[發明專利]一種智能的城市庫區水源水質綜合預測方法

無效

• 申請號: 201310475825.4
• 申請日: 2013-11-12
• 公開（公告）號: CN103544540A
• 公開（公告）日: 2014-01-29
• 發明（設計）人: 王萌;唐新來;李健軍
• 申請（專利權）人: 柳州市宏億科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/02
• 代理公司: 廣西南寧匯博專利代理有限公司 45114
• 代理人: 鄧曉安

1.一種智能的城市庫區水源水質綜合預測方法，其特征在于：

A、采用了徑向基神經網絡作為預測方法的基礎；

B、通過遞推滾動式預測的方法作為預測方法的策略；

C、通過推滾動式徑向基神經網絡對城市庫區水源水質進行綜合性預測；

D、通過分析關鍵因子的系統動力學模型，采用推滾動式徑向基神經網絡對城市庫區水源水質進行關鍵因子預測；

E、通過分析調整綜合性預測得到的關鍵因子的值和通過關鍵因子預測得到的關鍵因子值，從而得到最終的預測值。

2.根據權利要求1所述的一種智能的城市庫區水源水質綜合預測方法，其特征在于所述步驟C具體包括：

C1、在綜合預測過程中，待預測的主要水質因子之中包括溫度、酸堿度、溶解氧、氨氮、亞硫酸鹽氮和硫化物等六種因子；當選取k+n個時間段作為一個樣本的時候，神經網絡的輸入值變成了k*6項水質因子作為神經網絡的輸入項，n*6項水質因子作為神經網絡的輸出項，由此采用遞推滾動式方法構造i組數據；

C2、通過構造好的i組數據對徑向基神經網絡進行訓練，輸入項為前k段時間溫度、酸堿度、溶解氧、氨氮、亞硫酸鹽氮和硫化物的值，輸出項為后n段時間的溫度、酸堿度、溶解氧、氨氮、亞硫酸鹽氮和硫化物的值，從而得到訓練好的的城市庫區水源神經網絡，以用來預測將來n個時間段的綜合整體水質。

3.根據權利要求1所述的一種智能的城市庫區水源水質綜合預測方法，其特征在于所述步驟D具體包括：

D1、對關鍵因子溶解氧進行系統動力學分析，發現與關鍵因子有著潛在關系的其實水質因子是水溫，浮游生物和水生生物的數量，而浮游生物和水生生物的數量又與當前溶解氧值的多少有著微妙的關系；所以為了更好的預測下一時間段溶解氧值，輸入項為前段時間的溶解氧值和水溫值，目標輸出項為后段時間的溶解氧值；

D2、在關鍵因子溶解氧神經網絡預測中，待預測的主要水質因子只有溶解氧一項因子；神經網絡的輸入值為2項，分別是前段時間的溶解氧值和水溫值，輸出值為1項，為后段時間的溶解氧值；采用遞推滾動式方法構造i組數據，以用來訓練關鍵因子徑向基神經網絡模型，根據訓練好的神經網絡，用來預測將來關鍵因子溶解氧的值；

D3、對關鍵因子氨氮進行系統動力學分析，發現城市庫區水源水質中關鍵水質因子氨氮的值與酸堿度，溶解氧和亞硝酸鹽氮的值有關，并且將來的城市庫區水源水質中氨氮的值也與當前氨氮的值相關；所以為了更好的預測下一時間段氨氮的值，輸入項為前段時間的水溫，溶解氧，氨氮和亞硝酸氨氮值，目標輸出項為段時間的氨氮值；

D4、在關鍵因子氨氮神經網絡預測中，待預測的主要水質因子只有氨氮一項因子；神經網絡的輸入值為4項，分別是前段時間的水溫，溶解氧，氨氮和亞硝酸氨氮值，輸出值為1項，為后段時間的氨氮值；采用遞推滾動式方法構造i組數據，以用來訓練關鍵因子徑向基神經網絡模型，根據訓練好的神經網絡，用來預測將來關鍵因子氨氮的值；

D5、對關鍵因子亞硝酸鹽氮進行系統動力學分析，發現城市庫區水源水質中關鍵水質因子亞硝酸鹽氮的值與酸堿度，溶解氧和亞硝酸鹽氮的值有關，并且將來的城市庫區水源水質中亞硝酸鹽氮的值也與當前亞硝酸鹽氮的值相關；所以為了更好的預測下一時間段亞硝酸鹽氮的值，輸入項為前段時間的水溫，溶解氧，氨氮和亞硝酸氨氮值，目標輸出項為段時間的亞硝酸鹽氮值；

D6、在關鍵因子亞硝酸鹽氮神經網絡預測中，待預測的主要水質因子只有亞硝酸鹽氮一項因子，神經網絡的輸入值為4項，分別是前段時間的水溫，溶解氧，氨氮和亞硝酸氨氮值，輸出值為1項，為后段時間的亞硝酸鹽氮值；采用遞推滾動式方法構造i組數據，以用來訓練關鍵因子徑向基神經網絡模型，根據訓練好的神經網絡，用來預測將來關鍵因子亞硝酸鹽氮的值。

4.根據權利要求1所述的一種智能的城市庫區水源水質綜合預測方法，其特征在于所述步驟E具體包括：針對同一預測時間點下，由綜合水質預測得到的值和關鍵水質因子預測得到的值相對比，進行誤差調整，取其之間的平均值，由此得到最終各項水質因子的預測值。