专利名称：城市排水汇流管网污水泵站流量的软测量方法
城市排水汇流管网污水泵站流量的软测量方法技术领域
本发明属于软测量领域，具体涉及一种排水管网污水流量的软测量方法。
技术背景
随着城市的飞速发展，城市排水已成为制约城市快速发展的瓶颈之一。然而目前 已有的城市排水管网系统中，流经各个管网和泵站的污水流量和水位只能靠人工经验估 计，由于管网系统缺乏详细的实测流量数据，系统由此无法预测洪水的产生、管道溢出，更 无法通过调度泵站机组的开启来达到泵站节能的目的。
采用硬件检测装置(包括机械式、涡轮式、超声波式，电磁式)测量流量需要改造 排水管道，这一过程投入成本高、收效有限。专利00134362. 9“测量地表薄层径流流速的方 法”利用电解质作为示踪剂，测得投放点和检测点时间间隔后计算流速的方法。然而该方法 无法应用在污水流中，且无法实时在线测量。专利201010140199. X “基于神经网络的污水 泵站水位预测方法”虽提供了一种污水泵站水量和水位的软测量方法，但该方法只适用于 简单的上下游串联泵站情况，无法预测汇流情况下泵站流量与水位。管网汇流节点受多个 上游泵站的影响，污水流量具有不确定、非线性和滞后性，同时排水管网系统存在的大量不 确定因素，如降雨分布、生活污水排放、管道淤堵、渗漏等，都将增加预测复杂性。发明内容
本发明目的是提供一种能够节约硬件资源的软测量方法，实现对复杂汇流管网污 水流量的在线监测。
本发明首先利用机理分析和先验信息，分析汇流节点泵站流量的主要影响因素， 初步确定BP神经网络的影响因素，即确定输入输出变量。然后利用灰色关联分析方法确定 不同上游泵站排水流量滞后时间。在泵站历史运行数据基础上建立灰色神经网络模型，预 测汇流节点泵站流量。具体步骤如下
步骤(1)选择汇流管网模型输入输出变量。
基于机理分析可知汇流泵站进水量主要来源于各上游泵站排出量和本地入流量 (旁侧流、降雨等)，上游泵站提升的污水量须经过管网流入到下游泵站，具有一定的滞后 性，而本地入流具有不确定性。根据污水入流量等于前池液位变化乘以前池截面积，虽然本 地入流无法由计算得到，但是前池液位值变化可间接反映本地流值。因此选择汇流泵站前 池水位为神经网络模型的输出变量，选择影响汇流泵站前池水位主要因素为神经网络模型 输入变量①上游各泵站排水量；②汇流泵站前池液位变化量；③汇流泵站排水量。
为简化模型，可分析上游泵站排水量与汇流泵站进水量的比值，舍去比值小于 10%的输入量。
步骤⑵数据预处理。
数据采集与监控系统(SCADA)采集的原始数据可能存在噪声、数据不完整甚至是 不一致，在利用这些数据进行分析建模前，需要对数据进行预处理。主要包括
(a)遗漏数据处理SCADA采集的是时间序列数据，每隔20秒采样1次。针对可能 存在的遗漏项，首先粗选，每分钟选1个数据；再利用忽略元组或历史数据补全方法处理遗 漏数据。
(b)噪声数据处理对于开关泵时水面波动造成的液位测量误差，通过取三个测 量值得到的平均值以减小误差；对于个别奇异点采用前后数据平滑校正；对于明显的偏大 偏小的数据，采用直接去除毛刺的方法进行校正。
步骤( 确定各上游泵站排水迟延时间
各个上游泵站排放污水由各支管先后汇入干管再流至汇流节点泵站，由于支管长 度、截面、坡度和水量不同，每个支流到达汇流泵站的时间也不一定相同。根据污水传播规 律，同一位相的流量在下一断面出现的时间总是迟于在上断面出现的时间，这个时间差就 是流量的迟延时间。对于汇流节点泵站，需计算其偏相关性。
采用灰色速率关联来计算泵站排水迟延时间，由灰色理论中灰色关联度的概念， 同一流量过程在上游和下游的关联程度应该比较大。选择下游流量时间序列(逐日平均流 量序列)为参考时间序列，上游对应时间、对应时间的向前1个时段、对应时间的向前2个 时段、对应时间的向前3个时段…流量时间序列为比较时间序列。对应比较时间序列和参 考时间序关联度最大的值对应的向前时段数就是泵站排水迟延时间。
假设参考时间序列为Ytl= [Y0(I), Y0(2), Y0(η)]；比较时间序列为=Xi = [Xi(I), Xi (2),…，Xi(II)] i = 1，2，…，N，N表示比较时间序列的个数。
第i个比较时间序列与参考时间序列之间关联函数的表达式为
权利要求
1.城市排水汇流管网污水泵站流量的软测量方法，其特征在于该方法包括如下步骤步骤(1)确定汇流管网模型输入变量和输出变量；输入变量包括上游各泵站排水量、汇流泵站前池液位变化量和汇流泵站排水量；输出变量为汇流泵站前池水位；步骤( 对数据采集与监控系统采集的原始数据进行预处理；所述的原始数据包括遗 漏数据和噪声数据；遗漏数据的预处理方法是首先粗选，每分钟选1个数据；再利用忽略元组或历史数据 补全方法处理遗漏数据；噪声数据的预处理方法是对于开关泵时水面波动造成的液位测量误差，通过取三个 测量值得到的平均值以减小误差；对于个别奇异点采用前后数据平滑校正；对于明显的偏 大或偏小的数据，采用直接去除毛刺的方法进行校正；步骤( 运用灰色关联计算各上游泵站排水迟延时间，具体方法是a、收集汇流节点泵站污水进水量以及各个上游泵站的污水提升量数据；b、建立参考时间序列和比较时间序列，选择汇流节点泵站进水量时间序列为参考时间 序列Y0，Y0= [Y0(I), Y0(2), -,Y0(η)]；各个上游泵站对应时间、对应时间的前一时段、对 应时间的前两个时段…对应时间的前η个时段的污水提升量时间序列为比较时间序列\， Xi = [Xi (I)5Xi (2), ...Ji(Ii)],其中i = 1，2，…，N，N表示比较时间序列的个数；C、分别计算参考时间序列和各比较时间序列之间的灰色关联系数；d、分别计算参考时间序列和各比较时间序列之间的灰色速率关联度；e、确定各上游泵站排水迟延时间，具体是比较步骤d中得到的各个灰色速率关联度的 值，确定灰色速率关联度最大的值对应的向前时段数为上游泵站排水迟延时间；步骤(4)对输入变量进行归一化处理，转化为W，l]区间范围的值无，i=，其中Xmax为输入数据中的最大值，Xfflin为输入数据中的最小值，X为输入工max 1^min数据，i为输入数据归一化处理后的值；步骤(5)搭建BP神经网络框架；调用Matlab7. 1神经网络工具箱中的newff函数建立BP神经网络，Net = newff (PR, [Sl，s2,…，Si]，(TF1, TF2,…，TFJ，BTF，BLF，PF) ；Net 为 BP 神经网络框架，PR 为输入矩 阵中由最大元素和最小元素决定的取值范围，Si为第i层神经元的个数，TFi为第i层的传 递函数，1彡i彡NpN1为神经网络总层数，BTF为BP神经网络的训练函数，BLF为控制权值 和阈值的参数，PF为网络性能函数；步骤(6)训练BP神经网络，具体方法是i、初始化BP神经网络，利用随机函数产生的值赋值给权值和偏置值，然后调用init函 数来初始化整个神经网络；ii、设置网络训练次数和训练目标误差，显示训练步数；iii、设置训练数据为输入矩阵P，设置目标值为矩阵T，调用Matlab7.1神经网络工具 箱中的train函数对BP神经网络Net进行数据训练直至收敛，Net = train (Net, P，Τ)，其 中P为训练值，T为目标值；步骤(7)测试BP神经网络；对训练好的BP神经网络进行测试，将历史数据组成泵站前池水位预测网络测试矩阵 P_test，直接调用Matlab7. 1神经网络工具箱中的sim函数，D = sim(Net，P_test)，对测试 输入进行仿真，其中D为目标函数，Net为训练好的BP神经网络，D为目标值，P_test为测 试样本；步骤(8)数据反归一化处理；对测试所得的污水泵站前池水位数据按照公式
全文摘要
本发明公开了一种城市排水汇流管网污水泵站流量的软测量方法。现有的排水管网系统存在的大量不确定因素，测量硬件成本高。本发明首先利用机理分析和先验信息，分析汇流节点泵站流量的主要影响因素，初步确定BP神经网络的影响因素，即确定输入输出变量。然后利用灰色关联分析方法确定不同上游泵站排水流量滞后时间。在泵站历史运行数据基础上建立灰色神经网络模型，预测汇流节点泵站流量。本发明方法通过灰色关联分析和神经网络两种方法结合，既解决不同上游泵站排水时延差异问题，又较好模拟管网排水非线性过程，实现汇流节点污水泵站流量软测量，节约硬件资源，成本低、精度高。
文档编号G01F1/74GK102032935SQ201010590749
公开日2011年4月27日 申请日期2010年12月7日 优先权日2010年12月7日
发明者何必仕, 左燕, 徐哲, 薛安克 申请人:杭州电子科技大学