一种厂网河一体化模型参数优化方法

本发明属于城市管网系统规划
技术领域：
。
背景技术：
：城市厂网河水系统由污水处理厂、管网、河流组成，负责收集、输送和处理城市生产、生活过程中产生的雨水和污水，显著影响城市水环境质量和水生态安全。“厂网河一体化”是以流域水质达标为目标，对流域内所有河、闸、站、雨污管网及污水厂进行统一调度、统一规划和一体化管理，确保城市排水系统安全高效运转。城市厂网河水系统水力水质模型，可以模拟评价厂网河排涝减灾和控源截污能力，指导厂网河的高效运行，打破传统模型污水处理厂、排水管网、河流水环境间割裂关系，是实现“厂网河一体化”的核心技术之一。模型参数赋值对模型预测结果精度有重要影响，决定“厂网河一体化”模型应用效果。厂网河一体化模型耦合了污水处理厂、排水管网、河流水环境等多种模型核心功能，包含100余个相互关联的模型参数，参数优化极为困难。传统人工优化方法过度依赖专业人员工程经验，对优化结果的主观影响大，同时存在效率低、耗时长等问题。技术实现要素：本发明目的是为了解决现有的厂网河一体化模型参数优化对专业人员工程经验要求较高,存在效率低、耗时长的问题,提出了一种厂网河一体化模型参数优化方法。本发明所述一种厂网河一体化模型参数优化方法，具体包括：步骤一、利用厂网河一体化模型的参数和预测结果，构建rbf径向基神经网络；步骤二、利用正交最小二乘法对rbf径向基神经网络进行训练；步骤三、通过模型参数影响排行解析，确定模型优化关键影响参数；步骤四、利用人工蚁群算法，构建厂网河一体化模型参数优化模型，对模型优化关键影响参数进行优化，获得各参数的最佳取值区间。进一步地，步骤一所述利用厂网河一体化模型的参数和预测结果，构建rbf径向基神经网络的具体方法为：步骤a1、利用厂网河一体化模型的参数构建rbf径向基神经网络输入层；步骤a2、利用厂网河一体化模型的河流断面流量与污染物浓度构建rbf径向基神经网络输出层；步骤a3、利用高斯函数作为基函数，构建rbf径向基神经网络隐含层，完后建rbf径向基神经网络的构建。进一步地，步骤二中所述利用正交最小二乘法对rbf径向基神经网络进行训练的具体方法为：步骤b1、对隐含层回归向量正交获得回归模型，利用正交最小二乘法对所述回归模型进行选择，将误差平方和最小的回归算子作为隐含层的回归算子；步骤b2、利用平均距离法选取隐含层的宽度；完成对rbf径向基神经网络隐含层的设置；步骤b3、将厂网河一体化模型参数与模型预测结果作为输入模式对，对rbf径向基神经网络进行训练。进一步地、步骤三所述的通过模型参数影响排行解析，确定模型优化关键影响参数的具体方法为：将各参数在隐含层中线性加权权重变化对rbf径向基神经网络的训练结果影响力进行排行，选取影响能力权重排行前5的模型参数作为模型优化关键影响参数。进一步地，步骤四中所述利用人工蚁群算法，构建厂网河一体化模型参数优化模型，对模型优化关键影响参数进行优化的方法为：步骤c1、根据经验值，确定模型优化关键影响参数的取值范围，将每个模型优化关键影响参数的的取值范围离散成n等份，作为n个变量区间；其中n为大于或等于2的整数；步骤c2、对蚁群算法进行初始化；将每个参数n个区间的端点设置为该参数的n+1个节点；步骤c3、将蚁群中所有蚂蚁随机放置在第一个参数的n+1个节点上；步骤c4、计算每个蚂蚁从当前参数的节点转移到下一个参数的节点的转移概率；步骤c5、根据所述转移概率，将蚁群的所有蚂蚁分配至下一个参数的n+1个节点上；执行步骤c6，其中，n为正整数；步骤c6、判断所述下一个参数是否为该次迭代的最后一个待优化参数，若是，执行步骤c7，否则，执行步骤c4；步骤c7、计算该次迭代目标函数值，判断该次迭代目标函数值是否达到函数阈值，若是，执行步骤c10，否则，执行步骤c8；步骤c8、判断迭代次数是否达到迭代次数阈值，若是，则执行步骤c10，否则，执行步骤c9；步骤c9、计算每个蚂蚁从当前参数的节点转移到第一个参数的节点的转移概率；返回执行步骤c5；步骤c10、计算每个参数n+1个节点的信息素强度，根据每个参数的节点的信息素强度获取最优路径，根据最优路径获取各参数的最佳取值区间；判断获取各参数的最佳取值区间的次数否为第二次，若是，成模型优化关键影响参数，输出各参数的最佳取值区间，否则，执行步骤c11；步骤c11、分别将各参数的佳取值区间离散成n等份，作为n个变量区间；再次对蚁群算法进行初始化；将每个参数的n个区间的端点设置为该参数的n+1个节点；返回执行步骤c3。进一步地，步骤c2中对蚁群算法进行初始化为：设置迭代次数阈值m1，节点信息强度素初始值；所有节点信息素强度初始值均相同，设置蚁群中蚂蚁的总数量，设置目标函数阈值，其中，m1大于300的正整数。进一步地，步骤c12中对蚁群算法进行初始化为：设置迭代次数阈值m2，节点信息强度素初始值；所有节点信息素强度初始值均相同，设置蚁群中蚂蚁的总数量，设置目标函数阈值，其中，m1＞m2＞100。进一步地，步骤c11中计算每个参数n+1个节点的信息素强度的具体公式为：τij(t+n)＝ρ·τij(t)+δτijδτij＝∑m/k＝1δτijkτij(t)表示t时刻在路线ij上的信息素残留量，ρ代表信息素的残留度，δτijk表示第k只蚂蚁在本次循环中留在路径ij上的信息量，δτij表示本次循环中所有经历过路径ij的蚂蚁留在该路径上的信息量的增量。进一步地，步骤a5中所述计算该次迭代目标函数值的计算方法为：采用公式：计算实现，其中，n是该次迭代厂网河”一体化模型输出数据的组数，qsim该次迭代厂网河”一体化模型输出的数据值，qobs与qsim对应的实际观测值，是实际观测数据的平均值；nse值越趋近于1，表示模拟值和测量值的拟合效果越好，nse值小表示结果可靠性低，而评估值越大意味着可靠性越高，模型优化具有高精度。本发明开发了一种基于rbf径向基神经网络与蚁群自动寻优耦合的厂网河一体化模型参数智能优化技术。基于rbf径向基神经网络对厂网河一体化模型中参数影响进行挖掘，生成模型预测精度贡献权重排行，解析模型预测关键性参数；基于人工蚁群算法对关键参数赋值进行优化，提高厂网河一体化模型预测结果精度。相较于传统模型参数寻优方法，本发明具有以下优势：(1)提出了一种基于rbf径向基神经网络与蚁群自动寻优耦合的模型参数寻优技术，实现了模型核心参数的智能解析与全局优化；(2)开发的一种厂网河一体化模型参数智能优化方法，模型预测精度较传统人工寻优方法提高47％，纳什效率系数由0.37提高至0.78以上；解决了传统人工寻优方法长期存在的效率低、耗时长、主观性强的不足，实现了模型参数优化的自动化与客观化；(3)基于本发明优化的厂网河一体化模型，可以指导流域内厂网河的统一调度与管理，提高厂网河系统运行效率，保障城市水系统安全。附图说明图1是本发明所述一种厂网河一体化模型参数优化方法流程图；图2本发明步骤四中所述利用人工蚁群算法，构建厂网河”一体化模型参数优化模型，对模型优化关键影响参数进行优化的方法的流程图；图3为具体实施例所述基于rbf神经网络的厂网河一体化模型参数权重核算方法模型结构示意图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。具体实施方式一：下面结合图1说明本实施方式，本实施方式所述一种厂网河一体化模型参数优化方法，具体包括：步骤一、利用厂网河”一体化模型的参数和预测结果，构建rbf径向基神经网络；步骤二、利用正交最小二乘法对rbf径向基神经网络进行训练；步骤三、通过模型参数影响排行解析，确定模型优化关键影响参数；步骤四、利用人工蚁群算法，构建厂网河一体化模型参数优化模型，对模型优化关键影响参数进行优化，获得各参数的最佳取值区间。本发明开发了一种基于rbf径向基神经网络与蚁群自动化寻优耦合的厂网河一体化模型参数智能优化技术。以一体化模型中深度指数、污染物衰减系数、霍顿最大渗透量等参数为输入层，河流断面流量与污染物浓度为输出层，高斯函数为隐含层基函数，构建rbf径向基神经网络；利用厂网河一体化模型预测结果数据库进行rbf径向基神经网络训练，确定隐含层基函数权重，解析各参数对预测结果影响能力排行；构建以影响能力最强的参数为食物点、厂网河一体化模型预测结果纳什效率系数为目标函数的人工蚁群系统，搜寻蚁群最优路径，解析预测结果精度最高条件下的模型参数赋值组合，实现厂网河一体化模型参数智能优化。进一步地，步骤一所述利用厂网河一体化模型的参数和预测结果，构建rbf径向基神经网络的具体方法为：步骤a1、利用厂网河一体化模型的参数构建rbf径向基神经网络输入层；步骤a2、利用厂网河一体化模型的河流断面流量与污染物浓度构建rbf径向基神经网络输出层；步骤a3、利用高斯函数作为基函数，构建rbf径向基神经网络隐含层，完后建rbf径向基神经网络的构建。进一步地，步骤二中所述利用正交最小二乘法对rbf径向基神经网络进行训练的具体方法为：步骤b1、对隐含层回归向量正交获得回归模型，利用正交最小二乘法对所述回归模型进行选择，将误差平方和最小的回归算子作为隐含层的回归算子；步骤b2、利用平均距离法选取隐含层的宽度；完成对rbf径向基神经网络隐含层的设置；步骤b3、将厂网河一体化模型参数与模型预测结果作为输入模式对，对rbf径向基神经网络进行训练。进一步地、步骤三所述的通过模型参数影响排行解析，确定模型优化关键影响参数的具体方法为：将各参数在隐含层中线性加权权重变化对rbf径向基神经网络的训练结果影响力进行排行，选取影响能力权重排行前5的模型参数作为模型优化关键影响参数。本实施方式所述基于rbf径向基神经网络与蚁群自动寻优耦合的厂网河一体化模型参数智能优化技术，主要包括关键影响参数定位与参数赋值优化两大核心步骤。基于rbf径向基神经网络分析的关键影响参数定位主要通过以下步骤实现：1rbf径向基神经网络构建rbf径向基神经网络由输入层、隐含层和输出层三层组成。输入层由输入节点组成，传递输入信号到隐含层，隐含层是承上启下的关键层，以基函数为核心对输入向量进行辐射状映射，输出层是对输入的响应。rbf网络的工作流程为：将输入数据直接映射到用径向基函数构成的隐含层空间，在此空间进行变换，将在低维空间中的非线性数据变换为高维空间内线性可分，隐含层通过线性加权映射得到输出层。(1)rbf径向基神经网络输入层构建以一体化模型中深度指数、污染物衰减系数、霍顿最大渗透量等100余个模型参数构建rbf径向基神经网络输入层。(2)rbf径向基神经网络输出层构建根据厂网河一体化模型预测功能，以河流断面流量与污染物浓度构建rbf径向基神经网络输出层。(3)rbf径向基神经网络隐含层构建基函数在隐含层对输入向量进行映射，不同基函数有不同映射能力，适合不同特性的数据。因此基函数的选取十分关键，常用的有高斯函数、反常s函数、逆多二次函数、薄板样条函数几种。根据厂网河一体化模型功能与结构特点，需要将参数特征映射到无穷，因此选用高斯函数作为基函数，具有良好的平滑性和任意函数皆可导等优势。2rbf径向基神经网络训练(1)rbf径向基神经网络学习方法rbf径向基神经网络学习方法选用最为常用的正交最小二乘法(ols)。根据线性回归模型的原理，rbf网络的输出由隐含层某种回归算子和隐含层至输出层间连接权重的线性组合构成，所有隐含层神经元上的回归因子构成回归向量。学习过程主要是回归算子组成的回归向量正交化的过程，ols选择的回归模型应该使得误差平方和达到最小。具体流程为从输入向量中任意选取一个输入值，作为初始的基函数中心，然后通过gram-smith方法正交化回归算子，分析回归算子矢量对降低误差的贡献。最后根据误差要求，确定回归算子。(2)隐含层宽度选取隐含层宽度选取采用平均距离法。宽度的选取遵循使得所有rbf网络的神经单元的接受域之和覆盖整个训练样本空间的原则，宽度为rbf网络中心向量(聚类中心)与属于该类的样本之间距离的平均值，或者宽度为该单元的中心与其他最邻近的n个近邻单元中心。(3)数据获取与模型训练rbf径向基神经网络训练数据由厂网河一体化模型参数与模型预测结果构成，模型参数主要涉及深度指数、污染物衰减系数、霍顿最大渗透量等100余个模型参数，预测结果主要包括河流断面流量与多种污染物浓度。基于厂网河一体化模型生成“参数-结果”数据集，构建rbf径向基神经网络输入模式对，开展神经元网络训练。3模型参数影响排行解析基于rbf径向基神经网络训练结果中各参数在隐含层中线性加权权重生成各参数对预测结果影响能力排行，选取影响能力权重排行前5的模型参数作为模型优化关键影响参数。进一步地，结合图2说明本实施方式，本实施方式中，步骤四中所述利用人工蚁群算法，构建厂网河一体化模型参数优化模型，对模型优化关键影响参数进行优化的方法为：步骤c1、根据经验值，确定模型优化关键影响参数的取值范围，将每个模型优化关键影响参数的的取值范围离散成n等份，作为n个变量区间；其中n为大于或等于2的整数；步骤c2、对蚁群算法进行初始化；将每个参数n个区间的端点设置为该参数的n+1个节点；步骤c3、将蚁群中所有蚂蚁随机放置在第一个参数的n+1个节点上；步骤c4、计算每个蚂蚁从当前参数的节点转移到下一个参数的节点的转移概率；步骤c5、根据所述转移概率，将蚁群的所有蚂蚁分配至下一个参数的n+1个节点上；执行步骤c6，其中，n为正整数；步骤c6、判断所述下一个参数是否为该次迭代的最后一个待优化参数，若是，执行步骤c7，否则，执行步骤c4；步骤c7、计算该次迭代目标函数值，判断该次迭代目标函数值是否达到函数阈值，若是，执行步骤c10，否则，执行步骤c8；步骤c8、判断迭代次数是否达到迭代次数阈值，若是，则执行步骤c10，否则，执行步骤c9；步骤c9、计算每个蚂蚁从当前参数的节点转移到第一个参数的节点的转移概率；返回执行步骤c5；步骤c10、计算每个参数n+1个节点的信息素强度，根据每个参数的节点的信息素强度获取最优路径，根据最优路径获取各参数的最佳取值区间；判断获取各参数的最佳取值区间的次数否为第二次，若是，成模型优化关键影响参数，输出各参数的最佳取值区间，否则，执行步骤c11；步骤c11、分别将各参数的佳取值区间离散成n等份，作为n个变量区间；再次对蚁群算法进行初始化；将每个参数的n个区间的端点设置为该参数的n+1个节点；返回执行步骤c3。进一步地，步骤c2中对蚁群算法进行初始化为：设置迭代次数阈值m1，节点信息强度素初始值；所有节点信息素强度初始值均相同，设置蚁群中蚂蚁的总数量，设置目标函数阈值，其中，m1大于300的正整数。进一步地，步骤c12中对蚁群算法进行初始化为：设置迭代次数阈值m2，节点信息强度素初始值；所有节点信息素强度初始值均相同，设置蚁群中蚂蚁的总数量，设置目标函数阈值，其中，m1＞m2＞100。进一步地，步骤c11中计算每个参数n+1个节点的信息素强度的具体公式为：τij(t+n)＝ρ·τij(t)+δτijδτij＝∑m/k＝1δτijkτij(t)表示t时刻在路线ij上的信息素残留量，ρ代表信息素的残留度，δτijk表示第k只蚂蚁在本次循环中留在路径ij上的信息量，δτij表示本次循环中所有经历过路径ij的蚂蚁留在该路径上的信息量的增量。进一步地，步骤a5中所述计算该次迭代目标函数值的计算方法为：采用公式：计算实现，其中，n是该次迭代厂网河”一体化模型输出数据的组数，qsim该次迭代厂网河”一体化模型输出的数据值，qobs与qsim对应的实际观测值，是实际观测数据的平均值；nse值越趋近于1，表示模拟值和测量值的拟合效果越好，nse值小表示结果可靠性低，而评估值越大意味着可靠性越高，模型优化具有高精度。本发明已成功应用于江西省s河流域厂网河一体化模型建设中，利用rbf神经网络对厂网河一体化模型的核心参数进行定位，并利用人工蚁群算法对核心参数进行迭代寻优，最后将实测数据于参数寻优结果代入模型中对河流监控断面处的水质水量进行模拟预测，具体过程如下：(1)rbf径向基神经网络构建以s河流域一体化模型中深度指数、污染物衰减系数、霍顿最大渗透量等100余个模型参数构建rbf径向基神经网络输入层；以s河断面流量与污染物浓度构建rbf径向基神经网络输出层；根据s河厂网河一体化模型功能与结构特点，选用高斯函数作为基函数。(2)rbf径向基神经网络训练rbf径向基神经网络学习方法选用最为常用的正交最小二乘法(ols)；隐含层宽度选取采用平均距离法；基于s河厂网河一体化模型河流断面流量与多种污染物浓度生成“参数-结果”数据集，构建rbf径向基神经网络输入模式对，开展神经元网络训练。基于rbf神经网络的“厂网河”一体化模型参数权重核算方法模型结构如图3所示。(3)模型参数影响排行解析根据权重分析模型分析结果得出各参数权重排行榜，由排行榜得出权重最大的五个参数分别为深度指数、磷衰减系数、曼宁损失透水系数、曼宁损失不透水系数与霍顿最大渗透量，将这五个参数作为厂网河一体化模型的核心参数，并将其输入人工蚁群算法作为优化对象进行参数优化。(4)人工蚁群构建设定蚂蚁数量m＝11，信息素挥发度为ρ＝0.7，信息启发式因子α＝0.9，期望启发式因子β＝1.0，以nash–sutcliffe模型效率系数作为蚁群算法目标函数。(5)参数优化目标函数配置设定核心参数初始取值范围，深度指数为(0.30，0.60)，磷衰减系数为(0.00，1.08)，曼宁损失透水系数为(2.45，7.35)，曼宁损失不透水系数为(1.20，2.40)，霍顿最大渗透量为(25.4，127)，将各个参数的取值区间离散为10个区间，形成11个节点，均置11个蚂蚁。(6)转移概率、信息素更新策略及循环配置计算蚂蚁转移概率，蚂蚁依转移概率选择转移路线进行寻优；依信息素更新策略对各个路径上的信息素强度进行更新，更新蚂蚁转移概率；设定内循环次数上限为50次，对各路径信息素同等赋初值并开始迭代寻优，循环次数达50次后输出本次内循环最优解。(7)寻优过程与结果输出设定外循环最小离散程度为离散3次，优化后的nash-sutcliffe模型效率系数下限为0.65，即精度提高3个数量级且预测精度有明显改善。以内循环输出最优节点值前后两节点间的区间作为下一次内循环的变量范围，转至步骤(5)进行参数离散并继续进行内循环寻优，直至满足预测精度超过预设的最低值且离散程度达到最小离散程度结束运算；输出最终核心参数优化结果，各参数默认值与最终优化值如表1所示。表1各模型参数优化值与默认值对比参数物理意义默认值优化值d深度指数0.50.4827kpm磷衰减系数10.9654n-perv曼宁损失透水系数57.0148n-imperv曼宁损失不透水系数1.81.7764i霍顿最大渗透量7646.4786(8)模型预测精度检验将五个核心参数优化结果代入厂网河一体化模型中，污水厂排污水质水量数据、雨水管网排口水质水量数据等作为输入值进行模拟运算，以总氮与水量为例，将厂网河一体化模型输出的总氮浓度与水量预测结果与五个监控断面的实测总氮、水量数据进行对比，计算nash-sutcliffe模型效率系数衡量模型对总氮浓度及水量的模拟精度，结果如表2、表3所示。表2采取本发明前后总氮的纳什效率系数表3采取本发明前后水量的纳什效率系数由表2、表3可知，采取本发明前，各核心参数采用默认值进行模拟预测的厂网河一体化模型对下游各监控断面总氮浓度预测的nash–sutcliffe模型效率系数在0.35-0.62之间，采取本发明对关键核心参数进行优化后，模型对各断面总氮浓度预测的nash–sutcliffe模型效率系数提高至0.67-0.78，对河流总氮浓度的预测精度平均提升了20％左右；各参数取默认值对下游各监控断面水量预测的nash–sutcliffe模型效率系数在0.37-0.56之间，采取本发明后，模型对各断面水量预测的nash–sutcliffe模型效率系数提高至0.69-0.81，对河流水量的预测精度平均提升了25％左右。虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。当前第1页12