基于BP神經(jīng)網(wǎng)絡(luò)的校園中水用水量預(yù)測(cè)研究

明亮 ，吳永強(qiáng) ，安娟 ，王旭朝

（河北建筑工程學(xué)院能源與環(huán)境工程學(xué)院，河北 張家口 075000）

1 中水用水量預(yù)測(cè)

1.1 中水用水量預(yù)測(cè)意義

隨著H校園規(guī)模的不斷擴(kuò)大，在校生人數(shù)不斷增加，用水量增長(zhǎng)迅速。采用中水回收技術(shù)，很好地解決了校園內(nèi)沖廁、澆灌、景觀用水需求，實(shí)現(xiàn)了水資源的充分利用，但是目前H校園中水供水系統(tǒng)運(yùn)營(yíng)管理方式較為陳舊，存在著泵站耗能高、供水壓力不穩(wěn)定，壓力過(guò)大導(dǎo)致管網(wǎng)漏損等諸多問(wèn)題，在中水穩(wěn)定供水與節(jié)約資源的雙重要求之下，達(dá)不到良好的效果，因此對(duì)H校園中水供水系統(tǒng)實(shí)施智慧運(yùn)維，優(yōu)化調(diào)配迫在眉睫。首要任務(wù)是對(duì)中水用水量進(jìn)行預(yù)測(cè)。

1.2 中水用水量預(yù)測(cè)方法概述

中水用水量預(yù)測(cè)研究是整個(gè)中水優(yōu)化調(diào)配的重要基礎(chǔ)工作，只有保證用水量預(yù)測(cè)的準(zhǔn)確，才能更加高效的進(jìn)行泵站優(yōu)化調(diào)配。目前常用的用水量預(yù)測(cè)方法主要有移動(dòng)平均預(yù)測(cè)模型、指數(shù)平滑預(yù)測(cè)模型、自回歸預(yù)測(cè)模型、多元線性回歸模型等。但這些方法或多或少存在著對(duì)變量要求高、適應(yīng)性差、波動(dòng)性大等問(wèn)題。隨著計(jì)算機(jī)技術(shù)的發(fā)展，在人工智能領(lǐng)域的研究不斷深入，人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于預(yù)測(cè)研究體現(xiàn)出良好的適應(yīng)性、學(xué)習(xí)能力、高度非線性的特點(diǎn)[1]，適合于中水供水系統(tǒng)用水量預(yù)測(cè)研究，因此本次采用BP神經(jīng)網(wǎng)絡(luò)方法建立H校園中水用水量預(yù)測(cè)模型。

2 人工神經(jīng)網(wǎng)絡(luò)概述

BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一種，人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)是在運(yùn)行之前無(wú)需列出表示輸入與輸出之間映射關(guān)系的數(shù)學(xué)方程，而只靠對(duì)輸入訓(xùn)練數(shù)據(jù)的不斷訓(xùn)練，學(xué)習(xí)其中的規(guī)律，最后在給定一個(gè)輸入值后，輸出一個(gè)接近期望值的結(jié)果。BP神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播 (簡(jiǎn)稱誤差反傳)訓(xùn)練的多層前饋網(wǎng)絡(luò)，算法是實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)各項(xiàng)功能的核心，BP算法的核心思想就是以神經(jīng)網(wǎng)絡(luò)誤差平方為目標(biāo)函數(shù)，采用梯度下降法來(lái)計(jì)算目標(biāo)函數(shù)的最小值[2]。其停止條件有三條原因：①權(quán)重的更新低于某個(gè)閾值的時(shí)候；②預(yù)測(cè)的錯(cuò)誤率低于某個(gè)閾值；③達(dá)到預(yù)設(shè)一定的迭代次數(shù)[1]。

3 中水用水量預(yù)測(cè)模型實(shí)例研究

3.1 H校園中水用水量分析

H校園中水供水系統(tǒng)起始端為校園中水泵站，由于中水供水具有其特殊性，用水量與天氣、季節(jié)等影響因素關(guān)系不大，中水用水量在一天或者一周之內(nèi)基本保持周期性變化[3]。在整個(gè)校園中水用水量中，宿舍樓中水用水量占很大比例，所以以1h為時(shí)間段選取用水量數(shù)據(jù)，本次以九號(hào)宿舍樓中水用水量數(shù)據(jù)作為模型預(yù)測(cè)數(shù)據(jù)。

由圖1可以看出，中水用水量隨時(shí)間而呈現(xiàn)出周期性變化。在一天中6點(diǎn)左右開始，中水用水量開始上升，到8點(diǎn)左右到達(dá)頂峰，隨后開始下降，在12點(diǎn)到13點(diǎn)之間再次上升，隨后再次下降，中水用水量在18點(diǎn)到23點(diǎn)處于上下小幅度波動(dòng)狀態(tài)，在深夜0點(diǎn)到6點(diǎn)中水用水量處于一個(gè)較低的水平。在周六日或者節(jié)假日由于學(xué)生們活動(dòng)時(shí)間有所變化，中水用水量高峰點(diǎn)可能會(huì)出現(xiàn)一定移動(dòng)，但總體上宿舍樓中水用水量呈現(xiàn)出周期性變化的特點(diǎn)。

圖1 九號(hào)宿舍樓中水用水量變化曲線

3.2 數(shù)據(jù)選擇與處理

本次中水用水量預(yù)測(cè)模型選擇九號(hào)宿舍樓六月三號(hào)到六月十號(hào)中水用水量數(shù)據(jù)作為研究對(duì)象。首先需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，將其中過(guò)大與過(guò)小的數(shù)據(jù)剔除，使得神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)能更好的發(fā)現(xiàn)其中的規(guī)律，以保證預(yù)測(cè)模型的準(zhǔn)確性。進(jìn)行模型訓(xùn)練時(shí)，用前三天數(shù)據(jù)和第四天前三小時(shí)數(shù)據(jù)作為輸入，第四天對(duì)應(yīng)時(shí)刻數(shù)據(jù)作為輸出。對(duì)模型進(jìn)行訓(xùn)練后以六月七號(hào)、八號(hào)、九號(hào)數(shù)據(jù)及六月十號(hào)預(yù)測(cè)時(shí)刻前三小時(shí)數(shù)據(jù)作為輸入，預(yù)測(cè)六月十號(hào)中水用水量數(shù)據(jù)。

3.3 BP神經(jīng)網(wǎng)絡(luò)模型設(shè)定

BP神經(jīng)網(wǎng)絡(luò)模型組成分為輸入層、隱含層、輸出層三部分。前人的研究理論表明隱含層層數(shù)一般為1～2層。另根據(jù)神經(jīng)網(wǎng)絡(luò)理論Kolmogorov定理所闡述的，經(jīng)過(guò)充分學(xué)習(xí)的三層BP網(wǎng)絡(luò)可以逼近任何函數(shù)，所以本次構(gòu)建輸入層、隱含層、輸出層三層神經(jīng)網(wǎng)絡(luò)[2]。由于傳遞函數(shù)的值域是有限制的，首先需要利用premnmx函數(shù)對(duì)數(shù)據(jù)進(jìn)行歸一化處理，成為[-1.1]之間的數(shù)，激勵(lì)函數(shù)選擇Tanh函數(shù)，如果不使用激勵(lì)函數(shù)，無(wú)論設(shè)置多少層的神經(jīng)網(wǎng)絡(luò)，輸出都是輸入的線性組合，每一層輸出都是上層輸入的線性函數(shù)，激活函數(shù)的使用讓神經(jīng)元獲得了非線性因素，神經(jīng)網(wǎng)絡(luò)因而可以逼近任何非線性函數(shù)，這樣神經(jīng)網(wǎng)絡(luò)就可以應(yīng)用到眾多的非線性模型中[4]。網(wǎng)絡(luò)訓(xùn)練函數(shù)為trainlm函數(shù)，隱含層傳遞函數(shù)為tansig,輸出層傳遞函數(shù)為purelin,迭代次數(shù)為5000次，收斂誤差為0.05。輸入層神經(jīng)元個(gè)數(shù)為6，輸出層神經(jīng)元個(gè)數(shù)為1，隱含層神經(jīng)元個(gè)數(shù)確定的經(jīng)驗(yàn)公式為m=+α，n 為輸入層神經(jīng)元個(gè)數(shù)，l為輸出層神經(jīng)元個(gè)數(shù)，α為1～10之間的整數(shù)，故隱含層神經(jīng)元個(gè)數(shù)取值為3～12之間的整數(shù)。

3.4 BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)指標(biāo)

為了確定隱含層神經(jīng)元的具體個(gè)數(shù)，需要利用模型評(píng)價(jià)指標(biāo)進(jìn)行確定。常用的預(yù)測(cè)模型評(píng)價(jià)指標(biāo)有平均絕對(duì)誤差（MAD）,平均平方誤差（MSE）和平均絕對(duì)百分比誤差（MAPE）[5]。設(shè)yf(f=1,2,3……)為中水用水量預(yù)測(cè)值，yp為中水用水量實(shí)際值。預(yù)測(cè)精度ef=yf-yp，模型的各項(xiàng)評(píng)價(jià)指標(biāo)計(jì)算公式如下所示：

選取12-13點(diǎn)時(shí)段內(nèi)中水用水量值作為測(cè)試值，對(duì)3-12之間的整數(shù)分別訓(xùn)練50次，運(yùn)用模型評(píng)價(jià)指標(biāo)來(lái)確定合適的隱含層節(jié)點(diǎn)數(shù)。

由上表計(jì)算數(shù)值可知，當(dāng)隱含層節(jié)點(diǎn)數(shù)為11時(shí)，預(yù)測(cè)模型評(píng)價(jià)指標(biāo)各項(xiàng)數(shù)值均為最小，所以本次中水用水量預(yù)測(cè)模型選擇11作為隱含層節(jié)點(diǎn)數(shù)。模型結(jié)構(gòu)設(shè)置完成后，開始訓(xùn)練網(wǎng)絡(luò)，該網(wǎng)絡(luò)通過(guò)26次重復(fù)學(xué)習(xí)達(dá)到期望誤差后完成學(xué)習(xí)。

3.5 預(yù)測(cè)結(jié)果分析

將本次預(yù)測(cè)模型預(yù)測(cè)數(shù)據(jù)與實(shí)際數(shù)據(jù)繪制成折線圖（如圖2），從圖中可以看出，預(yù)測(cè)數(shù)據(jù)與實(shí)際數(shù)據(jù)折線圖走勢(shì)基本一致，部分折線圖基本趨于重合，從而驗(yàn)證中水用水量預(yù)測(cè)模型可以很好的逼近實(shí)際值，模型是合理有效的。

圖2 預(yù)測(cè)值與實(shí)際值數(shù)據(jù)對(duì)比

表1 不同隱含層節(jié)點(diǎn)數(shù)評(píng)價(jià)指標(biāo)計(jì)算數(shù)值

表2 預(yù)測(cè)數(shù)據(jù)與實(shí)際數(shù)據(jù)對(duì)比表

4 結(jié)論

在國(guó)家大力推動(dòng)節(jié)能減排的大背景下，供水系統(tǒng)優(yōu)化調(diào)配迫在眉睫，而用水量預(yù)測(cè)作為供水優(yōu)化調(diào)配的先決條件更顯得尤為重要。以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)構(gòu)建的中水用水量預(yù)測(cè)模型通過(guò)實(shí)例驗(yàn)證其預(yù)測(cè)精度滿足要求，可以作為供水優(yōu)化調(diào)配的重要約束條件。在以后的研究中有望將對(duì)H校園中水用水量預(yù)測(cè)研究擴(kuò)展到城市市政供水用水量預(yù)測(cè)研究，發(fā)揮其更大的價(jià)值。