基于BPNN算法的渾河突發(fā)污染動態(tài)預警研究

栗 權(quán)

(新賓滿族自治縣水務局，遼寧 新賓 113200)

0 引言

化學品泄露事件時常發(fā)生，對水體造成嚴重的污染，對環(huán)境和社會造成嚴重的損失[1]。隨著水體監(jiān)測設施的完善與檢測數(shù)據(jù)的不斷積累，如何通過環(huán)境監(jiān)測技術(shù)與人工智能結(jié)合，科學合理地進行突發(fā)污染動態(tài)智能監(jiān)控、異常預警以及應急處理，對于我國生態(tài)文明建設與社會可持續(xù)發(fā)展具有十分現(xiàn)實的意義。水質(zhì)高頻連續(xù)監(jiān)測作為突發(fā)污染動態(tài)預警研究的關(guān)鍵，不僅可以減少實驗室分析資源的浪費，而且能夠提高河流電導率、pH和溶解氧等相關(guān)水質(zhì)指標的生成速度。張楚天[2]等采用平面二維瞬時排放水質(zhì)數(shù)學模型與GIS集成，有效預測了長江上突發(fā)性事故排放形成的污染帶在江內(nèi)的時空遷移狀況。王琦[3]實現(xiàn)了河流中污染物運輸?shù)牟淮_定性分析。Rui Y[4]等提出了一種基于地理信息系統(tǒng)技術(shù)與水力/水質(zhì)模型相結(jié)合的應急響應系統(tǒng)，在水資源保護方面具有廣泛應用的潛力。本文根據(jù)高頻連續(xù)水質(zhì)監(jiān)測數(shù)據(jù)，利用相關(guān)性分析等手段構(gòu)建了關(guān)鍵水質(zhì)參數(shù)的測量方法，通過BP神經(jīng)網(wǎng)絡技術(shù)得到水質(zhì)時間序列的動態(tài)變化規(guī)律，成功實現(xiàn)了突發(fā)污染動態(tài)預警，為相關(guān)研究提供了理論依據(jù)。

1 基于BP神經(jīng)網(wǎng)絡的突發(fā)污染動態(tài)預警模型構(gòu)建

1.1 連續(xù)水質(zhì)監(jiān)測

基于對突發(fā)污染異常預警研究，采用定期采樣數(shù)據(jù)和高頻連續(xù)的水質(zhì)監(jiān)測數(shù)據(jù)相結(jié)合的方法對水質(zhì)參數(shù)進行軟測量，突發(fā)污染動態(tài)預警模型設計流程見圖1[5~6]。

圖1 突發(fā)污染動態(tài)預警模型流程設計圖

突發(fā)污染水質(zhì)參數(shù)的高頻軟測量模型以相關(guān)性分析技術(shù)為基礎，通過監(jiān)測站點的隨機和連續(xù)采樣，得到顯著水平不同的水質(zhì)參數(shù)，進而建立相關(guān)水質(zhì)參數(shù)與高頻連續(xù)監(jiān)測水質(zhì)參數(shù)之間的軟測量方程。通過對比分析隨機采集的實際監(jiān)測數(shù)據(jù)和連續(xù)監(jiān)測的時間序列，確認連續(xù)監(jiān)測的時間序列處于可信范圍，作為進行下一步動態(tài)預警研究的實際監(jiān)測數(shù)據(jù)。

1.2 基于BP神經(jīng)網(wǎng)絡的動態(tài)預警模型

采用BP神經(jīng)網(wǎng)絡技術(shù)構(gòu)建突發(fā)污染動態(tài)預警模型，BP神經(jīng)去噪分析技術(shù)具有將原始數(shù)據(jù)分解成不同分辨率新數(shù)據(jù)的作用，能夠?qū)⒂捎趥鞲衅髡`差或者周圍環(huán)境微小變化引起的噪聲去除。時間序列的第n+1個值由前n個值作為神經(jīng)網(wǎng)絡的輸入層來預測，通過新的監(jiān)測數(shù)據(jù)不斷更新輸入，得到水質(zhì)時間序列的動態(tài)預測，通過實際監(jiān)測值與動態(tài)預測結(jié)果的差值得到相應的殘差，對比殘差與相關(guān)分布擬合得到的閾值，假如閾值小于殘差則異常，反之正常。預測殘差正常時，正常殘差保存至數(shù)據(jù)樣本集，進而使得異常閾值不斷校正，預警精度不斷提高。

1.3 時間序列預測與基線設置

BPNN是一種基于誤差反向傳播的多層前饋型神經(jīng)網(wǎng)絡算法，在不揭示輸入輸出變量之間數(shù)學方程的情況下，BPNN可以通過“黑箱”學習和存儲大量的輸入輸出映射關(guān)系。BP神經(jīng)網(wǎng)絡采用梯度下降法使得網(wǎng)絡的閾值與權(quán)值不斷得到調(diào)整，將原始時間序列轉(zhuǎn)換成不同頻率的時間序列。通過梯度下降算法進行網(wǎng)絡訓練，迭代計算公式為：

式中：xk+1為下一時刻的偏差與權(quán)值；xk為當前時刻的偏差與權(quán)值；gk為當前誤差函數(shù)的梯度；ak為學習速率。

2 實例研究

對遼寧撫順渾河的水質(zhì)監(jiān)測數(shù)據(jù)進行實例研究，在渾河河流上游和下游設置監(jiān)測站點，分別為站點1和站點2，監(jiān)測內(nèi)容主要包括TURB（濁度）、電導率和連續(xù)流量數(shù)據(jù)等水質(zhì)數(shù)據(jù)，時間間隔15 min，并且懸浮物和養(yǎng)分負荷模型通過暴雨等事件的強化監(jiān)測數(shù)據(jù)和離散的TP（總磷）、TSS（總懸浮物）月度監(jiān)測數(shù)據(jù)進行校正，因變量和解釋變量之間的線性關(guān)系通過自然對數(shù)函數(shù)進行轉(zhuǎn)化[7]。

2.1 水質(zhì)參數(shù)間相關(guān)性分析

通過收集二次降雨情景下的水質(zhì)監(jiān)測數(shù)據(jù)，對兩個站點的數(shù)據(jù)進行統(tǒng)計分析[8]。監(jiān)測站點1，TP與TURB、TSS與TP之間具有明顯的相關(guān)關(guān)系，與監(jiān)測站點1相比，監(jiān)測站點2各個水質(zhì)參數(shù)之間關(guān)系并不明確，見圖2。站點1比站點2水質(zhì)參數(shù)之間的相關(guān)性更加明顯，這是由于水體中的大部分磷附著到懸浮粒子上的遷移造成的。

圖2 監(jiān)測站點2水質(zhì)參數(shù)之間的時間變化規(guī)律（a為一般降雨情景，b為強降雨情景）

從圖2可以看出，檢測站點2中的TSS和TP之間、TURB和TP之間的關(guān)系并非簡單的線性關(guān)系。一般降雨情景下，TP、TURB和降雨量之間峰值出現(xiàn)幾乎同步，強降雨情景下，TURB峰值比TP峰值延遲將近一個1小時，TP峰值比降雨峰值又延遲1小時。降雨量少的情景下，TURB與TP對應關(guān)系為“1對1”，隨著降雨強度的提高，TURB與TP對應關(guān)系為“2對1”，這是由面源和點源共同影響引起的，弱降雨情景下的主要影響因素為點源，隨著降雨量的增加，點源和面源共同作用于TURB和TP。

2.2 水體中TP軟測量分析應用

水體中的TP負荷主要包括兩種形態(tài)的磷：顆粒態(tài)的磷和溶解態(tài)的磷，根據(jù)水質(zhì)參數(shù)相關(guān)性能夠看出，水體中TP小部分是溶解態(tài)磷，大部分為懸浮物顆粒，所以TP濃度時間序列能夠通過多元回歸分析技術(shù)建立以濁度與流量為參數(shù)的軟測量方程，進而得到監(jiān)測站點2時間序列，見圖3。

圖3 監(jiān)測站點2的TP高頻代理測量時間序列

由圖3可以看出，TP實際監(jiān)測的數(shù)據(jù)與計算數(shù)據(jù)之間的誤差一直處于可接受范圍之內(nèi)，因此，高頻連續(xù)監(jiān)測可以由TP濃度實現(xiàn)。圖3(A)中可以看出，TP實際監(jiān)測數(shù)據(jù)浮動范圍在TP軟測量數(shù)據(jù)的90%上下限范圍之內(nèi)，表明TP軟測量方程具有一定地實用性，能夠用作突發(fā)異常預警的數(shù)據(jù)源。圖3(B)中可以發(fā)現(xiàn)，在流量較高的時間段內(nèi)TP與水流量的時間序列一致程度較高，由此表明，一般情況下，水體中的TP和流量之間無明顯聯(lián)系，主要影響因素為點源排放污染；強降雨條件下，TP的濃度急劇增加，主要是因為雨水在地面的沖刷，使得大量顆粒態(tài)TP污染物隨著雨水進入水體之中。

2.3 水質(zhì)常規(guī)時間序列閾值計算

通過標準梯度下降法對神經(jīng)網(wǎng)絡訓練過程進行計算，為了檢測預測模型的性能，采用Logistic分布進行分布情況的擬合，見圖4，2月9日和2月19日殘差序列均超出正常閾值，該方法能夠檢測兩次水質(zhì)異常的情況。

圖4 神經(jīng)網(wǎng)絡驗證期TP標準時間序列和預測殘差（20天）

2.4 異常預警結(jié)果的可靠性評估

通過對比直接神經(jīng)網(wǎng)絡和BP神經(jīng)網(wǎng)絡對異常預警性能預測進行可靠性評估，結(jié)果見表1。

表1 直接神經(jīng)網(wǎng)絡和BP神經(jīng)網(wǎng)絡異常預警結(jié)果對比

由表1可以發(fā)現(xiàn)，在網(wǎng)絡訓練階段BP神經(jīng)網(wǎng)絡預測殘差大于神經(jīng)網(wǎng)絡，原因在于BP神經(jīng)網(wǎng)絡能夠?qū)υ肼曔M行處理，導致去噪后的值和實際監(jiān)測值之間的殘差比神經(jīng)網(wǎng)絡更大。而在網(wǎng)絡驗證階段，由于異常時間序列的存在，使得直接神經(jīng)網(wǎng)絡預測波動較大，但是由于BP網(wǎng)絡神經(jīng)技術(shù)具備噪聲處理功能，能夠有效降低對異常預警性能預測的影響。

圖5 BP神經(jīng)網(wǎng)絡預測和直接神經(jīng)網(wǎng)絡預測兩種方法的對比

對比圖5中BP神經(jīng)網(wǎng)絡預測和直接神經(jīng)網(wǎng)絡預測兩種方法對殘差時間序列的影響可以發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡對水質(zhì)時間序列的突變情況反應更加敏感，而當原始時間序列為正常時間序列時，BP神經(jīng)網(wǎng)絡預測殘差均小于閾值，同一時間點的神經(jīng)網(wǎng)絡預測殘差分均高于閾值，其原因是BP神經(jīng)網(wǎng)絡預測之前去除噪聲的影響，有效地減少預測時間序列的波動。

為了驗證BP神經(jīng)網(wǎng)絡的突發(fā)污染動態(tài)預警可行性分析，在海綿城市建設、流域管理、暴雨管理等領(lǐng)域進行高頻水質(zhì)監(jiān)測數(shù)據(jù)的水質(zhì)異常預警研究，與我國目前已有的水質(zhì)在線監(jiān)測方法、常規(guī)抽樣分析和公共安全檢查等傳統(tǒng)異常預警方法相比，能夠有效地縮短檢測時間，更加快速、敏捷的體現(xiàn)水體污染濃度變化，并且不存在異常漏報的現(xiàn)象，具有十分良好的可行性。在加強河段環(huán)境管理方面，安裝包含電導率、濁度和pH等指標的高頻傳感器，可以充分體現(xiàn)該突發(fā)污染動態(tài)預警的優(yōu)勢。

3 結(jié)論

通過定期采樣數(shù)據(jù)和高頻連續(xù)的水質(zhì)監(jiān)測數(shù)據(jù)相結(jié)合對水質(zhì)參數(shù)進行軟測量，結(jié)合BP神經(jīng)網(wǎng)絡技術(shù)建立污染異常動態(tài)預警模型，并以遼寧撫順渾河的水質(zhì)監(jiān)測數(shù)據(jù)進行實例研究，得到以下主要結(jié)論：

（1）檢測站點2中的TSS和TP之間、TURB和TP之間的關(guān)系并非簡單的線性關(guān)系。降雨少的時候，TURB與TP對應關(guān)系為“1對1”，其主要影響因素為點源；增加降雨強度，TURB與TP對應關(guān)系為“2對1”，由面源和點源共同作用于TURB和TP所引起。

（2）TP實際監(jiān)測的數(shù)據(jù)與計算數(shù)據(jù)之間的誤差一直處于可接受范圍之內(nèi)，能夠用作突發(fā)異常預警的數(shù)據(jù)源。一般情況下，水體中的TP和流量之間無明顯聯(lián)系，主要影響因素為點源排放污染；強降雨條件下，雨水沖刷地面使得大量顆粒態(tài)TP污染物隨著雨水進入水體中，導致TP的濃度急劇增加。

（3）通過對比直接神經(jīng)網(wǎng)絡和BP神經(jīng)網(wǎng)絡對異常預警性能的影響發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡對水質(zhì)時間序列的突變情況反應更加敏感，這是因為BP神經(jīng)網(wǎng)絡預測之前去除噪聲的影響，有效地減少預測時間序列的波動。與我國目前已有的水質(zhì)異常預警方法相比，可以更加快速、敏捷的體現(xiàn)水體污染濃度變化，具有十分良好的可行性，為相關(guān)研究提供了理論參考。