè)指標(biāo)，并將COD作為預(yù)測(cè)模型輸出計(jì)算的基本參數(shù)。

(2)利用ANFIS模型對(duì)COD值進(jìn)行預(yù)測(cè)計(jì)算，并將結(jié)果與實(shí)際值進(jìn)行比較，結(jié)果顯示模型預(yù)測(cè)值和實(shí)際值之間具有良好的擬合性，說(shuō)明模型本身具有較好的預(yù)測(cè)能力和準(zhǔn)確性。

(3)將ANFIS模型與BP神經(jīng)網(wǎng)絡(luò)模型和RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比分析，結(jié)果顯示ANFIS模型相較于BP神經(jīng)網(wǎng)絡(luò)模型和RBF神經(jīng)網(wǎng)絡(luò)模型具有更好的泛化性和實(shí)用性。