基于神經網絡的水庫標準化管理體系與評估

周志維，馬秀峰，黎鳳賡

（江西省水利科學研究院，江西省水工安全工程技術研究中心，江西 南昌 330029）

0 引 言

標準化管理是提升水庫安全管理水平的重要保障，是實現水利現代化的基本前提。近年來，隨著江西省開展水利工程標準化管理工作，提出了水庫標準化管理達標創(chuàng)建指標體系，水庫的安全管理技術水平取得顯著成就[1]。然而，水庫在完成標準化管理創(chuàng)標之后，若繼續(xù)延用創(chuàng)標階段的管理指標體系，不利于水庫標準化管理的可持續(xù)發(fā)展。如，創(chuàng)標階段不少指標是一次性投入的，創(chuàng)標后若仍將重點關注這些指標，不利于資源的合理分配，不利于標準管理持續(xù)性。因此，修改完善現有的標準化管理評估指標體系十分必要。

水庫標準化管理評估是分析判斷水庫管理水平的關鍵環(huán)節(jié)，旨在識別出管理主體存在的薄弱環(huán)節(jié)?？茖W合理的評估方法往往直接影響評估結論[2，3]。由于評估主體具有主觀性強、模糊性等特點，在指標定量時必然存在不確定性。只有對模糊邊界更清晰地描述，才能有效指導管理工作。在分析不確定性及模糊問題時，神經網絡具有明顯的優(yōu)勢，由于其具有較高的魯棒性和容錯性能[4]，對輸入指標的信息要求不高，減少了專家的主觀性。

神經網絡在評估方面應用非常廣泛[5～7]，尤其在大壩風險分析、安全監(jiān)測、調度運用等方面研究較多[8～10]，但在水庫管理評估方面應用較少，本文將人工神經網絡引入標準化管理評估中，通過建立水庫標準化管理評估指標體系，構建基于BP神經網絡的標準化管理評估模型，為進行水庫安全管理水平考核評價建立一種新方法，為提高水庫安全管理水平起促進作用。

1 標準化管理評估指標體系的建立

1.1 評估指標選取原則

評估指標應根據江西省水庫管理實際情況，保證其科學性與先進性。依據水庫標準化管理評分標準（以下簡稱“評分標準”），重點圍繞創(chuàng)標后的工作需求及水利部提出的水庫管理“三年行動方案”。做到指標概念清晰、層次分明、相關性弱、操作性強等特點，既要全面、科學、系統地體現水庫標準化管理創(chuàng)標后的整體情況，也要體現管理現狀與經濟、社會發(fā)展相協調并適度超前的要求。

1.2 評估指標的選取

在遵循上述指標選取原則基礎上，通過研究“評分標準”及水利部提出的管理新要求，“評分標準”中一級指標分為4部分，分別為安全管理、運行管理、養(yǎng)護管理、管理保障，而水利部的工程管理考核評分標準內還細分出組織管理。為了細分指標體系，將上述4個一級指標分離出管理基礎這一指標，該級指標包含機構人員、管理手冊、工程劃界等二級指標。因此，評價體系包含5項一級指標，編號為C1～C5，二級指標共21項（見表 1）。

在確定二級指標權重時，主要采用層次分析法確定。在構建判斷矩陣和進行指標重要性比較時，主要依據“評分標準”分值大小及水庫管理創(chuàng)標完成后管理新要求確定，對于分值越大的，則該指標相對更重要；對于創(chuàng)標階段一次性投入，在創(chuàng)標后重要性相對減弱，對于需要持續(xù)投入的指標，重要性可相對提高。指標體系及計算的權重具體見表1。

1.3 評估等級的分類

表1列舉了各指標體系的權重，實際管理考評或者評估時，不僅需要了解總分，而且還需明確每個指標的得分情況，以便有針對性的采取措施，因此，有必要對每一級進行分類劃分，不妨將管理綜合等級及各指標等級均分為4級，分別為1級、2級、3級、4級。

傳統的評價結論一般按均勻或Γ型分布[10]，如對于100 總分時，對應的等級為 [0，25）、[25，50）、[50，75）、[75，100]，這種劃分體現不出工作事項的普遍性與極端性。經對全省的標準化驗收得分統計發(fā)現，管理得分一般按正態(tài)分布，即得分普遍集中在中間區(qū)域，管理非常突出或非常差往往是少數。根據以上分布規(guī)律，將管理指標等級劃分按 [0，0.1）、[0.1，0.5）、[0.5，0.9）、[0.9，1]四等進行劃分，每個指標的具體得分按區(qū)間邊界值乘以對應的權重值確定。

2 基于BP神經網絡評估模型的建立

2.1 BP神經網絡基本原理

BP（Back Propagation）神經網絡又稱為多層前饋神經網絡，其訓練過程實際上是將誤差逐層傳播并不斷修改權值的過程[11]。在運行過程中包含了正向和反向的傳播兩個階段：（1）在正向傳播過程中，輸入數據經輸入層至隱含層，并傳向輸出層，計算實際輸出與期望輸出的誤差，若誤差超過范圍，則轉入反向傳播；（2）在反向傳播過程中，通過不斷修改各層神經元的權重系數，使輸出層神經元上得到所需要的期望輸出值為止。

表1 水庫標準化管理指標體系

2.2 評估模型的建立

神經網絡實際上是一種經驗分析，通過已有的原始數據及結果進行有限次數的訓練，直到訓練結果的精度滿足要求，在評估模型中，主要參數包括輸入輸出數據、網絡拓樸結構等。

2.2.1 輸入輸出數據

以21個二級指標個數作為輸入變量，期望輸出以向量形式表示，即以 Y1=（1，0，0，0）T、Y2=（0，1，0，0）T、Y3=（0，0，1，0）T、Y4=（0，0，0，1）T，對應的等級為 1 級、2級、3級、4級，如表 2。

在選取訓練數據時，以表2區(qū)間邊界值作為樣本輸入數據，顯然具有較強的代表性。但數據過少，訓練得出的BP網絡模型實用性不強，網絡魯棒性差，識別結果不甚理想，如對于位于不同指標間區(qū)間的輸入向量。為此，在不同的評分區(qū)間內再隨機生成2 000組數據，其中，1 800組作為訓練數據，200作為檢驗數據。

表2 標準化管理評估BP網絡模型訓練樣本集

2.2.2 網絡拓撲結構

網絡拓撲結構的確定合理與否，直接影響到評估結果的精確性和適用性。具體包括網絡層數、輸入層節(jié)點數、隱含層數、隱含層節(jié)點數、輸出層節(jié)點數等幾個方面。其中，網絡層分為3層，輸入層、輸出層及隱含層[12，13]。隱含層可根據通過輸入層、輸出層節(jié)點數，采取經驗公式確定[14，15]，本文采用黃金分割法確定[16]。激活函數常用的用logsig、tansig、purelin等3種函數，根據本文分析特點，隱含層轉移函數選用logsig函數或tansig函數，輸出層節(jié)點轉移函數選用tansig或purelin 函數[17]。

確定了輸入輸出數據及網絡拓撲結構，則標準化管理評估模型也建立了，標準化管理的評估模型見圖1。

標準化管理評估模型的核心算法是前饋傳播算法，采取網絡參數確定及優(yōu)化兩個路徑同時進行，基于matlab語言開展語句進行編程計算，鑒于篇幅有限，代碼略。

2.3 網絡模型測試

根據2.2節(jié)確定的網絡模型，分析了不同隱含節(jié)點數的訓練情況，其誤差及迭代次數如圖2所示。

圖1 基于神經網絡標準化管理評估模型

圖2 不同隱含結點的總誤差變化曲線

圖3 檢驗計算結果

表3 水庫標準化管理輸入數據

表4 水庫標準化管理BP神經網絡計算結果

總誤差為每一個樣本數據的輸出向量與期望向量之差。從圖2可知，總誤差隨著節(jié)點的個數呈先減小后增大的拋物線變化。不同隱含點的數量誤差均能較快的趨于收斂，且收斂速度相近。但誤差大小有所不同，當隱含節(jié)點為17時，總誤差最小，低于200，而隨著隱含節(jié)點增加，總誤差也不斷升高，并達到300以上。選擇17個作為最終隱含節(jié)點數。

將檢驗數據代入，計算結果如圖3所示，圖中實線表示計算輸出值，圓圈為期望輸出值。據圖可知，輸出結果與期望結果基本一致，正確率達到98%，表明該神經網絡訓練成果是合適的。

3 案例分析

江西省于2018年開展了標準化試點工作，包含293座各類試點工程。根據工程規(guī)模等級規(guī)模及運行條件不同，確定了對應的達標等級。從驗收情況來看，所有工程均完成標準化創(chuàng)標工作，工程形象面貌及管理水平有了極大的提高。為此，選取2018年江西省標準化管理達標的部分水庫進行評估。應用以上建立的神經網絡模型，其輸入與期望輸出數據如表3。

將表3數據代入網絡模型中，根據最大隸屬原理，確定計算等級，計算結果見表4。在6個試點工程中，有5個工程計算結果與實際相符。其中山口巖水庫計算有偏差，計算結果為一級，而驗收標準為二級，主要因為：（1）評估指標體系的側重點有所差異，賦分原則及權重也不盡相同；（2）山口巖水庫驗收時綜合得分非常接近一級界限，神經網絡在選取邊界附近的訓練數據偏少等。模型計算準確率83%，表明該神經網絡算法能夠對水庫進行了管理評估。同時，在考慮水庫標準化管理的可持續(xù)性，加重了水庫運行管理指標的權重。

4 結論

本文探討并構建了水庫標準化管理創(chuàng)標后的評估指標體系，建立了基于BP人工神經網絡的標準化管理評估模型，分析了神經網絡模型參數確定方法。利用神經網絡模型，對江西省2018年部分水庫標準化管理創(chuàng)標數據進行了計算、驗證，結果表明，BP神經網絡評估結論與實際情況總體相符，該評估方法具有普遍適用性，操作性較強，有較大推廣價值。